2020 无人驾驶(3)

2020-09-02 本文已影响0人 zidea

image

无人驾驶是一个大课题，如何说起呢?, 首先因为 by-wire system，举个例子机器是无法参与到车辆机械运动，动力在齿轮间传递等控制。例如如何通过方向盘控制车轮转向等动作，不同可以通过方向盘和齿轮之间添加电机，这样方向盘就无法直接控制齿轮，而是需要通过电机来控制齿轮，这样机器就可以通过 by-wire system 来参与到对车辆的控制了。有了这个基础我们才可以进行无人驾驶控制。

首先感知，车辆通过 GPS 、HD map lidar 和 camera 进行确定自己位置，感知行驶环境以及车辆自身状态。这一部分有关感知我随后会分享很多内容，会聊到计算机视觉，深度学习以及当下流行目标检测算法。接下来是定位有关定位，在无人驾驶也是使用多种技术进行融合定位，在这部分了解不多，那就说一说 slam 技术吧，随后路径规划和车辆控制，这一部分也会聊很多，在这部分会一边学习一边整理分享有关强化学习和车辆控制相关算法吧。

在无人驾驶中会用到大量的 sensor 和测量仪器，通过他们提供数据对车辆位置和姿态进行估计。所以我们还是先聊聊贝叶斯滤波和卡尔曼滤波，了解这些基础概念，会对以后了解 slam 和路径规划等技术有很大帮助。

卡尔曼滤波器(Kalman Filter Optimal Recursive Data Processing Algorithm)
卡尔曼滤波器应用广泛，特别是在导航中，之前我一直关注的 slam 技术就涉及到卡尔曼滤波器。卡尔曼滤波的广泛应用是因为我们生活中存在大量不确定性。我们在描绘系统时，不确定表现在三个方面

不存在完美的数学模型
系统的扰动是不可见也很难建模
测量传感器本身存在误差

在开始分享贝叶斯滤波和卡尔曼滤波，我觉得有必要帮助复习一些基础知识，这些知识在随后连续随机变量的贝叶斯公式推导过程都会用到，分别是概率密度、中心极限定理和正态分布，这里内容是我个人在学习贝叶斯滤波时候感觉到重要的知识点，在开始贝叶斯滤波前先拿出来和大家分享一下。

image

概率密度

概率密度: 离散型的随机变量的取值是有限的比较好理解，对于连续型随机变量来说稍微有点抽象也就不那么好理解，因为连续随机变量的取值有无限多个。对于无限多个，在高等数学中就需要用积分思想来解决。

image

我们 dx 表示较小的一个区间，在这个区间上概率比上 dx 来表示概率密度函数。对于这种刻画，我们将其变为函数就可以随意计算在一定区间上的概率，也就是我们熟悉变限积分。这样就概率密度函数 f(x) 在正负无穷上积分得到 1 。然后再看什么是概率分布函数。概率密度函数通过一个小区间概率来近似该点的概率，从负无穷到 x 对概率函数积分也就是求从改点到无穷的概率函数和坐标轴围成的面积。