无人驾驶多传感器标定“黑洞”

早在上周，分享会报名渠道就已开启——《社群分享报名丨Apollo无人驾驶平台中多传感器标定》。此次分享由百度美研Apollo感知团队资深软件架构师—Chen Guang 讲解。

作为软件层提供的第一项服务，标定质量和准确度极大地影响着感知、定位地图、PNC等模块。在Apollo开源自动驾驶平台中，Apollo提供了丰富的多传感器标定服务，如激光雷达、惯导、摄像头、多普勒雷达等多种传感器之间的标定。算法覆盖常规Level 2-Level 4级别自动驾驶的传感器配置和标定需求。

除了你，已有800+开发者Get新技能。本次分享会除了高质量干货分享，还包括与百度美研Apollo感知团队资深软件架构师Chen Guang 的问答互动，约等于一对一的授课，马上翻开小本本开始做课前准备。

我们目前从Chen Guang 的Gitchat中瞄到了两段：L4传感器标定中的核心服务（激光雷达到惯导的标定，摄像头到激光雷达的标定），先与你一起分享。

以下，ENJOY  

多传感器标定是指对于拥有不同特性和不同观测范围的传感器，去准确地找到它们之间的相对位置关系。以上图为例，虽然它们分别来自于不同的传感器（摄像头和激光雷达），拥有不同的观测角度和不同的数据表达形式， 但是我们也可以设计相应的算法，来准确找到他们的相对位置关系。

       

传感器之间的相对位置关系，我们通常会用一个4×4的转换矩阵M来表示。通过这个转换矩阵M，我们可以将一个传感器坐标系下的点x转换成另一个传感器坐标系下的点y。在一个典型的3D空间中，传感器的位移、旋转、尺寸变化都可以用一个4×4的转换矩阵来表示。以上图为例，左上角3*3的矩阵R，表示传感器的旋转尺寸变化等。右上角的3×1的向量T，表示传感器之间的位移关系。

但实际中，多传感器标定会遇到各种各样的问题，它们可能来自于硬件、车载OS和通信系统，这就导致多传感器标定成为了无人车中一个问题“黑洞”。