辅助驾驶功能开发-测试篇(2)-真值系统介绍

 1 真值系统概述

1.1 真值评测系统核心应用

        快速构建有效感知真值，快速完成感知性能评估，快速分析感知性能缺陷。

        主要应用场景包括：
        1. 感知算法开发验证: 在算法开发周期中，评测结果可以作为测试报告的一部分，体现算法性能的提升。
        2. 遴选供应商: 在供应商选择过程中，可以将各供应商的评测结果作为对比的一个维度，分析各供应商的优势。

1.2 真值评测系统感知优势

        真值评测系统感知方案优势：
        1. 高精度传感器，提供高可靠环境信息；
        2. AI离线后处理算法，提供更高识别率与精度；
        3. 多源信息融合，发挥各传感器优势，提供更稳定的识别结果。

1.3 真值评测系统工作流程

        实车采集各传感器数据——回灌被测传感器数据——传感器输出上传数据中心——离线生成融合真值航迹——对比被测航迹与真值航迹——对结果进行自动处理并输出报告

2 硬件

2.1 真值评测系统硬件设备描述

2.1.1 真值评测系统车端硬件 - 摄像头

2.1.2 真值评测系统车端硬件 - 毫米波雷达

        使用77GHz毫米波雷达，提供精确的目标位置与速度信息。

2.2 真值评测系统传感器布置

        * 激光雷达位于车顶中央，推荐高度1.9m；
        * 摄像头位于前挡风玻璃后，推荐高度1.5m；
        * 毫米波雷达位于前保险杠，推荐高度0.5m。

        * 激光雷达垂直方向角度范围是-25°~+15°；
        * 对于地面目标，其点云检测盲区约为4.07m；
        * 对于1m高的目标，其点云检测盲区为1.93m。

2.3 真值评测系统服务端硬件

        传感器数据存储在数据服务器或硬盘中，真值后处理软件运行在Linux主机中，用户修改配置文件后，便可一键生成评估报告。

        研发中的真值系统web服务软件，使用户可以在自己的终端中，通过访问真值系统服务器，实现数据处理与报告生成。

3 软件算法

3.1 真值评测系统软件架构

3.1.1 目标精度算法

        激光雷达目标识别算法，基于深度学习识别每帧点云的目标，再结合“历史”与“未来”信息提高识别率识别精度。

        融合多个传感器的感知目标结果，进行真值信息的增强计算，得到更准确的目标属性。

3.1.2 车道线精度算法

        通过对点云数据建图，生成激光点云地图。再经过地面与车道线分割，自车位姿估计，车道线点云拟合等算法，生成车道线真值。

        融合摄像头与激光雷达车道线的结果，进行真值信息的增强计算，得到更准确的车道线属性。

3.1.3 激光雷达真值感知算法

3.2 真值增强

3.2.1 真值增强的优势

        通过增加摄像头和毫米波雷达产品，可以提升识别率、精度、分类等信息。

3.2.2 目标真值增强前后性能对比

3.2.3 车道线真值增强前后性能对比

3.3 真值评测系统扩展方法

        加入新传感器流程：

        1. 在数据适配层中加入该传感器的适配代码；
        2. 在配置文件中加入该传感器的描述，将其加入传感器列表；
        3. 启动程序后，系统自动完成识别，无需修改顶层代码；
        4. 根据新传感器特性完成参数调试，将新参数值写入配置文件；
        5. 基于新传感器完成统计，输出统计结果；
        6. 真值传感器与被测传感器流程一致；
        7. 各传感器内部独自计算online感知，增加传感器仅增加真值服务器的offline处理时间。

4 真值信号

4.1 目标/车道线真值信号接口

4.2 目标标注结果接口

        使用人工标注结果作为识别率统计的真值，最大程度保证统计的准确性。

4.3 传感器数据量

4.4 真值性能验证方案