2.4主要講了卡爾曼濾波和激光&雷達(dá)系統(tǒng)的聯(lián)動(dòng)，主講的是奔馳團(tuán)隊(duì)的羞澀小哥攀圈。例子里面這個(gè)系統(tǒng)主要考慮追蹤人暴凑。其實(shí)車應(yīng)該也是可以的。
扯個(gè)題外話這個(gè)課里面居然有David Silver感覺(jué)卡司陣容牛逼爆了现喳，以及他好像比原來(lái)胖一些。犬辰。
從overview上來(lái)看一個(gè)濾波系統(tǒng)差不多是這樣的嗦篱。其實(shí)就是一個(gè)online的tracking系統(tǒng)。如果Lidar和Radar系統(tǒng)發(fā)現(xiàn)一個(gè)物體的時(shí)候幌缝，就會(huì)判斷這個(gè)物體是不是一個(gè)新的物體灸促。如果是的話就會(huì)初始化一套新的狀態(tài)變量（新物體的位置和方差）。不然就會(huì)套用Kalman濾波體系更新舊有物體的狀態(tài)涵卵。
這里我們重新復(fù)習(xí)一下上次筆記講得很不全面的貝葉斯濾波系統(tǒng)浴栽。貝葉斯濾波總是會(huì)維護(hù)一個(gè)狀態(tài)，過(guò)了一個(gè)Delta T時(shí)間之后轿偎，會(huì)根據(jù)以前的狀態(tài)（參考原來(lái)的位置和速度）去估計(jì)當(dāng)前的狀態(tài)典鸡。其實(shí)這個(gè)過(guò)程在比較簡(jiǎn)單的模型里面就是隨機(jī)游走。如果只隨機(jī)游走時(shí)間長(zhǎng)了狀態(tài)就會(huì)擴(kuò)散到全空間坏晦。 然后就是測(cè)量過(guò)程椿每，會(huì)根據(jù)某種傳感器獲得一個(gè)觀測(cè)伊者，根據(jù)這個(gè)觀測(cè)去修正我們的‘信念’英遭〖浠ぃ基本就是這樣。
另外Radar的讀數(shù)是基于極坐標(biāo)的挖诸，觀測(cè)和狀態(tài)之間的函數(shù)是一個(gè)非線性的函數(shù)汁尺。所以這個(gè)時(shí)候需要將Kalman濾波擴(kuò)展為 擴(kuò)展卡爾曼濾波 （我隨便起的翻譯不知道是不是這樣的，反正就是EKF）多律。其實(shí)就是對(duì)非線性函數(shù)局部線性化來(lái)期望依舊使用卡爾曼濾波痴突。
需要注意的是辽装，這次的Kalman濾波會(huì)同時(shí)考慮兩種不同的傳感器。另外會(huì)帶來(lái)一個(gè)問(wèn)題相味。兩個(gè)傳感器的測(cè)量間隔Delta t是任意的拾积。這個(gè)任意性會(huì)影響到運(yùn)動(dòng)模型里面對(duì)于協(xié)方差的估計(jì)》嵘妫肯定時(shí)間越長(zhǎng)方差應(yīng)該越大拓巧，那么間隔時(shí)間和方差的關(guān)系究竟如何呢。如果我們把運(yùn)動(dòng)模型想象成一個(gè)勻加速度模型一死，對(duì)比原來(lái)的模型肛度，其實(shí)加速度的項(xiàng)就是誤差項(xiàng)需要考慮的。
那么其實(shí)我們可以推出那個(gè)加速度相關(guān)隨機(jī)變量的協(xié)方差矩陣投慈。他這個(gè)模型首先假設(shè)x y方向的協(xié)方差承耿。然后中間那個(gè)Q矩陣是靠統(tǒng)計(jì)設(shè)定的∥泵海或者調(diào)參設(shè)定加袋。
有了運(yùn)動(dòng)模型我們就要考慮觀測(cè)模型。
激光雷達(dá)接收到的是點(diǎn)云带族。他這里直接省略了非常復(fù)雜的物體檢測(cè)過(guò)程锁荔。假設(shè)我們可以直接檢測(cè)到一個(gè)物體的位置。（這里實(shí)際還包含了一個(gè)假設(shè)蝙砌，就是這個(gè)物體就是我們要更新的物體）
狀態(tài)變量是位置和速度阳堕。所以激光雷達(dá)的觀測(cè)模型頗為簡(jiǎn)單。就是個(gè)對(duì)角陣择克。
然后就可以做模擬了恬总。綠色是（目標(biāo)行人）的實(shí)際軌跡。紅色是激光雷達(dá)的觀測(cè)肚邢。藍(lán)色是卡爾曼濾波的最終結(jié)果壹堰。
在這里如果試著增大測(cè)量誤差的估計(jì)拭卿。會(huì)發(fā)現(xiàn)軌跡偏離ground truth。這實(shí)際上也說(shuō)明了勻速運(yùn)動(dòng)這個(gè)模型構(gòu)造得不好贱纠。目標(biāo)其實(shí)在做類似圓周運(yùn)動(dòng)的話峻厚。勻速運(yùn)動(dòng)模型假設(shè)的kalman濾波就會(huì)出現(xiàn)欠擬合。其實(shí)kalman濾波調(diào)參還是很重要的谆焊。不過(guò)其實(shí)也可以用MSE的方法來(lái)學(xué)習(xí)惠桃。另外在2.5會(huì)講另外一個(gè)勻速圓周運(yùn)動(dòng)的模型。那個(gè)模型對(duì)于這種曲線路徑的擬合顯然要更好
激光雷達(dá)可以直接得到位置辖试，不過(guò)對(duì)于速度的感知能力較弱辜王。這個(gè)時(shí)候雷達(dá)就可以補(bǔ)足這方面的感知。
雷達(dá)的觀測(cè)模型能夠得到物體面向傳感器的速度投影（多普勒效應(yīng)）罐孝，角度呐馆，和距離。話說(shuō)其實(shí)很多導(dǎo)彈里面的末端制導(dǎo)和引信也用了類似的東西（哎呀我廢話好多傲ぁ）
這個(gè)觀測(cè)模型就是非線性的了汹来，并不能直接套用之前線性的卡爾曼濾波模型。老師還解釋了一個(gè)非線性函數(shù)映射高斯隨機(jī)變量怒见，像變量不再是高斯分布俗慈。不過(guò)反正做個(gè)線性化就可以了，這就是EKF
后面好像放了很多demo視頻
我覺(jué)得比較神奇的是這個(gè)東西可以分割出很多bounding box塊兒對(duì)這些塊兒進(jìn)行追蹤遣耍。
其實(shí)這個(gè)session的內(nèi)容基本就是那么多闺阱。不過(guò)其實(shí)省去了一個(gè)很重要的topic，就是多傳感器的時(shí)候舵变，怎么detect & track & identity 一個(gè)物體酣溃。這個(gè)部分其實(shí)是很重要的。光看raw data的話其實(shí)是沒(méi)有辦法知道這些的纪隙。不過(guò)也可能可以用最近鄰的方法來(lái)先實(shí)現(xiàn)最naive版本的track和identity赊豌。這樣只要每個(gè)傳感器下面都有detector，那么就可以自然套用這個(gè)框架绵咱。還有一種可能是可以構(gòu)造更復(fù)雜的觀測(cè)模型碘饼。比如在雷達(dá)下面我不做detector，但是我知道這個(gè)雷達(dá)區(qū)域有一個(gè)物體的時(shí)候悲伶，雷達(dá)的返回應(yīng)該是什么樣的艾恼，構(gòu)造一個(gè)更復(fù)雜的觀測(cè)模型，應(yīng)該也是可以的麸锉。
