当前位置：首页 > news >正文

如何让自动驾驶汽车“看清”世界？坐标映射与数据融合概述

news 来源：原创 2025/5/18 9:30:59

在自动驾驶领域，多传感器融合技术是实现车辆环境感知和决策控制的关键。其中，坐标系映射和对应是多传感器融合的重要环节，它涉及到不同传感器数据在统一坐标系下的转换和匹配，以实现对车辆周围环境的准确感知。本文将介绍多传感器融合中坐标系映射和对应的数学基础和实际应用，并通过一个完整的应用示例和Python代码进行讲解。

一、坐标系映射的数学基础

（一）坐标变换

在多传感器融合中，不同传感器的数据需要从各自的坐标系转换到统一的车辆坐标系。常见的坐标变换包括旋转、平移、缩放等。对于二维平面中的点 ((x, y))，其旋转、平移和缩放的变换公式如下：
在这里插入图片描述

（二）相似变换

相似变换是一种常见的坐标变换，它结合了旋转、平移和均匀缩放。对于二维平面中的点 ((x, y))，相似变换的公式为：
在这里插入图片描述

（三）仿射变换

仿射变换是一种更一般的坐标变换，它包括旋转、平移、缩放和剪切等操作。二维仿射变换的公式为：
在这里插入图片描述

（四）投影变换

在这里插入图片描述

二、多传感器融合中的坐标系映射与对应

（一）激光雷达与车辆坐标系的映射

在这里插入图片描述

（二）毫米波雷达与车辆坐标系的映射

在这里插入图片描述

（三）摄像头与车辆坐标系的映射

在这里插入图片描述

（四）多传感器数据的对应

在将不同传感器的数据转换到车辆坐标系后，需要进行数据对应，即将不同传感器检测到的同一目标进行匹配。常用的方法包括基于距离的最近邻匹配、基于特征的匹配等。

基于距离的最近邻匹配：对于每个传感器检测到的目标，计算其与其他传感器检测到的目标之间的距离，选择距离最近的目标作为对应目标。
基于特征的匹配：提取目标的特征，如形状、速度、方向等，通过特征相似度进行匹配。

三、应用示例与Python代码

为了更直观地理解多传感器融合中的坐标系映射和对应，我们通过一个完整的应用示例来说明，包括激光雷达、毫米波雷达和摄像头数据的坐标变换和融合，并进一步展示如何从传感器数据经过特征提取、路径规划到生成控制指令的完整流程。

import numpy as np

# 1. 激光雷达数据坐标变换
def lidar_to_vehicle(lidar_points, theta, t_x, t_y, s):
    """
    将激光雷达数据从激光雷达坐标系转换到车辆坐标系
    :param lidar_points: 激光雷达点云数据，形状为 (n, 2)
    :param theta: 旋转角度（弧度）
    :param t_x: 平移向量在 x 轴方向的分量
    :param t_y: 平移向量在 y 轴方向的分量
    :param s: 缩放因子
    :return: 转换后的车辆坐标系下的点云数据，形状为 (n, 2)
    """
    rotation_matrix = np.array([
        [np.cos(theta), -np.sin(theta)],
        [np.sin(theta), np.cos(theta)]
    ])
    transformed_points = s * np.dot(lidar_points, rotation_matrix.T) + np.array([t_x, t_y])
    return transformed_points

# 2. 毫米波雷达数据坐标变换
def radar_to_vehicle(radar_points, theta, t_x, t_y, s):
    """
    将毫米波雷达数据从雷达坐标系转换到车辆坐标系
    :param radar_points: 毫米波雷达目标位置数据，形状为 (n, 2)
    :param theta: 旋转角度（弧度）
    :param t_x: 平移向量在 x 轴方向的分量
    :param t_y: 平移向量在 y 轴方向的分量
    :param s: 缩放因子
    :return: 转换后的车辆坐标系下的目标位置数据，形状为 (n, 2)
    """
    rotation_matrix = np.array([
        [np.cos(theta)