mherb
commented
8 years ago Hier mal so als Sammlung was in der Eigenbewegungsschätzung sinnvolle Arbeitsbereiche sind:
- Modell
- Aktuelles Modell ist nicht auf Vorder- und Hinterachslenkung ausgelegt
- Das Modell müsste dahingehend angepasst werden um dies zu berücksichtigen
- Von besonderer Wichtigkeit dürfte die Einspeisung des Soll-Winkels von beiden Achsen im Prediction-Step sein
- Bei der Gelegenheit kann/sollte man sich auch Gedanken machen wie man weitere Sensorik (zb Maus-Sensoren) sinnvoll integrieren kann
- Umstellung auf 2D Affine Poses
- Häufig stellt man relative Poses durch Transformations-Matrizen mit einer Rotations-Matrix und einem Translations-Vektor dar
- Das hat den Vorteil, dass diese leicht verknüpft werden können durch einfache Matrix-Multiplikation, das was aufintegrieren von relativen Bewegung erleichtert
- Außerdem ist es damit einfach einen Punkt (oder Vektor) von einem Koordinatensystem in ein anderes zu transformieren
- Eigen3 hat dabei bereits einen Datentypen
AffineCompact2f, allerdings kann man das auch selber implementieren wenn man darauf unbedingt Lust hat
- Service (eher untergeordnete Priorität)
- Prinzipiell wäre es praktisch wenn man über einen Service aus jedem Modul heraus die Fahrzeugposition erhalten könnte
- Interessant ist dabei sowohl die globale Position (das müsste dann mittelfristig mit der Globalen Karte+Lokalisierung verknüpft werden) als auch die relative Position zwischen zwei Zeitpunkten
- Der Service sollte dabei in der Lage sein (linear) zwischen zwei Filter-Zuständen zu interpolieren
- Über den Timestamp Interpolator Service gibt es die Möglichkeit zwischen verschiedenen Zeitstempeln zu konvertieren
- Eine sinnvolle "Master-Zeit" für die Ego-Schätzung ist dabei vermutlich die Elektronik-Zeit
- Covariance-Tuning (eher niedrige Prio, aber interessantes Projekt)
- Die Kovarianzen sind für die aktuellen Sensoren recht sinnvoll eingestellt, allerdings kann es durchaus sein, dass man da noch mehr rausholen kann
- Eine Idee, wie man das Tuning automatisieren könnte ist der Einsatz von "Hyperparameter Optimierern" wie hyperopt (http://hyperopt.github.io/hyperopt/)
- Diese sind in der Lage den Parameter-Space "intelligent" nach optimalen Parametern zu durchsuchen
- Dabei wählt hyperopt eine Parameter-Konfiguration und man muss diese Kombination dann über eine Cost-Function evaluieren
- Diese Evaluation müsste man automatisieren, d.h. wir müssten (automatisch) bestimmen können wie gut die Ego-Schätzung ist
- Das könnte man durch die aufnahme eines Referenz-Pfads (oder Punktes) und die anschließende Berechnung der Abweichung der Schätzung vom Referenzpunkt umsetzen
- Umstellung auf neues Kalman-API (Low Prio)
- Es wird (hoffentlich) bald ein überarbeitetes API für die Kalman-API geben, die noch toller und flexibler ist ;)
- Überlegung: Ego-Estimation auf Elektronik (Low Prio)
- Mit der neuen Kalman-API könnte man überlegen die Ego-Schätzung auch auf die Elektronik zu verlagern und dort gleich mit wesentlich höhrer Frequenz (~1kHz) zu filtern
- Es würden dann nur die gefilterten Daten an die Software geschickt, allerdings muss dann das Filtering auf der Elektronik sehr gut funktionieren
57