PanoSim仿真模型--传感器模型之单目相机
目前,PanoSim 内置 7 类共 14 个传感器模型。传感器的一般化模型如图 5.22 所示。
图 5.22 传感器的一般化模型示意图
每一个传感器模型由三个重要部分构成:输入变量、模型的内外参数和输出变量。输 入变量在传感器模型中由仿真场景决定并输入。模型内外参数源于用户使用过程中,在传 感器的 Property 面板设置。传感器的输出变量可以用来支持其他模块功能的开发。下面对 PanoSim 中所有传感器模型的内外参数和输出变量进行逐一介绍。
5.4.1 Mono
5.4.1.1 MonoCamera_G
单目相机传感器仿真单目相机的功能,生成图片或视频流。
图 5.23 MonoCamera_G 生成的图片
5.4.1.1.1 模型参数
单目相机的内外参数见表 5-12。
表 5-12 MonoCamera_G 参数
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 默认值 | 备注 |
X | 传感器在车辆坐标系上的 X 坐标 | float | m | (-inf, +inf) | 0 | |
Y | 传感器在车辆坐标系上的 Y 坐标 | float | m | (-inf, +inf) | 0 | |
Z | 传感器在车辆坐标系上的 Z 坐标 | float | m | (-inf, +inf) | 0 | |
Yaw | 传感器在车辆坐标系下的航向角 | float | degree | [0, 360) | 0 | |
Pitch | 传感器在车辆坐标系下的俯仰角 | float | degree | [0, 360) | 0 | |
Roll | 传感器在车辆坐标系下的翻滚角 | float | degree | [0, 360) | 0 | |
Range | 传感器的最大检测距离 | float | m | [0, +inf) | 300 | |
Horizontal FoV | 水平视场角 | float | degree | [0, 180] | 60 | |
Vertical FoV | 竖直视场角 | float | degree | [0, 180] | 36 | |
Focal Length | 物理焦距 | float | mm | [0, +inf) | 20 | |
Gamma | 伽马校正值 | float | - | [0, +inf) | 2.2 | |
Width | 输出分辨率宽度 | int | pixel | [0, +inf) | 1280 | |
Height | 输出分辨率高度 | int | pixel | [0, +inf) | 720 | |
K1 | 径向畸变系数 K1 | float | - | [0, +inf) | 0 | |
K2 | 径向畸变系数 K2 | float | - | [0, +inf) | 0 | |
K3 | 径向畸变系数 K3 | float | - | [0, +inf) | 0 | |
P1 | 切向畸变系数 P1 | float | - | [0, +inf) | 0 | |
P2 | 切向畸变系数 P2 | float | - | [0, +inf) | 0 | |
Cx | X 方向主点 | float | - | [0, 1] | 0.5 | |
Cy | Y 方向主点 | float | - | [0, 1] | 0.5 | |
(Chromatic Aberration) Red | 色相差红色通道仿真文件名 | - | - | |||
(Chromatic Aberration) Blue | 色相差蓝色通道仿真文件名 | - | - | |||
Optical Blur | 光学模糊参数 | float | - | [0, +inf) | 0 | |
Noise Level | 噪声水平 | float | - | [0, +inf) | 0 | |
Vignetting | 光学暗角系数(4 参数,高位到低位) | float array | - | (-inf, +inf) | 0,0,0,1 | |
(Color Translation) Red | 颜色转换红色通道系数(4 参数,高位到 低位) | float array | - | (-inf, +inf) | 0,0,1,0 | |
(Color Translation) Green | 颜色转换绿色通道系数(4 参数,高位到 低位) | float array | - | (-inf, +inf) | 0,0,1,0 |
(Color Translation) Blue | 颜色转换蓝色通道系数(4 参数,高位到 低位) | float array | - | (-inf, +inf) | 0,0,1,0 | |
Focus Distance | 对焦平面位置 | float | m | [0, +inf) | 60 | |
Aperture | 光圈数 | float | [0, +inf) | 3.2 | ||
Shutter Speed(s) | 快门速度 | float | s | [0, +inf) | 0.0005 | |
Motion Blur | 运动模糊开关 | bool | - | True/False | False |
MonoCamera_G 支持基础参数设定,包括分辨率、水平/垂直视野范围、焦距等。另 外,该模型引入成像特性算法,能够模拟各种复杂的实际成像过程中的物理特性,其中包 括畸变,模糊、暗角、景深、色像差、噪声、运动模糊、颜色校正、伽马等。PanoSim 提 供技术支持,实现对该传感器各类参数进行标定匹配,从而可以定制化的模拟特定型号的 单目相机。
5.4.1.1.2 输出变量
该传感器的输出变量有三种可选方式:
a) 使用 Agent 中的 CameraOutput 进行视频输出;
b) 使用 Agent 中的 PictureOutput 进行图片输出;
c) 使用 UI 界面 Screen Number 以及 Location 输出到对应屏幕的对应位置。
5.4.1.2 MonoDetector_Lane
MonoDetector_Lane 为基于单目相机的车道线传感器,以车道线拟合参数的形式,返回 单目相机检测的 Range 和 FOV 约束范围内检测到的车道线信息。
5.4.1.2.1 模型参数
表 5-13 MonoDetector_Lane 参数
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 默认值 | 备注 |
X | 传感器在车辆坐标系上的 X 坐标 | float | m | (-inf, +inf) | 0 | |
Y | 传感器在车辆坐标系上的 Y 坐标 | float | m | (-inf, +inf) | 0 | |
Z | 传感器在车辆坐标系上的 Z 坐标 | float | m | (-inf, +inf) | 0 | |
Yaw | 传感器在车辆坐标系下的航向角 | float | degree | [0, 360) | 0 | |
Pitch | 传感器在车辆坐标系下的俯仰角 | float | degree | [0, 360) | 0 | |
Roll | 传感器在车辆坐标系下的翻滚角 | float | degree | [0, 360) | 0 | |
Range | 传感器的最大检测距离 | float | m | [0, 500] | 40 | |
Horizontal FoV | 水平视场角 | float | degree | [0, 180] | 60 | |
Vertical FoV | 垂直视场角 | float | degree | [0, 180] | 40 |
5.4.1.2.2 输出变量
表 5-14 MonoDetector_Lane 输出变量
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 备注 |
Timestamp | 仿真时间戳 | int | ms | [0, +inf) | |
Lane_ID | 车道线编号 | int | / | [0, 3] | |
Lane_Distance | 相邻车道线距离 | double | m | [3, 5] | |
Lane_Car_Distance_Left | 主车两侧与左车道线距离 | double | m | [-4, 4] | |
Lane_Car_Distance_Right | 主车两侧与右车道线距离 | double | m | [-4, 4] | |
Lane_Curvature | 车道线曲率 | double | m-1 | [0, inf) | |
Lane_Coefficient_C0 | 三次多项式拟合常数项 | double | / | (-inf, +inf) | |
Lane_Coefficient_C1 | 三次多项式拟合一次项 | double | / | (-inf, +inf) | |
Lane_Coefficient_C2 | 三次多项式拟合二次项 | double | / | (-inf, +inf) | |
Lane_Coefficient_C3 | 三次多项式拟合三次项 | double | / | (-inf, +inf) | |
Lane_Class | 车道线类型 | byte | / | [0, 7] |
模型输出依次为:车道线编号,相邻车道线距离,主车两侧与左右车道线距离,曲率,三次多项式拟合系数及车道线类型。 其中车道线类型包括:
0 :None, 没有线
1:SingleWhite, 白色实线
2:SingleYellow, 黄色实
3:BrokenWhite, 白色虚线
4:BrokenYellow, 黄色虚线
5:DoubleWhite, 白色双实线
6:DoubleYellow, 黄色双实线
7:unknown, 未知车道线类型
5.4.1.3 MonoDetector_Object
MonoDetector_Object 单目相机目标真值传感器返回 Range 和 FOV 视场角范围内检测到的车辆,行人,自行车,三轮车和动物的信息。
5.4.1.3.1 模型参数
表 5-15 MonoDetector_Object 参数
5.4.1.3.2 输出变量
表 5-16 MonoDetector_Object 输出变量
模型输出依次为:时间戳,识别目标的 ID,类型,相对主车的 XYZ 坐标、相对速度,长宽高尺寸信息。
5.4.1.4 MonoDetector_TrafficLight
MonoDetector_TrafficLight 单目相机交通灯真值传感器返回 Range 和 FOV 视场角范围内检测到的前方交通灯信息。
5.4.1.4.1 模型参数
表 5-17 MonoDetector_TrafficLight 参数
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 默认值 | 备注 |
X | 传感器在车辆坐标系上的 X 坐标 | float | m | (-inf, +inf) | 0 | |
Y | 传感器在车辆坐标系上的 Y 坐标 | float | m | (-inf, +inf) | 0 | |
Z | 传感器在车辆坐标系上的 Z 坐标 | float | m | (-inf, +inf) | 0 | |
Yaw | 传感器在车辆坐标系下的航向角 | float | degree | [0, 360) | 0 |
Pitch | 传感器在车辆坐标系下的俯仰角 | float | degree | [0, 360) | 0 | |
Roll | 传感器在车辆坐标系下的翻滚角 | float | degree | [0, 360) | 0 | |
Range | 传感器的最大检测距离 | float | m | [0, 500] | 100 | |
HorizontalFov | 水平视场角 | float | degree | [0, 180] | 60 | |
Vertical Fov | 垂直视场角 | float | degree | [0, 180] | 40 |
5.4.1.4.2 输出变量
表 5-18 MonoDetector_TrafficLight 输出变量
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 备注 |
Timestamp | 仿真时间戳 | int | Ms | [0, +inf) | |
TrafficLight_Directi on | 交通灯方向 | byte | / | [0, 3] |
0-U turn 1-左转 2-直行 3-右转 |
TrafficLight_State | 交通灯状态 | byte | / | [0, 2] |
0-红灯 1-黄灯 2-绿灯 |
TrafficLight_Timer | 倒计时 | int | S | [0, +inf) |
模型输出依次为:时间戳,交通灯方向,交通灯状态及倒计时。检测前方的交通灯信息,最多可能有四种类型,分别对应四种 Direction (U-turn, 左转,直行,右转),每个交通 灯状态 0-红灯,1-黄灯,2-绿灯。
5.4.1.5 MonoDetector_TrafficSign_Obstacle
MonoDetector_TrafficSign_Obstacle 传感器返回 Range 和 FOV 视场角范围内检测到的交 通标志及障碍物信息。
5.4.1.5.1 模型参数
表 5-19 MonoDetector_TrafficSign_Obstacle 参数
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 默认值 | 备注 |
X | 传感器在车辆坐标系上的 X 坐标 | Float | m | (-inf, +inf) | 0 | |
Y | 传感器在车辆坐标系上的 Y 坐标 | float | m | (-inf, +inf) | 0 | |
Z | 传感器在车辆坐标系上的 Z 坐标 | float | m | (-inf, +inf) | 0 | |
Yaw | 传感器在车辆坐标系下的航向角 | float | degree | [0, 360) | 0 | |
Pitch | 传感器在车辆坐标系下的俯仰角 | float | degree | [0, 360) | 0 | |
Roll | 传感器在车辆坐标系下的翻滚角 | float | degree | [0, 360) | 0 | |
Range | 传感器的最大检测距离 | float | m | [0, 500] | 100 | |
Horizontal FoV | 水平视场角 | float | degree | [0, 180] | 60 | |
Vertical FoV | 垂直视场角 | float | degree | [0, 180] | 40 |
5.4.1.5.2 输出变量
表 5-20 MonoDetector_TrafficSign_Obstacle 输出变量
英文名称 | 参数说明 | 数据类型 | 单位 | 取值范围 | 备注 |
Timestamp | 仿真时间戳 | int | ms | [0, +inf) | |
TrafficSign_Obstacle_Type | 交通标志/障碍物 | byte | / | [0, 1] | 0-交通标志1-障碍物 |
TrafficSign_Obstacle_Class | 交通标志/障碍物类型 | int | / | [0, +inf) | |
TrafficSign_Obstacle_X | 交通标志/障碍物相对传感器的坐标 x | double | m | (-inf, +inf) | |
TrafficSign_Obstacle_Y | 交通标志/障碍物相对传感器的坐标 y | double | m | (-inf, +inf) | |
TrafficSign_Obstacle_Z | 交通标志/障碍物相对传感器的坐标 z | double | m | (-inf, +inf) |
模型输出依次为:时间戳,交通标志/障碍物 type,class,相对相机坐标系的 XYZ 坐标信息。其中,TrafficSign_Obstacle_Type 中交通标志对应 0,障碍物对应 1。交通标志/障碍 物对应的 class 参考 PanoSimDatabase\Resource\Static 的子文件夹 TrafficSign 和 Obstacle 的 official.cvs 文件。如交通标志 ID37 对应解除限速标志,ID54 对应限速 40(km/h)标志。
PanoSim仿真模型--传感器模型之单目相机相关推荐
- 「 SLAM lesson-1.2 」传感器分类、单目相机、双目相机、深度相机
结合 高翔老师的著作<视觉SLAM十四讲:从理论到实践>,加上小白的工程经验共同完成.建议作为笔记功能反复使用. 一.用于定位的传感器分类 主要分成两类: 1). 传感器携 ...
- matlab单目相机标定
文章目录 1.标定图片 2.标定 3.获取标定结果 使用matlab进行相机参数标定非常方便,相机畸变模型请参考另一篇文章相机内参与畸变模型,单目相机标定的结果就是得到相机内参与畸变系数. 1.标定图 ...
- 机器视觉——单目相机模型(坐标标定以及去畸变)
单目相机模型: 针孔相机模型的映射关系: 化为矩阵形式: 其中,中间的矩阵被称为相机的内参矩阵K.通常认为,相机的内参在出厂之后是固定的,不会在使用过程中发生变化.有点相机生产厂商会告诉你相机的内参, ...
- 单目相机成像模型——针孔相机模型
高翔:SLAM十二讲阅读笔记 本节主要注意四个坐标:世界,相机,归一化相机,像素. 针孔相机模型 相机坐标转换成像素坐标,由内参数矩阵决定. 相机位姿决定世界坐标转换成相机坐标:即外参数矩阵 内参数矩 ...
- 一文图解单目相机标定算法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 有一天,蟹老板找底下的员工川建国同学: 等蟹老板走后,然后转头问旁边的学霸李雷同学: 李雷同学整理了下 ...
- 我是这样搞定第一次单目相机测距的
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 之前在做一个单目测距的小项目,大概需要就是用单目相机,对一个特定的 ...
- 基于单目相机的2D地图构建
第一章 引言 1.1 研究背景 同时定位和建图(SLAM)是机器人和自主导航中的一个重要领域.它是指机器人在未知环境中移动并使用其传感器和里程计信息构建环境地图并同时估计其在此地图中位置的过程.SLA ...
- 华为诺亚方舟加拿大实验室提出BANet,双向视觉注意力机制用于单目相机深度估计...
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 这篇文章的作者是华为加拿大诺亚方舟实验室,是一篇将双向注意力机制用于弹幕深度估计的工作.主要的创新点在 ...
- 相机矫正_实战 | 我用位姿解算实现单目相机测距
在项目过程中,总遇到需要单目视觉给出目标测距信息的情况,其实单目相机本不适合测距,即使能给出,精度也有限,只能在有限制的条件下或者对精度要求很不高的情况下进行应用.该文结合SLAM方法,通过3D-2D ...
最新文章
- 【2018-01-22】HTML-表单及表单元素
- 【matlab】meshgrid的使用
- 哈工大c语言编程题中国大学mooc第四周,中国大学MOOC哈工大C语言程序设计精髓第六周编程题答案.doc...
- Java中Volatile关键字详解
- fzu 2139 久违的月赛之二
- VTK:开发Warnings实例
- 使用TestContainers进行数据库测试
- 新一代数据中心不可忽视DAC高速铜缆直连线应用
- win7系统修改启动项
- Sentinel服务熔断OpenFeign_削峰填谷_流量控制_速率控制_服务熔断_服务降级---微服务升级_SpringCloud Alibaba工作笔记0054
- LSTM网络(Long Short-Term Memory )
- C语言-第5课 - const和volatile分析
- 网络爬虫研发重点介绍
- nginx php 慢,Nginx+PHP-FPM时快时慢的解决
- Prim POJ 2031 Building a Space Station
- 认清微信支付v2和v3
- 软件工程中哲理反思 - 古文学 -师说
- java程序的组织结构
- java集合比较大小_arraylist 怎么比较元素大小?
- random用法 python_python:random用法
热门文章
- 用java怎么写三角形图案_Java 打印三角形图案
- 前端展示json格式数组
- c语言break语句作用范围,C语言程序设计中break语句分析
- 刷题学习—算法思想(双指针、排序、回溯、二分法、滑动窗口、贪心、单调栈)
- [论文阅读] Structure-Consistent Weakly Supervised Salient Object Detection with Local Saliency Coherence
- 自己搭建FRP服务器,速度不错!
- python输入输入:input、map
- 【Logback】<appender>标签详解
- 【SQL Server数据库】建库、建表、简单查询语句(一)
- nmap常用命令/使用教程