Self-Driving Car -Project 5 卡爾曼濾波與自駕車的運用

卡爾曼濾波

Github: https://github.com/bob800530/CarND-Extended-Kalman-Filter-Project

簡介

雷達與光達

現今的自駕車除了使用雷達來探測物體外，還有使用另一種Sensor那就是光達， 光達是一種光學遙感技術，它通過向目標照射一束光，通常是一束脈衝雷射來測量目標的距離等參數。光達在還用於機載雷射地圖測繪、雷射測高、雷射雷達等高線繪製等等具體應用中。

然而，光達的偵測精度較雷達高，但光達也有它的弱點，像是

1. 無法跟雷達一樣透過繞射偵測物體
2. 容易被塵土、細小碎片干擾
3. 無法偵測速度

因此一輛優秀的自駕車，須具備光達及雷達兩項Sensor。

光學雷達在雕像古冢國家保護區擷取影像

Extended Kalman Filter

世界上任何測量儀器都還是會有誤差，光達與雷達也不例外，而卡爾曼濾波就是用來濾除這些誤差的濾波器，藉由預測量與觀測量的變化，逐步修正其測量到的誤差。

若是當狀態轉換和觀測模型不是線性函數時，就需要用Extended Kalman Filter的幫忙了。

實際演練

課程中一步步推導Kalman濾波的公式，並教導如何將其運用於C/C++，學會基本的使用後，套用到下圖的遊戲中，必須能夠準確地預測出正確的路徑。

其中紅點跟藍點分別是光達跟雷達觀測到的位置，藉由這些觀測數據，必須求出正確的位置及速度，其中光達可直接偵測到物體的x,y座標，而雷達則是偵測到物體的rho,phi, rho_dot，雷達需先將rho,phi, rho_dot轉換成x,y後，才能匯入Kalman Filter並計算正確的位置及速度。

心得

這個的Project有別於前四個Project，使用的是C++而非Python，對於本來就熟悉C++的我順手許多，有更多時間去推導並學習複雜的Extend Kalman Filter，完成Project後，深深的感受到，C/C++在韌體上的地位是無可取代的，任何需要Real-time即時偵測的感測器，C/C++絕對是值得考慮的語言之一。