用于自动驾驶汽车的高级驾驶员辅助系统（ADA）的多个传感器校准可以通过在统一的坐标系统中对齐各种传感器（相机，激光雷达，雷达等）来确保数据精确的融合。本文的任命：本文回顾了多传感器ADA的类型和技术。 ADAS传感器的校准将单个传感器的基本考虑与系统级别的外部因素结合在一起。内在校准考虑了一般因素，例如线性，退出和补偿梯度以及特定的传感器规格。特定传感器因子的示例包括室 - 焦距的长度，镜头的变形，分辨率，高动态范围（HDR），镜头的重点速度，高灵敏度，照明的低性能，缓解LED闪烁（最小化交通流量的冲击力）和低Incinc。 LIDAR-激光束角，视野（FOV），扫描SPEED，范围精度，角度分辨率，内部坐标系。雷达：天线增益，频率，脉冲特性，范围，视角，分辨率，速度测量精度以及检测各种物体/材料的能力。外源校准验证传感器之间的空间关系，包括翻译和旋转。校准相机，激光雷达和雷达，以确保坐标系对齐。例如，您可以在对象级别检查以下内容，以及如何在轨道级别使用合并方案合并数据。可以使用基于目标，没有目标的方法或仅无目标的技术来实现ADAS系统的外部校准。基于目标基于目标（也称为受控环境校准或stanca）的基于目标的校准校准使用特定形状和尺寸的目标，以校准指定DI中静态配置中ADAS传感器的性能姿态。 ADAS的静态校准不需要特定的照明条件和反射表面即可避免传感器混乱。使用校准目标的传感器口径和口径（图1）。图1。基于目的的典型ADAS校准系统。图像来源：John Bean）基于客观的ADA校准的高级控制条件，可容纳高精度校准。但是，由于ADA通常在道路上不寻常的环境中起作用，因此使用受控环境也是一个限制。因此，基于目标的ADA校准通常与无目标的校准一起使用。 ADA校准的局限性基于校准的目标，而无需三种传感器模式提供的多种类型的数据。摄像机生成2D图像，LIDAR会生成密集的3D点云，雷达提供稀缺的4D点云。第四维表示对象的速度。没有物体的校准可以通过将汽车工具连接到汽车计算机，以指定的速度移动并在明显标记其他车辆的道路上航行来实现我的IVE。扫描工具检测到对象和道路标记，并使用算法根据真实环境来调整传感器。已经提出了一种自我监控学习（SSL）和对新的校准方法的深层神经，而无需进行网络。该方法使用信号的一部分来预测信号的另一部分。它用于执行超级分辨率雷达矩阵，升级相机框架或激光雷达测量的样品，以改善校准结果。图2a显示了基于SSL的激光雷达校准。投影驱动器的状态（范围内的颜色）和相机图像的云与左图显然对齐。但是，您可以使用SSL对齐，如正确的图像所示。图2。室驱动器校准的示例（第1部分）和摄像机的校准（第2部分）。 （图像：科学报告））图2b显示了室雷达校准。在校准之前，通过在左侧图像中的移动车辆中，通过蓝色标记“+”指示的雷达进行了错误调节。使用SSL，如图像右侧所示，校准摄像机的雷达传感器，然后离开力。总体描述ADA具有多种传感器模式，需要多种内源和外源校准。此外，所有ADA操作都需要基于目标且无目的的校准方法进行多模校准模式。最近，SSL技术已应用于没有客观的ADAS传感器上，提供了更好的校准结果。