Eigenbewegungsschätzung

[Phibedy]

• Debuggen
• Eigenbewegungsschäzung mit schräg fahren überlegen (eher unwichtig)
• mit poses
• man kann eine Zeit anfragen und kriegt die passende pose dazu
  Maussensoren mit Optiken ausprobieren #57

[mherb]

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