M3: Motion Distortion Correction and Timing Robustness Evaluation

Aperta
#747 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 2 giorni

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
20/100
Tipo di issue
Funzionalità
Chiarezza
Abbastanza chiara
Stato di attività
Attiva
Stack tecnologico
rust

Direzione di ricerca

Start in the Awkernel localization pipeline and locate the LiDAR preprocessing stages where per-point timestamps are still available before downsampling, then trace how NDT and EKF consume those points. The issue names no files or tests, so first map the existing preprocessing, timing, and input-handling paths and identify any reproducible evaluation harness. Done means motion distortion correction is integrated before timing data is discarded, and delayed, missing, and overloaded input scenarios have documented policies and reproducible accuracy/latency results.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Integrate LiDAR motion distortion correction into the Awkernel localization pipeline and evaluate its accuracy and timing behavior under delayed, missing, and overloaded input conditions.

Scope:

  • Motion distortion correction using per-point timestamps and vehicle motion estimates
  • Integration before downsampling stages that discard required per-point timing information
  • Validation of timestamp alignment, coordinate transforms, and motion-data availability
  • Controlled injection of input delays, timestamp offsets, dropped messages, and computational overload
  • Explicit policies for stale or missing inputs, buffer limits, and processing overruns
  • Measurement of localization accuracy, end-to-end latency, input data age, deadline misses, and dropped-data rates

Completion criteria:

  • Motion distortion correction operates within the integrated preprocessing, NDT, and EKF pipeline.
  • Corrected point clouds and localization outputs satisfy predefined tolerances against reference results under nominal conditions.
  • Timing and abnormal-input scenarios are reproducible, with documented expected behavior and acceptance criteria.
  • Stale inputs, missing data, and processing overruns are detected and handled according to the defined policies.
  • Accuracy and timing trade-offs are reported with datasets, configurations, and reproduction steps.

Out of scope:

Live sensor fault recovery, vehicle-level safety certification, closed-loop vehicle control, and formal worst-case execution-time guarantees.

Lingua principale
Rust
Stelle
282
Fork
12
Merge medio
2g 9h
PR unite (30g)
28

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di tier4/awkernel

Tutte le issue di tier4/awkernel

Issue simili

Altre issue su Rust

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.