论文笔记_CV_AD_Visual Perception for Autonomous Driving

朴灿烈づ我的快乐病毒、 2023-05-28 15:58 94阅读 0赞

**目录**

1 论文基本信息

2 主要内容

2.1 贡献与创新点

2.2 装备示意图

2.3 城市街道行驶时，相机的外部标定

2.4 使用立体相机，进行障碍物检测

2.4.1 概括

2.4.2 当前发展（state-of-the-art）

2.4.3 使用 Stereo Camera 进行障碍物检测 (Obstacle Detection)

2.4.4 涉及的知识域

2.5 红绿灯状态的识别

2.6 视觉自我运动估计(Visual Ego-Motion Estimation)

2.6.1 概括

2.6.2 当前发展（state-of-the-art）

2.6.3 涉及的知识域

2.7 Conclusions

3 经典引用

3.1 velodyne 激光雷达

3.2 相机标定

3.3 避障

3.4 地图表示

3.5 VO 视觉测量

3.6 卡尔曼滤波

--------------------

# 1 论文基本信息 #

*  出处：博士论文，Freie Universität Berlin (柏林自由大学)
    
     *  2012年,柏林自由大学继续当选德国11所精英大学之一。2020年在QS世界大学排名中位列第130位。
 *  年份：2020.1
 *  作者: Tobias Langner

# 2 主要内容 #

## 2.1 贡献与创新点 ##

*  1. 提出一种实时在线标定方法，来确定安装在车辆上的摄像机的旋转矩阵；
    
     *  与文献中已知的大多数算法不同，它不依赖于专用的校准模式。
 *  2. 开发了基于嵌入式立体摄像机的三维障碍物检测方法；
 *  3. 使用两个独立的单目摄像机，和一个标注全局交通灯位置的数字地图，开发了一个交通灯探测系统；
    
     *  在柏林成功的进程公共展示，也促成了“2019迪拜世界无人驾驶交通挑战赛”的胜利。
 *  4. 开发了一个障碍物检测，和交通灯检测的应用；
 *  5. 提出了一种使用立体摄像机的深度测量，和光流，来估计自我车辆的线速度和角速度的方法。

## 2.2 装备示意图 ##

*  整车
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70][]
 *  单相机：交通灯检测，相机校正
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1][]
 *  立体相机：障碍物检测
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 2][]

## 2.3 城市街道行驶时，相机的外部标定 ##

*  概括：不借助标定物，基于图像，使用光流的方式，校正相机的旋转角度(rotation angles)。
 *  方式：
    
     *  基于平行线的透视线索，(Perspective Cues from Parallel Lines)
     *  来自运动流的透视线索，(Perspective Cues from Motion Flow)
     *  使用立体深度测量进行校正，(Calibration with Stereo Depth Measurements)

## 2.4 使用立体相机，进行障碍物检测 ##

### 2.4.1 概括 ###

*  使用基于视觉的方法，在FPGA+CPU平台上，进行**障碍**物检测和**自由空间**(free space)的评估。
 *  现状：目前大部分智能汽车使用的是，LIDAR-based的障碍物检测和跟踪系统
    
     *  缺点：1）贵；2）缺少空间分辨力（spatial resolution）
 *  立体相机的深度测量的不确定性，会随距离增加而增加。

### 2.4.2 当前发展（state-of-the-art） ###

*  Perrollaz等人使用高斯分布对传感器噪声进行建模，计算每个3D点在多个占用网格单元上的加权更新。
 *  **占用网格**是三维点在参考平面上的网格单元上的投影。潜在障碍物的高度，是由网格单元相对于参考平面的累积高度，推断出来的。
 *  路面近似：
    
     *  平坦路面的假设是不充分的，更复杂的路面模型是必要的；
     *  Wedel\[20\]等人，用b样条，来近似道路的高度轮廓；
     *  Oniga\[21\]等人使用的二次曲面，来近似道路的高度轮廓。
     *  Schauwecker\[22\]等人的避免了参考平面的概念，并提出了一种体积方法，从测量中产生体素。
        
         *  他们\[21,22\]还考虑了可见度方面，并根据高斯分布模型更新体素占用率。
 *  对比：
    
     *  激光雷达传感器的经典算法，在非结构化的三维点云上工作，并独立地更新每个三维点的单元；
     *  **视差图像**(Disparity images)是结构化的，因为三维近邻，意味着在图像坐标接近。
        
         *  因此，对视差图像进行分割，然后更新每个片段的单元格通常是有益的。
         *  这样，相邻点的相关性，可以滤除立体匹配算法引入的噪声和误差。
 *  **视差分割（**disparity segmentation**）**
    
     *  如果立体摄像机与路面平行安装，视差分割特别简单。然后，与道路正交的物体会有恒定的视差。
     *  u-v视差法，是第一个用这种方法分析视差图的方法。
        
         *  它通过计算沿两个图像轴的视差分布直方图，来检测地面和垂直障碍物。
         *  Li等人\[23\]，对u-v方法进行了改进，通过跟踪连续帧中的特征点，来分割独立运动的对象，来生成已占用网格单元的速度信息。
         *  Mar´ın-Plaza\[24\]，结合u-v-disparity与射线追踪(ray-tracing)，计算每个网格单元阻塞概率。
         *  Yu等人\[24\]，利用Dempster-Shafer理论将u-视差和v-视差空间融合，建立了传感器的不确定性模型。
         *  Cordts等人提出了所谓的 stixel world，这是一个发现垂直条纹(几乎)恒定差异的细分。定义了可驱动空间的边界，并通过动态规划算法对单个离群点进行了平滑处理。
         *  Harms等人\[27\]，利用垂直视差梯度，和与地平面的估计角度偏差，构建概率占用网格 (probabilistic occupancy grid)。
         *  Badino等人通过\[28\]跟踪视差的速度，生成随机占用网格（stochastic occupancy grid）。

### 2.4.3 使用 Stereo Camera 进行障碍物检测 (Obstacle Detection) ###

*  立体视觉三维点云在噪声、准确度和精度方面与激光雷达点云不同。
 *  因此，本文提出的障碍物检测系统，在二维/视差空间中运行，同时也考虑了三维约束。
    
     *  视差图像中的**相邻像素**，具有很强的相关性，因为它们很可能属于同一对象。
        
         *  通过这种方法，可以很容易地检测和删除，由不匹配或遮蔽区域引起的，异常值；
         *  基于对极几何和视差图计算的基本原理；
         *  同时，将结果与我们测试车上的**Velodyne**激光扫描仪的测量结果，进行比较。

### **2.4.4 涉及的知识域** ###

*  **立体视觉的的对极几何**
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 3][]
     *  极线约(Epipolar Constraints)的代数表达式
     *  标准立体匹配(Stereo Correspondence)问题
        
         *  给定参考视图中的图像特征，在另一个视图中，找到相同的对应3D点的投影。
     *  视差与深度的关系
        
         *  由于对应的点具有相同的y坐标，所以只有视差(水平偏移量)是相关的。
 *  **三维图像分割**
    
     *  垂直等深条纹检测(V-Stripes)
        
         *  在三维图像中搜索一列宽的垂直条纹，相对于局部汽车坐标系大致恒定的纵向距离。
     *  v形条纹的横向合并
     *  填充占用网格
        
         *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 4][]
 *  **总结：**
    
     *  相机的深度测量噪声，与 Velodyne laser scanner 对比，相当高。
        
         *  *JOCOMMENT: can try to do something.*
     *  逐帧目标检测的位置不确定性，随目标距离的增大，而增大。
     *  图像中的**目标边界**，比距离测量更加鲁棒！
        
         *  因为深度边缘，为分割提供了很强的先验知识。
         *  因此，**基于图像的障碍物跟踪**，比三维跟踪(3D tracking)更稳定。
     *  通过过滤随时间变化的距离估计，可以改进静态对象的定位。

## 2.5 红绿灯状态的识别 ##

*  概括：
    
     *  使用对象检测方式，检测交通灯状态。
     *  若**有标注地图**（an annotated map）的辅助时，将地图提供的汽车的位置+交通灯的位置和高度，投影到相机中，表现为兴趣位置，来识别交通灯信号。
        
         *  *JOCOMMENT：未来HAD地图的发展，应该会含有高精度的信息，和有利于自动驾驶的信息，如交通灯的位置和高度。*
     *  当标注地图不可用时，就使用对象检测方法，根据形状进行检测交通灯的位置和信号，在检测成功后，将交通灯的位置，存入地图中。
        
         *  *JOCOMMENT：*迭代更新的方式，可以保证交通信号灯的实时最新状态。
 *  原理流程图：
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 5][]
 *  总结：
    
     *  条件：
        
         *  检测由一张标注了红绿灯位置，及其含车道关联信息的地图；
         *  使用的是两个单目摄像机 (two monocular cameras)。
     *  街上的交通拥挤时，大型车辆可能会挡住交通灯的视线；
     *  有两种光源，一种是LED灯，另一种是由镜子聚焦的传统灯泡；
        
         *  led几乎可以向任何方向发出明亮的光；
         *  而传统的灯只有一个窄锥状的高亮度。
     *  主要挑战：
        
         *  其他车辆的遮挡；
         *  一些非LED交通信号灯的高亮度窄锥。

## 2.6 视觉自我运动估计(Visual Ego-Motion Estimation) ##

### 2.6.1 概括 ###

*  目的：
    
     *  使用嵌入式**立体相机**，基于光流分割(sparse optical flow)和视差图(disparity maps)的方法，
     *  检测并移除动态物体，实现汽车线速度和角速度的评估。
 *  思想：
    
     *  单目自我运动估计的主要挑战是，独立运动的存在，即其他车辆或行人的存在。
     *  通过立体相机，同时捕捉两幅图像，这样就可以很容易地从一般的运动场中，分离出自我运动。

### 2.6.2 当前发展（state-of-the-art） ###

*  相关研究:
    
     *  Nister等人\[49\]，从立体图像中提取 Harris corners，并用归一化互相关窗口进行匹配；
        
         *  随着时间的推移，对三角化的3D点进行跟踪，并使用RANSAC方案和迭代，细化生成姿态。
         *  作者进行了地面车辆测试，并报告了1%到2%的测量距离的相对误差。
     *  Agrawal等人提出了一种结合低成本GPS接收机的立体相机定位方法；
        
         *  作者从跟踪的三组点生成运动假设，并使用RANSAC进行评估。
         *  如果视差空间单应性在第二视图上产生较低的平均重投影误差，则转换被认为是一个离群点。
         *  其实验结果表明，相对距离误差在2%到5%之间。
     *  Howard等人\[51\]，提出了一种估计连续立体图像帧间的自我运动的算法；
        
         *  并报告了其400米长的路线，相对距离误差为0.25%。
     *  Talukder等人\[52\]，提出了一种将稠密的立体视差图与稠密的光流相结合的方法。
     *  Badino等人通过跟踪3D点随时间的变化，从视差图构建了一个3D运动场。
        
         *  将逐帧运动估计与前一帧进行配准，提高了运动估计的鲁棒性和准确性。
         *  其试验结果表明，700米的相对位移误差为4.5%。
 *  概念：
    
     *  光流
        
         *  运动场(the motion field)，是描述三维点相对于摄像机的运动的向量场。
         *  除了光照变化外，运动流是引起**图像强度变化**的主要原因，也称为光流。
     *  为什么使用立体相机？
        
         *  在静态场景中，光流完全是由摄像机的运动引起的。独立运动物体的存在，会引起额外的光流。
         *  在单目摄像机中，这两个分量不易分离，这给视觉自运动估计带来了挑战。

### **2.6.3 涉及的知识域** ###

*  运动投影
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 6][]
     *  速度：为点P在摄像机中连续投影位置的差值
        
         *  ![20200317161528559.png][]
 *  利用光流和视差图重建运动场
    
     *  运动场在图像上的投影可以用光流来测量，光流定义为像素随时间的强度变化。
     *  光流依赖于亮度-恒常性假设
        
         *  ![20200317171506315.png][]
         *  假定运动物体在连续帧上的投影强度是相同的。这是对小时间间隔的合理简化，因为照明条件在短时间内变化不大。
         *  OpenCV的光流实现，被用来计算关键点描述符上的稀疏光流。
     *  光流通过立体深度测量得到增强，重建了一个稀疏的三维运动场。
     *  原理图：
        
         *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 7][]
 *  使用卡尔曼滤波进行速度平滑
 *  效果图：
    
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 8][]
 *  **总结：**
    
     *  该算法利用立体深度测量来识别属于远三维点的光流。
     *  根据中心投影方程，这种光流几乎完全是由相机的旋转运动引起的。
     *  这种光流分离，被用来分别估计相机在连续帧之间的，旋转和平移部分。
     *  实验结果表明，纵向速度(longitudinal speed)和偏航率(yaw rate)的估计是准确的，横向速度(lateral speed)的估计是合理的。
        
         *  由于高频振荡，俯仰和横滚(Pitch and roll)估计是充满噪音的。

## 2.7 Conclusions ##

*  本文的标定方法，
    
     *  能够从零开始标定或迭代细化车载相机的旋转参数。
        
         *  它不依赖于一个专门的校准物(calibration target)。
         *  它使用的是在测试驾驶过程中，通过图像计算出的光流。
            
             *  该方法利用了汽车必须遵守的运动限制这一事实，从而产生独特的光流模式。
         *  光流在极点上收敛，用极点的分布，来恢复相机相对于车架的旋转矩阵。
            
             *  对几种不同安装方式的相机进行了实验评价，得到了方差递减、收敛性好的标定结果。
 *  障碍物检测框架
    
     *  使用嵌入式立体相机的深度测量，并生成障碍物和自由空间的表示。
     *  它执行了一个混合的2D/3D分割，它执行了在图像空间和3D空间中定义的启发式约束。（创新点）
        
         *  对基于lidar的占用网格的评估显示：可驾驶空间边界的高度的一致性，
         *  但也确定了立体摄像机的功能原理造成的限制性。
     *  实验结果表明，超过30米的距离时，精度下降明显！
        
         *  表明立体相机，不能作为一个立即使用的(drop-in)替代激光雷达传感器的功能。
 *  纯立体相机提供的视觉输入，来估计自我运动。
    
     *  结合**视差图**和**光流图**的兴趣点，在时间和空间上进行跟踪，以估计车辆的运动。
     *  主要的挑战是静态环境和动态环境的分离。后者导致运动流与自我运动流不一致。
     *  在这里，我实现了一个新颖的想法，通过点的三维距离来**分离点的光流**。（创新点）
     *  **远处的点**对光流几乎没有贡献。它们？提供了一种可靠的方法来估计相机的帧间旋转。
     *  从流场中去除旋转分量，大大简化了线速度的估计。

# 3 经典引用 #

## 3.1 velodyne 激光雷达 ##

*  “Technical documentation for the velodyne hdl-64e s2 laser scanner." https://www.velodynelidar.com/hdl-64e.html. Accessed: 2019-12-09.

## 3.2 相机标定 ##

*  R. Cipolla, T. Drummond, and D. P. Robertson, "**Camera calibration from vanishing points in image of architectural scenes**.," in BMVC, vol. 99, pp. 382\{391, 1999. [被引用次数：298][298]
 *  E. Rehder, C. Kinzig, P. Bender, and M. Lauer, "**Online stereo camera calibration from scratch**," in Intelligent Vehicles Symposium (IV), 2017IEEE, pp. 1694\{1699, IEEE, 2017. [被引用次数：6][6]

## 3.3 避障 ##

*  M. Perrollaz, A. Spalanzani, and D. Aubert, "Probabilistic representation of the uncertainty of stereo-vision and application to obstacle detection," in Intelligent Vehicles Symposium (IV), 2010 IEEE, pp. 313\{318, IEEE, 2010.[被引用次数：58][58]

## 3.4 地图表示 ##

*  K. Schauwecker and A. Zell, "Robust and efficient volumetric occupancy mapping with an application to stereo vision," in Robotics and Automation (ICRA), 2014 IEEE International Conference on, pp. 6102\{6107,IEEE, 2014 [被引用次数：18][18]
 *  Y. Li and Y. Ruichek, "Occupancy grid mapping in urban environments from a moving on-board stereo-vision system," Sensors, vol. 14, no. 6, pp. 10454\{10478, 2014.[被引用次数：33][33]
 *  C. Yu, V. Cherfaoui, and P. Bonnifait, "Evidential occupancy grid mapping with stereo-vision," in Intelligent Vehicles Symposium (IV), 2015 IEEE, pp. 712\{717, IEEE, 2015. [被引用次数：15][15]
 *  M. Cordts, T. Rehfeld, L. Schneider, D. Pfeiffer, M. Enzweiler, S. Roth, M. Pollefeys, and U. Franke, \\The stixel world: A medium-level representation of traffic scenes," Image and Vision Computing, vol. 68, pp. 40\{52, 2017.[被引用次数：24][24]
 *  H. Harms, E. Rehder, and M. Lauer, "Grid map based free-space estimation using stereovision," in Proc. Workshop Environment Perception Automated On-road Vehicles, IEEE Intelligent Vehicles Symposium, 2015[被引用次数：10][10]

## 3.5 VO 视觉测量 ##

*  D. Nist´er, O. Naroditsky, and J. Bergen, "Visual odometry for ground vehicle applications," Journal of Field Robotics, vol. 23, no. 1, pp. 3\{20, 2006. [被引用次数：778][778]
 *  A. Howard, "Real-time stereo visual odometry for autonomous ground vehicles," in Intelligent Robots and Systems, 2008. IROS 2008. IEEE/RSJ International Conference on, pp. 3946\{3952, IEEE, 2008 [被引用次数：443][443]
 *  光流：A. Talukder and L. Matthies, "Real-time detection of moving objects from moving vehicles using dense stereo and optical flow," in Intelligent Robots and Systems, 2004.(IROS 2004). Proceedings. 2004 IEEE/RSJ International Conference on, vol. 4, pp. 3718\{3725, IEEE, 2004 [被引用次数：172][172]

## 3.6 卡尔曼滤波 ##

*  G. Welch, G. Bishop, et al., "An introduction to the kalman filter," 1995. [被引用次数：8487][8487]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70]: /images/20230528/04ede99c94fd45238211fbc3dacb9191.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1]: /images/20230528/79d6e639e178429ba965196b25bfd1e2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 2]: /images/20230528/dc53890745124466871c26814a4d6adb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 3]: /images/20230528/f6c83ebd89814fba81914c22949c9ca5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 4]: /images/20230528/49b3030dfc73439e830a9a37c6542943.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 5]: /images/20230528/00c35a70c64b46209f743e57a6f0d395.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 6]: /images/20230528/c4d5116525aa4c929f351ec2368a9cbb.png
[20200317161528559.png]: /images/20230528/5ee302eb65b847a38e0c5bcc67fbe082.png
[20200317171506315.png]: /images/20230528/a9a0d011ff2d484c960558cd9fd77c57.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 7]: /images/20230528/4ebfe2c9f48c4cb882e795fa1cf374b5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 8]: /images/20230528/72d9c0dd4e5c49a0afd733562084d46d.png
[298]: https://xue.xiayige.org/scholar?cites=403214180641088183&as_sdt=2005&sciodt=0,5&hl=zh-CN
[6]: https://xue.xiayige.org/scholar?cites=18428150372768006434&as_sdt=2005&sciodt=0,5&hl=zh-CN
[58]: https://xue.xiayige.org/scholar?cites=11304074571409609798&as_sdt=2005&sciodt=0,5&hl=zh-CN
[18]: https://xue.xiayige.org/scholar?cites=3010360923970215591&as_sdt=2005&sciodt=0,5&hl=zh-CN
[33]: https://xue.xiayige.org/scholar?cites=17417981834281806173&as_sdt=2005&sciodt=0,5&hl=zh-CN
[15]: https://xue.xiayige.org/scholar?cites=9617105117481299461&as_sdt=2005&sciodt=0,5&hl=zh-CN
[24]: https://xue.xiayige.org/scholar?cites=14010629485607792072&as_sdt=2005&sciodt=0,5&hl=zh-CN
[10]: https://xue.xiayige.org/scholar?cites=16321688611637538372&as_sdt=2005&sciodt=0,5&hl=zh-CN
[778]: https://xue.xiayige.org/scholar?cites=9866116964972305587&as_sdt=2005&sciodt=0,5&hl=zh-CN
[443]: https://xue.xiayige.org/scholar?cites=12086546496808528128&as_sdt=2005&sciodt=0,5&hl=zh-CN
[172]: https://xue.xiayige.org/scholar?cites=16263238496005831976&as_sdt=2005&sciodt=0,5&hl=zh-CN
[8487]: https://xue.xiayige.org/scholar?cites=16986783091174431917&as_sdt=2005&sciodt=0,5&hl=zh-CN