最近在开坑autoware，当年觉得用不上的东西，最终也还是真香了。果然人的本质都是鳝变的。
参考 https://github.com/Autoware-AI/autoware.ai/wiki/Overview
https://www.pianshen.com/article/1212211723/

基本框架：

image.png
我们系统主要的研究方向为感知和规划两个部分进行研究，前者感知外界环境，后者关系到系统的流程程度。
感知模块：
（1）定位模块（已有基础）
定位模块使用3D map和slam算法来进行实现，辅助GNSS和IMU传感器
（2）检测模块
摄像头 和 激光雷达 ，结合传感器融合算法和深度学习网络进行目标检测
（3）预测模块
使用定位和检测的结果来预测跟踪目标
规划模块：
基于感知的输出结果，进行全局规划和局部规划

感知模块：

一、定位：

（1）lidar_localizar：
记录车辆在全局坐标中的当前位置，使用LIDAR的扫描数据和预先构建的地图信息。autoware 默认使用（NDT）算法来匹配激光雷达当前帧和3D map ， 但是也可以换成（ICP）
（2）gnss_localizer:
转换GNSS接收器发来的NEMA消息到位置信息(x,y,z,roll,pitch,yaw)。结果可以被单独使用为车辆当前位置，也可以作为lidar_localizar的初始参考位置。
（3）dead_reckoner ：
主要使用IMU传感器预测车辆的下一帧位置，也可以用来对lidar_localizar和gnss_localizar的结果进行插值。

二、探测：

（1）lidar_localizar:
从激光雷达单帧扫描读取点云信息，提供基于激光雷达的目标检测。主要使用欧几里德聚类算法，从地面以上的点云得到聚类结果。除此之外，可以使用基于卷积神经网路的算法进行分类，包括VoxelNet,LMNet.
（2）vision_detector ：
读取来自摄像头的图片，提供基于图像的目标检测。主要的算法包括R-CNN，SSD和Yolo，可以进行多类别(汽车，行人等)实时目标检测。
（3）vision_tracker ：
使用vision_detector 的检测结果完成目标跟踪功能。算法基于Beyond Pixels，图像上的目标跟踪结果被投影到3D空间，结合lidar_detector的检测结果输出最终的目标跟踪结果。。
（4）fusion_detector ：
输入激光雷达的单帧扫描点云和摄像头的图片信息，进行在3D空间的更准确的目标检测。激光雷达的位置和摄像头的位置需要提前进行联合标定，现在主要是基于MV3D算法来实现。
（5）fusion_tools :
将lidar_detector和image_detector的检测结果进行融合，image_detector 的识别类别被添加到lidar_detector的聚类结果上。
（6）object_tracter ：
预测检测目标的下一步位置，跟踪的结果可以被进一步用于目标行为分析和目标速度分析。跟踪算法主要是基于卡尔曼滤波器。

三、预测：

（1）moving_predictor ：
使用目标跟踪的结果来预测临近物体的未来行动轨迹，例如汽车或者行人。
（2）collision_predictor ：
使用moving_predictor的结果来进一步预测未来是否会与跟踪目标发生碰撞。输入的信息包括车辆的跟踪轨迹，车辆的速度信息和目标跟踪信息。

Misson planning

  • route_planner 寻找到达目标地点的全局路径，路径由道路网中的一系列十字路口组成。
  • lane_planner 根据route_planner发布的一系列十字路口结果，确定全局路径由哪些lane组成，lane是由一系列waypoint点组成
  • waypoint_planner 可以被用于产生到达目的地的一系列waypont点，它与lane_planner的不同之处在于它是发布单一的到达目的地的waypoint路径,而lane_planner是发布到达目的地的一系列waypoint数组。
  • waypoint_maker 是一个保存和加载手动制作的waypoint文件的工具。为了保存waypoint到文件里，需要手动驾驶车辆并开启定位模块，然后记录车辆的一系列定位信息以及速度信息， 被记录的信息汇总成为一个路径文件，之后可以加载这个本地文件，并发布需要跟踪的轨迹路径信息给其他规划模块。

Motion planning

  • velovity_planner 更新车辆速度信息，注意到给定跟踪的waypoint里面是带有速度信息的，这个模块就是根据车辆的实际状态进一步修正速度信息，以便于实现在停止线前面停止下来或者加减速等等。
  • astar_planner 实现Hybrid-State A*查找算法，生成从现在位置到指定位置的可行轨迹，这个模块可以实现避障，或者在给定waypoint下的急转弯，也包括在自由空间内的自动停车。
  • adas_lattice_planner 实现了State Lattice规划算法，基于样条曲线，事先定义好的参数列表和语义地图信息，在当前位置前方产生了多条可行路径，可以被用来进行障碍物避障或车道线换道。
  • waypoint_follower 这个模块实现了 Pure Pursuit算法来实现轨迹跟踪，可以产生一系列的控制指令来移动车辆，这个模块发出的控制消息可以被车辆控制模块订阅，或者被线控接口订阅，最终就可以实现车辆自动控制。