AUTOWARE架构
作者：互联网
AUTOWARE架构
本文参考了https://github.com/autowarefoundation/autoware/wiki/Overview
主要描述了Autoware的整体框架和模块描述，主要包括传感模块（Sensing），计算模块（Computing）和执行器模块（Actuation）三大模块。计算模块下又包含了感知过程（Perception），规划过程（Planning）和决策过程（Decision）三大过程。
传感层（Sensing）
- Autoware支持相机（Camera），激光雷达（LiDAR），惯导（IMU）和GPS作为基础传感器，并提供了多种传感器的驱动
- Autoware支持多个相机，但是每个相机需要被分配到独立的工作，同时不支持将多张图像融合成为一张图像（即不支持全景拼图）
- Autoware的传感器部分主要基于激光雷达，也支持毫米波雷达用于长距离的目标跟踪，但将其整合到感知工具包的工作仍未完成
- Autoware认为虽然在基于SLAM的定位工作中，无需IMU也能表现良好，但是IMU在某些场景应用中仍然适用。
计算层（Computing）
感知（Perception）
Autoware的感知过程包括定位（Localization），检测（Detection）和预测（Prediction）三大功能。定位功能是通过使用三维地图和SLAM算法来实现，辅助以GNSS和IMU传感器。检测功能利用了相机和激光雷达，结合传感器融合算法和深度学习网络进行目标检测。预测模块使用定位和检测的结果来预测跟踪目标。
定位（Localization）
- lidar_localizar 计算车辆当在全局坐标的当前位置(x,y,z,roll,pitch,yaw)，使用LIDAR的扫描数据和预先构建的地图信息。Autoware推荐使用正态分布变换(NDT)算法来匹配激光雷达当前帧和三维地图，同时也支持最近点迭代(ICP)算法。
- 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。
- 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。
检测（Detection）
- lidar_detector 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。
- 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。
- 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。
- 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。
- fusion_tools 将lidar_detector和vision_detector的检测结果进行融合，vision_detector 的识别类别被添加到lidar_detector的聚类结果上。
- 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。
预测（Prediction）
- object_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。
- collision_predictor 使用object_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。
- cutin_predictor 适用和collision_predictor一样的信息，来预测周围的车辆是否会切入自身车辆前方。
决策（Decision）
The decision module of Autoware bridges across the perception and the planning modules. Upon the result of perception, Autoware decides a driving behavior, represented by a finite state machine, so that an appropriate planning function can be selected. The current approach to decision making is a rule-based system.
智能（Intelligence）
- decision_maker subscribes a large set of topics related to the result of perception, map information, and the current state in order to publish the next-moment state topic. This state change will activate an appropriate planning function.
状态（State）
- state_machine changes the state within pre-defined rules, orchestrating with decision_maker.
规划（Planning）
规划模块主要是基于感知的输出结果，进行全局路径规划和局部路径规划。全局路径规划在车辆启动或重启的时候被确定，局部路径根据车辆的状态进行实时更新。例如，如果车辆在障碍物前或停止线前，车辆状态变为“stop”，那么车辆的速度就被规划为0。如果车辆遇到一个障碍物且状态为“avoid”,那么局部跟踪路径就会被重新规划绕过障碍物。主要模块如下所示：
任务规划（Misson）
- 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。
运动规划（Motion）
- 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。
执行模块（Actuation）
Autoware已安装并通过许多有线车辆进行了测试。Autoware的计算输出是一组速度、角速度、轮角和曲率。这些信息通过车辆接口作为命令发送给有线控制器。控制转向和油门需要由线控器来控制。
Do_it_ljb
发布了0 篇原创文章 · 获赞 0 · 访问量 19
私信
关注
标签：架构,模块,Autoware,算法,AUTOWARE,车辆,detector,waypoint 来源： https://blog.csdn.net/weixin_41800013/article/details/103985996