apollo学习笔记

原文链接:https://blog.csdn.net/Maple_Lu1986/article/details/81276944

高清地图属于机器人地图

    道路网的精确三维表征，如十字路口布局、路标位置及各种其他语义信息
    厘米级（普通地图只能达到米级，一般1-2米）
    VSLAM定位：预处理、坐标变换、数据融合
    帮助感知：提前在远距离的位置提供ROI区域，供视觉或其他传感器缩小搜索范围
    增强视觉的TSR功能：提前知道各种限速信息、车道信息（车道线中心、左转车道、右转车道等）
    Apollo地图：道路定义、交叉路口、交通信号、车道规则，例如红绿灯的位置和高度
    制图流程：数据采集、数据处理、目标检测、人工验证、地图发布

%%%%%%%%%%%%%%%%%%%%%%%%%%%

定位

    对比来自HD Map道路网周围的路标坐标，以及根据车辆坐标系算出来的路标坐标，并对比；
    GNSS系统的卫星星座的三角测量，测量车辆位置+车速
    RTK：车辆接收来自卫星星座的定位坐标；地面基站与卫星星座通信，获取卫星星座的定位误差；地面基站将误差传送给车辆，车辆利用定位坐标+误差信息，一起考量，获得精度为10厘米级别的定位精度。缺点：更新速率低
    IMU=三轴加速度计+陀螺仪，缺点：实时精度高，累计误差大。
    Lidar：测量车辆位置+heading
    INS惯性导航=RTK+IMU：预测下一周期位置并更新；
    卡尔曼滤波整合GNSS定位+激光雷达定位+INS惯性导航（GNSS+IMU），其中INS惯性导航用于卡尔曼滤波的预测步骤中；GNSS定位+激光雷达定位用于卡尔曼滤波的测量结果更新步骤中。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

感知

    计算机视觉：
        检测（Detection）
        分类（Classification）：图像分类器，各种分类器
            输入图像
            预处理
            提取特征
            放入分类模型
        跟踪（Tracking）
        语义分割（ Segmentation ）
    计算机视觉处理摄像头图像：
        图像对于计算机来说，只是像素矩阵
        图像高度、宽度和图像深度（RGB有三个深度，红、绿、蓝三个颜色深度）
        图像的灰度化，就是减少图像空间的深度
    计算机视觉处理激光雷达图像：
        将激光雷达点云图像化
    机器学习：模型和训练模型
    人工神经网络工作步骤：前馈（按照原有模型算一遍，得到一个output）、误差测量、反向传播（将对比出来的误差，反向传播，修正各个feature的权值）
    卷积神经网络（CNN）：

           

 

    检测与分类
    跟踪
    分割
    Apollo感知系统：
        YOLO 检测模块

                     

    感知系统架构

                     

 

    传感器数据比较：

           

 

    感知融合策略：卡尔曼滤波实现Radar和Lidar的目标级别的融合

          

          

 

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

预测

预测其他目标的行驶路径，预测模块要回自学习

    基于模型（Model-Based）的预测：找到已知可能的轨迹模型，跟踪车辆的轨迹，看后续事件最有可能往哪个轨迹模型中接近；
    数据驱动（Data-Based）的预测：使用机器学习来训练模型；
    Apollo使用基于车道序列的模型预测方法，计算可能性：
        Lane Sequence 车道段序列
        Obstacle Status 一系列的跟踪目标状态
    追踪目标，会使用航向角、位置、速度、加速度等目标信息追踪预测目标的行驶路径；
    利用递归神经网络来识别目标类型来分别预测车道段+障碍物目标，并结合起来进行进一步RNN训练，获得最终的预测模型
        训练的方法：用RNN的output输出对比真值标记（Ground Truth），利用反向传播来训练网络
        训练出最有可能的B点后，根据A当前点到B目标点的轨迹可以根据当前车的运动状态（速度、加速度）拟合出一条最可能的运行轨迹，来最终获得追踪目标车辆的预测行驶轨迹。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

路径规划

    全局路径规划：点对点的路线规划，单纯的空间曲线；Apollo算法使用A*算法来实现全局路径规划。
    局部路径规划：运动轨迹水平的轨迹规划，不仅是空间曲线，也是时间曲线

三个路径规划输入：

    地图：公路网及实时交通信息
    当前位置：在地图中的当前位置
    目的地：在地图中的目标地坐标

轨迹点包含的信息：

    轨迹点的坐标；
    矢量速度；
    预计达到下一坐标的时间

轨迹规划：

    三维轨迹生成=二维点坐标+时间戳；
    矢量速度保证车辆按照时间戳的要求到达下一个轨迹点；
    成本函数：设置惩罚因子，如偏离车道中心的程度、发生碰撞的几率、车速限制、舒适性（例如实现某个轨迹规划需要很大的加速度才能完成，那么这个过大的加速度就影响舒适性）
    成本函数在不同场景中的区别：例如在停车场，与在高速公路上，成本函数的各个因子的设置，一定是不一样的。
    坐标变换：百度的Apollo平台使用Frenet Coordinate（弗莱纳坐标系）；德尔福公司常说的Curvillinear Coordinate System（曲线坐标系）属于简化了的弗莱纳坐标系。

轨迹-速度解耦规划：

    轨迹规划：利用成本函数计算单纯的路径轨迹；
        路径生成与选择：
            将路面分段，并在各段（区域）中，选择随机采样点，连成多条路径；
            根据成本函数（包含距离车道中心线、距离障碍物距离、车速和车道线曲率变化及车辆压力等约束因素），删选最小成本路径。
    速度规划：利用轨迹点的一系列“速度曲线”来控制车速；
        选择速度曲线：利用ST图，选择车速；S，纵向位移，T，时间
        将速度曲线ST图网格化，道路离散化；将障碍物绘制在ST图中不同的时间域中（在t0到t1时间域内，会占据s0到s1的前方距离范围），速度曲线不应穿越ST图中的该矩形区域；利用各种约束（法规约束、车辆运动极限约束、障碍物距离限制）组成的优化算法，来选择最佳速度曲线
    二次规划：将离散曲线平滑化

三维轨迹生成（轨迹曲线与速度曲线的合并，基于Lattice规划）：

    三个维度：纵向维度、横向维度、时间维度
    具有时间戳的纵向轨迹，ST轨迹，纵向+时间维；
        ST轨迹的终止状态：巡航状态、跟车状态、停止状态
    相对于纵向轨迹的横向偏移，SL轨迹，横向+时间维；
        终止状态应与车道线中心线重合，即heading angle与offset的一阶导数和二街倒数都为零
    合并后，用成本函数选择最佳路线。
        将ST和SL轨迹点都转化为笛卡尔坐标系，然后，按照S值来匹配T和L；

%%%%%%%%%%%%%%%%%%%%%%%%%%%

车辆控制算法

PID 控制器

    优点：简单有效；
    缺点：线性控制；只能针对横向控制或者纵向控制进行单独控制；无法将横向控制和纵向控制集成在一个控制器中控制；

LQR控制器

    L-线性
        X-term
            误差
            误差变化率
            航向角
            航向角变化率
        U-term
            steering
            accel
            brake
    Q&R-最小化成本方程

MPC模型预测控制器

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

 
总结

1. Apollo使用ROS操作系统；

2. 百度基于自己做地图的背景，倾向于在自动驾驶系统设计过程中，尽量多的发挥高清地图的作用；

3. 感知模块倾向于采用神经网络算法；

4. 激光雷达的数据使用方式：

   a. 在点云级别，转化为图像，与摄像头图像融合，获取更丰富的道路feature；

   b. 在目标级别（Object Level），与毫米波雷达进行目标融合，并跟踪目标。
---------------------  
作者：逯建枫  
来源：CSDN  
原文：https://blog.csdn.net/Maple_Lu1986/article/details/81276944  
版权声明：本文为博主原创文章，转载请附上博文链接！