【2023 · CANN训练营第一季】——基于Atlas 200I DK A2的智能小车设计与实现（笔记分享下）

一、场景地图制作

        小车的行驶依赖于模型的训练，因此需要设计一张地图，用于小车行驶的模型训练过程和推理结果验证。

1.1、行驶场景：

直线行驶场景，小车保持直线行驶。一条道路上有两条相向的车道，并用黄色虚线分隔开来。车道两侧有黄白双色的车道线作为指示。

弯道转向场景，小车根据转向方位指示标行驶。

自动停车场景，小车在停车标识处，自动泊车至车位。

十字路口场景，小车在人行道处可进行目标检测，是否有行人通过，进而判断前进或停车等待。

1.2.制作要求

小车的外观尺寸应与道路的宽度匹配。使用表面不太光滑的材质，如果地图表面过于光滑则容易使小车打滑，难以精确地控制小车。另外光滑的表面会产生强烈的反光，影响小车通过摄像头采集的画面质量，进而干扰各个图像识别的任务。

二、自动驾驶

2.1.循迹驾驶原理

2.2.自动泊车实现

Yolo系列网络原理

自动泊车实现原理

2.3.目标追踪实现

三、ROS2

3.1.介绍

        在开发多传感器融合的样例时，ROS就可以很好做到一个通信桥梁的作用，规整各个传感器与话题、服务，内置多种插件，可以适用到多种不同的场景，还包含了不同的SLAM (Simultaneous Localization and Mapping) 功能包,gmapping, hector slam, Cartographer等

3.2.SLAM算法

（1）基于滤波，比如扩展卡尔曼滤波 (EKF: Extended KalmanFilter) 、粒子滤波(PF: Particle Filter)等ROS中的gmapping、hector_slam算法都是基于滤波实现的。

（2）基于图优化，先通过传感器进行构图，然后对图进行优化目前比较主流的是图优化的方法，Cartographer就是基于图优化实现的。图优化相对于滤波，不用实时的进行计算，效率更高消耗的资源更少，所以在实际场景中使用的更多

3.3. Cartographer算法

Cartographer是Google开源的一个可跨多个平台和传感器配置以2D和3D形式提供实时同时定位和建图(SLAM)的系统。