😏★,°:.☆( ̄▽ ̄)/$:.°★ 😏
这篇文章主要介绍fsd_algorithm架构学习与源码分析。
无专精则不能成,无涉猎则不能通。——梁启超
欢迎来到我的博客,一起学习,共同进步。
喜欢的朋友可以关注一下,下次更新不迷路🥞
文章目录
- :smirk:1. 项目介绍
- :blush:2. 架构学习
- :satisfied:3. 源码学习
😏1. 项目介绍
------------------ 叮叮叮!!! ------------------
大学生无人驾驶方程式有两支很牛的车队,国外苏黎世联邦理工的AMZ-Driverless
和国内北理的Smart Shark-BITFSD
,大佬们的无人驾驶车和算法做的很顶(这里就不方便放视频了),贴一下他们的网站和Github(大佬们将稳定的算法和仿真平台开源了并分享在github,给我等学习mobai):
AMZ官网:https://www.amzracing.ch/
AMZ Github地址:https://github.com/AMZ-Driverless/fssim
BITFSD官网:http://www.bitfsd.com/
BITFSD Github地址:https://github.com/bitfsd/fsd_algorithm
😊2. 架构学习
------------------ 架构很棒 ------------------
环境配置建议选择:Ubuntu 18.04 and ROS Melodic。
fsd_algorithm
算法仓库包含ros和tools。
tools提供了ros模板的生成,可通过py脚本generate.py
自助选择生成对应语言(C++/Python)、对应节点名(包名、对象名和类名)的ros节点。
ros中包含了fsd的核心算法,如perception
包、estimation
包、planning
包、control
包和与仿真器连接的interface_fssim
包。
环境配置过程如下:
# 1.clone,将ros下的包cp到自己的catkin_ws/src中
# 进入ros/control/controller/script,安装cppad和ipopt两个优化库
# 编译 catkin build# 2.clone fssim仿真仓库到另一个catkin中
# 安装依赖,下载gazebo的models等
# 编译 catkin build# 3.进入仿真项目环境,启动仿真环境 roslaunch fssim auto_fssim.launch
# 然后启动算法包里的仿真接口 roslaunch fssim_interface fssim_interface only_interface.launch
# 最后运行相关算法:
# roslaunch fsd_common_meta trackdrive.launch
# roslaunch fsd_common_meta skidpad.launch
# roslaunch fsd_Common_meta acceleration.launch
😆3. 源码学习
------------------ 代码写的也不错 ------------------
perception模块包含YOLO-ROS(darknet_ros)的目标检测包,用coco数据集训练,可配置参数文件在darkned_ros/config/ros.yaml
,订阅的话题是/camera/rgb/image_raw
,发布的话题有/darknet_ros/found_object
、/darknet_ros/bounding_boxes
和/darknet_ros/detection_image
,此外还有动作发送/darknet_ros/check_for_objects
,以此实现目标检测结果的获取;激光雷达聚类包Lidar Cluster
,基于PCL,订阅的是威力登的点云/velodyne_points
,发布的是聚类结果/perception/lidar_cluster
,参数配置在./config/lidar_cluster.yaml
,在lidar_cluster中,用preprocessing
先对点云进行过滤,再用ClusterProcessing
进行聚类处理。
estimation模块主要是loam
建图定位和robot_localization
定位包,用扩展卡尔曼和无损卡尔曼等方法获取车辆的精确位置和位姿信息。
planning模块有边界检测、线检测、8字检测和路径生成这几个包。边界检测boundary_detector的核心思想是搜索和选择,基于OpenCV3,订阅/local_map
,发布/planning/boundary_detections
和其他几个显示话题,基于地图边界信息生成最优路径和边界结果;线检测line_detector用到了霍夫变换,订阅雷达聚类结果/perception/lidar_cluster
,发布全局路径/planning/global_path
,可以看到本仓库的算法的模板是getNodeRate + loadParameters + subscribeToTopics + publishToTopics + run + sendMsg 和一个callback函数
,这个包核心在于createPath
创建全局路径这里;线生成Path Generator包应该是进行路径优化,会根据不同的任务生成不同的参考路径,如直线加速是根据目标点参数,8字是根据转换矩阵,循迹任务是根据地图信息,最后生成控制指令并发布。
control模块用到了cppad
和ipopt
依赖,因为控制中用到了许多数值优化的方法,主要是根据slam地图状态和参考轨迹信息,计算出安全且舒适的控制指令发布到底层,也是分了3种工况。
以上。