首页IT科技auto教程(Autoware入门到精通)

auto教程(Autoware入门到精通)

时间2025-05-05 14:51:19分类IT科技浏览5367
导读:Autoware是世界上第一款开源的自动驾驶框架,当前各大自动驾驶公司的框架几乎都借鉴过,Autoware框架是理解自动驾驶系统知识最好的学习模板之一,同时利用仿真工具实现功能复现和整机联调也是增长实践经验的良好手段。...

Autoware是世界上第一款开源的自动驾驶框架            ,当前各大自动驾驶公司的框架几乎都借鉴过                   ,Autoware框架是理解自动驾驶系统知识最好的学习模板之一      ,同时利用仿真工具实现功能复现和整机联调也是增长实践经验的良好手段             。

Autoware包含了自动驾驶所有关键技术模块:建图            、定位                   、感知      、规划和运动控制                  。

通过一个多月时间折腾掌握了如下心得:

1. 掌握了基于Ndt的定位建图算法的原理及源码分析            ,并在仿真环境下可视化功能复现;

2.理解了高精地图的概念                   ,Vector map地图格式的解析      ,并掌握vector map的编辑工具;

3. 掌握了基于点云输入的目标物感知算法原理及源码分析      ,包括欧式聚类            、形状估计和目标跟踪                   ,并在仿真环境下可视化功能复现;

4. 掌握了规划决策路径轨迹的算法原理及源码分析             ,包括astar                   、open_planner等      ,并在仿真环境下可视化功能复现;

5. 掌握了运动控制的算法原理及源码分析                  ,包括纯跟踪和MPC             ,并在仿真环境下可视化功能复现;

 一      、Autoware安装与环境配置

详见:Autoware1.12.1安装全流程及相关问题解决方案-C++文档类资源-CSDN下载

二      、Autoware核心模块

2.1 建图模块

Autoware-建图_zhusizhi007的博客-CSDN博客

2.1.1 Ndt_mapping模块算法原理及源码剖析

2.1.2 Vector_map模块介绍与剖析

2.1.3 Autoware tool与Vector map绘制

2.2 定位模块

2.2.1 Ndt_matching模块算法原理及源码解析

2.2.2 gnss_localizer与lidar_localizer模块算法原理及源码分析

2.3 感知模块

2.3.1 lidar_detector模块算法原理

2.3.2 moving_predictor模块算法原理及源码解析

2.4 决策规划

2.4.1 Astar模块算法原理

2.4.2 Lane_planner与Open_planner规划模块算法原理解析

2.5 运动控制

2.5.1 MPC模块算法原理

2.6 仿真环境

2.6.1 仿真环境搭建

2.6.2 Simulation模块介绍及源码分析

2.7 传感器标定

2.8 waypoint制作

2.9 无人车与App                   、云端后台串联

三             、实例

左侧:TaaS无人物流运输战情板

中间:无人车运行(订单与车辆状态)与rviz实时点云数据视频

右侧:智能移动服务APP

无人车循迹视频

 战情板采用node.js为服务端,前段页面为js      。

无人车传感器:Velodyne16线Lidar      、Xsens IMU                  、超声波             、摄像头、里程计;

无人车底盘由机器人底盘改造而来                  ,采用麦克纳姆轮                   ,可以实现原地转弯;

大脑:工控机安装Autoware

小脑:STM32安装底盘控制程序

APP:使用百度地图实时显示无人车轨迹,可以对无人车进行任务调度

未完待续            ,欢迎有兴趣朋友一起探讨                   ,QQ:574226409 18682265246

创心域SEO版权声明:以上内容作者已申请原创保护,未经允许不得转载,侵权必究!授权事宜、对本内容有异议或投诉,敬请联系网站管理员,我们将尽快回复您,谢谢合作!

展开全文READ MORE
yolov5检测(【Yolov5】Yolov5添加检测层,四层结构对小目标、密集场景更友好)