Apollo学习笔记

Apollo学习笔记

Apollo课程

智能驾驶入门课程

无人驾驶概览

1、软件层分为三层：
实时操作系统(RTOS)：确保在给定时间内完成特定任务，实时时确保系统稳定性、驾驶安全性的重要要求。通过在Ubuntu Linux操作系统加入Apollo内核，使其成为RTOS
运行时框架：ROS的定制版，改进了共享内存的功能和性能(一次写入多次读取)加快数据传输速度、去中心化和数据兼容性(ROS需要所有节点通信消息格式相同，当一个节点消息升级后，需要修改其他所有节点，比较麻烦，于是改进protobuf通信，在消息尾部加入新成员，不会影响各节点通信)
应用程序模块层：定位、感知、预测、规划、控制、人机接口等应用程序
2、云服务器的作用：高精地图、仿真、数据平台、安全、OTA和DuerOS智能语音系统

高精地图

人通过知道自己大致位置，可以很快的识别行人、斑马线和红绿灯等信息，作出决策，但这对无人驾驶汽车比较有挑战性。需要借助包含大量驾驶辅助信息的高精地图，
1、地图：包括道路定义、交叉路口、交通信号、车道规则以及用于汽车导航的其他元素。如道路网的精确三维特征，交叉路口布局和左右转、斑马线等路标位置；语义信息，交通灯上不同颜色的含义、速度限制、左右转开始的位置。需达到厘米级精度。需要庞大车队绘制和更新地图，appollo已绘制了每条高速公路的地图，所有国道以及许多其他高等级公路，采用OpenDRIVE行业制图标准并进行改进，使其更使用无人驾驶，地图绘制流程实现90%自动化。
2、用于定位：通过当前传感器数据与高精地图匹配，确定当前位置。首先通过对各传感器数据进行预处理、坐标转换和数据融合，与地图路标匹配，预处理消除不准确或质量差的数据，坐标表换将不同视角数据转换为同一坐标系(利用外参转换到机体坐标系？)，数据融合将各传感器数据合并，确定汽车在地图中位置
3、用于感知：各传感器受遮挡、天气等影响，只能观测一定范围物体，地图能记录遮挡物之后的物体，提前作出决策；可以告知各传感器重点探测区域，如知道红绿灯、停车路标等大致位置后，提高检测精度和速度。
4、用于规划和预测：规划汽车行车路径，预测其他车辆在将来的位置，如辅助识别精确的中间线，可以靠中间线行驶，提前感知低速限制、人行道或减速带等信息，预先减速，根据障碍物信息变道，规划路径
5、地图构建：构建和更新过程中使用众包，向公众发布其数据采集工具，以便任何人都可以参与制作高精地图的任务，可通过手机、智能信息娱乐系统甚至无人驾驶车来实现
数据采集：300辆车采集GPS、lidar、相机、IMU等数据，用于维护和更新，保证道路因为拆建等因素及时更新
数据处理：整理、分类和清洗以获得没有任何语义信息或注释的初始地图模板，包括点云地图等
物体检测：检测静态对象并分类，包括车道线、交通标志、电线杆
人工确认：确保自动构建正确进行并及时发现问题，使用软件辅助标记和编辑
地图发布：包括高精地图、自上而下的高精定位地图和三维点云地图

定位

确定汽车在高精地图的位置，常用汽车传感器所见路标与地图路标比较，确定位置。Apollo基于GPS、IMU和lidar多传感器融合定位，GNSS定位输出位置和速度信息，lidar定位输出位置和行进方向信息，通过卡尔曼融合两者输出，惯性导航用于预测步，GNSS定位和lidar定位用于更新步
1、GNSS RTK：以GPS为例，其包括三部分：
卫星-有大约30颗卫星在离地面约2万公里外层空间运行
控制站：用于监视、控制卫星和验证GPS广播信号的精确度
GPS接收器：通过信号从卫星到接收器飞行时间乘光速计算距离（影响因素信号在不同介质传播速度有些差别，时间误差），至少需要检测到四颗卫星才能定位。由于光速很大，少量时间误差也会引起巨大误差，每颗卫星配备高精度的原子钟（两个时间怎么同步？），RTK利用地面基站得到更准确位置，基站已知自己精确位置，也通过卫星测量位置，从而得到测量误差，用于调整接收器位置，得到更精确的定位。手机GPS一般精度1-3m，被高楼、山脉等遮挡时只有10-50m，RTK可到达10厘米以内精度（要求附近16公里范围内有基站），有遮挡时定位精度也会降低，GPS的更新频率较低，为10HZ左右，较难满足快速运动汽车需求
2、惯性导航：已知初始位置后，通过IMU测得加速度和角速度定位，优点是更新频率可达到1000HZ，但长时间漂移较大。
3、激光雷达定位：使用点云匹配算法将当前激光雷达点云数据和高精地图进行匹配，得到初始位姿。优点是定位精度高，难点是高精度构建难度大，动态物体会影响匹配精度。点云匹配方法包括：
ICP：迭代最近点匹配
滤波算法：可去除冗余信息。卡尔曼滤波
直方图滤波算法：（Apollo使用，也叫SSD误差平方和算法SSD）。SSD方法通过传感器扫描的点云滑过地图上的每个位置，在每个位置计算扫描点与地图上的对应点之间的误差或距离，求误差的平方和，平方和越小匹配越好，寻找平方和误差最小的方法。
4、视觉定位：通过粒子滤波定位，可用匹配方法确定在车道线位置，数据易获取，但缺乏三维信息、不便利用三维地图

感知

Apollo可感知障碍物、交通灯和车道等物体，对于三维对象检测，在高精地图上使用感兴趣区域重点关注相关对象，将ROI过滤器应用于点云和图像数据，以缩小搜索范围并加快感知， 然后将已过滤得三维点云输入检测网络构建三维边界框，最后使用检测跟踪关联的算法，跨时间步识别单个对象（分类），该算法先保留每个时间步对象列表，再在下一个时间步找到每个对象的最佳匹配。对于交通灯灯等静态物体