【ROS】fsd_algorithm架构学习与源码分析(致敬)

★,°:.☆( ̄▽ ̄)/$:.°★
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/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cppadipopt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。

在这里插入图片描述

以上。

你可能感兴趣的:(c++ROS自动驾驶,学习,c++,开源,ros)