作者 | ahrs365 编辑 | 哎嗨人生
点击下方卡片，关注“自动驾驶之心”公众号
戳我-> 领取自动驾驶近15个方向学习路线
本文只做学术分享，如有侵权，联系删文
用了15天时间，做了一个可以回放停车场数据集，以及将数据集内的车辆，行人，车位，拓扑路线转化成决策规划可用的语义地图的形式。可以再这个仿真环境用开发自己的决策规划c++代码。
在自动驾驶中，按照场景，可以分成行车和泊车两种，行车一般指的是在道路上，高架上，城区里等有明显车道线，路标，以及红绿灯的场景下进行无人驾驶。而泊车特指在地面停车场或者地下车库里的自动驾驶。当然，现在常说的行泊一体，就是把这个种场景用的的算法进行统一。对于行车场景，有很多可选的开源项目和数据集，可以用来验证自己的算法，但是对于泊车场景，这类数据集就很少了。如果想要验证自己的泊车算法，就比较难了，尤其是停车场里有行人，有车辆，自行车等等，而且没有明显的车道线，没有数据集，就无法全面验证自己的算法。
那天，我发现了一个用于泊车的数据集，就想着，把这个数据集拿来做一个仿真项目，可以用来验证自己的代课泊车算法。之前文章介绍过这个数据集：
停车场环境，基于CNN和Transformer的轨迹预测模型ParkPredict+
第一步：解析数据集的格式
数据集地址：https://sites.google.com/berkeley.edu/dlp-dataset
作者提供的数据集是json格式的，我就一段一段复制下来，让GPT帮我解释，解释完我理解了，它也记住了这些格式，后续可以让它给我写数据回放的代码。
这里耗费了我很多时间，也尝试了不同的思路，试了将python代码嵌入到c++工程中的方式，遇到问题，放弃了。也尝试了用python脚本播放数据集，用c++工程接收，两个线程之间进行通讯的方式，太复杂，也放弃了。最后，决定用c++重写了数据回放的代码。这个开源项目险些在这一步就放弃了，还好在GPT的帮助下，完成了这一步的工作。
数据集的格式如下：
组件定义
场景 (Scene)：代表一个连续的视频录制。包含指向该录制中的所有帧、代理和障碍物的指针。
帧 (Frame)：录制中的一个离散时间步。包含在这个时间步可见的所有实例列表。指向前一帧和后一帧。
代理 (Agent)：在场景中移动的对象。包含对象的尺寸、类型和轨迹（由实例列表构成）。
实例 (Instance)：代理在某个时间步的状态。包括位置、方向、速度和加速度。指向代理轨迹中的前一个和后一个实例。
障碍物 (Obstacle)：在录制中从未移动过的车辆。
数据集统计
场景数：30
帧数：317,873
代理数：5,188
实例数：15,383,737
关系
场景 (Scene)：包含多个帧 (Frame)，包含多个代理 (Agent)，包含多个障碍物 (Obstacle)
帧 (Frame)：包含在这个时间步可见的实例 (Instance)，有前一帧和后一帧的关系
代理 (Agent)：包含在不同时间步的多个实例 (Instance)，每个实例表示代理在某个时间步的状态
实例 (Instance)：关联代理 (Agent)，有前一个实例和后一个实例的关系
第二步：编写数据回放的代码
原作者有回放数据的开源代码，但是是python写的，我需要用c++去实现一下。其实也不算是我写的，我需要设计一个大体的框架，然后让gpt去写。因为我上一步中，已经把数据集的格式给gpt了，所以在它可以很快就写出数据回放的代码。其实也不快，这一步都花费了一周时间，它可以不一个函数写的很好，但是你让它给你写完整的一个类，它很有可能会乱写。经过耐心的沟通，和反复的修改，终于完成了数据回放的代码，效果如下，可以逐帧播放数据集，显示出了拓扑路线，停车位，静态车，动态车，行人所有的元素。
数据回放的代码完成后，我又在可视化上花费了好多天，尝试了各种方式，因为考虑的太多了，想着以后可能需要界面交互，比如在界面上选择一个车位作为目标车位。所以我想着用QT，用Dear Imgui，用FLTK等等，后来忽然发觉，我陷入了美化可视化界面的泥潭中无法自拔，一周时间都过去了。最后想了个方法，做了一个可视化类，做成单例模式，用opencv可视化，这样，在工程中的任何地方，都可以插入可视化的代码，方便前期的开发和调试。等到后期，也可以方便的把可视化代码移除，非常解耦。
回放的主代码如下：
void ParkSimulation::run() {
loadData();
findStartFrame();
// common::GridMapMetaInfo map_info(280, 160, 0.5);
common::GridMapMetaInfo map_info(300, 300, 0.5);
semantic_map_manager::AgentConfigInfo config;
config.obstacle_map_meta_info = map_info;
config.surrounding_search_radius = 150;
semantic_map_manager::SemanticMapManager semantic_map_manager;
semantic_map_manager.setConfig(config);
semantic_map_manager::MapAdapter mapAdapter(&semantic_map_manager);
planning::EudmServer planner;
while (!currentFrameToken.empty()) {
auto start_time = std::chrono::steady_clock::now();
auto it = frames.find(currentFrameToken);
if (it == frames.end()) {
break;
}
const auto& frame = it->second;
env->loadFrame(frame);
// 输出当前帧的信息
std::cout << "\n=============================================\n";
std::cout << "Current Frame: " << frame.frame_token
<< " ,Timestamp: " << frame.timestamp << std::endl;
// 移动到下一帧
currentFrameToken = frame.next;
auto end_time = std::chrono::steady_clock::now();
std::cout << "ParkSimulation::run() cycle time: "
<< std::chrono::duration_cast<std::chrono::milliseconds>(
end_time - start_time)
.count()
<< " ms" << std::endl;
mapAdapter.run(env);
planner.run(&semantic_map_manager);
}
std::cout << "Simulation finished." << std::endl;
// 清理环境对象
delete env;
}第三步：构建语义地图
EPSILON是港科大开源的一个非常优秀的自动驾驶开源系统，这里基于Epsilon的语义地图模块，进行了修改和适配，用于提供管理栅格地图，碰撞检查等功能。这里的工作量主要在于，数据读取和回放模块，存储了各种元素，需要将这些元素转换成语义地图接收的格式。
一些转换函数如下：
void GetSimulationDataFromStatic(Environment* env);
void GetSimulationDataFromDynamic(Environment* env);
void GetPolygonFromSimulationData(const StaticObstacle& obs,
common::PolygonObstacle* poly);
void GetVehicleFromSimulationData(const DynamicObstacle& obs,
common::Vehicle* vehicle);
void GetLanRawFromRoute(const std::vector<std::pair<double, double>>& route,
common::LaneRaw* p_lane);
common::WaypointsGraph GetGraphFromSimulationData(
const std::unordered_map<std::string, Route>& routes);
void GetParkingSpotsFromSimulationData(
std::unordered_map<std::string, std::vector<ParkingSpot>>& sim_spots,
common::ParkingSpots* parking_spots);完成数据转换后，我需要将这些转换后的元素进行可视化，确保转换的没有问题。结果如下，分别时模拟的激光雷达扫到的障碍物，栅格地图，停车场地图以及车辆和行人和拓扑路线。
绿色为模拟的激光雷达扫到的障碍物边界。
黑色代表停车车位里的车辆，白色是可通行的区域
整个停车场如下，包含了拓扑路线，黄色路线为指定起点和终点，在拓扑图上搜索得到的路径，黑色方块是行人，橙色是动态车辆，黑色框代表车位。
第四步：开始开发预测、决策、规划模块
有了这个仿真框架，就可以开发代客泊车的相关算法了，仿真里提供了各种动态车辆和行人，也提供了车位，对于预测模块，可以用来对车辆进行意图预测，预测它是要直行还是倒车入库。对于决策模块，可以在这种高动态场景下，验证决策算法的合理性。
工程的main函数如下，非常简洁：
int main() {
// 创建对象
park::ParkSimulation simulation(
"./data/DJI_0012_scene.json", "./data/DJI_0012_agents.json",
"./data/DJI_0012_frames.json", "./data/DJI_0012_instances.json",
"./data/DJI_0012_obstacles.json", "./data/parking_map.yml", 0,
1200 // startFrameIndex, endFrameIndex
);
simulation.run();
return 0;
}预测和决策和规划模块，这里还没开始，敬请不期待，烂尾警告。
感谢开源项目EPSILON，感谢开源项目ParkPredict+。
题外话1
目前整个项目，我自己动手写的代码，占得比例非常少，我主要是设计整体的框架，设计具体类的功能，至于具体的代码，都是GPT写的。目前GPT4还会胡诌，需要我监督和不断的交流改错，那如果以后GPT5,6,7,8进化了，不需要我监督和设计框架，也就不需要我写代码了。以后，会写代码这个技能，会不会都不算一个技能了？
记得几年前，用到opencv可视化的时候，被它的坐标和一些可视化转换，搞得头昏脑涨，花了几天时间才学会怎么用，现在呢，我一个描述，gpt就给我写出来了，我不理解原理，它可以给我讲明白。
转行到现在，写了几年代码了，从一开始的恐惧代码，到后来不再害怕写代码，到后来体会到了通过写代码去驱动机器人完成一些功能的快乐，再到现在，一句话就能得到可用的代码，甚至都不用检查这段代码。
题外话2
以前做测试的时候，觉得工作没前途，转行做机器人，后来觉得自动驾驶里用的才是前沿的技术，就转行去做自动驾驶了。我自认为自己非常热爱学习，学习动力很足，自动驾驶行业技术迭代很快，所有很适合我。但是随着行业的发展，我感觉有点理解不了了。总是觉得，这行业不是很踏实，总是在炫技，炫技的目的不是为了提升用户体验，而是为了让资本看到，看吧，我这新技术无敌了，上限非常高，给我们投资吧。如果有那一天，靠着显卡和数据，就可以让自动驾驶成为一个成熟可用的产品，程序员会不会变成工业革命时候被迫下岗的纺织工人。
感觉写代码逐渐没有乐趣了，当你发挥自己的创意，解决了一个问题，你会被鄙视，因为你只是写if else解决了亿万个corner case中的一个而已。这些case，显卡和数据集也可以解决。
如果人人都能写代码了，那写代码这个技能，就无有用了。如果端到端模型，如果端到端的方法成为了自动驾驶的最终解，那也不用算法工程师了，都去踩自行车发电吧。
投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！重磅，自动驾驶之心科研论文辅导来啦，申博、CCF系列、SCI、EI、毕业论文、比赛辅导等多个方向，欢迎联系我们！
① 全网独家视频课程
BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）
② 国内首个自动驾驶学习社区
国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频
③【自动驾驶之心】技术交流群
自动驾驶之心是首个自动驾驶开发者社区，聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向，目前近60+技术交流群，欢迎加入！扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）
④【自动驾驶之心】全平台矩阵
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
