基于autoware的实车实验(1)——准备工作及建图

试验目标

使用autoware在实车环境实现全局规划、局部规划、自动避障功能

试验环境及设备

  1. 环境:ubuntu18.04+autoware.ai1.4
  2. 设备:
    激光雷达VLP-16
    工控机
    pix四轮驱动底盘

在这里插入图片描述

注意:

  1. 本文默认系统环境已经配置完毕,包括激光雷达的驱动
  2. 实验设备激光雷达型号也可以是其他品牌,只要提前安装驱动配置完毕正常使用即可
  3. 没有工控机也可以使用pc代替
  4. 本文采用设备的底盘为pix,其已经将驱动节点集成到autoware中,采用其他底盘需要自己编写相应的驱动节点

建图

构建pcd点云地图

采集数据

直接利用autoware录制激光雷达数据
1.激光雷达上电并通过网口连接后,启动autoware

### 在终端依次输入
cd autoware.ai
source install/setup.bash
roslaunch runtime_manager runtime_manager.launch

2.在sensing中点击Velodyne VLP-16后的config,点击ref选择VLP16db.yaml文件所在的路径,(该文件在安装激光雷达驱动时已经默认配置),而后勾选Velodyne VLP-16
在这里插入图片描述
3.点击右下角[ROSBAG]按钮,在弹出的对话框中点击下方[Refresh]按钮刷新话题列表
4.在话题列表中找到话题/points_raw并勾选
在这里插入图片描述

5.点击右上⻆[Ref]按钮更改文件名并修改保存路径
6.点击[Start]按钮开始记录数据
7.当完成数据记录之后点击[Stop]按钮,文件将保存到指定文件夹中

生成pcd点云地图

直接使用autoware的ndt_mapping生成点云地图
1.启动autoware确保sensing中的velodyne VLP-16没有被勾选,点击setup,点击TF按钮
在这里插入图片描述

2.点击Map,点击ref,选择如下所示的路径,点击TF按钮

autoware.ai/src/autoware/documentation/autoware_quickstart_examples/launch/tf_local.launch

3.点击Simulation页面,点击页面右上方的ref按钮,加载之前录制的bag文件,点击Play按钮播放,然后在右方playing后面有数字显示时点击Pause暂停,在这里可以通过点击右下方的Rviz按钮,将Fixed Frame改为velodyne,查看bag包播放
在这里插入图片描述在这里插入图片描述
4.在Compulting菜单中找到lidar_localizer下的ndt_mapping选项,点击后面的app进行设置,将Method_Type选为pcl_generic,如果成功配置了GPU也可以选择pcl_anh_gpu,使用gpu
在这里插入图片描述5.勾选sensing页面中的下面两个选项
在这里插入图片描述
6.回到simulation页面点击pause,继续播放,直到bag包播放完毕
7.点击computing页面,点击ndt_mapping后的app,点击页面下方的ref选择想要的保存路径,而后点击PCD OUTPUT,在对应路径下查找保存的pcd点云地图

在这里插入图片描述
8.生成pcd地图后,可以通过终端命令查看

pcl_viewer xxxx.pcd

在这里插入图片描述

也可以通过autoware查看,点击map页面,点击Point Cloud后的ref选择自己储存点云地图的路径,而后点击Point Map按钮,直到地图加载完成;点击下方的TF按钮,TF加载文件的路径与上文建图的路径相同;点击setup页面,点击TF按钮;最后点击页面下方的Rviz按钮即可查看
在这里插入图片描述

一些说明

  1. 除了使用autoware直接录制激光雷达的数据之外,还可以直接roalaunch激光雷达的驱动,通过ros命令直接录制;通过这种方法录制的激光雷达数据在使用autoware直接建图时,需要将bag包的话题修改为/points_raw
  #运行激光雷达驱动
   roslaunch velodyne_pointcloud VLP16_points.launch   
   rostopic list    #查看当前所有主题,查看要录的主题的名字
   cd ~/        #(cd到要保存数据包的位置)
   #录制指定的/velodyne_points主题的数据
  rosbag record -o bag_name  /velodyne_points 
  1. 除了使用autoware的ndt_mapping直接建图外,还可以采用别的效果更好的slam算法进行建图,比如LIO-SAM(需要imu数据)等,因为ndt_mapping建图效果一般,特别是当存在回环时,往往起点终点无法重合,累计误差很大,这样生成的地图在后续点云匹配进行定位时会出现偏差

绘制矢量地图

生成点云地图后,需要在点云地图的基础上绘制矢量地图,主要是在点云地图上绘制车道关系,道路边沿,停止线等,这是后续进行全局规划的基础

安装Autoware Maptool插件

绘制矢量地图需要使用unity和Autoware Maptool,安装教程以及使用教程如下(在win系统)
参考链接
https://blog.youkuaiyun.com/qq_33971022/article/details/109013661

### Autoware.ai 部署教程和注意事项 #### 1. 环境准备 为了成功部署Autoware.ai上,需先搭合适的开发环境。这包括但不限于安装操作系统Ubuntu以及ROS (Robot Operating System),因为Autoware.ai主要基于这两个平台构。 对于源码获取与编译部分[^1], ```bash mkdir -p autoware.ai/src && cd autoware.ai wget -O autoware.ai.repos "https://raw.githubusercontent.com/Autoware-AI/autoware.ai/1.14.0/autoware.ai.repos" vcs import src < autoware.ai.repos ``` 上述命令用于创工作空间、下载项目依赖文件列表并导入所需仓库至本地src目录下。注意这里假设读者已经具备基本Linux操作技能及Git工具链的知识背景。 #### 2. 系统集成测试 在将软件移植到目标硬件之前,在模拟环境中进行全面的功能验证至关重要。通过这种方式可以提前发现潜在问题,并减少现场调试时间成本。利用Gazebo仿真器能够很好地满足这一需求,它允许开发者在一个虚拟世界里重现真场景下的各种工况来检验算法性能。 #### 3. 高精度地支持 考虑到自动驾驶应用对定位精度的要求极高,因此引入了lanelet2作为底层的地表示形式之一[^3]。相较于传统导航电子地而言,这类高分辨率数据集不仅包含了道路几何形状描述,还涵盖了交通标志识别、道属性标注等多项辅助信息,有助于提升感知层面对复杂路况的理解能力。 #### 4. 安全机制设计 鉴于无人化驾驶系统的特殊性质,安全始终被放在首位考虑的位置上。针对可能出现的各种极端情况(corner case),研究者们提出了多种检测策略以增强系统鲁棒性[^2]。例如当视觉传感器受到恶劣天气影响时,可借助多模态融合技术综合判断周围物体状态;又或者是遇到未知障碍物时及时采取减速避让措施等。 #### 5. 物理连接设置 最后一步就是把经过充分验证后的程序烧录进载电脑内核当中去,并按照制造商给出的具体指南完成相应接口连线作业。通常情况下会涉及到CAN总线通信协议适配、GPS天线安置位置选取等问题,这些都需要严格遵循官方手册指示来进行操作以免造成不必要的损失。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值