Autoware.ai开源自动驾驶系统学习日记（三）：使用Autoware生成ROSBAG的路径点

目标：

`本篇文章记录我使用autoware内置功能生成rosbag中的路径点文件

---

内容：

1. 准备工作
2. 加载点云地图 PCD 文件
3. 点云降采样过滤
4. 设置从map到nase link的转换（ndt_matching)
5. 启动[vel_pose_connect]
6. 设置路径点文件保存路径
7. 继续播放点云数据包
8. rviz 查看路径点

---

正文来了：

此次生成的路径点文件来自于上一篇文章中采集的ROSBAG和点云文件。

准备工作

单独打开Autoware

roslaunch runtime_manager runtime_manager.launch

加载点云数据.bag 文件
回放点云数据
加载从 base_link 到 velodyne 雷达坐标系的 TF，加载小车模型
设置从 world 到 map 转换
这部分内容都是上一篇文章的前面几个步骤，这里就不再重复了，想了解的传送门在这里：
链接:Autoware.ai开源自动驾驶系统学习日记（二）：使用Autoware建图功能对ROSBAG 进行建图

加载点云地图 PCD 文件

打开[map]页面，点击[point cloud]的[ref]，选择之前建图的 3D 点云地图.pcd文件，点击[point cloud]按钮，此时下方会出现一个进度条，当进度条显示加载了 100％并出现[OK]字样时，证明点云地图加载完毕。

点云降采样过滤

打开[sensing]页面，找到[points_downsampler]下的[voxel_grid_filter]选项，设置[app]的一些参数后，勾选[voxel_grid_filter]。voxel_grid_filter是一种常见的点云下采样技术。这种方法主要用于减少点云数据的数量，以便更高效地进行后续处理。这个方法的名字来自于它的工作原理：它将3D空间划分为一系列的立方体格子，每个格子称为一个体素（voxel，这个词是由"volume"和"pixel"组合而成的）。

在voxel_grid_filter中，每个体素内的所有点被替换为它们的质心或者其他的代表值。例如，可以使用体素内所有点的平均位置作为代表值。这样，每个体素就只保留一个点，大大减少了点的数量。

voxel_grid_filter的一个主要优点是它可以大大降低数据处理的复杂性，同时尽量保留原始点云的主要结构特征。

Voxel Leaf size：体素降采样算法中的体素叶大小，室内可设置小点，室外可设置大点，我这里设置为0.03。

设置从map到nase link的转换（ndt_matching)

找到[Computing]左菜单栏下的[ndt_matching]选项，设置[app]里面的参数后(保持默认就可以了），勾选[ndt_matching]。

启动[vel_pose_connect]

找到 [Computing] 左菜单栏下的 [vel_pose_connect] ，打开 [app] 并确保选项 [Simulation_Mode] 没有被勾选，退出并勾选 [vel_pose_connect]

vel_pose_connect节点用作输出车辆的位姿和速度信息

设置路径点文件保存路径

找到 [Computing] 右菜单栏下的 [waypoint_saver] ，打开 [app] ，点击[ref]选择保存的路径，勾选上[save /current_velocity]，退出并勾选[waypoint_saver]

继续播放点云数据包

点击进 [Simulaton]页面，再次点击[Pause]按钮可以继续播放数据，等待数据包回放结束便可，路径点文件会自动保存在设置好的路径下。

rviz 查看路径点

在路径点生成过程中，源码安装方式的可以点击界面右下角的[rviz] 打开rviz，此时我们可以看到 rviz 中逐渐出现一条路径：