Autoware.ai 中costmap_generator简介

原创 已于 2022-10-12 11:17:48 修改 · 1.4k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #算法

于 2022-10-12 11:13:03 首次发布
本文介绍Autoware.ai中的costmap_generator模块，该模块通过整合障碍物预测信息、激光雷达点云数据及vectormap中的可行驶区域信息，生成两种格式的costmap，用于辅助自动驾驶车辆的路径规划。

Autoware.ai 中costmap_generator简介

备注：costmap_generator可以生成两个可执行节点，此处主要关注costmap_generator可执行节点

输入：

1、订阅带预测信息障碍物
2、剔除地面点的激光雷达点云数据
3、vector map中的“wayarea”的字段，即可行驶区域

输出

1、nav_msgs::OccupancyGrid格式的costmap
2、grid_map_msgs::GridMap格式的costmap

主要过程：

备注：需要学习grid map的使用。学习链接：知乎、github

1、带预测信息障碍物—》得到costmap上所有障碍物多边形区域【进行过扩展】的栅格占据值设置为目标检测得分值，并将整个图层进行均值滤波返回—》障碍物的凸包costmap层

2、激光雷达点云数据-----》将点云数据投影到costmap地图上：该栅格上没有点云数据，该栅格值设置为0；栅格有数据，且数据值在设置的高度阈值之内，则将该栅格值设置为1.0【最大占据栅格值】----》激光雷达点云层

3、可行驶区域-----》将vector map中的可行驶区域反应在costmap的子图层上，其中可行驶区域栅格值为0，可行驶区域之外栅格为1-----》vectormap层

4、将costmap的激光雷达点层、vectormap层、障碍物层、障碍物凸包层进行融合------》costmap的融合层---------》ros格式下进行占据栅格地图和grid_map_msgs::GridMap格式的发布

【一看就会】Autoware.universe的“规划”部分源码梳理【五十七】（autoware_costmap_generator——代价地图生成模块）
weixin_48386130的博客
02-18 876
书接上文，本篇讲述planning这边的第二十四部分——autoware_costmap_generator——代价地图生成模块。autoware_costmap_generator是一个用于生成代价地图的模块，主要功能：读取点云数据和动态对象数组生成OccupancyGrid和GridMap格式的代价地图支持使用VectorMap(Lanelet2)定义可行驶区域整合多种信息源生成综合代价地图autoware_costmap_generator是一个用于生成综合代价地图的重要模块。
【导航项目实战】autoware巡航、避障、视觉目标检测部署步骤
qq_35635374的博客
03-17 4566
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、线性地盘的改造ECU二、录制数据包三、NDT建图--NDT_mapping四、NDT定位--NDT_matching五、航线录制（waypoint_saver）六、航线加载（waypoint_loader）+pure_persuit跟踪巡航七、A*动态路径规划（A-star）八、yolo v3的目标检测九、组合自己想要的功能 前言 认知有限，望大家多多包涵，有什么问题也希
autoware.ai：自动驾驶汽车的开源软件
02-18
是世界上第一个用于自动驾驶汽车的“多合一”开源软件。 Autoware的功能主要适合于城市，但也可以涵盖高速公路，高速公路，中山地区和地理围栏地区。 Autoware的代码库受Apache 2许可证保护。 请自行决定使用它。 为了安全使用，我们为不拥有真正的自动驾驶汽车的人提供了基于ROSBAG的仿真环境。 如果您打算将Autoware与真正的自动驾驶汽车一起使用，请在进行现场测试之前制定安全措施和风险评估。 您可以参考用户指南和开发人员指南。 什么是汽配 Autoware提供了一组丰富的自动驾驶模块，这些模块由传感，计算和驱动功能组成。 介绍了这些功能的概述。 关键字包括本地化，映射，对象检测与跟踪，交通信号识别，任务与运动计划，轨迹生成，车道检测与选择，车辆控制，传感器融合，摄像头，LiDAR，RADAR，深度学习，基于规则的系统，连接导航，日志记录，虚拟现实等。 免费手册也可以
Autoware.ai学习笔记（一）Autoware.AI wiki介绍
m0_45388819的博客
11-11 3775
Autoware.ai学习笔记（一）Autoware.AI wiki介绍 介绍 Autoware.AI是基于ROS的开源软件，可以让自动驾驶汽车在私人区域，城市道路和高速公路上进行测试。Autoware的另一个变种，又名，Autoware.Auto，是正在开发的另一款具有功能安全的用于商业部署的软件。 定位 Autoware.Ai的定位依赖于3D高精地图数据与NDT算法。并且使用从CAN信息和GNSS/IMU传感器中获得的里程计信息，通过Kalman滤波算法对定位结果进行补充。 检测 Autoware.A
如何利用ros自定义生成局部代价地图以供导航避障使用
qq_36458461的博客
11-23 3094
1. 想法 虽然ros的costmap_2d包对障碍物的考虑很全面，但它主要用在move_base导航包中，而且耦合性很强，很难单独提取出来使用，那如果我手里有个二维激光雷达，而我又不想使用move_base包，那该如何生成局部的代价地图供后续的导航使用，基于此，便写了这两篇文章：主要思路是：sensor_msgs::LaserScan —> sensor_msgs::PointCloud2 —> nav_msgs::OccupancyGrid 2. sensor_msgs::LaserScan
autoware.auto规划框架介绍
lijiaming550的博客
03-09 8441
autoware.auto规划框架简介
Autoware操作手册
wjywjywaj的博客
06-30 2679
快速了解Autoware的功能配置
Autoware实战：Open Planner（1）
m0_65512360的博客
11-19 1861
在网络上看到很多关于Open_Planner优质的文章，但大家似乎都更乐意从原理性出发去讲解，关于其实战好像并不多，所以喜欢直接上手或是在自己小车上部署的同学可能资料就没那么丰富。在实战中过程并没有那么理想化，会碰到各种各样的问题，也会发现代码中一些欠缺的部分。写这篇文章的目的就是从实战出发，给想要上手但是不清楚怎么做的同学一点参考以及一些报错解决的分享，也是自己积累回顾的一些总结，希望能帮助到大家！
【Autoware】astar路径规划分析
ninnyyan的博客
03-17 1268
接上篇Runtime_Manager的分析，我们可以在Computing Tab页的配置文件。Autoware使用astar算法进行基础的路径规划。主要是这两个应用，后面还分别有一个。中找到astar的相关应用。
ubuntu 18.04 安装 Autoware1.13安装
weixin_46002610的博客
09-14 1307
链接: https://gitlab.com/libeigen/eigen/-/archive/3.3.7/eigen-3.3.7.tar.gz。另外如果安装过程中包以下错误，也也可以安装高版本的CUDA，并且安上述修改（注：该方法没有测试过，因该可行。编译cpu版本的autoware(注：如果更改了源码，即src文件夹，重新编译autoware工作区即可！将CUDA版本号检查由≤10.0修改为≤10.2，则可以编译通过生成NDT_GPU（根据自己的版本而定）至此，Autoware 1.13安装完成！
三维点云实时和离线生成二维栅格、三维栅格地图（附github）
weixin_36773706的博客
09-09 7079
导航“前端”，将定位后的三维点云实时或离线三维到二维栅格化，并计算代价生成代价地图。当前雷达帧local_cloud_frame: "/current_scan"全局三维点云地图、三维栅格地图、二维栅格地图。全局点云pcd：global_map。实时当前帧三维栅格地图、二维栅格地图。
常用地图（Occupancy Grid Map与CostMap）
m0_53316604的博客
03-28 2208
机器人导航模块应用最广泛的是占据栅格地图（Occupancy Grid Map）与代价地图（CostMap）
costmap配置教程和详细理解
ahelloyou的博客
05-16 5157
此软件包提供2D成本图的实现，该实现从世界各地接收传感器数据，构建数据的2D或3D占用网格(取决于是否使用基于体素的实现)，并基于占用网格和用户指定的膨胀半径在2D成本图中膨胀成本。 此软件包还支持基于map_server的成本图初始化、基于滚动窗口的成本图以及传感器主题的基于参数的订阅和配置。 在上图中，红色单元格表示成本图中的障碍物，蓝色单元格表示机器人内切半径膨胀的障碍物，红色多边形表示机器人的足迹。 为了使机器人避免碰撞，机器人的足迹不能与红细胞相交，机器人的中心点不能越过蓝细胞。 在Hydro版
激光SLAM导航系列(三)Costmap(代价地图)（下）
月黑风高云游诗人的博客
05-06 6744
costmap程序架构 接上一期，通过阅读indigo版本的costmap源码包，简单整理了下costmap的程序架构。 在move_base刚启动时就建立了两个costmap，而这两个costmap都加载了三个Layer插件，它们的初始化过程如上图所示。 StaticLayer主要为处理gmapping或者amcl等产生的静态地图。 ObstacLayer主要处理机器人移动过程
ROS机器人启动move base时代价地图概率性无法加载的原因及解决方法
慕羽★的博客
08-18 2057
最近，使用ROS机器人，在启动move_base 节点时，概率性会出现全局和局部代价地图不加载的问题，此时，发布目标点也无法启动路径规划。而且该问题有时候出现概率很低，比如启动10次，会有1次发送该情况，有时候概率又比较高，运气最差的一次，启动了8次才正常启动。
激光SLAM导航系列(三)Costmap(代价地图)（上）
热门推荐
月黑风高云游诗人的博客
05-04 1万+
Costmap(代价地图)（上） Costmap是机器人收集传感器信息建立和更新的二维或三维地图，可以从下图简要了解。 上图中，红色部分代表costmap中的障碍物，蓝色部分表示通过机器人内切圆半径膨胀出的障碍，红色多边形是footprint(机器人轮廓的垂直投影)。为了避免碰撞，footprint不应该和红色部分有交叉，机器人中心不应该与蓝色部分有交叉。 ROS的代价地图（cos
autoware open_planner
hoppss
08-10 1037
autoware
机器学习算法——适用于提取点云障碍物轮廓的聚类算法—costmap_convert(DBSCAN聚类算法)
qq_40464599的博客
06-08 1628
最近在做项目过程中，我们注意到当考虑车体轮廓去进行全局路径规划（如混合A*算法），如果仅仅将障碍物点云数据中得每一个点只当成点，会造成较大的计算时间，如若将点云聚类成圆形 线型 多边形障碍物 会提高计算效率，这是其中一个原因，另一个原因是，我们需要知道障碍物的大小，障碍物大小程度决定了我们的动态避障的方法和策略。因此我根据costmap_conventer 进行了脱ROS处理，删除了一些暂时不用的逻辑，方便项目中使用。
movebase导航和地图数据的使用 - 6 local planner如何使用global planner计算出的路径规划和自己的local costmap数据完成避障
11-10 2559
具体需要看看一下localplanner如何循环控制底座移动。 Globalplanner会使用dijkstra算法找到一条最短路径plan叫做globalplan, 因为planthread一直在运行，所以这个plan一直在更新，所以只要globalcostmap一直在变化，那么这个globalplan也会一直变化。有了globalplan，就可以把他设置给localplanner.
autoware.ai 避障
最新发布
05-15
### 实现Autoware.ai中的避障功能 #### 配置与实现概述 Autoware.ai 是一个基于ROS（Robot Operating System）开发的开源自动驾驶平台，其核心目标之一是提供完整的自动驾驶解决方案。其中，障碍物检测和避障功能是一个重要的组成部分。通过使用传感器数据融合以及路径规划模块，可以实现在复杂环境下的安全导航。 在 Autoware.ai 的架构中，避障功能主要依赖于 `costmap_generator` 和 `local_planner` 这两个节点[^1]。这些节点共同协作来生成局部成本地图并计算避开障碍物的安全轨迹。 --- #### 主要组件及其作用 ##### 1. **Costmap Generator** `costmap_generator` 节点负责处理来自激光雷达、摄像头和其他传感器的数据，并将其转换为二维或三维的成本图表示形式。该节点会标记出不可通行区域（例如静态物体或动态障碍），从而帮助后续的路径规划器做出决策[^2]。 配置文件通常位于 `/autoware.ai/config/costmap_generator/` 下面，可以通过调整参数如最大探测距离 (`max_obstacle_height`) 或者滤波器设置 (e.g., voxel grid downsampling) 来优化性能。 ##### 2. **Local Planner** 本地路径规划器（`local_planner`）接收全局路径作为输入，并结合当前车辆状态与实时更新的成本地图信息，动态生成一条无碰撞的新路径供执行层使用。默认情况下，Autoware 使用 DWA（Dynamic Window Approach）算法完成这项任务[^3]。 如果希望自定义行为或者提高响应速度，则可能需要修改相关 YAML 文件内的权重系数以及其他超参设定。 --- #### 关键步骤说明 以下是关于如何启用及调试此特性的几个要点： - 确认所有必要的硬件驱动已加载完毕并且正常工作； - 启动仿真环境（比如 Gazebo）以便测试不同场景下系统的反应能力； - 根据实际需求校准感知子系统输出精度，减少误报率； - 定期监控话题流量统计情况以评估整体效率表现； 下面给出一段简单的启动脚本例子用于快速验证基本流程是否通畅: ```bash roslaunch autoware_launch default.launch rosrun rviz rviz -d $(rospack find autoware_config)/rviz/default.rviz & sleep 5s && rosrun waypoint_loader waypoints.csv ``` 注意这里假设已经准备好合适的路点列表CSV文档可供上传至车队管理系统之中。 另外附带展示部分典型回调函数逻辑片段如下所示： ```cpp void ObstacleCallback(const autoware_msgs::DetectedObjectArrayConstPtr& msg){ // Process detected objects here... } int main(int argc, char** argv){ ros::init(argc,argv,"obstacle_avoidance_node"); ros::NodeHandle nh("~"); ros::Subscriber sub = nh.subscribe("/detection/object_recognition",10,&ObstacleCallback); ros::spin(); } ``` 以上代码展示了订阅对象识别消息的过程，在此基础上进一步扩展即可满足特定应用场景的要求。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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