lovely_yoshino的博客

因为视觉定位的内容较多，所以我们专门讲相关的内容分成了两讲，按照《》梳理的顺序，我们来说一说Autoware中的视觉定位与位姿初始化，这部分主要是通过将从图像中提取的道路表面标记与矢量地图进行匹配来估计位置，而无需使用点云地图和激光雷达。YabLoc让用户能够在没有激光雷达和点云地图的环境中定位未装备有激光雷达的车辆。

这一讲按照《》梳理的顺序，我们来说一说Autoware中的视觉定位，这部分主要是通过将从图像中提取的道路表面标记与矢量地图进行匹配来估计位置，而无需使用点云地图和激光雷达。YabLoc让用户能够在没有激光雷达和点云地图的环境中定位未装备有激光雷达的车辆。但是由于篇章过多，所以我们将视觉定位与位姿初始化放到后面来讲。

这一讲按照《

这一讲按照《》梳理的顺序，我们来说一说Autoware中的ndt定位，这个软件包有两个主要功能：1. 通过扫描匹配进行位置估计，2. 通过ROS服务使用蒙特卡洛方法估计初始位置。

这一讲按照《》梳理的顺序，我们来说一说Autoware中的初始化操作，这个软件包当中完成了ekf_localizer发送初始姿态的包。它接收来自GNSS/用户的粗略估计的初始姿态。将姿态传递给ndt_scan_matcher，并通过服务从ndt_scan_matcher获取计算出的自我姿态。最后，它将初始姿态发布到ekf_localizer。

这一讲按照《Autoware 技术代码解读（三）》梳理的顺序，我们来说一说Autoware中定位的工具以及error诊断，这一章还是比较简单的，里面的内容也比较清晰。

这一讲按照《Autoware 技术代码解读（三）》梳理的顺序，我们来说一说Autoware中基于地标的定位，这里的地标可以是：相机检测到的AR标签，还可以是通过LiDAR检测到的强度特征的板块。由于这些地标易于检测和估计姿态，如果地图上预先标注了地标的姿态，那么可以从检测到的地标的姿态计算出自我姿态。该代码实现了一个基于ArUco标记的定位器节点，其中包含了构造函数和设置节点参数、日志记录、tf变换、图像传输、订阅者和发布者等功能。设置函数setup()用于初始化节点参数、日志记录、tf变换、图像传输、订阅

我们在上一篇中给我们的定位开了一个头，下面我们继续按照按照《Autoware 技术代码解读（三）》梳理的顺序，我们一个个慢慢来看与学习。这一讲我们来看GEO坐标转换与带有IMU的里程计。

对于AutoWare，我们已经讲了很多了，从这一篇我们开始进入实战，按照《Autoware 技术代码解读（三）》梳理的顺序，我们一个个慢慢来看与学习，首先第一个就是基于ekf的滤波定位。扩展卡尔曼滤波定位器通过将二维车辆动力学模型与输入的自我姿态和自我扭矩信息进行整合，估计出鲁棒且噪音较小的机器人姿态和扭矩。

全局路径规划在车辆启动或重启的时候被确定，局部路径根据车辆的状态进行实时更新。例如，如果车辆在障碍物前或停止线前，车辆状态变为“stop”，那么车辆的速度就被规划为0。Autoware分为Autoware.core 和Autoware.universe 两个版本，其中Autoware.core 是稳定版，Autoware.universe 是开发者版本。检测模块使用摄像头和激光雷达，结合传感器融合算法和深度学习网络进行目标检测。的整体框架和模块主要包括感知和规划两大部分。

对应的原版内容在Github这一章会按照Autoware的选项卡的顺序来介绍功能：首先，要启动。

Autoware.AI是世界上第一个用于自动驾驶技术的“All-in-One”开源软件。它ROS1操作系统，并在Apache2.0许可下使用。定位（Localization ）：通过结合GNSS和IMU传感器的3D地图和3D地图、SLAM算法来实现定位。检测（Detection ）：通过传感器融合算法和深度神经网络使用摄像机和激光雷达完成检测。预测和规划（Prediction and Planning ）：基于概率机器人模型和基于规则的系统，部分还使用深度神经网络。