beginning

• 智能车团队交流:

1.环境感知：
   传统方法机器学习：逻辑回归，向量机
   越野车:可控区，不可控区
2.深度学习轻量化:散热，功耗，实车应用
   场景理解:涉水，下雪等 激光雷达:烟雾，扬尘障碍物，不同场景，控制算法不同
3.同步定位与地图创建（SLAM):两种传感器激光雷达，视觉(受限较多，如出隧道时)，关键是找到特征
4.行为决策(多车交互)：驾驶风格：人的激进或保守，两车之间的博弈
5.智能网联：V2X引导下车辆信号灯路口通行，车载传感器受限(30-49米)
   V2V的遮挡情况下的AEB技术
   汽车列车 风阻减少
   通信:时间延时，丢包
6.路径规划:高维规划，以给定角度车速，约束的增多，舒适性，到达目的点
高速下的路径规划
7.运动控制:苦
8.预期学习结果Intended Learning Outcomes,ILOS
   贝叶斯框架定位
   延时分应用场景，安全，娱乐，大数据
   差分gps,激光雷达，摄像头
   协同定位，协同控制
   毫米波雷达穿透能力强，价格便宜
   激光雷达受颗粒物，灰尘等影响，价格贵
   一线雷达一万，一个平角扫射（多线的便是三维激光雷达）

---

• 实习记录：

1.错误原因：网络，重启，加sudo，上一部没做好
2.permission denied :重启，
3.apollo源码分析
4.ssh ID@i
5.quadprog 二次规划
6.调参吃xiang？
7.apollo 控制模块算法执行流程
8.ssh cidi@192.168.10.129
   bash docker/scripts/dev_start.sh
   bash docker/scripts/dev_into.sh
   cyber_recorder record -c apollo/control 目录
   ctr+c停止记录
   python data/control.py 文件名   画图
   lateral error 横向误差
   heading error 航向角误差
   exit完后需要重新 start 
9. cyber RT 基于协程的任务模型
  规划 要在100ms延迟内
  Reader 读取
  Writer 发送
  Padmessage 手动发送命令
  Relative map:参考线生成：道路中心线或根据定位
  Writer<ADCTrajectory>> planning_writer_往前规划8s左右
  deps 依赖
10.cyber_recorder –help 查看帮助
   chassis 底盘
   cyber_recorder play -f data/bag/for_huanglu.record 播放包
   cyber_recorder info data/bag/for_huanglu.record 查看包的信息
   cyber_launch start modules/drivers/velodyne/launch/velodyne.launch 启动激光雷达
11.重卡环境感知，刹车距离长，感知范围变大
     平均冗余度>2，误检重要度高于漏检（fusion解决）
     单目camera无（z信息，尺度信息远近）fusion→track id跳变，双目可以生成三维点云
12.两种路线：
     特斯拉路线 感知的精度要求高，成本低，毫米波+camera <=L3
     waymo,apollo:定位要求在cm级（前提是高精度地图）
     隧道，高楼，室内无GPS，本身无法提供定位
    激光点云匹配->distance
    slam：视觉里程计IMU->积分误差，回环检测
    2D to 2D:对极几何
    3D to 2D：PnP
    3D to 3D:  ICP
    两帧：姿态变化 多帧：里程计

13.安装文件 sudo dpkg -i ...deb

修复 sudo apt-get install -f

配置流程 sudo apt-get update

sudo apt-get install exfat-utils

拷贝两个压缩包 apollo_image.tar.gz ,cidi_ai.tar.gz

sudo bash install_docker.sh

docker load -i apollo_image.tar.gz

解压 cidi_ai.tar.gz

cd cidi_ai

bash docker/scripts/dev_start.sh

bash docker/scripts/dev_into.sh

bash apollo.sh build

14.Lidar 输出点云（x,y,z,I(强度））

神经网络输出（需要训练集）分成好多分，每一个有不通的特征通道，进行聚类（点之间的距离，密度）生成中心（K-means),线拟合->形状

每一帧数据之间的联系

感知需要提供速度信息（跟踪某个物体,匈牙利匹配）速度预测（KF，观测值与预测值融合，速度平滑，不会在短时间内跃变），激光雷达10hz，摄像头15hz

类型识别（人和车的运动轨迹不同）

15.坐标系：传感器：激光FLU

                                  IMU

                    车辆坐标系

                    世界坐标系：不变

转换（统一到同一坐标系）：transform

x,y,z的移动

三个角度（四元数）（欧拉旋转万向节锁死？）

共7个参数表征两坐标系相对位置(外参）

原数据左乘一个4*4矩阵

16.计算硬件：FPGA：功耗小，可以并行计算

                       GPU：纯计算能力强

                       CPU：逻辑与相关性计算

V2X：通过OBU/RSU与车辆传输数据（T-box)

黑匣子：发生事故时记录车辆速度与底盘数据

17.传感器布置：1.从他的优缺点，范围，类型识别的能力，对于位置，尺寸，速度的感知精度，安装位置，车辆本身性能（安全性，平顺性），法规要求，数据传输处理难易

                           2.安全，优势互补->冗余，分主次（精度，成本？）

                           3.成本，数量（正方，侧方）

18.usb相机（15hz）两条线：图像帧传输线，每一帧对应一个时间戳

为了保证低延时，准确的timestamp：

• 给其15个脉冲<——GPS/IMU

• 自触发模式

• 通过驱动强制盖时间戳