qq_45577461的博客

本课程由Apollo团队面向对自动驾驶感兴趣的开发者免费开放的课程，可以从微信公众号“Apollo开发者社区”中学习，也可以从“Apollo开发者”官网学习。无人驾驶概览1.自动驾驶主要模块2.无人驾驶车简介3.无人驾驶车的运作方式4.参考车辆和硬件平台5.开源软件架构6.云服务无人驾驶开源部分的主要内容，包括高精地图HD Maps、定位Localization、感知Perception、预测Prediction、规划Planning、控制Control等模块。高精度地图几乎支持着软件栈的所有其他.

高精度地图主要服务于自动驾驶车辆，通过一套独特的导航体系，帮助自动驾驶解决系统性能问题，扩展传感器检测边界。目前Apollo内部高精度地图主要应用在高精定位、环境感知、决策规划、仿真运行四大场景，帮助解决林荫道路GPS信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。 ——Apollo开发者社区1.高精度地图高精度地图包含大量的驾驶辅助信息，最重要的信息是道路网的精确三维表征，例如，交叉路口和路标位置。高精度地图还包含很多语义信息，地图可能会报告交通灯上不同颜色的含义，也可能指示道路的速.

定位是让无人车知道自身确切位置的方法，定位对于无人驾驶车的重要性不仅体现在找出车辆自身的大致方位，更在于以厘米级的标准将车感信息与高精地图信息进行比较来精准确定车辆位置。定位1.定位2.定位方法GNSS RTK惯性导航激光雷达定位视觉定位Apollo定位1.定位最常用的定位方法是将汽车传感器所看到的内容与地图上所显示的内容进行比较。车辆传感器可以测量车辆与静态障碍物之间的距离， 这些距离和静态障碍物的方向是在车辆自身的坐标系中测量的。在车辆自身的坐标系中，车辆的前进方向始终向前，坐标系正方向始终与车

感知是无人驾驶车用静态摄像头和其他传感器来感知环境，需要使用大量计算机视觉技术。计算机视觉是指计算机如何看待和理解世界的方式，在如今的计算机视觉中最广泛使用的是CNN方法。感知1.计算机视觉2.摄像头图像3.LiDAR图像4.机器学习5.神经网络6.反向传播算法1.计算机视觉无人驾驶车有四个感知世界的核心任务：检测Detection——指找出物体在环境中的位置；分类Classification——指明确对象是什么；跟踪Tracking——指随时间的推移观察移动物体；语义分割Segmentat

将复杂的车辆运动转化为车道转换序列，从而减少场景数量、更快地进行预测；然后使用现有观测值以车道序列表示，训练神经网络来进行预测；最后将车道序列预测与车辆物理结合起来，为每个物体生成估计的轨迹。运动预测对于在规划中构建无碰撞的安全路径至关重要。预测1.预测2.预测方式基于模型预测数据驱动预测基于车道序列预测3.障碍物状态4.递归神经网络RNN在目标车道预测的应用5.轨迹生成1.预测无人车需要预测周围移动物体的行为，确保做出最佳决策。通过生成预测路径预测其他物体的行为，在每一个时间段内会为每一辆汽车重新计

规划需要结合高精度地图、定位、预测的知识，从路线导航和轨迹生成两方面构建车辆轨迹。规划1.规划2. A*搜索算法将地图转为图A*算法3.轨迹生成3D轨迹评估一条轨迹4. Frenet坐标5. 路径-速度解耦规划路径-速度解耦规划路径生成与选择ST图速度规划优化轨迹生成6.Lattice规划Lattice规划ST轨迹的终止状态SL轨迹的终止状态Lattice规划的轨迹生成1.规划路线规划，目标是找到从地图上的A前往B的最佳路径，侧重于研究如何从地图上的A点前往B点。在路线导航时，将地图数据作为输入，并

控制实际上是无人驾驶汽车实现自动移动的方式。在控制中，通过转向、加速和制动来运行目标轨迹。PID控制是一种简单而强大的控制算法，线性二次调节器和模型预测控制是另外两种类型的控制器，它们更复杂，但也更强大、更准确。Apollo支持所有这三种控制器。控制1. 控制控制控制流程2. PID控制3.线性二次调节器LQR4. 模型预测控制MPC1. 控制控制控制是驱使车辆前行的策略。对于汽车而言，最基本的控制输入为转向、加速和制动。通常，控制器使用一系列路径点来接收轨迹。控制器的任务是使用控制输入让车辆通过这