Coulson的博客

文章同步到我的知乎专栏：SUNM的实验室, 欢迎关注一、引言自动驾驶中IMU起到了越来越重要的作用。对于定位环节来说，首先，IMU不依赖于外界环境进行定位，只要精度高，漂移少，那么IMU提供的定位信息是很准的，而且频率也高。其次，IMU可以弥补GPS更新频率慢的问题，还可以用于辅助激光SLAM定位，例如为激光SLAM建图提供一个初始的位姿估计。但是IMU不同品质价格差异巨大，精度高的IMU可...

引言想做一个自动驾驶的demo，用于算法的验证和展示。目前完成了车辆平台的搭建和电机控制，后续会陆续更新其他部分：路径规划、激光slam建图与定位，语义地图的构建，控制算法等等。硬件平台：计算平台Jetson TX2arduino-uno车载平台RC-car传感器velodyne-16Razor-9dof-imu整个基本框架是Jetson TX2做上层感知，...

引言描述一种基于激光雷达的技术路线。一、NDT_mapping用途：使用激光雷达点云数据创建3D地图使用的传感器：16线激光雷达 + IMU二、NDT_matching用途：基于建好的3D地图和车辆当前扫描的点云帧，得到车辆位置和朝向三、云端地图生成用途：录制云端轨迹数据，用于将来下发给车端，最终生成一系列目标轨迹点waypoints，每一个点都包含了位置和速度信息，用于我们之...

引言本文参考Autoware_wiki_overview，主要描述了Autoware的整体框架和模块描述，主要包括感知和规划两大部分。感知包括定位模块，检测模块，预测模块。定位模块使用3D map和SLAM算法来实现，辅助以GNSS和IMU传感器。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。预测模块使用定位和检测的结果来预测跟踪目标。规划模块主要是基于感知的...

一、引言最近在为车辆添加障碍物检测模块，障碍物检测可以使用激光雷达进行物体聚类，但是我们使用的是16线的velodyne，线数还是有些稀疏，对于较远的物体过于稀疏的线数聚类效果并不好，因此考虑使用视觉进行目标检测，然后投影到3D点云里面，获取障碍物位置，同时视觉还可以给出障碍物类别信息。使用视觉进行目标检测，将检测结果2D bounding box坐标信息投影到点云里面获得3D boundin...

一、引言目前为系统添加了局部路径规划模块，结合之前做的视觉激光雷达信息融合模块，系统需要进一步对避障部分进行处理。局部路径规划总的来说是在全局路径规划模块下，结合避障信息重新生成局部路径的模块，上层的全局路径规划确定了A到B的一个全局路径，不过轨迹跟踪模块(比如 pure persuit)实际进行跟踪的不能是这个直接生成的全局路径，因为系统实际工作可能会有其他情况发生，轨迹跟踪模块实际跟踪的是...