Autoware结构概览

1.传感器 Sensing

Camera

LiDAR

RADAR

IMU

GPS/GNSS

2.计算 Computing

2.1 感知 Perception

Autoware的感知能力由定位、检测、预测组成。
通过结合GNSS和IMU传感器的3D地图和SLAM算法来实现定位。
检测中，使用具有传感器融合算法和深度神经网络的摄像机、LiDAR。
预测基于定位和检测的结果。

1）定位 Localization

• lidar_localizer使用来自LiDAR的扫描数据和预先安装的3D地图信息，计算车辆在全局坐标中的（x，y，z，roll，pitch，yaw）位置。
• gnss_localizer将NMEA消息从GNSS接收器转换到（x，y，z，roll，pitch，yaw）位置，此结果可以作为车辆的位置，也可以用于初始化和补充lidar_localizer的结果。
• dead_reckoner主要使用IMU传感器预测车辆的下一帧位置，并插入lidar_localizer和gnss_localizer的结果中。

2）检测 Detection

• lidar_detector从3D激光扫描仪读取point cloud数据，并提供基于LiDAR的物体检测功能。该功能主要来自Euclidean Clustering算法，可在地面上找到LiDAR扫描（point cloud）的集群。为了对集群进行分类，还支持基于DNN的算法，例如VoxelNet和LMNet。
• vision_detector从摄像机中读取图像数据，并提供基于图像的物体检测功能。为了执行单个DNN以达到实时性能，主要的算法有：R-CNN，SSD和Yolo。支持多种类型检测，例如车辆和乘客。
• vision_tracker提供了对vision_detector结果的跟踪功能。该算法基于超越像素Beyond Pixels。将跟踪结果投影在平面图像中，并通过fusion_tools与lidar_detector在3D空间中的结果结合。
• fusion_detector可以从激光扫描仪中读取point cloud数据，也可以从摄像机中读取图像数据，并在3D空间中实现更精确的目标检测。激光扫描仪和摄像机的位置必须事先校准。当前的实现基于MV3D算法，与原始算法相比，具有较小的网络扩展性。
• fusion_tools结合了lidar_detector和vision_tracker的结果。由vision_detector标识的分类信息，将添加到由lidar_detector检测到的point cloud集群中。
• object_tracker预测由以上程序包检测和识别到的物体的运动。跟踪的结果可以进一步用于预测物体的行为和估计物体的速度。跟踪算法基于Kalman Filters算法。另一个变体也支持Particle Filters。

3）预测 Prediction

• object_predictor使用上述对象跟踪的结果来预测运动物体未来的轨迹，例如汽车和乘客。
• **collision_predictor **使用object_predictor的结果，来预测车辆是否会与运动中的物体发生碰撞。除了物体的跟踪结果外，还需要车辆的运动轨迹和速度信息作为输入数据。
• cutin_predictor使用与collision_predictor相同的信息来预测相邻车辆是否在自己车辆的前面切入。

2.2 决策 Decision

Autoware的决策模块跨越了感知模块和计划模块。根据感知的结果，Autoware做出驾驶行为的决策，驾驶车辆的状态必须是有限的，以便可以选择合适的计划。当前的决策方法是基于规则的系统。

1）Intelligence

• Decision_maker订阅了与大量感知perception的结果、地图信息、当前状态有关的topic，以便发布下一时刻状态的topic。状态改变时，将激活合适的planning功能。

2）State

• state_machine在预先定义的规则下，与decision_maker一起改变车辆状态。

2.3 计划 Planning

该模块的作用是根据感知模块perception和决策模块decision的结果制定全局任务和局部（temporal）运动的计划。通常在车辆启动或重启时确定全局任务，同时会根据状态变化更新局部运动。例如，如果将Autoware的状态设置为“停止”，则车辆的速度将会在物体的安全距离或在停止线处变为零。另一个例子，如果将Autoware的状态设置为“avoid”，则车辆的运动轨迹将会绕过障碍物。

1）Mission

• route_planner搜索到目的地的全局路线，路线由路线网络中的一组交叉路口表示。
• lane_planner根据route_planner发布的路线，确定要使用哪些lanes。lanes由一组waypoints表示，即多个waypoints（每个waypoints对应一条lane），由此程序包发布。
• waypoint_planner也可以用于生成到目的地的一组waypoints。该程序包与lane_planner的不同之处在于，它发布的是waypoints的单个路线stroke，而不是waypoints的数组。
• waypoint_maker是一种实用工具，用于保存和加载手动添加的waypoints。要将waypoints保存到指定文件，您可以在激活定位（localization ） 后手动驾驶车辆，并且Autoware会根据速度信息记录行驶路径上的waypoints。以后可以从指定文件中加载这些已记录的waypoints，使计划模块中的motion订阅它们来follow该路径。

2）Motion

• velocity_planner根据从lane_planner或waypoints_planner或waypoints_maker 订阅的waypoints 更新速度计划，实现加速或减速，以应对周围的车辆和路况信息（ 例如停车线和红绿灯）。请注意，内嵌在给定的waypoints中的速度信息是静态的，而此程序包会根据驾驶场景更新速度计划。
• astar_planner实现了*混合状态A 搜索算法，该算法生成从当前位置到指定位置的可行路线。该软件包可用于避开障碍物，并在给定的waypoints 上急转弯，以及在空旷空间（free space）（例如停车场）中进行路线规划。
• adas_lattice_planner实现了状态格规划算法，该算法基于样条曲线、预先定义的参数表和ADAS映射（也称为矢量映射）信息，在当前位置生成多个可行的路线。该软件包主要用于避障和变道（lane）。
• waypoint_follower实现了Pure Pursuit算法，该算法生成一系列组合的速度和角速度（或正角），车辆做匀速圆周运动，将车辆从给定的waypoints移动到目标的waypoints。该软件包应与velocity_planner，astar_planner和adas_lattice_planner结合使用。所发布的速度和角速度（或正角）组合的集合将由车辆控制器或线控接口读取，最终实现车辆的自动控制。

3.执行 Actuation

• Autoware已安装在许多有线车辆上并经过测试。
• Autoware的计算输出是一组速度，角速度，车轮角度和曲率。这些信息作为命令，通过车辆接口发送到线控器。线控器需要控制转向和油门。