Apollo星火计划学习笔记第六讲——Apollo感知模块详解实践2感知基础

零、目录

一、Apollo感知框架介绍

1.1 检测和分类

1.2 跟踪

感知要实现的功能：

• 红绿灯检测
• 车道线检测
• 基于相机的障碍物检测
• 基于点云的3D障碍物检测
• radar检测

1.3 感知模块代码结构

1.3.1 感知模块入口

看代码从此处开始

dag文件启动：

mainboard -d 路径/***.dag
1

上图所示为conf文件下一个64线Lidar的配置文件。

value：对应配置文件的目录

二、Lidar障碍物检测、红绿灯识别

2.1 Lidar感知模块

流程：
点云预处理→3D障碍物检测→目标追踪→融合

输出：
type类型（车辆、行人、非机动车道？）、distance目前空间中的位置、velocity（当前速度）、航向角（heading）

2.1.1 dag文件

首先需要了解dag文件。

上图流程中检测到的障碍物detection objects是单帧的。

module_config：
module_library：说明最终会生成一个二进制文件.so
components：实现哪些功能
components/config_file_path：即1.3.1中的config文件，其config目录
reader：该模块读取哪个channel的数据

检测模块

上游：128线激光雷达拿到的数据

点云补偿等

输出：检测到的障碍物

追踪模块

输出：融合之前的障碍物

融合模块

fusion_method：概率融合

2.1.2 源码追溯

通过.so可执行文件搜索其源码，可知它由如下build文件产生。

deps：再查看deps中的target——inner_lidar又由什么生成，同理一层一层寻找。

可在component的BUILD里边查看。

2.1.3 具体实现—检测模块

代码结构

proto文件和配置文件相互对应

设计模式

比如右侧detector：可通过多种方式实现，但实现的时候只能采用其中一。通过配置文件选取指定detector。

补充CNN和Pointpillars

图片是三个通道。

9个通道：
(x,y,z)：空间位置
r：点云强度
xc：中心
其他点云点相对于中心的偏移

再类似图像的3个通道卷积，这里对9个通道进行卷积操作。

紫色圆框：先缩小分辨率；再上采样（方便检测体积不同的障碍物）

2.1.4 具体实现—追踪模块

代码结构

匹配过程中考虑因素：类型相近、大小、heading等。

得到障碍物轨迹后可用来做预测：如下2为直行趋势，3为右转趋势。

optimizer里边。

1可以匹配的有a和b，所以可暂时1匹配a；

2可以匹配的有b和c，所以可暂时2匹配b；

此时3已无新的可匹配项，故让3匹配a，再让1匹配另一个（此时1还有得选），依次推到2也要更改匹配为c。

d：可能是新出现的障碍物
4：可能是已经消失的障碍物，若持续几帧还未检测到，则将之抛弃。

location距离不会相差太大；
direction即heading也不会相差太大，不太可能前一帧向前后一帧向后；
大小。

最下函数专门计算各个维度的distance。

代码结构

• 关联模块
• 测量值模块
• 多激光雷达融合模块
• 地图分割模块（目前貌似未使用）

右下思维导图解析：

• 首先由MlfEngine实现，其分为两个模块MlfTrackObjectMatcher和MlfTracker；
• MlfTrackObjectMatcher：数据匹配模块，即上述匈牙利匹配和distance计算；distance_collection收集进行匹配所需要的数据后交由MlfTrackObjectDistance进行计算最终得出一个权重送到二分图中进行匈牙利匹配，匹配有前景和后景（Gnn）两个匹配；
• 匹配完成后需要对运动状态进行更新：两个模块，形状更新（shape）和速度信息之类（motion）更新；同样需要收集当前数据信息再进行计算后refine。

卡尔曼滤波

假设它匀速运动，可得到Xt时刻的位置：

Xm为地图测量得到的位置

此时该信哪一个位置呢？Xt还是Xm？

可通过权重分配进行计算，若传感器精度较为精确，可赋予Xm更高的权重后进行计算：

2.1.5 具体实现—融合模块

上述tracking障碍物已具有速度。

• 第一步：关联

代码结构

左上：max_lidar_invisible_period，允许最大跟丢时间；不同传感器设定不同阈值；

右下：每个传感器特性不一样因此每个传感器融合的距离也有所不一。

配置文件先打开。

从include里边找到依赖库

此时是基类，可查看是哪里引用了它，便可找到它的派生类。

DS证据理论

2.2 红绿灯识别

dag文件

若果没有红绿灯信息会返回进行下一次的查询；

获取红绿灯ID后获取其在点云中的位置（高精地图中的位置）；
长焦摄像头：

短焦摄像头：

这张会被舍去，转而锁定短焦摄像头那一张；若两张摄像头都可见，则选择清晰的那一张。

投影后：

时序预测修正

三、模块的启动方法和基础配置

四、感知模块启动视频演示