Autoware源码总结
Autoware源码网站
项目简介
教程
Autoware的整体架构如下图，主要包括传感器sensing、高精地图map data、车辆接口vehicle interface、感知perception（动态障碍物检测detection、跟踪tracking、预测prediction；交通信号灯检测detection、分类classfier）、定位localization、规划planning、控制control，
源码网站中仓库总共42个，主要库分别如下：
项目简介库2个：autoware、autoware-documentation、
感知和定位库：autoware_ai_perception
规划和控制库：autoware_ai_planning
传感器驱动和车辆接口：autoware_ai_drivers
仿真库2个：autocore_sim、autoware_ai_simulation
通用代码库：autoware_common、autoware_ai_common
可视化库：autoware_ai_visualization
消息库 2个：autoware_msgs 、autoware_ai_messages
launch文件库5个：sample_sensor_kit_launch、sample_vehicle_launch、autoware_launch、awf_reference_vehicle_launch、awf_reference_sensor_kit_launch。
感知和定位仓库
该仓库包括感知和定位算法。
lidar_localizer
该模块基于激光雷达定位，包括ICP和NDT两种定位方式。
NDT
1.NDT通过下面4中方式实现,，通过math_type参数设置;
1）pcl_generic=0：直接用PCL点云库中方法实现
2）pcl_anh=1：具体实现方法在autoware_ai_perception/ndt_cpu中，源码中没有实现的代码。
3）pcl_anh_gpu=2：具体实现在autoware_ai_perception/ndt_gpu中，源码中没有实现的代码，其使用GPU加速NDT过程。
4）pcl_openmp=3：具体实现在autoware_ai_perception/pcl_omp_registration中，源码中有实现代码，其使用OPENMP多线程技术加速ndt过程。
2.算法流程
算法中关键函数如下，算法的接口是参考PCL中NDT设计的（见ndt.h）,其主要参考Magnusson的博士论文（The Three-Dimensional Normal-Distributions Transform - an Efficient Representation for Registration, Surface Analysis, and Loop Detection.）第6章实现的：
1）initialpose_callback：通过initialpose（geometry_msgs::PoseWithCovarianceStamped）话题得到初始位姿
2）map_callback：通过points_map（sensor_msgs::PointCloud2）话题得到地图，并设置ndt算法参数：ndt.setResolution(ndt_res=1.0)、ndt.setInputTarget(map_ptr){}、ndt.setMaximumIterations(max_iter=30)-计算尺寸为ndt_res单元格的PDF、ndt.setStepSize(step_size=0.1)、ndt.setTransformationEpsilon(trans_eps=0.01)。
3）points_callback：通过filtered_points（sensor_msgs::PointCloud2）激光雷达数据话题，转换成pcl格式的filtered_scan_ptr指针，将其输入ndt（setInputSource(filtered_scan_ptr)），根据imu和odom数据估计当前帧位姿初值init_guess。使用align(*output_cloud, init_guess)估计当前帧位姿。通过ndt.hasConverged()、ndt.getFinalTransformation()、ndt.getFinalNumIteration()、ndt.getFitnessScore()、ndt.getTransformationProbability()可读取ndt估计结果。
ICP
ICP调用PCL库ICP方法中实现：
1）initialpose_callback：通过initialpose（geometry_msgs::PoseWithCovarianceStamped）话题得到初始位姿
2）map_callback：通过points_map（sensor_msgs::PointCloud2）话题得到地图，并设置ICP算法地图：icp.setInputTarget(map_ptr)。
3）points_callback：通过filtered_points（sensor_msgs::PointCloud2）激光雷达数据话题，转换成pcl格式的filtered_scan_ptr指针，将其输入icp（icp.setInputSource(filtered_scan_ptr)），根据imu和odom数据估计当前帧位姿初值init_guess。通过icp.setMaximumIterations(maximum_iterations=100)、icp.setTransformationEpsilon(transformation_epsilon=0.01)、icp.setMaxCorrespondenceDistance(max_correspondence_distance=1.0)icp.setEuclideanFitnessEpsilon(euclidean_fitness_epsilon=0.1)、icp.setRANSACOutlierRejectionThreshold(ransac_outlier_rejection_threshold=1.0)设置算法参数，使用align(*output_cloud, init_guess)估计当前帧位姿。通过icp.getFinalTransformation()、icp.getFitnessScore()、可读取估计结果。