预测控制

AUTOWARE架构 传感层（Sensing） 计算层（Computing） 感知（Perception） 定位（Localization） 检测（Detection） 预测（Prediction） 决策（Decision） 智能（Intelligence） 状态（State） 规划（Planning） 任务规划（Misson） 运动规划（Motion） 执行模块（Actuation） 本文参考了https://github.com/autowarefoundation/autoware/wiki/Overview 主要描述了Autoware的整体框架和模块描述，主要包括传感模块（Sensing），计算模块（Computing）和执行器模块（Actuation）三大模块。计算模块下又包含了感知过程（Perception），规划过程（Planning）和决策过程（Decision）三大过程。 传感层（Sensing） Autoware支持相机（Camera），激光雷达（LiDAR），惯导（IMU）和GPS作为基础传感器，并提供了多种传感器的驱动 Autoware支持多个相机，但是每个相机需要被分配到独立的工作，同时不支持将多张图像融合成为一张图像（即不支持全景拼图） Autoware的传感器部分主要基于激光雷达，也支持毫米波雷达用于长距离的目标跟踪

http://www.netsp.com.cn/Article/netbasic/basic/200508/20050816165549.html http://www.netsp.com.cn/Article/netbasic/basic/200508/20050816165549.html 当数据流进入M PLS网络时，入口标 签交换边缘路由器LER首先将数据流映射到某个转发等价类FEC(转发等价类是指网络中沿相同路径进行转发的一类分组的集合)。再根据FEC为每个分组加上固定长度的短标签。每个FEC对应的标签是由基于限制路由的标签分发协议CR—LDP根据路由协议(如OSPF、RIP、BGP协议)以及考虑到带宽的可用性和业务特性分发给各个LSR和LER的。进入MPLS网络以后，标签交换路由器LSR不再根据原来的分组中的信息转发数据，而只是仅仅根据分组所携带的标签进行交换式转发。由于分组在通过网络时只需一次路由，转发时无需做传统意义上的路由判断(如查找路由表)，从而提高了转发速度。另外，CR—LDP避免了以前LDP协议分发标签时只是根据传统路由协议来分发标签：而传统路由协议是基于最短路径算法的，容易导致多条标签交换路径LSP选用同一系列LSR，进而可能使部分网络出现拥塞，而网络的其它部分仍有可用资源，极大地浪费了网络资源。CR —LDP在分发标签时充分考虑了带宽的可用性和业务特性

http://www.netsp.com.cn/Article/netbasic/basic/200508/20050816165549.html http://www.netsp.com.cn/Article/netbasic/basic/200508/20050816165549.html 当数据流进入M PLS网络时，入口标 签交换边缘路由器LER首先将数据流映射到某个转发等价类FEC(转发等价类是指网络中沿相同路径进行转发的一类分组的集合)。再根据FEC为每个分组加上固定长度的短标签。每个FEC对应的标签是由基于限制路由的标签分发协议CR—LDP根据路由协议(如OSPF、RIP、BGP协议)以及考虑到带宽的可用性和业务特性分发给各个LSR和LER的。进入MPLS网络以后，标签交换路由器LSR不再根据原来的分组中的信息转发数据，而只是仅仅根据分组所携带的标签进行交换式转发。由于分组在通过网络时只需一次路由，转发时无需做传统意义上的路由判断(如查找路由表)，从而提高了转发速度。另外，CR—LDP避免了以前LDP协议分发标签时只是根据传统路由协议来分发标签：而传统路由协议是基于最短路径算法的，容易导致多条标签交换路径LSP选用同一系列LSR，进而可能使部分网络出现拥塞，而网络的其它部分仍有可用资源，极大地浪费了网络资源。CR —LDP在分发标签时充分考虑了带宽的可用性和业务特性

代码框架篇 代码的主要结构由ekf2_main.cpp, estimator_interface.cpp, 和ekf.cpp，ekf_helper.cpp 互相交互，在加上底层的的一系列处理文件。 事实上，之前花费了一周的时间，画的流程图意义和价值很大，这让我在程序代码分析的时候更加直观 流程图的连接见： https://download.csdn.net/download/weixin_39350416/11546415 接下来我该做什么呢，主要分析一下，updated（）函数中的五个步骤 1。 预测状态 2。预测协方差 3。 控制融合模式 4。 运行地形估计 5。计算输出状态（输出状态的论文已经梳理过了，但是程序还需要再仔细琢磨） 然后我们现在从预测状态开始 predictState(); predictCovariance(); 这两个函数的主要任务就是执行主过滤器的状态和协方差预测； controlFusionModes(); 这个函数控制融合观测数据 刚刚把第一个状态预测函数过了下，这个函数在ekf.cpp中 确实是根据δ角度和δ速度，校正当前的角度和速度，然后校正垂直方向的速度，和位置信息。 现在过预测协方差，这个函数在协方差的大文件里，covariance.cpp中 这个预测协方差主要做协方差的计算，但是这个内部协方差是计算还是置位，都是有条件的

自动驾驶课程学习 课程来源： 百度apollo 第一章：概述 自动驾驶的五个层级 完全人工控制-部分自动化-有条件的自动化（人类需要随时准备接管）-有地理围栏的自动化-完全自动化 利用云计算来加速计算，算力要达到十倍家用电脑左右 无人驾驶的运作方式 sensor fusion 通过激光扫描来感知周围环境 localization 要利用算法和高精度地图将距离限定在厘米级别 无人驾驶车的组成 CAN（控制器区域网络）、GPS、雷达和接收器、摄像头 雷达的弊端：无法分辨障碍物的类型 雷达的优点：便宜、不受天气条件影响、测速方便 第二章：高精度地图 高精度地图简介 在高精度地图上进行自定位：将高精度地图和车辆通过雷达和摄像机感知到的环境对比，从而准确找到自己的位置：预处理（去掉不合理数据）、坐标转换（将不同视角的数据转化到同一坐标系下）、数据融合（将不同车辆和不同传感器的数据融合）。 利用高精度地图进行探测：借助地图上的数据，弥补传感器在测量长度以及测量条件上的限制，也可以通过地图给出大概范围，从而缩小传感器探测的范围（感兴趣区域，ROI），提高速度和准确率。 利用高精度地图进行规划：和普通地图在导航软件上的使用类似 地图维护团队需要经常地对地图进行更新。 OpenDRIVE标准 高精度地图的生产： 第三章：定位 在高精度地图上确定自己的位置 GPS只能达到1-3m的精度