预测控制

AUTOWARE架构

回眸只為那壹抹淺笑 提交于 2020-01-16 04:25:23
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

ip网络QoS

丶灬走出姿态 提交于 2020-01-08 04:51:36
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

ip网络QoS

吃可爱长大的小学妹 提交于 2020-01-05 09:25:34
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

姿态控制的ekf预测控制与结算学习

女生的网名这么多〃 提交于 2019-11-27 08:11:35
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

这一生的挚爱 提交于 2019-11-26 00:44:59
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