acados-mpc建模(二) 引言 在前一节中,我们介绍了如果使用casadi进行车辆运动学建模,同时对acados进行简单介绍,在这一节中,我们将以mpc应用为例,介绍如果使用acados建模优化问题,并进行求解。 mpc优化建模 其中代码以注释的形式进行讲解 初始化 ocp = AcadosOcp()# 创建最优化问题 ocp.code_export_directory
描述 如题。一年前我写过另外一篇位姿变换的文章,但最近事情太多,脑子乱的很。而我又面临一些比较重要的开发任务,其中会涉及到一些简单的坐标变换。但坐标系有很多,导致我写代码时总得再花点时间来确定什么基坐标系啊自定义坐标系。 于是,我决定再写一篇更直白的文章,以节省以后的时间。这篇文章会涉及到自动驾驶或移动机器人领域可能遇到的坐标变换场景,对于变换后的数据点或特征点,再介绍一些好用的处理办法。
acaods-mpc建模(一) 引言 这一节将使用acados进行运动学建模和优化求解,在运动学建模的过程中,使用casadi进行符号表示辅助建模。 运动学建模 在前面的博客中,我们介绍了车辆运动学模型,在这一部分,我们将使用casadi对车辆运动学模型进行建模。 casadi简介 https://web.casadi.org/ 以上是casadi的官网,从上面可以看到casadi是
笛卡尔坐标系转frenet坐标系 引言 在自动驾驶领域,笛卡尔坐标系和frenet坐标系是两种非常常用的坐标系,他们两种方式应用在自动驾驶领域各有千秋,互为补充。今天我们就来浅析一下这两种坐标系。 笛卡尔坐标系 笛卡尔坐标系,是一个我们从小学开始就有学到的坐标系,法国数学家、哲学家勒内·笛卡尔于1637年在《几何》(_La Géométrie_)中发表了关于笛卡尔坐标系的研究[1]。 笛
车辆运动学建模(二) 引言 上一节我们介绍了以车身速度来约束姿态变化的运动学建模方式,这一节我们来看一下使用轮向速度约束姿态变化的运动学建模方法,同时给出状态空间方程的表示形式。 车辆几何模型-约束-轮向速度约束 在上一节我们介绍了使用车身速度约束得到的角速度相关的角速度状态方程,在这一节我们来看下基于车辆前轮速度约束的得到的状态方程。 在这种建模方式中,我们假设车辆整体沿着世界坐标系x
车辆运动学建模(一) 引言 车辆运动学模型对于学习自动驾驶知识,应用自动驾驶算法来说是必不可少的基础知识。网上对于这部分知识的讲解文章也有很多,但是有些细节没有过多描述,这对于新人来说可能不是那么友好。这个系列的文章将以简单的自行车模型为例,讲解车辆运动学模型的理论知识,最后将会编程进行验证。 位置建立在车辆后轴中心的运动学模型 概述 运动学模型建模的方法大致有自行车模型,阿克曼转向模型
0. 简介 密集的光流估计在许多机器人视觉任务中起着关键作用。随着深度学习的到来,已经比传统方法以令人满意的精度预测了它。然而,当前的网络经常占用大量参数并且需要沉重的计算成本。这些缺点阻碍了在功率或内存受限的移动设备上的应用。为了应对这些挑战,在本文《FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation》中,我们
文章目录 前言 1. Apollo控制框架介绍 1.1 控制模块的功能和性能要求 1.2 控制模块的总体框架 1.3 控制模块的代码结构 1.3.1 control -> common 中的主要程序 1.3.2 control -> conf 中的主要程序 1.3.3 control -> controller 中的主要程序 1.3.4 cont
0. 简介 对于激光雷达和视觉摄像头而言,两者之间的多模态融合都是非常重要的,而本文《Learning Optical Flow and Scene Flow with Bidirectional Camera-LiDAR Fusion》则提出一种多阶段的双向融合的框架,并基于RAFT和PWC两种架构构建了CamLiRAFT和CamLiPWC这两个模型。相关代码可以在 https://githu
Carsim无人车横向LQR控制仿真 Carsim是一种专门用于车辆动力学仿真的软件,它可以模拟车辆在不同路面上的行驶状态,并提供悬挂、底盘、刹车、转向等多种参数来控制车辆的行驶。Carsim也支持与其他软件的联合仿真,如MATLAB等。本文将Carsim和Simulink联合仿真,即通过将Carsim模型与Simulink模型连接起来,使得在Simulink中设计的控制器可以直接影
文章目录 1. 位姿自由度 2. TDOFandCDOF 3.运动学与动力学 4. 运动控制问题描述 5. 运动学建模 6. 机器人位姿 7. 跟踪误差 8. 控制律设计 声明 1. 位姿自由度 位姿自由度——系统在空间中的位姿描述所需变量的个数。任何一个没有受约束的物体,在空间均具有6个独立的运动,即有六个自由度。 六个自由度分别是: 横荡(sway):沿图中轴左右平动;
0. 简介 之前作者前段时间在研究BEV的相关算法,当时就觉得BEV算法好是好,但是所需要的内存以及计算资源实在是太大了,无法实时在真实场景中运行。我们知道多视图(multi-view)三维目标检测具有低成本、高效率的特点,具有广阔的应用前景。然而,由于缺乏深度信息,通过透视图准确地检测目标是极其困难的。当前的方法倾向于为图像编码器采用重主干,使得它们不适用于现实世界的部署。与图像不同的是,激光
文章目录 1.自行车模型(汽车二自由度模型) 注意点 Point1 Point2 2.纯追踪控制 注意点 Point1 Point2 Point3 3.相关代码 参考文献 声明 全局路径由一系列路径点构成,这些路径点只要包含空间位置信息即可,也可以包含姿态信息,但是不需要与时间相关
文章目录 前言 1. PID算法介绍 1.1 时间连续与时间离散 1.2 位置式与增量式 1.3 PID算法扩展 2. PID调试方法 3. APOLLO代码介绍 3.1 PID算法 3.2 积分饱和问题 3.3 纵向控制代码 3.3.1 构造函数 3.3.2 加载各种纵向控制的配置参数 3.3.3 二阶巴特沃斯低通滤波器《数字信号处理》 3
简介:在这一章节中,我们需要安装有相关环境(虚拟机方式为例,需要安装有ROS系统,安装过程请参考无人驾驶虚拟仿真教程第2节)的电脑一台,组装好并经过初始化设置的无人驾驶小车一台,路由器一台,主要学习通过脚本或者命令行的方式来与小车进行交互,交互内容包括视频流获取、小车控制、tof传感器数据获取、按钮事件获取、车灯控制等内容。 注:以下命令以duckiebot1为例
简介:在第五节的内容中,我们学习了使用rqt工具集观看摄像头视频流的方法,细心的同学应该会发现camera_node发布的视频数据中的图像有变形现象,图像变形会导致直线不直,部分区域变大,部分区域缩小,导致无法准确计算出我们需要的数据,为了解决这个问题,我们需要先校准相机,另外在虚拟仿真的学习过程中,我们了解到在后续的图像处理过程中,我们还需要知道相机的内参矩阵,以及投影变换矩阵,在这一章节中
0. 简介 最近在群里被萌新询问2D激光雷达的工作还能做什么,我当时有点难以回答,cartographer作为2D的集大成者,留给后续工作者改进的地方已经很少了。直到我最近看到了这一篇文章《Dynamic Occupancy Grid Mapping with Recurrent Neural Networks》,也给我个人提供了一个比较新的方向,即动态栅格地图的更新方式。这里我们详细看一下这篇
描述 python实现简单的车道线检测,本文章将介绍两种简单的方法 颜色阈值+区域掩模 canny边缘检测+霍夫变换 这两种方法都能实现简单的车道线检测demo,注意仅仅是demo 下面的图片是用到的测试图片 方法1:颜色阈值(Color Selection)+ 区域掩模(Region Masking) 我们可以仅仅通过设置一些RGB通道阈值,来提取车道线。 以
0. 简介 最近几年随着自动驾驶行业的火热,对高精地图的需求也日渐庞大。由于高精(HD)地图的相关可扩展性成本,需要不断的维护,并涉及繁琐的人工标签。这就导致需要大量的人力来做这样的事情,而是否存在一些比较简单的办法来完成道路、人行道、人行横道和车道等静态地标进行自动和准确的标注,这就是科研界几年中所需要关心的内容,本文主要围绕着这篇IROS 2020的文章《Probabilistic Sema
0. 简介 最近几年随着深度学习的发展,现在通过深度学习去预估出景深的做法已经日渐成熟,所以随之而来的是本文的出现《Real-Time Dense Monocular SLAM with Neural Radiance Fields》。这篇文章是一个结合单目稠密SLAM和层次化体素神经辐射场的3D场景重建算法,能实时地用图像序列实现准确的辐射场构建,并且不需要位姿或深度输入。核心思想是,
自动驾驶相关博客
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信