【基础导航软件架构】无人驾驶车/机器人的基本导航软件系统框架
文章目录
引言
深入理解感知模块的构建过程对于提升系统性能至关重要。
在感知模块中
首先需要实现的是多维度传感器技术的应用
这其中包括但不限于目标检测算法的设计与优化
同时还需要掌握图像分割技术的核心原理
并且要深入研究行为预测模型的基本框架
同时地图Mapping技术也是不可或缺的关键环节
* 2.机器人/无人驾驶车辆自身感知
* * 定位location第二章 规划模块
三、控制模块
- move_base采用了DWA_planner作为核心控制器
- 基于PID的控制系统用于路径调节
- 该系统采用纯追踪策略实现路径跟踪
- 模型预测控制方法结合MPC算法提升控制精度
- 二次优化LQR技术优化了系统的响应速度
综上所述，在机器人开发领域中存在五个关键研究方向
第一部分为运动控制路径设计
前言
认知局限，在下恳请大家多包涵一些，在有啥问题希望能与大家一起探讨交流, 共同进步！
详细解析机器人导航系统的架构设计与业务模块优化策略
无人车&无人机导航合集
<>
本文主要介绍了无人驾驶车/机器人技术的基本导航软件系统框架的相关知识，在详细讲解完后再进行补充说明。其余部分也可以参考我的其他文章内容
提示：以下是本篇文章正文内容
无人驾驶系统的核心由信息融合技术、环境建模技术以及动态决策机制三部分构成，在实际应用中展现出良好的协同效能。其本质上呈现出层次分明的架构，在感知阶段进行信息采集与处理，在规划阶段完成目标预测与路径生成，在控制阶段实现运动指令执行的同时实现了各子系统的协同运作
一、感知模块的理解
具体相关算法科看看我感知的专栏
<>
定位的专栏
<>
地图的专栏
<>
状态估计与传感器融合专栏
<>
感知再我看来，分为环境感知和机器人/无人驾驶车辆自身感知两部分
1.环境感知
环境感知（Environmental Perception）特指对于环境的场景理解能力
传感器sensor
基于相关原理及算法的研究与开发, 无人车主要依靠多种传感器的数据融合进行感知与分析, 包括激光雷达、摄像头以及毫米波雷达等多种设备的集成运用, 以感知并分析环境中的各种信息。
目标检测detection
障碍物的位置信息由道路标志/标线的识别系统完成精确捕捉。
系统首先执行道路线段精确识别任务（Lane Detection），随后完成可通行区域的识别工作（Drivable Area Identification）。在路标感知环节，则需要完成以下几项关键任务：首先是各类道路标线符号的解析与定位；其次是针对其他移动物体的存在感知与分类辨识；最后是对各类固定式交通标志及信号装置进行可靠识别与功能参数提取。
目标分割segmentation
行人车辆的检测等数据的语义分类
.
目标预测prediction
预测行人车辆有限时间内的动作
.
地图Mapping
对环境几何特征的描述
.
2.机器人/无人驾驶车辆自身感知
定位location
定位（Localization）也是感知的一部分，定位是无人车确定其相对于环境的位置的能力。
无人车需要知道自己相对于环境的一个确切位置，这里的定位不能存在超过10cm的误差，试想一下，如果我们的无人车定位误差在30厘米，那么这将是一辆非常危险的无人车（无论是对行人还是乘客而言），因为无人驾驶的规划和执行层并不知道它存在30厘米的误差，它们仍然按照定位精准的前提来做出决策和控制，那么对某些情况作出的决策就是错的，从而造成事故。由此可见，无人车需要高精度的定位
.
.
二、规划模块
详细分析具体相关的算法领域，请深入研究我的业务任务决策专栏 <>
运动规划专栏
<>
1.导航任务规划Mission Planning
无人驾驶车可执行的任务包括高速巡航、红绿灯变道或转向以及自动泊车等操作。
农业无人车可完成覆盖式路径规划与巡航、两点间快速返回障碍物及规避等操作。
2.执行行为决策规划Behavioral Planning
我对执行行为决策规划（简称BDP）的理解即为管理导航任务中的各种状态及其转换过程。其中最常用的方法是有限状态机（FSM），其具有简洁且高效的特性。例如，在巡航过程中突然遇到障碍物时，则会自动触发停障避障功能。
.
.
3.运动规划Motion Planning
该目标常见于从起始地点前往终点的过程，并要求避开障碍物的同时持续改进驾驶路线与操作方式，从而确保乘客乘坐过程的安全与舒适的体验。
基于高飞的思想的理解下, 我认为这一技术手段属于运动规划领域, 并且这一技术手段主要包含前端路径规划和后端轨迹优化两部分.
.
.
三、控制模块
具体相关算法科看看我的控制专栏
<>
无人车系统的层级结构中，控制层位于最底层。其主要职责是完成预先规划的动作序列，并通过精确度这一关键指标来评估系统的性能。在控制系统中存在状态测量环节，在这个过程中控制器通过比较实际测量数据与预期目标状态来生成相应的控制指令。这种机制通常被称为反馈控制系统（Feedback Control System）。常见的解决方案包括多种不同的方法。
1、move_base的DWA_planner充当控制器
.
2、PID控制器
.
3、纯跟踪pure_persuit控制器
.
4、模型预测控制MPC控制器
.
5、二次优化LQR控制器
…
.
总结–机器人开发方向
（1）运动控制路线
具体请看我博客控制专栏的相关文章~
1、机械结构追求
1、仿生
2、变结构（轮足相结合）
3、电驱体积微型化或者液压载重
AI助手2、电控硬件追求
我们通过在大扭矩、高精度、轻量化的伺服关节以及配套的小型化、低功耗、高实时性主控系统方面重点发力打造出稳定可靠、
自主研发以及成本可控的机器人软硬件平台。
1、稳定性
2、高带宽通讯架构
3、长续航，无线充电
AI助手3、运动控制算法追求
1、柔性控制
2、稳定性控制
3、高动态控制
AI助手4、运动功能控制器追求
1、对角步态全向移动
2、四足支撑三轴不偶合转动、双轴耦合转动
3、倾斜平面IMU自稳定
4、摔倒后自己判断姿势，决策方案进行起立
5、侧向力干扰力稳定
6、地形坡度记忆及自学习
7、机械狗上搭载机械臂
8、摆脱遥控器的束缚
AI助手5、单独模块化追求
（2）路径规划导航路线
具体请看我博客规划与决策专栏的相关文章~
1、决策规划
2、运动规划
（3）定位建图导航路线
具体请看我博客定位与建图专栏的相关文章~
1、定位的方法
2、建图的方法
（4）视觉目标定位检测感知路线
深入探讨相关技术内容，请您移步至我的个人博客进行阅读
（5）人机交互方向路线
语音交互（科大讯飞）
该文档提供了一个关于无人驾驶系统的全面介绍