😏★,°:.☆(￣▽￣)/$:.°★ 😏
这篇文章主要介绍fsd_algorithm架构学习与源码分析。
无专精则不能成，无涉猎则不能通。——梁启超
欢迎来到我的博客，一起学习，共同进步。
喜欢的朋友可以关注一下，下次更新不迷路🥞

😏1. 项目介绍

------------------ 叮叮叮！！！ ------------------

大学生无人驾驶方程式有两支很牛的车队，国外苏黎世联邦理工的AMZ-Driverless和国内北理的Smart Shark-BITFSD，大佬们的无人驾驶车和算法做的很顶（这里就不方便放视频了），贴一下他们的网站和Github（大佬们将稳定的算法和仿真平台开源了并分享在github，给我等学习mobai）：

AMZ官网：https://www.amzracing.ch/

AMZ Github地址：https://github.com/AMZ-Driverless/fssim

BITFSD官网：http://www.bitfsd.com/

BITFSD Github地址：https://github.com/bitfsd/fsd_algorithm

😊2. 架构学习

------------------ 架构很棒 ------------------

环境配置建议选择：Ubuntu 18.04 and ROS Melodic。

fsd_algorithm算法仓库包含ros和tools。

tools提供了ros模板的生成，可通过py脚本generate.py自助选择生成对应语言（C++/Python）、对应节点名（包名、对象名和类名）的ros节点。

ros中包含了fsd的核心算法，如perception包、estimation包、planning包、control包和与仿真器连接的interface_fssim包。

环境配置过程如下：

# 1.clone，将ros下的包cp到自己的catkin_ws/src中
#  进入ros/control/controller/script，安装cppad和ipopt两个优化库
#  编译 catkin build

# 2.clone fssim仿真仓库到另一个catkin中
#  安装依赖，下载gazebo的models等
#  编译 catkin build

# 3.进入仿真项目环境，启动仿真环境 roslaunch fssim auto_fssim.launch
#  然后启动算法包里的仿真接口 roslaunch fssim_interface fssim_interface only_interface.launch
#  最后运行相关算法：
#  roslaunch fsd_common_meta trackdrive.launch
#  roslaunch fsd_common_meta skidpad.launch
#  roslaunch fsd_Common_meta acceleration.launch

😆3. 源码学习

------------------ 代码写的也不错 ------------------

perception模块包含YOLO-ROS（darknet_ros）的目标检测包，用coco数据集训练，可配置参数文件在darkned_ros/config/ros.yaml，订阅的话题是/camera/rgb/image_raw，发布的话题有/darknet_ros/found_object、/darknet_ros/bounding_boxes和/darknet_ros/detection_image，此外还有动作发送/darknet_ros/check_for_objects，以此实现目标检测结果的获取；激光雷达聚类包Lidar Cluster，基于PCL，订阅的是威力登的点云/velodyne_points，发布的是聚类结果/perception/lidar_cluster，参数配置在./config/lidar_cluster.yaml，在lidar_cluster中，用preprocessing先对点云进行过滤，再用ClusterProcessing进行聚类处理。

estimation模块主要是loam建图定位和robot_localization定位包，用扩展卡尔曼和无损卡尔曼等方法获取车辆的精确位置和位姿信息。

planning模块有边界检测、线检测、8字检测和路径生成这几个包。边界检测boundary_detector的核心思想是搜索和选择，基于OpenCV3，订阅/local_map，发布/planning/boundary_detections和其他几个显示话题，基于地图边界信息生成最优路径和边界结果；线检测line_detector用到了霍夫变换，订阅雷达聚类结果/perception/lidar_cluster，发布全局路径/planning/global_path，可以看到本仓库的算法的模板是getNodeRate + loadParameters + subscribeToTopics + publishToTopics + run + sendMsg 和一个callback函数，这个包核心在于createPath创建全局路径这里；线生成Path Generator包应该是进行路径优化，会根据不同的任务生成不同的参考路径，如直线加速是根据目标点参数，8字是根据转换矩阵，循迹任务是根据地图信息，最后生成控制指令并发布。

control模块用到了cppad和ipopt依赖，因为控制中用到了许多数值优化的方法，主要是根据slam地图状态和参考轨迹信息，计算出安全且舒适的控制指令发布到底层，也是分了3种工况。

以上。