黃武陵

(中國(guó)科學(xué)院自動(dòng)化研究所,北京100190)

基于ROS構(gòu)建無(wú)人駕駛車輛環(huán)境感知系統(tǒng)

黃武陵

(中國(guó)科學(xué)院自動(dòng)化研究所,北京100190)

無(wú)人駕駛系統(tǒng)由環(huán)境感知等多個(gè)組件構(gòu)成,一般基于各類分布式程序框架來(lái)實(shí)現(xiàn)。基于ROS系統(tǒng)這類消息傳遞通信的分布式多進(jìn)程框架來(lái)構(gòu)建環(huán)境感知系統(tǒng),是一種可行的參考。本文討論了無(wú)人駕駛系統(tǒng)環(huán)境感知信息融合中的ROS機(jī)制和組成,基于ROS系統(tǒng)下的目標(biāo)檢測(cè)與跟蹤等環(huán)境感知具體實(shí)踐,討論了無(wú)人駕駛車輛中ROS性能分析及其改進(jìn)等內(nèi)容,可以作為相關(guān)技術(shù)實(shí)現(xiàn)的有益參考。

無(wú)人駕駛;ROS;環(huán)境感知框架;傳感器信息融合

引 言

無(wú)人駕駛系統(tǒng)是由多種技術(shù)集成,包括了駕駛環(huán)境感知、路徑規(guī)劃和車輛控制等組件,每類組件由算法集合組成,一般基于各類分布式程序框架來(lái)構(gòu)建,通過(guò)車載總線技術(shù)實(shí)現(xiàn)各組件之間信息交互通信。機(jī)器人操作系統(tǒng)(ROS)是一個(gè)強(qiáng)大而靈活的機(jī)器人編程框架,是一種基于消息傳遞通信的分布式多進(jìn)程框架,有很多知名的機(jī)器人開源函數(shù)庫(kù),例如基于Quaternion的坐標(biāo)轉(zhuǎn)換、3D點(diǎn)云處理、定位算法、各類SLAM等。開發(fā)者可以根據(jù)應(yīng)用功能把軟件分為多個(gè)模塊或節(jié)點(diǎn)(Node),各模塊只是負(fù)責(zé)讀取和分發(fā)消息,模塊間通過(guò)消息關(guān)聯(lián)。如圖1所示,左邊節(jié)點(diǎn)可能從硬件驅(qū)動(dòng)讀取數(shù)據(jù),以消息方式打包發(fā)送。ROS底層識(shí)別該消息的訂閱者,將消息數(shù)據(jù)分發(fā)給訂閱節(jié)點(diǎn)。ROS節(jié)點(diǎn)通常是標(biāo)準(zhǔn)C++程序,可以使用系統(tǒng)中安裝的其他軟件庫(kù),同時(shí),ROS節(jié)點(diǎn)可以隱式啟動(dòng)多個(gè)線程。多個(gè)節(jié)點(diǎn)同時(shí)訪問一個(gè)主題(Topic)時(shí),也由FIFO隊(duì)列來(lái)管理,從而解決實(shí)時(shí)同步問題。

無(wú)人駕駛系統(tǒng)中首先包含了多個(gè)傳感器,例如長(zhǎng)距和短距毫米波雷達(dá)、激光雷達(dá)、單目和雙目攝像頭、超聲波、GPS定位、陀螺儀慣導(dǎo)等。每個(gè)傳感器以不同頻率進(jìn)行采樣和產(chǎn)生數(shù)據(jù),系統(tǒng)對(duì)傳感器數(shù)據(jù)處理有很強(qiáng)的實(shí)時(shí)要求,所以要求無(wú)人駕駛系統(tǒng)能夠分布式異步實(shí)時(shí)處理這些數(shù)據(jù)。其次,無(wú)人駕駛系統(tǒng)在這些傳感器數(shù)據(jù)融合基礎(chǔ)上,進(jìn)行駕駛環(huán)境要素感知和提取,進(jìn)行導(dǎo)航和自主駕駛決策。這就要求系統(tǒng)具備強(qiáng)大計(jì)算能力,能夠集成高性能算法,具備高度可擴(kuò)展性。

圖1 ROS系統(tǒng)功能框架

機(jī)器人操作系統(tǒng)(ROS)滿足上述這些要求。在ROS系統(tǒng)中,通過(guò)將系統(tǒng)抽象成節(jié)點(diǎn)和主題,其中節(jié)點(diǎn)用于表示單個(gè)組件模塊,主題用于保存輸入和輸出節(jié)點(diǎn)之間的數(shù)據(jù),形成強(qiáng)大的抽象模型組件擴(kuò)展計(jì)算框架,可以方便進(jìn)行無(wú)人駕駛系統(tǒng)的開發(fā)。本文主要通過(guò)介紹構(gòu)建無(wú)人駕駛系統(tǒng)中常用的幾種ROS機(jī)制和組成,無(wú)人駕駛系統(tǒng)環(huán)境感知功能與ROS下的具體實(shí)踐,無(wú)人駕駛系統(tǒng)中ROS組件及其性能要求等方面內(nèi)容,討論了基于ROS構(gòu)建無(wú)人駕駛車輛環(huán)境感知系統(tǒng)。

1 感知信息融合中ROS機(jī)制和組成

1.1 常用的幾種ROS機(jī)制

通過(guò)將無(wú)人駕駛系統(tǒng)環(huán)境感知功能以ROS常見的機(jī)制來(lái)實(shí)現(xiàn)融入到現(xiàn)有的ROS系統(tǒng)框架中。其中,ROS主要組件包括ROS Master、ROS Node和ROS Service。ROS Master的主要功能是命名服務(wù),它存儲(chǔ)了啟動(dòng)時(shí)需要的運(yùn)行參數(shù),消息發(fā)布上游節(jié)點(diǎn)和接收下游節(jié)點(diǎn)的連接名和連接方式,以及已有ROS服務(wù)的連接名,一般在無(wú)人駕駛系統(tǒng)中只有一個(gè)Master。ROS節(jié)點(diǎn)通常是標(biāo)準(zhǔn)C+ +程序,可以使用系統(tǒng)中其他軟件庫(kù),還可以隱式啟動(dòng)多個(gè)線程,運(yùn)行主要功能和服務(wù)。ROS Node節(jié)點(diǎn)是真正的執(zhí)行模塊,對(duì)接收到的消息進(jìn)行處理,并且發(fā)布新的消息給下游節(jié)點(diǎn),環(huán)境感知中的基本組成功能可以通過(guò)Node來(lái)實(shí)現(xiàn)。ROS Service是一種特殊的ROS節(jié)點(diǎn),它相當(dāng)于一個(gè)服務(wù)節(jié)點(diǎn),接收請(qǐng)求并返回請(qǐng)求的結(jié)果。圖2展示了ROS通信流程,節(jié)點(diǎn)向Master advertise或者subscribe發(fā)布感興趣的Topic。當(dāng)創(chuàng)建連接時(shí),下游節(jié)點(diǎn)會(huì)向上游節(jié)點(diǎn)TCP Server發(fā)布連接請(qǐng)求,等連接創(chuàng)建后,上游節(jié)點(diǎn)的消息就會(huì)通過(guò)連接送至下游節(jié)點(diǎn)。

圖2 ROS Master Node通信

除了常見的Master、Node、Service和傳遞的消息(Message)等主要組件之外,ROS系統(tǒng)還提供了以下常用的組件:

①RViz集成可視化工具,圖3顯示了無(wú)人駕駛感知任務(wù)可視化示例,RViz查看器是用于檢查任務(wù)的狀態(tài)。

②為管理點(diǎn)云數(shù)據(jù)開發(fā)了一種點(diǎn)云庫(kù),支持許多算法包,用于定位與地圖創(chuàng)建。

③OpenCV是圖像處理的一個(gè)流行的計(jì)算機(jī)視覺庫(kù),支持多種圖像處理算法實(shí)現(xiàn)庫(kù)函數(shù)及API(如圖像加載、轉(zhuǎn)換和繪制),有助于構(gòu)建圖像處理程序框架,無(wú)人駕駛車輛環(huán)境感知可以通過(guò)OpenCV與ROS的RViz組合進(jìn)行可視化顯示。

④CUDA是一個(gè)GPU上的通用計(jì)算框架,因?yàn)榄h(huán)境感知中常用的復(fù)雜算法都是計(jì)算密集型和數(shù)據(jù)并行型,使用CUDA,其執(zhí)行速度可以顯著提高。

圖3 RViz集成可視化工具用于顯示三維地圖和2D圖像

1.2 構(gòu)建環(huán)境感知信息融合常用的傳感器

在選擇車載傳感器時(shí),一般需要綜合考慮多個(gè)方面的屬性,結(jié)合這些屬性參數(shù)和不同等級(jí)的無(wú)人駕駛功能實(shí)現(xiàn)需求,從多種傳感器中綜合考慮加以選取。無(wú)人駕駛車載傳感器配置要求如圖4所示。

常用的車載外部傳感器各具特點(diǎn),例如,毫米波雷達(dá)可以準(zhǔn)確檢測(cè)前方車輛的距離和速度,具備較強(qiáng)的穿透霧、煙、灰塵的能力;而相機(jī)視覺系統(tǒng)可以獲得車道線、交通信號(hào)等目標(biāo)的顏色和形狀等細(xì)節(jié),從而進(jìn)行細(xì)化識(shí)別;激光雷達(dá)通過(guò)點(diǎn)云來(lái)建立周邊環(huán)境的3D模型,可以檢測(cè)出包括車輛、行人、樹木、路沿等細(xì)節(jié)。通過(guò)激光雷達(dá)或毫米波雷達(dá)與視覺傳感器進(jìn)行融合,不僅可以進(jìn)行目標(biāo)物體檢測(cè),而且還能進(jìn)行目標(biāo)空間測(cè)距、目標(biāo)圖像識(shí)別等功能。類似,GPS定位、視覺傳感器和激光雷達(dá)進(jìn)行融合,則可以實(shí)現(xiàn)車道保持所需的高精度定位,也能實(shí)現(xiàn)多類障礙物目標(biāo)檢測(cè)。

在構(gòu)建典型的環(huán)境感知系統(tǒng)時(shí),常用傳感器包括相機(jī)和激光雷達(dá)等傳感器。例如,Velodyne激光雷達(dá)獲取三維點(diǎn)云數(shù)據(jù),用于定位和和地圖構(gòu)建,同時(shí)也用來(lái)測(cè)量車輛與周圍物體的距離;Ibeo激光雷達(dá)傳感器雖然垂直方向分辨率低于Velodyne激光雷達(dá),但可以產(chǎn)生長(zhǎng)距三維點(diǎn)云數(shù)據(jù);Hokuyo北洋激光雷達(dá)傳感器產(chǎn)生短距二維激光掃描數(shù)據(jù),常用于緊急停車,而不用于定位與地圖創(chuàng)建;相機(jī)可以用于目標(biāo)檢測(cè),Point Grey相機(jī)有360度全方位視角覆蓋,而Grasshopper相機(jī)是單一朝向,運(yùn)行幀率較高,前者可以用于檢測(cè)運(yùn)動(dòng)物體,后者可以用于識(shí)別交通信號(hào)燈;Javad RTK定位傳感器接收衛(wèi)星全球定位信息,經(jīng)常采用陀螺儀傳感器和里程計(jì)來(lái)修復(fù)定位信息。

圖4 無(wú)人駕駛車載傳感器配置要求

1.3 無(wú)人駕駛系統(tǒng)環(huán)境感知總體功能

無(wú)人駕駛車輛的功能總體結(jié)構(gòu)可以分為感知層、任務(wù)規(guī)劃層、行為執(zhí)行層和運(yùn)動(dòng)規(guī)劃層等[5]。其中,環(huán)境感知層融合處理來(lái)自車載傳感器的數(shù)據(jù),為系統(tǒng)的其他部分提供周圍環(huán)境的關(guān)鍵信息,例如局部信息包括車輛的位姿和速度等狀態(tài)信息,道路形狀、停車區(qū)域和交叉路口等道路信息,車輛周邊其他車輛和行人等動(dòng)態(tài)障礙物信息,局部靜態(tài)障礙物地圖,以二維柵格圖展示現(xiàn)實(shí)環(huán)境中的無(wú)障礙區(qū)域、危險(xiǎn)區(qū)域和不可通行區(qū)域、道路堵塞信息,對(duì)不能通過(guò)區(qū)域進(jìn)行估計(jì)[7]。

在交通場(chǎng)景識(shí)別、路徑規(guī)劃和車輛控制等每類組件中都包括算法集合,例如交通場(chǎng)景識(shí)別要求定位、目標(biāo)檢測(cè)和目標(biāo)跟蹤算法[6]。路徑規(guī)劃通常包括任務(wù)和運(yùn)動(dòng)規(guī)劃,車輛控制對(duì)應(yīng)路徑跟蹤算法,其中算法基本控制和數(shù)據(jù)流如圖5所示。

圖5 無(wú)人駕駛車輛算法基本控制和數(shù)據(jù)流

如圖6所示,常見幾類傳感器通過(guò)各自驅(qū)動(dòng)的節(jié)點(diǎn)來(lái)提供感知信息,包括image_raw相機(jī)圖像信息、激光雷達(dá)形成的scan信息、Velodyne激光雷達(dá)提供的點(diǎn)云信息以及GPS系統(tǒng)提供的定位信息等。通過(guò)訂閱該信息的各自處理節(jié)點(diǎn),形成了掃描圖像、點(diǎn)云圖像等進(jìn)一步信息列表。

圖6 ROS下各傳感器驅(qū)動(dòng)和環(huán)境感知信息融合框架

2 基于ROS系統(tǒng)下的環(huán)境感知具體實(shí)踐

無(wú)人駕駛車輛環(huán)境感知內(nèi)容主要包括結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路檢測(cè),行駛環(huán)境中行人和車輛的檢測(cè)、交通信號(hào)燈和交通標(biāo)志的檢測(cè)等。

2.1 環(huán)境感知中的目標(biāo)檢測(cè)

道路檢測(cè)是智能車輛環(huán)境感知的重要內(nèi)容,通過(guò)檢測(cè)車道信息準(zhǔn)確獲得車輛相對(duì)于車道的位置和方向。鄉(xiāng)村公路等非結(jié)構(gòu)化道路在結(jié)構(gòu)上符合道路的特征,但一般缺少車道線等標(biāo)志,無(wú)法采用結(jié)構(gòu)化道路所用的車道線檢測(cè)方法[1]。

完成無(wú)人駕駛車輛定位之后,需要進(jìn)行行駛環(huán)境中的行人、車輛和交通信號(hào)等目標(biāo)的檢測(cè)與跟蹤,避免出現(xiàn)事故和違反交通規(guī)則[2-3]。

①基于視覺的行人檢測(cè)主要有基于背景建模的方法和基于統(tǒng)計(jì)學(xué)習(xí)的方法等,通過(guò)融合激光雷達(dá)與視頻圖像數(shù)據(jù),可以對(duì)行人進(jìn)行較為準(zhǔn)確的檢測(cè)[5]。

②對(duì)行駛環(huán)境中的車輛檢測(cè)可用基于單目視覺的車輛檢測(cè)方法,分為基于外觀的方法和基于運(yùn)動(dòng)的方法,結(jié)合激光雷達(dá)的數(shù)據(jù)特點(diǎn)選取合適的聚類方法,集合其數(shù)據(jù)特征可實(shí)現(xiàn)Kalman預(yù)估跟蹤。

③需要綜合色彩分割、形狀檢測(cè)和驗(yàn)證、圖形識(shí)別等算法和特征識(shí)別方法才能適應(yīng)環(huán)境的變化,對(duì)不同樣式交通信號(hào)燈和交通標(biāo)志進(jìn)行檢測(cè)與識(shí)別[8]。

如圖7所示,使用DPM(Deformable Part Model)等算法,搜索和統(tǒng)計(jì)圖像上檢測(cè)目標(biāo)的方向梯度直方圖特征,完成車輛和行人檢測(cè)。除此之外,也可以使用3D激光雷達(dá)的點(diǎn)云數(shù)據(jù)通過(guò)歐拉聚類等算法來(lái)進(jìn)行目標(biāo)檢測(cè)。通過(guò)點(diǎn)云數(shù)據(jù)聚類可以獲得目標(biāo)距離信息,結(jié)合圖像處理分類后的結(jié)果,進(jìn)行傳感器信息融合,完成目標(biāo)測(cè)距與跟蹤[4]。

圖7 基于ROS系統(tǒng)下的環(huán)境感知具體實(shí)踐

如圖7所示,在無(wú)人駕駛車輛一般行駛在道路上的假設(shè)下,可以通過(guò)3D矢量地圖和當(dāng)前位置等信息來(lái)提高目標(biāo)的檢測(cè)效果,例如可以獲得感興趣的檢測(cè)區(qū)域,完成車道和交通信號(hào)檢測(cè)。

將校準(zhǔn)后3D激光雷達(dá)獲得的三維點(diǎn)云數(shù)據(jù)投影到相機(jī)獲得的圖像上,通過(guò)向圖像增加深度信息篩選出感興趣的目標(biāo)檢測(cè)區(qū)域。圖像上目標(biāo)檢測(cè)結(jié)果也可以使用相同的外部參數(shù)重投影到三維點(diǎn)云坐標(biāo)上,獲得的目標(biāo)位置可用于運(yùn)動(dòng)規(guī)劃和部分的任務(wù)規(guī)劃。如圖7所示,將激光傳感器獲得的3D地圖投影到當(dāng)前位置上獲得的圖像之上,進(jìn)行圖像信息融合,從而可從圖像上獲得確切道路區(qū)域,進(jìn)而獲得該道路約束的感興趣區(qū)域,用于提高圖像處理效率,節(jié)省執(zhí)行時(shí)間并減少誤報(bào)。

2.2 環(huán)境感知中的目標(biāo)跟蹤

在每幀圖像和點(diǎn)云數(shù)據(jù)上進(jìn)行目標(biāo)檢測(cè),結(jié)合基于時(shí)間關(guān)聯(lián)其他幀的檢測(cè)結(jié)果,可以預(yù)測(cè)運(yùn)動(dòng)目標(biāo)的軌跡,以便進(jìn)行任務(wù)規(guī)劃和運(yùn)動(dòng)規(guī)劃[9-10]。通過(guò)卡爾曼濾波器等線性條件下,假設(shè)無(wú)人駕駛車輛以恒定速度行駛,同時(shí)進(jìn)行移動(dòng)目標(biāo)跟蹤,其計(jì)算成本相對(duì)較小,適用于無(wú)人駕駛的實(shí)時(shí)處理。此外,粒子濾波器可用于非線性跟蹤場(chǎng)景,其中無(wú)人駕駛車輛和所跟蹤的車輛均處于行駛狀態(tài)[11]。如圖7所示,在給定的交通場(chǎng)景中可使用卡爾曼濾波和粒子濾波,進(jìn)行(圖像)2D平面和三維(點(diǎn)云)空間的目標(biāo)跟蹤。

3 無(wú)人駕駛車輛中ROS性能分析及其改進(jìn)

3.1 ROS性能要求分析

假設(shè)無(wú)人駕駛車輛在城區(qū)道路一般以40公里/小時(shí)速度行駛,要求l米的功能有效距離,則每個(gè)實(shí)時(shí)任務(wù)的執(zhí)行時(shí)間必須少于100毫秒。重要的實(shí)時(shí)任務(wù)包括目標(biāo)檢測(cè)、運(yùn)動(dòng)規(guī)劃、定位等。在目標(biāo)檢測(cè)模塊中,相機(jī)和激光雷達(dá)等傳感器通常運(yùn)行在10～100 Hz,才能滿足一定速度下的自主駕駛的感知任務(wù)實(shí)時(shí)約束。所用的目標(biāo)檢測(cè)算法(例如DPM算法)需要花費(fèi)幾百毫秒甚至幾千毫秒在OpenCV默認(rèn)參數(shù)設(shè)置的圖像大小中的處理。

在運(yùn)動(dòng)規(guī)劃中,所用地圖搜索(例如狀態(tài)網(wǎng)格算法等)則可以運(yùn)行在幾十毫秒的量級(jí)。在任務(wù)規(guī)劃中,如果采用A*算法進(jìn)行路徑搜索,需要消耗較多時(shí)間,一般在幾秒級(jí)別,如果搜索面積更大,則需更長(zhǎng)時(shí)間。不過(guò)A*搜索經(jīng)常用于任務(wù)規(guī)劃,僅在需要更換行駛路徑時(shí)才需要啟動(dòng)。

除了任務(wù)規(guī)劃,定位和檢測(cè)之外的實(shí)時(shí)任務(wù)執(zhí)行時(shí)間可以忽略不計(jì),但某些實(shí)時(shí)任務(wù)對(duì)延遲非常敏感,例如控制轉(zhuǎn)向、加速和制動(dòng)的車輛控制任務(wù)延遲應(yīng)該嚴(yán)格控制在幾個(gè)毫秒之下。

綜上所述,無(wú)人駕駛車輛對(duì)ROS系統(tǒng)的各個(gè)部分提出了較高的性能要求,滿足這些要求,才能實(shí)現(xiàn)在真實(shí)環(huán)境中一定速度下的自主駕駛。

3.2 ROS性能改進(jìn)

采用ROS構(gòu)建無(wú)人駕駛系統(tǒng)需要在多個(gè)方面進(jìn)行性能改進(jìn),以滿足多任務(wù)環(huán)境下的自主駕駛。其中,采用GPU等高性能計(jì)算平臺(tái),以及特定應(yīng)用集成電路(ASIC)和現(xiàn)場(chǎng)可編程邏輯陣列(FPGA)等解決方案,結(jié)合高性能圖像處理等計(jì)算方法等硬件和軟件協(xié)同設(shè)計(jì),是實(shí)現(xiàn)自主駕駛的重要保證。在本文中重點(diǎn)討論了ROS系統(tǒng)可行的性能改進(jìn)。

3.2.1 提高ROS系統(tǒng)可靠性

采用ROS構(gòu)建無(wú)人駕駛系統(tǒng),其可靠性是首先要考慮的特性。由于ROS框架下主節(jié)點(diǎn)維護(hù)了系統(tǒng)運(yùn)行所需的連接、參數(shù)和主題信息,如果ROS Master宕機(jī)了,整個(gè)系統(tǒng)就無(wú)法正常運(yùn)行,需要確保ROS Master不能出錯(cuò)退出,導(dǎo)致系統(tǒng)崩潰。同樣,還要保證ROS節(jié)點(diǎn)不能出錯(cuò)退出,導(dǎo)致系統(tǒng)部分功能缺失,從而造成無(wú)人駕駛事故。

(1)ROS系統(tǒng)去中心化

ROS系統(tǒng)去中心化的解決方案有多種,可以采用主從節(jié)點(diǎn)的方式,同時(shí)主節(jié)點(diǎn)的寫入信息隨時(shí)備份。主節(jié)點(diǎn)宕機(jī)后,備份節(jié)點(diǎn)被切換為主節(jié)點(diǎn),并且用備份的主節(jié)點(diǎn)完成信息初始化。

(2)ROS節(jié)點(diǎn)實(shí)時(shí)監(jiān)控和報(bào)警

對(duì)于運(yùn)行的ROS節(jié)點(diǎn)實(shí)時(shí)監(jiān)控其運(yùn)行數(shù)據(jù),并檢測(cè)到嚴(yán)重的錯(cuò)誤信息時(shí)報(bào)警。通過(guò)ROS節(jié)點(diǎn)層的監(jiān)控?cái)?shù)據(jù)API記錄所需的信息;監(jiān)控服務(wù)端定期從節(jié)點(diǎn)獲取監(jiān)控?cái)?shù)據(jù);監(jiān)控服務(wù)端對(duì)數(shù)據(jù)進(jìn)行整合、分析、記錄,在異常后進(jìn)行處理。

(3)ROS節(jié)點(diǎn)狀態(tài)恢復(fù)

節(jié)點(diǎn)異常退出之后,需要通過(guò)重啟機(jī)制進(jìn)行恢復(fù),可以是無(wú)狀態(tài)恢復(fù)和有狀態(tài)恢復(fù),因此需要對(duì)節(jié)點(diǎn)狀態(tài)進(jìn)行備份。

3.2.2 ROS系統(tǒng)通信性能提升

從上文可以看出,無(wú)人駕駛系統(tǒng)模塊較多且信息交互頻繁。在同一個(gè)機(jī)器上的ROS節(jié)點(diǎn)間的通信,可以考慮改進(jìn)現(xiàn)有的網(wǎng)絡(luò)協(xié)議棧的loop-back機(jī)制,減小延遲和資源消耗。ROS節(jié)點(diǎn)發(fā)布數(shù)據(jù)信息時(shí),是多個(gè)點(diǎn)對(duì)點(diǎn)的發(fā)送,較為耗費(fèi)內(nèi)存資源以及網(wǎng)絡(luò)的帶寬。通過(guò)研究ROS的通信棧,發(fā)現(xiàn)協(xié)議棧的通信延時(shí)很大的損耗是在數(shù)據(jù)的序列化與反序列化的過(guò)程,可以考慮加以優(yōu)化。

ROS 2.0中做了一些改進(jìn),主要是為了讓ROS能夠符合工業(yè)級(jí)的運(yùn)行標(biāo)準(zhǔn),采用了DDS(數(shù)據(jù)分發(fā)服務(wù))這個(gè)工業(yè)級(jí)別的中間件來(lái)負(fù)責(zé)可靠通信,通信節(jié)點(diǎn)動(dòng)態(tài)發(fā)現(xiàn),并用Shared Memory方式使得通信效率更高。通過(guò)使用DDS,所有節(jié)點(diǎn)的通信拓?fù)浣Y(jié)構(gòu)都依賴于動(dòng)態(tài)P2P的自發(fā)現(xiàn)模式,可以去掉ROS Master中心節(jié)點(diǎn)。但是,ROS 2.0還處于發(fā)展階段,需要進(jìn)一步完善。

結(jié) 語(yǔ)

基于ROS系統(tǒng)分布式框架來(lái)實(shí)現(xiàn)環(huán)境感知系統(tǒng),在利用現(xiàn)有豐富的ROS組件基礎(chǔ)上充分集成了ROS系統(tǒng)提供的各種功能,是現(xiàn)階段構(gòu)建無(wú)人駕駛系統(tǒng)的一種可行參考。本文在參考和總結(jié)現(xiàn)有的無(wú)人駕駛實(shí)現(xiàn)基礎(chǔ)上,討論了無(wú)人駕駛系統(tǒng)環(huán)境感知信息融合中ROS機(jī)制和組成,基于ROS系統(tǒng)下的目標(biāo)檢測(cè)與跟蹤等環(huán)境感知具體實(shí)踐,討論了無(wú)人駕駛車輛中ROS性能分析及其改進(jìn)等內(nèi)容,本文可以作為相關(guān)技術(shù)實(shí)現(xiàn)的有益參考。

[1]辛煜.無(wú)人駕駛車輛運(yùn)動(dòng)障礙物檢測(cè)、預(yù)測(cè)和避撞方法研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2014.

[2]劉釗.無(wú)人車2D激光雷達(dá)結(jié)構(gòu)化環(huán)境感知技術(shù)研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2013.

[3]海智淵.激光3D導(dǎo)航系統(tǒng)設(shè)計(jì)與研究[D].長(zhǎng)春:長(zhǎng)春理工大學(xué),2014.

[4]Nordin P,Andersson L,Nygards J,Sensor data fusion for terrain exploration by collaborating unmanned ground vehicles [C]//Information Fusion,2008 11th International Conference on,2008.

[5]陳慧巖.智能車輛先進(jìn)技術(shù)叢書:無(wú)人駕駛汽車概論[M].北京:北京理工大學(xué)出版社,2014.

[6]S Kato,E Takeuchi,Y Ishiguro,et al.An Open Approach to Autonomous Vehicles[J].IEEE Micro,2015,35(6):60-69.

[7]C Urmson,J Anhalt,D Bagnell.Autonomous driving in urban environments:Boss and the urban challenge[J].Field Robot, 2008,25(1):425-466.

[8]Meng-Yin Fu,Yuan-Shui Huang,A survey of traffic sign recognition[C]//Wavelet Analysis and Pattern Recognition (ICWAPR),2010 International Conference on,2010.

[9]沈峘.智能車輛視覺環(huán)境感知技術(shù)的研究[D].南京:南京航空航天大學(xué),2010.

[10]陳龍.城市環(huán)境下無(wú)人駕駛智能車感知系統(tǒng)若干關(guān)鍵技術(shù)研究[D].武漢:武漢大學(xué),2013.

[11]胡銦,楊靜宇.基于模型的車輛檢測(cè)與跟蹤[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(3):450-455.

Autonomous Driving Environment Perception System Construction Based on ROS

Huang Wuling
(Institute of Automation,Chinese Academy of Sciences,Beijing 100190,China)

Autonomous driving systems always consist of multiple components such as environment perception etc,usually develope on various types of distributed programming framework.ROS is a good approach reference for the autonomous driving system,which is a message-based distributed system framework.This paper discusses the ROS data fusion mechanisms and components used in the autonomous driving system,and also discusses the object detection and tracking environment perception practices in the ROS system.Finally, the ROS performance and improvement are discussed in the autonomous driving context.This paper is useful for the related technologies.

autonomous driving;ROS;environment perception framework;sensor data fusion

TP277

:A

黃武陵,中國(guó)科學(xué)院自動(dòng)化研究所副研究員,中國(guó)科學(xué)院大學(xué)博士,主要從事智能車輛研究,參與和主持了多項(xiàng)國(guó)家863和973、交通部和自然基金課題,發(fā)表SCI/EI論文十多篇,申請(qǐng)和獲得發(fā)明專利二十多項(xiàng)。獲北京市科技進(jìn)步獎(jiǎng)、北京市“金橋工程”項(xiàng)目獎(jiǎng)、吳文俊人工智能科學(xué)技術(shù)進(jìn)步獎(jiǎng)、中科院教學(xué)成果獎(jiǎng)等獎(jiǎng)勵(lì)。

薛士然

2016-10-08)