1.【Autoware】安装autoware1.13（保姆级教程）
2.如何快速入门开源自动驾驶模拟器lgsvl?源码
3.Autoware.io源码编译安装
4.Lgsvl自动驾驶仿真器介绍（一）
5.在SLAM中如何拼接使用多个激光雷达传感器数据
6.自动驾驶综述文章

【Autoware】安装autoware1.13（保姆级教程）

       前言：ROS的出现使得机器人软件开发更快速和模块化，在此基础上，更改Autoware.ai开源项目能让我们很容易地将一套完整的源码自动驾驶软件部署到我们的测试车辆上，并见证它跑起来！更改

       Autoware是源码一款“一体化”开源自动驾驶软件，能实现感知、更改11001001源码决策、源码控制等功能，更改通过在Ubuntu中搭建Autoware开发环境和案例的源码运行，使大家对自动驾驶技术的更改实现有一个更清晰的认识。

       电脑软硬件配置要求：由于大多数学习者电脑没有GPU，源码以下安装仅适用于Autoware-cpu版本。更改

       Ubuntu .系统：推荐安装双系统，源码安装方法不再赘述！更改

       ROS Melodic安装：推荐使用“鱼香ROS”大佬的源码一键安装命令：wget ynl/rosdep/raw/master/rosdep_update.sh ; 2. 管理员给定执行权限：sudo chmod +x ./rosdep_update.sh; 3. 管理员运行脚本：sudo ./rosdep_update.sh; 4. 出现这一行，代表成功：all files replaced is finished, please continues run rosdecp update。5. 然后依次执行：sudo rosdep init 和 rosdep update即可。

       Qt 5..0框架安装：打开浏览器，在地址栏输入下面地址：将会自动下载如下软件包。进入“下载”目录下，打开终端，改变执行权限并安装：（注意，安装Qt时请断开网络连接！安装路径请放置在/opt/Qt5..0,选择需要的Qt模块）。

       配置系统路径：安装完成之后，需要配置系统路径，可解决找不到头文件、无法添加文件等问题。打开终端，输入：在文件末尾添加：保存后在终端执行：要确认是否添加成功，可输入如下命令（输出Qt的路径表示配置成功）：至此，Qt creater安装完成，也可以进行qt开发。

       Autoware 1.自动驾驶软件安装：因为Autoware1.版本有很多BUG，目前还没有修复，用1.版本的有很多包都是从1.版本移植过来的，但1.版本又缺失了很多模块，因为取其中选择了1.版。安装系统软件依赖：（如果有错误用下面这条语句解决，无错请跳过！） python3.6 -m pip install launchpadlib。微服务源码介绍建立工作空间：下载源码（替换掉src文件夹即可）。安装autoware软件依赖开始编译：编译cpu版本的autoware(注：如果更改了源码，即src文件夹，重新编译autoware工作区即可！)（正常情况下，编译成功个packages！）启动autoware：界面如下：至此，Autoware 1.安装完成！恭喜你在自动驾驶道路上又前进了一步！！！

       其他：Q1：citysim编译报错 A1：电脑安装了其他protobuf版本，需要适配到protobuf3.0.0。CSDN链接： t.csdn.cn/iVLOU。以上。

如何快速入门开源自动驾驶模拟器lgsvl?

       LGSVL是由LG电子美国研发实验室构建的自动驾驶模拟器，基于Unity引擎开发，支持与百度Apollo、Autoware.AI等联合仿真。SVL日落计划已于年1月1日启动，开发者团队将不再更新版本，但文档和源代码会维护至6月日。SVL适用于L4/L5自动驾驶车辆、L2/L3 ADAS/AD系统、仓库机器人、户外移动机器人、未来移动服务、自动赛车、传感器系统开发、汽车安全、合成数据生成及实时嵌入式系统开发。

       SVL提供了两种安装方式：一是下载编译好的安装包直接安装；二是下载源代码编译生成可执行文件。本篇指南仅介绍第一种方法。SVL支持Windows和Linux系统。

       在Windows系统中，建议使用svlsimulator-windows-.3版本。确保为Win 位系统，无需安装NVIDIA显卡和驱动（如需感知功能则需安装）。安装Docker，从docker.com/get-started/下载并启动。聚集索引源码分析在SVL官网注册账号，接收并点击确认邮件。下载并解压Windows安装包，双击运行simulator.exe。首次运行时，需点击“LINK TO CLOUD”。新建集群，搜索并添加本地集群，选择本地建好的集群，设置控制模式，最后运行模拟。

       为深入学习和使用SVL，访问其官网和官方文档：svlsimulator.com/和svlsimulator.com/docs/。查阅SVL的开源代码：github.com/lgsvl/simulat...。关注后续文章，了解如何搭建SVL开发环境。

Autoware.io源码编译安装

       要编译安装Autoware.io，首先请确保已安装ROS1，如Ubuntu .版本的Melodic。以下步骤将指导你完成依赖安装及源码编译过程。

       安装依赖

       1. 对于CUDA的支持（可选但建议），你需要下载CUDA .0，链接位于developer.nvidia.com/cuda。安装时，遇到驱动安装询问时选择n，后续步骤默认安装即可。

       2. 安装cudnn，从developer.nvidia.com/rd...获取并进行安装。在cuda目录下进行软链接配置，并通过验证测试。

       其他依赖安装

       3. 安装eigen3.3.7，接着是opencv3，安装时需先安装依赖库，然后解压、配置和编译。

       源码下载与编译

       4. 创建新的工作区，下载并配置工作区，然后下载Autoware.ai源码。

       5. 使用rosdep安装依赖库，有CUDA版本和无CUDA版本两种编译方式。软件源码如何转交

       测试与问题解决

       6. 下载并运行demo，可能遇到的问题包括编译错误和链接问题。

       问题1：calibration_publisher报错，需修改CMakeList.txt文件。

       问题2：ndt_gpu编译错误，需替换Eigen3Config.cmake文件中的版本信息。

       问题3：opencv链接问题，需要检查和调整。

       问题4：rosdep更新慢，可通过修改源码和配置文件解决。

       问题5：runtime manager花屏，需安装wxPython 4.和libsdl1.2-dev。

       通过上述步骤，你应该能够成功编译并测试Autoware.io。如有任何疑问，查阅官方文档或社区论坛寻求帮助。

Lgsvl自动驾驶仿真器介绍（一）

       介绍LG电子美国研发中心开发的多机器人模拟器Lgsvl，适用于自动驾驶开发，能够直接对接Autoware和Apollo，并生成高精度地图。测试自动驾驶车辆时，Lgsvl提供直观的界面和功能。

       系统配置要求包括：操作系统优选Windows，Linux亦可运行但效率较低；两种运行方式，直接使用编译好的二进制文件或下载源码自行编译；若Apollo或Autoware在不同系统运行，需通过网络连接，建议使用交换机。

       下载运行：选择Windows或Linux版本，确保最新NVIDIA驱动已安装，解压并运行可执行文件。

       从源码编译运行：参考建制指令。

       Web仿真器配置界面包含四个选项："地图"、"车辆"、"集群"、"仿真器"，具体配置步骤如下：

       地图：下载或添加新地图，支持直接下载或手动上传。

       车辆：新增车辆配置，包括传感器参数、频率、vba 内置函数源码位置、topic等信息。

       集群：默认本地配置，可修改为远端IP。

       仿真器：配置"General"、"Map & Vehicles"、"Traffic"、"Weather"四个选项。

       完成配置后，Apollo侧进行对接，具体步骤包括启动仿真器和Apollo，最终效果通过运行展示。

       回顾内容：介绍Cyber框架、高精度地图等关键点。如对文章内容有帮助，欢迎点赞、分享、关注。

在SLAM中如何拼接使用多个激光雷达传感器数据

       为了确保激光雷达能够全面覆盖°的环境，计划在我的车上安装三个雷神线激光雷达，它们以前二后一的顺序安装，大致的位置如在世衡图中所示。其中，蓝色区域是由雷达1所收集的点云数据覆盖的，**区域是由雷达2覆盖的，绿色区域是由雷达3覆盖的，这样就可以实现对整个车辆周围环境的全覆盖。但是，这种布局可能会降低激光雷达系统的鲁棒性，因为如果其中一个激光雷达出现故障或者被污渍遮挡，就可能产生数据点云的盲区。因此，我计划尝试融合多个激光雷达的点云数据。关于激光雷达的IP配置，雷神线激光雷达出厂时的默认IP地址是..1.，UDP设备包端口号是，UDP数据包端口号是。使用多个激光雷达时，只需要将它们连接到一个交换机上，以形成一个局域网。当然，也可以使用路由器，只要它们处于同一网段即可，如果处于不同网段，就需要配置电脑的网关。这里，我将它们配置在同一个网段中。在同一个网段中，可以为不同的主机设置不同的IP地址，也可以为相同的IP地址分配不同的端口号，我选择后者，即使用不同的端口号。但务必确保激光雷达的IP地址和本机的IP地址不冲突。

       在激光雷达的IP配置中，可以通过修改雷神激光雷达提供的上位机软件中的参数来更改激光雷达的IP地址和端口号。具体的操作流程并不复杂。修改完端口号后，可以直接使用launch文件同时启动三个激光雷达。默认的launch文件中提供了同时启动两个激光雷达的方法，启动三个激光雷达的方法与之类似，只需分别启动三个node节点，当然，每次启动时都需要为节点赋予不同的名称，以避免冲突导致系统崩溃。

       三个激光雷达的激光点云数据分别在它们自己的坐标系下，即laser_link_left，laser_link_right，laser_link_rear。关于雷神激光雷达的坐标系，根据售后提供的信息，其方向是不确定的。当前使用的激光雷达坐标系是以x轴指向雷达后方的右手系。在提供的launch文件中，可以通过修改参数来确定激光雷达的起始角度和终止角度。由于0°方向是水平向左（以雷神标志为前方向），且没有负值，因此根据角度切割会比较麻烦。为了避免这种情况，直接在将激光点（范围，角度）转换成点云数据（x,y,z）的过程中，根据坐标将重叠区域的点云数据过滤掉。

       接下来，需要对三个激光雷达进行外参标定。使用Autoware提供的开源算法包，通过NDT算法来计算两组点云的外参。提供一个初始的外参数，输入两组点云数据后，可以得到标定的外参。标定完成后，选择其中一个激光雷达作为主传感器，将其他传感器的点云数据平移旋转到主传感器的坐标系下，进行点云拼接。在这里，选择laser_link_right作为主传感器。

       当得到标定后的tf关系后，使用四元数进行坐标值的旋转。由于这里是固定的静态tf关系，直接变换会更快，因此为了提高实时性，直接在生成激光点云的地方进行tf变换，即在rawdata.cc中，发布在同一个frame_id下的三个topic名称。

       在使用雷神线激光雷达的过程中，发现了一些问题：

       1. 雷神的is_dense设置为false，而在velodyne中是true，这可以在源码中直接修改。

       2. 在雷神中，超过设定范围的点会被设置为NAN，我就直接修改成了跳过continue。

       3. 雷神中的线数不叫ring，而叫lines。

       4. 雷神的自定义点云中没有time。

       这些问题导致不能直接适配某些SLAM算法，需要对自定义的点云结构体进行修改。

自动驾驶综述文章

       自动驾驶综述：现状与未来技术

       一、概述

       本文深入探讨了自动驾驶系统（ADS）的关键元素，包括当前挑战、系统架构、新兴技术以及核心功能，如定位、建图、感知、规划和人机交互。文章还介绍了用于测试和开发的测试数据集和工具集。

       二、前景与挑战

       自动驾驶的目标包括减少交通事故、缓解交通拥堵、环保出行。它为驾驶员提供了新的可能性，比如优化时间分配和解决出行难题。新兴趋势包括出行服务化和物流行业的革命。

       三、技术介绍

       自动驾驶等级从无自动化（L0）到完全自动化（L5），L3+要求在特定条件下无需驾驶员干预。ODD定义了系统工作的前提条件，DDT则详述了驾驶任务的子任务。系统框架分为单车辆、互联车辆、模块化和端到端，每种都有其独特优势和局限。

       四、传感器与硬件

       保证自动驾驶系统稳定性的是高冗余的传感器，包括相机、雷达、激光雷达和本体感知设备。这些传感器各有优缺点，如相机在特定光照条件下的挑战，而雷达和激光雷达则弥补了深度信息的不足。

       五、关键技术模块

       定位与建图：GPS-IMU融合与SLAM技术被用于定位，但存在误差和环境限制。先验地图定位依赖于地图匹配，但制作地图成本高且易受环境变化影响。

       感知：目标检测、语义分割、3D目标检测等，摄像机在光照变化和外观变化下显得脆弱，传感器融合是解决方案之一。

       评估与规划：风险评估、驾驶行为预测、决策制定中，使用了统计模型和深度学习技术，以优化路径规划。

       六、人机交互与工具

       人机交互关注驾驶员与车辆的沟通，如目的地输入和车辆状态监控。开放源代码框架如Autoware和Apollo，以及模拟器如CARLA和SUMO，是开发和测试的重要工具。

Autoware.universe 源码解读（一）

       在Autoware的自动驾驶仿真软件中，launch文件起着至关重要的作用。autoware.launch.xml是其中一个基础的launch文件，它使用XML语言编写，以定义启动ROS节点、参数和设置默认值。这个文件的核心结构包括version="1.0"（XML 1.0版本）和encoding="UTF-8"（UTF-8编码）。

       文件的前半部分侧重于参数定义和设置，包括地图路径、车辆模型、传感器模型和点云容器，这些都可以通过传递参数进行灵活调整。例如，vehicle_id和launch_vehicle_interface是两个全局参数，vehicle_id默认值为环境变量VEHICLE_ID的值，而launch_vehicle_interface默认为true，表示是否启动车辆接口。

       参数check_external_emergency_heartbeat控制外部紧急停车功能，当不需要时需将其设为false。system_run_mode和launch_system_monitor等参数分别定义了系统的运行模式和是否启动系统监视器。此外，rviz可视化工具的启用、rviz配置文件路径，以及感知模式的选择等也被详细定义。

       launch文件中还包括一个include标签，引入了global_params.launch.py，该文件通过arg标签传递参数，以进行更精细的配置。例如，如果launch_vehicle设置为true，它将启动vehicle.launch.xml，并传递参数。

       总的来说，autoware.launch.xml通过巧妙地定义和传递参数，灵活地控制和配置Autoware的各个子系统，以实现自动驾驶的模拟和测试。

Ubuntu.源码编译CARLA0.9.全过程记录

       本文详尽记录了在Ubuntu .上通过源码编译CARLA 0.9.的全过程，特别强调了Linux系统环境的配置以支持与ROS和Autoware的协同仿真，并且允许自定义场景和车辆配置。

       步骤一：系统基础配置

       首先，确保安装Ubuntu .并配置Nvidia显卡驱动，参考链接：win + Ubuntu . LTS 双系统安装（UEFI + GPT）。

       步骤二：安装依赖

       参考Linux build - CARLA Simulator -branch 0.9.，逐步安装必要的软件，如遇到下载问题，可考虑使用阿里源或新华源，推荐查阅：ubuntu安装软件依赖问题。

       步骤三：Unreal Engine 4. 安装与配置

       由于CARLA 0.9.以上版本使用UE4.，需先安装并编译。确保Github账户已与Unreal Engine账户关联，如需Personal Access Token，参考Github - 使用新的Personal Access Token进行仓库认证。

       步骤四：下载与编译CARLA

       从官方仓库下载CARLA源代码，更新时可能遇到官方资产Url变化，需修改Update.sh文件。编译过程中，PythonAPI部分网络需求较高，make launch可能需要设定UE4_ROOT环境变量，具体步骤见BuildCarlaUE4.sh。

       步骤五：运行测试

       在完成上述步骤后，进行测试并欢迎在评论区交流问题，如有任何疑问，欢迎留言。如果你对内容满意，请别忘了收藏和关注。