GAAS_contrib

Extra modules of GAAS; Including some amazing lidar-based algorithms!

本项目包含一些 GAAS的扩展模块,包括一些基于激光雷达的优秀算法实现!

这个项目是 GAAS----一套无人机/飞行汽车全自主飞行框架的扩展模块.

开启此项目的原因是: GAAS基于纯视觉算法的思路,目前看来并不是很好地适应无人驾驶行业发展的现状.GAAS本身设计之初,并不是纯粹为载人自主飞行器(以下统称:飞行汽车)和货运无人机场景设计的,因此不可避免有一些问题.

对于大型货运无人机和飞行汽车而言,纯视觉的技术路线缺点是:

1.鲁棒性不够,不能针对夜间或逆光等场景有较好的适应性,飞行器高速移动时定位也容易丢失,容易引发恶性事故.这是大型飞行器绝对不能接受的.

2.计算量比较大.在移动设备上不容易实现实时运行.

3.基于神经网络的方法在极端场景下容易出现事故,且故障不易复现.

这些问题都是载人飞行场景下不允许发生的.

因此,引入激光雷达目前看来是十分必要的.

考虑备选的型号主要是:

Livox TELE-15

Velodyne Velarray

考虑获取的点云的稠密性和大量应用的成本,固态激光雷达显然是未来更有前景的方向.

多线束旋转式激光雷达成本高昂,重量大,机械结构容易损坏,布置不易,线束重复难以全面扫描整个场景,无法适应调试中反复的碰撞等不利条件.因此暂不予考虑.

使用激光雷达将大大减少感知,定位模块中一些算法的复杂程度,提高稳健性;实现建图及自动降落等功能也较为容易.

主要考虑添加的算法有:

1.点云匹配. ICP + Graph Optimization 算法.用于离线激光建图,在线激光 SLAM定位,激光重定位等.

2.点云结合视觉的运动中障碍物检测.可以解决视觉难以解决的线状物体检测问题和深度恢复问题,规划更稠密精准的可行驶区域.

3.激光雷达地障检测.在未知场地备降.

模拟器仍考虑使用 Gazebo.

目标平台暂定x86 i7级别处理器(如upextreme平台),用于基础算法的部署,便于开发和仿真测试; Nvidia Jetson AGX Xavier(32GB RAM,30TOPs),用于基于神经网络算法/需要 CUDA加速算法的部署;这两款平台也有充足的性能冗余,能保证算法运行的稳健性.

更低端的 Jetson tx2, Raspberry pi, Odroid等性能太差,在大型飞行器场景成本对计算单元成本要求不高的场景下,不予考虑.

现在已完成的部分:包含32线激光雷达和双目摄像头的仿真环境初步搭建.

32线Lidar+Stereo camera 效果如下图.

Livox Horizon的模拟: (图像较大,请耐心等待加载)

32线旋转式Lidar建图 & NDT定位.

仿真环境运行详细说明见simulation/README.md.

开发路线图:

1.实现gazebo 仿真环境的搭建,包括重复扫描式激光雷达和非重复扫描式激光雷达与双目相机的多种组合方式.

1.Livox Horizon + Forward Stereo Camera --Done.

2.Velodyne HDL-32 + Forward Stereo Camera --Done.

2.方便的部署脚本,解决GAAS从头编译安装较为复杂的问题.

3.实现一些以激光雷达(机械/固态)为主的算法,并在仿真环境中实现一键启动.

1.Lidar Camera 前融合 点云投影到图像 --完成.

2.Euclidean Cluster Extraction. --Done.

3.NDT Lidar Localization --Done.

GAAS_contrib目前主要分为两个部分:算法和仿真.

1.仿真部分

实现带有双目摄像头和激光雷达的飞行器模拟,将包含非重复扫描的激光雷达模拟实现,以帮助开发者在模拟器环境中仿真类似Livox mid40/Horizon一类的非重复扫描雷达.

2.算法部分

负责实现基于激光雷达和摄像头的感知,建图和定位方案.

负责实现空域动态分配算法.