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.
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.
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.
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.