# Autoware架構基本介紹
## Overview
* Autoware 運作機制主要分成以下階段： Sensing, Computing 及 Actuation，其中 Computing 包含了核心演算法 Perception, Decision, Planning。
* 本文章將以 Sensing, Perception, Decision, Planning 等四個核心階段做介紹。


* 總體控制流程為：
* (**Sensing**) 從各式 Sensor 接收訊息。
* (**Computing**) 透過 Sensor 資料來進行控制邏輯的判斷。
* (*Perception*) 感知自駕車周遭環境及狀態（e.g 定位處理、障礙物偵測），以利後續決策。
* (*Decision*) 以感知資訊決定自駕車狀態（e.g 按照路徑前進、緊急迴避、煞車等等）
* (*Planning*) 規劃路徑分為以下兩種：
* Mission Planner：以特定演算法（e.g.最短路徑演算法）決定起點到終點的參考路徑。
* Motion Planner：以當前狀態去動態計算一段距離內的行走軌跡，主要用來控制自駕車沿著 Mission Planner 之路徑行走或迴避障礙物。
* (**Actuation**) 取得自駕車狀態下達控制指令。
* [Autoware官方文件](https://gitlab.com/autowarefoundation/autoware.ai/autoware/wikis/home)提供功能與 API 的對應與介紹，可以更詳細地了解 Autoware 中的功能

## 資料流程圖


## Sensing

本段將列出自駕車常見之感測器，及其運作機制。

### Camera
* 透過影像偵測物體，Autoware 即是使用 [Yolo3](https://www.youtube.com/watch?v=pO4vM4ehI98) 來辨識物體。

### LiDAR (光達/雷射雷達) / RADAR (雷達)


* LiDAR: 環繞式地發射**雷射脈衝**，並透過接收反射來得知周遭物體位置。
* RADAR: 發射**無線電波**並且透過反射來得知物體的位置，目前 Autoware 並未採用 RADAR 的設計，目前特斯拉的駕駛輔助系統便是以 RADAR 為主。

### IMU
* 測量物體慣性(加速度/角速度)，用於取得當前車輛姿態及輔助自駕車定位。
### GPS & RTK
* GPS：衛星定位，誤差較大。
* RTK (Real Time Kinematic)：GPS 的改良版，GPS 訊號除了會傳到自駕車上，同時也會傳到鄰近的站台上（站台為固定地標，因此已知座標），此站台將會再次通知 RTK，以修正誤差。

## Map file
* 地圖檔案為自駕車運作時的已知資訊，因此必須在事前採集，而 Autoware 主要使用下列幾種格式，而這些為非必要性，例如少了 Vector Map 仍然可以使用 Waypoint 來運作，少了 PCD file 仍可以只靠 GPS 訊號運作，主要差在準確度。
> 資料越多，準確度越高。(有效資料的前提下)
> [name=ShaoHua Wang]
### PCD (Point Cloud Data) Map
* LiDAR 使用 **Normal Distributions Transform (NDT)** 來進行定位，也可透過該演算法，在定位同時以點雲 (Point Cloud) 的形式記錄場景物件，產生對應的 pcd map。
* PCD map 可使用 Autoware 中 [ndt_mapping](https://www.youtube.com/watch?v=ss6Blrz23h8) 的功能來製作，車子必須開啟 LiDAR 環繞場景一圈(目前實驗都是先手動開一圈蒐集資料)，NDT_mapping 會根據車子 gps 位置以及 LiDAR 掃到的點雲來生成一張pcd地圖檔案。

### Vector Map
* Vector Map 透過向量的形式來儲存地理資訊，其中便包含道路的走勢及方向，產生此地圖需要專業的測量手法及儀器，因此精度相當高。
[(來源)](https://www.youtube.com/watch?v=xTtdLlferxQ)
### HD Map
* 近似於 Vector Map，為另外一套開源軟體 Baidu Apollo 所使用的地圖格式。
* 這個名詞定義目前還很模糊，也有可能是指 Vector map + PCD 的統稱。
### Waypoint
* 為自駕車行走過的路徑格式，路徑上的點記錄了速度資訊及方向。
* 相較於 Waypoint，Vector map 類似於參考用路徑，因此自駕車在運作時，會以 Vector map 為基礎，動態地產生 Waypoint 來進行迴避的動作。
* 使用者將前次駕駛時的移動軌跡紀錄成 Waypoint，下一次載入Waypoint 便可重現上次的行走軌跡。

### How to get these data?
* PCD file：[ndt_mapping](https://gitlab.com/autowarefoundation/autoware.ai/core_perception/-/tree/master/lidar_localizer/nodes/ndt_mapping)(Autoware)
* Vector/HD Map：外部工具(例如 LG simulator 等)繪製而成
* Waypoint：[waypoint_maker](https://gitlab.com/autowarefoundation/autoware.ai/core_planning/-/tree/master/waypoint_maker)(Autoware)

## Perception
### Localization (定位)

#### gnss_localizer
* 利用 GPS 定位，可與 lidar_localizer 協作。

#### lidar_localizer
* 使用 Normal Distributions Transform (NDT) 演算法。
* Input：PCD map、起始位置點、LiDAR 即時訊號。
* Output：根據 PCD map，運算目前自駕車位置。
* 原理: 利用 LiDAR 的即時點雲資料，比對 PCD map 上已經紀錄好的點雲，以機率分佈算出自駕車位置。
* [實做影片](https://www.youtube.com/watch?v=ODlxMzGTJzw)

### Detection
* lidar_detector：透過 LiDAR 偵測物體的存在(例如點雲密的地方可能就是有物體)
* vision_detector：透過 Camera 偵測物體的存在(例如點雲密的地方可能就是有物體)
* 可利用 sensor fusion，將上述兩個 detector 合併使用，以強化準確度。

## Decision

> 其實目前在 Autoware 的實作中，Decision 與 Planning 並沒有很清晰地區分，甚至是實坐在一塊，但為了方便講解還是會將兩者抽離。

在 Decision Phase 中自駕車透過狀態機來決定加速，煞車，迴避障礙物，緊急迴避等功能的運作，並根據目前狀態來選擇要使用 Planner 的對應功能

## Planning

### Mission Planner
* 透過 vector map 導航：Mission Planner 會根據 vector map 規劃從資訊系館到安平的路徑，類似 google map 導航。
* 透過 waypoint 導航：假如你已經有一組從資訊系管到安平的 waypoint 資料，你可以手動載入並且車子會以此資料為主去前進

### Motion Planner
* Motion Planner 負責規劃短程路徑(約 10-30m 之間)，並控制車子的轉彎角度及速度去貼合 mission planner 所規劃出來的路徑。
* 裡面有不同的 planner 演算法，例如 A* planner 適合用於自由空間(例如停車場)，lattice planner 適合用於車道變換。
* 通常用來配合避障、紅綠燈偵測、停止線偵測等功能。