引言
本文参考Autoware_wiki_overview，主要描述了Autoware的整体框架和模块描述，主要包括感知和规划两大部分。
感知包括定位模块，检测模块，预测模块。定位模块使用3D map和SLAM算法来实现，辅助以GNSS和IMU传感器。检测模块使用摄像头和激光雷达，结合传感器融合算法和深度学习网络进行目标检测。预测模块使用定位和检测的结果来预测跟踪目标。
规划模块主要是基于感知的输出结果，进行全局路径规划和局部路径规划。全局路径规划在车辆启动或重启的时候被确定，局部路径根据车辆的状态进行实时更新。例如，如果车辆在障碍物前或停止线前，车辆状态变为“stop”，那么车辆的速度就被规划为0。如果车辆遇到一个障碍物且状态为“avoid”,那么局部跟踪路径就会被重新规划绕过障碍物。主要模块如下所示：
Localization
lidar_localizar 计算车辆当在全局坐标的当前位置(x,y,z,roll,pitch,yaw)，使用LIDAR的扫描数据和预先构建的地图信息。autoware推荐使用正态分布变换(NDT)算法来匹配激光雷达当前帧和3D map。
gnss_localizer 转换GNSS接收器发来的NEMA消息到位置信息(x,y,z,roll,pitch,yaw)。结果可以被单独使用为车辆当前位置，也可以作为lidar_localizar的初始参考位置。
dead_reckoner 主要使用IMU传感器预测车辆的下一帧位置，也可以用来对lidar_localizar和gnss_localizar的结果进行插值。
Detection
lidar_detector 从激光雷达单帧扫描读取点云信息，提供基于激光雷达的目标检测。主要使用欧几里德聚类算法，从地面以上的点云得到聚类结果。除此之外，可以使用基于卷积神经网路的算法进行分类，包括VoxelNet,LMNet.
image_detector 读取来自摄像头的图片，提供基于图像的目标检测。主要的算法包括R-CNN，SSD和Yolo，可以进行多类别(汽车，行人等)实时目标检测。
image_tracker 使用image_detector的检测结果完成目标跟踪功能。算法基于Beyond Pixels，图像上的目标跟踪结果被投影到3D空间，结合lidar_detector的检测结果输出最终的目标跟踪结果。
fusion_detector 输入激光雷达的单帧扫描点云和摄像头的图片信息，进行在3D空间的更准确的目标检测。激光雷达的位置和摄像头的位置需要提前进行联合标定，现在主要是基于MV3D算法来实现。
fusion_tools 将lidar_detector和image_detector的检测结果进行融合，image_detector 的识别类别被添加到lidar_detector的聚类结果上。
object_tracter 预测检测目标的下一步位置，跟踪的结果可以被进一步用于目标行为分析和目标速度分析。跟踪算法主要是基于卡尔曼滤波器。
Prediction
moving_predictor 使用目标跟踪的结果来预测临近物体的未来行动轨迹，例如汽车或者行人。
collision_predictor 使用moving_predictor的结果来进一步预测未来是否会与跟踪目标发生碰撞。输入的信息包括车辆的跟踪轨迹，车辆的速度信息和目标跟踪信息。
Misson planning
route_planner 寻找到达目标地点的全局路径，路径由道路网中的一系列十字路口组成。
lane_planner 根据route_planner发布的一系列十字路口结果，确定全局路径由哪些lane组成，lane是由一系列waypoint点组成
waypoint_planner 可以被用于产生到达目的地的一系列waypont点，它与lane_planner的不同之处在于它是发布单一的到达目的地的waypoint路径,而lane_planner是发布到达目的地的一系列waypoint数组。
waypoint_maker 是一个保存和加载手动制作的waypoint文件的工具。为了保存waypoint到文件里，需要手动驾驶车辆并开启定位模块，然后记录车辆的一系列定位信息以及速度信息， 被记录的信息汇总成为一个路径文件，之后可以加载这个本地文件，并发布需要跟踪的轨迹路径信息给其他规划模块。
Motion planning
velovity_planner 更新车辆速度信息，注意到给定跟踪的waypoint里面是带有速度信息的，这个模块就是根据车辆的实际状态进一步修正速度信息，以便于实现在停止线前面停止下来或者加减速等等。
astar_planner 实现Hybrid-State A*查找算法，生成从现在位置到指定位置的可行轨迹，这个模块可以实现避障，或者在给定waypoint下的急转弯，也包括在自由空间内的自动停车。
adas_lattice_planner 实现了State Lattice规划算法，基于样条曲线，事先定义好的参数列表和语义地图信息，在当前位置前方产生了多条可行路径，可以被用来进行障碍物避障或车道线换道。
waypoint_follower 这个模块实现了 Pure Pursuit算法来实现轨迹跟踪，可以产生一系列的控制指令来移动车辆，这个模块发出的控制消息可以被车辆控制模块订阅，或者被线控接口订阅，最终就可以实现车辆自动控制。
Planning模块总体上分为任务规划(Mission planning)和场景选择(Scenario selector)两部分。
任务规划(Mission planning)根据静态地图(static map)计算从起始位置到目的地位置之间的完整路线，路线由一系列的车道序列组成，车辆沿着这些车道线行驶可以到达目的地。这里还没有考虑障碍物、临时道路维修等动态的情况。再将计算结果通过消息的形式传给场景选择模块。
场景选择（Scenario selector）根据车辆当前所处的位置选择合适的场景规划。例如：当前车辆在道路上，则选择在道路上的路径规划；当前车辆在停车区域，则选择停车场景的路径规划。目前场景选择部分只有停车和在道路上行驶两个场景，根据需求也可以添加其他场景，比如高速路场景下的路径规划、紧急情况下的路径规划等。在添加新功能时，是需要新的场景还是需要对现有场景进行增强，这可能会引起争议，我们还需要更多的调查来设置“场景”模块的定义。
具体的每个场景的作用是根据路线(route)信息计算轨迹(trajectory)信息，它只在场景选择器模块选择模块时进行规划。也就是说如果系统中没有加入某个场景(例如高速路场景)的话，是不会进入到具体的场景轨迹规划的。这一部分就需要考虑动态地图中的障碍物和环境变化了。
Planning模块mission planning部分：对订阅的目的地位姿判断有效（在车道内或者停车区域内）的情况下，规划从起始地到目的地之间的路线并进行发布，该消息被场景规划scenario planning部分订阅；
Planning模块scenario planning部分：场景选择(scenario setector)和场景(包括lane driving、parking)两部分。
scenario setector：根据车辆当前的位置和订阅的高精地图(lanelet格式的向量地图)信息判断当前的车辆是行驶过程中（是否在车道中）还是处于停车区域，根据不同的场景会进行不同场景的路径规划；
lane driving：lane driving分为行为规划和运动规划。行为规划包括规划路径上的车速变换、车道变换和转向信号判断；运动规划包括遇到障碍物的时候是停下来还是避开障碍物，如果停下来的话需要将停止点的坐标插入到规划路径的点序列当中，如果是避开障碍物的话需要重新规划路径；
parking：parking分为代价地图创建和无障碍区域的路径规划。代价地图创建部分根据订阅的lanelet2格式的向量地图解析生成代价地图，代价地图采用网格形式，每个网格值为0-255，分为有障碍物、无障碍物和未知区域三种状态；无障碍区域的路径规划根据代价地图和车辆的当前位姿和目的地位姿，使用Astar搜索算法进行路径规划，并随时根据障碍物的情况进行重新规划。
