A Simple Autodrive System Tool Chain, 一个简易的自动驾驶系统工具链
gcc >= 5, recommend gcc >= 9.4
cmake >= 3.15.0
Eigen >= 3.2.7
boost >= 1.58.0
OpenCV 3.x.x
yaml-cpp 0.7.0
proj4
glog
gtest
Besides, if you want to use ros_interface, ros >= kinetic must be required. If you want to use gtest modules, please set BUILD_TEST to ON and gtest library must be required.
# 1. download third party libaray
git submodule update --init
# 2. run script to build and test
bash run.sh build # 建立工程
bash run.sh build_and_run # 建立工程并运行
bash run.sh build_and_test # 建立工程并测试
bash run.sh run # 运行程序
bash run.sh test # 运行测试
bash run.sh clean # 清理缓存和build文件
bash run.sh ros_build # 编译ROS接口模块
bash run.sh ros_run # 运行预定ros_launch文件
bash run.sh ros_build_and_run # 编译ROS接口模块并运行预定ros_launch文件
bash run.sh ros_save_traj # 运行ROS接口下的轨迹保存模块- common：通用处理模块，依赖最少的库，目前库中包括：日志系统、时间系统、定时器系统；
- config：放置配置相关文件和参数表，其中config.h配合第三方库easy_config做c++反射使用；
- docker：放置通用的dockerfile文件；
- example：一些常用的案例库；
- gtest：作为gtest单元测试使用，合并分支前需要通过所有的单元测试；
- interface：常见的接口处理模块，包括数据读入、数据处理、数据输出等；
- math_utils：常见的数学计算库，包括多项式拟合、卡尔曼滤波器等，作为eigen的补充和封装使用；
- modules：算法的核心代码；
- ros_interface：独立模块，提供ROS处理模块；
- scripts：提供常用的脚本工具；
- sensor_data：本系统所使用的数据类型和常见数据结构的补充；
- slam_results：放置数据运行结果数据；
- third_party：存放第三方库，目前支持backward-cpp（内存追踪库）、easy_config（c++参数反射库）等；
Tips：请善用全局搜索相关函数。该章节介绍是以功能为导向而非函数为导向的，因此详细使用可以参考gtest模块或者example模块；
- 文件读取：
- 读取TUM数据集中的位姿并存储：
std::vector<sensorData::PoseData> GetTUMPoseFromFile(std::ifstream &pose_stream, int drop_lines_num)； - 读取文件夹中的所有文件夹或/和文件名，并能够区分是否递归读取子文件：
void ReadFolder(const std::string &folder, std::vector<std::string> &files, int mode)； - 拷贝/移动文件或者文件夹：
bool CopyFiles(const std::string &src, const std::string &dst, int mode = 0)； - 读取YAML文件格式的传感器外参：
LoadExtrinsic(const std::string &file_path, Eigen::Affine3d &extrinsic)； - 读取YAML文件格式的传感器内参：
bool LoadIntrinsic(const std::string &intrinsics_path, cv::Mat&dist_coeffs, cv::Mat &intrisic_mat)； - 获取文件地址中的文件名，不带扩展名：
bool GetFileNameInPath(const std::string &path, std::string &filename)； - 获得当前可执行文件目录：
std::string GetCurrentDir()；
- 读取TUM数据集中的位姿并存储：
- 文件写入：
- 保存轨迹，支持TUM，KITTI等多种格式：
void SaveTrajectory(const std::string &filename, const std::vector<sensorData::PoseData> &trajectory, save_options mode = save_options::TUM)；
- 保存轨迹，支持TUM，KITTI等多种格式：
- 数据处理：
- 多种旋转插值方法：
PoseSyncData(sensorData::CircularQueue<T> &unsynced_data, sensorData::CircularQueue<T> &synced_data, double sync_time, double max_interval)； - Eigen，OpenCV内多种数据格式的相互转换：
class DataConverter；
- 多种旋转插值方法：
- 数学支持：
- 梯度下降法接口，使用详见example：
class GradientDescent； - 线性卡尔曼滤波其接口：
class KalmanFilter； - 使用M个2d点拟合N阶多项式：
std::array<double, N + 1> FitPolynomial( const std::array<Eigen::Vector2d, M> &points, double *ptr_error_square)；
- 梯度下降法接口，使用详见example：
- 可视化部分
- 深度图像可视化，可以展示和存储：
void DepthMapVisualization(onst cv::Mat &depth, display_option option, const std::string name)；
- 深度图像可视化，可以展示和存储：
- 图像处理部分（包括彩色图像和深度图像）
- 深度图滤波，采用联合双边滤波算法：
class JBF； - 深度图补全，采用基于传统方法的快速深度补全算法：
class Kernel； - 基于深度图的显著性检测算法，常用于分离背景：
cv::Mat DepthSaliencyDetection(const cv::Mat &depth)
- 深度图滤波，采用联合双边滤波算法：
- python脚本：
- 根据文本绘制目标检测框：
scripts/tools/深度学习相关/根据文本绘制目标检测框/plot.py； - 将图像和标签按照相同顺序打乱：
scripts/tools/深度学习相关/将图像和标签按照相同顺序打乱/shuffle.py； - 遍历文件KITTI格式转换单文件TUM格式：
scripts/tools/数据处理相关/遍历文件KITTI格式转换单文件TUM格式/convert.py - 标签和图像对齐生成txt文件：
scripts/tools/数据处理相关/标签和图像对齐生成txt文件/alignment.py； - 读取TXT文件并绘图：
scripts/tools/数据处理相关/读取TXT文件并绘图/plot.py； - 将图片序列生成视频：
scripts/tools/数据处理相关/将图片序列生成视频/convert.py； - TUM格式数据集深度和彩色图像关联：
scripts/tools/数据处理相关/TUM格式数据集深度和彩色图像关联；
- 根据文本绘制目标检测框：
- 其他：
- 不包含ros的简化docker：
docker/docker_without_ros； - ros接口示例：
ros_interface；
- 不包含ros的简化docker：
非常欢迎各位一起完善该项目！
以下是项目原则：
- 如非必要，请不要增加太多依赖库，保证现有的库与待添加的库功能不冲突。如有了ceres就不需要增加g2o。如果库比较小众，请以第三方库的形式添加；
- 代码贡献者根据个人需要提交分支，完成所有需求后需要添加单元测试。保证所有单元测试通过后，才进行分支合并，并删除无用的已有分支。
- 请保证代码风格一致性，代码标准以c++17标准为基准，目前不支持更高版本的标准以保证代码的兼容性；
- 保证每次提交时有明确的使用说明，小功能可以
commit形式（如修复一些bugs），较大功能的开发需要新增readme文档。 - 注意代码合法性要求：在借鉴代码中表明代码来源，如使用Apollo代码需要在相关头文件中指出。不使用严禁开源的代码。
以下是开发计划：
- 在math_utils中增加梯度下降、修正牛顿法等无约束优化算法；
- 内存对齐检查，使其兼容c17以下内存对齐方案；
- 在math_utils增加qr、lqr、svd分解，随机数生成器；
- 在docker中增加常见的dockerfiles文件，包括一个带有ros的版本和一个不支持ros的版本；
- 在modules中增加特征提取（点、直线、面）；
- 在modules中增加点云处理相关操作，如：去畸变、聚类、滤波等；
- 在example中增加简单优化库的使用，如用最小二乘写一个由3D点拟合平面参数的函数；
- 在example中对空间栅格进行hash及存储空间栅格的hash容器（简易voxel）；
- 新增viewer模块，增加可视化实例；
- 代码优化：DataConverter类重复性过高，需要用一种简单的方法降低重复性；