# Autonomous-Driving-Simulation-ROS **Repository Path**: Liaiscn/Autonomous-Driving-Simulation-ROS ## Basic Information - **Project Name**: Autonomous-Driving-Simulation-ROS - **Description**: DWA - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2024-06-05 - **Last Updated**: 2024-06-05 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # Autonomous Driving Simulation ## README.md [English](https://github.com/Matthew-Lyu/Auto-Driving-Simulation-ROS/blob/main/README/README_En.md) ｜[简体中文](https://github.com/Matthew-Lyu/Auto-Driving-Simulation-ROS) ## 本项目是基于规划和汽车动力学的自动驾驶项目仿真实现效果如下：

## 实现方案 ### 规划规划部分使用Dijkstra算法进行全局路径规划，DWA算法进行局部路径规划。 - 基于move_base实现 - 全局路径规划：Dijkstra算法该算法的基本思想是从起点开始，逐步扩展到其他节点，直到找到目标节点或者遍历完所有节点。通过维护一个距离表，记录从起点到每个节点的最短距离，以及一个前驱节点表，记录到达每个节点的最短路径中的前一个节点，算法不断更新这两个表的值，直到找到目标节点或者无法继续扩展。 - 局部路径规划：DWA算法 DWA（Dynamic Window Approach）算法是一种用于机器人导航中的局部路径规划的算法。它是一种基于动态窗口的方法，用于在机器人当前状态下搜索最佳速度指令，以避免障碍物并达到目标位置。 DWA算法的核心思想是根据机器人的动力学模型和环境信息，在速度-转向空间中搜索一个动态窗口，该窗口包含了机器人当前速度的一些可能变化范围。然后，通过评估每个速度指令的安全性和目标接近度，选择最佳速度指令作为机器人的下一步移动。该算法的实现步骤如下： 1. 获取无人车当前状态，包括位置、速度和朝向。 2. 在速度-转向空间中定义一个动态窗口，该窗口由无人车的最大速度和最大转向速度限制确定。 3. 对于动态窗口中的每个速度指令，通过无人车的动力学模型预测无人车在给定时间内的轨迹。 4. 对于每个轨迹，评估其与障碍物的安全距离，以及其与目标位置的距离。 5. 根据评估结果，计算每个速度指令的得分，选择得分最高的速度指令作为无人车的下一步移动。 6. 将选择的速度指令发送给无人车执行。该算法的优点是不需要将全局规划出的路径进行平滑，因为DWA规划出的局部路径符合车辆运动学，并且由于其实时规划的特性，可以实现实时避障。 ==关于路径规划算法的参数设置参见`/src/simulation_launch/param`下的`.yaml`文件。== ### 控制控制部分使用了双PID控制器，它的优点首先是比较容易实现，另外它能够更好地处理非线性和时变性系统，提高控制系统的稳定性和性能。一个PID控制器的输出是油门大小，另一个PID控制器的输出是舵角大小。 ```cpp //—————————————————双PID控制器————————————————————// // 定义PID控制器参数 // 油门 double throttle_Kp = 1.0; double throttle_Ki = 0.0; double throttle_Kd = 0.0; // 舵角 double steering_Kp = 0.8; double steering_Ki = 8.0; double steering_Kd = 0.0; // 双PID控制器的输出 double throttle_delta[2] = {0.}; // 油门变化量2维,{油门, 舵角}; // 定义双PID控制器 class PIDController { private: double error; // 误差 double integral; // 积分 double derivative; // 微分 double previous_error; // 上次误差 public: double Kp; // 比例系数 double Ki; // 积分系数 double Kd; // 微分系数 // 构造函数 PIDController(double kp, double ki, double kd) { Kp = kp; Ki = ki; Kd = kd; error = 0.0; integral = 0.0; derivative = 0.0; previous_error = 0.0; } // 计算输出（油门，舵角） double calculate(double expectation, double measured, double dt) { error = expectation - measured; double output; integral += error ; derivative = (error - previous_error); output = Kp * error + Ki * integral + Kd * derivative; previous_error = error; return output; } }; // 创建PID控制器对象 PIDController throttle_controller(throttle_Kp, throttle_Ki, throttle_Kd); PIDController steering_controller(steering_Kp, steering_Ki, steering_Kd); ``` 对于throttle_controller输入行驶方向速度，输出为油门大小。对于steering_controller输入角速度，输出为舵角大小。 ### Dynamic车辆动力学模型根据给定车辆动力学模型进行状态更新 ```cpp //—————————————————状态更新函数————————————————————// // 状态更新，输入参数为当前状态xC，油门变化throttle_delta，以及时间间隔dt void update_xC(double* xC, double* throttle_delta, double dt) { // 定义车辆参数 double Cm1 = 0.287; // 前轮滑移力矩系数 double Cm2 = 0.0545; // 前轮滑移力矩系数 double Cr0 = 0.0218; // 轮胎滚动阻力系数 double Cr2 = 0.00035; // 轮胎滚动阻力系数 double B_r = 3.3852; // 后轮侧向力系数 double C_r = 1.2691; // 后轮侧向力系数 double D_r = 0.1737; // 后轮纵向力系数 double B_f = 2.579; // 前轮侧向力系数 double C_f = 1.2; // 前轮侧向力系数 double D_f = 0.192; // 前轮纵向力系数 // 定义车辆质量和惯性矩 double m = 0.041; // 车辆质量 double Iz = 27.8e-6; // 车辆惯性矩 double l_f = 0.029; // 前轴到质心的距离 double l_r = 0.033; // 后轴到质心的距离 double g = 9.8; // 重力加速度 // 计算前后轴负荷 double Nf = m * g * l_r / (l_f + l_r); double Nr = m * g * l_f / (l_f + l_r); // 获取当前状态 double phi = xC[2]; // 当前车辆的航向角 double v_x = xC[3]; // 当前车辆的纵向速度 double v_y = xC[4]; // 当前车辆的横向速度 double omega = xC[5]; // 当前车辆的角速度 double D = throttle_delta[0]; // 油门变化量 double delta = throttle_delta[1]; // 方向盘转角 // 计算前后轮侧偏角 double alpha_f = std::atan2((l_f * omega + v_y), std::abs(v_x)) - delta; double alpha_r = std::atan2((v_y - l_r * omega), std::abs(v_x)); // 计算前后轮侧向力和纵向力 double F_fy = D_f * std::sin(C_f * std::atan(-B_f * alpha_f)); double F_fx = -Cr0 * Nf - Cr2 * v_x * v_x; double F_ry = D_r * std::sin(C_r * std::atan(-B_r * alpha_r)); double F_rx = (Cm1 * D - Cm2 * D * v_x - Cr0 * Nr - Cr2 * v_x * v_x); // 计算dx double dx[6] = {0.0}; dx[0] = v_x * std::cos(phi) - v_y * std::sin(phi); dx[1] = v_y * std::cos(phi) + v_x * std::sin(phi); dx[2] = omega; dx[3] = 1 / m * (F_rx + F_fx * std::cos(delta) - F_fy * std::sin(delta) + m * v_y * omega); dx[4] = 1 / m * (F_ry + F_fx * std::sin(delta) + F_fy * std::cos(delta) - m * v_x * omega); dx[5] = 1 / Iz * (F_fx * std::sin(delta) * l_f + F_fy * l_f * std::cos(delta) - F_ry * l_r); //更新xC for (int i = 0; i < 6; i++) {xC[i] = xC[i] + dx[i]*dt ;} // 初始状态下限定位置和速度为0 if(throttle_delta[0] == 0.0 && throttle_delta[1] == 0.0){xC[0] = 0.0;xC[3] = 0.0;} // 限制x轴方向速度 if (xC[3] < min_vx && xC[3]!=0) {xC[3] = min_vx;} if (xC[3] > max_vx) {xC[3] = max_vx;} // 限制y轴方向速度 xC[4] = 0.0; // 限制角速度 if (xC[5] > max_vphi) {xC[5] = max_vphi;} if (xC[5] < min_vphi) {xC[5] = min_vphi;} } ``` ## 项目说明将控制器集成到了主函数`vehicle_fake_node`中，并没有作为一个单独的节点。环境要求： - Ubuntu20.04.2 - ROS1 Noetic - rviz - map_server - move_base - amcl 项目运行： 1. 创建工作空间，打开终端 ``` mkdir -p ~/catkin_ws ``` 2. 将src文件夹复制到该文件夹下 3. 编译软件包 ``` catkin_make ``` 4. 设置环境变量 ``` source ./devel/setup.bash ``` 5. 运行launch文件启动节点 ``` roslaunch simulation_launch move_base_simulation.launch ``` 之后在打开的rviz可视化界面内用2D Pose Estimate和2D Nav Goal选择起点和终点就可以进行仿真了。