个人项目总结

1.AGV小车

1.1 串口通讯与色带导航算法

1.1.1 三个串口：

上位机与下位机运动控制串口，两个激光传感器串口

RS232，485串口速率要设置波特率，115200，设置校验位等信息，打开设备（open函数），是否有奇偶校验位

1.1.2 串口实质：

是文件，要想读写串口数据，必须先打开串口，设置串口，然后读写，读写完毕还要关闭串口。

1.1.3 色带导航算法思想：

保存当前传感器的位置信息和上一次前后传感器的位置信息。每次读取信息都要做均值处理，读取三帧数据，取报文中有效数据的均值。

//前后传感器报文接收帧
unsigned char frame_resultSensor_back[SENSORFRAMESIZE];
unsigned char frame_resultSensor_front[SENSORFRAMESIZE];
//前后传感器位置信息
double front_location[6];
double back_location[6];
//上一次前后传感器的位置信息
double pre_front_location[6];
double pre_back_location[6];

函数：根据指定的位姿产生指令报文。

对前后数据进行判断，如果前后都没有色带，就原地旋转，

检测到色带后：

前有后无，就直行，然后不断读取当前传感器数据，判断状态并向standard调整（平行，左偏，右偏）

前无后有，就旋转到前有，然后跳出旋转

当前后都有，先直行一小段距离，然后判断状态并向标准调整。（直行，右平移，左平移，右旋转，左旋转）。

1.2 hectorSLAM

1.2.1激光雷达数据获取：

进行激光雷达数据结构的解析，采用Socket通讯，通过ROS进行打包发布。

1.2.2基于GN算法计算激光雷达位姿：

采用占据栅格地图，通过双线性差值，将激光雷达扫描数据投影到栅格地图中，然后引入GN算法，计算激光雷达位姿。对连续两帧激光数据进行匹配，估计算出移动机器人相对位姿的变化，然后通过连续叠加位姿变化从而实现对移动机器人的位姿跟踪，实现激光雷达自身定位。

1.2.3 全局位姿优化与环境地图绘制：

需要利用图优化的思想，根据约束建模，增量参数化和误差函数设计实现最小化误差，实现位姿优化。最后构建出环境占据栅格地图。进行全局位姿优化的目的是为了降低位姿计算过程伴随的误差问题。首先对激光数据进行直线拟合，在此基础上提取角点特征，完成角点检测过程。以角点作为路标，结合机器人位姿构建出图模型，从而将SLAM问题转换成图优化问题。通过约束建模，增量参数化以及误差函数设计三个步骤实现最小化误差的目的，实现位姿优化，然后构建出环境占据栅格地图，实现了完整的SLAM设计流程。

1.2.4 角点检测算法：

提出并实现一种基于最小二乘法直线拟合的角点检测算法。主要包括了角点特征滤波，特征值计算和NMS（非极大值抑制）处理。

1597883380161

难点：

1.串口通信

2.算法设计：色带导航算法，角点检测算法；

3.代码研究。不断的剥离代码，做注释。

2.视频压缩算法：

gropf指令可以看到程序中每个函数的消耗时间。

2.1采用SSE指令+loop unrolling对视频压缩进行优化。其中包括sad_block,dct优化。

1597884075332

2.2对压缩算法的运动估计的参数进行调整。

比如cm->me_search_range，参数越小，压缩时间越快，相当于搜索范围越小，但这个参数越小，编码文件的size就会越大。

1597884528405

对量化的精度参数进行调整。编码文件的大小在缩小，PSNR的数值在减小，但同样的执行时间也在减小，这里执行时间减小可能是因为编码文件大小改变引起的。根据实际播放效果来看，当cm->qp=10的时候播放是可以接受的，Y分量上的PSNR有34.5，U分量和V分量有40左右。当cm->qp=5的时候，播放出现了麻点，有点老式电视机播放的样子，但基本清晰，也勉强可以接受，但由于编码时间减少不多，PSNR降的却很多，因此不建议将参数设置为5，参数值设置为10是比较合适的。保证了较高的压缩比和编码速率，同时保证了视频的质量。

2.3采用cuda架构进行GPU视频编码。

2.3.1cuda的线程模型

Host（主机端）执行核函数 Kernel，而 Device（GPU）上运行 Grid，每一个 Grid 上面包含了很多的 block，而每个 block 上又包含了很多的线程，并且他们都可以被定义为一维、二维和三维的方式，在每个 block 内部又可以进行线程之间的同步和数据共享。

1597884884753

当 Host 端需要进行大量并行计算的时候，会将数据从内存传入到 GPU 中，然后GPU 再利用自身高并发的特性，完成并行计算，计算完成之后再将计算结果传回到 CPU。

2.3.2sad_block优化

将两个 block 块放入到 GPU 中，再利用核函数完成对应像素点的差值计算，最后将每个像素的差值返回到 CPU 中，完成求和计算，就得到了这两个块的 SAD 计算。但CPU到GPU频繁的交换导致优化适得其反。

2.3.3运动估计优化

将一帧图像完全送入到 GPU 中进行处理。将一帧的图像分成很多的 macroblock（宏块），在编码器中一个宏块的大小是 8x8 的矩阵，里面存储了 64 个像素。我的想法是一个 grid 中分割成(weight/8)(height8)个 block，其中 weight 和 height 是该帧图像的宽和高。在每个block 中根据 YUV 分量的不同操作，拥有不同的线程数，这个线程数主要取决于他们的搜索范围不同，比如对于 Y 分量，搜索范围就是 3232，所以会有 1024 个线程，每个线程中将两个对应的 88 的宏块进行差值计算，并且在一个 block 中找到最优的 SAD即最小的），因此在实际设计中，需要设置一个shared的变量 best_sad，让块中的每个线程都可以共享访问，确定自己对应的这个宏块是不是当前确定运动估计的最佳匹配块。