Apollo添加新的camera检测算法

主页传送门 ： 📀 传送

---

概述

---

??在自动驾驶系统中，Perception模块使用多种传感器来实现对环境的感知，其中camera

在自动驾驶系统中，Perception模块使用多种传感器来实现对环境的感知，其中camera数据流扮演着

重要的角色。具体来说，camera数据流是从摄像头设备中获取原始图像数据的信息流。这些原始图像

数据经过ISP（Image Signal Processing，图像信号处理）处理后，会被发送到后续的处理模块进行

进一步的处理和分析。

??为了优化处理流程，有时会根据需要对camera数据流进行配置，这包括单个摄像头的数

据流配置以及一组或多组数据流的配置。此外，无人机的视觉系统也常用双目视觉传感器来提供全方

位视觉信息。

??Perception模块中的camera数据流是从摄像头设备中获取并处理的原始图像数据，它是

实现环境感知的重要一环。

架构体系

---

Perception中的camera数据流如下：

??本篇文档所介绍的camera检测算法分为三种，分别针对交通信号灯的检测算法，针对车道线的检测算法和针对障碍物的检测算法。
??这三种检测算法分别位于图中的Traffic_light, Lane和Obstacle三大Component中。

各Component的架构如下：

交通信号灯感知

---

车道线感知

---

障碍物感知

---

??从以上结构中可以清楚地看到,各个component都有自己的抽象类成员 base_XXX_detector。对应的检测算法作为 base_XXX_detector 的不同的派生类，继承各自的基类实现算法的部署。由于各detector基类在结构上非常相似，下面将以 base_obstacle_detector为例介绍如何基于当前结构添加新的camera障碍物检测算法。新增交通信号灯和车道线检测算法的步骤相同。

添加Camera检测算法

---

下面将详细介绍如何基于当前结构添加新的Camera检测算法。

??Apollo在Obstacle Detection中默认提供了3种camera检测算法–Smoke，Yolo和YoloV4，它们可以被轻松更改或替换为不同的算法。每种算法的输入都是经过预处理的图像信息，输出都是目标级障碍物信息。
??本篇文档将介绍如何引入新的Camera检测算法，添加新算法的步骤如下：

1. 定义一个继承基类 base_obstacle_detector 的类
2. 实现新类 NewObstacleDetector
3. 为新类 NewObstacleDetector 配置param的proto文件
4. 更新config文件使新的算法生效

为了更好的理解，下面对每个步骤进行详细的阐述:

定义一个继承基类 base_obstacle_detector 的类

---

??所有的camera检测算法都必须继承基类 base_obstacle_detector，它定义了一组接口。

以下是检测算法继承基类的示例:

namespace apollo {
namespace perception {
namespace camera {

class NewObstacleDetector : public BaseObstacleDetector {
 public:
  NewObstacleDetector();
  virtual ~NewObstacleDetector() = default;

  bool Init(const ObstacleDetectorInitOptions &options =
            ObstacleDetectorInitOptions()) override;

  bool Detect(const ObstacleDetectorOptions &options,
              CameraFrame *frame) override;

  std::string Name() const override;

};  // class NewObstacleDetector

}  // namespace camera
}  // namespace perception
}  // namespace apollo

基类 base_obstacle_detector已定义好各虚函数签名，接口信息如下：

struct ObstacleDetectorInitOptions : public BaseInitOptions {
  std::shared_ptr<base::BaseCameraModel> base_camera_model = nullptr;
  Eigen::Matrix3f intrinsics;

  EIGEN_MAKE_ALIGNED_OPERATOR_NEW
} EIGEN_ALIGN16;

struct ObstacleDetectorOptions {};

struct CameraFrame {
  // timestamp
  double timestamp = 0.0;
  // frame sequence id
  int frame_id = 0;
  // data provider
  DataProvider *data_provider = nullptr;
  // calibration service
  BaseCalibrationService *calibration_service = nullptr;
  // hdmap struct
  base::HdmapStructPtr hdmap_struct = nullptr;
  // tracker proposed objects
  std::vector<base::ObjectPtr> proposed_objects;
  // segmented objects
  std::vector<base::ObjectPtr> detected_objects;
  // tracked objects
  std::vector<base::ObjectPtr> tracked_objects;
  // feature of all detected object ( num x dim)
  // detect lane mark info
  std::vector<base::LaneLine> lane_objects;
  std::vector<float> pred_vpt;
  std::shared_ptr<base::Blob<float>> track_feature_blob = nullptr;
  std::shared_ptr<base::Blob<float>> lane_detected_blob = nullptr;
  // detected traffic lights
  std::vector<base::TrafficLightPtr> traffic_lights;
  // camera intrinsics
  Eigen::Matrix3f camera_k_matrix = Eigen::Matrix3f::Identity();
  // narrow to obstacle projected_matrix
  Eigen::Matrix3d project_matrix = Eigen::Matrix3d::Identity();
  // camera to world pose
  Eigen::Affine3d camera2world_pose = Eigen::Affine3d::Identity();
  EIGEN_MAKE_ALIGNED_OPERATOR_NEW
} EIGEN_ALIGN16;  // struct CameraFrame

实现新类 NewObstacleDetector

---

为了确保新的检测算法能顺利工作，NewObstacleDetector至少需要重写 base_obstacle_detector中定义的接口Init(),Detect()和Name()。其中Init()函数负责完成加载配置文件，初始化类成员等工作；而Detect()则负责实现算法的主体流程。一个具体的NewObstacleDetector.cc实现示例如下：

namespace apollo {
namespace perception {
namespace camera {

bool NewObstacleDetector::Init(const ObstacleDetectorInitOptions &options) {
    /*
    你的算法初始化部分
    */
}

bool NewObstacleDetector::Detect(const ObstacleDetectorOptions &options,
                                 CameraFrame *frame) {
    /*
    你的算法实现部分
    */
}

std::string NewObstacleDetector::Name() const {
    /*
    返回你的检测算法名称
    */
}

REGISTER_OBSTACLE_DETECTOR(NewObstacleDetector); //注册新的camera_obstacle_detector

}  // namespace camera
}  // namespace perception
}  // namespace apollo

为新类 NewObstacleDetector 配置param的proto文件

---

按照下面的步骤添加新camera检测算法的配置和参数信息:

1. 根据算法要求为新camera检测算法配置param的proto文件。当然，如果参数适配，您也可以直接使用现有的proto文件，或者对现有proto文件进行更改。作为示例，可以参考以下位置的smoke的proto定义：modules/perception/camera/lib/obstacle/detector/smoke/proto/smoke.proto。定义完成后在文件头部输入以下内容：

syntax = "proto2";
package apollo.perception.camera.NewObstacleDetector;

//你的param参数

2. 参考 yolo_obstacle_detector 在目录 modules/perception/production/data/perception/camera/models/ 中创建 newobstacledetector 文件夹，并根据需求创建 *.pt 文件：

注意：此处 “*.pt” 文件应对应步骤1中的proto文件格式.

更新config文件使新的算法生效

---

??要使用Apollo系统中的新camera检测算法，需要根据需求依次对以下config文件进行配置:

1. 参考如下内容更新 modules/perception/production/conf/perception/camera/obstacle.pt文件,将之前步骤中新建的 *.pt 配置到加载路径中:

detector_param {
plugin_param{
    name : "NewObstacleDetector"
    root_dir : "/apollo/modules/perception/production/data/perception/camera/models/newobstacledetector"
    config_file : "*.pt"
}
camera_name : "front_12mm"
}

2. 若需要对步骤1中 detector_param的结构更新，或需要新增其他 _param，可在 modules/perception/camera/app/proto/perception.proto 文件中操作:

message PluginParam {
optional string name = 1;
optional string root_dir = 2;
optional string config_file = 3;
}
message DetectorParam {
optional PluginParam plugin_param = 1;
optional string camera_name = 2;
}

3. 若步骤1中不直接使用 obstacle.pt 文件，而使用其他新建的 *.pt 文件，则需要更改 modules/perception/production/conf/perception/camera/fusion_camera_detection_component.pb.txt. 其对应的 proto 文件为 modules/perception/onboard/proto/fusion_camera_detection_component.proto：

??在完成以上步骤后，您的新camera检测算法便可在Apollo系统中生效。