视觉传感器：利用光学元件和成像装置获取外部环境图像信息的仪器。通常视觉传感器，其主要功能是获取足够的机器视觉系统要处理的最原始图像，类似于人类的眼睛。    单目视觉的相机模组的组件包括了lens(镜头)、分色滤色片(IR cut)、感光元件等。    分色滤色片：对色光具有吸收、反射和透过作用的染有颜色的透明片。目前分色滤色片有两种分色方法：RGB原色分色法，CMYK补色分色法    感光元件，

物体检测与跟踪算法。

接着判断当前道路状况是否可以换道，若可以换道，则路径决策生成一个换道边界，若不可以换道，则会生成一个道内的边界。Traffic Light场景的进入这部分主要有两个部分：第一个部分通过Overlap重叠判断是否进入交叉路口，第二个部分通过由高精地图提供的车道信息以及交通信号等情况进入不同的场景，选择是有保护的场景还是无保护的场景。速度决策的流程：对当前路径产生一个或多个速度边界，再将其集成一个速度

近年来随着智能汽车的发展，出现了很多关于汽车运动的控制算法，包括方向控制算法、速度控制算法以及方向与速度综合控制算法。虽然这些算法大多不以驾驶员模型命名，但实质上它们无一例外地描述了驾驶员对汽车运动的某种控制行为，从广义上来说这些控制算法从属于驾驶员模型。大多数现有模型仍属于跟随既定轨迹或既定速度曲线的跟随控制模型，只有少数模型具有实时决策预期轨迹的功能。根据决策时所采用的优化变量不同，具有轨迹决

自主避障功能的实现主要依赖于运动规划模块和定位与建图模块。自主避障模块接收由运动规划模块计算出的轨迹、定位模块所提供的车辆位置信息以及建图模块提供的地图信息，对轨迹进行适当的调整，并在必要时改变它（通常是降低速度），最后将该调整结束的轨迹传给控制模块进行车辆控制，以达到避障的功能。

最近在学习ROS的navigation部分，写些东西作为笔记，方便理解与日后查看。本文从Astar算法入手，对navigation源码进行解析。PS:ros navigation源码版本DWA具体的算法原理在之前的博客(见自动驾驶路径规划——DWA（动态窗口法）)中已有阐述,本文就不多做赘述了.

RRT与其他算法进行对比RRT 经历长时间发展，取得了大量的研究成果。然而，优化后的路径与最优路径仍有一定差距。主要原因在于改进的 RRT*算法需要不断调整步长以提高路径精度，生成最优路径所消耗的内存资源及计算时间呈指数增长，不适于实际应用的机器人系统。此外，环境中的不规则障碍物区域采样、机器人的传感器精度、路面的凹凸性等因素也会影响路径质量。

前面 URDF 文件构建机器人模型的过程中，存在若干问题。问题1:设计易出错。问题2:代码复用性问题。…如果在编程语言中，可以通过变量结合函数直接解决上述问题，在 ROS 中，已经给出了类似编程的优化方案，称之为:Xacro概念Xacro 是 XML Macros 的缩写，Xacro 是一种 XML 宏语言，是可编程的 XML。原理Xacro 可以声明变量，可以通过数学运算求解，使用流程控制控制执

之前所有模型的做法都是基于创建一个查询表，在表中维护状态值函数VsV(s)Vs或状态-动作值函数QsaQ(s,a)Qsa。但对于大规模的MDP时，为每一个状态维护VsV(s)Vs或为每个状态-动作对维护QsaQ(s,a)Qsa存储状态或动作需要大量的存储空间对于每一个状态去学习相应的价值需要耗费大量时间大规模问题状态或者状态-动作空间非常大连续的状态或动作空间围棋博弈（1017010^{170}1

前置知识回顾策略值函数估计（Policy Evaluation）策略提升（Policy Improvement）模型（Model）规划(Planning)规划与学习(Planning and Learning)Dyna (集成规划、决策和学习）