Smart Shark V

《Smart Shark IV——加入车队》

方程式大赛队长会

2020赛季结束后，承蒙学长们的信任，我开始担任无人系统组的组长，负责带领团队进行无人驾驶算法的研发和测试工作。

在寒假返校后，车队受邀作为无人方程式的代表队在队长会上分享我们的无人驾驶系统，而我作为分享人跟随队长前往上海蔚来汽车总部。同时参与了上海车展，见证了蔚来汽车发布ET7、发布第二代换电站。

蔚来汽车发布会

蔚来第二代换电站

结束了上海车展，我们前往蔚来总部举行队长会（应蔚来要求禁止拍摄），我将车队的无人系统分为感知、规划、决策、感知、仿真和实车测试六个部分进行介绍，分享了我们在无人驾驶方程式方面的经验和技术。

队长会无人系统分享

队长会合影

队长会结束后，我们前往同济大学嘉定校区参观，与同济大学的无人方程式车队交流，分享了我们在无人驾驶方面的经验和技术。

同济方程式车队

车队工作

在2021赛季中，我们重点优化了以下几方面：

感知融合算法迭代

得益于百度PPYOLO系列算法的开发，我们也将2020赛季使用的YOLOv4算法迭代为PPYOLO算法，并通过百度的fastinference套件部署于实车，实现了更高的推理速度和精度。

Graph SLAM

我们向奇石乐(Kistler)公司申请了光流速度传感器的赞助，能够以200Hz的频率获取高精度的速度信息，基于准确的速度估计，我们开发因子图优化的Graph SLAM算法，能够在卫星定位失效的时候保证定位准确。

Graph SLAM实车定位效果

离线MPC策略

高速巡迹是整个比赛中最重要的项目，在赛前并不知道地图，可多次尝试，每次跑动跑三圈，得分取多次跑动中最快的一次。因此，我们可以先慢速跑一次，建立锥桶地图，然后在赛道外离线计算最优路径，以此为目标路径交给MPC控制器进行跟踪控制。

我们将离线轨迹优化问题抽象为最优控制问题：

$$ \begin{aligned} \min_{\mathbf{x},\mathbf{u}} \quad &\int_{s_0}^{s_f} \frac{dt}{ds} ds \\\\ \text{s.t.} \quad &\tilde{x}(s) \in \mathcal{X}_{\text{DoubleTrack}} \\\\ &\text{s.t. } x \in \mathcal{X}_{\text{Static}} \\\\ &\tilde{x}(s) \in \mathcal{X}_{\text{Kinematic}} \\\\ &\tilde{x}(s_f) = \tilde{x}(s_0) \\\\ &x(s) \in \mathcal{X}_{\text{Boundary}} \end{aligned} $$

同时，在MPC控制器的参数设定方法上，引入Bayes优化方法，将整个跑动过程包装为一个黒盒模型，通过在往年比赛的赛道中不断优化，使得整体跑动耗时减少了**2.35%**。