几周前，我决定挑战自己，开发一套算法，该算法将实现a,b,c三种功能。a:生成固定的全局框架并在同一张地图上定位两辆车，b:命令两辆车行驶到各个位置，c:让车辆彼此共享数据。

   因此，希望在我描述下面的经历时，您能对作为一名研究人员在这个令人兴奋的领域所拥有的一些能力和一些选择有所了解。

   我从两台Quanser QCars开始了我的探索，这是一个高保真的四轮移动计算平台,带有许多与自动驾驶汽车应用相关的传感器。几年前，当我们开始开发该平台时，关键设计思路之一是该系统不仅支持我们通常系统应用的MATLAB/Simulink环境，而且还为用户提供这个领域已经取得了不错的进展的其他环境，如Python、ROS、TensorFlow。对于我的应用程序，我希望依靠ROS的Hector SLAM算法为我提供一些自定位功能。也就是说，根据我开始的位置，当我在一个给定的空间里移动时，算法会从起点开始跟踪我的相对位置。然后，我计划在两辆车上运行相同的算法，我最初的假设是，如果我在已知的位置启动这两辆车，用这些坐标，我就能提取出两辆车运行的全局参考坐标系。最后，我打算将ROS信息发布到MATLAB或Simulink模型中，进行一些附加的传感器融合，最终使这些信息在车与车之间传递。

   不幸的是，当我开发此程序并利用Hector SLAM算法时（作为Simulink用户），在ROS中调试算法遇到了问题。我确信，如果我回到办公室并得到了团队的全力支持，我将能够成功解决ROS方面的问题。

   知道这些工具确实存在于MATLAB / Simulink环境中之后，我搁置了ROS，并决定尝试使用MATLAB Navigation Toolbox。尽管许多MATLAB工具都用于后期或脱机处理，但我想看看是否可以实时利用它们来实现对两辆车进行全球定位的目标。事后看来，我可能有点野心勃勃，但是到最后，这一切都是值得的，并迫使我学到了很多，我能够突出一些有趣的能力，在我们目前提供的无人驾驶汽车研究系统的基础上。

   QCar的核心是NVIDIA®Jetson™TX2处理器。他们之所以脱颖而出，是因为他们提供了出色的处理能力，并且将其与GPU技术相结合。我们还为QCar提供了四个摄像头，你可以把它们拼接在一起，以获得360度全景，以及一个英特尔RealSense RGBD和深度摄像头。但在我的应用程序中，我使用了QCar的2D激光雷达。像很多人一样，我对激光雷达技术有一些了解，但是经过数周的经验，我对这种功能有了更深刻的了解。