无人驾驶系统简介
一、无人驾驶系统组成
无人驾驶系统是一个复杂的系统。
系统主要由三个部分组成：算法端、Client端、云端。
- 算法端涵盖基于传感器、感知层和决策系统的核心环节；
- Client端由机器人操作系统的运行框架及底层硬件架构组成；
- 云端涵盖了数据存储与管理模块、虚拟仿真模块以及地理信息可视化展示模块，并负责智能分析与预测引擎的构建。
二、无人驾驶系统简介
2.1 算法子系统
算法模块通过对传感器采集到的原始数据进行分析处理后提取出具有价值的信息以便全面掌握周围环境的数据特征随后实时响应环境的变化状态并据此采取相应的应对措施
2.2 client子系统
Client子系统通过整合多种算法来确保实时性和可靠性的标准得到充分满足。此外，在具体实现中，在60Hz的频率下采集原始数据的过程中，Client子系统必须保证最长流水线处理周期不超过16ms以确保系统的高效运行。
Client子系统通过整合多种算法来确保实时性和可靠性的标准得到充分满足。此外，在具体实现中，在60Hz的频率下采集原始数据的过程中，Client子系统必须保证最长流水线处理周期不超过16ms以确保系统的高效运行。
2.3 云平台
无人车依赖云平台完成本地计算任务及存储资源支持。
借助云平台，
我们能够评估新算法性能并优化城市道路数据库同时提升无人车的识别与跟踪效率以及决策能力。
三、无人驾驶算法子系统
3.1 算法系统的组成
- 第一，传感
- 第二，感知
- 第三，决策
3.2 传感
传感技术就是从传感器获取原始数据并从中提取有价值的信息。无论是人还是机器都需要通过各种传感器来感知外界环境：人类通过眼睛观察画面听觉感受声音皮肤触觉感知触觉等多感官协同感知世界；而机器则依靠多种类型传感器协同工作例如自动驾驶汽车配备了GPS/IMU、LIDAR摄像头雷达以及声呐等多类型传感器来进行环境感知与决策支持；每一种特定类型的传感器都有其独特的优势但也存在局限性因此不同传感器获取的数据往往难以全面反映真实情况因此必须对多源传感数据进行有效融合以实现对复杂环境的准确感知与智能处理
3.2.1 GPS/IMU
全球导航卫星系统（GNSS）作为主要的空间导航系统之一，在所有制上属于美国领域。中国也在这一领域展开了自主研发，并推出了具有自主知识产权的全球导航卫星系统——北斗卫星导航系统（BDS），在实际应用领域已经取得了显著进展。
该系统的典型应用包括车载导航设备、无人机定位等高科技领域。
GNSS是一种高精度的空间信号接收与解算装置，在动态定位精度方面表现优异；然而其静态定位精度却相对较低。
相比之下，
惯性测量仪（INS）则能够提供物体空间运动参数及其加速度信息，
其优势在于具备良好的动态特性，
但在静态定位精度上略显不足。
值得注意的是，
单个传感器往往难以满足复杂环境下的需求，
因此通常会采用多组不同传感器协同工作的方案。
在GNSS信号正常接收的情况下，
该算法会优先调用GNSS数据源；
而当GNSS信号丢失时，
则切换至INS信息源进行推导。
为了进一步提高系统的稳定性，
本方案还采用了动态基准重置技术：
每当检测到INS出现漂移现象时，
就立即触发基准重置操作，
从而有效降低了系统的累积误差水平。
3.2.2 LIDAR
基于现有技术发展现状, 激索系统中的三维测图技术已逐渐成熟, 并在多个领域展现出显著的应用价值. 在智能汽车领域, 激光测距仪凭借其卓越的空间分辨率和精确度优势, 已成为车载感知系统的核心组成部分. 基于LIDAR原理的地图测绘系统具有良好的空间分辨率特征, 其基本工作原理是利用高速扫描获取环境空间信息. 在实际应用中, LIDAR系统不仅能够实现精确的地图测绘功能, 同时还能够提供精准的位置估计服务; 此外, 该技术还可以满足自主避障的需求. 具体而言, 采用具有64束扫描能力的LIDAR平台能够在10赫兹扫描频率下实现每秒约130万次读数.
3.2.3 摄像头
该系统中的摄像头得到了广泛应用，在车辆安全监控领域发挥着重要作用。具体而言，在车道线检测、交通灯辨识以及人行道识别等多个应用场景中，摄像头通常成为核心解决方案。为了进一步提升安全性，在现有的无人车实现方案中，默认配置为车身周围安装不少于八个摄像头，并从前后左右四个方位进行物体检测与跟踪。这些摄像头一般以60帧/秒（60HZ）的帧率运行，在同时工作的情况下会产生约1.8GB每秒的数据流量。
3.2.4 雷达和声呐
此处所指的雷达是毫米波雷达，在通常情况下工作频率为77GHz及24GHz两种模式。而声呐则是基于超声波的工作原理工作的传感器系统。 radar通过将电磁波能量被射向空间某一特定方向，在此方向上若存在反射物则会接收到相应回荡信号；radar接收此回荡信号后并提取相关信息即为目标物至radar的距离及其变化率（即径向速度）、方位角以及高度坐标等关键参数数据。这些数据对radar与sonar系统的综合运用至关重要它们共同构成了汽车环境感知的重要组成部分。在汽车导航与控制中这两套传感器系统发挥着关键作用：当前方探测到距离较近障碍物时系统会立即触发紧急制动功能以确保行车安全；而这些实时采集的数据可以直接由控制处理器处理无需引入主计算流水线即可完成转向操作及紧急制动功能等任务
3.3 感知
通过传感部分收集了大量关键数据后，在接收处理完毕后将这些关键数据传输至感知子系统中以帮助汽车全面掌握其所在环境的各种信息。
因此, 感知子系统的主要工作内容大致可分为以下几个方面:
具体包括:
- 数据解析与处理
- 环境信息采集
- 物体识别与跟踪
- 行驶行为分析
- 定位
- 物体识别
- 物体追踪
3.3.1 定位
GPS每隔一段时间就能提供一个位置坐标；而IMU则每隔较短的时间就会给出一个位置估计值但其精度并不如GPS高
- 其一, 这样的定位精度仅限于一米以内。
- 其二, GPS信号存在固有的多径现象, 这将导致产生噪声干扰。
- 其三, GPS必须依赖开放环境进行工作, 因此, 在像隧道这样的封闭环境中, GPS无法正常工作。
此外作为补充方案, 摄像头也可用于定位. 简而言之, 如图所示, 基于视觉的定位包括三个基本步骤:
- 利用空间几何关系分析的方法对立体图像进行处理后得到深度信息。
- 采用两帧间的显著特征进行匹配分析，并在此基础上建立对应关系进而推断出运动参数。
- 通过对捕获的关键特征与地图中的对应点进行关系分析来确定车辆位置。值得注意的是，在光照条件变化较大的情况下使用视觉定位方法会带来较大的误差。
基于大量应用粒子滤波算法的激光雷达通常被选为主导传感器用于车辆定位工作。通过激光雷达生成的点云数据对环境进行了"形状化描述"这一关键环节然而这些数据无法区分不同类型的点从而导致信息不足的问题。利用粒子滤波算法对已知地图与观测到的具体形状进行对比处理后能有效降低定位不确定性这一技术瓶颈。通过结合粒子滤波方法实现已知地图与激光雷达测量数据之间的关联以实现动态目标的实时定位这一技术方案在城市复杂场景下表现出了较高的实时性及准确性能够在10厘米级别的精度下满足实际需求。尽管如此激光雷达也存在固有时空受限的问题当空气中含有悬浮颗粒如雨滴或尘埃时会影响测量精度这一关键问题因此为了实现可靠的动态目标追踪必须采用多传感器融合技术如图所示
3.3.2 物体识别和跟踪
然而基于深度学习的方法也存在一些不足之处例如难以准确识别某些极端情况下的特殊目标体如那些通常情况下不会出现在道路或路边但可能出现在特定场景中的独特物体会识别人类由于我们在训练过程中缺乏足够的训练样例导致识别效果受限。”
3.4 决策
我们成功获取了传感器收集的各种数据信息，并且通过感知层对汽车的位置以及所处的环境进行了精确分析。随后就必须做出决策,也就是确定车辆应该如何行驶。在具体实施这一决策的过程中,通常包括以下几个方面:
- 行为预测
- 路径规划
- 避障机制
3.4.1 行为预测
人类驾驶时的行为预测通常体现为经验层面的应用。我们在日常驾驶过程中会综合运用周围环境中的各种信息来推断行人的移动方式、车辆的状态以及交通信号的变化情况，并结合路况分析来判断何时可以加速、何时需要减速或停车等操作。其中，在四秒钟之内对周边环境状态的变化趋势进行预判是决定汽车操作策略的关键因素之一。在无人驾驶技术中，则是电脑根据传感器和数据处理的结果来进行相关决策。这一技术的发展不仅有助于提升驾驶安全性还推动了智能交通系统的进步
3.4.2 路径规划
无人驾驶在动态环境中进行路径规划是一项极其复杂的任务。特别地，在车辆全速行驶时若出现错误的道路规划可能导致严重的后果。在路径规划中采用的方法之一是基于完全确定模型。该模型通过遍历所有可能的道路来寻找最优路线，并利用代价函数来评估每条道路的成本从而得出最优解。然而由于完全确定模型对计算性能的要求极高这使得实时处理变得极为困难。为了避免计算复杂性并提供实时的路径规划概率性模型逐渐成为解决这一问题的主要方案。
3.4.3 避障
无人驾驶的关键考量是其安全性。为了确保车辆在行驶过程中不与障碍物发生碰撞,我们采用了多层次的避障策略。第一层主要依靠交通情况预测,通过分析当前道路状况如拥堵程度和车速等信息,估算潜在碰撞时间和最近的安全距离,从而启动本地路径优化措施以规避风险。如果前瞻性预测失效,则第二层实时反应系统将会依赖雷达数据重新规划本地路径,以确保车辆能够及时调整路线以规避潜在危险。当雷达检测到前方有阻碍时,则会立即采取避让行动以维持行车安全
四、无人驾驶client子系统
客户系统就是将此前介绍的各种算法模块进行融合整合，并且基于汽车的特点需满足系统的可靠性和实时性需求。在具体实施时，则需解决以下三个方面的技术难题：
该系统为了高效地处理来自传感器的大量数据而具备了良好的实时性和大数据处理能力。
为了确保在个别子系统出现故障时整体系统的容错率较高且稳定性强。
基于有限的能量消耗与资源限制下仍需通过有限的算力满足前述要求。
五、云平台
无轮车本质上是一种移动系统，在实现无人驾驶的过程中需要依赖于云平台的支持。基于当前技术发展现状，在无人驾驶领域中云平台主要承担着分布式计算与分布式存储两大核心功能。在无人驾驶系统中存在大量关键应用需求，在这些需求中仿真应用用于验证新算法、高精度地图生成以及深度学习模型训练等都离不开云平台的支持。对于分布式计算环境下的应用场景建议采用Spark框架来构建相应的处理架构
5.1 仿真
当我们为无人驾驶系统研发新算法时, 我们必须首先通过仿真系统对其进行全面测试. 这项仿真测试的成功将直接关系到后续真车试验的顺利进行. 真车试验的成本高昂且周期漫长, 因此仿真测试的全面性和准确性对于降低生产成本及缩短生产周期具有决定性作用. 在仿真阶段, 我们通过在ROS节点中回放真实采集的道路交通数据, 模拟真实的驾驶环境, 完成对无人驾驶算法的有效验证. 如果没有云平台的支持, 单机系统完成一个场景下的模拟测试至少需要数小时的时间, 同时其覆盖范围也会相对有限.
在云平台上, Spark负责管理一组分布式计算节点. 在每一个计算节点中都可以独立部署一个场景下的ROS回访模拟系统. 在无人驾驶物体识别测试环节, 单个服务器完成算法测试所需的时间为3小时, 而采用8机Spark集群后, 测试时间缩短至25分钟.
5.2 高精度地图的生成
如图所示, 高精度地图产生过程异常复杂, 包括: 原始数据处理、点云生成、点云对其、2D反射地图生成以及高精地图标注等多个环节。通过Spark技术, 我们能够将这些环节集成到一个统一的Spark作业中进行处理。由于其天然的内存计算优势, 所有中间结果都会被存放在系统内存中以供后续使用。当整个生产作业完成提交后, 各个子任务之间的大量中间结果无需借助磁盘存储即可完成传输与处理工作, 这不仅降低了资源消耗成本还显著提升了整体运算效率
下篇预告： 激光雷达的知识及应用
参考链接：
http://www.hkaco.com/
http://www.hongketest.com/forum.php
如有问题，欢迎随时联系我