无人驾驶技术简谈

文章目录

• 级别划分是无人驾驶研究的重要方向之一。*
  在政策层面的法规建设也对这一领域提出了更高要求.*
  技术层面的关键问题是实现智能化的基础.*
  关键技术和环境感知技术共同构成了无人驾驶的基础支撑体系.*
  环境感知与智能处理

• 导航与定位系统能够提供实时位置信息.*
• 路径规划算法负责动态避障任务的规划执行.*
• 决策支持系统整合多源数据进行综合分析.*
• 自动化控制系统确保车辆运行的安全性与稳定性.*

关键技术和功能模块
ADAS(高级驾驶员辅助系统)
激光测距传感器
毫米波探测装置
超声波传感器
高精度地图数据
视频监控摄像头
AUTOSAR(汽车软件架构规范协议)
其他相关技术点

无人驾驶综述

(cheyun.com)

自动驾驶芯片，三足鼎立：英特尔+Mobileye、英伟达、高通+NXP。

无人驾驶技术由高性能激光雷达系统、图像识别算法、交通标志识别系统以及三维高精度地图数据等构成。

无人驾驶级别

无人驾驶级别的标准被国际自动机工程师学会(SAE international)遵循该规范制定，并获得国际上普遍认可

级别	简述	描述
L0	无自动化	由驾驶员全权操作汽车，可以得到警告和保护系统的辅助。
L1	驾驶支援	根据驾驶环境对方向盘和加减速中的一项操作提供支援，其他动作由驾驶员操作
L2	部分的自动化	根据驾驶环境对方向盘和加减速中的多项操作提供支援，其他动作由驾驶员操作。先进的驾驶员辅助系统，可以在特定环境下控制方向盘和刹车，但算不上无人驾驶
L3	有条件的自动化	由自动驾驶系统完成所有的驾驶操作，驾驶员根据系统请求提供适当的应答。确实可以驾驶汽车，但只能在有限的情况下发挥作用，需要有司机随时接过汽车的控制权。
L4	高度的自动化	由自动驾驶系统完成所有的驾驶操作，驾驶员根据系统请求不一定提供应答，限定道路和环境条件。在实践中，它可以完成人类司机能够完成的多数任务，但只能在有限的地理区域有效-即地图绘制完善的区域。
L5	完全的自动化	由自动驾驶系统完成所有驾驶操作，驾驶员在可能的情况下接管。不限定道路和环境条件。系统是成熟的无人驾驶系统，可以自动开到任何地方，驾驶技术堪比经验丰富的老司机。

当前自动驾驶的级别是由相关厂商自主确定的，并未有第三方机构对其进行评测

无人驾驶政策

联合国：自2016年3月起生效的相关法案中对《维也纳道路交通公约》进行了修订。该公约不再强制要求驾驶员全程掌控车辆操作；而是只要求自动驾驶技术具备可由驾驶员权限接管或覆盖的技术特性即可。

国内：2015年国务院印发了《中国制造2025》，将其纳入未来十年国家智能制造的重点领域；明确提出了到2025年要掌握自动驾驶总体技术和相关技术的目标；同年发布的中国智能网联汽车标准体系建设方案；于同年10月底发布实施路线图；上海市政府于3月1日正式发布了《上海市智能网联汽车道路测试管理办法（试行）》，明确了申请条件、审核流程、事故责任认定以及违规操作处理等内容；上汽集团和蔚来汽车成功获得了首批自动驾驶汽车路路侧测试资格。

无人驾驶技术

从技术角度来说，自动驾驶可分为感知、决策、控制三个部分。

"在自动驾驶技术领域中, 被广泛认可的技术组合包括: 传感器、高精度地图及云计算系统。其中, 传感器在自动驾驶中扮演着相当于眼睛的角色, 它实时捕捉并分析周围的环境信息, 从而帮助驾驶员做出及时决策; 高精度地图则提供了 comprehensive global perspective, 特别是在预测检测超出当前视野范围的道路动态方面具有显著优势; 最后, 云计算系统负责持续更新和传输传感器收集到的数据, 这一过程确保了高精度地图始终保持最新版本, 并将这些信息及时推送给车辆运行系统; 此外, 云平台还承担着数据采集与分析的任务, 并利用这些数据持续优化和改进决策模型的主要环节."

传感器配置趋于一致：前方多排摄像头；远近雷达（77GHz）、环视摄像头；十排以上超声波雷达；几排低线激光雷达

感知层面，由于ADAS的大量部署和长时间的技术开发，技术相当成熟。

控制是传统车厂和Tier1非常擅长的领域，做了多年，积累大量经验。

自动驾驶的竞争核心在于决策环节。区分ADAS与自动驾驶系统的关键是系统是否具备决策功能。两个要求是快速与准确；快速得益于强大的计算硬件以及高速高带宽的数据传输；准确则依赖于有效的算法以及大量数据的支持。

无人驾驶架构

vehicle_platform -> hardware platform > operating system->

sensing

GPS/IMU

Camera

Lidar/Radar

Perception

Localization

Navigation

Environment_Recognition

Decition

Prediction

Planning

Decision

Control

speed

Steer

Brake

关键技术

环境感知技术

环境感知包括无人驾驶汽车自身位姿和周围环境感知两部分。

自身位姿信息被用来表示车辆的位置及其运动参数。这类位姿信息的测量相对便捷，并且通常通过动力系统和相关传感器设备来进行

周围环境感知主要依靠雷达等主动式测距装置为主导，在辅助位置上使用被动式测距装置，并通过信息融合技术来实现

激光与雷达等主动测距传感器协同应用能更好地适应复杂多变及严苛工作条件下的任务需求，并具有处理的数据规模相对较小但实时性能较好等特点；在路径规划过程中可以直接利用激光返回值进行计算而无需掌握障碍物的具体信息特征；此外视觉感知在复杂恶劣环境中的表现存在局限性但在目标识别道路跟踪地图构建等方面仍是不可或缺的关键技术；特别是在野外环境下植物分类水域检测以及泥泞地形判断等方面同样发挥着不可替代的作用

每个传感器都被设计用来弥补现有技术的不足。激光雷达不具备感知玻璃的能力、雷达的主要应用领域集中在金属探测上、摄像头往往会被视觉信息误导。

功能	摄像头	激光雷达	毫米波雷达
车道线检测	√	√	x
路沿检测	√	√	x
障碍物相对位置、距离检测	√	√	√
障碍物运动状态判断	√	√	√
障碍物识别、跟踪	√	√	√
障碍物分类	√	x	x
红绿灯、交通标志识别	√	x	x
Slam地图创建及定位	√	√	x

导航定位技术

导航可分为自主导航和网络导航两种。

自主导引采用本地存储地理空间信息，并将所有运算集中在终端设备上运行；其优势在于无论何种场景都能实现精准定位；然而该技术存在运算能力受限的问题，并且处理速度较慢，在某些情况下无法满足实时导航需求

• 相对定位技术：基于里程计和陀螺仪等内部传感器的数据信息计算出当前位置相对于起始点的位移量；
  • 绝对定位（GNSS）：主要依赖导航信号实现的位置确定方法；
  • 组合定位于融合多种辅助手段提升精度的应用模式：
    • 基于GNSS与地图信息的支持；
    • 依赖GNSS加轨迹推算的精确解算；
    • 结合GNSS加轨迹推算及地图信息的优化方案；
    • 最后采用GNSS加惯性导航系统配合的地图辅助方案

网络导航：随时通过无线通信网络和交通信息中心实现信息交互。移动终端设备通过移动通信网络与集成于Internet中的Web GIS服务器建立连接，在服务器端执行地图数据存储和复杂计算任务。其优势在于：不依赖本地客户端存储能力、具有强大的计算性能；支持高精度地图数据存储，并能实时更新最新地图数据。

路径规划技术

可分为全局路径规划和局部路径规划两种。

全局路径规划技术：主要针对已知的地图信息以及周边环境数据展开研究与实现。通过综合分析可获得的关键数据资源，计算出既安全又高效的通行路线。这一系统很好地实现了智能优化与动态反馈调节功能。

局部规划：在可行驶区域内基于传感器感知获取局部环境信息后用于确定无人平台当前前方需要行驶的道路路径，并且尤其适用于环境情况未知的情形。

路径规划算法涉及多种具体技术手段如试探法、网格法、势场引导法、障碍物规避标淮以及随机树构建等这些方法均可归类于路径规划领域中的主流解决方案常见的车辆路径规划问题通常采用上述基本原理为基础构建相应的优化模型

Dijkstra’s algorithm,
Lee’s algorithm,
Floyd-Warshall algorithm,
Heuristic search algorithms, such as A* search algorithm,
Bidirectional search algorithm,
Ant colony algorithm

决策控制技术

决策技术主要涉及专家规则控制、隐式马尔科夫模型以及相关的模糊逻辑系统、模糊推理系统、强化学习算法、人工神经网络模型和贝叶斯概率图模型等多种核心技术。

决策控制系统分为反应式、反射式和综合式三种方案。

反应式控制是一种基于车辆当前状态与目标路径间偏差进行持续调节的工作机制。系统通过不断调整方向盘转向角度和行驶速度参数，在偏差逐渐减小的过程中最终引导车辆到达目标位置。

量产代自动驾驶汽车应对其现有机械执行机构实施智能化升级，并重组为配备标准化通信接口的执行部件系统。该系统主要由线性电控油门、线性电控转向及线性电控刹车三组核心单元构成。

自动控制技术

自动控制模块主要包括转向、驱动和制动三个系统。

转向控制：涉及转向电机的控制；基于不同的控制目标；分为角度闭环控制系统和力矩闭环控制系统。

驱动控制：车辆加速、匀速、减速的控制。

制动控制：正常制动控制、紧急制动控制。

关键技术点

传感器	优点	缺点	主要供应商
超声波雷达	成本低、数据处理迅速	监测距离短、传输衰减能量较大	壁垒不高、厂家众多
激光雷达	精度高、不依赖光线0-200米测量范围	检测距离短、传输衰减能量较大	Quanneryg、Velodyne、IBEO
毫米波雷达	适应雨、雾、烟层天气，0-200米测量范围、可以测距和测速	视野角度小、侧向精度低、分辨率低	大陆、博世、海拉ZF、电装
摄像头	成本低、获取信息全面	光线影响较大	松下、SONY
夜视系统	环境适应性好、功耗低	成本较高	奥托立夫、博世

ADAS(高级驾驶员辅助系统)

采用部署于车辆上的多种传感器装置，在第一时间快速采集车内及外部环境的各项数据参数，并通过静力与动态物体识别、检测以及追踪等多种技术手段进行处理；从而帮助驾驶员及时识别潜在风险，并有效提升整体行车安全性。

ADAS主要采用摄像头装置（如摄像头）、雷达设备（如回波探测）、激光测距仪（LIDAR）以及超声波传感器等多种技术手段；这些技术能够检测光线和热量以及其他用于监控车辆状态的各种参数。

ADAS由众多复杂功能模块构成，在汽车安全领域扮演着重要角色

车道偏离报警： 摄像机

自适应巡航控制ACC：雷达

交通标志识别TSR：摄像机

夜视NV：IR或者热成像摄像机

自适应远光控制AHBC：摄像机

行人/障碍物/车辆探测(PD)：摄像机、雷达、IR(红外线摄像头)

驾驶员困倦报警：车内IR摄像机

每套系统主要包括三个程序：

• 信息采集：各系统采用不同种类的传感器采集车辆运行数据，并将动态变化的机械运动转化为相应的电压参数（如电压、电阻、电流）。
  • ECU：对传感器采集的信息进行数据处理与分析，并向负责控制装置发出相应的指令；
  • 执行机构：负责执行动作的核心单元

现有ADAS系统的构建均是建立在基于规则的专家系统基础之上。其优点是可以进行精确分析,然而在实际应用中遇到复杂多变的场景时,则会出现规则覆盖不足的问题。此外,在添加新的规则时,则需要相应地删除或修改原有的规则,这将导致系统的稳定性受到严重影响。不同系统的组合可能会出现相互矛盾的情况,这样一来,推动ADAS向自动驾驶方向发展将遇到诸多挑战

自动决策技术路线的一个重大趋势，就是从相关推理到因果推理。

因果推理范例——贝叶斯网络：

贝叶斯网络是一种基于概率论的知识表示工具，在数据处理和分类分析方面展现出显著的能力。该方法的优势主要体现在其模块化设计以及清晰可解释性两个关键特性上。通过支持将深度学习技术作为功能模块集成到该系统中，并结合专家系统的应用能力进一步拓展其功能范围。这样一来不仅能够提供多条冗余路径以确保信息传递的安全性还可以通过这种设计策略可以有效提升系统的可靠性和准确性

因果推理范例——基于RL的决策系统：

它将一个决策问题视为一个决策系统与其所处环境之间的博弈关系。该系统的运作模式类似于驾驶车辆的过程：通过持续不断地做出决策来应对周围环境的变化。其目标是最优化长期累积的收益而非当前的即时回报。

激光雷达

激光雷达是传感器组合中的一个必要元件，对于自动驾驶是核心技术。

激光雷达在不同光照条件下都能正常工作，在此过程中表现出良好的稳定性和可靠性，并且其数据采集能力远超传统摄像头的水平。其核心优势在于障碍物探测与追踪这一领域，并被认为是实现自动驾驶的关键技术。该系统不仅具备极强的感知能力（有效感知范围超过 120 米），精确度也达到了厘米级（厘米级精度）。受限于高昂的研发成本和技术限制，在量产车上应用受限。然而就其本身而言仍展现出巨大的潜力和发展前景。相比而言毫米波雷达则在速度信息获取方面具有明显优势（快速获得速度信息）并且能在复杂天气条件下（雾天）保持较好的性能表现（穿透性好）。这些特性使其成为弥补激光雷达某些不足的理想选择

激光雷达之间在结构上存在差异，并非所有型号都完全相同；它们的主要组成部分通常包括发射系统、接收系统以及信息处理模块等关键环节。

谷歌、百度、Uber 等公司在内的所有现有的全自动驾驶汽车将会承担街景车的角色；它们借助车顶安装的激光雷达系统来生成高精度的地图数据；因此这些车辆将配备车顶的大容量存储装置。

与传统的笨重大型花盆相比，在车身内部集成小型激光雷达显然更加适合汽车。将其体积减小至最小，并直接集成于车身内部。这要求尽可能减少甚至放弃使用机械旋转部件。因此车用激光雷达并未采用大尺寸旋转结构，在制造工艺上实现了旋转部件完全融入产品内部。嵌入式安装可能会导致监测区域出现盲区问题。为此可以通过多点布局的方式覆盖整个车辆的360度视野。例如Ibeo公司的LUX系列激光雷达就采用了这种技术：通过在内部玻璃片中固定光源并调节其方向来实现多角度检测需求。Quanergy旗下S3产品则采用了全新的全固态设计结合了相位矩阵技术这一创新方法完全摒弃了传统旋转部件

毫米波雷达

毫米波雷达展现出极强的穿透能力，在恶劣天气条件下（如雨天、雪天、雾天等）依然能够有效生成高精度定位层。此外该设备具备长距离探测功能（从0到250米），这使得它能够提前感知前方车辆定位特征的变化趋势，并通过摄像头捕捉路面标识信息与精确地图进行比对从而实现精准的定位

超声波雷达

现已有广泛使用的倒车雷达本质上是一种超声波雷达。它的测距优势在于其操作简便、计算快捷且便于实现实时控制；同时它是一种无接触式的检测技术，并保证了测量精度达到工业应用的标准。

超声波探头分为两类：一类基于电能驱动型振荡器的工作原理制造；另一类则采用机械振动式振荡器进行生成。其中压电式超声波发生器由两个压电晶片和一个共振板组成；当施加脉冲信号至两端电极时，在其固有频率下会产生共振效应；这种情况下会触发振动并进而产生超声波。

倒车雷达测距技术工作原理为发射与接收超声波信号，并通过计算回波所需时间来确定目标物距离。该技术的探测范围一般在2米内且价格较为亲民；若集成前后各4枚（2米探测距离）及侧面4枚（5米探测距离）则可实现车辆自动泊车功能。

理论上最大探测距离可达6米，在此范围内该设备表现尚可；但效果明显不如毫米波雷达等更先进的测距技术所具备的能力范围和技术灵敏度所达到的效果水平

高清地图

脱离高清地图谈无人驾驶就是耍流氓。

与传统普通地图相比，在服务对象和服务功能上存在显著差异

分层	信息
基础信息层	车道坡度、倾斜角、航向
车道个数、方向、宽度
车道线位置、类型
道路信息层	车道可通行高度
红绿灯、人行道
限速等标志牌、隔离带等信息
环境信息层	周围建筑物信息
其他信息层	天气信息
施工信息
拥堵、意外事故等信息

随着技术的进步与市场需求的提升，在开发智能地图领域存在着激烈的竞争态势。众多企业如谷歌等正在积极投入研发工作以抢占先机。无人驾驶汽车配备的传感器能够实时采集高精度地图数据，并将其传输至云端服务器进行处理。Mobileye则自诩为一家以人工智能和图像识别技术为基础提供高精度自动驾驶所需 maps 的技术服务提供商；而福特旗下的 Civil Map项目也正致力于探索这一技术方向；百度 Maps 团队则于2013年底正式宣布启动百度高精地图的研发计划；在同一年底（2016年），中国的高德集团率先宣布将这一服务向公众开放，并且该服务完全免费；过去的做法是通过各公司 own 队伍收集相关数据；当前的趋势则是通过‘共享车辆’计划来实现资源的有效利用——即所有配备了图像处理设备和软件的车辆均可将自己的位置信息及道路图像发送至云端服务器进行处理

摄像头

涵盖单目、双目及环视摄像头的技术方案。

AUTOSAR

一辆高级汽车其内部软件代码规模已达到1k行以上，并超过上百个ECU。
随着功能需求日益增长及软件复杂度不断提升。
Autosar（AUTomotive Open System ARchitecture）则是一个由整车厂、零配件供应商以及软件、电子、半导体公司共同成立的专业组织。
该架构自2003年创立以来致力于为汽车电子行业提供开放的标准软件架构。
在传统开发模式逐渐被功能驱动开发所取代的过程中，在系统级别进行优化已成为工程技术人员的重要职责。
然而由于各供应商采用的软体架构通常存在差异因此需要一套可互换升级的标准系统架构。
然而对于单一公司而言实现这一目标并非易事因此多个整车厂及供应商等企业决定联合成立Autosar成员组织。
其核心理念是通过组件化技术实现模块化开发从而降低整车软体系统的复杂度。
该架构包含四种类型分别是核心合作伙伴（Core Partners）、高端合作伙伴（Premium Partners）、开发合作伙伴（Development Partners）以及普通合作伙伴（Associate Partners）。
其中核心合作伙伴共有9家包括博世大陆大众丰田通用PSA福特宝马奔驰等在内这些企业是该架构体系的基础框架。
这一标准体系的主要目标是实现基础系统功能与函数接口的统一规范从而促进开发合作伙伴能够在车载网络中实现数据直接整合交换与传输功能进而推动基于功能的开发替代传统的基于ECU的开发方式。
据飞思卡尔数据显示截至2016年全球采用Autosar架构的ECU总数已经超过2.5亿个其中每4个ECU中就有一个采用该架构技术

其他

其他自动车涉及的技术还有如下若干：

• 基于GPS的定位技术
• 后轮超声波传感器定位系统
• 车载设备（包括 altitude meter, gyroscope 和 rangefinder）
• 传感器数据协同整合模块
• 对交通标志与信号解析的支持系统
• 路径规划功能模块
• 适应实际道路情况的能力
• 带有激光测距辅助的路径规划系统