【无人驾驶系列十】无人驾驶硬件平台设计

作为无人驾驶技术系列文章中的第10篇，《无人驾驶硬核解析》一文旨在重点阐述无人驾驶硬件系统的设计方案。由多种技术和不同模块构成的整体——即我们常说的无人驾驶硬件系统——主要由传感器平台、计算平台和控制平台三个关键组件构成。文章将进一步深入探讨这三个关键组件及其在实际应用中的现有解决方案，并通过案例分析帮助读者更好地理解相关技术细节。

无人驾驶: 复杂系统

无人驾驶系统涉及多种先进技术的整合（如图1所示），其中包含多种传感器设备：长距离雷达、激光雷达等多种类型，并配备超声波探测装置、GPS定位模块以及陀螺仪等辅助设备。这些传感器持续不断地采集数据信息，并对这些数据进行实时处理以支持系统的运行效率。其中摄像头模块必须维持60帧每秒（FPS）以上的帧率要求以保证图像捕捉的质量与及时性。然而，在数据量显著增加的情况下，如何有效分配计算资源便成为了一项关键的技术挑战——当大量激光雷达捕获的数据 overwhelming CPU资源时，可能会导致摄像头采集的数据无法及时解码与传输至控制中心进行分析判断。这直接威胁到车辆对交通信号灯状态的有效感知与及时反应能力——可能导致驾驶员未能准确识别红绿灯变化从而引发交通事故风险。因此，在保证高性能计算能力的同时还需要综合考虑能效效率、散热管理以及设备体积限制等因素以确保车辆能够安全稳定地运行——这就要求设计者采用科学合理的选择计算平台方案以实现各子系统间的高效协同运作：通过引入Switch或PCIe Switch等互连网络实现不同计算单元之间的无缝对接从而完成复杂的协同运算任务以保障整体系统的可靠性与稳定性需求。此外，在智能驾驶功能之外还需要实现传统汽车中各执行机构的有效协调控制——这不仅需要依赖于专门设计的汽车控制单元（ECU）来解析并执行各类机械部件的状态反馈指令还要求采用先进的通信网络架构（如CAN总线、USB3.0接口等）来确保车内外各种信息源之间的高效共享与指令的有效传递——最终实现车辆从接收环境信息到作出决策再到执行动作的一整套闭环控制系统

图1 无人驾驶硬件平台范例

传感器平台

目前现有的车载传感器种类繁多,涵盖回波探测雷达,激光探测器,毫米波测距仪,数字成像装置以及红外感应器等多种技术手段.在当前无人驾驶领域,主流的技术方案主要采用激光探测器与数字成像装置作为核心配置,呈现出多模态传感器融合发展的趋势.鉴于这些技术在测量精度和适应复杂环境方面的显著优势,预计未来激光探测器与数字成像装置将继续主导无人驾驶传感平台的发展方向,并不断引入更多类型辅助设备,从而形成一系列功能互补的组合型产品.系统的组成架构如图2所示,各个子系统之间通过各自的优势进行协同工作关系构建

图2 各种传感器在无人驾驶中的应用

激光雷达

激光雷达的工作原理基于可见光与近红外光波（主要集中在950nm附近的红外光）的发射、反射以及接收机制。该技术具备在 day 和 night 条件下的距离测量能力。基于反射特性的差异性特征识别车道线与路面边界，在理想状态下可正常工作；然而，在 object occlusion（被遮挡物体）及 non-line-of-sight conditions（非视线条件）下会失效，并且该技术在雨雪雾等恶劣天气条件下受限于其感知性能的降低

在无人驾驶领域应用中起着双重关键作用的是激光雷达。通过建立三维模型来进行环境感知，在无人驾驶系统中这一技术被广泛应用。利用激光扫描技术获取汽车周边区域的三维数据模型，并借助相应的算法对比前后帧数据变化来识别周围的车辆与行人。
增强定位功能体现在同步建模技术上，在动态场景下实时生成的地图与高精度基准图中的特征点进行匹配后，在导航准确性和位置确定性方面均有所提升。

激光雷达分类与产品

LIDAR以单线/多线及距离两大因素为标准，价格从几百美金到几万美金不等。单线激光雷达的应用在国内已经相对较广，像扫地机器人使用的便是单线激光雷达。单线激光雷达可以获取2D数据，但无法识别目标的高度信息。而多线激光雷达则可以识别2.5D甚至是3D数据，在精度上会比单线雷达高很多。目前在国际市场上推出的主要有4线、8线、16线、32线和64线。随着线数的提升，其识别的数据点也随之增加，所要处理的数据量也非常巨大。比如，Velodyne的HDL-32E 传感器每秒能扫描70万个数据点，而百度无人车和Google无人车配备的Velodyne HDL-64E通过64束的雷射束进行垂直范围26.8度，水平360度的扫描，每秒能产生的数据点则高达130万。Velodyne HDL-64E的内部结构如图3，主要由上下两部分组成。每部分都发射32束的雷射束，由两块16束的雷射发射器组成，背部是包括信号处理器和稳定装置。

图3 激光雷达结构图

激光雷达雷射发射器采用更多的射线束能够显著提高数据采集效率。然而随着射线束数量的增加会导致设备成本急剧上升。例如Velodyne公司的产品中64射线束型激光雷达的价格是16射线束型的10倍单个定制版本的成本约为8万元。相比之下该公司推出了更为经济实惠的产品如HDL-32E和HDL-16E其中HDL-16E通过采用16束雷射替代了原有的64束配置实现了无盲区的360度扫描功能但其每秒提供的数据点数量却减少至30万个同时售价仍维持在约8千美元水平

表1 Velodyne激光雷达详细数据

图4 Velodyne激光雷达

要使激光雷达在无人驾驶汽车上广泛应用，首先要实现其成本的降低。主要有两种解决方案：第一种方案是采用低线数雷达配合其他传感器协同工作的方式；第二种方案则是采用固态激光雷达技术取代传统设计。其中最为昂贵的是机械旋转部件这一关键组件，在固态激光雷达中被电子设备所替代。这种技术的优势在于无需旋转部件支撑，在车身内部即可完成集成安装；这不仅提升了系统的可靠性还显著降低了运行成本。然而由于缺乏了传统的旋转部件支持，在水平方向上的视野范围被限制在180度以内；因此需要通过多台固态式激光雷达进行组合使用才能达到预期效果。

在CES2016上展出的两款重量级产品，其一是来自Quanergy的“固态”Solid State雷射雷达S3，采取相控阵技术，内部不存在任何旋转部件，仅为一盒名片大小，单个售价初步定在250美元，量产后可能降至100美元；其二是由Velodyne与福特共同发布的混合固态雷射雷达VLP-16 PUCK，2020年计划量产价为500美元，2025年计划把成本控制在200美金以内。奥迪的无人驾驶汽车A7 Piloted Driving就采用了Ibeo和Valeo合作的Scala混合固态雷射雷达，在外观上看不到旋转部件，但内部仍靠机械旋转实现雷射扫描。此前国内雷达制造商速腾聚创宣布完成的16线激光雷达采用的也是混合固态的形式。固态雷达雷达产品则由于采用电子方案去除了机械旋转部件，因此具有低成本（几百美元级别）和体积小、可集成至传统车辆外观中的特点。行业对固态雷达的出现仍处观望态度，主要因为：首先，对成本是否能有如此大幅下降抱有疑问；其次，激光特性在大雾等天气仍然并不适用。

国内外制造现况

目前，激光雷达已被应用在某些无人驾驶试验车中：

1. Google及百度的所有无人驾驶试验车均采用了Velodyne提供的64线激光雷达；
2. 福特混动版蒙迪欧安装了32线激光雷达；而第三代Fusion Hybrid则配置了两台混合型激光雷达；
3. 日产LEAF配备了六个来自Ibeo公司的四线激光雷达；
4. 奥迪A7 Piloted Driving采用了Ibeo与Valeo合作开发并应用于该车型上的Scala混合型激光雷达；
5. 德尔福公司的无人驾驶汽车配备了四台由Quanergy公司研发生产的激光雷达；
6. 大众的一款半自动驾驶汽车搭载了一款名为Scala的技术设备，在保险杠内部使用该技术取代传统的毫米波测距装置执行自动紧急制动（AEB）功能。

国外较为知名的激光雷达研发厂商包括Velodyne、Ibeo以及Quanergy等公司，并且这些企业多与大型科技集团有着合作关系。其中Velodyne成立于1983年，在美国加州硅谷设立总部。当年在美国举办的世界无人车技术挑战赛中获得第一名与亚军的两所顶尖学府——卡内基梅隆大学与斯坦福大学均采用了该公司的技术方案。目前该公司旗下拥有三个主要产品系列：包括16线、32线与64线三种不同规格的激光雷达系统。Ibeo则是一家专注于无人驾驶汽车领域的企业，在1998年成立后便开始致力于开发用于汽车行业的高性能激光雷达产品。值得注意的是自2010年起该企业便与法国雷诺公司合作实现了产品产业化生产并推出了ScaLa这一款适应汽车场景的关键技术产品。而Quanergy则以其创新技术闻名于世于2012年在加州硅谷设立总部并迅速发展成为全球领先的固态激光雷达制造商

国内主要在激光雷达领域的企业包括北醒光子、思岚科技、镭神智能以及速腾聚创等多家企业。其中北醒光子以其产品线较为丰富著称：其产品涵盖单线环境雷达DE-LiDAR 1.0、多线长距雷达DE-LiDAR 2.0以及固态雷达DE3.0系列（其中DE-LiDAR 2.0已推出）。镭神智能则成立于2015年初，在中远距离脉冲测距及激光雷达技术方面具有显著优势；而速腾聚创则在混合固态技术的研发上取得了重要进展。

表2 Velodyne和Ibeo产品规格对比

毫米波雷达

该系统利用发送无线电信号（属于毫米波频段的电磁波）来接收回传信号，并对反射回来的数据进行分析处理。当探测到相关数据后分别完成目标追踪与分类识别工作，在获得车身动态变化的信息后完成了数据融合运算，在此基础之上实现了科学判断，并成功降低了潜在风险

毫米波雷达的工作频段为30至300 GHz的毫米波范围，并具有1至10毫米的波长特性。这种频率范围使毫米波处于厘米波与光波之间的独特位置。由于这种特性，毫米波雷达兼具微波导向和光电导向的优点。该系统通过分析反射信号频率的变化来推算目标运动速度。其探测能力可达到30至100米远的距离，在高端设备中则能测距更远。此外，该技术不受恶劣天气影响，在雨雪等复杂条件下依然稳定运行。具有全天时的工作模式和高探测精度的特点，在车载应用中广泛应用于自适应巡航、碰撞预警以及盲区监测等功能。

相较于激光雷达而言，毫米波雷达在精度上要逊色一些，并且其可视范围的角度也相对较小。通常情况下，在实际应用中我们会采用多台雷达协同工作的方式来提高探测效果。由于其传输介质是电磁波而非可见光，在这种特殊情况下（如涂有隐形涂层的木头或塑料材质），传统意义上的"隐形"现象就可能出现（例如隐形战斗机正是通过表面覆盖涂层来规避雷达探测）。行人与车辆等移动物体在与该装置发生互动时会产生相对较弱的反射信号（类似于对传统雷达到"免疫"效果），因此在实际应用中这些移动主体往往会被视为潜在的安全隐患而加以避开。此外，在面对金属表面时该装置表现出极高的敏感度（尤其是在处理弯曲或不规则形状时），这不仅会导致其无法准确识别某些真实的障碍物还可能误将一些微小障碍物判定为具有较大尺寸的存在（例如那些形状怪异或微小到难以察觉的小物件）。因此，在复杂交通环境中仅凭单一传感器的应用往往难以获得理想的探测效果

图5 毫米波雷达应用范围

毫米波雷达分类

毫米波雷达可使用的频段包括24 GHz、60 GHz、77 GHz和79 GHz四个范围，在这些频段中以主干道频率最为常见的是使用在中短程测量方面以及使用在中长期测量方面的频率分配较为合理

图6 中距和短距雷达空间分辨率对比

为完全实现全功能 ADAS 系统通常需要配备 1 个长波雷达与 4 个中波雷达（共 5 套）。目前 outfitting 奥迪 A4 采用的是 1 长 + 4 短型毫米波雷达组合。
以自适应续航控制（ACC）为例，则通常配备 3 个毫米波雷达。
中央放置一个77 GHz型低范围 radar（LRR），其探测距离在150-250米之间，并呈约10度方向扫描；
两侧各布设一个24 GHz型中范围 radar（MRR），均呈约30度方向扫描，
其探测距离在50-70米之间。
如图7所示的是梅赛德斯 S 级车型，
该车采用了共7套毫米波雷达（1长 +6短）。

图7 毫米波雷达在无人驾驶中的使用

微波频率的提升显著地提升了距离与速度检测的解析能力。微波频段的趋势则显示出持续向高频率迁移的特点。于1997年时，欧洲电讯标准学会已将76至77 GHz指定为防撞雷达专用频道；与此同时，在2005年前后，《微功率（短距离）无线电设备的技术要求》文件中明确将该频段划分给车辆测距雷达领域；而到2012年为止，则是由工信部将24 GHz正式划归至短距车载雷达业务范畴；随后于2015年国际无线电通信大会又将更高频段的资源释放出来，并将其指定给了无线电定位业务领域；这一系列政策性调整最终导致了所有相关国家和地区均统一将车载毫米波雷达的工作频率定位于76至81 GHz范围内；这一决策不仅有助于提升该频段带宽的最大值以及功率水平的上限；而且也能进一步扩大其探测距离的能力；最终使得全球范围内对车载毫米波雷达的标准实现了高度统一

表3 中长距和短距雷达参数对比

毫米波雷达国内外制造现况

全球范围内提供汽车毫米波雷达的关键供应者可被视为资深的汽车电子强企的重要来源之一。例如包括博世集团（Bosch）、大陆集团（Gazight）、Hella集团（Helical）、富士通（Fujitsu）、电装工业（Denso）、TRW Systems以及德尔福集团（Delphi）等。

图8 毫米波雷达主要供应商

其中，博世核心产品是长距离毫米波雷达，主要用于ACC系统；最新产品LRR4可以探测250米外的车辆，是目前探测距离最远的毫米波雷达；市场占有率最高，但客户集中在奥迪和大众。大陆客户分布广，产品线齐全，主力产品为24GHz毫米波雷达，并且在Stop & Go ACC领域占有率极高。Hella在24GHz-ISM领域客户范围最广，24GHz雷达传感器下线1000万片，出货量达650万片，市场占有率全球第一。第四代24GHz雷达传感器将在2017年中投入全球化生产。富士通天和电装主要占据日本市场，其中富士通天略胜一筹。富士通天、松下和电装是未来79GHz雷达市场领域的强者。

当前高端汽车装配用的毫米波雷达传感器在中国市场全部依赖进口状态。国内相关企业尚未完成自主产品研发与生产体系建设工作。由于研发成本相对较低且技术难度适中，在此频段下的供应链已在国际市场上较为稳定发展。基于现有技术储备与产业生态，在24GHz频段的毫米波雷达应用领域已有较多成熟案例可资参考：包括湖南纳雷、厦门意行与芜湖森思泰克等几家企业提供的系列化产品线。然而在更高频段如77GHz方面由于技术突破性需求较高且相关芯片厂商尚未开放供应通道因此国内市场在这类技术指标的产品应用上面临较大制约

图9 国内森思泰克和纳雷科技主要雷达产品

在雷达数据处理芯片领域中，则主要由恩智浦（NXP）MR2001多通道77GHz雷达收发器芯片组所承担相关功能，并配合意行半导体提供的射频前端MMIC套件产品使用。该芯片组包括型号如：MR2011RX、MR2001TX 以及MR2001VC等；而意行半导体则提供了SG系列的产品配置选择。值得注意的是，在这一领域中，在经过 years of development之后, NXP于 于 于 年份推出了全球尺寸最小（7.5×7.5mm）的单晶片型态, 其应用范围极为广泛且性能卓越

表4 各个主要厂商主要产品毫米波雷达

车载摄像头

车载摄像头的基本原理如下：首先获取并预处理图像数据，并将其转化为二维信息；接着完成目标识别过程，在这一过程中通过图像匹配算法实现目标检测功能，并且能够辨识出在车内的行驶环境中出现的各种元素例如车辆、行人以及车道线和交通标志等。最后基于物体运动特征分析或通过双目定位技术来判断并计算出目标物体相对于本车的方位距离以及移动速度信息。

相较于其他传感器而言，在获取周围环境信息的工作模式上最为接近人眼的特点下，在数据量较小的情况下仍能提供最全面的信息。这是因为当前摄像头的技术已较为成熟的同时,其成本相对较低。然而,在视觉识别方面存在一定的局限性:受光照及天气状况显著影响;物体识别依赖于机器学习的数据库,并需大量样本进行训练;此外,在实际应用中难以准确辨识非标准障碍物;由于广角镜头成像过程中产生的边缘畸变,导致距离测量精度受到影响。

基于应用方案的角度来看，在现有的技术基础上，目前的摄像头系统主要可分为单目相机、后视摄像头、立体（双目）摄像头以及环视式摄像头四种类型。如表5所示：

表5 摄像头的应用场景

1. 单目摄像头通常安装在前挡风玻璃的上部位置，并用于感知前方环境信息。该系统主要对道路标线、车辆和行人进行检测，并通过分析目标物体的实际尺寸来估算其距离位置关系。为了确保检测效果理想化操作流程必须包含以下几个关键环节：首先采用图像匹配算法实现目标物初步定位；其次基于目标物在图像中的大小比例建立精确的距离计算模型；最后需要构建并持续更新一个包含所有待测物体特征数据的大规模特征数据库以保证系统运行的有效性；如果数据库中的特征数据不足就无法准确计算出物体距离从而导致辅助驾驶功能失效因此单目视觉方案的核心技术难点在于模型算法的智能化水平以及模式识别精度；
2. 后视摄像头一般设置于车辆尾部以监测后方环境信息这一系统的主要技术难点在于如何在复杂多变的道路环境下维持稳定可靠的运行状态；
3. 立体（双目）摄像头通过分析两幅由两个并列布置的摄像头获取的画面之间的视差关系来实现前方景物的距离测量这一技术方案的优势在于无需对障碍物类型进行预先判断即可直接完成距离计算从而显著提升了测量精度和探测范围；然而双目方案相比单目方案具有以下核心技术特点：首先需要实现两个摄像头之间的高度同步以及快速采样以保证系统的实时性要求；其次由于其依赖于复杂的几何计算双目方案的成本和技术难度均高于单目方案但其优点是可以完全消除传统雷达测距中对反射面形状和材质所带来的测量误差从而实现了更高的测量精度；此外双目方案不需要预先对被测物体进行分类识别就可以直接完成距离测量这大大简化了系统的操作流程但同时也带来了更高的硬件成本和技术挑战尤其是当与毫米波雷达和激光雷达相比时其成本更高而且系统的体积也更大；
4. 环视摄像头一般包括前后左右四个方向的小型摄像头组构成一个完整的环形覆盖系统以实现全车周围环境的信息采集这一设计特点使得环视 camera 的主要技术难点集中在如何有效消除各组别成像过程中存在的几何畸变以及如何实现各组别之间信号的有效对接从而获得高精度的空间定位结果；

受不同ADAS功能需求影响的位置主要包含前视、后视、侧视以及内置镜头。实现自动驾驶时这套完整的ADAS功能系统会配备超过5个摄像头以确保安全监测。

图10 无人车摄像头方位设置

前视摄像头一般采用55度左右的镜头以获得较远的有效距离，并提供两种解决方案：单目和双目模式。双目模式需要安装于两个不同位置，并具有价格是单目模式1.5倍的特点。环视系统则使用广角摄像头，在车周围布置四个单位并结合图像拼接技术生成全景图；通过辅助算法可实现道路线检测功能。后视摄像头通常采用广角或鱼眼镜头配置，并主要应用于倒车后的视野覆盖；侧方视野监控通常由两个广角摄像头完成盲区检测等功能，并可替代传统后视镜；这一功能模块也可由超声波雷达系统替代操作。内置摄像头同样采用广角镜头设置在车内后视镜位置，并负责驾驶员闭眼提醒功能；其中前视摄像头不仅具备车道偏离预警（LBP）、车辆识别（VI）等功能作为ADAS主动安全的核心支持单元；未来还将支持自动紧急制动（AEB）、自适应巡航（ACC）等高级主动控制功能的信号输入接口；该模块的安全性能较高且应用范围广泛，在当前技术开发中处于热点研究阶段

表6 按功能需求的摄像头划分

车载摄像头工艺上的首要特点是高效，在高速行驶时尤其表现出色。系统不仅能够实时捕捉关键驾驶状态，并且能够即时评估这些状态并启动相应的应对措施。当速度达到140公里每小时时，在每一秒内汽车将移动40米。为了确保两次图像采集之间的时间段内自动驾驶车辆行驶的距离不会过长，在技术规格中要求最低帧率不得低于30帧/秒，并且部分制造商要求达到60帧/秒及更高水平（如120帧/秒）。从功能角度来看，在各种复杂运动状态下都需要确保能够稳定采集数据。

1. 高灵敏度：在黑暗环境下及对比度较大的情况下仍能实现识别任务，并规定摄像头必须具备高灵敏度特性。
2. 中低像素：为减少计算处理负担，在保证图像质量的前提下摄像头像素设置在30-120万之间即可满足需求。
3. 视频视角：环视和后视场景通常选用大于135度的广角镜头；而前置摄像头则由于对固定距离的要求更高一般采用55度以上的视角。
4. 同时相比工业级与生活级摄像头车载类别的安全等级更高尤其是在与前装ADAS镜头的安全等级方面有着更高的要求主要体现在：
5. 温度工作范围：车载摄像头的工作温度设定为-40℃至80℃之间。
6. 抗干扰抗震性能：车载摄像头必须具备极高的抗电磁干扰和抗震性能以确保车辆启动过程中的电磁脉冲不会影响图像质量。
7. 长时间稳定运行：为了满足实际应用需求车载摄像头必须具备超过8年以上的稳定运行时间。

图11 各种无人驾驶应用摄像头

基于IHS Automotive的预测显示，在2021年车载摄像头系统的出货量预计将突破7.4亿套/年。其中‘舜宇光学’品牌下的车载后视镜头产品的全球市场份额位居首位，在此细分领域中占据约达3成左右的份额。该品牌提供的具体产品种类丰富多样，涵盖前视镜头（如XXX）、后视镜头（如YYY）等不同方向的视野覆盖解决方案。这些产品不仅满足欧美国家及日韩地区对高质量驾驶辅助设备的需求，在国内市场也同样表现突出。为了进一步了解相关技术细节，请参考附录中的型号信息以及与之相关的规格参数描述（见表7）。

表7 按功能需求的摄像头划分

GPS/IMU

在复杂动态环境及大城市中运行时，在GPS多路径反射问题上表现得尤为突出。这使得通过GPS获得的定位信息容易出现几米级的误差。由于GPS的工作频率较低（10Hz），车辆快速行驶时难以实现精准的实时定位。仅仅依靠GPS来进行导航可能会大大增加发生交通事故的风险。因此通常会辅以惯性传感器（IMU）来提升定位精度。而这种装置也存在偏差积累以及噪声等问题影响测量结果。采用基于卡尔曼滤波器的数据融合技术可以有效地结合GPS与IMU的优势特性从而实现两者的互补作用最终达到超越单一设备性能水平的目的具体表现为一方面能够在动态变化中持续提供高精度的位置估计另一方面则能够在静止状态时保持良好的自主性和实时性性能特点从而显著提高系统的整体性能水平

1. 系统精度有所提升。凭借 GPS 系统长期稳定性能弥补因 IMU 误差随着时间累积而带来的缺陷，并将单独使用 GPS 或惯导系统的导航误差相比而言要小很多。
2. 系统抗干扰能力得到了显著提升。通过 IMU 在短时间内保持高精度能够有效弥补 GPS 易受干扰导致信号丢失等问题，并且通过姿态和角速度数据进一步优化了快速捕获或重新锁定卫星信号的能力。
3. 导航信息得到了补充和完善。除了可以提供载体运动的数据外，还可以提供加速度、姿态以及航向等更多细节的信息；此外还可以以更高的频率更新相关数据。

基于惯性传感器的标定技术在实际应用中会面临诸多挑战和限制因素。其中常见的问题包括传感器元器件的精度不足以及校准参数偏差等问题。在实际应用中将多个传感器集成使用时，不同传感器之间由于安装不正交导致的交叉耦合效应也会对系统性能产生不利影响。针对上述存在的问题和影响因素，在完成初始标定时需要充分考虑各自由制造工艺、环境条件等因素所造成的偏差项，并通过建立完善的标定模型并结合优化算法处理这些误差项，从而有效提升系统的整体性能。

GPS/IMU的主要供应商涵盖NovAtel、Leica、CSI Wireless以及Thales Navigation等公司。其中NovAtel在该领域处于领先地位，并开发了SPAN技术体系。该技术结合了GPS定位的绝对精度与IMU设备测量的稳定性优势，在三维空间中实现位置、速度与姿态的精确计算，并能有效应对GPS信号被遮挡的情况以维持解算连续性。基于SPAN技术框架开发出了两款主流产品：SPAN-CPT全功能组合导航系统与SPAN-FSAS分体式组合导航系统。SPAN-CPT系统整合了 NovAtel 高精度GPS芯片与iMAR公司的光纤陀螺IMU模块，在不同模式下可灵活适应多种定位需求，并支持SBAS、L波段（Omnistar和CDGPS）以及RTK差分等多种解算方式；其航向精度可达0.05°, 俯仰横滚精度为0.015°, 解算性能表现优异。而SPAN-FSAS则运用了iMAR公司的高精度闭环IMU模块，在陀螺和加速计误差控制方面表现更为稳定；通过搭配FlexPak6™或ProPak6™组件实现了全功能组合导航解算功能

图12 NovAtel两款GPS/IMU产品

计算平台

在环境信息被硬件传感器接收后，这些数据随后会被导入计算平台，并通过不同的芯片进行处理以完成运算任务。计算平台的设计对无人驾驶系统而言至关重要，因为它直接决定了该系统的实时性能和鲁棒性。本节将深入探讨无人驾驶系统的计算架构。

为了更好地掌握无人驾驶计算平台的关键点及其架构设计思路, 我们可以深入分析一家行业领先的四级无人驾驶公司的现有计算平台硬件架构实现情况. 通过系统性地研究当前芯片技术发展带来的挑战与解决方案路径, 在深入了解现有技术基础后, 我们可以全面考察各主要芯片厂商提供的无人驾驶计算解决方案, 并对其技术特点进行详细比较与分析.

该平台的硬件架构包括两个独立的计算单元构成基础框架，在这两个关键组件之间采用PCIe总线实现高效通信机制。每个核心搭载四核至强E5处理器以及四到八块NVIDIA K80加速芯片组，在运行效率方面表现突出。其中主处理器单线程峰值性能可达400帧/秒水平，在能耗方面维持在400瓦左右稳定输出状态。而图形处理器则展现出更强的多线程处理能力，在满负荷状态下可达到8TOP/s运算水平的同时能耗维持在300瓦左右稳定输出状态。总体而言该系统能够实现64.5 TOP/S的最大运算能力支撑下耗能约3kW水平并具备良好的散热性能以确保长期稳定运行状态。为了保证系统的可靠性这两个独立的核心采用了同源架构设计当其中一个发生故障时另一个将立即接管其负载任务这一特性使得整体系统的稳定性得到了显著提升然而在极端情况下两个核心同时满负荷运行可能会导致整体功耗超过5kW并伴随过热现象的发生因此必须配备完善的散热系统以确保设备长期稳定运行状态

现有计算解决方案

接下来，我们将分别介绍现有的针对无人驾驶的计算解决方案。

基于GPU的计算解决方案

NVIDIA的PX平台目前处于基于GPU的无人驾驶解决方案领域的领先地位。每个PX2系统由两个Tegra SoC处理器和两个Pascal类图形处理器构成，在设计上实现了高度并行计算能力：每个图像处理器配备了独立专用内存，并预装了特定指令序列以加速深度神经网络运算。为了优化处理性能，在结构设计上采用了PCI-E Gen 2 x4总线直接连接Tegra SOC与Pascal GPU的方式，并保证了其理论最大带宽为4 GB/s。此外，在通信性能方面，在两个CPU-GPU集群之间采用千兆以太网项链架构实现了高达70 Gigabit/s的数据传输速率。基于优化的I/O架构和硬件加速技术支持下，在实际应用中每秒可完成高达24百万次深度学习计算任务：当运行AlexNet等典型深度学习模型时，在PX2平台上能够达到惊人的2800帧/秒处理能力

图13 NVIDIA PX2

基于DSP的解决方案

德克萨斯仪器推出了基于数字信号处理器（DSP）的无人驾驶技术方案。该芯片（TDA2x SoC）配备了两个高性能浮点运算单元（C66x）以及四个可编程视觉加速器。与ARM Cortex-15处理器相比，在视频处理性能上提升了八倍的同时功耗更低。类似的技术方案由CEVA公司推出了XM4系列。作为另一款专注于无人驾驶领域的计算方案，在执行视频流分析任务方面具有显著优势：采用XM4芯片后，在每秒处理30帧1080p视频时功耗仅为30瓦特左右

图14 TI TDA2

基于FPGA的解决方案

该公司的 Cyclone V SoC 是一种 FPGA 基础上的无人驾驶解决方案，并已成功应用于奥迪等无人驾驶汽车产品中。Altera 的 FPGA 专为多传感器融合优化设计，并能够整合来自多种传感器的数据实现高可靠性的目标检测。类似产品包括 Ultra ScaleMPSoC 系列芯片，在无人驾驶领域进行了专门优化。当运行卷积神经网络计算任务时，Ultra ScaleMPSoC 的计算效率达到 14 帧/秒/瓦（fps/W），相比 NVIDIA Tesla K40 GPU 的 4 fps/W 显著提升。此外，在目标跟踪计算方面，在 1080p 视频流上的 Ultra ScaleMPSoC 计算性能可达到每秒 60 次（fps）。

图15 Altera Cyclone V

基于ASIC的解决方案

Mobileye is a provider of unmanned vehicle solutions utilizing ASIC technology. The Eyeq5 SOC is equipped with four distinct fully programmable accelerators specifically optimized for specialized algorithms, including computer vision, signal processing, and machine learning among others. The Eyeq5 SOC features two dedicated PCI-E ports to facilitate communication between multiple processors. This architecture aims to allocate the most suitable computational resources to each computing task, ensuring efficient resource utilization and enhanced computational performance.

图16 MobilEye EyeQ5

计算平台体系结构设计探索

我们尝试对以下问题形成一些初步认识：

1. 如何优化计算单元以适应何种工作负载？
2. 该系统能否支持移动处理器执行无人驾驶计算任务？
3. 构建一个高效且可靠的无人驾驶计算平台的策略是什么？

计算单元与计算负载的匹配

为了探究最优计算单元配置以支持卷积运算及特征提取任务，在无人驾驶场景中占据高度计算资源的负载类型。在现有的ARM架构下开发单核SoC团队已完成系统级开发并进行相关性能评估。该ARM架构包含一个四核处理器组构，其中包含了中央处理器（CPU）、图形处理器（GPU）以及数字信号处理单元（DSP）。为了分析不同异构硬件配置下的能耗与性能行为表现特点，在每种异构硬件平台的基础上实现了特征提取与卷积运算的最佳性能优化策略，并同时评估了整体功耗表现。

我们首先在CPU、GPU以及DSP上进行了卷积操作的开发。这一阶段是图像分类与目标检测中应用最广泛、计算量最高的环节。在CPU平台上完成一次卷积运算所需的时间为8毫秒（8\text{ms}），能耗为20焦耳（20\text{MJ}）。而在DSP平台上完成一次卷积运算所需的时间减少至5毫秒（5\text{ms}），能耗也降低到7.5焦耳（7.5\text{MJ}）。相比之下，在GPU平台上完成一次卷积运算仅需2毫秒（2\text{ms}），能耗也只有4.5焦耳（4.5\text{MJ}）。由此可见，在性能与能效方面均表现卓越的GPU平台成为执行卷积任务的最佳选择。

随后，我们开发了CPU、GPU和DSP上的特征提取应用方案。该过程用于无人驾驶系统中定位阶段生成特征点，在计算资源方面此任务处于瓶颈位置：在通用处理器（CPU）上运行时，每个任务所需的时间约为20毫秒，并消耗能量50MJ；而在专用图形处理器（GPU）上运行时，则可将时间缩短至10毫秒的同时仅消耗22.5MJ；进一步优化后，在数字信号处理器（DSP）上运行时可将时间压缩至4毫秒水平，并使功耗降至6MJ以下。这些数据表明，在性能与能耗的权衡下，DSP方案具有最佳的表现优势：这是因为对于专注于并行处理的硬件设备而言，在提升效率的同时减少功耗是其核心设计考量。

移动处理器上的无人驾驶？

我们旨在探究无人驾驶系统在上述ARM移动SoC上的运行表现，并寻求实现支持自动驾驶所需的最低硬件配置方案。图17展示了基于视觉的无人驾驶移动SoC系统的总体架构。在该系统的软件实现过程中，主要通过DSP对来自视觉传感器的数据进行处理以完成特征提取和光流计算；通过GPU实现深度学习模型的推理任务包括目标识别功能；分别由两个独立的CPU线程负责定位计算和实时定位任务；另一个CPU线程用于实时路径规划计算和更新；剩余的一个CPU线程则负责避障操作的实时决策和障碍物规避。当多于一个CPU核心被占用时

图17 无人驾驶的Mobile SOC设计

令我们意外的是实验证明无人驾驶系统在ARM SOC上运行性能尚可。
该系统在ARM SOC上的运行性能表现尚可。
定位流水线每天可处理约25帧图像。
生成速率达到每秒30帧。
这意味着大多数生成的图像均能及时处理。
不会出现大规模的丢帧现象。
深度学习流水线每天可执行2至3个目标识别任务。
规划与控制流水线的任务可在6毫秒内完成路径规划。
采用移动ARM SOC进行无人驾驶时得以实现车辆以5英里/小时的速度行驶并确保没有丢失任何定位数据；同时整个SOC平均功耗维持在11瓦特水平。
硬件资源受限条件下支持有限范围内的无人驾驶系统发现非常令人诧异；若增加计算资源则硬件平台将具备更强负载能力从而支持更高速度行驶并满足产品级无人驾驶需求。

控制平台

无人车的关键部件是控制平台，在其运行过程中负责管理车辆的各种控制系统。这些系统包括汽车防抱死制动系统（ABS）、汽车驱动防滑转系统（ASR）、汽车电子稳定程序（ESP）、电子感应制动控制系统（SBC）、电子制动力分配（EBD）、辅助制动系统（BAS）以及安全气囊（SRS）等技术。此外还包括汽车雷达防碰撞系统、电控自动变速器（EAT）、无级变速器（CVT）、巡航控制系统（CCS）、电子控制悬架（ECS）和电控动力转向系统（EPS）。这些功能模块共同构成了复杂的适应性控制系统。control platform is a crucial component in unmanned vehicles, managing a variety of control systems such as anti-lock braking system (ABS), anti-spin control system (ASR), electronic stability program (ESP), electronic brake force control system (SBC), electronic brake distribution system (EBD), auxiliary braking system (BAS), and safety airbag (SRS). Additionally, it incorporates radar-assisted collision avoidance systems, electric automatic transmission (EAT), continuously variable transmission (CVT), cruise control system (CCS), active suspension control system (ECS), and electric power-assisted steering system (EPS). Together, these subsystems form an advanced adaptive control network.

电子控制单元ECU

ECU（Electronic Control Unit），俗称‘车载电脑’。这是汽车专用微机控制器，在发动机运行时接收来自各传感器的反馈信号，并通过计算产生控制指令来调节被控对象的各项参数。预设程序会根据这些计算结果直接指导发动机的各项参数运行状态包括点火时机、怠速转速、废气再循环程度等。为了提高系统的可靠性和智能化水平 ECU还具备故障自诊断功能并能实时更新学习信息。车载存储模块持续监测车辆运行数据 将这些数据作为学习训练的基础信息存入ECU中并形成自适应学习程序这一特性使其能够根据驾驶员的习惯提供最佳的操作状态。随着汽车电子化和自动化的深入发展 各个高端车型都配备了独立运行的ECU系统例如防抱死制动系统、四轮驱动系统等均采用了专门设计的ECU芯片以确保系统的高效稳定运行。根据市场调研数据显示 宝马、奔驰和奥迪三大车厂旗下高端车型普遍配备超过100个ECU单元 未来这一数字预计还会进一步增加并且相关系统的复杂度也将相应提升以应对日益严苛的安全法规要求与市场竞争力需求

按用途划分属于汽车专用微机控制器也可通称为汽车专用单片机

具体来说，在发动机启动的过程中，电控单元切换到工作模式，并通过读取存储于ROM中的指令执行部分程序。这些程序主要负责精确调控点火时机、优化燃油喷射时机以及维持发动机的最佳运行状态等关键功能。由多种传感器收集所需的数据信息后会首先经过输入电路板进行初步处理，在此过程中A/D转换前的预处理步骤也至关重要。随后这些数字信号会被暂时存储于RAM内存块中以确保数据在后续操作中的完整性与可靠性。按照预先编排的操作序列将数据传输至中央处理器以便按照既定程序进行分析与运算。接着系统会将存储器中的基准参数导入中央处理器并与实时采集到的传感器数据进行对比分析通过逻辑判断和数学计算得出最优控制参数并将最终指令发送至控制器完成下一步操作这一过程不仅保证了系统的高效运转也为后续阶段提供了可靠的决策依据

随着汽车电子化和自动化技术的进步, ECU的数量将不断增加. 在目前的高端汽车中, 每个系统通常包含多达200个微处理器. 这些数百个ECU通过区域网实现了信息共享. 当一个ECU发送数据包时, 所有的节点都会接收此数据包, 但只有承担该数据包任务的节点才会执行命令. 例如, 当监控刹车踏板状态的ECU检测到变化时, 将会触发尾灯点亮功能. 此时该ECU触发尾灯点亮功能, 并将其通电点亮. 这一操作实际上涉及至少两个ECU之间的协作. 要实现所有这些设备之间的协作就需要采用多路复用通信网络协议进行信息传递, 其中一种就是控制器区域网（Controllers Area Network, CAN）总线.

基于CAN协议的技术架构下, 汽车内部集成的数百个电子控制单元(ECU)可构成一个局域网, 有效降低线路间信息传递带来的复杂性。包括通用汽车、沃尔沃和特斯拉等品牌在内, 大部分车型已具备远程操作功能, 其核心机制在于智能手机发出的指令首先抵达服务器, 然后被转发至车载通信模块。当车载通信模块接收到来指令后, 系统会通过CAN总线将此指令发送至各个ECU进行执行

为了缓解CAN协议在某些方面的缺陷, 汽车工业开发出了多种替代方案, 其中就包括LIN协议这一重要标准。与CAN相比, LIN通信带宽相对较小, 能承载的数据量也更为有限, 但其成本显著降低, 这使得它特别适合应用于那些对数据传输要求不高但预算有限的ECU系统, 如车窗升降等简单的控制模块。随着科技的进步发展, 汽车内部的数据量呈现出爆发式增长态势。特别是在大屏幕设备普及以及流媒体技术广泛应用的大背景下, 原本依靠CAN总线就能完成的任务如今已经难以应对, 这促使汽车行业开始研发更先进的通讯体系架构, 包括MOST、FlexRay以及专用以太网等多种新型标准。其中,MOST通信协议被专门设计用于满足汽车内部高码率音频视频信号传输的需求;而FlexRay则是一种多用途通信协议体系, 并不限制于多媒体信号传输范畴;在自动驾驶领域的奥迪A7车型中, 位于后备箱内的车载CPU模组（奥迪将其命名为zFAS）正是采用FlexRay通信协议来接收前摄像头捕捉到的数据信息

EUC的主要生产厂商包括以下公司：博世（BOSCH）德尔福（DELPHI）马瑞利（MARELLI）日立/电装（Hitachi/DENSO）大陆（Continental）西门子（Simmonds）等以及其他知名制造商。其主要产品线涵盖了多个领域包括车载电子系统车载控制系统以及高级智能驾驶辅助系统等关键领域。作为全球知名的汽车控制系统供应商博世旗下拥有多种型号的产品线如M7 M7 9 7 1 ME7 ME 9 7 ME 8 8 EDC16以及054K0系列；德尔福则推出了MT20U2 MT20U MT20 MT80 MR140 ITMS-6F等多种创新产品；而大陆则专注于为汽车制造行业提供高质量的车载电子解决方案；此外日本电装作为一家专业的汽车电气设备制造商也为其客户提供了丰富的解决方案；西门子则推出了SIM2K-34 SIM2k-51.4 SIM2k-D51以及SIMK43等多个系列的产品组合以满足不同市场的需求

在ECU中占据核心地位的是中央处理器（CPU），该设备不仅具备运算处理能力和控制调节两大功能，在实际运行过程中持续监测并采集来自各类传感器的信号信息，并通过精确计算将处理结果转化为相应的控制指令信号。这种信号随后被用于调节被控对象的各项运行参数。除了上述基本功能外，在系统管理层面还需要对存储器（包括只读存储器ROM、随机存取存储器RAM）、输入输出接口以及各类外部电路进行全方位的技术管控工作以确保系统的稳定性和可靠性运行质量达到最佳水平。其中Power Train ECU所采用的核心处理器芯片来源于Infineon、ST、Freescale等知名半导体企业；BOSCH公司的早期16位ECU M(E)7系列主要采用Infineon C167内核设计；随后ST公司针对BOSCH开发了性能更为经济友好的ST10系列专用处理器；而进入21世纪后BOSCH则转向Freescale品牌推出具有更高性能水平的MPC55类应用处理器；此外MEDC18系列 still沿用PowerPC路线 由ST公司与Freescale合作推出了SPC56和XPC56等高性能处理器以满足更高层次的应用需求

通信总线

随着现代汽车控制系统逐步向自动化与智能化方向发展，在这一过程中形成的复杂的电气系统逐渐增多和完善以确保各电子系统能够及时响应以实现高效协调运行为此建立统一的数据共享机制成为必要从而引出了对车辆间通信需求的迫切性目前车用总线技术已被美国汽车工程师协会SAE下属的汽车网络委员会按照协议特性划分成A类B类C类D四种类别

图18 车用通信总线

在本节中, 我们将重点掌握局部互联协议LIN的基本概念, 以太网局域网中的控制器协议CAN, 以及高速容错网络协议FlexRay在现代汽车通信系统中的应用。

局部互联协议LIN

LIN是一种专为汽车低功耗分布式系统设计的经济型串行通信接口。它旨在补充现有汽车网络功能，在无需CAN总线带宽和多功能需求的情况下实现低成本部署。相较于CAN总线的成本优势主要源于单线传输技术的应用以及硅基芯片上硬件或软件实现的低成本特性，并取消了对子节点中石英或陶瓷振荡器的需求。这些优点是以较低带宽和受限于单一主设备访问方式作为代价实现的。LIN采用了“一个主控制器与多个从设备”的工作模式，在主设备与从设备之间仅需一根12伏电源信号线路即可连接。这种模式特别适用于对控制精度要求不高但又需要扩展性的场景。“传感器/执行器控制”类型的低速网络其最高数据传输速率达到20千比特每秒并广泛应用于电动门窗调节座椅位置控制及照明系统管理等场景。通常情况下一个LIN网络最多可连接12个独立设备。

LIN包含一个主节点（Master）以及一个或多个从节点（Slave）。每个节点均负责执行发送/接收特定数据包的任务，并且主节点还需完成额外的主机发送任务。在实时LIN架构中，所有的通信都是由主节点发起的。除了命名主节点外，在LIN网络中其他节点无法获取任何系统设置信息。在不改变现有从节点硬件配置的前提下，在LIN网络中可随意增加新的从节点。当主节点启动时会发送包含同步中断标志、同步字节以及消息标识码的消息报头到各从节点上。各从节点接收到这些信息后会自动过滤掉消息标识码并激活相应的响应传输通道。每个响应数据包则包含2、4或8个数据字节以及校验字段（checksum）。整个报头字段与响应字段共同构成一条完整的信息帧。在整个LIN总线上所有的通信活动都是由主节点发起的；通过进度表确定当前的通信主题后会主动发送相应的帧头信息；同时为每个数据帧分配独特的信道资源以保证通信质量

图19 LIN总线

控制器局域网CAN

目前汽车领域广泛采用的主流通讯协议是基于CAN的技术。这种技术最初由德国博世公司在20世纪80年代初期研发出来以解决现代汽车中诸多控制与测试设备的数据传输需求一种串行数据通讯协议它的短帧数据结构使其能够高效处理实时任务非破坏性的仲裁机制确保了通信过程中的稳定性而灵活多样的通信机制则增强了系统的可靠性和适应性根据传输速率的不同 CAN 总线又可分为高速型和低速型两类其中高速型最高可达1Mbps（C类）而低速型则达到250Kbps（B类）。

图20 CAN总线

采用线型结构设计的CAN总线是一种实现多设备共享通信的技术。各设备通过共享同一根传输介质即可实现信息传递，在此过程中能够保证系统的高效运行。然而，在网络出现故障导致线路短路时，则会导致整个网络无法通信。该技术通过CSMA/CA（载波侦听/冲突避免）机制实现了高效的资源分配与冲突管理。所有设备持续监控这条传输通道，在发现空闲状态下立即开启数据传输功能。当多个设备同时发送数据包时系统会自动启动冲突仲裁流程以确保数据完整性与实时性。每个发送端都会先发送本机ID字段且优先级越低的数据包会在优先级高的数据包覆盖前被暂停发送以保证消息顺序不受影响从而最大限度地提高网络利用率。然而由于优先级较低的数据包往往需要等待更长的时间因此从实时性角度来看这种技术并不完全适合要求严格的时间敏感场景的应用模式存在一定的延迟问题进而限制了其在某些特定场合中的应用范围

高速容错网络协议FlexRay

FlexRay总线的数据收发采用了基于时间和事件的机制。当采用基于时间的通信机制时，在通信前的准备阶段中就已经确定了各参与节点之间的消息交换顺序，并且接收端能够提前预知相应报文到达的时间点，在此期间的数据可以在总线上进行精确分配。即使在复杂的行车环境下受到干扰影响系统的传输过程，该协议依然能够有效降低信息传输过程中的延迟波动，并尽可能地维持数据传输的一致性和可预测性。这对于那些对连续性和高性能要求极高的系统（例如车辆自动制停与转向控制等）而言是非常重要的。

图21 FlexRay总线

FlexRay总线采用了时分多路访问（TDMA）和灵活时分多路访问（FTDMA）两种周期型数据传输方式。它将一个完整的通信时段划分为静态时段、动态时段以及网络空闲时间三部分。静态时段采用时分多路访问（TDMA）技术，在此时段内各节点轮流分配固定的时间片片段时间用于发送数据包；在此时间段内即使某节点当前无待发送的数据包也需要预留相应的时间片片段时间以供后续使用（从而造成了一定的资源浪费）。动态时段则采用灵活时分多路访问（FTDMA）机制，在此时段内系统会依次询问各节点是否存在需要发送的数据包；存在则立即发送；不存在则跳过该节点转而处理下一个节点的数据包请求。静态时段主要用于传输需要频繁且重要的数据包；动态时段则用于传输频率不固定且重要性较低的数据包。若在 FlexRay 总线运行期间遇到数据传输错误，则这些错误的数据将在当前周期结束后被全部丢弃，并无重发机制可循；所有节点将继续进入下一个通信时段进行数据传输工作。此外 FlexRay 系统还设置了误码计数器当某个参与通信的节点连续发生过多误码次数后将会被驱逐出总线以确保网络运行质量

FlexRay不仅拥有高速性、可靠性和安全性这些特色。
采用两条独立总线进行通信架构设计，并且单条总线的工作数据传输速率为10MBit/s。
除了提供外，在可靠性方面也具有明显的优势。
特别强调其冗余通信能力能够借助硬件手段实现对网络配置的完全复制，并且能有效进行进度监测。
同时支持多种拓扑结构包括但不限于总线型架构星型架构以及混合型架构。
自身不具备完善的网络安全防护能力但可以通过集成丰富的功能模块来满足面向安全系统的开发需求例如线控系统的应用。

宝马公司在07款X5系列车型的电子控制减震器系统中率先采用了FlexRay技术。该车配备了基于飞思卡尔公司的微控制器芯片和恩智浦公司的收发器模块。通过实时采集并分析车辆速度、纵向与横向加速度、方向盘转向角度、车身与轮胎加速度数据以及行驶高度信息等关键参数数据，并据此优化车内环境与驾驶体验，在提升乘坐舒适度的同时也增强了驾驶员的安全感与高速反应能力；此外还特别调节了对轮胎负荷变化及底盘振动的影响程度。

结论

如果说是计算逻辑构成了无人驾驶的核心灵魂，则 hardware architecture 负责构成其身体的基本框架。即便最精妙复杂的计算逻辑也必须依赖于实际存在的硬件架构才能体现出其实用价值。hardware architecture 的设计直接影响着无人驾驶系统对外界环境的信息接收与处理能力；与此同时它还需要承担起数据存储运算以及指令执行等基础功能；此外系统的稳定性可靠性以及能耗效率都是衡量 hardware architecture 综合性能的关键指标。从组分划分来看 无人驾驶系统的硬核技术架构主要包含传感器阵列 计算集群以及控制中枢三个主要模块。本文将深入探讨这三大核心组件各自的特点及其优化方法 并分享现有的解决方案 旨在为从事自动驾驶相关工作的研发人员及爱好者提供参考依据

作者简介：

唐洁，华南理工大学计算机科学与工程学院副教授。主要从事面向无人驾驶和机器人的大数据计算与存储平台、面向人工智能的计算体系架构、面向机器视觉的嵌入式系统研究。
刘少山，PerceptIn联合创始人。加州大学欧文分校计算机博士，研究方向：智能感知计算、系统软件、体系结构与异构计算。现在PerceptIn主要专注于SLAM技术及其在智能硬件上的实现与优化。