领略无人驾驶的架构

“别人怎么对你，你就用相同的态度回应！生而为人，谁都是第一次。”

生活依然继续~

先来看一下想要实现无人驾驶所需的核心模块吧：

感知+融合+决策规划+控制（还有其中不能少的实时定位）

白话解释：为了达成无人操控驾驶的目标，则需要人类在驾驶过程中必须完成的任务。这些任务包括通过视觉和听觉感官感知道路周围的环境信息，并利用大脑来进行判断和决策。随后的操作由身体的运动部分负责执行——具体来说是通过传感器先收集周围环境的信息并进行融合处理，在确定自身位置（即定位问题）之后（即定位环节），就需要制定一个决策规划方案。这个规划方案涉及两个关键问题：一是判断是否可以前进（停或走），二是如果可以前进该如何前进（直行还是绕道行驶）。这个问题被称为路径规划（path-planning）。最后，在整个过程持续不断执行的过程中需要对车辆实施实时速度调节与导航系统的综合控制。这些步骤共同构成了无人驾驶汽车的基本工作流程。

接下来，分别简单的介绍下这几个模块：

█感知

无人驾驶有四个感知世界的核心任务，检测，分类，跟踪，语义分割。

检测是指找出物体在环境中的位置

分类是指明确对象是什么

跟踪是指随时间推移观察移动物体

语义分割意味着将图像中的每个像素与语义类别进行匹配

感知则需要的传感器有：单目摄像机、Lidar、Radar

单目摄像机

该模块仅由一个摄像头和镜头构成。
值得注意的是，在图像处理领域内多种图像处理技术的发展主要依赖于单目相机。
相比之下，在算法成熟度方面，相比于其他类型的相机而言。
然而，在实际应用中存在两个主要局限性。
首先其成像范围受限于镜头的选择。
采用短焦镜头可以获得较广视野但无法捕捉远处细节；
而长焦镜头则能够聚焦于远距离物体但成像范围受限。
通常建议选择适中焦距以平衡成像效果与远近信息。

激光雷达

由激光雷达的发射器发出的一束激光线照射到物体表面发生漫反射随后经漫反射后返回至接收端此时雷达模块通过计算发送和接收信号的时间差乘以光速的一半即可确定发射器与目标物之间的距离

360°的激光数据可视化后，就是大家经常在各种宣传图上看到的效果，如下图。

在图中每个圆圈都代表一个由激光雷达生成的数据，在这种情况下当激光雷达具有的线束数量增加时，在物体检测方面的能力也会随之提升。例如使用具有64条线的激光雷达生成的数据时，在识别路边的马路牙子方面会表现出更高的效率。

16/32/64线激光雷达仅能获取原始的点云数据，并缺乏相应的SDK支持以直接生成障碍物信息。由此，在处理基于点云的数据时，各大自动驾驶公司均需自主开发算法以实现无人驾驶车辆的感知功能。

对于激光雷达获取的点云数据而言，通常采用以下方式：首先进行数据预处理阶段（包括坐标系转换和去除异常值），接着应用聚类算法（基于不同空间距离和光强特征），随后提取聚类结果中的关键特征信息，并通过分析这些特征完成分类任务；最后完成后续的数据处理工作。

那你知道Lidar能干哪些工作吗：

障碍物检测与分割 ：在高精度地图上限定感兴趣区域（ROI）后，在全卷积深度神经网络下提取点云特征，并通过全卷积网络识别障碍物的属性参数；最终实现对前景障碍物的检测与分割。

可通行区域探测： 通过高精度地图限定特定区域（如直行道路和交叉路口），能够对区域内各点云的高度及连续性信息进行分析评估该区域内是否存在障碍物或不可通行的情况。

高精度电子地图制图与定位：
基于多线激光雷达获取的点云数据以及车载组合惯导系统提供的信息源，在精确捕捉地形特征的基础上完成高精度电子地图的数据构建工作。
自动驾驶汽车通过分析激光点云数据与高精度地图之间的信息匹配关系来实现精准的定位操作。

障碍物轨迹预测 ：基于激光雷达感知的数据以及障碍物所在车道的道路连接关系来进行障碍物轨迹预测，并将其作为无人车进行避障、换道及超车等操作时路径规划的基础依据。

障碍物轨迹预测 ：基于激光雷达感知的数据以及障碍物所在车道的道路连接关系来进行障碍物轨迹预测，并将其作为无人车进行避障、换道及超车等操作时路径规划的基础依据。

毫米波雷达

大陆的ARS 408-21

对于77 GHz与79 GHz的雷达：光速等于光波的波长乘以频率。相较于频率较高的79 GHz毫米波雷达而言，其使用的波长相对缩短。较短的波长带来了更高的分辨率；而更高分辨率则意味着在距离测量、速度检测以及角度识别等方面具有更强的表现力。因此可以说79 GHz毫米波雷达将成为未来的技术主流方向。相比激光雷达技术而言，在穿透保险杠上的塑料层方面毫米波系统具有显著优势因而得以广泛应用于汽车保险杠内部配置这也是为何许多配备自适应巡航ACC功能但难以从外观上分辨出其存在的原因

毫米波雷达的数据：基于多普勒效应原理实现的距离测量和速度计算，在理论基础与应用领域上与激光技术采用的笛卡尔（XYZ）坐标系存在显著差异。毫米波雷达获取的原始信息遵循（距离+角度）极坐标系这一特点。同时，在实际应用中这两种坐标系统可以通过三角函数进行相互转换以满足不同需求

毫米博雷达数据的缺点：数据稳定性差；对金属敏感；高度信息缺失

█定位

定位需要的传感器有：高精地图；差分GPS+IMU惯导；

我们通常将之称为‘高分辨率地图’或‘HD Map’（High Definition Maps），这种电子地图专为无人驾驶系统设计。相较于传统导航图而言，在提供道路级别的导航信息之外还包含车道级别的详细数据。无论是关于细节的信息量还是图像质量的表现层面来看，“高分辨率地图”都远超出了普通导航图的能力范围。”

在实际应用过程中，由于技术限制的原因，在开始阶段无法一次性将全部区域的高质量的地图数据导入系统内存中使用；为此我们采用了专门的地图供应商（简称为图商），他们不仅提供精确的地图信息，并且还负责对整个高质量的地图数据进行调度管理；无人车辆在使用时只需要告知当前大致位置及目标地点即可；随后系统会自动调用相关区域的所有高质量的地图数据进行处理；整个流程如附图所示

高精度地图的应用需要配合高精度的定位。

GPS被广泛应用于汽车和手机等设备中。民用GPS的定位精度通常在10到20米之间，在实际使用中有时会发现手机GPS定位显示在陆地上却显示为在水体中的原因有很多因素影响其准确性。GPS的工作原理非常简单即所谓的三角定位法（Triangulation）。原理如图所示：

由于 GPS 定位精度较为不足，在空旷且云层稀薄的环境中使用无线电信号测量距离时会存在较大误差。然而无线电信号传播的时间却会受到大气层的影响这一不可忽视的因素。例如云层稀薄程度、天气状况等都会直接影响到传播时间进而造成距离计算结果不准确。为了弥补这些误差带来的影响相关技术研究者们提出了差分 GPS 的解决方案即通过在地面设置多个基站来获取精确的位置信息并结合卫星信号辅助提高定位精度。具体而言这些基站会在建立时已知其精确经纬度位置同时具备接收卫星信号的能力。当车载 GPS 接收器与这些基站设备之间的距离小于 30 公里时由于两者位于同一相对大气环境中其信号误差基本相当因此可以通过对比两者的测量数据来推算出由气象条件导致的位置误差随后利用这一误差校正车载 GPS 的测量结果从而有效减少环境因素对定位精度的影响。采用差分 GPS 技术可以使无人车实现厘米级级别的高精度定位但这种方法仍无法完全解决所有测距问题比如被遮挡或发生镜面反射的情况例如

为了让无人驾驶系统能够以更高的频率获得定位数据, 必须引入频率更高的传感器设备——IMU（Inertial Measurement Unit）惯性测量单元

到此为止的关键核心内容已经阐述完毕了。剩余的部分包括控制与决策规划等环节。实际上其本质上非常简单。

加油~

over

未来再见