自动驾驶概述

自动驾驶技术主要解决的问题

无人驾驶分级

L1: 恒速模式（ACC），稳定控制系统能够垂直方向调节车辆位置并增减速度。
L2: 车道保持辅助系统不仅可实现垂直方向调节还能进行水平方向操作以适应不同车道情况。
L2.5: 系统能够实现基本变道场景下的转向操作例如A Series车型。
L3: 基于此提供变道能力当车辆处于特定状态时由系统在规定时间段内负责转向操作例如奥迪A8车型。
L4: 该技术等同于全无人驾驶技术在大部分时间段由车载系统完成驾驶任务如Waymo百度自动驾驶项目。
L5: 驾驶功能完全依赖车载控制系统既没有方向盘也没有脚踏板及其他接管装置。

L4级别无人驾驶

1. 实现思路：

• V2X：Vehicle to Everything（车路协同）
• V2V（车辆）
• V2I（公共设施）
• V2P（行人）

2. 边缘计算：
   RSU（路侧单元），OBU（车载单元）

3. 5G通信能力：
   LTE-V协议，专门针对车间通讯的协议，可兼容4G-5G

4. 路侧智能：
   强大的感知能力，例如百度的ACE计划

5. 主车智能：通过深度学习实现了关键性技术突破；感知能力：由高度复杂的冗余传感器组成；决策能力：基于海量数据进行智能化决策；高精地图：拥有详实的地图数据资源；定位：通过高精度定位技术实现了精准的位置获取能力

L4自动驾驶系统架构

自动驾驶硬件系统

感知传感器

• 摄像头：广泛应用于物体识别与目标追踪领域，在车道线检测、交通信号识别等方面表现突出，并且大多数无人车系统都配备多个摄像头进行环视
  • 激光雷达：主要用于障碍物探测与环境建模，并辅助定位过程，在提高方案可靠性的前提下成为主要感知模块
  • 毫米波雷达：在恶劣天气条件下（如雨天、雾天）辅助感知物体的位置与运动速度，在较远的距离范围内工作但存在较多误报
  • 超声波：作为近场高灵敏度传感器，在车辆安全冗余检测方面具有重要作用，并用于评估倒车风险

定位系统传感器

• IMU持续监测自身的姿态状态，其频率可达200Hz及以上。该装置由集成三个独立方向的加速度传感器与三个独立方向的旋转速率传感器构成。每个加速度计分别监测载体坐标系下的x、y、z轴方向上的加速度值，而每个陀螺仪则测量导航坐标系下的旋转角速率

• GNSS：全称是GPS技术。无人车通常采用RTK技术（基于载波相位差分原理）来实现定位。该系统的工作频率较低，在约10Hz范围内运行。

车载计算单元（IPC）

• 快速实现计算单元内部设备之间的互联，并实现了外部传感器信息的输入与存储功能。
  • 通过冗余性设计来避免单点故障的发生。
  • 需要综合考虑整车法规、电磁干扰环境、振动特性以及ISO-26262安全标准的要求。
  • 按照ISO-26262标准进行评估时发现：当硬件达到ASIL D级性能时其故障率仅为10FIT汽车行业的安全目标正是如此追求极限性能但同时也必须承认系统的迭代优化速度相对较慢。

车辆线控系统

• 自动驾驶线控系统：车辆的操作主要依靠简单的指令执行而非物理动作操作，在某种程度上类似于人类的手与脚的功能。
• 传统汽车通过液压系统与真空助力泵协同运作来实现对车辆的控制；而自动驾驶汽车则依赖于电控化的零配件配置如电子液压制动装置。
• 林肯MKZ该车型配备了丰富多样的电气化设备及标准接口配置。

自动驾驶软件系统

• 感知系统
• 定位能力
• 决策控制
• 实时控制

操作系统OS

RTOS：实时操作系统

• QNX：基于类Unix内核的操作系统架构... 具备高性能实时处理能力，并符合汽车相关工业标准的实时操作系统需求。
  • RT Linux：该方案采用基于Linux内核的模块化设计... 并通过软件驱动的轻量级实时监控机制实现对运行状态的有效跟踪。

Framework：

• ROS（机器人操作系统）：B->M
• YARP，Microsoft Robotics，MOOS，Cybertron

高精地图（HD Map）

• 相对于传统导航地图而言，在精度表现上有显著提升
• 对道路网络的三维结构进行精确建模
• 包括但不限于交叉口布局、路标位置等元素
• 而传统的导航地图通常只能达到米级精度
• 采用WGS84坐标系统以及墨卡托投影坐标系
• 能够提供丰富的静态物体信息
• 定位系统能够辅助计算车辆的相对位置信息
• 在数据处理方面具有更强的能力
• 有助于实现对车道中心线的精准识别

定位

INS：惯性导航系统：

• 惯性测量单元（INS系统）获取自身运动参数（包括加速度和角速度）后通过状态矩阵逐步计算下一时刻的位置。
  • 如果缺乏校正信息，则状态递推会导致随着时间积累的误差逐渐增大，并最终导致位置估计出现偏差。

RTK：载波相位差分系统

• RTK增加了静态基站，并同时接收定位卫星的信号。当无人车与RTK较近时，在两者之间利用差分技术消除干扰信号。
• RTK采用较低更新频率输出较为精确的位置信息；INS则高频输出精度不高的姿态数据。运用卡尔曼滤波算法融合两类数据以发挥各自优势。

几何定位：激光雷达，摄像头，高精地图

• 基于激光雷达或图像信息，在线实现车辆定位系统的核心功能。系统能够通过物像匹配实现车辆定位，在线处理实时数据并与其预存的先期构建的高精度地图进行比对，在线计算并确定车辆在高精度地图中的全局位置及其行驶方向 *

感知

1. 四大基础问题：检测，分类，跟踪，分割

• 确定物体在环境中的具体位置
• 识别目标对象类型（如人、红绿灯等）
• 持续追踪移动物体并保持统一观察角度
• 对图像中的每个像素进行语义分类匹配（如道路、汽车、天空），确保边界清晰

图像数据与点云数据的雷达反射特征：采用监督学习、半监督学习及强化学习方法进行分类识别任务的研究与应用分析；基于区域的卷积神经网络（R-CNN）算法作为基础模型框架；目标检测框架（YOLO系列）用于实时目标识别；单次检测架构（SSD）技术则适用于高精度目标检测需求。

计算涉及的数据融合问题。在前阶段进行的数据处理中进行基础数据的结合，在后阶段整合时对各传感器的置信度进行综合考量。

预测

1. 实时性与精确度
2. 基于状态估计：卡尔曼滤波器；粒子滤波器
3. 基于行驶车道序列：通过机器学习转化为分类问题
4. 行人行为的安全性是无人车关注的重点，在实际应用中发现行人行为的安全性是无人车关注的重点，在实际应用中发现

决策规划

导航线路规划与精确轨迹的描述方面存在较多研究价值

控制

输入信息：目标轨迹，车辆状态
输出信息：方向盘，油门

1. 完成对无人驾驶汽车的控制必须明确刹车与减速的关系以及油门与加速的关系；无人驾驶汽车在获得一些参数后由电脑完成其控制功能。
2. 控制在整个驾驶流程中起到关键保障作用；因此，在任何情况下都必须对其准确性、稳定性和时效性提出极高的要求；同时需对车辆模型进行高度精确的数学描述。
3. 基于传统理论的PID算法能够满足无人驾驶汽车的基本控制需求；然而为了应对触觉反馈及极端情况等复杂环境条件下的性能提升需求；其优化问题是一个持续讨论的问题；例如LQR和MPC等方法值得深入研究。