• 自動駕駛問題和解決方案(自動駕駛的解決方案)

    自動駕駛 1178
    本篇文章給大家談談自動駕駛問題和解決方案,以及自動駕駛的解決方案對應的知識點,希望對各位有所幫助,不要忘了收藏本站喔。 本文目錄一覽: 1、自動駕駛技術持續升級,遇到緊急情況自動駕駛能應對嗎?

    本篇文章給大家談談自動駕駛問題和解決方案,以及自動駕駛的解決方案對應的知識點,希望對各位有所幫助,不要忘了收藏本站喔。

    本文目錄一覽:

    自動駕駛技術持續升級,遇到緊急情況自動駕駛能應對嗎?

    6月20日,全球首個無人駕駛巴士在中國廈門首次亮相。在短短20分鐘內,就實現了在封閉區域和特定道路上的無人駕駛出租車投放。同時,還實現了全程無人駕駛?!? G+ AI”的發展,讓自動駕駛成為了可能。自動駕駛是否可以實現完全無人?

    首先我們要知道,車輛是如何實現無人駕駛的。這是因為車輛上有許多傳感器和執行器。當傳感器感知到車輛周圍環境信息時,車輛會根據事先制定好的方案啟動車輛進行自動駕駛。那么車輛在沒有人類輔助駕駛的情況下,如何做到無人駕駛呢?這主要要從兩個方面考慮與解決方案。首先通過傳感器感知車輛周圍情況信息并將其發送給車輛進行處理;其次將處理后的信息進行反饋到控制系統中進行相應地控制。所以可以看到,自動駕駛與傳統車型不同之處在于更加智能化和自動化。

    自動駕駛的研發不能僅僅局限于L4級,L5級無人駕駛也是需要考慮的。由于L4級自動駕駛系統中,所需傳感器數量遠大于L5級系統,所以現有的汽車傳感器種類非常多。雖然常見的傳感器種類很多,但這些傳感器并不能滿足緊急情況下自動駕駛系統的需求。需要通過智能算法實現緊急情況下自動駕駛系統對車輛環境的感知。而車輛環境感知中,自動駕駛系統必須要知道車輛周圍環境的變化情況。如果在遇到緊急情況時,仍然在危險行駛或是頻繁轉彎時則需要依靠對車輛四周情況的判斷,從而做出安全決策。

    隨著自動駕駛的發展,將會給汽車行業帶來新的變革。自動駕駛會有哪些挑戰?對于這些問題,我們需要對其進行深度地研究與探討。在美國“自動駕駛挑戰賽”中,豐田、寶馬、福特等汽車巨頭都推出了自動駕駛車輛應用技術解決方案,以應對即將到來的“無人駕駛時代”。這些企業在自動駕駛技術上各有所長,未來能否解決現實中遇到的難題將是對其重要的考驗。在未來自動駕駛中能夠真正把汽車從駕駛者變成一個“完全自由”者的企業并不多,但卻是能夠真正對未來社會起到巨大作用的公司。

    百人會首席專家張永偉:建設自動駕駛之城,如何解決諸多難題?| GIV2020

    雷鋒網按,在自動駕駛的賽道上,不僅產業鏈上的企業玩家們在競相角逐,各大城市也在進行各種單車智能、車路協同的試點示范落地。

    “雖然很多城市在接受自動駕駛概念上非常積極,但出發點不一樣,落地方式也不一樣?!?/p>

    8月22日,在第三屆全球智能 汽車 前沿峰會(GIV2020)上,中國電動 汽車 百人會秘書長兼首席專家張永偉指出:有些城市只希望做一次招商廣告,導致很多企業去了但無法參與,“因為這樣的城市不是真心想做自動駕駛?!?/p>

    為此,中國電動 汽車 百人會聯合100多家企業和科研機構發起了 “雙智聯盟” ,幫助城市打造成為自動駕駛之城。

    會上,張永偉發布了《自動駕駛應用場景和商業化路徑(2020)》報告。該報告主要從 無人出租車、干線物流、末端物流、無人公交、封閉園區物流、無人環衛、自主代客泊車 七大方面進行了現狀調研,并就目前各個細分領域面臨的挑戰給出了建議和展望。

    通過對大量城市的分析,中國電動 汽車 百人會認為,建造自動駕駛城市應當實現以下幾要素:

    首先,城市應該按照車輛要求、車路協同要求、或5G應用場景落地要求,來 建設支持智能駕駛和智慧城市的基礎設施。 因為這是一個新興事物,也是一個重資產投入,投入是很多城市要首先解決的問題。

    “在當下階段,如果政府不投入,過多依賴市場是不太現實的。所以基礎設施的建設既是邁不過去的坎、也是實現城市智能化的基本支撐?!?/p>

    第二, 建設測試環境,特別是封閉測試場。 走在前沿的城市都是將開放和封閉測試集于一體,而這是城市發展的一個重要基礎設施。

    第三,如何 推進應用示范工作 ,包括在公交、出租、特定的場景下,怎么進行各類應用示范。這是很多城市當下面臨的共性問題。

    他表示,城市可以將開放的城市道路提供給不同類型的 汽車 公司,然后讓不同類型的解決方案公司進行開放道路測試。因為開放道路里程的長度、道路種類的豐富程度,已經成為城市積聚創新資源的最必備條件?!皼]有路可開放,企業就不會去?!?/p>

    第四, 建立數據和云控平臺。 城市能否提供紅綠燈數據,基礎設施數據,地理信息數據?這些數據構成了支撐城市自動駕駛最基礎的智慧基礎設施,也叫數字基礎設施。

    “數據能不能打通?打通之后能不能進行有效管理,做成數據產品提供給車企和不同類型的應用方?”張永偉指出,目前一些地方建立的是單一功能的平臺,而不是數據集成的平臺?!皼]有一個提供集成數據的平臺,對車企的吸引也是弱化的?!?/p>

    同時,他強調道,一定要有多主體參與。一些城市往往喜歡一個企業包打天下,這樣會導致生態無法形成?!白詣玉{駛城市解決方案,一定是創新生態、多主體共同參與的結果,單一主體是實現不了的,所以很多城市也吃了虧?!?/p>

    此外, 城市要建立一套推進機制 。沒有城市決策層的高瞻遠矚、推進過程的組織保障、和勇于先行先試的政策和法規的創新,軟環境也難以構造起來,所謂的智慧城市也很難實現技術落地。

    張永偉表示,百人會今年的目標就是,聯合國內 十個不同規模的城市 (包括千萬級、百萬級、甚至更小的城市), 探索 自動駕駛示范城市的建設。在十個城市中,每個城市都對基礎設施進行改造,最終能夠讓 萬級 以上的車輛融入城市環境。

    目標如此,但挑戰也艱難。

    張永偉也總結了當下城市建設自動駕駛的五大挑戰:

    第一, 重建設輕運營。 投資主體缺乏是非常明顯的問題,即使解決了投資建設問題,誰來運營?怎樣讓在建設之后讓設施進入良性的運營模式?當下還沒有很好的答案??偟貋砜?,由于投資模式不清晰、運營模式更不清晰,導致了很多非常創新的道路被異化、甚至被質疑。

    第二, 重數據缺應用。 一些城市花了非常大的努力打通了數據,建成了數據大腦,但在大腦上的應用,尤其是 汽車 和交通方面的應用還急劇缺乏?!皵祿辛?,但是數據缺少,很容易對數據產生質疑,覺得好像這種努力有點不值當了?!?/p>

    第三, 缺乏頂層設計。 在城市的建設上,不同的主體有著不同的解決方案,難以統一。比如云主體希望建立更多數據資源,數據主體希望路上安裝更多設備。

    以智能道路的成本為例,據張永偉了解,“最高的成本可以達到500萬—600萬/公里,有的說幾十萬也可以做出來,不同主體力量給的方案確實不一樣?!?/p>

    因此,不同主體需要更好地發揮作用,形成一個非常良性有效的協同,“這樣的頂層設計現在是城市急需的,否則單一主體推動的頂層設計會導致創新模式被曲解?!?/p>

    第四, 過于注重短期收益, 缺乏戰略眼光。當下城市做自動駕駛確實有短期的追求,希望盡快見效,因而缺乏長期的戰略性投入,或者因此把一些本來不應該急于盈利的項目當作短期商業化項目來對待,影響了戰略性項目的投資,比如基礎設施、云控平臺等。

    第五, 政企關系未理順 ,未來可以更進一步理順。

    (雷鋒網) 雷鋒網

    L4自動駕駛中感知系統遇到的挑戰及解決方案

    導讀: 本次分享的大綱——

    --

    Perception系統是以多種sensor的數據,以及高精度地圖的信息作為輸入,經過一系列的計算及處理,對自動駕駛車的周圍的環境精確感知。能夠為下游模塊提供豐富的信息,包括障礙物的位置、形狀、類別及速度信息,也包括對一些特殊場景的語義理解(包括施工區域,交通信號燈及交通路牌等)。

    Perception系統包括多個方面及子系統:

    目前傳感器主要分為3個類別:

    這張圖相當于Perception物體檢測的輸出,能夠檢測車輛周圍的障礙物,包括車輛、行人、自行車等,同時結合高精度地圖,會對周邊的Background信息進行輸出。

    圖中綠顏色的是一輛車,橙色的是一輛摩托車,黃顏色的是一個行人,灰顏色是一些背景如植被信息。

    結合多幀的信息,對運動的行人和車輛的速度,方向,進行精確的輸出。

    --

    以上是Perception系統從輸入到輸出的一個大概介紹。接下來總體介紹Pony.ai第三代車輛的傳感器安裝方案以及傳感器融合的解決方案。

    目前我們的整個傳感器安裝的解決方案,是能夠覆蓋360度,范圍200米的感知距離。從不同傳感器的安裝,不同角度來看,首先用到了3個激光雷達,頂部和兩側。激光雷達有100米的感知距離。同時通過4個廣角的攝像頭來覆蓋相機360度的視野。遠處的視野通過前向的毫米波雷達以及長焦的相機,將感知距離擴到200米的范圍。這套傳感器配置能保證我們的自動駕駛車輛在居民區、商業區、工業區這樣的場景進行自動駕駛。

    18年9月份世界人工智能大會上推出的第3代的傳感器配置方案。

    前邊的相機兩個廣角,一個長焦。使得可以看到更遠距離的信號燈的信息,兩百米內紅綠燈的狀態。

    上面介紹了整個傳感器的安裝方案。下面主要介紹下多傳感器融合的解決方案。

    第一個要解決的問題是把不同的傳感器的數據標定到同一個坐標系里。包括相機的內參標定,Lidar到相機的外參標定,雷達到GPS的外參標定。

    傳感器融合重要的前提是要能把標定精度提高到非常高的一個精度,不管是做結果層面的傳感器融合,還是元數據層面的傳感器融合,是一個必要的基礎。

    這張圖可以看到,我們將3D的激光點云投射到影像上,可以看到傳感器標定的精度還是挺高的。

    整個標定的工作基本上已經做到完全自動化的方式。不同傳感器標定的方案:

    首先是相機內參的標定,內參的標定平臺對每一個相機能夠在兩到三分鐘之內做到傳感器的標定。

    這個圖是相機到激光雷達的外參標定,激光雷達是360度旋轉的方式,每旋轉一周是100毫秒。相機是某一瞬時曝光的問題,所以涉及到時間同步的一個方式,通過Lidar來觸發相機曝光。比如說我們有4個相機,能夠通過激光雷達去保證時間同步。

    3D和2D彼此互補,二者更好的融合能夠對感知會有更精確的輸出。

    --

    上面大概介紹了整個perception的sensor的setup,以及sensor fusion做法。接下來介紹車載的Perception Onboard的架構是什么樣的,以及解決方案是什么。

    這是整個Perception Onboard的架構。首先用LiDAR,Camera,Radar三種sensor數據通過時間同步,所有的時間誤差控制在50毫秒以內。結合sensor的數據,進行frame wise的detection及classification等計算,最后利用多frame信息進行多目標跟蹤,最后將相關結果輸出。這里涉及到Sensor Fusion, Deep Learning相關的技術細節,這里不做過多的討論。

    --

    下面分享有挑戰性的一些場景:

    第一部分:precision和recall的balance;

    第二部分:長尾場景。

    這是晚高峰的十字路口的繁忙場景,有大量行人摩托車穿過十字路口。

    通過3D點云數據能夠看到的對應的原始數據。

    雨天的問題。自動駕駛系統在一些特殊的或者惡劣的天氣條件下,處理是非常難的。

    比如,激光雷達是能打到水花的。圖中白色的是對水花的filter。如果不能對水花進行準確的識別和過濾,會對自動駕駛車輛造成麻煩。這里看到我們目前系統的處理結果,結合Lidar Camera的數據,對水花有很高的識別率。

    長尾的問題

    這個是我們在路測時,遇到的兩種灑水車。左邊是向上噴的霧炮,右邊是向兩側噴的灑水車。人類司機可以很容易超過灑水車,但是對于感知系統來說,需要花很多的時間去處理和識別這類場景和車輛,最后讓自動駕駛車輛在遇到類似場景獲得更好的體感。

    小物體的檢測

    意想不到的事件,路測時比如流浪的小貓小狗的突然出現,我們期望感知系統能夠對小物體能夠有準確的召回。

    對紅綠燈來說會更有挑戰。會一直遇到新的場景。因為在不同的城市或國家會遇到各種各樣的紅綠燈。

    逆光的問題,或者突然從橋洞下邊出來相機曝光的問題。通過動態的去調整相機曝光等方式去解決。

    這個也是紅綠燈的場景,紅綠燈上有倒計時,我們需要識別出倒計時,能夠讓自動駕駛車輛遇到黃燈時,乘車體驗更好。

    雨天攝像頭的防水問題,也是處理極端氣候條件下所必須具備的。

    紅綠燈進進度條的識別,綠等快變黃要減速。

    自動駕駛技術要解決哪些問題

    在5G 和人工智能不斷發展的時代下, 無人駕駛技術已經

    引起了眾多互聯網和汽車企業的重點關注, 經過多年技術的經

    驗積累和不斷的追求創新, 無人駕駛汽車已經達到了一個很高

    的自動化程度。但目前無人駕駛技術發展還不成熟,還有一些難題需要去解決。

    ? ? 首先,它需要更快速可靠的軟件作為支撐, 如果是有人駕駛汽車, 那么發生安全事故的概率不是很

    高, 相對來說比較安全。 但是無人駕駛汽車除了要解放駕駛員

    的雙手之外, 還需要比有人駕駛汽車更安全, 而目前的軟件還

    難以達到這種水平。 例如, 所有的電子設備軟件都無法保證長

    時間運行無卡頓, 這是主要的技術局限性, 如果汽車軟件發生

    卡頓或錯誤, 后果會很嚴重。 因此, 軟件的設計與優化是一個

    很重要的環節。

    自動駕駛技術基本知識介紹

    自動駕駛車,是一種無須人工干預而能夠感知其周邊環境和導航的車輛。它利用了包括雷達、激光、超聲波、GPS、里程計、計算機視覺等多種技術來感知其周邊環境,通過先進的計算和控制系統,來識別障礙物和各種標識牌,規劃合適的路徑來控制車輛行駛。

    美國汽車工程師協會(SAE,Society of Automotive Engineers),則將自動駕駛劃分為 0~5 共六級。

    Level 0:無自動化(No Automation)

    沒有任何自動駕駛功能或技術,人類駕駛員對汽車所有功能擁有絕對控制權。駕駛員需要負責轉向、加速、制動和觀察道路狀況。任何駕駛輔助技術,例如現有的前向碰撞預警、車道偏離預警,以及自動雨刷和自動前燈控制等,雖然有一定的智能化,但是仍需要人來控制車輛,所以都仍屬于 Level 0。

    Level 1:駕駛輔助(Driver Assistance)

    駕駛員仍然對行車安全負責,不過可以授權部分控制權給系統管理,某些功能可以自動進行,比如常見的自適應巡航(Adaptive Cruise Control,ACC)、應急剎車輔助(Emergency Brake Assist,EBA)和車道保持(Lane-Keep Support,LKS)。Level 1 的特點是只有單一功能,駕駛員無法做到手和腳同時不操控。

    Level 2:部分自動化(Partial Automation)

    人類駕駛員和汽車來分享控制權,駕駛員在某些預設環境下可以不操作汽車,即手腳同時離開控制,但駕駛員仍需要隨時待命,對駕駛安全負責,并隨時準備在短時間內接管汽車駕駛權。比如結合了 ACC 和 LKS 形成的跟車功能。Level 2 的核心不在于要有兩個以上的功能,而在于駕駛員可以不再作為主要操作者。

    Level 3:有條件自動化(Conditional Automation)

    在有限情況下實現自動控制,比如在預設的路段(如高速和人流較少的城市路段),汽車自動駕駛可以完全負責整個車輛的操控,但是當遇到緊急情況,駕駛員仍需要在某些時候接管汽車,但有足夠的預警時間,如即將進入修路的路段(Road work ahead)。Level 3 將解放駕駛員,即對行車安全不再負責,不必監視道路狀況。

    Level 4:高度自動化(High Automation)

    自動駕駛在特定的道路條件下可以高度自動化,比如封閉的園區、高速公路、城市道路或固定的行車線路等,這這些受限的條件下,人類駕駛員可以全程不用干預。

    Level 5:完全自動化(Full Automation)

    對行車環境不加限制,可以自動地應對各種復雜的交通狀況和道路環境等,在無須人協助的情況下由出發地駛向目的地,僅需起點和終點信息,汽車將全程負責行車安全,并完全不依賴駕駛員干涉,且不受特定道路的限制。

    注釋:DDT(Dynamic driving task):動態駕駛任務,指汽車在道路上行駛所需的所有實時操作和策略上的功能,不包括行程安排、目的地和途徑地的選擇等戰略上的功能。

    無人駕駛系統的核心可以概述為三個部分:感知(Perception),規劃(Planning)和控制(Control),這些部分的交互以及其與車輛硬件、其他車輛的交互可以用下圖表示:

    感知是指無人駕駛系統從環境中收集信息并從中提取相關知識的能力。其中,環境感知(Environmental Perception)特指對于環境的場景理解能力,例如障礙物的位置,道路標志/標記的檢測,行人車輛的檢測等數據的語義分類。 一般來說,定位(Localization)也是感知的一部分,定位是無人車確定其相對于環境的位置的能力。

    為了確保無人車對環境的理解和把握,無人駕駛系統的環境感知部分通常需要獲取周圍環境的大量信息,具體來說包括:障礙物的位置,速度以及可能的行為,可行駛的區域,交通規則等等。無人車通常是通過融合激光雷達(Lidar),相機(Camera),毫米波雷達(Millimeter Wave Radar)等多種傳感器的數據來獲取這些信息。

    車載雷達傳感器功能及優缺點各有不同,相關比較如下表所示:

    激光雷達 是一類使用激光進行探測和測距的設備,它能夠每秒鐘向環境發送數百萬光脈沖,它的內部是一種旋轉的結構,這使得激光雷達能夠實時的建立起周圍環境的3維地圖。

    通常來說,激光雷達以10Hz左右的速度對周圍環境進行旋轉掃描,其掃描一次的結果為密集的點構成的3維圖,每個點具備(x,y,z)信息,這個圖被稱為點云圖(Point Cloud Graph),如下圖所示,是使用Velodyne VLP-32c激光雷達建立的一個點云地圖:

    激光雷達因其可靠性目前仍是無人駕駛系統中最重要的傳感器,然而,在現實使用中,激光雷達并不是完美的,往往存在點云過于稀疏,甚至丟失部分點的問題,對于不規則的物體表面,使用激光雷達很難辨別其模式,另一個比較大的挑戰是一個比較大的挑戰是激光雷達感知范圍比較近,感知范圍平均在 150m 左右,這取決于環境和障礙物的不同。激光雷達在角分辨度上也遠遠不及照相機。激光雷達對環境的敏感度也是比較大的,例如雨天中,車輛行駛中濺起來的水花,在激光雷達上都是有噪點的。

    毫米波雷達 通過發射電磁波并通過檢測回波來探測目標的有無、距離、速度和方位。由于毫米波雷達技術相對成熟,成本較低,并且在不良天氣下表現良好,因此成為感知設備中重要的一環。但由于其分辨率較低,因此不能作為激光雷達的替代品,而是激光雷達的重要補充設備。

    攝像機 根據鏡頭和布置方式的不同主要有以下四種:單目攝像機、雙目攝像機、三目攝像機和環視攝像機。

    單目攝像機 模組只包含一個攝像機和一個鏡頭。由于很多圖像算法的研究都是基于單目攝像機開發的,因此相對于其他類別的攝像機,單目攝像機的算法成熟度更高。但是單目有著兩個先天的缺陷。一是它的視野完全取決于鏡頭。焦距短的鏡頭,視野廣,但缺失遠處的信息。反之亦然。因此單目攝像機一般選用適中焦距的鏡頭。二是單目測距的精度較低。攝像機的成像圖是透視圖,即越遠的物體成像越小。近處的物體,需要用幾百甚至上千個像素點描述;而處于遠處的同一物體,可能只需要幾個像素點即可描述出來。這種特性會導致,越遠的地方,一個像素點代表的距離越大,因此對單目來說物體越遠,測距的精度越低。

    雙目攝像機 由于單目測距存在缺陷,雙目攝像機應運而生。相近的兩個攝像機拍攝物體時,會得到同一物體在攝像機的成像平面的像素偏移量。有了像素偏移量、相機焦距和兩個攝像機的實際距離這些信息,根據數學換算即可得到物體的距離。雖然雙目能得到較高精度的測距結果和提供圖像分割的能力,但是它與單目一樣,鏡頭的視野完全依賴于鏡頭。而且雙目測距原理對兩個鏡頭的安裝位置和距離要求較多,這就會給相機的標定帶來麻煩。

    三目攝像機 由于單目和雙目都存在某些缺陷,因此廣泛應用于無人駕駛的攝像機方案為三目攝像機。三目攝像機其實就是三個不同焦距單目攝像機的組合。根據焦距不同,每個攝像機所感知的范圍也不盡相同。對攝像機來說,感知的范圍要么損失視野,要么損失距離。三目攝像機能較好地彌補感知范圍的問題。因此在業界被廣泛應用。正是由于三目攝像機每個相機的視野不同,因此近處的測距交給寬視野攝像頭,中距離的測距交給主視野攝像頭,更遠的測距交給窄視野攝像頭。這樣一來每個攝像機都能發揮其最大優勢。三目的缺點是需要同時標定三個攝像機,因而工作量更大。其次軟件部分需要關聯三個攝像機的數據,對算法要求也很高。

    環視攝像機, 之前提到的三款攝像機它們所用的鏡頭都是非魚眼的,環視攝像機的鏡頭是魚眼鏡頭,而且安裝位置是朝向地面的。某些高配車型上會有“360°全景顯示”功能,所用到的就是環視攝像機。安裝于車輛前方、車輛左右后視鏡下和車輛后方的四個魚眼鏡頭采集圖像,魚眼攝像機為了獲取足夠大的視野,代價是圖像的畸變嚴重。環視攝像機的感知范圍并不大,主要用于車身5~10米內的障礙物檢測、自主泊車時的庫位線識別等。

    為了理解點云信息,通常來說,我們對點云數據進行兩步操作:分割(Segmentation)和分類(Classification)。其中,分割是為了將點云圖中離散的點聚類成若干個整體,而分類則是區分出這些整體屬于哪一個類別(比如說行人,車輛以及障礙物)。分割算法可以被分類如下幾類:

    在完成了點云的目標分割以后,分割出來的目標需要被正確的分類,在這個環節,一般使用機器學習中的分類算法,如支持向量機(Support Vector Machine,SVM)對聚類的特征進行分類,最近幾年由于深度學習的發展,業界開始使用特別設計的卷積神經網絡(Convolutional Neural Network,CNN)對三維的點云聚類進行分類。

    實踐中不論是提取特征-SVM的方法還是原始點云-CNN的方法,由于激光雷達點云本身解析度低的原因,對于反射點稀疏的目標(比如說行人),基于點云的分類并不可靠,所以在實踐中,我們往往融合雷達和相機傳感器,利用相機的高分辨率來對目標進行分類,利用Lidar的可靠性對障礙物檢測和測距,融合兩者的優點完成環境感知。

    無人駕駛系統中,我們通常使用圖像視覺來完成道路的檢測和道路上目標的檢測。道路的檢測包含對道路線的檢測(Lane Detection),可行駛區域的檢測(Drivable Area Detection);道路上路標的檢測包含對其他車輛的檢測(Vehicle Detection),行人檢測(Pedestrian Detection),交通標志和信號的檢測(Traffic Sign Detection)等所有交通參與者的檢測和分類。

    車道線的檢測涉及兩個方面: 第一是識別出車道線,對于彎曲的車道線,能夠計算出其曲率,第二是確定車輛自身相對于車道線的偏移(即無人車自身在車道線的哪個位置) 。一種方法是抽取一些車道的特征,包括邊緣特征(通常是求梯度,如索貝爾算子),車道線的顏色特征等,使用多項式擬合我們認為可能是車道線的像素,然后基于多項式以及當前相機在車上掛載的位置確定前方車道線的曲率和車輛相對于車道的偏離。

    可行駛區域的檢測目前的一種做法是采用深度神經網絡直接對場景進行分割,即通過訓練一個逐像素分類的深度神經網絡,完成對圖像中可行駛區域的切割。

    交通參與者的檢測和分類目前主要依賴于深度學習模型,常用的模型包括兩類:

    傳感器層將數據以一幀幀、固定頻率發送給下游,但下游是無法拿每幀的數據去進行決策或者融合的。因為傳感器的狀態不是100%有效的,如果僅根據某一幀的信號去判定前方是否有障礙物(有可能是傳感器誤檢了),對下游決策來說是極不負責任的。因此上游需要對信息做預處理,以保證車輛前方的障得物在時間維度上是一直存在的, 而不是一閃而過。

    這里就會使用到智能駕駛領域經常使用到的一個算法 卡爾曼濾波。

    卡爾曼濾波(Kalman filter) 是一種高效率的遞歸濾波器(自回歸濾波器),它能夠從一系列的不完全及包含噪聲的測量中,估計動態系統的狀態??柭鼮V波會根據各測量量在不同時間下的值,考慮各時間下的聯合分布,再產生對未知變數的估計,因此會比只以單一測量量為基礎的估計方式要準。

    卡爾曼濾波在技術領域有許多的應用。常見的有飛機及太空船的導引、導航及控制??柭鼮V波也廣為使用在時間序列的分析中,例如信號處理及計量經濟學中??柭鼮V波也是機器人運動規劃及控制的重要主題之一,有時也包括在軌跡最佳化??柭鼮V波也用在中軸神經系統運動控制的建模中。因為從給與運動命令到收到感覺神經的回授之間有時間差,使用卡爾曼濾波有助于建立符合實際的系統,估計運動系統的目前狀態,并且更新命令。

    信息融合是指把相同屬性的信息進行多合一操作。

    比如攝像機檢測到了車輛正前方有一個障礙物,毫米波也檢測到車輛前方有一個障礙物,激光雷達也檢測到前方有一個障礙物,而實際上前方只有一個障礙物,所以我們要做的是把多傳感器下這輛車的信息進行一次融合,以此告訴下游,前面有輛車,而不是三輛車。

    坐標轉換在自動駕駛領域十分重要。

    傳感器是安裝在不同地方的比如超聲波雷達(假如當車輛右方有一個障礙物,距離這個超聲波雷達有3米,那么我們就認為這個障礙物距離車有3米嗎?并不一定,因為決策控制層做車輛運動規劃時,是在車體坐標系下做的(車體坐標系-般以后軸中心為O點)所以最終所有傳感器的信息,都是需要轉移到自車坐標系下的。因此感知層拿到3m的障礙物位置信息后,必須將該章礙物的位置信息轉移到自車坐標系下,才能供規劃決策使用。 同理,攝像機一般安裝在擋風玻璃下面,拿到的數據也是基于攝像機坐標系的,給下游的數據,同樣需要轉換到自車坐標系下。

    在無人車感知層面,定位的重要性不言而喻,無人車需要知道自己相對于環境的一個確切位置,這里的定位不能存在超過10cm的誤差,試想一下,如果我們的無人車定位誤差在30厘米,那么這將是一輛非常危險的無人車(無論是對行人還是乘客而言),因為無人駕駛的規劃和執行層并不知道它存在30厘米的誤差,它們仍然按照定位精準的前提來做出決策和控制,那么對某些情況作出的決策就是錯的,從而造成事故。由此可見,無人車需要高精度的定位。

    目前使用最廣泛的無人車定位方法當屬融合 全球定位系統(Global Positioning System,GPS)和慣性導航系統(Inertial Navigation System)定位方法 ,其中,GPS的定位精度在數十米到厘米級別之間,高精度的GPS傳感器價格也就相對昂貴。融合GPS/IMU的定位方法在GPS信號缺失,微弱的情況下無法做到高精度定位,如地下停車場,周圍均為高樓的市區等,因此只能適用于部分場景的無人駕駛任務。

    地圖輔助類定位算法是另一類廣泛使用的無人車定位算法, 同步定位與地圖構建(Simultaneous Localization And Mapping,SLAM) 是這類算法的代表,SLAM的目標即構建地圖的同時使用該地圖進行定位,SLAM通過利用已經觀測到的環境特征確定當前車輛的位置以及當前觀測特征的位置。這是一個利用以往的先驗和當前的觀測來估計當前位置的過程,實踐上我們通常使用貝葉斯濾波器(Bayesian filter)來完成,具體來說包括卡爾曼濾波(Kalman Filter),擴展卡爾曼濾波(Extended Kalman Filter)以及粒子濾波(Particle Filter)。SLAM雖然是機器人定位領域的研究熱點,但是在實際無人車開發過程中使用SLAM定位卻存在問題,不同于機器人,無人車的運動是長距離的,大開放環境的。在長距離的運動中,隨著距離的增大,SLAM定位的偏差也會逐漸增大,從而造成定位失敗。

    在實踐中,一種有效的無人車定位方法是改變原來SLAM中的掃描匹配類算法,具體來說,我們不再在定位的同時制圖,而是事先使用傳感器如激光雷達對區域構建點云地圖,通過程序和人工的處理將一部分“語義”添加到地圖中(例如車道線的具體標注,路網,紅綠燈的位置,當前路段的交通規則等等),這個包含了語義的地圖就是我們無人駕駛車的 高精度地圖(HD Map) 。實際定位的時候,使用當前激光雷達的掃描和事先構建的高精度地圖進行點云匹配,確定我們的無人車在地圖中的具體位置,這類方法被統稱為掃描匹配方法(Scan Matching),掃描匹配方法最常見的是迭代最近點法(Iterative Closest Point ,ICP),該方法基于當前掃描和目標掃描的距離度量來完成點云配準。

    除此以外, 正態分布變換(Normal Distributions Transform,NDT) 也是進行點云配準的常用方法,它基于點云特征直方圖來實現配準?;邳c云配準的定位方法也能實現10厘米以內的定位精度。雖然點云配準能夠給出無人車相對于地圖的全局定位,但是這類方法過于依賴事先構建的高精度地圖,并且在開放的路段下仍然需要配合GPS定位使用,在場景相對單一的路段(如高速公路),使用GPS加點云匹配的方法相對來說成本過高。

    拓展閱讀: L4 自動駕駛中感知系統遇到的挑戰及解決方案

    淺析自動駕駛的重要一環:感知系統發展現狀與方向

    無人車的規劃模塊分為三層設計:任務規劃,行為規劃和動作規劃,其中,任務規劃通常也被稱為路徑規劃或者路由規劃(Route Planning),其負責相對頂層的路徑規劃,例如起點到終點的路徑選擇。 我們可以把我們當前的道路系統處理成有向網絡圖(Directed Graph Network),這個有向網絡圖能夠表示道路和道路之間的連接情況,通行規則,道路的路寬等各種信息,其本質上就是我們前面的定位小節中提到的高精度地圖的“語義”部分,這個有向網絡圖被稱為路網圖(Route Network Graph),如下圖所示:

    這樣的路網圖中的每一個有向邊都是帶權重的,那么,無人車的路徑規劃問題,就變成了在路網圖中,為了讓車輛達到某個目標(通常來說是從A地到B地),基于某種方法選取最優(即損失最?。┑穆窂降倪^程,那么問題就變成了一個有向圖搜索問題,傳統的算法如迪科斯徹算法(Dijkstra’s Algorithm)和A 算法(A Algorithm)主要用于計算離散圖的最優路徑搜索,被用于搜索路網圖中損失最小的路徑。

    行為規劃有時也被稱為決策制定(Decision Maker),主要的任務是按照任務規劃的目標和當前的局部情況(其他的車輛和行人的位置和行為,當前的交通規則等),作出下一步無人車應該執行的決策,可以把這一層理解為車輛的副駕駛,他依據目標和當前的交通情況指揮駕駛員是跟車還是超車,是停車等行人通過還是繞過行人等等。

    行為規劃的一種方法是使用包含大量動作短語的復雜有限狀態機(Finite State Machine,FSM)來實現,有限狀態機從一個基礎狀態出發,將根據不同的駕駛場景跳轉到不同的動作狀態,將動作短語傳遞給下層的動作規劃層,下圖是一個簡單的有限狀態機:

    如上圖所示,每個狀態都是對車輛動作的決策,狀態和狀態之間存在一定的跳轉條件,某些狀態可以自循環(比如上圖中的循跡狀態和等待狀態)。雖然是目前無人車上采用的主流行為決策方法,有限狀態機仍然存在著很大的局限性:首先,要實現復雜的行為決策,需要人工設計大量的狀態;車輛有可能陷入有限狀態機沒有考慮過的狀態;如果有限狀態機沒有設計死鎖保護,車輛甚至可能陷入某種死鎖。

    通過規劃一系列的動作以達到某種目的(比如說規避障礙物)的處理過程被稱為動作規劃。通常來說,考量動作規劃算法的性能通常使用兩個指標:計算效率(Computational Efficiency)和完整性(Completeness),所謂計算效率,即完成一次動作規劃的處理效率,動作規劃算法的計算效率在很大程度上取決于配置空間(Configuration Space),如果一個動作規劃算法能夠在問題有解的情況下在有限時間內返回一個解,并且能夠在無解的情況下返回無解,那么我們稱該動作規劃算法是完整的。

    配置空間:一個定義了機器人所有可能配置的集合,它定義了機器人所能夠運動的維度,最簡單的二維離散問題,那么配置空間就是[x, y],無人車的配置空間可以非常復雜,這取決于所使用的運動規劃算法。

    在引入了配置空間的概念以后,那么無人車的動作規劃就變成了:在給定一個初始配置(Start Configuration),一個目標配置(Goal Configuration)以及若干的約束條件(Constraint)的情況下,在配置空間中找出一系列的動作到達目標配置,這些動作的執行結果就是將無人車從初始配置轉移至目標配置,同時滿足約束條件。在無人車這個應用場景中,初始配置通常是無人車的當前狀態(當前的位置,速度和角速度等),目標配置則來源于動作規劃的上一層——行為規劃層,而約束條件則是車輛的運動限制(最大轉角幅度,最大加速度等)。顯然,在高維度的配置空間來動作規劃的計算量是非常巨大的,為了確保規劃算法的完整性,我們不得不搜索幾乎所有的可能路徑,這就形成了連續動作規劃中的“維度災難”問題。目前動作規劃中解決該問題的核心理念是將連續空間模型轉換成離散模型,具體的方法可以歸納為兩類:組合規劃方法(Combinatorial Planning)和基于采樣的規劃方法(Sampling-Based Planning)。

    運動規劃的組合方法通過連續的配置空間找到路徑,而無需借助近似值。由于這個屬性,它們可以被稱為精確算法。組合方法通過對規劃問題建立離散表示來找到完整的解,如在Darpa城市挑戰賽(Darpa Urban Challenge)中,CMU的無人車BOSS所使用的動作規劃算法,他們首先使用路徑規劃器生成備選的路徑和目標點(這些路徑和目標點事融合動力學可達的),然后通過優化算法選擇最優的路徑。另一種離散化的方法是網格分解方法(Grid Decomposition Approaches),在將配置空間網格化以后我們通常能夠使用離散圖搜索算法(如A*)找到一條優化路徑。

    基于采樣的方法由于其概率完整性而被廣泛使用,最常見的算法如PRM(Probabilistic Roadmaps),RRT(Rapidly-Exploring Random Tree),FMT(Fast-Marching Trees),在無人車的應用中,狀態采樣方法需要考慮兩個狀態的控制約束,同時還需要一個能夠有效地查詢采樣狀態和父狀態是否可達的方法。

    自動駕駛汽車的車輛控制技術旨在環境感知技術的基礎之上,根據決策規劃出目標軌跡,通過縱向和橫向控制系統的配合使汽車能夠按照跟蹤目標軌跡準確穩定行駛,同時使汽車在行駛過程中能夠實現車速調節、車距保持、換道、超車等基本操作。

    互聯網科技公司主要做軟件,以工程機上層為主;而車廠其實以下層的組裝為主,也就是OEM,也不是那么懂車。像制動、油門和轉向等這些領域,話語權依然集中在博世、大陸這樣的Tier 1身上。

    自動駕駛控制的核心技術是車輛的縱向控制和橫向控制技術??v向控制,即車輛的驅動與制動控制;橫向控制,即方向盤角度的調整以及輪胎力的控制。實現了縱向和橫向自動控制,就可以按給定目標和約束自動控制車運行。所以,從車本身來說,自動駕駛就是綜合縱向和橫向控制。

    車輛縱向控制是在行車速度方向上的控制,即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制器算法結合,構成了各種各樣的縱向控制模式,典型結構如圖所示。

    此外,針對輪胎作用力的 滑移率控制 是縱向穩定控制中的關鍵部分?;坡士刂葡到y通過控制車輪滑移率調節車輛的縱向動力學特性來防止車輛發生過度驅動滑移或者制動抱死,從而提高車輛的穩定性和操縱性能。制動防抱死系統(antilock brake system)簡稱 ABS,在汽車制動時,自動控制制動器制動力的大小,使車輪不被抱死,處于邊滾邊滑(滑移率在 20%左右)的狀態,以保證地面能夠給車輪提供最大的制動作用力值。一些智能滑移率控制策略利用充足的環境感知信息設計了隨道路環境變化的車輪最有滑移率調節器,從而提升輪胎力作用效果。

    智能控制策略,如模糊控制、神經網絡控制、滾動時域優化控制等,在縱向控制中也得到廣泛研究和應用,并取得了較好的效果,被認為是最有效的方法。

    而傳統控制的方法, 如PID控制和前饋開環控制 ,一般是建立發動機和汽車運動過程的近似線形模型,在此基礎上設計控制器,這種方法實現的控制,由于對模型依賴性大及模型誤差較大,所以精度差、適應性差。從目前的論文和研究的項目看,尋求簡單而準確的電機-發動機-傳動、剎車過程和汽車運動模型,以及對隨機擾動有魯棒性和對汽車本身性能變化有適應性的控制器仍是研究的主要內容。

    車輛橫向控制指垂直于運動方向上的控制,對于汽車也就是轉向控制。目標是控制汽車自動保持期望的行車路線,并在不同的車速、載荷、風阻、路況下有很好的乘坐舒適性和穩定性。

    車輛橫向控制主要有兩種基本設計方法,一種是基于駕駛員模擬的方法;另一種是給予汽車橫向運動力學模型的控制方法?;隈{駛員模擬的方法,一種策略是使用較簡單的運動力學模型和駕駛員操縱規則設計控制器;另一策略是用駕駛員操縱過程的數據訓練控制器獲取控制算法?;谶\動力學模型的方法要建立較精確的汽車橫向運動模型。典型模型是所謂單軌模型,或稱為自行車模型,也就是認為汽車左右兩側特性相同。橫向控制系統基本結構如下圖??刂颇繕艘话闶擒囍行呐c路中心線間的偏移量,同時受舒適性等指標約束。

    關于自動駕駛問題和解決方案和自動駕駛的解決方案的介紹到此就結束了,不知道你從中找到你需要的信息了嗎 ?如果你還想了解更多這方面的信息,記得收藏關注本站。

    掃碼二維碼