自動駕駛傳感器標定（自動駕駛傳感器標定工作原理）
本篇文章給大家談談自動駕駛傳感器標定，以及自動駕駛傳感器標定工作原理對應的知識點，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、法雷奧中國區CTO顧劍民：從ADAS到自動駕駛之路
- 2、大疆發力自動駕駛板塊，現已推出三大解決方案
- 3、專注自動駕駛解決方案 大疆車載智能工廠首次公開
- 4、特斯拉感應周圍車是什么功能
- 5、AutoX揭曉RoboTaxi超級工廠 全無人駕駛生產線正式亮相
- 6、自動駕駛技術基本知識介紹
法雷奧中國區CTO顧劍民：從ADAS到自動駕駛之路
2020年6月22日-23日，由南京經濟技術開發區與蓋世汽車聯合主辦的“2020第三屆全球自動駕駛論壇”隆重召開。本次論壇重點圍繞與自動駕駛規?；逃糜嘘P的核心技術、法律法規、技術評測、商業模式等話題展開探討，下面是法雷奧中國區CTO顧劍民博士在本次論壇上的發言：
法雷奧中國區CTO?顧劍民
感謝蓋世汽車周總的邀請，非常高興有這個機會跟在座的各位領導、專家、同行來分享，這個題目也是很大，《從ADAS到自動駕駛之路》。我個人認為，主動安全是被動安全智能的延伸，如果進一步的話，ADAS就是跟我們一般講的駕駛輔助系統，是主動安全的一個智能的延伸。
是不是自動駕駛是ADAS的一個智能延伸呢？從某種意義上來說是，但是自動駕駛不僅僅是一個技術的問題。今天上午兩位發言嘉賓都講到，還牽涉到場景、商業模式的落地，除此以外，還有包括法規、基礎建設、保險，跟自動駕駛都非常相關，所以我們今天談的不僅僅是技術的問題。
因為我是代表法雷奧來做發言，我相信在座的很多對法雷奧比較了解，法雷奧是總部在法國巴黎的一家汽車零部件集成供應商，我們在全球是排前十位的，法雷奧在中國也有很多的布局，一共擁有35家工廠、12個研發中心，在南京就有一家工廠和一個研發中心。
在產品線來講，可以說在座的各位如果你是有駕駛汽車的話，這個車上肯定有法雷奧的產品或者零部件。我們有四大事業部，其中一個事業部的主打產品就是今天我們要講到的自動駕駛駕駛輔助，在產品系里面有感知系統，就是通常講的傳感器、激光雷達，人工智能先進的人機交互，還有車聯網提供給大家，幫助大家打造一個滿足大家出行的需求，這是我們公司在自動駕駛方面的一個簡單的介紹。
如果我們再看，今天我們的題目是什么？從ADAS到自動駕駛，所以我開門見山把這一頁放在這兒，這一頁PPT，其實我在去年已經用過，到今天我幾乎一字不改，因為這個觀點沒有改變。
第一句話，怎么來做自動駕駛，怎么幫助自動駕駛商業化落地，首先是什么？進入一個市場最好的方法是什么？從小做起，就是從簡單、低成本的自動駕駛技術入手。這里講的是技術，從簡單的低成本技術入手。
接下來是什么？目的是用于吸引足夠多的愿意付費的用戶，因為我們大家知道，如果自動駕駛是什么？展示、測試，沒問題，大家都會歡迎，但是你還沒法商業落地，商業落地的基本條件是什么？需要有人付費，天上不會掉餡餅，總是需要有人付費，不是你付費，就是我們的整車廠來付費。
具體怎么做呢？我下面列了幾個場景也好或者商業落地的方式也好，首先從自動泊車或代客泊車開始，因為大家知道泊車相對低速，而且場景比較可控，在一個半封閉停車場或者停車庫里面。還有從低速的自動駕駛開始做起，這里列的是40公里時速，其實這個時速已經很高了。一般來講，在公路道路上的車輛可能不止40公里。在低速的情況下，首先可以什么？它可以對于感知系統、決策系統的壓力挑戰相對小一些。
這就是從簡單的技術開始做起。
還有什么？從特定的場景和特定用途開始，自動駕駛有很多場景，如果不跑開場景來講自動駕駛是沒有意義的。舉個極端的例子，如果你在一個測試場地，直徑300米，里面沒有任何車輛，沒有任何障礙物，不要說L4，L5都可以做到。但是換一個場景，非常擁堵的情況下，L3都做不到。
關鍵是要去掉安全駕駛員，我們今天很多的展示測試車輛，自動駕駛在路上必須有安全員，這也是我們目前的規定，法規所制約的。
但是大家想一想，如果有安全員的話，我們通常講L4的車輛，還是在L3的基礎上，這個方面如果我們不能夠突破，我們的技術還是在L3這個技術層面，從本質上講。
當然，今天另外一個討論的點，其實真正的自動駕駛不要糾結于到底是L2、L3或者L4，我們今天看到的是來看場景，怎么突破商業化落地，找到一個商業化模式，這才是最重要的。
最后，就是送貨的需求，可能比運客更實際。當然并不是說貨物從安全的角度來講，可能比客人關注程度要低一點，這并不是唯一的原因。大家如果看到過去這幾個月，特別是疫情爆發比較嚴重的時候，我們在武漢、北京這些城市都會看到什么？有一些無人的物流車來運送醫療設備、醫療物資，可以避免人和人的接觸，特別是去一些疫情比較嚴重的地方。這也是我們可以看到無人物流車在這個情況下面，它可能比送人送客更有需求的場景的需求。
這是一個原因。
我在這里拋磚引玉，拋出這幾點。
接下來請允許我花一點時間結合法雷奧的產品，來和大家詳細敘述一下我們怎么找到場景落地，找到商業化落地的一個最終的目標。
剛才講到了，自動泊車是一個比較容易實現的場景，通常講到自動泊車，泊車輔助是什么？駕駛員需要在車內根據系統的提示，來完成自動泊車或者泊車輔助。但是一旦把駕駛員移到車內，讓我們的客戶能夠選擇在車內或車外泊車的話，就是遙控泊車。
法雷奧在2016年推出遙控泊車這個功能，也已經量產了，大家可以看一下。用遙控鑰匙，萬一發生一些緊急情況，需要停止泊車的話，可以一鍵停止。
接下來可以更近一步，我們可以想像，如果我們在地下車庫口，我們可以用遙控停車讓車輛自動泊車，跟剛才遙控泊車的技術是大同小異，但是區別在于一個是可能車輛需要行進的路程或者尋找車位的范圍更大一點；第二個區別在于，我們這里講的就是代客泊車，需要廠端的支持。從業界來講，有兩個潮流或者兩種方法，一種代客泊車是完全靠車端的傳感器來完成，另外一種是需要廠端和車端來協同完成代客泊車。
如果靠一個車端的傳感器，在一個非常擁擠的地下車庫里面，可能需要花很長的時間才能找到泊車位，同時有可能引起泊車的擁擠。所以如果在廠端和車端相結合，廠端上面加上一些傳感器、激光雷達，來幫助我們更快更有效地找到泊車位。
這里也有一個視頻，這是法雷奧和Cisco合作的一個系統，在這個過程當中，可以避讓行人，完成泊車，會發送信號給我們的客戶，等到我們的用戶需要用車的時候可以提前預約，從自動的到下車的點來迎接我們的用戶，這是代客泊車的概念。法雷奧認為車端和廠端相結合是完成代客泊車比較有效更現實的一個方案。
另外一個自動泊車的應用場景，非常意外，是什么？充電。大家可能一開始沒想到為什么充電和自動泊車相關？這是因為目前跟自動駕駛一樣，電動化也是非常大的一個趨勢，大家可以看到越來越多的插電式混合動力車輛和純電動車輛，這些車輛無一例外都需要充電，可能插電式混合動力充電不需要那么頻繁。
我們對德國用戶調研發現，有三分之二的用戶認為如果能完成自動充電或者無線充電，他們更愿意選擇或者使用純電動車。我覺得原因可能是什么？因為我差不多開了兩年時間一輛插電式混合動力，大家發現充電槍通常比較臟，有的時候還會掉在地上，下雨的時候你也不愿意撿那個濕淋淋的充電槍，你會更愿意有人幫助你完成自動充電或者無線充電。法雷奧的一個概念，我們能夠打造通過高精度的自動泊車來完成自動、無線充電，或者用機械手幫助你有線充電。這個誤差的范圍，精度必須提高到10厘米以內，即使是充電，大家不要以為到充電樁或者充電板附近就可以完成充電，需要有一個精度。只要用戶完成一次泊車，下一次可以自動回到這個泊車的位置，這里還有一個自動避讓。
這是自動泊車完成充電，需要一個比較高的精度，剛才說到10厘米以內。
但是大家想想除了泊車之外，如果真正的自動駕駛需要什么？除了感知功能以外，還有一個最重要的就是定位。感知只是感知周圍的環境，就像我們的眼睛一樣。但是如果你都不知道自己現在在哪里，你怎么來真正做到自動駕駛呢？一般來講，自動駕駛，我們可以想到的定位的方法就是用GPS信號，但是GPS，即使是在天氣比較好的情況下，我們的GPS能做到的是米級的精度，差不多是在2—3米左右的誤差。用于導航，GPS沒有問題，你只要知道自己在哪條路上就行了。但是2—3米的誤差幾乎是一條車道的寬度，也就是說你不知道自己到底是在哪條車道上。在輔助道或者高架上面，導航沒法告訴你。而且我們的車道線，如果雙向雙車道的情況下，很有可能一條車道線的誤差就變成逆行了，或者你在路口的時候導航卻不知道你在路口，告訴你的時候讓你轉彎的時候已經太晚了。所以對導航來講，可能人加上自己的感知，觀察周圍的環境，還可以接受米級的精度。但是自動駕駛沒法接受，我們需要提高到厘米級，這就提出一個很大的問題，怎么來幫助自動駕駛達到厘米級的精度，所以我們在這里又提出一個RTK的方法，2020年的CES上，現代汽車，還有Hexagon—Novatel，是一家高科技的公司，和法雷奧和移動網絡運營商，提出了一項高精度的聯合定位技術，它的意義是說我們用了GPS信號以后，但是通過跟地面的基站，地面的基站你可以事先得到它的高精度的位置信息，然后進行一個差分的對比，你可以得出精度比較高的一個相對的位置，這是所謂RTK的技術，是實時動態差分定位技術，這個技術可以幫助我們達到厘米級的精度。
這已經不是一個新的技術，現代汽車今后會把這個技術搭載他的車上進行量化，這已經是一個可以標準化量產的高精度技術。
RTK技術可以幫助我們達到厘米級精度，這是已經得到證明的，但是還是有局限性，比如說GPS信號需要什么？天氣比較好，如果像今天下雨，云層比較低的情況下，GPS信號被遮蓋。還有一種情況是什么？比如說我們到大城市，像上?；蛘呤窍愀圻@種高樓林立的城市，香港還有另外一個限制，就是香港有很多雙層的大巴或者觀光巴士會影響遮蔽信號，更不要說經過隧道、高架橋，信號肯定會受影響，這個時候我們需要另外一個技術來彌補或者補充定位，就是我們經常講到的用激光雷達的點云技術來幫助定位。也就是說我們通過激光雷達先打造一個高精度的地圖，然后通過車上的傳感器、激光雷達來實時對比高精度地圖的差異，來幫助我們相對的定位，這個技術其實也已經非常成熟了。我們法雷奧是通過一個激光雷達打造這樣一個高精度地圖，來實時定位。這個高精度地圖是通過眾包的形式，因為不可能派出很多的車去每次實時更新這些地圖，所以是通過我們的用戶在使用過程當中，他的激光雷達的點云，來幫助實時更新這個地圖，所以這是一種眾包或者眾籌的形式。這樣的方法，跟剛才說的RTK可以互相補充。
非常有趣的是什么？一般情況下，在高樓彌補的情況下，因為有這樣一個系統來通過點云幫助定位，那個時候信號可能會比較弱。相反的情況下，在GPS信號不受影響，比較空曠的，比如在大西北是沙漠或者荒漠的地帶，地理特征不是那么明顯，你怎么進行定位呢？這個時候就用RTK的技術，GPS的信號來彌補。這兩種技術在某種程度上用途是可以互相彌補，互相支撐的，可以幫助我們完成自動駕駛的高精度定位。
在今年的CES上我們也做了一個展示，法雷奧搭載了第二代ScaLa激光雷達的車輛，作為高精度采集的車輛，還有第一代激光雷達的車隊車輛來展示我們的高精度車輛，這個在拉斯維加斯大街上面進行實時的展示。在這種情況下，我們可以發現我們的定位精度可以提高到厘米級，大概在10—12厘米以下，這是一個比較高精度的定位。
這里需要跟大家說一下，ScaLa第一代和第二代激光雷達都是已經量產的激光雷達。同時在右邊這張圖上面有一個車頂定位的套件，什么意思呢？一般來講，激光雷達和毫米波雷達和其他的傳感器一樣，一旦要量產，一般都是跟我們的OEM的客戶合作，需要經過長時間的標定開發工作，這些激光雷達或者毫米波雷達并不像大家想像的一樣，我買一個雷達插上去，即插即用，不是這么簡單，這是一個長期的開發工作，標定工作。對于一些初創企業，特別是自動駕駛初創企業，他可能經不起這樣的時間成本和開發成本，所以法雷奧最近推出一個所謂叫通用傳感器套件的概念，也就是說我們把一些傳感器，目前還是局限于激光雷達和超聲波傳感器，把它做成一個標準的套件。也就是說它的幾何尺寸，比如剛才說的車頂的套件，事先已經做好了標定工作，對于用戶來講，特別是對于自動駕駛初創企業來講，他需要做的工作就相對少得多，時間成本和開發成本都會大大降低。而且這些都是已經量產的車規級的傳感器，所以它的質量，包括剛才說的一致性都會有保證。
我們在拉斯維加斯這些高精度定位的展示車輛，用的車頂都是用的激光雷達的套件，這是一個比較實用的高效的解決方法。
真正做到自動駕駛，技術上有一個討論比較多的難點是什么？剛才滴滴的孟總也講到了，在道路上面有很多道路的使用者，就是跟你分享道路的交通使用者，他們接下來的意圖是什么，也很可能或者是說沒有可能提前知道，你沒法預測他們下一步的路徑，很難。
我舉一個極端的例子，我們在路上看到很多電動車，特別是送外賣的這些小哥，他一邊打著電話，一邊駕駛著他的電動車，他自己都不知道下一秒他是往左往右還是剎車，你怎么知道呢？這是一個最大的挑戰。
記得我在兩年前，我去南方有一個城市拜訪一個自動駕駛的初創企業，他們邀請我，在他們車內做自動駕駛的展示車輛，在路上進行一個自動駕駛的展示，開著開著車，突然車輛剎車了，什么原因呢？因為在前面人行道邊上站著一位老兄，那個車輛因為比較保守的算法，它在人行道上看到一個人，不知道這個人下一步會干什么，會走上人行道跨越馬路呢，還是繼續在路上待著，保守起見就停下來，然后再換道，繞過行人前面的路。
一般駕駛員開車會經過一個大概的判斷，低速通過或者從旁邊繞過，這對自動駕駛車輛就是一個非常大的挑戰。我們怎么來預測其他，不光是行人，還有騎車人、電動車、滑板車這些交通使用者他們的意圖。我們在今年的CES展上面，法雷奧又推出一個MOVEPREDICT.AI，通過人工智能機器學習的方法，來判斷這個人的注意力是不是還集中在交通行動上面，如果不在的話，我們可以通過更保守的方法，如果他注意力還是在交通上的話，接下來一步的反應就可能不一樣。
然后還可以判斷他接下來的，預測他的企圖或者意圖，他是不是要過馬路，他的行跡都要通過人工智能進行判斷。當然這只是一個概率問題，并不是能百分之百預測，但這是我們下一步的目標，如果你不能預判的話，就只能用最保守的算法和駕駛，這對我們的使用者的感受應該是不滿意的，這樣的話自動駕駛變成雞肋，你開得比人還保守還慢，這樣的話，自動駕駛并不能真正找到落地的場景。
在剛才講到，其實很多情況下運貨可能比運客的需求更實際，這就是為什么我們在2019年的CES展上面，我們跟美團簽訂的戰略合作協議，共同開發最后一公里的無人配送技術，或者叫最后一公里的無人物流車。這是我們在去年和美團達成協議。
在2020年1月份，在今年的CES展上，我們推出了法雷奧和美團共同開發的無人物流車。因為受場地限制，我們在一個停車場里面做了一個簡單的繞圈的演示。圖中有一個小哥他手里拿的不是遙控器，很多人在問是不是像遙控玩具車一樣在控制這個車輛？不是，唯一的目的是開始和結束。
這是我們在一年之內，從跟美團簽訂戰略合作協議，進行技術上的交流，設定目標，最后完成設計、制造樣車，運到美國。這一年當中做了很多事情，這也是一個速度非?？斓倪^程。
這是一個怎樣的物流車呢？簡單跟大家介紹一下，它的尺寸是2.8米長，寬1.2米，比一般的小車還要小一些。它可以送17份外賣，這個并不是說只能送17份，它有17個運送箱，取決于外賣的大小，可能還可以搭載得更多。續航里程是電驅動的，一共是100公里，如果需要更長里程的話搭載更多的電池。
法雷奧和美團的分工是法雷奧提供這樣一個線控底盤，提供了48伏的電池系統，控制器，上面是法雷奧提供的自動駕駛傳感器、自動駕駛的平臺，從模塊到軟件是由法雷奧提供的，不光是給自動駕駛的無人物流車，也可以給所有的城市道路工況的車輛提供自動駕駛的模塊。美團提供當中的車體，包括剛才講到的車廂，還有運送柜和APP，用戶和客戶的軟件交流，是由美團提供的。
這是一個樣車，在一年之內很快就做成了，本來我們的計劃是在今年4月份的北京車展，把這輛車運到北京做進一步的展示和交流，因為疫情的原因，這個事情肯定會推遲了。
我剛才介紹了，其實自動駕駛的平臺為無人物流車，它不是專門打造的，是法雷奧在兩年前，2018年已經推出的一個城市道路工況下的自動駕駛平臺。這是在城市道路工況下目標是L4級別的自動駕駛，它其實是考慮到城市道路工況下面的各種特點，比如說有各種各樣的車輛、行人、自行車，其他的交通燈，包括在歐洲有很多的環島，還有停車的標志，這些都考慮在內。我們還通過剛才說的高精度定位的方法，來知道車輛的定位，來打造L4級別的自動駕駛平臺系統。
我們可以看一下這個視頻，這是2018年在巴黎車展上面做的一個自動駕駛的展示，需要提醒大家一點的，在這個車上面所有的傳感器是都已經量產的，都已經交付給我們的終端客戶，在OEM。因為在駕駛員手下已經是量產的，在運用的傳感器。
這是2018年巴黎車展做的一個展示，大家可以看到，剛才是一輛摩托車經過，下面是自動變道、超車，左邊是車內的一個攝像頭，右邊是車后方的一個跟隨車拍的，前面是自動避讓自行車的一個場景。
交通燈的識別、斑馬線、行人的識別、避讓，最后是隧道、橋道，GPS信號被遮蓋的時候，能夠繼續保持高精度定位。
這是一個自動駕駛平臺，是一個軟件和硬件相結合的系統。
如果我們詳細看一下，在這個無人物流車傳感器的配置是如何的呢？搭載了各種傳感器，首先是4個環視攝像頭，前面還有一個長距前視攝像頭，4個毫米波雷達，12個超聲波傳感器、4個激光雷達，4個激光雷達的作用還各有點不同，前后的激光雷達是起到探測障礙物的作用，兩側的激光雷達更大的作用是用來通過點云地圖來幫助高精度定位。大家可以看到是有四種不同種類的傳感器搭載起來，每種傳感器有各種不同數量的，完成一個感知功能的冗余，幫助完成自動駕駛。所有這些傳感器都是已經量產的，我們在交付客戶已經使用了。
剛才講了很多是比較大的，比如寬1米多，長2米甚至3米的無人物流車。其實如果大家仔細想一想，最后進入到社區，進入到酒店，這些車輛很難進入，因為太大了，所以可能跟我們更接觸多的或者使用更多的是一些小的機器人或者小的無人物流車。這也是在今年的CES展上面，我們展出了法雷奧跟一家初創企業TwinswHeel合作開發的無人配送機器人，有可能就不叫物流車，叫機器人，有兩個輪子的，也有四個輪子的，它不是自動駕駛，是跟著你走，比如有一些行動不便的老人或者是殘疾人，他在搬運東西的時候搬不了，他需要有一種機器人幫助他搬運貨物或者跟著他走。這是一種場景，法雷奧提供了傳感器48伏的電機系統，這家初創企業目前已經推出兩種無人配送機器人。
你只要一摁這個按鈕，傳感器就認識了你，比如說周總在那兒一摁，它就認識了你，別人再摁，它也不會跟著別人走。就像一只狗，一個寵物一樣的。
這是無人物流車在家庭使用中的另外一個場景。
法雷奧是推出傳感器品種或者種類最齊全的供應商，SCALA雷達是業界到今天為止唯一一家也是第一家已經量產的符合車規級的激光雷達，2017年是第一代SCALA雷達量產的，今年我們會在研發第三代，它是一個固態的激光雷達，時間也是根據我們的客戶，可能是2022年左右。
搭載的激光雷達，除了一般講的OEM客戶以外，還有的是我們的初創企業或者是我們自動駕駛的企業，這里舉的一個例子是法國的一家初創企業，這家企業搭載的是法雷奧的SCALA激光雷達，法雷奧也是這家企業的投資者，大概占了百分之十幾的股份，這家企業從創立到今天，已經在全球20多個國家銷售了160多輛自動駕駛的無人小巴，同時也有無人駕駛的出租車。
最后總結一下：
自動駕駛跟電動化或者是共享汽車一樣，是我們“新四化”當中的一個非常明顯非常重要的潮流。我個人非常堅信有一天，我們能真正完成或者做到無人駕駛或者自動駕駛。當然這個道路是比較漫長的，也有可能是非常崎嶇的，所以我個人是一個比較謹慎的樂觀者。
在這個過程當中，我們要特別關注的是技術，但是越到自動駕駛或者高度的自動駕駛，你會發現技術只是其中的一個問題而已。還有什么？剛才說到怎么落地，怎么商業化落地，怎么來關注場景？我反復強調，如果脫離場景來講自動駕駛技術，那是沒有意義的或者是耍流氓，我們剛才已經講了極端的例子。在一個空曠，沒有任何障礙物的情況下，任何車都可以L4、L5的自動駕駛。但是如果結合場景，你會發現很多問題出現了，還需要什么？不光是汽車行業，還需要我們的法規、保險、道路建設、運營方各方面來配合，一起合作來完成自動駕駛。
從這個角度來講，我跟滴滴的孟總的觀點比較接近，就是私家車的自動駕駛可能性，可能落地的時間點會更遠一些。因為我已經講過了，這個自動駕駛的成本必須要有人來承擔。我相信在座的每一位我們的用戶，你不可能花幾十萬塊錢買一輛車，再花幾十萬塊錢加裝一套自動駕駛系統。更快更好更早落地的可能是出租服務商，有可能是無人小巴、無人出租車或者是無人物流車等等，這三種哪個先落地，我們還看不清楚。但是可能無人物流車通過這個疫情的驗證，它可能會更容易找到一些落地的場景，來完成商業化的模式。
除了這三種場景以外，在礦區、無人區等等，也是一種L4的駕駛車輛，其實已經找到一種場景，當然這個相對比較小。
但是我要總結一點，自動駕駛不僅僅是私家車，它肯定是包括各種場景下面的各種車輛。我非常堅信在這種情況下，自動駕駛的場景落地不會很遙遠，不可能會在十年二十年以外，可能會更快，幫助我們來完成更安全更舒適的一個駕乘環境和物流交通的目標。
謝謝大家的聆聽！
本文來源于汽車之家車家號作者，不代表汽車之家的觀點立場。
大疆發力自動駕駛板塊，現已推出三大解決方案
隨著科技水平的飛速發展，自動駕駛技術已經成為變革汽車行業的最重要動力之一，近年來眾多互聯網巨頭企業紛紛入局，一些初創企業也在時代的推動下加入自動駕駛的賽道。近期，有關大疆車載的一些動向在網絡上廣泛傳播，在2021年4月份于上海車展正式官宣之后，這一無人機領域的重量級品牌在自動駕駛領域的進展終于被外界更透徹的了解到。
目前，大疆車載技術團隊已經推出D80/D80+、D130/D130+與智能泊車等三款自動駕駛解決方案，分別針對城區道路與快速路、高速公路與停車場景。據透露，測試車輛已經可以完成高級車道保持、高級自適應巡航、近距離加塞應對、擁堵路段跟車起停、撥桿變道、高級超車輔助、智能避障、導航駕駛（含自主進出匝道）等諸多功能。
近期有媒體記者造訪位于深圳的大疆研發中心，親身體驗了搭載大疆車載系統的測試車輛。在限速80km/h的城區快速路上，記者將車輛交給大疆車載系統，撥動轉向燈準備變道。系統在檢測到周圍沒有靠近車輛時，平穩完成車道變更；檢測到周圍存在靠近車輛時，即便記者撥動轉向燈也保持既有車道行使。當前方車輛減速時，測試車輛也隨之減速跟行；前車加速，則測試車同步加速跟隨。而測試車輛還能自動進出隧道、上下匝道，在諸多駕駛場景中均可帶來便捷。
但值得注意的是，目前大疆車載系統的定位并非業內時髦的L4級自動駕駛，而是L2級，在眾多企業高舉高打的行業背景下，大疆似乎顯得慢了一拍。但業內人士普遍分析表示L4級自動駕駛目前尚不成熟，技術完整性、可靠性還有待完善，且成本十分高昂，難以實現大規模量產。而大疆車載深挖L2級自動駕駛基于自身在無人機領域的技術積累，成果轉化、復用相對更快，成本也在可控制范圍內。
因此，大疆車載采用L2級自動駕駛是基于多方面的考量，技術、成本、量產、推廣與政策法規契合度等方面均接近 平衡。據官方表示，大疆車載的技術優勢在于集中式架構，共同中央域控制器、復用大部分傳感器，在不同解決方案中串聯多個不同場景的功能。如此一來，大疆車載系統的整體成本更低、更新軟硬件更快，對于規?；慨a大有裨益。
大疆公關總監謝闐地此前公開表示，在L2級自動駕駛階段，大疆更關心技術如何落地、體驗如何更好，希望在低成本、低功耗、低算力下實現更多功能；自動駕駛相關法規和基礎設施完善后，才有向L3級、L4級前進的可能性。
由此可以推斷，大疆車載采取的是步步為營、一步一個腳印的打法，首先將L2級自動駕駛的軟硬件技術吃透，有朝一日綜合條件允許后再跨入更高等級。假以時日，大疆的穩重策略將在行業中展現出更大的利好。
?
專注自動駕駛解決方案 大疆車載智能工廠首次公開
易車訊 日前，大疆首次公開了其車載智能工廠。該工廠2019年完成建造并投入使用，占地9千平方，年產能約40萬臺的萬級無塵室級別（每立方英尺含有粒徑為0.5um的微粒不超過1萬顆）大疆車載智能工廠，專注于視覺感知傳感器、域控制器等自動駕駛核心零部件的制造與檢測。
該工廠可實現從SMT、AA、自動化裝配到自動化測試全過程的車規級智能化生產，同時具備涵蓋EMC、電氣、環境可靠性、機械、材料與化學 、失效與物理分析等領域的70余項檢測能力。
截至目前，大疆車載智能工廠已獲得IATF16949質量管理標準認證、EHS環境職業健康安全管理體系認證、CNAS中國合格評定國家認可委員會認證，并已通過多家主機廠審核。未來將有更多的高質量自動駕駛解決方案，從這里生產，去往全國各地。
特斯拉感應周圍車是什么功能
【太平洋汽車網】這是特斯拉的駕駛可視化方面的功能。在Autopilot套件的傳感器和計算機視覺系統的驅動下，特斯拉能夠在屏幕上呈現汽車周圍的環境。特斯拉的可視化技術已經改進，能夠越來越準確地顯示更多車輛的周圍環境，包括駕駛卡車、SUV、摩托車和行人。
通過業內人士的分析，至少暴露當前兩個問題：一方面，當前自動駕駛傳感器系統還存在缺陷；另一方面，人們對于自動駕駛功能的預期過高，在使用該功能時過于放松警惕。
自動駕駛的原理國內很形象地把自動駕駛形容為有「眼睛」、「耳朵」、「大腦」以及「手」和「腳」。
「大腦」是傳感器，感知周圍環境以后，把數據傳回到中央控制器，由中央控制器來做判斷和路徑規劃。特斯拉的很多功能依賴于電子功能，所以「手」和「腳」是由「大腦」來控制，「眼睛」和「耳朵」來感受周圍環境。
Autopilot是一個怎樣的系統？特斯拉Autopilot的啟用條件有兩個：在看清楚和識別車道線的前提下，時速在30英里（48公里）以上以及在Autohold能夠識別前方車輛的情況下，即可使用輔助駕駛功能。
特斯拉的自動駕駛在汽車行業里面，可以歸結為兩個功能：ACC（自適應定速巡航）：標定一個車速，車以這樣的車速行駛?？梢赃m應前面的車速；電子助力轉向：在自適應定速巡航的基礎之上，加上電子助力轉向功能，打造自動駕駛的功能。
特斯拉Autopilot系統的成本非常低廉：由1個攝像頭、1個毫米波雷達以及12個超聲波傳感器組成。
在這種情況下，用非常低配的方式，特斯拉依靠其算法來實現汽車自動駕駛的能力。
傳感器有哪些不可靠的地方？超聲波傳感器布置在車身周圍，用于探測距離和障礙物。超聲波雷達可以通過一個小型設備對其進行干擾。
特斯拉Autopilot系統使用超聲波雷達去檢測周圍的障礙物，如果周圍沒有障礙物，可以啟動自動駕駛系統，一般用于自動泊車和測距。
特斯拉選用的是77GHz的毫米波雷達。毫米波雷達的干擾成本比較高，需要顯示器信號發生器，信號放大器和天線，這套設備加起來是120萬人民幣。
AutoX揭曉RoboTaxi超級工廠 全無人駕駛生產線正式亮相
12月22日消息，中國全無人駕駛RoboTaxi領跑者AutoX（安途）首次對外揭曉AutoX RoboTaxi超級工廠內部視頻，展示中國首個真正全無人駕駛RoboTaxi生產線。
今年7月，AutoX正式發布第五代無人駕駛系統AutoX Gen5，搭配全球最高清的車規級傳感器，自研核心計算平臺AutoX XCU和自動駕駛域電子電氣架構，算力達2200 TOPS，實現車規級別功能安全的全棧架構冗余，保證真正全無人駕駛能力。
該超級工廠正是為量產AutoX第五代RoboTaxi所建—— AutoX與國際車企巨頭克萊斯勒FCA深度集成合作，具備車規級冗余線控，也是中國目前唯一可支持量產真正無人駕駛的車型。
“依托中國首個全閉環的RoboTaxi產線，AutoX能夠保證每一臺無人車生產的質量和一致性，這是真正全無人RoboTaxi落地的前提?！?AutoX創始人及CEO肖健雄表示。
AutoX全無人RoboTaxi產線
?
視頻正在加載中...
中國首個全無人RoboTaxi產線，追求極致安全、先進、一致性
本次發布的視頻，用短短兩分鐘展現了一臺AutoX第五代全無人RoboTaxi誕生的全過程。?
原本藏身于AutoX第五代無人車后備箱之內的車載超算平臺XCU、第五代“性能怪獸”多傳感器系統、車規級熱管理等一一呈現；
產線上的機械臂
?全無人RoboTaxi的大腦、眼睛、神經、心臟、骨骼、肌肉悉數亮相；
放置主傳感器
AutoX XCU
AutoX選擇了江蘇常州建設首個生產基地，其全無人RoboTaxi產線歷經三代全線優化，確保每一臺RoboTaxi量產集成的精準度和一致性。?
產線全貌
?AutoX Gen5系統具備極致性能，由AutoX完成全棧軟硬件一體化自主研發。
零部件進入倉庫的第一步即需通過嚴格的質量檢測。而后，通過質量檢測的零件走上部裝線，進行局部集成：第五代系統的雙主多傳感器融合系統、盲區多傳感器融合系統等均在部裝線上完成。
總裝線由大型半自動化滑板傳輸線和吊裝輸送線構成，專為全無人RoboTaxi組裝工藝定制，采用具有同行領先水準的ABB 7軸機器人，西門子、歐姆龍、施耐德、飛利浦、三菱、SEW等國際巨頭提供電控系統與傳動系統，將全無人RoboTaxi核心工藝標準化、數字化。
每一臺RoboTaxi經過標準化產線生產，進入最后PDI出廠前檢查時，Gen5無人駕駛系統已被“點亮”，工作人員從車內操作界面對Gen5系統的全部軟硬件模塊進行質檢。
一臺Gen5 RoboTaxi從產線下線，立即走上車間內自建的自動化多傳感器標定轉盤、四輪定位等標定設備，并在廠內完成恒溫房、噴淋房等車規級檢測，在出廠時即可進入無人駕駛狀態。
標定
車規測試
可以說，這條全無人駕駛RoboTaxi產線全方位呈現了AutoX在智能制造方面的顛覆式創新和技術領先優勢，為中國實現L4-L5級別自動駕駛量產規?；_疆拓土。
AutoX第五代RoboTaxi產線下線
專注全無人RoboTaxi，軟硬件結合領跑行業
與大多數自動駕駛公司多細分賽道布局、多條腿走路的策略不同，AutoX始終專注聚集于打造真正全無人的RoboTaxi，在RoboTaxi賽道上取得了無數個第一的光環：
●?????? 打造中國首個具備L4/L5級別車載域控制器、車規級冗余線控的全棧電子電氣架構冗余的RoboTaxi；
●?????? 獲得中國首個加州全無人駕駛牌照；
●?????? 實現中國首個公開道路全無人駕駛與商業化運營；
●?????? 全球首個在城中村終極挑戰全無人駕駛；
●?????? 在深圳實現全球最大的無人駕駛區域（168平方公里）。
在軟硬件一體化深科技領域，AutoX一路領跑，此次在智能制造方面的重大突破，又一次展示了中國全無人RoboTaxi的正確打開方式，為業界樹立了新的標桿。
今年發布的AutoX Gen5搭配28個超高分辨率車規級攝像頭、全球最高分辨率的4D毫米波雷達、角分辨率達到0.9度、高清激光雷達、每秒超1500萬點云成像，再加上自研核心計算平臺AutoX XCU和自動駕駛域電子電氣架構，刷新了中國RoboTaxi的標準，性能可與全球無人駕駛領域尖端玩家相媲美。
?而具有量產能力的超級工廠，在進一步展示AutoX的硬件研發實力的同時，更展現了其硬科技智能制造能力，正持續推動第五代AutoX RoboTaxi的部署落地。
相較于僅做軟件供應商的自動駕駛公司，AutoX在“硬科技”的投入越來越深，此次在真正全無人級別智能制造產線上的重大突破，更展示出其堅定投入規?；嬲裏o人RoboTaxi硬核科技的決心，以及對質量、安全性的極致要求。
感知、算力、軟硬件一體化、長期的無人駕駛數據積累，共同構成了AutoX的極高安全性護城河；AutoX全無人RoboTaxi超級工廠投入量產，則意味著中國全無人RoboTaxi按下了加速鍵。
目前，AutoX擁有近1000人規模研發團隊，在北京、上海、廣州、深圳、硅谷全球五大研發中心持續加速招聘科研人才。
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。
關于自動駕駛傳感器標定和自動駕駛傳感器標定工作原理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。
