无人驾驶系列——概述_无人驾驶行业概述

无人驾驶行业概述

什么是无人驾驶

A self-driving car, also known as an autonomous car, driver-less car, or robotic car (robo-car),is a car incorporating vehicular automation, that is, a ground vehicle that is capable of sensing its environment and moving safely with little or no human input.
能够感知周围的环境，用很少的人的参与来执行驾驶行为。
自动驾驶：某些情况下可以加入人的参与与监督。
无人驾驶：完全不依赖于人的行为，是为更高级的自动驾驶

无人驾驶能解决什么问题

1. 提升交通效率

• 无人驾驶汽车严格遵守交通规则
• 道路通行更顺畅、拥堵减少、交通事故大大降低
• 隐形路口问题，通行效率提高45%
• 减少通勤时间

2. 车辆利用率提升

• 缓解停车位紧张
• 无需停车位，点对点交通运输
• 共享交通方式将最大化普及
• 费用降低

3. 交通事故问题

• 每年全球超过100万人死于车祸
• 93%的事故是人为造成的：醉驾、疲劳驾驶、分心驾驶
• 人类需要每次从零开始学习，总有新手司机上路，错误一遍遍重演
• 无人驾驶能够互联互通，比人更高效

无人驾驶发展历程

无人驾驶分级

自动驾驶分为6个级别

SAE:美国汽车工程师协会
L0:无自动化，全部人工
L1:巡航定速（Adaptive Cruise Control,ACC）,巡航装置可以纵向控制车辆，可以加速减速
L2: 车道保持辅助（Lane Keeping)系统可以纵向控制也可以横向控制汽车，但车是辅助，人才是主导
L2.5: 可以提供简单路况下的变道能力；
L2与L3之间有一个鸿沟：权责问题
L3：在L2基础上提供编导能力，在某一时段内车是责任主体
L4: 相当于全无人驾驶，大部分时间由车来做主导
L5: 驾驶能力上几乎与人类没有关系，车辆上没有接管设备

L4级别无人驾驶

实现思路：

• V2X:Vehicle to Everything（车路协同）
  • V2V(车辆)
  • V2I(公共设施)
  • V2P(行人)
• 边缘计算
  • RSU(路侧单元)
  • OBU(车载单元)
• 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
• 路侧智能：强大的感知能力（百度ACE计划）
• 主车智能：近些年深度学习填补上了最后一块软件难题
• 感知能力：高度复杂冗余的传感器
• 决策能力：大数据下的智能决策
• 高精地图：丰富的地图信息数据
• 定位：精准的位置获取能力
• 权责问题如何处理？
  • RSS模型（Responsibility-Sensitive Safety）责任敏感安全模型
  • 为自动驾驶汽车与人类的责任概念提供具体可衡量的参数，并通过对所有记录在案的交通事故所涉及的行为进行分析和统计，为自动驾驶汽车界定了一个可计量的“安全状态”

无人驾驶技术路径

无人驾驶技术概述

L4自动驾驶系统架构

自动驾驶硬件概述

感知传感器

• 摄像头：广泛用于物体识别和物体追踪场景，比如车道线检测、交通灯识别等，一般无人驾驶车都安装环视多枚摄像头
• 激光雷达：用于障碍物位置识别、绘制地图、辅助定位等，准确率非常高，很多方案中将激光雷达作为主传感器使用
• 毫米波雷达：阴雨天、雾霾天能够辅助感知获取物体的位置和速度，观测距离远但误检较多
• 超声波：近处高敏感度传感器，常用于作为安全冗余设备检测车辆的碰撞安全问题

定位系统传感器

• IMU：实时测量自身的姿态，200Hz或更高，包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号
• GNSS：也是大家常听到的GPS，无人车一般使用RTK（载波相位差分技术）技术来进行定位、频率相对较低10Hz左右

车载计算单元(IPC)

• 高效连接计算单元内部各计算设备，连接外部传感器的信息输入和存储
• 冗余设计，以防止单点故障
• 需要考虑整体的车规、电磁干扰和振动方面的设计以及ISO-26262标准的要求
• ISO-26262：一个硬件达到了ASIL D级别的要求，那么它的故障率是10FIT，即10亿个小时里面出一次故障，汽车行业在安全方面可以做到的极限

车辆线控系统

• 自动驾驶线控系统：汽车的控制是由一些简单命令完成的，而不是由物理操作完成。这一部分相当于人的手和脚
• 传统汽车的这些控制由液压系统和真空助力泵协助完成，自动驾驶汽车的线控主要用电控化的零部件来完成，如电子液压制动系统

自动驾驶软件概述

操作系统OS

• RTOS：实时操作系统
  • QNX：类Unix系统，具有强实时性，符合车规级的实时操作系统
  • RT Linux：Linux内核补丁，通过软实时进行监控
• FrameWork：
  • ROS（机器人操作系统）
  • YARP、Microsoft Robotics、MOOS、Cybertron

高精地图 HD Map（High Dimensional）

• 不同于导航地图，最大的特点就是高纬度和高精度
• 道路网的精确三维表征，如交叉路口布局和路标位置
• 地图语义信息，如道路的速度限制、左转车道开始的位置
• 导航地图只能达到米级精度，高精地图需要达到厘米级精度
• 高精地图坐标系：WGS84、墨卡托坐标系
• 高精地图提供其它Level4模块的数据支持
• 提供了很多准确的静态物体的信息
• 定位可以用于计算相对位置
• 帮助传感器缩小检测范围，缩小ROI区域
• 计算道路导航信息
• 帮助车辆识别车道的确切中心线

定位Localization

• 无人车最重要的一步就是知道自己在哪
• INS：Inertial Navigation System惯性导航系统
• IMU：获取自身状态（加速度和角速度）后通过状态矩阵递推下一时刻位置
• 但是如果没有校正信息的话，这种状态递推会随着时间不断累计误差，导致最终位置发散
• RTK：载波相位差分系统（在GPS中加入了一个基站）
  • GNSS
  • RTK多入了一个静止基站，同样收到定位卫星的信号，无人车与RTK相隔不太远的情况下，对二者之间的干扰信号用差分抹平
  • RTK通过较低的更新频率提供相对准确的位置信息，INS则以较高的频率提供和准确性较差的姿态信息。通过使用卡尔曼滤波整合两类数据获取其各自优势，合并提供出高准确性的实时信息
• 几何定位
  • 激光雷达、摄像头、高精地图
  • 利用激光雷达或者图像信息，可以通过物体匹配来对汽车进行定位。将检测的数据与预先存在的高精地图之间匹配，通过这种比较可获知汽车在高精地图上的全球位置和行驶方向
  • 迭代最近点（ICP）、直方图滤波（Histogram Filter）

感知 Perception

• 四大基础任务：
  • 找出物体在环境中的位置
  • 明确对象是什么，比如人、红绿灯等
  • 随时间的持续观察移动物体并保持一致
  • 图像中的每个像素与语义类别进行匹配，如道路、汽车、天空，边界清晰
• 方式方法
  • 图像、点云、雷达反射值数据：
  • 监督学习、半监督学习、强化学习
  • R-CNN、YOLO、SSD
  • 计算融合问题：
    • 前融合、后融合

预测 Prediction

• 实时性和准确性
• 基于状态进行预测
  • 卡尔曼滤波
  • Particle滤波
• 基于车道序列进行预测
  • 通过机器学习模型化简为分类问题
• 行人预测：无人车需要非常重视安全问题，其中人的安全最为重要，而行人的意图变化却是最难预测的也是约束最少的，另外对于不同的障碍物也要有不同的理解，比如人和狗

决策 Planning

• 导航线路规划和精细轨迹表述
• 数学问题转换：将物理世界的地图转换为数学上的图表达
• 最优路径搜索：由于其他软件模块已经将不确定性进行了最大程度的消除，而最终决策规划模块又是对稳定性要求极高的模块，因此可以通过数学上的最优路径求解出确定解，遍历最优解是非常耗时的。
• 需要考虑车辆的体感和安全性
  

控制 Control

• 输入信息：目标轨迹、车辆状态；输出：方向盘、油门
  • 实现对无人车的控制，我们需要知道踩刹车和减速的关系、踩油门和加速的关系等，当无人车拿到一些控制学参数后，通过电脑对无人车进行控制
  • 控制是对整个驾驶最后的保障，因此需要在任何情况下对准确性、稳定性和时效性要求都非常高，需要通过对车辆模型精细化描述进行严格的数学表达
  • 传统的控制算法PID可以满足车辆控制要求，但是考虑到体感和一些极限情况，控制算法优化也是目前无人车的一个持续探讨的问题，如LQR、MPC等

总结

我在哪

我周围有什么

他们到哪儿去

我该怎么走