無人駕駛系統真的很難懂？一篇文章告訴你答案

作者：

時間：1900/1/1 0:00:00

如今，無人駕駛技術通常分為三部分：環境感知和定位、決策規劃和運動控制。

環境感知和定位負責確定汽車周圍有汽車或行人的位置，以及前方是紅色還是綠色，即確定環境和汽車的狀態。

決策規劃負責汽車應該做什么，是跟隨還是繞過，加速還是減速，以及什么樣的路線是安全、高效和相對舒適的。

運動控制必須以電子方式改變傳統汽車的執行機構。在將決策指令和軌跡交給控制器后，電機、轉向、制動等執行器應以較小的偏差盡快跟上計劃的軌跡，就像強壯的身體可以完成大腦的指令一樣。

環境感知是無人駕駛的“眼睛”。

在無人駕駛汽車中，傳感器組成傳感模塊，取代駕駛員的感官，快速準確地獲取環境狀態信息，包括障礙物的距離、前方紅綠燈的指示、限速標志上的數字以及車輛位置和速度等車輛狀態，這是車輛安全駕駛的保證。常用的檢測環境條件的傳感器包括攝像頭、激光雷達、毫米波雷達、超聲波傳感器等。用于確定車輛狀態的傳感器包括GPS/INS、輪速傳感器等。

無人駕駛汽車需要多個傳感器協同工作。

相機可以根據物體的特征對障礙物進行分類。如果你需要獲得障礙物的深度信息，你需要兩個攝像頭，這通常被稱為雙目立體視覺。兩只眼睛里的兩個攝像頭保持一定的距離，就像人眼的視差一樣。通過三角測量原理計算像素之間的偏移量，得到物體的三維信息。除了幫助汽車確定自己的位置和速度外，雙目攝像頭的主要功能是識別道路上的紅綠燈和信號標志，確保自動駕駛遵守道路交通規則。然而，雙目相機受天氣條件和照明條件變化的影響很大，計算量也相當大，這對計算單元的性能要求非常高。

無人車中常用的雷達包括激光雷達和毫米波雷達。激光雷達主要通過發射激光束來探測目標的位置和速度。激光雷達具有更寬的探測范圍和更高的距離和位置探測精度，因此被廣泛應用于障礙物探測、三維環境信息采集、車輛距離維護和車輛避障等領域。然而，激光雷達很容易受到天氣的影響，在雨雪霧天氣下性能較差。此外，激光發射器的光束越多，每秒收集的點云就越多，檢測性能就越好。然而，線束越多，激光雷達就越貴。64根線束的激光雷達比16根線束的貴10倍。目前，百度和谷歌無人駕駛汽車都搭載了64線激光雷達。

激光雷達點云示意圖

毫米波雷達與激光雷達相比，具有波束窄、分辨率高、抗干擾能力強、導引頭穿透霧、煙塵能力強、環境適應性好等優點。雨、霧或夜間等天氣條件對毫米波傳輸幾乎沒有影響。此外，它的導引頭具有體積小、重量輕、空間分辨率高的特點。隨著單片微波集成電路技術的發展，毫米波雷達的價格和外形尺寸都大大降低。然而，檢測距離直接受到頻帶損耗的限制，不可能感知行人并對周圍的所有障礙物進行精確建模。

超聲波傳感器的數據處理簡單快速，主要用于近距離檢測障礙物。通常，它可以檢測大約1到5米的距離，但無法檢測詳細的位置信息。此外，當汽車高速行駛時，使用超聲波測距無法跟上汽車距離的實時變化，誤差較大。另一方面，超聲波散射角大，指向性差，在測量遠距離目標時，其回波信號較弱，而……

將影響測量精度。然而，在低速和短距離測量中，超聲波測距傳感器具有很大的優勢。

超聲波傳感器

GPS/INS和輪速傳感器主要用于確定蒸汽本身的位置，通常將其數據進行融合以提高定位精度。

多傳感器融合是環境感知模塊中一種非常常見的算法。它可以減少誤差。例如，圖像的邊緣經常出現在深度不連續的地方。通過提取二維圖像（由相機獲得）的邊緣，并對激光雷達給出的深度信息進行共點映射，可以將二維透視圖像中道路的消失點與三維雷達信息相匹配，從而可以更準確地劃分路面和周圍的建筑物。

此外，高精度地圖也是自動駕駛的有力支撐。如果有非常準確的地圖信息，可以一次直接用地圖規劃車道線，這樣可以減少視覺識別車道線的任務。

決策和規劃是無人駕駛的“大腦”。

了解圖形卡制造商NVIDA如何對無人駕駛行為做出決策。

目前，主流決策框架分為兩種算法：基于專家算法的決策和基于機器學習的決策，后者越來越受到關注和研究。例如，NVIDIA使用卷積神經網絡（CNN），通過經過訓練的卷積神經網絡，從車前攝像頭拍攝的原始像素圖像中輸出汽車的方向控制命令。它的無人駕駛汽車可以在山路和建筑工地等非結構化道路上行駛，而這些路況很難排氣，因此用傳統的專家算法通過條件判斷來劃分多變的情況是不現實的。

NVIDIA的學習框架如下：

訓練數據包括從視頻中采樣的單幀視頻和相應的方向控制命令。將預測的方向控制命令與理想控制命令進行比較，然后通過反向傳播算法調整CNN模型的權重，使預測值盡可能接近理想值。經過訓練的模型可以使用前方攝像機的數據來生成方向控制命令。

最關鍵的卷積神經網絡（CNN）結構如下：

輸出是轉彎半徑的倒數，輸入是圖像。

在五層卷積之后，連接三個完全連接的層，以模擬大腦神經的決策。

卷積特征圖用于提取特征，并模擬視覺神經來區分不同的對象。

網絡的第一層對輸入圖像進行歸一化。網絡模型中的歸一化可以使歸一化過程根據網絡結構進行調整，并可以加速GPU的處理過程。

NVIDIA的技術方案，從圖像輸入到控制（方向盤角度）輸出的端到端決策方法是一個黑匣子系統。如果出現問題，我們無法像專家算法一樣找出這個錯誤決策的原因。

因此，一種更可行的方案是利用神經網絡進行環境感知和認知，例如識別紅綠燈、人和車的姿勢、山路的可行駛區域等，然后將這些處理后的環境信息發送給決策部門進行判斷。環境信息的類型可以是包含各種障礙物信息的地圖，也可以是駕駛情況地圖（即，只提供哪個區域相對安全或危險，而不提供所有障礙物信息），并且有許多方案可供嘗試。

走哪條路？路徑規劃非常重要！

路徑規劃是智能車輛導航和控制的基礎，從軌跡決策的角度考慮，可分為局部路徑規劃和全局路徑規劃。

全局路徑規劃的任務是根據全局地圖數據庫信息，規劃一條從起點到目標點的無碰撞且可通行的路徑，但這只是從起點到目的點的粗略路徑。在無人車的實際駕駛過程中，它會受到方向、寬度、曲率、道路交叉口和路障的影響，以及當地環境和車輛狀態的不確定性，因此會遇到各種不可預測的情況。有必要基于局部環境信息和車輛狀態信息來規劃理想的無碰撞局部路徑，這就是局部路徑規劃。

局部路徑規劃相當于無人駕駛汽車的“大腦”。它從感知系統中獲取道路和障礙物等環境信息，并獲得上級決策給出的起點和目標點的位置信息。經過處理后，它可以實時生成安全平穩的駕駛軌跡。由于車輛的路徑是具有時間屬性的軌跡，因此軌跡規劃通常分為路徑規劃和速度規劃。路徑規劃通常使用樣條曲線來擬合滿足避障、最大曲率和曲率連續性約束的路徑，而速度規劃則沿著擬合的路徑生成滿足最大速度和最大加速度約束的速度分布。最終方案以轉向角和速度數據的形式傳輸到底盤控制系統，使車輛實現車道跟隨和避障功能。

一切決定之后，剩下的就是車輛的運動了！

與傳統的控制器和執行器相比，無人車更喜歡使用線控執行器，如線控轉向、線控制動和線控驅動，以實現精確控制。

在局部路徑規劃中，自動駕駛汽車綜合考慮周圍環境、自身車輛狀態等約束條件，規劃理想的變道路徑，并將指令傳達給相關執行機構。如果執行器不能滿足路徑對車輛轉彎角度的要求，則會偏離計劃路徑。所以運動控制的算法也是非常重要的。

無人駕駛的未來發展趨勢是什么？

目前，無人車的技術路線主要分為兩類。一種是基于本文介紹的車載傳感器獲取各種信息，另一種是通過車間通信以及基于5G通信技術的車輛與基礎設施之間的通信來獲取環境信息。相比較而言，前者不取決于基礎設施的改造，也不取決于市場上其他汽車是否智能化的前提，因此更容易實現。盡管無人駕駛已經能夠相對安全地控制99%的路況，但剩下的1%需要99%的工程師精力來解決。就在2020年之前，智能汽車仍應以ADAS的形式呈現給消費者。如今，無人駕駛技術通常分為三部分：環境感知和定位、決策規劃和運動控制。