无人驾驶概述
无人驾驶能够解决的问题
车辆利用率
- 点对点交通
- 共享交通
驾驶安全
- 减少车祸
提高交通效率
减少堵塞
提高路口通行效率
无人驾驶分级
L1：定速巡航（ACC）可以纵向控制
L2：车道保持辅助（Lane Keeping）可以横向和纵向控制。人负全责
L3：可以提供简单路况下的变道，但是条件限制。自动驾驶时车负责
L4：大部分时间按由车主导，接管工具减少
L5：全区域无人驾驶
实现思路
V2X（车路协同）
V2V（车）
V2I（公共设施）
V2P（行人）
可以降低单车成本，提供超视距感知，车辆意图协商，车辆协同控制
边缘计算
RSU：路侧单元
OBU：车载单元
5G通信能力
- LTE-V协议
主车智能
感知能力
决策能力
高精地图（HD map）
定位
权责问题
- RSS模型（责任敏感安全模型）
自动驾驶硬件概述
感知传感器
摄像头（用于车道线检测，交通信号灯识别）
激光雷达（准确率高）
毫米波雷法（观测距离远）
超声波（近处高敏感传感器）
定位系统传感器
IMU：实时测量自身位姿
GNSS：GPS
车载计算单元-IPC
高效连接计算单元内部的各个计算设备，连接外部传感器的信息输入和存储
冗余设计，防止单点故障
符合车规，抗电磁干扰能力
车辆线控系统
由液压系统和真空助力泵变为电子液压系统
自动驾驶软件概述
感知系统（位姿，目标对象，场景语义分割）
定位系统（检测，分类，跟踪，分割）
硬件
HD map：高精地图，提供精确的三维表征，地图语义信息
INS：惯性导航
IMU：通过当前自身状态推算下一时刻位置
RTK：载波相位差分系统
激光雷达，摄像头：获取信息，和高精地图进行物体匹配，获取定位
软件
监督学习，半监督学习，强化学习
RCNN，YOLO，SSD
前融合，后融合
决策规划（实时，准确）
预测
基于状态预测
Kalman Filter
Particle Filter
基于车道序列预测
- 机器学习，深度学习
行人预测
- 人的突发位姿变化
规划
导肮线路规划
精细轨迹表述
实时控制（准确性，时效性，精确性）
通过轨迹和车辆状态，来控制方向盘和油门
OS
RTOS
QNX：类Unix系统
RT Linux：加了Linux补丁，通过软实时进行监控
Framework
ROS
YARP,MOOS,Cybertron
阅读材料
- 综述文章
• 基于深度学习的自动驾驶技术综述
• Self-Driving Cars:A Survey
• Computer Vision for Autonomous Vehicles: Problems, Datasets and State-of-the-Art
- 无人驾驶实现结构概览
- 实践
Comments