概述

“A self-driving car, also known as a robot car, autonomous car, or driverless car, is a vehicle that is capable of sensing its environment and moving with little or no human input.” – wikipedia

无人驾驶技术路径

  • 无人驾驶分级
  • L2/L3自动驾驶
  • L4自动驾驶

无人驾驶分级

美国汽车工程师协会SAE，将自动驾驶分为6个级别L0~L5。

责任主体在于驾驶员：

L0：纯人工

L1：巡航定速（Adaptive Cruise Control, ACC），巡航装置可以纵向控制车辆，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，但是人仍为主导。（特斯拉）

L2.5：在简单路况下的变道能力。

责任主体在于汽车：

L3：在L2基础上提供变道能力。

L4：相当于全无人驾驶，大部分时间由车主导。

L5：驾驶能力几乎与人类没有关系，没有方向盘、脚踏板以及其他接管设备。

L2级别无人驾驶

代表：Tesla Model X

  • L2高级辅助驾驶
  • 驾驶员需要对安全负责
  • 启动条件要求不高（速度和车道线）
  • 早期采用Mobileye提供感知技术
  • 无法解决复杂路口问题
  • 主动变道需要人提供变道指示

L3级别无人驾驶

代表：Audi A8

  • L3自动驾驶
  • 自动驾驶期间，车辆负全责
  • 进入自动驾驶的条件苛刻（多车道路，60km/h以下速度，天气良好）
  • 量产车里智能性最好的
  • 暂时没有主动变道能力
  • 遇到紧急情况或者不符合条件的情况需要通知驾驶员接管，10s时间。

L4级别无人驾驶

代表：Waymo

  • L4全自动驾驶
  • 曾有一段时间取消了安全员
  • 商业运营阶段
  • 世界最领先的自动驾驶能力
  • 成本昂贵

代表：Nuro

  • 特殊场景下的Level 4能力
  • 物流配送车
  • 成本要求不能太高
  • 可以不用考虑乘坐体感
  • 相关物流公司都有布局，比如：京东、美团、菜鸟等等

实现思路：

  • V2X：Vehicle to Everything（车路协同）
    • V2V：Vehicle to Vehicle
    • V2I：Vehicle to Installtion
    • V2P：Vehicle to people
  • 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和5G
  • 主车智能：深度学习
  • 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：精确的位置获取能力
  • 权责问题处理：RSS模型（Responsibility-Sensitive Safely）责任敏感安全模型：利用可衡量的具体数据来区分事故的责任

无人驾驶技术概述

  • L4自动驾驶系统架构
  • 自动驾驶硬件
  • 自动驾驶软件

L4自动驾驶系统架构

自动驾驶硬件

  • 128L LiDAR + 若干 16L LiDAR 辅助盲区，激光雷达平行偏下的感知范围
  • Front Cameras + Side Cameras
  • Radar 毫米波雷达，弥补光线不足时的感知能力
  • Industrial PC 工控机
  • IMU + GPS Antenna + GPS Receiver 定位

感知传感器

  • 摄像头：物体识别、追踪
  • 激光雷达：障碍物位置识别、绘制地图、辅助定位。精准度很高，作为主传感器
  • 毫米波雷达：坏天气下辅助感知物体的位置和速度，观测距离远，但容易误检
  • 超声波：近距离高敏，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：实时监测自身的姿态，200Hz或更高。包括了三个单轴的加速度计和三个单轴的陀螺仪。
  • GNSS：GPS，无人车一般使用RTK（载波相位差分）来实现定位，10Hz

计算单元

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，防止单点故障
  • 考虑车规、电磁干扰和震动方面的设计以及ISO-26262标准的要求（ASIL D级别，故障率是10FIT，10亿各小时里面出一次故障）

车辆线控系统

  • 线控系统：控制是由简单命令完成的，不是由物理操作。
  • 将传统车辆的液压系统和真空助力泵 设计为 电控化的零部件。

自动驾驶软件

  • RTOS 实时操作系统
  • Framework 框架
  • 各类模块
  • HMI 可视化
  • Cloud Platform 云平台

感知系统（Computer Vision + Sensor Fusion）处理后，传递信息给定位系统（Localization），按照信息进行路径规划，最后控制系统执行行驶指令。

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：B->M
    • YARP、Microsoft Robotics、MOOS、Cybertron

HD Map

High Dimensional Map 作为其他模块的支撑

  • 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，例如交叉路口布局和路标位置
  • 地图语义信息，例如道路速度限制，左转车道开始的位置
  • 导航地图只能达到米级精度，高精地图能达到厘米级
  • 高精地图坐标系：WGS84、墨卡托坐标系
  • 提供许多准确的静态物体信息
  • 定位可以用于计算相对位置
  • 帮助传感器缩小检测范围，缩小感兴趣区域ROI
  • 计算道路导航信息
  • 帮助车辆识别车道的确切中心线

Localization

  • 无人车最重要的基础就是位置

    • INS：Inertial Navigation System 惯性导航系统，较高更新频率

      • IMU获取自身状态后通过状态矩阵递推下一时刻的位置
      • 如果没有矫正的话，状态递推会随着时间不断产生误差，导致最终位置发散

    • RTK，载波相位差分系统，较低更新频率

      • 多加了一个静止基站，基站位置不变，有固定坐标 $(X_{基站固定},Y_{基站固定})$ ，而基站从卫星获取到自身位置坐标为 $(X_{基站卫星},Y_{基站卫星})$ ，这二者的误差为 $Error=(X_{基站固定}-X_{基站卫星},Y_{基站固定}-Y_{基站卫星})$ ，该误差可以衡量车辆是否偏航，即汽车坐标应当在 $(X_{汽车卫星},Y_{汽车卫星}) \space ± \space Error $ 之间。

    • 通过 Kalman Filter 卡尔曼滤波整合两类数据各取优势，得出高准确性的实时信息。

  • 几何定位：

    • 激光雷达：点云
    • 摄像头：图像
    • 高精地图

    迭代最近点 ICP：每个时刻进行多次点云与高精地图位置的比对，选择最近点作为位置校正。

    直方图滤波 Histogram Filter

Preception

  • 任务：

    • 检测：得到物体在环境中的位置

    • 分类：明确物体是什么

    • 跟踪：随时间的持续观察移动物体并保持物体一致性

    • 分割：图像中每个像素与语义类别进行匹配，合理语义分割

  • 方法：

    • 深度学习：监督学习、半监督学习、强化学习
    • R-CNN系列、YOLO、SSD

  • 计算融合：

    • 前融合：将数据基础信息进行融合，得到Raw Data
    • 后融合：将不同传感器分别执行操作后，将数据融合

Prediction

  • 任务

    • 实时性
    • 准确性

  • 方法：

    • 基于状态进行检测

      • Kalman Filter
      • Particle Filter

    • 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：行人预测很难

Planning

  • 任务
    • 导航线路规划
    • 精细轨迹表述
  • 方法
    • 数学问题转换：将物理世界的地图转化为数学上的图表达
    • 最优路径搜索：通过数学上的最优路径求解出确定解
    • 考虑车辆的体感和安全性

Control

  • 任务
    • 输入信息：目标轨迹、车辆状态，输出：方向盘、油门
    • 时效性、准确性、稳定性要求都非常高
  • 方法：
    • 传统控制算法PID可以满足车辆控制要求，控制算法优化上由LQR、MPC

问题总结

  • 我在哪？
  • 我周围有什么？
  • 他们要到哪里去？
  • 我该怎么走？