現(xiàn)如今，無人駕駛技術(shù)通常被分為環(huán)境感知與定位、決策規(guī)劃和運動控制3個部分。

環(huán)境感知與定位負責(zé)確定汽車周圍哪里有汽車或者行人，前面是紅燈還是綠燈，即確定環(huán)境和汽車的狀態(tài)。

決策規(guī)劃負責(zé)該汽車該怎么辦，是跟著走還是繞過去，加速還是減速，走一條什么樣的線路既安全又有效率并且還相對舒適等。

運動控制須對傳統(tǒng)汽車的執(zhí)行機構(gòu)進行電子化改造。決策指令和軌跡下達給控制器之后，執(zhí)行器比如電機、轉(zhuǎn)向、制動等要盡量快速并且小偏差地跟上規(guī)劃的軌跡，就好比健壯的身體才能完成頭腦的指令。

環(huán)境感知是無人駕駛的“眼睛”

在無人駕駛汽車上，傳感器組成了感知模塊替代了駕駛員的感受器官，快速、精準地獲取包括，障礙物的距離，前方紅綠燈的指示，限速標志上的數(shù)字等的環(huán)境狀態(tài)信息，以及車輛位置、車速等自車狀態(tài)，是實現(xiàn)車輛安全行駛的保證。常用的探測環(huán)境狀態(tài)的傳感器有攝像頭、激光雷達，毫米波雷達、超聲波傳感器等，確定自車狀態(tài)的傳感器有GPS/慣導(dǎo)、輪速傳感器等。

無人駕駛汽車需要多傳感器分工協(xié)同工作

攝像頭可以根據(jù)物體的特征對障礙物進行分類，如果需要得出障礙物的深度信息，則需要兩個攝像頭，一般稱為雙目立體視覺。雙目的兩個攝像頭保持著一定的距離，如同人類的雙眼視差，通過三角測量原理計算出像素之間的偏移來獲取物體的三維信息。除了可以幫助汽車確定自己的位置以及行進速度之外，雙目攝像頭更主要的功能是識別道路上的信號燈和信號標志，保證自主行車遵循道路交通規(guī)則。但雙目相機受天氣狀況和光照條件變化的影響很大，并且計算量也相當大，對計算單元的性能要求非常高。

無人車上常用的雷達有激光雷達，毫米波雷達，激光雷達主要是通過發(fā)射激光束，來探測目標的位置、速度等特征量。激光雷達探測范圍更廣，獲得距離和位置的探測精度更高，因此它廣泛應(yīng)用于障礙物檢測、環(huán)境三維信息的獲取、車距保持、車輛避障中。但是激光雷達容易受天氣影響，雨雪霧天氣下性能較差。另外，激光發(fā)射器的線束越多，每秒采集的點云就越多，探測性能也就更強。然而線束越多也代表著激光雷達的造價更昂貴，64線束的激光雷達價格是16線束的10倍。目前百度和谷歌無人駕駛汽車車身上裝載的是64線激光雷達。

激光雷達點云示意圖

毫米波雷達波束窄，分辨率高，抗干擾能力強，導(dǎo)引頭穿透霧、煙、灰塵的能力強，相對激光雷達具有較好的環(huán)境適應(yīng)性，下雨、大霧或黑夜等天氣狀況對毫米波的傳輸幾乎沒有影響。另外，其引導(dǎo)頭具有體積小、質(zhì)量輕和空間分辨率高的特點。隨著單片微波集成電路技術(shù)的發(fā)展，毫米波雷達的價格和外型尺寸都有很大的下降。然而，探測距離受到頻段損耗的直接制約，也無法感知行人，無法對周邊所有障礙物進行精準的建模。

超聲波傳感器的數(shù)據(jù)處理簡單、快速，主要用于近距離障礙物檢測，一般能檢測到的距離大約為1到5米，但檢測不出來詳細的位置信息。此外，當汽車高速行駛時，使用超聲波測距無法跟上汽車車距的實時變化，誤差較大。另一方面，超聲波散射角大，方向性較差，在測量較遠距離的目標時，其回波信號會比較的弱，影響測量精度。但是，在低速短距離測量中，超聲波測距傳感器具有非常大的優(yōu)勢。

超聲波傳感器

GPS/慣導(dǎo)和輪速傳感器主要是用來確定汽自身的位置，通常會對他們的數(shù)據(jù)進行融合提高定位精度。

多傳感器融合是環(huán)境感知模塊非常常見的算法。它可以減小誤差，舉個例子，圖像的邊緣往往發(fā)生在深度不連續(xù)的地方，把兩維圖像(通過相機獲得)邊緣提取出來和激光雷達給出的深度信息做共點影射(co-point mapping)匹配，可以把兩維透視圖像中道路的消失點和三維雷達信息匹配，這樣就可以更準確地劃分出路面在哪里，周圍的建筑在哪里。

此外，高精度地圖也是自動駕駛有力的支撐，如果有非常精準的地圖信息，就可以直接用地圖一次規(guī)劃到車道線，這樣可以減少視覺識別車道線的任務(wù)量。

決策與規(guī)劃是無人駕駛的“大腦”

看看顯卡大廠NVIDA是如何做無人駕駛的行為決策？

目前主流的決策框架分為基于專家算法的決策和基于機器學(xué)習(xí)的決策兩種算法，而后者越來越被重視和研究。例如NVIDIA用卷積神經(jīng)網(wǎng)絡(luò)(CNN)將車前部攝像頭捕捉到的原始像素圖通過訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)輸出汽車的方向操控命令，其無人駕駛汽車可以在非結(jié)構(gòu)化道路例如山路、工地等道路上行駛，而這些路況是很難窮舉的，因此靠傳統(tǒng)的專家算法用條件判斷去劃分多變的情境是不現(xiàn)實的。

NVIDIA的學(xué)習(xí)框架如下：

訓(xùn)練數(shù)據(jù)包括從視頻中采樣得到的單幀視頻，以及對應(yīng)的方向控制命令。把預(yù)測的方向控制命令與理想的控制命令相比較，然后通過反向傳播算法調(diào)整CNN模型的權(quán)值使得預(yù)測值盡可能接近理想值。訓(xùn)練得到的模型可以用正前方的攝像機的數(shù)據(jù)生成方向控制命令。

其中最關(guān)鍵的卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)如下：

輸出是轉(zhuǎn)彎半徑的倒數(shù)，輸入是圖像。

在五層卷積之后又接了三個全連接層(Fully-connected layer)，模擬大腦神經(jīng)作出決策。

卷積層(Convolutional feature map)是用來提取特征的，模擬視覺神經(jīng)分辨不同物體。

網(wǎng)絡(luò)的第一層(Mormalized input planes)對輸入圖像做歸一化。在網(wǎng)絡(luò)模型中進行歸一化可以使得歸一化過程根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，而且能用GPU加速處理過程。

NVIDIA的技術(shù)方案，從圖像輸入到控制(方向盤轉(zhuǎn)角)輸出的端到端的決策方法是一個黑箱系統(tǒng)，如果出現(xiàn)問題，不能像專家算法那樣找出導(dǎo)致這個錯誤決策的原因。

所以更為可行的方案就是用神經(jīng)網(wǎng)絡(luò)來做環(huán)境感知和認知，比如識別紅綠燈，人和汽車的姿態(tài)、山間小路的可行駛區(qū)域等等，再將這些處理過的環(huán)境信息發(fā)給決策做判斷。環(huán)境信息的類型可以是一張融合了各種障礙物信息的地圖，也可以是一張駕駛態(tài)勢圖(即只給出哪個區(qū)域相對安全或者危險，而不用具體給出所有障礙我的信息)，這中間可供嘗試的方案有很多。

選擇哪條路去走？路徑規(guī)劃很重要！

路徑規(guī)劃是智能車輛導(dǎo)航和控制的基礎(chǔ)，是從軌跡決策的角度考慮的，可分為局部路徑規(guī)劃和全局路徑規(guī)劃。

全局路徑規(guī)劃的任務(wù)是根據(jù)全局地圖數(shù)據(jù)庫信息規(guī)劃出自起始點至目標點的一條無碰撞、可通過的路徑，但只是從起始點到目標點的粗略路徑。在無人車實際行駛過程中，會受到路徑的方向、寬度、曲率、道路交叉以及路障等因素影響，加上局部環(huán)境和自車狀態(tài)的不確定性，因此會遇到各種不可測的情況。必須以局部環(huán)境信息和自車狀態(tài)信息為基礎(chǔ)，規(guī)劃出一段無碰撞的理想局部路徑，這就是局部路徑規(guī)劃。

局部路徑規(guī)劃相當于無人駕駛汽車的“大腦”，它從感知系統(tǒng)獲取道路、障礙物等環(huán)境信息，并且得到上層決策給出的起始點與目標點的位姿信息，經(jīng)過處理后實時生成安全平緩的行車軌跡。由于車輛的路徑是帶有時間屬性的一條軌跡，因此軌跡規(guī)劃通常分為路徑規(guī)劃和速度規(guī)劃，路徑規(guī)劃常用樣條曲線擬合滿足避障、最大曲率以及曲率連續(xù)約束的路徑，而速度規(guī)劃則是沿著擬合的路徑生成滿足最大速度、最大加速度等約束的速度分布。最終規(guī)劃以轉(zhuǎn)向角和車速的數(shù)據(jù)形式傳輸給底盤控制系統(tǒng)，從而使車輛實現(xiàn)車道跟隨和避障的功能。

所有都決定好后，就剩下車輛的動作！

相對傳統(tǒng)的控制器和執(zhí)行器，無人駕駛車輛更希望使用線控執(zhí)行器，例如線控轉(zhuǎn)向、線控制動、線控驅(qū)動，這樣能夠?qū)崿F(xiàn)精準地控制。

在局部路徑規(guī)劃中，自動駕駛汽車綜合考慮周邊環(huán)境、自車狀態(tài)等約束條件后，規(guī)劃出一條理想的換道路徑，并且將指令傳達給相關(guān)執(zhí)行機構(gòu)。如果執(zhí)行器無法跟上路徑對車輛轉(zhuǎn)角的要求，就會偏離規(guī)劃路徑。所以運動控制的算法也至關(guān)重要。

無人駕駛未來發(fā)展趨勢如何？

現(xiàn)在無人車的技術(shù)路線主要分為兩種，一是本文所介紹的基于自車傳感器來獲取各種信息，另外一種是基于5G通訊技術(shù)，通過車間通訊、車與基礎(chǔ)設(shè)施通訊來獲取環(huán)境信息的方案。比較而言，前者不依賴基礎(chǔ)設(shè)施的改造和市面上其他汽車是否智能化的前提，因此更易于實現(xiàn)。雖然無人駕駛已經(jīng)能夠相對安全地駕馭99%的路況，但剩下的1% 卻需要花費工程師99%的精力去解決。就2020年之前，智能汽車應(yīng)該還是以ADAS的形式展現(xiàn)給消費者。

返回第一電動網(wǎng)首頁 >