現(xiàn)如今，無(wú)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(yùn)動(dòng)控制3個(gè)部分。

環(huán)境感知與定位負(fù)責(zé)確定汽車(chē)周?chē)睦镉衅?chē)或者行人，前面是紅燈還是綠燈，即確定環(huán)境和汽車(chē)的狀態(tài)。

決策規(guī)劃負(fù)責(zé)該汽車(chē)該怎么辦，是跟著走還是繞過(guò)去，加速還是減速，走一條什么樣的線(xiàn)路既安全又有效率并且還相對(duì)舒適等。

運(yùn)動(dòng)控制須對(duì)傳統(tǒng)汽車(chē)的執(zhí)行機(jī)構(gòu)進(jìn)行電子化改造。決策指令和軌跡下達(dá)給控制器之后，執(zhí)行器比如電機(jī)、轉(zhuǎn)向、制動(dòng)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(wú)人駕駛的“眼睛”

在無(wú)人駕駛汽車(chē)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(zhǔn)地獲取包括，障礙物的距離，前方紅綠燈的指示，限速標(biāo)志上的數(shù)字等的環(huán)境狀態(tài)信息，以及車(chē)輛位置、車(chē)速等自車(chē)狀態(tài)，是實(shí)現(xiàn)車(chē)輛安全行駛的保證。常用的探測(cè)環(huán)境狀態(tài)的傳感器有攝像頭、激光雷達(dá)，毫米波雷達(dá)、超聲波傳感器等，確定自車(chē)狀態(tài)的傳感器有GPS/慣導(dǎo)、輪速傳感器等。

無(wú)人駕駛汽車(chē)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(duì)障礙物進(jìn)行分類(lèi)，如果需要得出障礙物的深度信息，則需要兩個(gè)攝像頭，一般稱(chēng)為雙目立體視覺(jué)。雙目的兩個(gè)攝像頭保持著一定的距離，如同人類(lèi)的雙眼視差，通過(guò)三角測(cè)量原理計(jì)算出像素之間的偏移來(lái)獲取物體的三維信息。除了可以幫助汽車(chē)確定自己的位置以及行進(jìn)速度之外，雙目攝像頭更主要的功能是識(shí)別道路上的信號(hào)燈和信號(hào)標(biāo)志，保證自主行車(chē)遵循道路交通規(guī)則。但雙目相機(jī)受天氣狀況和光照條件變化的影響很大，并且計(jì)算量也相當(dāng)大，對(duì)計(jì)算單元的性能要求非常高。

無(wú)人車(chē)上常用的雷達(dá)有激光雷達(dá)，毫米波雷達(dá)，激光雷達(dá)主要是通過(guò)發(fā)射激光束，來(lái)探測(cè)目標(biāo)的位置、速度等特征量。激光雷達(dá)探測(cè)范圍更廣，獲得距離和位置的探測(cè)精度更高，因此它廣泛應(yīng)用于障礙物檢測(cè)、環(huán)境三維信息的獲取、車(chē)距保持、車(chē)輛避障中。但是激光雷達(dá)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(xiàn)束越多，每秒采集的點(diǎn)云就越多，探測(cè)性能也就更強(qiáng)。然而線(xiàn)束越多也代表著激光雷達(dá)的造價(jià)更昂貴，64線(xiàn)束的激光雷達(dá)價(jià)格是16線(xiàn)束的10倍。目前百度和谷歌無(wú)人駕駛汽車(chē)車(chē)身上裝載的是64線(xiàn)激光雷達(dá)。

激光雷達(dá)點(diǎn)云示意圖

毫米波雷達(dá)波束窄，分辨率高，抗干擾能力強(qiáng)，導(dǎo)引頭穿透霧、煙、灰塵的能力強(qiáng)，相對(duì)激光雷達(dá)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(duì)毫米波的傳輸幾乎沒(méi)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(diǎn)。隨著單片微波集成電路技術(shù)的發(fā)展，毫米波雷達(dá)的價(jià)格和外型尺寸都有很大的下降。然而，探測(cè)距離受到頻段損耗的直接制約，也無(wú)法感知行人，無(wú)法對(duì)周邊所有障礙物進(jìn)行精準(zhǔn)的建模。

超聲波傳感器的數(shù)據(jù)處理簡(jiǎn)單、快速，主要用于近距離障礙物檢測(cè)，一般能檢測(cè)到的距離大約為1到5米，但檢測(cè)不出來(lái)詳細(xì)的位置信息。此外，當(dāng)汽車(chē)高速行駛時(shí)，使用超聲波測(cè)距無(wú)法跟上汽車(chē)車(chē)距的實(shí)時(shí)變化，誤差較大。另一方面，超聲波散射角大，方向性較差，在測(cè)量較遠(yuǎn)距離的目標(biāo)時(shí)，其回波信號(hào)會(huì)比較的弱，影響測(cè)量精度。但是，在低速短距離測(cè)量中，超聲波測(cè)距傳感器具有非常大的優(yōu)勢(shì)。

超聲波傳感器

GPS/慣導(dǎo)和輪速傳感器主要是用來(lái)確定汽自身的位置，通常會(huì)對(duì)他們的數(shù)據(jù)進(jìn)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(jiàn)的算法。它可以減小誤差，舉個(gè)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(guò)相機(jī)獲得)邊緣提取出來(lái)和激光雷達(dá)給出的深度信息做共點(diǎn)影射(co-point mapping)匹配，可以把兩維透視圖像中道路的消失點(diǎn)和三維雷達(dá)信息匹配，這樣就可以更準(zhǔn)確地劃分出路面在哪里，周?chē)慕ㄖ谀睦铩?

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

決策與規(guī)劃是無(wú)人駕駛的“大腦”

看看顯卡大廠(chǎng)NVIDA是如何做無(wú)人駕駛的行為決策？

目前主流的決策框架分為基于專(zhuān)家算法的決策和基于機(jī)器學(xué)習(xí)的決策兩種算法，而后者越來(lái)越被重視和研究。例如NVIDIA用卷積神經(jīng)網(wǎng)絡(luò)(CNN)將車(chē)前部攝像頭捕捉到的原始像素圖通過(guò)訓(xùn)練過(guò)的卷積神經(jīng)網(wǎng)絡(luò)輸出汽車(chē)的方向操控命令，其無(wú)人駕駛汽車(chē)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(zhuān)家算法用條件判斷去劃分多變的情境是不現(xiàn)實(shí)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(duì)應(yīng)的方向控制命令。把預(yù)測(cè)的方向控制命令與理想的控制命令相比較，然后通過(guò)反向傳播算法調(diào)整CNN模型的權(quán)值使得預(yù)測(cè)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(jī)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(gè)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(lái)提取特征的，模擬視覺(jué)神經(jīng)分辨不同物體。

網(wǎng)絡(luò)的第一層(Mormalized input planes)對(duì)輸入圖像做歸一化。在網(wǎng)絡(luò)模型中進(jìn)行歸一化可以使得歸一化過(guò)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(guò)程。

NVIDIA的技術(shù)方案，從圖像輸入到控制(方向盤(pán)轉(zhuǎn)角)輸出的端到端的決策方法是一個(gè)黑箱系統(tǒng)，如果出現(xiàn)問(wèn)題，不能像專(zhuān)家算法那樣找出導(dǎo)致這個(gè)錯(cuò)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(lái)做環(huán)境感知和認(rèn)知，比如識(shí)別紅綠燈，人和汽車(chē)的姿態(tài)、山間小路的可行駛區(qū)域等等，再將這些處理過(guò)的環(huán)境信息發(fā)給決策做判斷。環(huán)境信息的類(lèi)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(shì)圖(即只給出哪個(gè)區(qū)域相對(duì)安全或者危險(xiǎn)，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(chē)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(kù)信息規(guī)劃出自起始點(diǎn)至目標(biāo)點(diǎn)的一條無(wú)碰撞、可通過(guò)的路徑，但只是從起始點(diǎn)到目標(biāo)點(diǎn)的粗略路徑。在無(wú)人車(chē)實(shí)際行駛過(guò)程中，會(huì)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(chē)狀態(tài)的不確定性，因此會(huì)遇到各種不可測(cè)的情況。必須以局部環(huán)境信息和自車(chē)狀態(tài)信息為基礎(chǔ)，規(guī)劃出一段無(wú)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(dāng)于無(wú)人駕駛汽車(chē)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(diǎn)與目標(biāo)點(diǎn)的位姿信息，經(jīng)過(guò)處理后實(shí)時(shí)生成安全平緩的行車(chē)軌跡。由于車(chē)輛的路徑是帶有時(shí)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(xiàn)擬合滿(mǎn)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(mǎn)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(chē)速的數(shù)據(jù)形式傳輸給底盤(pán)控制系統(tǒng)，從而使車(chē)輛實(shí)現(xiàn)車(chē)道跟隨和避障的功能。

所有都決定好后，就剩下車(chē)輛的動(dòng)作！

相對(duì)傳統(tǒng)的控制器和執(zhí)行器，無(wú)人駕駛車(chē)輛更希望使用線(xiàn)控執(zhí)行器，例如線(xiàn)控轉(zhuǎn)向、線(xiàn)控制動(dòng)、線(xiàn)控驅(qū)動(dòng)，這樣能夠?qū)崿F(xiàn)精準(zhǔn)地控制。

在局部路徑規(guī)劃中，自動(dòng)駕駛汽車(chē)綜合考慮周邊環(huán)境、自車(chē)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(dá)給相關(guān)執(zhí)行機(jī)構(gòu)。如果執(zhí)行器無(wú)法跟上路徑對(duì)車(chē)輛轉(zhuǎn)角的要求，就會(huì)偏離規(guī)劃路徑。所以運(yùn)動(dòng)控制的算法也至關(guān)重要。

無(wú)人駕駛未來(lái)發(fā)展趨勢(shì)如何？

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

返回第一電動(dòng)網(wǎng)首頁(yè) >