领略无人驾驶的架构

“别人怎么对你，你就用相同的态度回应！生而为人，谁都是第一次。”

 

生活依然继续~

 

                             

先来看一下想要实现无人驾驶所需的核心模块吧：

感知+融合+决策规划+控制（还有其中不能少的实时定位）

白话解释：想要实现无人操控的驾驶，则需要完成人在开车时所要完成的任务，包括：用人的眼睛和耳朵来感知车辆周围的道路环境信息，用人的大脑来决策是否可以行驶，用人的手、脚来操作方向盘。那么，无人驾驶即需要用一些传感器先来感知车辆周围的环境信息，然后交给工控机（域控制器）来做一些融合处理，在感知信息处理完成并确定「我在哪」之后（即定位的问题），智能车接下来需要做决策规划了，决策是停还是走，如果可以走的话，是怎么走？直行还是绕道行驶？即路径规划（path-planning）的问题，最后在行驶的过程中对车辆进行实时控制，包括加减速、导航等，通过这样不断的重复过程实现车辆的自动驾驶。

 

接下来，分别简单的介绍下这几个模块：

 

█感知

无人驾驶有四个感知世界的核心任务，检测，分类，跟踪，语义分割。

检测是指找出物体在环境中的位置

分类是指明确对象是什么

跟踪是指随时间推移观察移动物体

语义分割意味着将图像中的每个像素与语义类别进行匹配

 

感知则需要的传感器有：单目摄像机、Lidar、Radar

单目摄像机

单目摄像机模组只包含一个摄像机和一个镜头。由于很多图像算法的研究都是基于单目摄像机开发的，因此相对于其他类别的摄像机，单目摄像机的算法成熟度更高。但是单目有着两个先天的缺陷。一是它的视野完全取决于镜头。焦距短的镜头，视野广，但缺失远处的信息。反之亦然。因此单目摄像机一般选用适中焦距的镜头。二是单目测距的精度较低。摄像机的成像图是透视图，即越远的物体成像越小。近处的物体，需要用几百甚至上千个像素点描述；而处于远处的同一物体，可能只需要几个像素点即可描述出来。这种特性会导致，越远的地方，一个像素点代表的距离越大，因此对单目来说物体越远，测距的精度越低。

激光雷达

激光雷达的发射器发射出一束激光，激光光束遇到物体后，经过漫反射，返回至激光接收器，雷达模块根据发送和接收信号的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离。

360°的激光数据可视化后，就是大家经常在各种宣传图上看到的效果，如下图。

图中的每一个圆圈都是一个激光束产生的数据，激光雷达的线束越多，对物体的检测效果越好。比如64线的激光雷达产生的数据，将会更容易检测到路边的马路牙子。

16/32/64线的激光雷达只能提供原始的点云信号，没有对应的SDK直接输出障碍物结果。因此各大自动驾驶公司都在点云数据基础上，自行研究算法完成无人车的感知工作。

激光雷达点云数据的一般处理方式是：数据预处理（坐标转换，去噪声等），聚类（根据点云距离或反射强度），提取聚类后的特征，根据特征进行分类等后处理工作。

那你知道Lidar能干哪些工作吗：

障碍物检测与分割：利用高精度地图限定感兴趣区域（ROI，Region of Interest）后，基于全卷积深度神经网络学习点云特征并预测障碍物的相关属性，得到前景障碍物检测与分割。

可通行空间检测：利用高精度地图限定ROI后，可以对ROI内部（比如可行驶道路和交叉口）的点云的高度及连续性信息进行判断点云处是否可通行。

高精度电子地图制图与定位：利用多线激光雷达的点云信息与地图采集车载组合惯导的信息，进行高精地图制作。自动驾驶汽车利用激光点云信息与高精度地图匹配，以此实现高精度定位。

障碍物轨迹预测：根据激光雷达的感知数据与障碍物所在车道的拓扑关系（道路连接关系）进行障碍物的轨迹预测，以此作为无人车规划（避障、换道、超车等）的判断依据。

毫米波雷达

大陆的ARS 408-21

对于77GHZ与79GHZ的雷达：由光速 = 波长 * 频率，频率更高的毫米波雷达，其波长越短。波长越短，意味着分辨率越高；而分辨率越高，意味着在距离、速度、角度上的测量精度更高。因此79GHz的毫米波雷达必然是未来的发展趋势。毫米波雷达相比于激光有更强的穿透性，能够轻松地穿透保险杠上的塑料，因此常被安装在汽车的保险杠内。这也是为什么很多具备ACC（自适应巡航）的车上明明有毫米波雷达，却很难从外观上发现它们的原因。

毫米波雷达的数据：由于毫米波的测距和测速原理都是基于多普勒效应，因此与激光的笛卡尔（XYZ）坐标系不同，毫米波雷达的原始数据是基于（距离+角度）极坐标系。当然，两种坐标系可以根据三角函数相互转换。

毫米博雷达数据的缺点：数据稳定性差；对金属敏感；高度信息缺失

 

█定位

定位需要的传感器有：高精地图；差分GPS+IMU惯导；

高精度电子地图也称为高分辨率地图（HD Map，High Definition Map），是一种专门为无人驾驶服务的地图。与传统导航地图不同的是，高精度地图除了能提供的道路（Road）级别的导航信息外，还能够提供车道（Lane）级别的导航信息。无论是在信息的丰富度还是信息的精度方面，都是远远高于传统导航地图的。

高精度地图只是一个静态的数据，在实际使用时，不可能一开始就将全国的地图导入到系统中，这样不仅费时，而且会占用系统很多资源。高精度地图的供应商（图商）除了提供高精度地图外，还会提供一个叫做“地图引擎”的软件。由这个软件负责整个高精度地图的资源调度，无人车只需要告诉“地图引擎”现在的大致位置以及想要去的地方，“地图引擎”就会将这个过程中所要用到的高精度地图数据发布出来，供无人车使用。数据流如下图所示。

 

高精度地图的应用需要配合高精度的定位。

GPS是全球定位系统（Global Position System）的简称，常见于汽车、手机中。民用GPS的定位精度在10~20米之间，这是为什么用手机的GPS定位，有时候明明在陆地上，却被认为在河里的原因。GPS定位的原理很简单，叫做三角定位法（Triangulation）。原理如图：

GPS定位精度不太够，因为在空旷且云层稀薄的情况下，无线电信号的传播时间乘以光速确实与实际的距离接近。但无线电信号的传播时间多少会受到传播介质的影响的。诸如云层的稀薄情况、天气好坏等都会影响到传播时间，进而影响到距离的计算。距离不准，得到的定位结果当然也不准了。为了降低天气、云层对定位的影响，引入了差分GPS的技术，即在地面上建基站（Base Station），基站在建立时，可以得到基站的精确位置信息（经纬度）。同时基站具有接收卫星信号的功能。当基站的GPS接收机与车载GPS接收机相距较近时（<30km），可以认为两者的GPS信号通过的是同一片大气区域，即两者的信号误差基本一致。根据基站的精确位置和信号传播的时间，反推此时天气原因导致的信号传播误差，之后利用该误差修正车载的GPS信号，即可降低云层、天气等对信号传输的影响。使用差分GPS技术，可以使无人车的定位精度从10米级别提升至米级。差分GPS可以解决定位的精度问题，但是解决不了遮挡和反射问题。比如：

所以为了能让无人驾驶系统更高频率地获取定位信息，就必须引入频率更高的传感器——IMU（Inertial Measurement Unit）惯性测量单元。

 

到这，关键核心内容已说完了，还有控制和决策规划，其实就很简单了，就是一些算法上的实现。

 

加油~

over

未来再见