Self-Driving Cars: A Survey 自动驾驶综述中文PDF版

全文

欢迎评论点赞

目录

1. 摘要

2. 引言

3. 自动驾驶汽车系统结构概述

4. 感知

5. 决策

6. UFES IARA 汽车架构

7. 在工业中不断发展的自动驾驶汽车

摘要

我们调查了自DARPA挑战后开发的关于自动驾驶汽车的研究，这类汽车配备了可归类为SAE 3级的或更高级别的自动驾驶汽车的自主系统。自动驾驶汽车自主系统的体系结构一般分为感知系统和决策系统。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障碍物检测与跟踪、道路绘制、交通信号检测与识别等任务。决策系统通常被划分为许多负责任务的子系统，如路线规划、路径规划、行为选择、运动规划和控制。在本次调查中，我们介绍了自动驾驶汽车自主系统的典型结构。我们还回顾了有关感知和决策方法的研究。此外，我们还详细描述了UFES汽车的自主系统IARA的体系结构。最后，我们列出了由科技公司开发并在媒体上报道的著名自主研发汽车。关键词:索引术语-自动驾驶汽车、感知、障碍物绘制、道路绘制、定位、移动障碍物检测和跟踪、交通信号检测和识别、决策、路线规划、行为选择、运动规划、控制。

引言

自20世纪80年代中期以来，世界各地的许多大学、研究中心、汽车公司和其他行业的公司都在研究和开发自动驾驶汽车（又称无人驾驶汽车和自动驾驶汽车）。过去的二十年里主要的自动驾驶研究平台有·德国联邦国防大学慕尼黑分校University of the Bundeswehr Munich(UniBw Munich)[DIC87],Navlab的移动平台[THO91],UniBw Munich和 Daimler Benz的汽车”VaMP”和”VITA-2”[GER14],帕维亚大学University of Pavia和帕尔马大学(University of Parma)的汽车”ARGO”[BRO99], UBM的”VaMoRs”和”VaMP”[GRE00]。

为了促进自动驾驶汽车的技术发展，美国国防高级研究计划局（DARPA）在过去十年里组织了三次竞赛。第一次为DARPA Grand Challenge的项目于2004年在美国莫哈韦沙漠（Mojave Desert）进行，要求无人驾驶汽车在10小时内在142英里长的沙漠小径上行驶。所有参赛车辆在最初几英里内都失败了。

DARPA大挑战[BUE07]于2005年再次举行，要求机器人汽车在132英里长的路线上行驶，穿过平地、干涸的湖床和山口，包括三条狭窄的隧道和100多个急转弯。本次比赛共有23名决赛选手和4辆赛车在规定的时间内完成了比赛路线。斯坦福大学的汽车“斯坦利”（THR07）位居第一，卡内基梅隆大学的汽车“沙尘暴”和“h1ghlander”分别位居第二和第三。

2007年，第三次比赛，即DARPA城市挑战赛（BUE09），在美国加利福尼亚州前乔治空军基地举行，要求自动驾驶汽车在6小时的时间内和其他自动驾驶和人工驾驶的汽车一起，在模拟城市环境中行驶60英里长的路线。汽车必须遵守加利福尼亚州的交通规则。这次比赛有11名决赛选手和6辆赛车在规定的时间内完成了比赛路线。卡内基梅隆大学的汽车“BOSS”[URM08]位居第一，斯坦福大学的汽车“Junior”[MON08]位居第二，弗吉尼亚理工大学的汽车“Odin”[BAC08]位居第三。尽管这些比赛所带来的挑战比日常交通中常见的挑战要简单得多，但它们被誉为自动驾驶汽车发展的里程碑。

DARPA挑战赛以来，已经进行了许多自驾汽车比赛和试验。例如：2006年至今年举行的欧洲陆地机器人试验（ELROB）[ELR18]。2009-2013年智能汽车未来挑战[Xin14]；2009年至2017年的自主车辆竞赛[AUT 17]；现代自主挑战赛，2010年[CER11]；vislab洲际自治挑战赛，2010年[bro12]；2011年和2016年合作驾驶大挑战赛（GCDC）[GCD16]。还有公共道路2013年城市无人驾驶汽车测试[Bro15]。

与此同时，全球学术界和工业界对无人驾驶汽车的研究都在加速。机器人汽车研究的著名大学如卡内基梅隆大学（Car18）、斯坦福大学（Stanford University）（Sta18）、麻省理工学院（MIT17）、弗吉尼亚理工学院（Vir18）和FZI信息技术研究中心（FZI18）开展相关研究。著名的公司包括谷歌[Way18]、优步[UBE18]、百度[Apo18]、Lyft[Lyf18]、Aptiv[Apt18]、特斯拉[Tes18]、英伟达[Nvidia 18]、Aurora[Aur18]、Zenuity[Zen18]、戴姆勒和博世[Bos18]、Argo Ai[Arg18]，Renesas Autonomy[Ren18]、Almotive[AIM18]、Autox[Aut18]，Mobileye[Mob18]，Ambarella[Amb18]，Pony.ai.[pon18]、jd[jd18]、idriverplus[idr18]、丰田[toy18]，福特（For18）、沃尔沃（Volv18）,奔驰（Mercedes-Benz）[Mel18]。

尽管大学对自驾汽车的研究大多在美国、欧洲和亚洲进行，但在中国、巴西和其他国家也进行了一些相关的调查。巴西自驾汽车研究平台例如联邦大学的米纳斯·杰拉斯（UFMG）汽车。CADU [LIM10] [SAB10] [LIM13] [DIA15a],圣保罗大学的汽车CARINA [FER14] [MAS14] [SHI16][HAT17],以及大学的联邦政府，特别是圣多里托（UFES）的汽车IARA [MUT16] [CAR17] [GUI16] [GUI17].IARA是巴西第一辆在城市道路和高速公路上自主行驶74公里的无人驾驶汽车。

为了衡量自动驾驶汽车的自主性水平，国际汽车工程师学会（以前简称为SAE，或汽车工程师协会）发布了一个基于人类驾驶员干预和注意程度的分类系统。他们要求，自动驾驶汽车的自主权等级可以从L0（汽车的自主权系统发出警告，可以暂时干预，但没有持续的汽车控制）到L5（任何情况下都不需要人为干预）[SAE16]。在本文中，我们调查了自DARPA挑战以来的自主汽车文献中发表的关于自主汽车的研究，这些自主汽车配备了一个可归类为SAE 3级或更高级别的自主系统[SAE16]。

自动驾驶汽车自主系统的体系结构通常分为两个主要部分：感知系统和决策系统[PAD16]。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障碍物检测与跟踪、道路绘制、交通信号检测与识别等任务。决策系统通常被划分为许多负责任务的子系统，如路线规划、路径规划、行为选择、运动规划和控制，尽管这种划分有些模糊，文献中有几个不同的变化[PAD16]。在本次调查中，我们介绍了自动驾驶汽车自主系统的典型结构。我们还回顾了有关感知和决策方法的研究。

本文的其余部分结构如下。在第二节中，我们概述了自动驾驶汽车自主系统的典型结构；概述了感知系统、决策系统及其子系统的功能；并概述了文献中关于一些自动驾驶汽车的结构。在第三节中，我们对感知系统的重要方法进行了研究，包括障碍物绘制、道路绘制、定位、移动障碍物检测和跟踪、交通信号检测和识别。在第四节中，我们对决策系统的相关技术进行了研究，包括路径规划、路径规划、行为选择、运动规划和控制子系统。在第五节中，我们详细描述了UFES汽车的自主系统IARA的体系结构。最后，在第六节中，我们列出了由科技公司开发并在媒体上报道的知名自主研究汽车。

自动驾驶汽车架构概述

在本节中，我们概述了自动驾驶汽车自动化系统的典型架构，并对感知系统、决策系统及其子系统的任务进行了概述。

图1显示了自动驾驶汽车自动化系统的典型结构框图，其中感知和决策系统[PAD16]显示为不同颜色模块。感知系统负责估计车辆状态，并使用车载传感器采集的数据（如光探测和测距（LiDAR）、无线电探测和测距（雷达）、摄像头、全球定位系统（GPS）、惯性测量（IMU）、里程计等，以及与传感器、道路网络、交通规则、汽车动力学等的初始信息。决策系统负责将车辆从初始位置导航到用户定义的最终目标，考虑车辆状态和环境的内部表示，以及交通规则和乘客舒适度。

图1 自动驾驶汽车典型的层次结构概述。TSD表示交通信号检测和MOT、移动目标跟踪。

为了在整个环境中驾驶汽车，决策系统需要知道汽车在其中的位置。定位器模块（图1）负责估计与环境静态地图相关的车辆状态（姿态、线性速度、角速度等）。这些静态地图（或离线地图，图1）在自动运行之前自动计算，通常使用自动驾驶汽车本身的传感器，尽管通常需要手动注释（即人行横道或交通灯的位置）或编辑（即删除传感器捕获的非静态物体）。

定位模块接收离线地图、传感器数据和平台里程计的输入，并生成自动驾驶汽车的状态输出（图1）。值得注意的是，尽管GPS可能有助于定位过程，但由于高大树木、建筑物、隧道等造成的干扰，仅GPS定位不足以在城市环境中进行准确的定位，这使得GPS定位不可靠。我们相关内容在III.A节中关于局部定位技术讲述。

建图模块接收离线地图和状态作为输入，并生成在线建图作为输出。这种在线地图通常是离线地图中的信息，传感器数据和当前状态在线计算的占用网格地图的合并。我们在第III.B节中分析了关于在线地图计算方法，希望在线地图只包含环境的静态表示，因为这可能有助于决策系统的某些模块的操作。为了检测和删除在线地图中的移动对象，通常使用移动对象跟踪模块或MOT（图1）。我们在第III.D节中分析了关于自动驾驶汽车中运动物体检测和跟踪方法的文献。

自动驾驶汽车必须识别和遵守水平（车道标志）和垂直（如限速、交通灯等）交通信号。交通信号检测模块或TSD（图1）负责交通信号的检测和识别。我们分析了第三章E中有关交通信号检测和识别方法的文献。

如果用户在离线地图中定义了最终目标，那么路线规划模块将在离线地图中计算从当前状态到最终目标的路线。路线是路线点的序列，即，其中每个路径点是离线地图中的坐标对，即。我们分析了第IV.A节中有关路线规划方法的文献。在给定路线的情况下，路径规划模块根据车辆状态和环境的内部表示以及交通规则，计算出一组奇数路径，，路径是一系列位姿，即，其中每个姿势是一个坐标对。在离线地图中，以及在该坐标对定义的位置（即处的所需汽车方向。中心路径尽可能与对齐，而左侧路径和其右侧是初始姿势与相同的路径，其余姿势从向左和向右偏离，具有不同程度的误差。我们在第IV.B.1节中有关路径规划方法的文献详细描述。