校园无人送货小车 方案设计

方案设计理念：一步一步来，逐步逼近

RoverGO校园无人送货小车

从需求分析到系统搭建

需求分析

我们要做的是能够满足青岛校区外卖供应的校园无人送货项目，使用无人车代替人工，满足安全和配送效率的目标要求。

1. 校园外卖现状分析：（假设：校园外卖午间300份，持续时间2个小时（11:30～1:30）晚间外卖300份， 持续时间3个小时（5:30～8:30）平均每份外卖重量0.8KG）
2. 平均客户等待时间20min，校园从西门到宿舍区的路程为2KM， 平均一个外卖所占体积为35cm24cm10cm, V = 8.4dm² 。
3. 往返一次所需要花费的时间为：2✖️路程时间（8.4~12min, 10km/h~15km/h（最高安全速度））+取餐时间（≈路程花费时间✖️外卖数量➗10）：默认十份外卖的等待时间会同路程花费时间相近
4. 数量配置：（假设以满足高峰时刻300份/h的标准进行计算）以一次配送20份外卖计算，需往返15次；平均往返时间为40min，每辆车配送1.5次，所以需要10辆外卖配送车。
5. 硬件参数需求：午高峰期间会往返3次：预计总里程15KM（单次往返5KM）
6. 电机在额定功率工作时的效率是最高，所以，在不考虑其它外界因素的条件下保持电动车的最快速度匀加速时，电动车的骑行里程最远。下面是几个计算公式。
   公式一：V=P/（G×0.09） （V：最快速度 P：额定功率 G：总负载重量）
   公式二：I=P/U （P：额定功率 U：电池电压 I：电流）
   公式三：T=Q/I （Q：电池容量 I：骑行电流）
   公式四：S=VT （S：续行里程 V：车速 T：骑行时间）
   例如，采用36V10AH电池和180W额定功率电机设计的电动车，整车重60kg，加上各种载重40kg，总负载重量为100kg，用公式一可以估算出最快骑行速度为20km/h，用公式二可以算出该车在保持20km/h速度时，电流为5A，再通过公式三可以算出，该车保持20km/h的最大骑行时间是2小时，最后可以通过公式四算出该车一次充电的最大骑行是里程为40km。正常的使用是不超过蓄电量的60%就充电，这样，才能保障电池循环使用寿命大于400次，而且，冬季气温较低，电池在气温低于25度时，每低1度，少充入电量1%。这就是说，如果选用最远骑行里程为40km的电动车，在夏季时，骑行24公里必须充电，冬季0度时，骑行16.8公里就必须充电。这些还是没有考虑坡道、刹车制动的电量消耗。
7. 根据上述说明，得到底盘尺寸40cm*40cm, 或者其他形状的面积为1200cm²以上 . 电池的容量为7.5AH，续航里程需求为15KM。

电池容量计算

硬件选择

可以选择散件拼装和成品车改装两种方式

• 首先从成品车改装入手看相应的参数
• 以雅迪电动车为例，发现现在的电动车都追求大功率，高电压

系统改装

难度较大，需要拆卸较多的器件等。
而且从目前所找的这些来看大多不合适，需要改动较大；
如果是使用散件拼装，则可以加装一个底盘来解决这个问题。
方向盘的舵机转向，后轮正传反转使用无刷电机

软硬结合：控制器部分

软件使用飞控程序Ardupilot控制，输出信号转变为控制信号，由于滤波等已经写好，所以得到指令后可以直接执行。

控制器方案

GPS导航的long-term路径规划

Ardupilot是广泛使用在四轴无人机等无人飞行器上的控制装置，使用IMU， 罗盘，GPS等多个传感器进行自我姿态和位置信息的解算， 也是无人机器人的鼻祖。ArduRover系统是以飞行控制器作为上位机，对符合硬件要求的Vehicle进行控制的一种操作方式。
由与校园中情景相对固定，路面开阔，所以采用GPS导航相较于测绘地图等精确内建地图的方案可以降低成本，相较于使用转速计进行路程计算没有累积误差，可以提高准确度。
GPS本身的精度可以达到两米左右，但是在行进过程中，由于使用了卡尔曼滤波，可以使车速较好地维持在0.2m/s。由飞行控制器本身的自带系统Ardupilot进行的是使用负反馈的两级闭环控制，由目标速度、当前速度、当前位置、起始位置与终点位置的方向，先后进行侧向速度和纵向速度的解算，然后通过油门控制加速度，舵机控制转向。
单纯由GPS导航系统，可以通过搜集较多的数据点（注意采样的频率）制定固定的路线（需要进行实验和证据的支持），在关键点制定由规则决定的决策。由此生成的固定线路可以满足划分专用车道和固定路线的要求。

人工智能进行short-term路径规划

在由GPS导航和SLAM帮助下，RoverGo系统将建立起内置的长路径规划，但是对于路径的变动和行人、车辆无法做出反应。此时，我们选择使用Nvidia Tx2作为上位机，将飞控系统引为下位机和控制器，接收上层的规划指令，作出加速度和转向速度的解算，输出控制信号给舵机和电机。

中断形式：长短路径规划的结合方式采用类似中断执行的方式，在未出现特殊情况或者不需要更改既定路线时，将采用GPS解算的速度和预设的目标点连成的折线行进。由于在无操作阶段或者切换模式时，小车将处于无动力的减速状态，在紧急情况下如果满足车速过快，指令输出较慢等情形，会使情况难以预计，所以采用中断执行的方式，进行优先级高的操作时，可以不等待当前任务运行完，强制进行优先级较高的操作。
上下级协同工作的流程为：

1. 由内建地图完成初步的路径规划
2. （待补充）

优先级列表（新增Cooperate Mode）：

指令	优先级
刹车	0
减速、警报	1
转向、倒车	2
巡航	3

深度学习目标识别与推测

车道线（可行驶区域的检测）

障碍物，避让物体的检测

推测目标相撞的可能性与时间

向控制器发出指令

SLAM构建：从简单易行出发

根据现有的地图进行模拟的构建

能够对地图（可操作）进行更新

由地图得出所要行驶的路线

数据融合

暂未考虑：数据级融合，特征级融合，决策级融合；
数据级融合需要考虑雷达与摄像头数据的融合，能够在一张图上反映出目标大小，远近和位置的变化。
特征级融合：需要首先对各传感器进行相对独立的分析，然后结合目标概率（可能性）的大小进行判断，对所处的状态进行估计等
决策级融合：由各传感器的结果独立作出反应结果，然后进行逻辑运算，

决策：上层指令

使用强化学习进行决策，希望能够采集到公交的数据，用于训练和决策。

公交车数据采集方法

必需数据：

1. 当前的路况（司机的输入信息）：通过调整放置摄像头的位置，使摄像头能够采集到司机能够获得的路况信息
2. 汽车当前的行驶状态：速度，加速度等物理量
3. 司机作出的决策指令：测量的两种方式分别为使直接型和间接型，通过视频得到决策的结果或者直接从方向盘转动角度，油门或者刹车的控制来得到决策信息。
4. 周边信息：例如红绿灯，车前后的车距，路牌处人员的分布和车辆的影响等会影响到司机决策的因素需要kaolv
5. 地图信息（主要在于路线信息）：由于是固定的路线，因此路线信息相比较易于获得和进行处理（使用现有的卫星或者街道地图）