初识无人驾驶

  无人驾驶是公认的未来决定经济的技术，无人驾驶产业，集成几乎所有工业和信息领域中高端技术为一身，链条长，关联度强，就业面广，设计经济领域多，消费拉动大，是国民经济的重要支柱产业。

  在工信部和国家发改委印发的《中国汽车产业中长期发展规划》中提出，到2025年，汽车的辅助驾驶（DA），部分自动驾驶（PA）和有条件自动驾驶（CA）新车装配率要达到80%，其中PA和CA的装配率要达到25%以上。

  无人驾驶和智能汽车是一个综合了多个学科的应用领域，包含机器人学，自动化控制，机器学习，机器视觉，物联网，智能交通，车辆工程，移动通讯等技术。

  一个典型的无人驾驶系统，需要的传感器硬件有双/多目相机、深度相机、激光雷达、毫米波雷达，这些传感器获取到的数据需要交给汽车的决策系统，中央计算处理系统来进行决策。

  无人驾驶系统的核心框架，主要包含三个方面：感知、规划和控制。感知是指无人驾驶系统通过传感器从环境中收集信息；规划是指无人驾驶系统为了达到一个目的地要做出决策和计划的过程；控制是根据上述感知和规划的内容，合理的控制油门，方向盘和刹车的过程。

无人驾驶开发，需要学习如下内容：

1、Linux

汽车的中央处理系统需要一个稳定的计算平台，Linux操作系统是很多顶级汽车制造商首选的汽车开源软件平台。它已经取代无数专有或封闭的操作系统。为了和机器人操作系统的ROS兼容建议直接安装Ubuntu18.04或者20.04。

2、ROS

在无人驾驶中，我们需要综合应用各类算法，包括感知、定位、全局路径规划等算法。同时还要对车辆本身的各种硬件进行交互控制，包括油门、方向盘、摄像头、激光雷达、里程计算等。我们需要一个操作系统来管理这么多复杂的工作，无人驾驶汽车就是一个特殊的机器人，ROS（机器人操作系统）可以很好的帮助我们解决这些问题。ROS可以通过点对点的传输形式或是广播的形式来做信号传输。ROS还提供了丰富的调试和仿真开发工具。

3、定位系统

定位是无人驾驶的重要内容，目前有两种比较成熟的技术，一种是采用三角定位法，使用GPS或者基站的方式定位，一种是使用slam算法给予视觉或激光雷达方式的定位。

GPS原理是基于卫星的三角定位，室内环境我们可以用uwb芯片在室内模拟GPS的开发。

目前SLAM（simultaneous Localization and Mapping  即时定位与地图构建）也是非常常见的定位技术，有激光SLAM和视觉SLAM之分。激光slam使用雷达采集到的物体信息呈现出一些列分散的、具有准确角度和距离信息的点，被称为点云。通常，激光SLAM系统通过肤哦不同时刻两片点云的匹配与对比，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。

4、传感器融合算法

多传感器融合可显著提高系统的冗余度和容错性，从而保证决策的快速性和正确性，是无人驾驶的必然趋势。各种传感器性能各有优劣，在不同的应用场景里都可以发挥独特的优势，仅依靠单一或少数传感器难以完成无人驾驶的使命。

5、车辆模型和控制

要想精准的控制小车，必须要熟悉闭环的控制理论。

6、路径规划

规划是自动驾驶系统中重要的一环，它的主要目的是：接收原始/预处理的外界信息，根据无人车的运动轨迹。根据对环境信息的掌握程度不同，路径规划可分为全局路径规划和局部路径规划。

7、传统计算机视觉

机器视觉系统通过机器视觉产品（即图像社区装置，分CMOS和CDD两种）将被摄取目标转换成图像信号，传送给抓弄的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

8、卷积神经网络

卷积神经网络是一种特殊的神经网络结构，是自动驾驶汽车、人脸识别系统等领域有着广泛的应用，可以完成图像的侦测，识别，分割等功能，

9、行为克隆和强化学习

深度学习提供了感知能力，但是缺乏一定的决策能力。强化学习提供了决策能力。

10、无人驾驶仿真技术

无人驾驶需要使用各种各样的传感器，学习成本较高，为了能低成本的学习无人驾驶技术，我们需要能够自主搭建无人驾驶的仿真环境，仿真环境可以就合成的数据，对环境、感知及车辆模拟，我们可以模拟激光雷达，模拟图像视觉的识别，通过仿真环境开发和验证算法。