【自动驾驶】高级辅助驾驶系统与车联网

【自动驾驶】高级辅助驾驶系统与车联网

Note：本文是对刘春晖教授的 高级辅助驾驶系统与车联网(上)，高级辅助驾驶系统与车联网(下) 论文进行排版整理，由于论文中插图较多，并没有全部整理进来，用能力的小伙伴请看原文

一、ADAS简介（硬件层面）

ADAS(Advanced Driver Assistance Systems)是高级辅助驾驶系统的缩写，有文献认为是智能汽车的缩写。所谓高级辅助驾驶系统，就是帮助人们更好地操控车辆的辅助装置，一般提供更安全的驾驶条件或更舒适的用户体验。利用安装于车上各式各样的传感器及摄像头，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险。

1、ADAS功能类别（感知，控制和决策）

目前，ADAS涉及到12门技术，主要基于三种传感器——摄像头、雷达、激光雷达。在这12门技术中，组合出了感知、控制、决策这自动驾驶三大模块。目前较为常用的ADAS可以按照功能分类，如表1所示。

2、汽车不同的自动化阶段（ADAS不是自动化驾驶）

ADAS的功能还远不止表1所示这些，还有许多功能在开发中。比如法雷奥公司目前正在研发的AP&C(Automated Parking & Charging)等。目前的ADAS不等于自动驾驶。ADAS仅仅是辅助驾驶，还需要人进行主导；而自动驾驶是人工智能主导，驾乘人员稍微关注甚至完全不用关注路况。如图1所示为根据SAE划分的汽车自动化阶段图。

3、智能汽车和车联网的关系（ADAS是无人驾驶的内部要求，车联网是外部要求）

Note：

智能汽车(ADAS)是无人驾驶的内部要求，即硬件端；车联网(V2X)是外部要求，即通信端，是实现自动驾驶的关键。

随着汽车智能化、电子化的推进，无人驾驶已经是未来汽车发展的必然趋势，智能汽车(ADAS)和车联网(Vehicle-toeverything，V2X)分别实现无人驾驶的内部和外部要求，而5G技术即成为车联网V2X中的关键制衡。

汽车智能化的终极目标是无人驾驶，而实现无人驾驶是一个渐进式的发展过程，在这个过程中，车内硬件智能(ADAS)和车际互联通信(V2X)两条腿走路，比较而言，ADAS技术只需要在车体本身做传感器加装和算法改进，相较于具备强外部性的V2X技术更易推进，是智能汽车的早期技术，目前国内国外在跑的中高端车型上基本加装了部分ADAS功能，几乎能协助车辆达成L3级别以下的自动驾驶。要实现更高级别的自动驾驶乃至无人驾驶，其制衡点更多在于车际互联(V2X)技术，这项技术简单化理解就是以联网通信的模式强化感知，相当在车辆上加装了更为灵敏的“眼睛”，实现真正的车路协同。但是V2X技术具备强外部性，要求对整体道路基建做整改，对通信协议做规范，同时对高速移动通信的质量提出更高的要求，V2X这项技术在国内极高概率是以智能互联示范区的模式推进。
要充分发挥V2X下车路协同的优势，传输信息和信号，需要非常大的流量和带宽以及很短的延时，差之毫厘失之千里，5G技术即成为车联网V2X中的关键制衡。随着5G通信技术的发展以及我国在全球通信产业的地位提升，未来汽车智能驾驶不仅限于硬件端(ADAS)，还将向通信端发力，这期间搭建通讯收发设备，覆盖5G应用网络的智能互联示范区将获得迅速发展。
智能驾驶的最终目标就是无人驾驶，而智能汽车(ADAS)和车联网(V2X)分别是实现无人驾驶的内部和外部要求。5G商用是车际网发展的重要催化剂。

二、车联网（通信层面）

1、车联网（V2X）的分类

车联网(V2X)是通向无人驾驶高级阶段的核心技术。广义车联网包含车内、车际和车云网。

车联网有广义和狭义之分，狭义车联网单指“Telematics”(车载移动互联网，又称车云网)。这里定义车联网为广义车联网，即车内、车际、车云三网融合。广义的车联网是最终实现无人驾驶的重要一环，一方面，车际网联合产业链前端的ADAS实现车路协同；另一方面，车云网将数据上传至云平台进行清晰分析，开辟产业链后端广阔的汽车后服务市场。
1）车内网：是指通过应用CAN总线技术建立一个标准化的整车网络。
2）车际网(V2X)：是指基于DSRC技术和IEEE 802.11系列无线局域网协议的动态网络。这是促进车际互联的最核心技术。
3）车云网(Telematics)：又称车载移动互联网，是指车载终端通过3G/4G/5G等通信技术与互联网进行无线连接。

2、车联网的应用（车际网实现车路协同）

车内网与车云网产业化应用成熟，车际网尚处培育阶段。车内网和车云网分别对应的CAN总线与OBD盒子等产品在国内均有较为成熟的应用和市场规模。而以V2X芯片为核心产品的车际网，是推动车路协同，促进车际互联的关键，由于其技术壁垒最高，发展步伐最为缓慢。世界范围内的V2X产品均处开发阶段，未形成大规模生产，批量生产后可配套装载于智能汽车和道路信号灯、加油站等基础设施，市场前景广阔。

如图2所示，车际网是车联网之魂，其核心在于V2X技术。V2X技术是通向无人驾驶高级阶段的核心技术。无人驾驶依照“ADAS装配实现车内智能 → LTE-V/DSRC技术实现车际互联 → 车际互联的发展进一步推动车内智能设备的研发 → 车内智能对车际互联要求的上升”的发展路径，呈现螺旋上升趋势。
目前我国智能驾驶发展还是以车内智能为主，车际互联发展较为缓慢，但随着V2X技术的完善，车路协同检测日渐成熟，车际互联在未来几年将出现较快增长。

3、车联网的特点与实现（DSRC和LTE-V，智能网联汽车阶段）

1）车联网的实现方式

V2X实现的两种方式：V2X的实现主要有DSRC和LTE-V两种方式。其中DSRC是美国的V2V通信标准，中国目前主导的通信技术是LTE-V。

2）V2X技术的主要特点

V2X技术的主要特点是：①网络拓扑不稳定；②外部环境干扰严重；③行车轨迹可预测；④以小数据包为主。

由此发展出了两种研究方向，即专用短程通讯(DSRC)技术和基于蜂窝移网的(LTE-V2X)技术。①DSRC：目前广泛应用的电子停车收费系统ETC就是基于DSRC实现的。DSRC在2014年2月被美国交通部确认为V2V标准；②)LTE-V：是基于LTE(4G)无线传输技术的车联网专用通信网。

3）车联网市场空间

车联网发展可以分为三大阶段，当前正处于第二阶段——智能网联汽车阶段。车联网的发展从最早期的车载信息开始，车辆具备基本的联网能力；在当前的智能网联阶段，通过V2X技术，车路开始协同；到了未来的智慧出行阶段，车路协同在智能交通和高级自动驾驶中广泛应用，不可或缺。

三、ADAS系统的结构

如图4所示，ADAS系统有三个部分构成，分别是感知层、认知与判断层、执行层。感知层硬件包括雷达、摄像头等传感器，用于探测汽车周围的环境信息，为其他两个功能模块提供信息支持。认知与判断层涉及算法、应用软件与芯片。摄像头、雷达等ADAS传感器测量到的数据，还要与发动机、底盘、车身上的其他各类传感器测量到的数据配合。不同处理器处理的信息通过总线通信，最后给执行层发出指令。执行层则对应电子刹车、电子助力转向、电子车身稳定系统等。

如图5所示，ADAS的传感器主要有超声波雷达、毫米波雷达、激光雷达、摄像头4类。不同传感器的原理和功能各不相同，能在不同的场景中发挥各自的优势，因此目前难以相互替代。

1、超声波雷达

超声波雷达超声波雷达(图6)是泊车系统中最常用的传感器。超声波雷达是通过超声波发射装置向外发出超声波，到通过接收器接收到发送过来超声波时的时间差来测算距离。目前，常用探头的工作频率有40kHz、48kHz和58kHz三种。一般来说，频率越高，灵敏度越高，但水平与垂直方向的探测角度就越小，故一般采用40kHz的探头。超声波雷达防水、防尘，即使有少量的泥沙遮挡也不影响。图8所示为倒车雷达原理及工作示意图，其探测范围在0.1~3米之间，而且精度较高，因此非常适合应用于泊车。
通常一套汽车倒车雷达需要安装4个超声波传感器，而自动泊车系统是在倒车雷达系统的基础上再增加4个超声波驻车辅助(Ultrasonic Parking Assistant)超声波传感器和4个自动泊车辅助(Automatic Parking Assistant)超声波传感器。

2、毫米波雷达

Note：

毫米波雷达的特点：频率高，探测角度小，二维雷达，需要多雷达组合使用。

毫米波雷达如图10所示，毫米波雷达发射毫米波段的电磁波，利用障碍物反射波的时间差确定障碍物距离，利用反射波的频率偏移确定相对速度。毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候(大雨天除外)全天时的优点。其缺点是无法识别物体颜色；视场角较小，需要多个雷达组合使用；行人的反射波较弱，难以识别。目前市场上主流的车载毫米波雷达频段为24GHz(用于短中距离雷达，15_{30m)和77GHz(用于长距离雷达，100}200m)。

3、激光雷达

Note：

• 激光雷达的特点：距离，角和速度分辨率强，为三维雷达，可生成目标3维图像，但容易受天气影响。
• 造价较高，还只能用于试验阶段的无人汽车，尚未量产进入市场。

如图13所示，车载激光雷达又称车载三维激光扫描仪，通过发射和接受返回的激光束，分析激光遇到目标后的折返时间，计算出目标与车的距离。通过这种方法，搜集目标表面大量的密集点的三维坐标、反射率等信息，能快速复建出目标的三维模型(图15)及各种图件数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。目前市场上比较常见的有8线、16线和32线激光雷达，还有少量64线产品。激光雷达线束越多，测量精度越高，安全性也越高，但是成本也越高。

和超身波雷达和毫米波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率，且探测精度高、探测范围广；抗干扰能力强；能实时获取的信息量比较丰富，可直接获取目标的距离、角度、反射强度、速度等信息，从而生成目标多维度图像。但是激光雷达却很容易受天气的影响，比如在雨雪、大雾等天气条件下，其探测性能就会变的较差。

4、摄像头

Note：

摄像头可以用于目标检测，图像分割，用于检测车道线，行人等。

摄像头是实现众多预警、识别类ADAS功能的基础。像自动紧急刹车(AEB)、车道偏离预警(LDW)、车道保持(LKA)、行人警示(PCW)、自动泊车(AP)、疲劳驾驶预警(DFM)、交通标志识别(TSR)、交通信号灯识别(TLR)等都需要建立在图像识别的基础上，进而实现车道线障碍物以及行人检测。目前前视摄像头ADAS系统有单目和双目两种方案，两者的共同点都是通过摄像头采集图像数据，然后从图像数据上得到距离信息（单目测距应该不准）。因为前视摄像头最重要的一个作用就是碰撞预警，而碰撞预警需要测量距离的变化。
单目视觉的测距原理是先通过图像匹配进行目标识别，识别行人、物体、车型等。再通过目标在图像中的大小去估算目标距离（相似三角形？）。这种方法是建立在精准识别基础上的，所以首先需要建立并不断维护一个庞大的样本特征数据库，保证这个数据库包含待识别目标的全部特征数据。比如在一些特殊地区，为了专门检测大型动物，必须先行建立大型动物的数据库；而对于另外某些区域存在一些非常规车型，也要先将这些车型的特征数据加入到数据库中。如果缺乏识别目标的特征，就会导致系统无法对车型、物体、障碍物进行识别，从而也就无法准确估算这些目标的距离。导致ADAS系统的漏报。

如图16所示，双目视觉是通过对两幅图像视差的计算，直接对前方景物(图像所拍摄到的范围)进行距离测量，而无需判断前方出现的是什么类型的障碍物。所以对于任何类型的障碍物，都能根据距离信息的变化，进行必要的预警或制动。双目视觉的原理与人眼类似，利用双目三角测距的原理，能非常精准的测量物体的距离。如图17、18所示，双目方案也同时
兼具单目方案的功能，可以采用其中一路来进行图像识别，从而判断交通标示和障碍物类型。双目摄像头方案的优越性使得双目逐渐成为中高端车型的标配，如奔驰2016款全系(S系、E系、C系)、宝马2016款全系(7系、5系、3系)标配双目摄像头。

此外汽车上还可以配备更多摄像头来实现更多功能。如图19所示，如同时配备广角相机和中长焦相机，可以识别不同距离，不同视角范围内的障碍物；同时配备可见光相机和远红外相机，可以实现夜间使用的；在车的前、后、左、右安装四个广角摄像头，经过摄像头参数校正、镜头扭曲校正、鸟瞰视角转换、白平衡匹配和图像缝合处理，可以在车内显示器上显示
一个可直观监视车辆周围环境的全景鸟瞰画面，能有效减少盲区，提高安全性。

5、各种传感器的优缺点

各种传感器各有优缺点(表2)，所以一般采取两种或两种以上的传感器进行搭配，实现不同的系统功能的准确感知。

6、各汽车制造商的传感器配置 & 分析Tesla传感器硬件配置

参考

• https://zhuanlan.zhihu.com/p/33596825
• 特斯拉的整车传感器配置方案

对于特斯拉来说，在测量型传感器除了一个毫米波，就是这 12 个超声波了。大多数视觉大佬认为超声波精度不行，距离不行，无法用于自动驾驶。特斯拉能把超声波用在自动驾驶上面的，确实是天才。

超声波传感器最大的问题是什么？学过通信的人应该知道复用这个词。所有超声波探头都工作在一个频段，相互之间回波还有干扰，只能时分复用。时分复用啊，老大们，12 个探头轮一圈，啥概念？几秒过去了。计算 4 个 4 个一组，也很慢。慢，就是超声波最大的问题。
第二个问题，就是长。一串超声波，就像一串萝卜。串在一根绳上。这根绳，连起来十几米长。长有什么不好，嘿嘿，笔者当年可是吃了大亏。肇庆某公司上海分舵一位大牛面试过笔者，说了句搞硬件就是提个指标的嘛。哎，没上车没吃过亏啊。
第三个问题，温湿度。超声波对温湿度极其敏感，要做一个详细的标定表，要不这个超声波就不灵了。
还有一个，就是误报问题，不想展开了。笔者只能说，简简单单一个超声波，就可以折腾你个一两年。所以，自动驾驶工程化是一条漫漫长路。等 ABCD，那可以洗洗睡了。

特斯拉的方案主要依靠视觉，所以 Tesla 的环境感知三维重建是基于二维的。二维转换为三维，必然有信息丢失。笔者通过看视频，发现 Tesla 对远处的物体有误识别的情况。特别是这种情况：一个行人，在晚上，穿着黑衣服，突然从路边窜出来。毫米波看人本来就不行，超声波又太近，视觉是两眼一抹黑。

四、智能汽车和车联网的关系

Note：

智能汽车可以被看作是实现无人驾驶汽车的过渡。

智能汽车(ADAS)和车联网(V2X)分别是实现无人驾驶的内部和外部要求。智能汽车指配备高级驾驶辅助系统(advanced driver-assistance systems，ADAS)，通过感知周围环境、分析车辆所处环境从而根据环境变化做出相应反应。智能汽车可以被看作是实现无人驾驶汽车的过渡，也是传统车企主要的研发方向。由于智能汽车行驶在一个包括车辆、行人、设施等因素的复杂环境中，因此要做到完全自动驾驶就需要建立汽车与行驶环境中其他因素的信息交换，即V2X (Vehicle to Everything)。在内、外部要求都被满足的前提下，自动驾驶才有可能实现。

五、无人驾驶发展

无人驾驶从应用层面可以分为四个阶段，阶段1是资讯被动侦测期，该阶段主要应用于车载资讯服务；阶段2是资讯互动交换期，也就是当前所处阶段，该阶段主要应用于ADAS等；阶段3是资讯主动传达期，该阶段主要应用为V2V和V2I，融合传感器技术实现车路协同；阶段4就是终极无人驾驶期，无人驾驶背景下车辆运营效率有望大幅提升，该阶段的典型应用就是共享汽车。

如图20所示，传感器技术是驱动ADAS发展的重要因素。无人驾驶在L2需要17个传感器，包括超声波雷达、长距离及短距离雷达和环视摄像头，发展到L3需要的传感器增加到29个，并且将引进立体摄像机、激光雷达和导航推测系统。对于ADAS而言，传感器技术已经相对成熟，摄像头和超声波雷达等产品在高端车型得到广泛应用，激光雷达由于造价较高，还只能用于试验阶段的无人汽车，尚未量产进入市场。进入无人驾驶下一阶段对传感器的种类和精度都提出了更高的要求，因此传感器技术的开发应用和传感器的价格与渗透都直接影响着智能汽车自动化的程度。

六、智慧交通总体框架

如图21所示，智慧交通的总体框架包括感知层、网络层、平台层和应用层四个层面。其中：应用层和平台层是总体解决方案的核心，且平台层是应用层的支撑平台和运行环境。平台层的汇聚交换平台通过网络层的数据总线和服务总线进行数据交换；平台层整合交通资源，包括交通基础数据、业务数据、GIS数据、分析主题数据、交通数据仓储等，形成融合的交通领域数据中心。同时提供基于云计算的IRE集成环境、运维管理、能力引擎等，构建智慧交通云计算环境。应用层主要包含交通运输管理、交通安全管理、城市管理以及其他政府部门、企业的交通信息化系统。

1、感知层（传感器）

Note：

感知层主要包括：智能汽车车身传感器 与 智能路面传感器

感知层——传感器：感知层的构建，是实现智慧交通的第一步。智慧交通的感知层又包含两部分——智能汽车车身传感器与智能路面传感器。
智能汽车车身传感器相当于智能汽车的“五官”，智能汽车通过传感器感知车辆所处的各种路况及周边环境。一套完善的智能汽车传感系统囊括了超声波技术、雷达技术、摄像头技术、红外线技术、激光扫描技术，以及这些技术的算法融合。
通过多种传感器的组合，进而实现在不同的距离、不同的角度、不同的天气状况下对周边情况的全方面探测，这是智能汽车自主判断、自主行动的基础。

除了车身传感器之外，智慧交通感知层还包含以路面磁感线圈、地磁感应为代表的智能路面传感器。这些传感器用于感知和传递路的状况信息，如车流量、车速、路口拥堵情况等，让车载系统获得关于道路及交通环境的信息。无论是车身还是路面传感器，都起到了车内状况监测和环境感知的作用。

2、网络层（车联网）

Note：

车联网包括：车内网CAN，车云网5G，车际网DSRC

网络层是车内网、车际网、车云网三网融合(图22)：智慧交通的网络层指的是实现智能交通管理、智能动态信息服务和车辆智能化控制的一体化网络。网络层以车内网(CAN)、车际网(近程SRC)和车云网(远程3G/4G/5G) 为基础，按照约定的体系架构及其通信协议和数据交互标准，在V2X(车联多)之间，进行通信和信息交换。

3、平台层（数据处理）

Note：

平台层可以理解成利用车联网V2X的大数据处理平台，数据中台。

平台层——大数据处理平台：智慧交通平台层主要由基于云计算的车联网数据融合平台、车联网应用开发平台、车联网网络支持平台等组成。从感知层收集、网络层上传的海量数据，通过云计算平台(图23)“过滤清洗”、数据分析平台对数据进行报表式处理之后变得更加清洁，更准确地反映实时情况从而便于进行高效的监控管理。

4、应用层（城市智能交通运输管理系统）

应用层——城市智能交通系统(ITS)(图24)：它是将先进的信息技术、数据通讯传输技术、电
子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。
智能互联示范区是智慧交通的载体。智慧交通是汽车智能化的终极目标，智慧交通的发展
历程应该是：车内智能到车际互联，城市运营服务商打造智能交通系统。智能互联示范区是城市智慧交通的载体，其目的是构建一个汽车智能化生态系统，ADAS、车联网、整车与基于大数据平台的后服务企业集聚在该生态圈内，将车内智能和车际互联协同起来，在实现终极无人驾驶以外，构建高效的城市交通运输管理系统。