自动驾驶文献学习《A Survey of Autonomous Driving: Common Practices and Emerging Technologies》

这是一篇有关于自动驾驶的综述性很强的论文，发布于2020年4月。
全文系统地介绍了自动驾驶系统的发展历史及发展现状，阐述了自动驾驶系统目前面临的困难与挑战，然后依次从自动驾驶系统框架、传感器分类、地图定位、信息感知与评估、路径规划等多个方面，分析比较了现有研究技术方法的优势和不足。

1 前景和挑战

对于社会影响，能够减少交通事故、交通堵塞、尾气排放；重新分配驾驶时间，推动物流发展等等。驾驶自动化水平划分为五类等级，目前高层次level4、level5还无法实现。

2 系统架构

作者分别从连接层面和算法层面论述了自动驾驶系统的整体框架：

• 连接层面：
  一类是单一车辆系统，始终在一辆自给自足的汽车上进行所有必要的自动驾驶操作，而不依赖于其他车辆和基础设施；
  另一类是车联网系统，强调通过网络实现车辆信息交流和共享。
• 算法层面：
  一类是模块划分，根据不同功能划分为不同的模块；
  另一类是端到端系统，通过传感器输入获得操作信息，主要的方法有直接监督的深度学习、神经进化和深度强化学习。

3 传感器

硬件组织可以归为五类：

• 用于感知的外部感受传感器
• 用于内部车辆状态监视任务的本体感受传感器
• 通信阵列
• 执行器
• 计算单元

通常采用多传感器的形式，用雷达或者激光雷达来弥补相机在深度信息上的缺陷。激光在200米内精度较高，但与雷达相比，更容易受到天气的影响。雷达则具有测距长、成本低的优势。

4 地图定位

1. GPS-IMU融合：按时间间隔纠正积累误差，遇到的问题是在高楼、隧道等信号不太好的环境下，GPS定位误差会增大。
2. SLAM：不需要关于环境的先验信息，但计算要求高，实时性差。
3. 基于先验地图定位：将实时信息与详细的预先构建的地图信息进行比较，找到最佳匹配的位置。面临的问题是环境发生变化后，如何更新地图。

5 环境信息感知

1. 基于图像的目标检测：包括静态物体识别（红绿灯、交通标志、道路交叉口），动态物体识别（车辆，行人和自行车）。目前最先进的方法基本都依赖于DCNN，但它们之间目前存在明显的区别：
   ■ 单级检测框架使用单个网络同时生成对象检测位置和类别预测。主流的算法有：YOLO、SSD。
   ■ 区域生成检测框架分为两个不同的阶段，首先提出感兴趣的常规区域，然后通过单独的分类器网络进行分类。

2. 语义分割：
   仅使用矩形框框选目标效果较差，进一步通过实例分割来区分不同轨迹和行为的对象。
   分割方法：Mask、R-CNN、DeepLab。

3. 三维目标识别：
   主要依赖点激光雷达的点云数据，通过滤波、聚类，提取特征进行识别。

4. 目标跟踪：
   估计动态目标的航向和速度，以便应用运动模型跟踪目标并预测目标未来的运动轨迹，通常采用传感器融合的策略进行跟踪。
   ■ 滤波方法：Bayes滤波器、卡尔曼滤波、粒子滤波等。
   ■ 深度学习：CNN、多任务网络等。

5. 车道线检测：
   ■ 可行驶区域检测：检测车道当前行驶车道，可以应用于车道偏离警告，车道保持和自适应巡航控制。
   ■ 道路复杂语义理解：识别其他车道和方向，合并转向等道路结构信息。

6 评估

1. 风险和不确定性评估：
   量化驾驶场景的不确定性和风险水平，可用贝叶斯方法、隐马尔科夫模型（HMM）和语言模型。
2. 周围驾驶行为评估：
   实际环境中的自动驾驶决策与周围驾驶员的行为相关。用HMM预测目标车辆的未来行为。
3. 驾驶风格识别：
   主成分分析法、基于GMM的驾驶员模型等。

7 规划和决策

• 全局规划：
  -目标导向（goal-directed）
  -分割（separator-based）
  -分级（hierarchical）和
  -有界跳跃（bounded-hop）。

• 局部规划：
  -基于图搜索（graph-based planners）
  -基于采样（sampling-based planners）
  -曲线插值（interpolating curve planners）
  -数值优化（numerical optimization）。

8 人机交互

通过人机交互接口(HMI)与驾驶员通信，最基本的是驾驶任务的交互，听觉用户界面（AUI）是选择之一。

目前面临的问题是环境噪音影响和部分内容理解问题。

9 数据集和工具

• 数据集：PASCAL VOC、KITTI、DeepDrive等。
• 开源框架：Autoware、Apollo、Nvidia DriveWorks、openpilot等。
• 模拟器：CARLA、TORCS、Gazebo 、SUMO等。