千字胡说自动驾驶框架——仿真测试

自动驾驶系统基础  仿真—测试场景

前言

搞自动驾驶 只为解决温饱

几年技术路 只想能跑就行

自动的驾驶 是要上路坐人

直解决温饱 更要做成标准

若君不顾等 不如回家哄娃

自动驾驶测试场景框架-基础

1. 1.1自动驾驶测试场景
2. 1.2自动驾驶测试概述
3. 1.3自动驾驶场景研究背景
4. 1.4测试场景概述
5. 1.5自动驾驶场景需求设计与分析
6. 1.6需求的对比与总结
7. 1.7自动驾驶测试方法论   

                       

目前，自动驾驶技术是各家互联网公司与车企都在做的项目与技术。本文从自动驾驶的基本入门知识进行介绍，如有不足之处还请大家多多包涵并指出不足之处。

自动驾驶国内是百度，后来各家相继开展自动驾驶的业务模块。本人很喜欢百度在亦庄展厅的奇瑞QQ改装的自动驾驶。哈哈，大家不妨想象一下，小小的车，搭载的是64线的激光雷达，车辆可以做到L3的自动驾驶的基本功能。是不是很有趣？

我还是为我的老东家吹一波，有多少自动驾驶初创公司与自动驾驶的同行搞自动驾驶算法的人是学Apollo的。

针对自动驾驶的初学者与自动驾驶的大佬们，我希望大家可以有更多的交流，自动驾驶的圈子还是很小众的。由衷的不希望一些公司的发展，因为想独占一些项目业务，不用其能。目前北京与上海、宁波、苏州等地区。有很多自动驾驶解决方案的集成商。自动驾驶目前技术与验有循环的周期。自动驾驶也更加迫切需要新鲜的年轻的血液进入。

本文是对自动驾驶的初步了解，从小白的视角进行讲解，不管是否有自动驾驶经验的人都可以读懂本文。

此系列的文章，本人会按之前发布的系统框架由简入难进行讲解与分析。

本人与会分析一些大厂的自动驾驶的实际案例。

本人的温馨劝告：自动驾驶有一定的技术周期，选对平台很重要，可以学习更多的知识与技术。

自动驾驶系统基础

1. 自动驾驶概念

自动驾驶从技术角度来讲，它是一门跨学科的技术，包括：电子科学、理运动科学、计算机科学、机械科学等。

自动驾驶汽车作为一款产品：自动驾驶汽车的最终的目标：自动驾驶汽车在任何场景道路下，可以实现全程自主驾驶，无人员的参与，并整个过程可以无失误状况。

个人猜想：自动驾驶目前技术很难再有创新突破，自动驾驶产品同样如此。在这样的情况下，自动驾驶产品可以与其它领域的高新产产品结合。比如说，自动驾驶与机械臂、可以实现自主帮助残疾人士。

2. 自动驾驶技术的历史发展

自动驾驶技术的发展可以追溯到几十年前。早期的自动驾驶系统主要是基于机械和电子技术，用于辅助驾驶员的操控，例如巡航控制和自动泊车系统。然而，随着计算机科学和人工智能的发展，自动驾驶技术取得了巨大进步。

Google在自动驾驶的布局可能是最早的一批牵头者。

2004年，美国国防高级研究计划局（DARPA）举办了第一个“无人驾驶挑战赛”，这是一个里程碑式的事件，激发了自动驾驶技术的研究和发展。在随后的几年里，许多科技公司和汽车制造商开始投入大量资金和资源，致力于推动自动驾驶技术的商业化。

3. 自动驾驶等级分类

判断自动驾驶技术是否安全可靠，可以参考最后的事故责任的判定方。可以参考保险公司公开的一些自动驾驶技术的评判的报告。

如果，与主机场可以说：此车在自动驾驶功能开启后，若出现事故，均由自动驾驶公司与主机厂负责。你还是要慎重，自动驾驶是一款高新技术产品同时也涉及驾驶员的安全性。

在2023年，工信部发布公务，加大对车联网的验证与管控。以及自动驾驶测试的标准。

L0级是完全的手动驾驶, 驾驶员要完成汽车的全部操控操作。L0级别并不意味着车辆完全没有智能化辅助,依然可以配备一些辅助驾驶的保护系统,如刹车辅助、盲区监测等。但这些功能对驾驶过程影响很小,驾驶员始终要全程参与驾驶。目前市面上的大多数车型仍属于L0级。

L1级是辅助驾驶级别,可以协助驾驶员完成一些简单和重复的驾驶操作。典型的L1级功能有自适应巡航系统,可以控制车辆的速度;还有车道保持系统,可以辅助控制方向。这些功能可以减轻驾驶员的部分工作量,但驾驶员仍需全程参与驾驶,随时做好接管准备。

L2级是部分自动驾驶,此时车辆可以同时控制车速和方向,完成一些基本的驾驶任务,但驾驶员仍需监控周围环境,随时接管车辆。典型的L2功能有自适应巡航搭配车道保持、自动泊车和自动变道等。目前,多数品牌推出的所谓自动驾驶功能,实际上大多数处于L2级水平。

L3级是有条件的自动驾驶,它可以在特定条件下实现自动驾驶,如高速公路或专用道路上。在这种条件下,L3级自动驾驶可以完成所有驾驶任务和周边环境监控,驾驶员可以暂时不参与驾驶。但一旦自动系统发出接管请求,驾驶员就必须立即接手车辆。目前,还没有量产车型达到真正的L3级水平。

L4级是高度自动驾驶,它可以在特定区域或环境内实现完全的自动驾驶,无需人工接管。与L3级不同,L4级系统在预定操作域内可以处理突发情况,不需要驾驶员参与。但L4也存在环境限制,无法达到随时随地的完全自动驾驶。目前也还没有车型实现真正的L4级自动驾驶。

L5级代表完全的自动驾驶,整个行车过程全由车辆自己完成,无需任何人工干预。理论上L5级自动驾驶汽车不再需要方向盘和 pedal,可以在任何时间任何地点以任何速度进行自动驾驶,完全实现无人驾驶。但由于技术和法规限制,真正做到L5级自动驾驶还需时日。

4.驶四大关键技术

1. 环境感知：这是自动驾驶的基础，涉及到的技术和设备包括多种传感器，如摄像头、激光雷达（LiDAR）、毫米波雷达和超声波雷达这些传感器负责收集汽车周围的视觉和物理信息，如车辆、行人、交通信号和标志、交通状况以及其他道路使用者等，以支持后续的决策制定。

1. 行为决策：在接收到来自环境感知模块的数据之后，自动驾驶系统需要进行分析和处理，从中提取有用的信息，结合安全、舒适性和节能性的多个方面，生成最佳的驾驶决策。这些决策随后会传递给汽车的执行器，如转向、加速速等，来实现自动化的驾驶。

1. 路径规划：过程涉及到全局路径规划和局部路径规划，旨在确定从起点到终点之间的一条最佳路线。这不仅包括几何路径规划，还可能包括避开障碍物的策略，以及对车辆行驶速度和方向的控制。
2. 运动控制：自动驾驶汽车能够按照规划的路径准确行驶的关键部分。运动控制的子集包括线控刹车油门控制需要通过车身的执行机构来完成，以便实现稳定可靠的运行控制。

车用无线通信技术动驾驶系统中不可或缺的一部分，它允许车辆与其他车辆（V2V）、人与车（V2P）、车与基础设施（V2I）以及车与网络（V2N）等进行通信，从而提高驾驶的效率和安全性

1. 自动驾驶五大域控

根据汽车功能划分，汽车电子系统可分为若干个功能块，每个功能块内部的系统架构由域控制器为主导搭建。依据整车功能，

汽车电子共分为：

1. 身域（车身电子）、
2. 动力域（安全）、
3. 底盘域（车辆运动）、
4. 座舱域 / 智能信息域（娱乐信息）、
5. 自动驾驶域（辅助驾驶）。

1.域控制器：一种智能化的动力总成管理单元，借助 CAN/FLEXRAY 实现变速器管理、引擎管理、电池监控、交流发电机调节。其优势在于为多种动力系统单元（内燃机、电动机 \ 发电机、电池、变速箱）计算和分配扭矩、通过预判驾驶策略实现 CO2 减排、通信网关等，主要用于动力总成的优化与控制，同时兼具电气智能故障诊断、智能节电、总线通信等功能。以多核安全微处理器为核心的硬件平台，对动力域内子控制器进行功能整合，集成各 ECU 的基本功能需要的硬件，针对动力域 VCU、Inverter、TCU、BMS 和 DCDC 等高级的域层次算法提供算力支持。

以 ASIL-C 安全等级为目标，具备 SOTA、信息安全、通讯管理等功能。支持的通讯类型包括 CAN/CAN-FD，Gigabit Ethernet 并对通讯提供 SHA-256 加密算法支持。面向 CPU\GPU 发展，需要支持 Adapative AUTOSAR 环境，或支持 POSIX 标准接口的操作系统。

2.底盘域：由传动系统、行驶系统、转向系统和制动系统共同构成。随着汽车智能化发展，智能汽车的感知识别、决策规划、控制执行三个核心系统中，与汽车零部件行业最贴近的是控制执行端，也就是驱动控制、转向控制、制动控制等，需要对传统汽车的底盘进行线控改造以适用于自动驾驶。线控底盘主要有五大系统，分别为线控转向、线控制动、线控换挡、线控油门、线控悬挂，线控转向和线控制动是面向自动驾驶执行端方向最核心的产品。

底盘域控制器应采用高性能、可扩展的安全计算平台，并支持传感器 - 群集及多轴惯性传感器，并且可检查和惯性传感器信号融合，实现车辆动态模型的高性能安全计算，同时达成高性价比。现如今底盘电控越来越普及，底盘上电控产品的数据往往可以达到 10 个以上，当前电子底盘系统以零部件划分，如车身稳定控制系统 ESC、电子助力系统 IBS、电子转向系统 EPS、电子悬架等，各个子系统属于不同供应商或 OEM 的不同开发部门，同时每个子系统都拥有独立的汽车动力控制系统和车辆动态控制模型，此外每个底盘电子产品的进行车辆控制的侧重点也有不同，如舒适性，操控性以及安全性。以上这些现状导致了在底盘电控开发上，软硬件耦合关系强，存在重复研发，开发成本高，各子系统存在相抵的负作用，种种问题，使得车辆控制无法达到最优的状态。

正是在这样的背景下，在高度自动驾驶领域，迫切需要底盘域控制器产品的出现。实现转向、制动、悬架的集中控制，软硬件分离；车辆的横向、纵向、垂向协同控制，更好的服务于ADAS，全面提高整车性能。首先结合现有底盘电子产品的功能定义，以及高度自动驾驶系统的需求，底盘域控制器需要实现如下的功能：

自动驾驶 - 车辆执行控制

• 指令模式仲裁控制：底盘域控制器不仅需要执行上层感知层和决策层的指令，更需要发挥自动驾驶 “小脑” 的作用，结合整车车辆状态、稳定性、安全性综合判断，决策出更优的控制指令。
• 横向、纵向、垂向线控执行控制：进行横向、纵向、垂向控制，实现 6 自由度的协同控制。
• 车辆运动状态控制：向上层反馈当前车辆运动状态，使得决策层更加有效的进行车辆控制。
• 整车稳定性控制。
• 车辆姿态，状态识别及预测。
• 主动垂向稳定控制。
• 车身稳定性控制
• 后轮转向控制

舒适性控制

• 驾驶模式切换
• 地形自适应控制
• 驾驶工况自适应控制
• 智能悬架控制
• 综合控制
• 转向助力
• 制动助力
• 驻车控制

其次为了满足高度自动驾驶的要求，需要重点考虑底盘域控制器的冗余设计。

需要包括如下冗余特征

• 传感器端，包括加速踏板开度，制动踏板开度，轮速传感器，车身高度传感器，方向盘转角力矩传感器，惯量传感器等，均需要有冗余备份。
• 在域控制器内部，需要有双路的主控芯片，电源管理芯片，预驱芯片。
• 在通讯端，需要有冗余的网络设计

智能座舱域控制器

智能座舱域控制器需要具备卓越的处理性能，以支持座舱域的应用，如语音识别，手势识别等；提供优秀的显示性能支持，同时支持虚拟化技术，支持一芯多屏显示，满足各种尺寸的仪表屏及中控屏幕显示需要，并将不同安全级别的应用进行隔离。同时提供对外对内的通讯能力，搭载 5G、千兆以太网、wifi6 等技术，提供稳定、高速的通信网络，以轻松应对 VR/AR、4K 乃至 8K 视频等高带宽应用的网络要求。针对公网通讯连接提供可靠的网联服务，实现远程控制、整车 OTA。 提升算力平台、集成度和感知通信能力。

第一，基于更高算力的座舱域控制器芯片，开发产品集成度更高。集成仪表，T-BOX 和车机、空调控制、HUD、后视镜、DMS 等。

第二，开发 AR/ 抬头显示 HUD、内后视镜替代屏、外后视镜替代视觉系统、仪表屏、中控屏、副驾显示屏、后排娱乐屏等多屏互动交互方案，提升用户体验。

第三，基于 wifi6、5G, CV2X 以及多模融合的高精定位技术，开发智能天线产品，通信可靠性高，低时延，高带宽，为智能网联汽车提供多重无线通讯整合的车联网方案。

6.网络通信系统基础

1、CAN总线系统

常见的车载网络通信系统有：CAN总线系统、LIN总线系统、LAN总线系统和MOST总线系统，其中CAN总线应用最为广泛。CAN总线系统是BOSCH和Intel公司专门为汽车内部数据交换开发的一种总线系统，高速驱动CAN总线由微处理器、控制器、收发器、两条双绞线、两个数据传输终端组成，低速车身或舒适CAN总线少了终端电阻，可以单根线运行。

2、LIN总线系统

LIN总线系统是CAN总线网络下的子系统，是奥迪、宝马、戴姆勒-克莱斯勒、大众、沃尔沃、思卡尔半导体、VCT通信公司提出的一个汽车底层网络协议，应用于汽车传感器和执行器之间的联网。

二、车载网络通信方式

1、CAN通信方式

CAN总线是一种多主控的总线系统，采用优先级原则先后传输信息。CAN信号采用差分电压传输，两条信号线被称为CAN-H和CAN-L。驱动系统CAN静态时都是2.5V左右，此时状态为"隐性"，用逻辑“1”表示；驱动系统CAN动态时，CAN-H是3.5V，CAN-L是1.5V，此时状态为"显性"，用逻辑“0”表示。舒适系统CAN与驱动CAN系统差分电压有很大的区别

当CAN总线受到点火、手机等信号干扰时，铰接的双绞线同时收到干扰，它们的差值不变，故差分信号抗干扰能力强传输稳定。

2、LIN总线通信方式

LIN总线采用一主多从的方式组网，数据传输在主节点协调下进行。LIN总线参考地电压是“显性”，用逻辑“0”表示；电源电压是“隐性”，用逻辑“1”表示。

7.车载系统（硬件）

激光雷达

定义：激光雷达又称光学雷达（LiDAR，Light Detection And Ranging），是一种先进的光学遥感技术。

原理：向物体发射激光，根据接收反射时间间隔确定目标物体实际距离。

作用：激光雷达可以用于测量物体距离和表面形状。其测量精度可达厘米级。主流的多线激光雷达有4线、8线、16线、32线和64线。

优点：具有较高的距离、角度、速度分辨率，抗干扰能力强，点云信息丰富，不易受光照条件影响，可用于全天工作。

缺点：激光雷达会受天气（雨天，雾天）影响，空气中的悬浮物对光速产生影响，从而影响测量结果精度。

毫米波雷达

定义：毫米波就是电磁波，其频率通常介于10～300GHz频域之间。

原理：雷达通过发射无线电信号并接收反射信号来测定车辆与物体间的距离，毫米波雷达的测距和测速原理都是基于多普勒效应。

作用：被广泛应用于车载距离探测，如自适应巡航、碰撞预警、盲区探测、自动紧急制动等。

优点：与厘米波导引头相比，毫米波导引头体积小、质量轻、空间分辨率高；与红外、激光、电视等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强；另外，毫米波导引头的抗干扰性能也优于其他微波导引头。毫米波雷达具有全天候，全天时的工作特性，且探测距离远，探测精度高。

缺点：无法检测上过漆的塑料或者木头。对金属表面敏感，一个弯曲的金属表面会被认为是一个很大的金属面，因此路上的小易拉罐可能会被认为是很大的障碍，在大桥和隧道表现不佳。

超声波雷达

定义：超声波雷达，发射并接收40kHz的超声波。

原理：发射接收超声波，根据时间差算出障碍物距离。

作用：常见的超声波雷达有两种：第一种是安装在汽车前后保险杠上的倒车雷达，称为超声波驻车辅助传感器（UPA）；第二种是安装在汽车侧面，称为自动泊车辅助传感器（APA）。其测距精度大约是1-3厘米左右。

优点：超声波雷达抗环境干扰能力强,对天气变化不敏感。

缺点：超声波是一种机械波，使得超声波雷达有着根源性的局限性：对温度敏感。超声波散射角大，方向性较差，无法精确描述障碍物位置。

摄像头

定义：一般具有视频摄像/传播和静态图像捕捉等基本功能，它是借由镜头采集图像后，由摄像头内的感光组件电路及控制组件对图像进行处理并转换成电脑所能识别的数字信号，然后借由并行端口或USB连接输入到电脑后由软件再进行图像还原。

原理：单目摄像头主要基于机器学习，对图像数据进行训练和学习。双目摄像头基于视差原理测量驾驶环境，测距精度较高。

作用：车载摄像头分为单目和双目，用于环境感知。

优点：摄像头的感知图像信息覆盖内容丰富，成本较低。

缺点：受光线，天气影响大。

GNSS

定义：卫星导航定位系统是星基无线电导航系统，以人造地球卫星作为导航台，为全球海陆空的各类军民载体提供全天候的、高精度的位置、速度和时间信息。目前世界上著名的卫星导航系统有美国的全球定位系统（GPS）、俄罗斯的全球导航卫星系统（GLONASS）、中国的北斗卫星导航系统（BDS）以及欧盟伽利略（Galileo）系统。

原理：GNSS的基本原理是测量出已知位置的卫星到用户接收机之间的距离,综合多颗卫星的数据就可知道接收机的具体位置。

作用：对目标物体进行定位，提供经纬度，速度，方向等信息。

优点：全天候定位，高精度的位置、速度和时间信息。

缺点：多路径效应，数据更新频率低，不能在隧道或者室内定位。

IMU

定义：检测和测量加速度与旋转运动的传感器，包括加速度计和角速度计。

原理：加速度计工作原理是惯性原理，也就是力的平衡，A（加速度）=F（惯性力）/M（质量）。角速度计工作原理是利用了角动量守恒原理。

作用：加速度计测量目标物体的加速度，根据牛二定律可以求出目标物体的俯仰角，加速度二次积分可以计算目标物体的速度，但是这个速度并不准确。角速度计测量目标物体的角速度，角速度积分后可以计算车辆方向。

优点：数据更新频率快，不受外部环境影响。

缺点：有累计误差。

多传感器融合

由于各个传感器都有局限性且实现的功能不同，难以互相替代，需要多个传感器之间取长补短，来提升定位的正确率和精确度，于是诞生了多传感器融合。多传感器融合方案将会在定位模块介绍。感知模块也有自己的融合方案。定位的多传感器融合主要是提升定位正确率和精度，感知模块的多传感器融合提升感知识别结果正确率。

8.高精度地图

高精度地图作用

辅助感知

如果感知识别到的物体在高精度地图中不存在，说明该物体可能是障碍物。

辅助定位

使用车辆位置做地图匹配，提升车辆位置精度。

辅助路径规划

高精度地图可以缩小路径选择范围，以便选择最佳避障方案。

辅助决策，控制

高精度地图可为自车加减速，并道，转弯等提供关键道路信息，与其他传感器数据形成互补，辅助控制。

高精度地图使用的技术

（1）图像采集：通过摄像机等工具采集真实道路环境下的图像，形成数据集。

（2）图像预处理：对数据集中的图像进行扩充同时对图像进行标注工作，便于后期进行深度学习训练模型使用。

（3）图像分割：将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的过程。

（4）边缘检测：找出图像中亮度变化剧烈的像素点构成的集合。

（5）图像细化：将图像的线条从多像素宽度减少到单位像素宽度的过程。通过减少图像的像素数来达到压缩图像的目的。

（6）特征提取：将数据集中的每一幅图像输入到深度学习模型中，在特定的卷积层中提取图像的深度学习特征，便于图像识别工作。

（7）特征参数计算：参数计算对卷积神经网络（Convolutional Neural Networks，CNN）来至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都决定最终输出模型与参数、计算复杂度等。

（8）图像识别：将任意一幅待识别的图像输入到深度学习训练 模型中，提取样本的深度学习特征并对图像进行识别，判断该图像中的物体属于哪个类别并显示识别物体的准确率。

9.光点云配准

激光点云由于其精度高，数据特征描述准确等特点，其处理技术广泛地应用于自动驾驶中。在高精度地图制作中，通常使用激光雷达扫描获取点云数据，进而重建三维道路环境，并利用重建好的三维环境进行道路要素特征的提取与识别，准确地反映道路环境并描述其道路环境特征，准确表述道路环境特征，得到高精度点云地图。同时，其处理后的激光点云数据能够与图像数据进行映射或融合处理，得到信息更加丰富的彩色激光点云地图，为人工检测与修订提供充分的数据基础。

激光雷达获取的原始数据集以激光点云文件形式进行存储。点云文件包含物体表面的离散点集、法向量、颜色或标签等基本信息，但缺少物体的曲面、体积以及各顶点间的几何拓扑等信息。

在激光点云数据的采集过程中，由于采集角度有限，可能需要从道路的多个方向进行多次采集，以保证采集数据的可靠性和完整性。此外，由于在采集车辆的运动过程中，采集到的激光点云数据会包含误差，进而不能准确地描述道路三维环境。因此，我们需要利用激光点云配准技术将从各个视角下采集到的含有误差的激光点云通过旋转平移，消除误差并统一到同一坐标系下，还原道路的三维环境。

激光点云配准算法繁多，主要分为粗配准以及精配准两种：

粗匹配：用于两片激光点云初始位置误差较大的情况下快速取得两片激光点云的转换关系，输出精度不高。

精匹配：适用于初始位置误差较小的情况下对两片激光点云的坐标进行精准的计算，输出精度高。

 同步定位与建图

SLAM最早在机器人领域应用，指机器人从未知环境的未知地点出发，在运动过程中通过观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的地图，从而达到同时定位和地图构建的目的。

激光SLAM：通过激光雷达获取自动驾驶车辆周围环境的激光点云数据，激光雷达能以很高的精度测量出车辆周围物体的角度和距离，从而很方便地实现SLAM及避障等功能。

视觉SLAM：通过摄像头采集来的数据进行同步定位与地图构建。其中视觉SLAM主要有两种实现途径，一种是基于RGB-D的深度摄像机，另一种是基于单目、双目或者鱼眼摄像头。

前端（视觉里程计）：通过相邻图像估计出粗略的相机位姿，在视觉里程计过程中会出现累积漂移。

回 环 检 测：检测相机是否经过同一个地点。

后 端 （优化）：处理SLAM过程中的噪声。

建 图：子系统接受不同时刻的位姿信息以及回环信息，进行优化后得到相机轨迹和地图。

 据云技术:OTA数据更新与回传

空中下载技术（Over the Air Technology，OTA）是通过移动通信（GSM、CDMA等）网络空中接口对数据及应用进行远程管理的技术

固件在线升级（FOTA）：

通过空中接口给电子控制单元（ECU）等车载设备下载完整的固件镜像，或修补现有固件、更新闪存。

软件在线升级（SOTA）：

应用程序和地图数据等的更新。

回传数据内容：

APP运行数据：

APP的运行日志、崩溃日志、API调用等信息

车辆状态数据：

车辆的定位数据、速度、航向和数据置信度等信息

车身传感器数据：

通过传感器获取的雨刷速度、电量、胎压和车内温度等数据

地图采集数据：

传感器所采集到的图像、视频以及识别出的结构化数据等

10.结尾——自动驾驶测试场景框架

1. 1.1自动驾驶测试场景
2. 1.2自动驾驶测试概述
3. 1.3自动驾驶场景研究背景
4. 1.4测试场景概述
5. 1.5自动驾驶场景需求设计与分析
6. 1.6需求的对比与总结
7. 1.7自动驾驶测试方法论   

                                                                   胡说