姓名：刘帆；学号：20021210609；学院：电子工程学院
转载于：
https://blog.csdn.net/u011344545/article/details/89432433
【嵌牛导读】随着深度学习技术的崛起、人工智能的备受关注，自动驾驶，作为AI中备受关注的重要落脚点，也被炒的火热，更让人充满了幻想。
【嵌牛鼻子】自动驾驶汽车，人工智能
【嵌牛提问】自动驾驶汽车运用了哪些技术？
【嵌牛正文】
自动驾驶汽车关键技术包括环境感知、精准定位、决策与规划、控制与执行、高精地图与车联网 V2X 以及自动驾驶汽车测试与验证技术；人工智能在自动驾驶汽车中的应用包括人工智能在环境感知中的应用、人工智能在决策规划中的应用、人工智能在车辆控制中的应用。
自动驾驶汽车通过摄像机、激光雷达、毫米波雷达、超声波等车载传感器来感知周围的环境，依据所获取的信息来进行决策判断，由适当的工作模型来制定相应的策略，如预测本车与其他车辆、行人等在未来一段时间内的运动状态，并进行避碰路径规划。在规划好路径之后，接下来需要控制车辆沿着期望的轨迹行驶。车辆控制系统包括横向控制（转向）与纵向控制（速度）。当然，上述的动作都是基于传感器实时获取环境信息所做的局部路径规划下的动作，还需要与基于完整环境信息的全局路径相结合，如下图所示
1.1 环境感知
（1）摄像头
自动驾驶汽车中配置的视觉传感器主要是工业摄像机，它是最接近于人眼获取周围环境信息的传感器。摄像机可以识别车辆行驶环境中的车辆、行人、车道线、路标、交通标志、交通信号灯等。它具有较高的图像稳定性、抗干扰能力和传输能力。
摄像机按照芯片类型可分为 CCD 摄像机和 CMOS 摄像机两种。
（2）激光雷达
激光雷达是以发射激光束来探测目标空间位置的主动测量设备。根据探测原理，激光雷达分为单线（二维）激光雷达和多线（三维）激光雷达。
目前，国际市场上推出的主要有 4 线、8 线、16 线、32 线和 64 线。激光雷达发出的线束越多，每秒采集的点云越多，同时造价也越高。例如，美国 Velodyne 公司的 16 线激光雷达 VLP-16（Puck）目前售价是 3999 美元，而 64 线激光雷达 HDL-64E 的售价高达 7 万美元。
激光雷达的技术门槛和成本较高。目前，激光雷达已经发展了三代产品，包括第一代机械扫描激光雷达、第二代混合固态激光雷达以及第三代纯固态激光雷达。第三代纯固态激光雷达可以使激光雷达的成本大幅度降低，使激光雷达在自动驾驶汽车上的应用能够普及。
除了前面提到的Velodyne公司，一些初创公司也进入该领域并展现了相当的技术实力，如美国的 Quanergy 公司、Liminar 公司和以色列的 Innoviz 公司。在 CES 2017 上，Quanergy公司的纯固态激光雷达 Quanergy S3 是世界上首个低成本的固态激光雷达，因其固态扫描技术和无机械旋转部件的解决方案获得了汽车智能类的最佳创新奖。Quanergy 的固态传感器芯片定价仅为 250 美元。
（3）毫米波雷达
毫米波雷达是指工作在毫米波波段。频率在 30—300GHz 之间的雷达。根据测量原理的不同，毫米波雷达可分为脉冲方式毫米波雷达和调频连续波方式毫米波雷达两种。
毫米波雷达具有全天候、探测距离远、价格便宜、质量轻、体积小等优点，能够较精确得到目标的相对距离和相对速度。不足之处是分辨率低，在很多场合易受干扰。
（4）超声波传感器
超声波传感器是利用超声波的特性研制而成的，工作在机械波波段，工作频率在 20kHz以上。超声波雷达的数据处理简单快速，检测距离较短，多用于近距离障碍物检测。超声波具有频率高、波长短、绕射现象小、方向性好、能够成为射线而定向传播等优点。超声波雷达的不足在于距离信息不精准，一般用于精度要求不高的地方，如倒车雷达等。
（5）环境感知关键技术
目前，环境感知技术有两种技术路线，一种是以摄像机为主导的多传感器融合方案，典型代表是特斯拉。另一种是以激光雷达为主导，其他传感器为辅助的技术方案，典型企业代表如谷歌、百度等。
1. 2精准定位
自动驾驶汽车的基础是精准导航，不仅需要获取车辆与外界环境的相对位置关系，还需要通过车身状态感知确定车辆的绝对位置与方位。
（1）惯性导航系统
惯性导航系统由陀螺仪和加速度计构成，通过测量运动载体的线加速度和角速率数据，并将这些数据对时间进行积分运算，从而得到速度、位置和姿态。
（2）轮速编码器与航迹推算
可以通过轮速编码器推算出自动驾驶汽车的位置。通常轮速编码器安装在汽车的前轮，分别记录左轮与右轮的总转数。通过分析每个时间段里左右轮的转数，可以推算出车辆向前走了多远，向左右转了多少度等。由于在不同地面材质（如冰面与水泥地）上转数对距离转换存在偏差，随着时间推进，测量偏差会越来越大，因此单靠轮测距器并不能精准估计自动驾驶汽车的位姿。
（3）卫星导航系统
目前全球卫星导航系统包括美国的 GPS、俄罗斯的 GLONASS、中国的北斗卫星导航系统。
参考：https://blog.csdn.net/u011344545/column/info/31553
（4）SLAM系统
SLAM（Simultaneous Localization And Mapping，即时定位与地图构建），也称为 CML（Concurrent Mapping and Localization，并发建图与定位）。SLAM 最早由 Smith、Self 和Cheeseman 于 1988 年提出。SLAM 起源于机器人领域，SLAM 问题可以描述为：机器人在未知环境中开始启动，并尝试从一个未知位置开始移动，在移动过程中根据自身位姿估计和地图匹配进行自身定位。然后在自身定位的基础上实现运动中拓展地图，最终实现全局机器人的自主定位和导航。
目前主流有两种 SLAM 策略。
第一种是基于激光雷达的 SLAM，以谷歌汽车为例。车辆携带有 GPS，通过 GPS 对位置进行判断，并以激光雷达 SLAM 点云图像与高精度地图进行坐标配准，匹配后确认自身位姿。
第二种是基于视觉的 SLAM，以 Mobileye 为例。Mobileye 提出一种无需 SLAM 的定位方法——REM。车辆通过采集包括信号灯、指示牌等标识，得到了一个简单的三维坐标数据，再通过视觉识别车道线等信息，获取一个一维数据。摄像机中的图像与 REM 地图中进行配准，即可完成定位。
1.3 决策与规划
自动驾驶汽车的行为决策与路径规划是指依据环境感知和导航子系统输出信息，通过一些特定的约束条件如无碰撞、安全到达终点等，规划出给定起止点之间多条可选安全路径，并在这些路径中选取一条最优的路径作为车辆行驶轨迹。
通常情况下,自动驾驶汽车的决策与规划系统主要包含以下两项内容:
路径规划：即路径局部规划,自动驾驶车的路径规划算法会在行驶任务设定之后将完成任务的最佳路径选取出来,避免碰撞和保持安全距离。在此过程中,会对路径的曲率和弧长等进行综合考量,从而实现路径选择的最优化。
驾驶任务规划：即全局路径规划。主要的规划内容是指行驶路径范围的规划。当自动驾驶汽车上路行驶时,驾驶任务规划会为汽车的自主驾驶提供方向引导方面的行为决策方案,通过 GPS 技术进行即将需要前进行驶的路段和途径区域的规划与顺序排列。
目前,自动驾驶汽车主要使用的行为决策算法有以下3种:
基于神经网络：自动驾驶汽车的决策系统主要采用神经网络确定具体的场景并做出适当的行为决策。
基于规则：工程师想出所有可能的“ if-then 规则”的组合,然后再用基于规则的技术路线对汽车的决策系统进行编程。
混合路线：结合了以上两种决策方式,通过集中性神经网络优化,通过"if-then 规则"完善。混合路线是最流行的技术路线。
感知与决策技术的核心是人工智能算法与芯片。人工智能算法的实现需要强大的计算能力做支撑，特别是深度学习算法的大规模使用，对计算能力提出了更高的要求。随着人工智能业界对于计算能力要求的快速提升。
目前，市场上采用的自动驾驶主流芯片主要分为两种，一种是英特尔-Mobileye 开发的Mobileye® EyeQX™系列车载计算平台。另一种是英伟达提供的 NVIDIA Drive PX 系列车载计算平台。
1.4 控制与执行
自动驾驶汽车的车辆控制系统是自动驾驶汽车行驶的基础，包括车辆的纵向控制和横向控制。纵向控制，即车辆的驱动与制动控制，是指通过对油门和制动的协调，实现对期望车速的精确跟随。横向控制，即通过方向盘角度的调整以及轮胎力的控制，实现自动驾驶汽车的路径跟踪。
(1)纵向控制：自动驾驶汽车采用油门和制动综合控制的方法来实现对预定车速的跟踪,各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制算法相结合,构成了各种各样的纵向控制模式。
(2)横向控制：车辆横向控制主要有两种基本设计方法:基于驾驶员模拟的方法基于车辆动力学模型的控制方法。
基于驾驶员模拟的方法:一种是使用较简单的动力学模型和驾驶员操纵规则设计控制器;另一种是用驾驶员操纵过程的数据训练控制器获取控制算法。
基于车辆动力学模型的方法:需要建立较精确的汽车横向运动模型。典型模型如单轨模型,该模型认为汽车左右两侧特性相同。
