无人驾驶系统真的很难懂？一篇文章告诉你答案

如今，无人驾驶技术通常分为三部分：环境感知和定位、决策规划和运动控制。

环境感知和定位负责确定汽车周围有汽车或行人的位置，以及前方是红色还是绿色，即确定环境和汽车的状态。

决策规划负责汽车应该做什么，是跟随还是绕过，加速还是减速，以及什么样的路线是安全、高效和相对舒适的。

运动控制必须以电子方式改变传统汽车的执行机构。在将决策指令和轨迹交给控制器后，电机、转向、制动等执行器应以较小的偏差尽快跟上计划的轨迹，就像强壮的身体可以完成大脑的指令一样。

环境感知是无人驾驶的“眼睛”。

在无人驾驶汽车中，传感器组成传感模块，取代驾驶员的感官，快速准确地获取环境状态信息，包括障碍物的距离、前方红绿灯的指示、限速标志上的数字以及车辆位置和速度等车辆状态，这是车辆安全驾驶的保证。常用的检测环境条件的传感器包括摄像头、激光雷达、毫米波雷达、超声波传感器等。用于确定车辆状态的传感器包括GPS/INS、轮速传感器等。

无人驾驶汽车需要多个传感器协同工作。

相机可以根据物体的特征对障碍物进行分类。如果你需要获得障碍物的深度信息，你需要两个摄像头，这通常被称为双目立体视觉。两只眼睛里的两个摄像头保持一定的距离，就像人眼的视差一样。通过三角测量原理计算像素之间的偏移量，得到物体的三维信息。除了帮助汽车确定自己的位置和速度外，双目摄像头的主要功能是识别道路上的红绿灯和信号标志，确保自动驾驶遵守道路交通规则。然而，双目相机受天气条件和照明条件变化的影响很大，计算量也相当大，这对计算单元的性能要求非常高。

无人车中常用的雷达包括激光雷达和毫米波雷达。激光雷达主要通过发射激光束来探测目标的位置和速度。激光雷达具有更宽的探测范围和更高的距离和位置探测精度，因此被广泛应用于障碍物探测、三维环境信息采集、车辆距离维护和车辆避障等领域。然而，激光雷达很容易受到天气的影响，在雨雪雾天气下性能较差。此外，激光发射器的光束越多，每秒收集的点云就越多，检测性能就越好。然而，线束越多，激光雷达就越贵。64根线束的激光雷达比16根线束的贵10倍。目前，百度和谷歌无人驾驶汽车都搭载了64线激光雷达。

激光雷达点云示意图

毫米波雷达与激光雷达相比，具有波束窄、分辨率高、抗干扰能力强、导引头穿透雾、烟尘能力强、环境适应性好等优点。雨、雾或夜间等天气条件对毫米波传输几乎没有影响。此外，它的导引头具有体积小、重量轻、空间分辨率高的特点。随着单片微波集成电路技术的发展，毫米波雷达的价格和外形尺寸都大大降低。然而，检测距离直接受到频带损耗的限制，不可能感知行人并对周围的所有障碍物进行精确建模。

超声波传感器的数据处理简单快速，主要用于近距离检测障碍物。通常，它可以检测大约1到5米的距离，但无法检测详细的位置信息。此外，当汽车高速行驶时，使用超声波测距无法跟上汽车距离的实时变化，误差较大。另一方面，超声波散射角大，指向性差，在测量远距离目标时，其回波信号较弱，而……

将影响测量精度。然而，在低速和短距离测量中，超声波测距传感器具有很大的优势。

超声波传感器

GPS/INS和轮速传感器主要用于确定蒸汽本身的位置，通常将其数据进行融合以提高定位精度。

多传感器融合是环境感知模块中一种非常常见的算法。它可以减少误差。例如，图像的边缘经常出现在深度不连续的地方。通过提取二维图像（由相机获得）的边缘，并对激光雷达给出的深度信息进行共点映射，可以将二维透视图像中道路的消失点与三维雷达信息相匹配，从而可以更准确地划分路面和周围的建筑物。

此外，高精度地图也是自动驾驶的有力支撑。如果有非常准确的地图信息，可以一次直接用地图规划车道线，这样可以减少视觉识别车道线的任务。

决策和规划是无人驾驶的“大脑”。

了解图形卡制造商NVIDA如何对无人驾驶行为做出决策。

目前，主流决策框架分为两种算法：基于专家算法的决策和基于机器学习的决策，后者越来越受到关注和研究。例如，NVIDIA使用卷积神经网络（CNN），通过经过训练的卷积神经网络，从车前摄像头拍摄的原始像素图像中输出汽车的方向控制命令。它的无人驾驶汽车可以在山路和建筑工地等非结构化道路上行驶，而这些路况很难排气，因此用传统的专家算法通过条件判断来划分多变的情况是不现实的。

NVIDIA的学习框架如下：

训练数据包括从视频中采样的单帧视频和相应的方向控制命令。将预测的方向控制命令与理想控制命令进行比较，然后通过反向传播算法调整CNN模型的权重，使预测值尽可能接近理想值。经过训练的模型可以使用前方摄像机的数据来生成方向控制命令。

最关键的卷积神经网络（CNN）结构如下：

输出是转弯半径的倒数，输入是图像。

在五层卷积之后，连接三个完全连接的层，以模拟大脑神经的决策。

卷积特征图用于提取特征，并模拟视觉神经来区分不同的对象。

网络的第一层对输入图像进行归一化。网络模型中的归一化可以使归一化过程根据网络结构进行调整，并可以加速GPU的处理过程。

NVIDIA的技术方案，从图像输入到控制（方向盘角度）输出的端到端决策方法是一个黑匣子系统。如果出现问题，我们无法像专家算法一样找出这个错误决策的原因。

因此，一种更可行的方案是利用神经网络进行环境感知和认知，例如识别红绿灯、人和车的姿势、山路的可行驶区域等，然后将这些处理后的环境信息发送给决策部门进行判断。环境信息的类型可以是包含各种障碍物信息的地图，也可以是驾驶情况地图（即，只提供哪个区域相对安全或危险，而不提供所有障碍物信息），并且有许多方案可供尝试。

走哪条路？路径规划非常重要！

路径规划是智能车辆导航和控制的基础，从轨迹决策的角度考虑，可分为局部路径规划和全局路径规划。

全局路径规划的任务是根据全局地图数据库信息，规划一条从起点到目标点的无碰撞且可通行的路径，但这只是从起点到目的点的粗略路径。在无人车的实际驾驶过程中，它会受到方向、宽度、曲率、道路交叉口和路障的影响，以及当地环境和车辆状态的不确定性，因此会遇到各种不可预测的情况。有必要基于局部环境信息和车辆状态信息来规划理想的无碰撞局部路径，这就是局部路径规划。

局部路径规划相当于无人驾驶汽车的“大脑”。它从感知系统中获取道路和障碍物等环境信息，并获得上级决策给出的起点和目标点的位置信息。经过处理后，它可以实时生成安全平稳的驾驶轨迹。由于车辆的路径是具有时间属性的轨迹，因此轨迹规划通常分为路径规划和速度规划。路径规划通常使用样条曲线来拟合满足避障、最大曲率和曲率连续性约束的路径，而速度规划则沿着拟合的路径生成满足最大速度和最大加速度约束的速度分布。最终方案以转向角和速度数据的形式传输到底盘控制系统，使车辆实现车道跟随和避障功能。

一切决定之后，剩下的就是车辆的运动了！

与传统的控制器和执行器相比，无人车更喜欢使用线控执行器，如线控转向、线控制动和线控驱动，以实现精确控制。

在局部路径规划中，自动驾驶汽车综合考虑周围环境、自身车辆状态等约束条件，规划理想的变道路径，并将指令传达给相关执行机构。如果执行器不能满足路径对车辆转弯角度的要求，则会偏离计划路径。所以运动控制的算法也是非常重要的。

无人驾驶的未来发展趋势是什么？

目前，无人车的技术路线主要分为两类。一种是基于本文介绍的车载传感器获取各种信息，另一种是通过车间通信以及基于5G通信技术的车辆与基础设施之间的通信来获取环境信息。相比较而言，前者不取决于基础设施的改造，也不取决于市场上其他汽车是否智能化的前提，因此更容易实现。尽管无人驾驶已经能够相对安全地控制99%的路况，但剩下的1%需要99%的工程师精力来解决。就在2020年之前，智能汽车仍应以ADAS的形式呈现给消费者。如今，无人驾驶技术通常分为三部分：环境感知和定位、决策规划和运动控制。

环境感知和定位负责确定汽车周围有汽车或行人的位置，以及前方是红色还是绿色，即确定环境和汽车的状态。

决策规划负责汽车应该做什么，是跟随还是绕过，加速还是减速，以及什么样的路线是安全、高效和相对舒适的。

运动控制必须以电子方式改变传统汽车的执行机构。在将决策指令和轨迹交给控制器后，电机、转向、制动等执行器应以较小的偏差尽快跟上计划的轨迹，就像强壮的身体可以完成大脑的指令一样。

环境感知是无人驾驶的“眼睛”。

在无人驾驶汽车中，传感器组成传感模块，取代驾驶员的感官，快速准确地获取环境状态信息，包括障碍物的距离、前方红绿灯的指示、限速标志上的数字以及车辆位置和速度等车辆状态，这是车辆安全驾驶的保证。常用的检测环境条件的传感器包括摄像头、激光雷达、毫米波雷达、超声波传感器等。用于确定车辆状态的传感器包括GPS/INS、轮速传感器等。

无人驾驶汽车需要多个传感器协同工作。

相机可以根据物体的特征对障碍物进行分类。如果你需要获得障碍物的深度信息，你需要两个摄像头，这通常被称为双目立体视觉。两只眼睛里的两个摄像头保持一定的距离，就像人眼的视差一样。通过三角测量原理计算像素之间的偏移量，得到物体的三维信息。除了帮助汽车确定自己的位置和速度外，双目摄像头的主要功能是识别道路上的红绿灯和信号标志，确保自动驾驶遵守道路交通规则。然而，双目相机受天气条件和照明条件变化的影响很大，计算量也相当大，这对计算单元的性能要求非常高。

无人车中常用的雷达包括激光雷达和毫米波雷达。激光雷达主要通过发射激光束来探测目标的位置和速度。激光雷达具有更宽的探测范围和更高的距离和位置探测精度，因此被广泛应用于障碍物探测、三维环境信息采集、车辆距离维护和车辆避障等领域。然而，激光雷达很容易受到天气的影响，在雨雪雾天气下性能较差。此外，激光发射器的光束越多，每秒收集的点云就越多，检测性能就越好。然而，线束越多，激光雷达就越贵。64根线束的激光雷达是电子雷达的10倍……

比16个线束的价格要便宜。目前，百度和谷歌无人驾驶汽车都搭载了64线激光雷达。

激光雷达点云示意图

毫米波雷达与激光雷达相比，具有波束窄、分辨率高、抗干扰能力强、导引头穿透雾、烟尘能力强、环境适应性好等优点。雨、雾或夜间等天气条件对毫米波传输几乎没有影响。此外，它的导引头具有体积小、重量轻、空间分辨率高的特点。随着单片微波集成电路技术的发展，毫米波雷达的价格和外形尺寸都大大降低。然而，检测距离直接受到频带损耗的限制，不可能感知行人并对周围的所有障碍物进行精确建模。

超声波传感器的数据处理简单快速，主要用于近距离检测障碍物。通常，它可以检测大约1到5米的距离，但无法检测详细的位置信息。此外，当汽车高速行驶时，使用超声波测距无法跟上汽车距离的实时变化，误差较大。另一方面，超声波散射角大，指向性差，在测量远距离目标时，其回波信号会很弱，这会影响测量精度。然而，在低速和短距离测量中，超声波测距传感器具有很大的优势。

超声波传感器

GPS/INS和轮速传感器主要用于确定蒸汽本身的位置，通常将其数据进行融合以提高定位精度。

多传感器融合是环境感知模块中一种非常常见的算法。它可以减少误差。例如，图像的边缘经常出现在深度不连续的地方。通过提取二维图像（由相机获得）的边缘，并对激光雷达给出的深度信息进行共点映射，可以将二维透视图像中道路的消失点与三维雷达信息相匹配，从而可以更准确地划分路面和周围的建筑物。

此外，高精度地图也是自动驾驶的有力支撑。如果有非常准确的地图信息，可以一次直接用地图规划车道线，这样可以减少视觉识别车道线的任务。

决策和规划是无人驾驶的“大脑”。

了解图形卡制造商NVIDA如何对无人驾驶行为做出决策。

目前，主流决策框架分为两种算法：基于专家算法的决策和基于机器学习的决策，后者越来越受到关注和研究。例如，NVIDIA使用卷积神经网络（CNN），通过经过训练的卷积神经网络，从车前摄像头拍摄的原始像素图像中输出汽车的方向控制命令。它的无人驾驶汽车可以在山路和建筑工地等非结构化道路上行驶，而这些路况很难排气，因此用传统的专家算法通过条件判断来划分多变的情况是不现实的。

NVIDIA的学习框架如下：

训练数据包括从视频中采样的单帧视频和相应的方向控制命令。将预测的方向控制命令与理想控制命令进行比较，然后通过反向传播算法调整CNN模型的权重，使预测值尽可能接近理想值。经过训练的模型可以使用前方摄像机的数据来生成方向控制命令。

最关键的卷积神经网络（CNN）结构如下：

输出是转弯半径的倒数，输入是图像。

在五层卷积之后，连接三个完全连接的层，以模拟大脑神经的决策。

卷积特征图用于提取特征，并模拟视觉神经来区分不同的对象。

网络的第一层对输入图像进行归一化。网络模型中的归一化可以使归一化过程根据网络结构进行调整，并可以加速GPU的处理过程。

NVIDIA的技术方案，从图像输入到控制（方向盘角度）输出的端到端决策方法是一个黑匣子系统。如果有问题……

我们无法像专家算法一样找出这种错误决策的原因。

因此，一种更可行的方案是利用神经网络进行环境感知和认知，例如识别红绿灯、人和车的姿势、山路的可行驶区域等，然后将这些处理后的环境信息发送给决策部门进行判断。环境信息的类型可以是包含各种障碍物信息的地图，也可以是驾驶情况地图（即，只提供哪个区域相对安全或危险，而不提供所有障碍物信息），并且有许多方案可供尝试。

走哪条路？路径规划非常重要！

路径规划是智能车辆导航和控制的基础，从轨迹决策的角度考虑，可分为局部路径规划和全局路径规划。

全局路径规划的任务是根据全局地图数据库信息，规划一条从起点到目标点的无碰撞且可通行的路径，但这只是从起点到目的点的粗略路径。在无人车的实际驾驶过程中，它会受到方向、宽度、曲率、道路交叉口和路障的影响，以及当地环境和车辆状态的不确定性，因此会遇到各种不可预测的情况。有必要基于局部环境信息和车辆状态信息来规划理想的无碰撞局部路径，这就是局部路径规划。

局部路径规划相当于无人驾驶汽车的“大脑”。它从感知系统中获取道路和障碍物等环境信息，并获得上级决策给出的起点和目标点的位置信息。经过处理后，它可以实时生成安全平稳的驾驶轨迹。由于车辆的路径是具有时间属性的轨迹，因此轨迹规划通常分为路径规划和速度规划。路径规划通常使用样条曲线来拟合满足避障、最大曲率和曲率连续性约束的路径，而速度规划则沿着拟合的路径生成满足最大速度和最大加速度约束的速度分布。最终方案以转向角和速度数据的形式传输到底盘控制系统，使车辆实现车道跟随和避障功能。

一切决定之后，剩下的就是车辆的运动了！

与传统的控制器和执行器相比，无人车更喜欢使用线控执行器，如线控转向、线控制动和线控驱动，以实现精确控制。

在局部路径规划中，自动驾驶汽车综合考虑周围环境、自身车辆状态等约束条件，规划理想的变道路径，并将指令传达给相关执行机构。如果执行器不能满足路径对车辆转弯角度的要求，则会偏离计划路径。所以运动控制的算法也是非常重要的。

无人驾驶的未来发展趋势是什么？

目前，无人车的技术路线主要分为两类。一种是基于本文介绍的车载传感器获取各种信息，另一种是通过车间通信以及基于5G通信技术的车辆与基础设施之间的通信来获取环境信息。相比较而言，前者不取决于基础设施的改造，也不取决于市场上其他汽车是否智能化的前提，因此更容易实现。尽管无人驾驶已经能够相对安全地控制99%的路况，但剩下的1%需要99%的工程师精力来解决。就在2020年之前，智能汽车仍应以ADAS的形式呈现给消费者。

标签：

汽车资讯热门资讯