自动驾驶_自动驾驶技术 - CSDN
自动驾驶 订阅
自动驾驶汽车(Autonomous vehicles;Self-driving automobile )又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史,21世纪初呈现出接近实用化的趋势。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。 [1]  2019年9月,由百度和一汽联手打造的中国首批量产L4级自动驾驶乘用车——红旗EV,获得5张北京市自动驾驶道路测试牌照 [2]  。9月22日,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得全球首张自动驾驶车辆商用牌照。 [3]  2019年9月26日,百度在长沙宣布,自动驾驶出租车队Robotaxi试运营正式开启。 [4]  2019年10月,新华社记者试乘了一辆自动驾驶汽车,怀着忐忑不安的心情进入了繁忙的以色列特拉维夫街道。整个试乘过程中,记者总体感觉安全、平稳和舒适 [5]  。 展开全文
自动驾驶汽车(Autonomous vehicles;Self-driving automobile )又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史,21世纪初呈现出接近实用化的趋势。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。 [1]  2019年9月,由百度和一汽联手打造的中国首批量产L4级自动驾驶乘用车——红旗EV,获得5张北京市自动驾驶道路测试牌照 [2]  。9月22日,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得全球首张自动驾驶车辆商用牌照。 [3]  2019年9月26日,百度在长沙宣布,自动驾驶出租车队Robotaxi试运营正式开启。 [4]  2019年10月,新华社记者试乘了一辆自动驾驶汽车,怀着忐忑不安的心情进入了繁忙的以色列特拉维夫街道。整个试乘过程中,记者总体感觉安全、平稳和舒适 [5]  。
信息
又    称
无人驾驶汽车
特    点
可以依靠人工智能、视觉计算
定    义
自动驾驶成熟技术设备的汽车
中文名
自动驾驶汽车
外文名
Autonomous vehicles
自动驾驶汽车发展历程
谷歌自动驾驶汽车于2012年5月获得了美国首个自动驾驶车辆许可证,预计于2015年至2017年进入市场销售。2014年12月中下旬,谷歌首次展示自动驾驶原型车成品,该车可全功能运行。 [6]  2015年5月,谷歌宣布将于2015年夏天在加利福尼亚州山景城的公路上测试其自动驾驶汽车。 [7]  2017年12月,北京市交通委联合北京市公安交管局、北京市经济信息委等部门,制定发布了《北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见(试行)》和《北京市自动驾驶车辆道路测试管理实施细则(试行)》两个文件,文件明确了自动驾驶汽车申请临时上路行驶的相关条件。第一:申请上路测试人需是在中国境内注册的独立法人单位,因进行自动驾驶相关科研、定型试验,可申请临时上路行驶。测试车辆必须符合《机动车运行安全技术条件》(GB7258)标准。测试车辆具备自动、人工两种驾驶模式,并可随时切换;测试车辆必须安装相应监管装置,能监测驾驶行为和车辆位置。第二:测试车辆上路前必须先在封闭测试场内按相关标准进行测试和考核,考核结果经专家评审,通过后才允许上路测试。第三:自动驾驶测试车辆要按规定悬挂号牌、标识,每辆车都要配备一名有一定驾驶经验,熟悉自动驾驶系统的测试驾驶员,随时监控车辆,保障车辆安全行驶。测试车辆将在指定区域、指定时段内测试,尽量不影响城市交通。测试单位必须购买交通事故责任保险或赔偿保函,如果测试车辆在测试期间发生事故,按照现行道路交通安全法及相关规定进行处理,并由测试驾驶员承担相关法律责任。北京市交通委认为,自动驾驶是提升道路交通智能化水平、推动交通运输行业转型升级的重要途径,也是带动交通、汽车、通信等产业融合发展的有利契机。 [8]  2017年12月,北京市交通委联合北京市公安交管局、北京市经济信息委等部门,制定发布了针对自动驾驶车辆道路测试的《指导意见》与《实施细则》,规范推动自动驾驶汽车的实际道路测试。2018年5月14日,深圳市向腾讯公司核发了智能网联汽车道路测试通知书和临时行驶车号牌。 [9-10]  2018年12月28日,百度Apollo自动驾驶全场景车队在长沙高速上行驶 [11]  。2019年6月21日下午消息,长沙市人民政府颁布了《长沙市智能网联汽车道路测试管理实施细则(试行)V2.0》(以下简称《细则V2.0》),并颁发了49张自动驾驶测试牌照。其中百度Apollo获得45张自动驾驶测试牌照,百度在长沙正式开启大规模测试 [12]  。2019年9月,由百度和一汽联手打造的中国首批量产L4级自动驾驶乘用车——红旗EV,获得5张北京市自动驾驶道路测试牌照。 [2]  2019年9月22日,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得武汉市交通运输部门颁发的全球首张自动驾驶车辆商用牌照。 [3]  2019年9月26日,百度在长沙宣布,自动驾驶出租车队Robotaxi试运营正式开启。首批45辆Apollo与一汽红旗联合研发的“红旗EV”Robotaxi车队在长沙部分已开放测试路段开始试运营。 [4]  2019年10月,新华社记者试乘了一辆自动驾驶汽车,怀着忐忑不安的心情进入了繁忙的以色列特拉维夫街道。整个试乘过程中,记者总体感觉安全、平稳和舒适 [5]  。
收起全文
精华内容
参与话题
  • 无人驾驶--从零入门实战视频教程

    千人学习 2019-06-25 11:38:15
    无人驾驶实战视频培训课程:涉及无人驾驶入门教程、光学雷达在无人驾驶技术中应用,GPS及惯性传感器在无人驾驶应用、无人驾驶感知系统、强化学习在无人驾驶应用、卷积神经网络在无人驾驶技术应用等内容。 AI的力量...
  • 自动驾驶是百年汽车工业史上又一次伟大的范式转移,将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」;车厂的角色将从传统的汽车制造商...

    https://www.jianshu.com/p/b85a982ad4c8

     

    自动驾驶是百年汽车工业史上又一次伟大的范式转移,将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」;车厂的角色将从传统的汽车制造商向移动出行服务商转型。自动驾驶是产业发展的必然趋势,关乎时间、生命,是重塑未来出行生态的关键技术。2018 年下半年以来,全球自动驾驶产业现象级事件频发,商业化序幕已经拉开。

    本文约2万4千字,分为上下两部分。本文为上半部分,请耐心阅读。

    1.百年汽车史上又一次伟大的范式转移

    1.1 重新定义汽车产业的游戏规则

    汽车产业升级换代,自动驾驶独领风骚。直观理解,自动驾驶就是「机器替代驾驶员开车」,国内亦称之为智能网联汽车。与电动化、共享化相并列,自动驾驶(智能化+网联化)早已被产业界普遍认可为汽车产业未来发展的「新四化」趋势之一。

    春江水暖鸭先知,从嗅觉灵敏的资本市场的表现来看,自动驾驶早已是汽车产业升级的绝对主角。代表目前全球最强自动驾驶实力的 Waymo(谷歌)尽管尚未产生正式的收入,已经被 Morgan Stanley 率先定价到了 1750 亿美元,远超传统车企代表通用、福特、电动化势力代表特斯拉以及共享出行代表 Uber 的估值。Morgan Stanley 对于自动驾驶的热捧绝非孤例,根据德国《经理人》杂志报道,大众集团 CEO Herbert Diess 曾计划以 1370 亿美元的报价参股 Waymo 10% 股份(提议最终未得到董事会支持而告终),产业资本对于自动驾驶的认可度和追捧可见一般。我们认为,自动驾驶独领风骚的背后原因在于——自动驾驶将是未来汽车产业游戏规则的定义者。

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶时代,汽车被重新定义。自动驾驶时代,汽车不再只是汽车,而是用户的第三空间。高等级自动驾驶意味着手、脚、眼和注意力将逐步被解放,从「机器辅助人开车」(L2)到「机器开车人辅助」(L3)、「机器开车」(L4/L5)意味着车主的生产力、时间的释放,汽车将不再是代步工具,用户在车内即可实现娱乐和办公,汽车有望进化成为家庭、办公场所之外的第三生活空间。从本质上来说,自动驾驶汽车不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」,汽车的产品形态将被重新定义,商业价值也将更多维度地展开(自动驾驶创造了新的消费经济和生产力市场——乘客经济,乘客在路上或消费,或工作,或娱乐,每一辆车都可以变成移动的商业地产)。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶时代,车厂角色将重新定义。未来汽车可能分为两类,一类是有人驾驶的汽车,一类是移动服务汽车。传统的汽车制造商将逐步向移动出行服务商转型,为用户提供 Car as a Service 或者说是 Mobility as a Service(MaaS)的一站式出行服务。从用户角度来看,相对于私有车的模式,转向移动出行服务,可以充分利用路上的时间做自己的事;从车厂的角度来看,商业模式将从产权交易到使用权交易,即不再是一锤子买卖的整车销售,而是类似「手机流量套餐」一样,对用户的出行服务进行按需收费。从广义来看,未来出行服务需要具备三大要素:移动平台(车)、自动驾驶技术、用户服务入口。其中,自动驾驶将是关键技术,可以大幅度的降低出行服务平台的最大的运营成本项(司机的工资),直接决定了车企转型移动出行服务商的盈利潜力。

    史上最全的自动驾驶研究报告(上)

     

    1.2 自动驾驶是汽车产业发展的必然趋势

    依从第一性原理思考现有交通出行的困局,发展自动驾驶是破局之道。现在很多大城市每年汽车增长 20%,道路增长 1%,人、车、路间供需不平衡,消费者被车厂教育了都想买车,可车还是不够人用(限购限行,打车难),路不够车用(拥堵),车已经塞满了城市;另一方面,汽车又是使用率最低的工业品,城市不得不为 95% 时间闲置的汽车建造大量的停车场,车位比车贵。现有交通出行的困局的根源是因为——人、车、路,三者之间在特定时间段的供需矛盾,增加车、修路都是治标不治本的措施,即使是共享出行,也只解决了一半的问题。我们需要从底层创新上寻求现有交通出行问题解决之道。从第一性原理出发,唯有,也只有代表着更高效率的 MaaS(自动驾驶驱动)的普及,才能根本性地解决现有的交通出行困局。

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶关乎时间、关乎生命,将释放巨大的社会价值:

    1)自动驾驶关乎生命。滴滴程维曾表示,理论上,机器比人更适合开车。人其实并不很适合开车,人类的可靠视距大概只有两三百米,但是激光雷达可以看到更远。人类只能看到前面 180° 的视角,看不到后面有车追尾,机器可以环顾 360°。人只能靠个体学习积累驾驶经验,用公里数换经验,但是机器可以 100 万辆车共享一个大脑,去学习沉淀经验。人类开车走复杂路段,是靠自己的经验控制方向盘,但是机器可以学习舒马赫怎样精准过弯。人类操纵汽车是靠手感,是靠脚踩下去的感觉,机器人可以精确到毫米、微米去控制机械。机器也不会疲劳驾驶、酒驾。在技术足够成熟的前提下,机器驾驶的综合安全性会比人类高一个量级,而这意味着全球每年死于交通事故的 125 万人死于道路交通事故的人员(WHO《2015 年全球道路安全现状报告》),有更多生命得到拯救。

    2)自动驾驶关乎时间。罗振宇提出了「国民总时间」的概念,时间是最有价值、也是最稀缺的资源。在大部分人的一天 24 小时中,上下班通勤是逃不掉的固定时间支出,尤其是在地理尺度较大和职住问题严重的大城市,交通拥堵会令本已很长的通勤时间加倍延长。高德地图《2018 年度中国主要城市交通分析报告》显示,以北京为例,人均年拥堵时间高达 174 小时。按照拥堵损失=城市平均时薪*因拥堵造成的延时*人均全年通勤次数的计算公式,根据百度测算,国内每年因为交通拥堵大概会造成 GDP 的5 % 到 8% 的损失。自动驾驶时代,用户在车上的时间会被解放出来,这些时间都可以转化成生产力,释放巨大的经济价值。

    史上最全的自动驾驶研究报告(上)

     

    在释放巨大社会价值的基础上,自动驾驶将激活、重塑和创造多个万亿级市场:

    1)自动驾驶将激活汽车市场。智能、安全和人机共驾的新体验将重新激发人们换车的需求;

    2)自动驾驶将重塑出行市场。MaaS 将解决如今困扰消费者和出行服务商的最大问题——司机成本和「坏人」风险。如果说当前的网约车只解决了出行需求的一半问题,那么未来自动驾驶出租车将是另一半问题的答案。此外,自动驾驶应用到商用场景,用机器替代日益高昂的人力成本,也将创造巨大价值;

    3)自动驾驶将创造新的消费经济和生产力市场——乘客经济。这些时间,乘客在路上或消费,或工作,或娱乐,每一辆车都可以变成移动的商业地产。

    更进一步,除了上述三个市场之外,自动驾驶技术的普及还会产生间接的二级效应,对能源、房地产、保险等行业都会产生深远而巨大的影响。

    史上最全的自动驾驶研究报告(上)

     

    1.3 现象级事件频发,自动驾驶拉开商业化序幕

    自动驾驶不再是梦想,主机厂规模化量产即将启动。回顾自动驾驶产业发展历史,大致可以分为如下阶段:

    1)源起。自动驾驶技术的探索最早可以追溯到 1980 年,美国率先开启了自动驾驶汽车在军事领域的应用。美国的国防高级研究计划局(DARPA)和卡内基梅隆大学,分别以 「摄像头为主、其他传感器为辅」开发出不同的自动驾驶汽车的原型,并且在真实路况中展现出了令人信服的能力。2004 年开始,美国(DARPA)发布无人车挑战赛。时值 「第二次海湾战争」 刚刚开始,国防部注意到沙漠行动中的士兵伤亡,希望用无人驾驶来解决这一问题。DARPA 无人车挑战赛为自动驾驶技术交流开辟了空间和研究的土壤,为产业贡献了大量的人才。第一代的自动驾驶技术大牛,基本都是以 DARPA 无人车挑战赛为起点。

     

    2)赛道开启。自动驾驶产业化的正式开启是从 2009 年拉开序幕,Google X 确立了多个登计划(Moonshot),旨在捕捉未来惠及全人类的核心技术。无人车项目在谷歌的资金支持下正式开启。随后,陆续有更多的科技巨头入场。

    3)核心技术跨越式发展。自动驾驶技术经过多年打磨后,日趋成熟,绝大部分主流车企也宣布了自动驾驶的量产计划表。为了更好的捕捉自动驾驶技术衍生出来的需求,从芯片厂到 Tier1 开始了供应链整合之路。标志性的事件就是英特尔宣布以 153 亿美元收购 Mobileye(自动驾驶视觉芯片公司),并正式成立自动驾驶事业部。

    4)技术得到商业化验证。2017、2018 年开始,自动驾驶技术得到商业化验证。车厂领跑者——奥迪首发了全球第一款 L3 级别的量产自动驾驶车辆;科技公司的领跑者——Waymo 在经过 10 年的测试和技术打磨之后,推出 Waymo One 的自动驾驶出租车服务,试水商业化运营,并在 18 年分别向捷豹、菲亚特-克莱斯勒下了 20000 量捷豹 I-PACE 车型以及 62,000 辆 Pacifica 混动车的订单,用于在未来 3 年内在全美扩大自动驾驶车队阵容。无独有偶,Uber 早期也与沃尔沃达成协议,计划采购 2.4 万辆车辆,用于自动驾驶车队。

    5)供应链启动。随着车厂自动驾驶量产计划日益临近,前装供应链的「车轮」也已经率先启动,标志性的事件就是 2019 年年初,四维图新斩获国内首个 L3 及以上的高精度地图的主流车厂订单(宝马)。从 2019 年开始,到 2020、2021 年,根据全球主流车厂的计划表,将陆续开始有量产的自动驾驶车辆出炉,自动驾驶产业有望进入黄金发展期。

    史上最全的自动驾驶研究报告(上)

     

    现象级事件频发,自动驾驶产业发展全面提速。

    1)资金层面。自动驾驶在一级市场已经成为最火热的赛道,展现出超强的吸金能力,仅 2018 年就全球狂揽 94.7 亿美元的融资。充裕的资金资质将成为自动驾驶产业最好的助推器之一;

    2)产业层面。科技巨头继续引领行业风向标;车厂相继争先宣布转型移动出行服务商(典型代表丰田、通用、大众),继续加码自动驾驶研发投入;

    3)政策。全球政府为自动驾驶的合法化上路正紧锣密鼓的修订政策法规。日本政府近期通过了《道路运输车辆法》修正案,确保自动驾驶的合法性;国内方面,交通部部长李小鹏也在近期表示将力争在国家层面出台《自动驾驶发展指导意见》。

    总体来看,自动驾驶产业生机勃勃,在资金、产业、政策的共振下,发展不断提速,快马加鞭纵情向前。

    史上最全的自动驾驶研究报告(上)

     

    2. 自动驾驶概念定义——L3是分水岭

    L3 将是自动驾驶技术的飞跃。对于自动驾驶技术和概念的定义,国际上通用的是美国 SAE 协会定义的标准。我们日常生活中接触的最多的仍然是 L2 级别的自动驾驶技术(以特斯拉 AutoPilot 为典型代表),本文所强调的自动驾驶是指 L3 及以上的高等级自动驾驶技术。

    在自动驾驶技术分级中,L2 和 L3 是重要的分水岭,在 L2 及以下的自动驾驶技术仍然是辅助驾驶技术,尽管可以一定程度上解放双手(Hands Off),但是环境感知、接管仍然需要人来完成,即由人来进行驾驶环境的观察,并且在紧急情况下直接接管。而在 L3 级中,环境感知的工作将交由机器来完成,车主可以不用再关注路况,从而实现了车主双眼的解放(Eyes Off)。而 L4、L5 则带来自动驾驶终极的驾驶体验,在规定的使用范围内,车主可以完全实现双手脱离方向盘以及注意力的解放(Minds Off),被释放了手、脚、眼和注意力的人类,将能真正摆脱驾驶的羁绊,享受自由的移动生活。从实际应用价值来看,L3/L4 相对于辅助驾驶技术有质的提升,从「机器辅助人开车」(L2)到「机器开车人辅助」(L3),最终实现「机器开车」(L4/L5),L3 将成为是用户价值感受的临界点,将成为产业重要分水岭。

    史上最全的自动驾驶研究报告(上)

     

    跟消费者普遍希望的「全能」所不同,自动驾驶技术是有应用场景和功能要求的。除了基础的分级之外,SAE 协会还给出了自动驾驶系统的重要设计维度:设计运行范围(ODD),即自动驾驶技术可以安全工作的环境,包括车辆自动驾驶时的速度、地形、路况、基础环境、交通情况、时段(白天、晚上)。以消费者最常见的量产自动驾驶系统——特斯拉 Autopilot 为例,虽然很多粉丝在城市环境试过 Autopilot,但官方给出的启用范围依然是高速公路和行车缓慢的路段,并对时速做出了限制。很显然,路况越复杂,自动驾驶的实现难度将越高。

    史上最全的自动驾驶研究报告(上)

     

    国内自动驾驶将渐进式落地。SAE 的自动驾驶分级是较为粗线条的,容易产生歧义。我们按照路况复杂程度进一步细化自动驾驶的功能定义,并对其落地时间进行预测。参考罗兰贝格的报告,我们整体上判断国内自动驾驶将以 L0-L5 的路线渐进式展开,主要落地应用场景将以私家车出行、共享客运接驳、货运物流为主,从低难度的区域(封闭低速路段)向高难度的区域(复杂城市道路)循序渐进地落地。2019 年,国内将在城市特定区域开放道路进行自动驾驶车辆测试,并有望在部分高速公路允许 L3 自动驾驶。到 2025 年城市特定区域 L4、L5 自动驾驶有望开放,自动驾驶将步入分区域推进的新阶段。而 2025 年之后,才会逐步放开自动驾驶区域限制,从限定场景逐步拓展到全场景。

    史上最全的自动驾驶研究报告(上)

     

    3.技术:5G+AI打通自动驾驶「任督二脉」

    3.1 自动驾驶技术框架概述

    单车智能的三大核心环节——感知层、决策层和执行层。狭义的理解,从单车智能的角度,自动驾驶技术的本质就是用机器视角去模拟人类驾驶员的行为,其技术框架可以分为三个环节:感知层、决策层和执行层。感知层解决的是「我在哪?」、「周边环境如何?」的问题;决策层则要判断「周边环境接下来要发生什么变化」、「我该怎么做」;执行层则是偏机械控制,将机器的决策转换为实际的车辆行为。根据上述三个环节的分析框架,自动驾驶技术实现的基本原理是:感知层的各类硬件传感器捕捉车辆的位置信息以及外部环境(行人、车辆)信息。决策层的大脑(计算平台+算法)基于感知层输入的信息进行环境建模(预判行人、车辆的行为),形成对全局的理解并作出决策判断,发出车辆执行的信号指令(加速、超车、减速、刹车等)。最后执行层将决策层的信号转换为汽车的动作行为(转向、刹车、加速)。鉴于高等级自动驾驶是极为复杂的系统性工程,其技术方案尚未完全定型,无论传统车厂、Tier1 还是互联网科技企业,对于高等级自动驾驶均有自己的技术路线,我们将在后续章节详细分析自动驾驶技术框架下不同模块的作用和技术趋势。

    「车」、「云」、「路」协同进化是产业发展趋势。广义的理解,在单车智能技术路线的基础上,未来整个自动驾驶的技术体系将是「车端」、「云端」、「路端」同步升级发展。

    • 云端的意义在于:1)收集大量数据,训练自动驾驶算法;2)通过云端更新高精度地图,为自动驾驶车辆提供更实时的环境模型和动态信息。
    • 路端的意义在于:通过打造互联网化的道路,以车路协同技术,为自动驾驶车辆提供一个联网的「外脑」,从而减少单车智能的硬件成本。

    史上最全的自动驾驶研究报告(上)

     

    3.2 解构自动驾驶核心技术模块

    3.2.1 自动驾驶感知层传感器

    3.2.1.1 自动驾驶感知层传感器的定义和分类

    感知层传感器是自动驾驶车辆所有数据的输入源。根据不同的目标功能,自动驾驶汽车搭载的传感器类型一般分为两类——环境感知传感器和车辆运动传感器。环境感知传感器主要包括摄像头、毫米波雷达、超声波传感器、激光雷达以及 GPS& 惯导组合等,环境感知传感器类似于人的视觉和听觉,帮助自动驾驶车辆做外部环境的建模;车辆运动传感器(高精度定位模块),主要包括 GNSS、IMU、速度传感器等,提供车辆的位置信息、速度、姿态等信息。目前自动驾驶需要依赖不同的传感器来收集信息,尚不具有一个具备所有感知功能于一身的「万能」传感器。不同传感器所发挥的功能各不相同,在不同场景中各自发挥自身优势,难以相互替代。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    3.2.1.2 环境感知传感器的发展趋势

    环境感知传感器的技术方案主要可以分为视觉主导和激光雷达主导。1)视觉主导的方案:摄像头(主导)+毫米波雷达+超声波雷达+低成本激光雷达,典型的车厂是特斯拉。特斯拉最为激进,创始人马斯克坚持在其方案中不加入激光雷达;2)激光雷达主导的方案:低成本激光雷达(主导)+毫米波雷达+超声波传感器+摄像头,典型的代表是 Google Waymo。目前,谷歌 Waymo 自己组建团队研发激光雷达的硬件,把成本削减了 90% 以上,基本上是 7000 美金左右,同时也已经在美国凤凰城地区进行商业化的试运营。

    史上最全的自动驾驶研究报告(上)

     

    传感器各有优劣势,技术方向的最终定型取决于技术的发展速度以及部件成本的价格曲线。

    1)摄像头——非常适用于物体分类。摄像头视觉属于被动视觉,受环境光照的影响较大,但成本低。摄像头生成的数据,人就能看懂,不过其测距能力堪忧。摄像头非常适用于物体分类。

    2)雷达——在探测范围和应对恶劣天气方面占优势。在探测距离上优势巨大,也不怕天气影响,但不善于识别物体分辨率。

    3)激光雷达——优势在于障碍物检测。激光雷达是主动视觉,和摄像头这类被动传感器相比,激光雷达可以主动探测周围环境,即使在夜间仍能准确地检测障碍物。因为激光光束更加聚拢,所以比毫米波雷达拥有更高的探测精度。但激光雷达现阶段的成本较高。总体来看,为了更好的安全冗余,各类传感器的融合是技术路线的必由之路,而最终技术方向的定型取决于技术的发展速度以及部件成本的价格。

    史上最全的自动驾驶研究报告(上)

     

    3.2.1.3 高精度定位传感器的发展趋势

    高精度定位模块是自动驾驶的标配。要实现车辆的自动驾驶,就要解决在哪里(即刻位置)、要去哪里(目标位置)的问题,因此高精度定位传感器(厘米级精度)模块需要应用于 L3 以上自动驾驶。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    按照不同的定位实现技术,高精度定位可以分为三类。第一类,基于信号的定位,代表就是 GNSS 定位,即全球导航卫星系统;第二类,航迹推算,依靠 IMU(惯性测量单元)等,根据上一时刻的位置和方位推断现在的位置和方位;第三类是环境特征匹配,基于激光雷达的定位,用观测到的特征和数据库中的特征和存储的特征进行匹配,得到现在车的位置和姿态。观察目前产业的主流方案,普遍采取融合的形式,大体上有:

    1)基于 GPS 和惯性传感器的传感器融合;

    2)基于激光雷达点云与高精地图的匹配;

    3)基于计算机视觉技术的道路特征识别,GPS 卫星定位为辅助的形式。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」

    5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人(V2P)。通过 V2X 网络,相当于自动驾驶打通外「大脑」,提供了丰富、及时的「外部信息」输入,能够有效弥补单车智能的感知盲点。可以说,V2X 是自动驾驶加速剂,能够有效补充单车智能的技术、加速反应效率。5G 网络具备低时延、高吞吐、高可靠的特性,大大提升了 V2X 传输信息的丰富性和及时性,也提高了 V2X 传感器的技术价值。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    3.2.2 计算平台(主控芯片)

    3.2.2.1 高等级自动驾驶的本质是AI计算问题,车载计算平台是刚需

    自动驾驶就是「四个轮子上的数据中心」,车载计算平台成为刚需。随着汽车自动驾驶程度的提高,汽车自身所产生的数据量将越来越庞大。根据英特尔 CEO 测算,假设一辆自动驾驶汽车配置了 GPS、摄像头、雷达和激光雷达等传感器,则上述一辆自动驾驶汽车每天将产生约 4000GB 待处理的传感器数据。不夸张的讲,自动驾驶就是「四个轮子上的数据中心」,而如何使自动驾驶汽车能够实时处理如此海量的数据,并在提炼出的信息基础上得出合乎逻辑且形成安全驾驶行为的决策,需要强大的计算能力做支持。考虑到自动驾驶对延迟要求很高,传统的云计算面临着延迟明显、连接不稳定等问题,这意味着一个强大的车载计算平台(芯片)成为了刚需。事实上,如果我们打开现阶段展示的自动驾驶测试汽车的后备箱,会明显发现其与传统汽车的不同之处,都会装载一个「计算平台」,用于处理传感器输入的信号数据并输出决策及控制信号。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    高等级自动驾驶的本质是 AI 计算问题,车载计算平台的计算力需求至少在 20T 以上。从最终实现的功能来看,计算平台在自动驾驶中主要负责解决两个主要问题:

    1)处理输入的信号(雷达、激光雷达、摄像头等);

    2)做出决策判断、给出控制信号:该加速还是刹车?该左转还是右转?

    英伟达 CEO 黄仁勋的观点是「自动驾驶本质是 AI 计算问题,需求的计算力取决于希望实现的功能」,其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策,到底要采取什么样的行动,本质上是一个 AI 计算的问题,车上必须配备一台 AI 超级处理器,然后基于 AI 算法能够进行认知、推理以及驾驶。根据国内领先的自动驾驶芯片设计初创公司地平线的观点,要实现 L3 级的自动驾驶起码需要 20 个 teraflops(每秒万亿次浮点运算)以上的的计算力级别,而在 L4 级、L5 级,计算力的要求将继续指数级上升。

    史上最全的自动驾驶研究报告(上)

     

    3.2.2.2 算法和芯片协同设计是计算平台的重要发展趋势

    自动驾驶计算平台演进方向——芯片+算法协同设计。目前运用于自动驾驶的芯片架构主要有 4 种:CPU、GPU、FPGA(现场可编程门阵列)和 ASIC(专用集成电路)。从应用性能、单位功耗、性价比、成本等多维度分析,ASIC 架构具备相当优势。参考我们之前发布的行业报告《芯际争霸—人工智能芯片研发攻略》的观点,未来芯片有望迎来全新的设计模式——应用场景决定算法,算法定义芯片。如果说过去是算法根据芯片进行优化设计的时代(通用 CPU+算法),现在则是算法和芯片协同设计的时代(专用芯片 ASIC+算法),这一定程度上称得上是「AI时代的新摩尔定律」。具体而言,自动驾驶核心计算平台的研发路径将是根据应用场景需求,设计算法模型,在大数据情况下做充分验证,待模型成熟以后,再开发一个芯片架构去实现,该芯片并不是通用的处理器,而是针对应用场景,跟算法协同设计的人工智能算法芯片。根据业界预估,相比于通用的设计思路,算法定义的芯片将至少有三个数量级的效率提升。

    史上最全的自动驾驶研究报告(上)

     

    3.2.3 自动驾驶算法

    3.2.3.1 自动驾驶算法的定义和分类

    算法是自动驾驶的大脑。根据面向的不同环节,可以分为感知层的算法和决策层的算法。其中:

    1)感知层算法核心任务——是将传感器的输入数据最终转换成计算机能够理解的自动驾驶车辆所处场景的语义表达、物体的结构化表达,具体可以包括:物体检测、识别和跟踪、3D 环境建模、物体的运动估计;

    2)决策层算法的核心任务——是基于感知层算法的输出结果,给出最终的行为/动作指令,包括行为决策(汽车的跟随、停止和追赶)、动作决策(汽车的转向、速度等)、反馈控制(向油门、刹车等车辆核心控制部件发出指令)。

    整体来看,不同等级的自动驾驶算法的焦点不同。L3 级别的自动驾驶,侧重于替代人的环境感知能力,因此感知层算法将是核心。L4 级别的自动驾驶,除了环境感知能力之外,侧重点更在于复杂场景的决策算法的突破。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    3.2.3.2 算法验证迭代之路——仿真or路测

    算法的验证及迭代需要路测+仿真。按照产业普遍观点,车企需要 100 亿英里的试驾数据来优化其自动驾驶系统,若要达到该测试里程数,按照目前的实际路测能力计算,即便是一支拥有 100 辆测试车的自动驾驶车队,7X24 小时一刻不停歇地测试,要想完成 100 亿英里的测试里程也需要花费大约 500 年的时间。为了破解这一难题,仿真测试成为大多数公司的共同选择。所谓自动驾驶仿真测试,简单来说,就是计算机模拟重构现实场景,让自动驾驶算法在虚拟道路上做自动驾驶测试,虚拟场景中也可以包含道路设施、老人小孩等各种行人。目前仿真测试已经成为了真实路测的一个有益补充,而未来随着深度学习技术地进一步深入运用,仿真测试将来自动驾驶研发方面发挥越来越重要的作用,并将推动自动驾驶技术早日实现商业化。相对于真实的路测而言,仿真的一大优势就是其可重复性,毕竟「人不能两次踏进同一条河流」,但仿真通过在计算机的虚拟世界中重构现实场景可以做到这一点。从产业来看,为了更高效的迭代和验证自动驾驶算法,仿真系统已经逐渐成为标配,Waymo、百度、腾讯将仿真系统研发作为头等大事;AutoX、Roadstar.ai、Pony.ai 等诸多自动驾驶初创公司也在自主研发仿真环境;业内开始出现 CARLA、AirSim 等开源式自动驾驶仿真平台。

    史上最全的自动驾驶研究报告(上)

     

    3.2.4 高精度地图

    高精度地图的定义和特性。在自动驾驶时代,「地图」一词已经失去了其传统路线图的含义。目前大多数车载地图的分辨率已足够用于导航功能,但想要实现自动驾驶,需要掌握更精确、更新的车辆周边环境信息,从而通过其他驾驶辅助系统做出实时反应。因此,未来的「地图」实际上指的是非常精确且不断更新的自动驾驶环境模型。目前,业界对于高精度地图所包含的内容尚未有准群的定义,但大体上高精度地图将满足「高精度+高鲜度」的两高特性:

    1)高精度是指地图对整个道路的描述更加准确、清晰和全面。高精地图除了传统地图的道路级别,还有道路之间的连接关系(专业术语叫 Link)。高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道。即它把所有东西、所有人能看到的影响交通驾驶行为的特性全部表述出来;

    2)高鲜度则是指数据将更为丰富以及需要动态实时更新。实时性是非常关键的指标,因为自动驾驶完全依赖于车辆对于周围环境的处理,如果实时性达不到要求,可能在车辆行驶过程中会有各种各样的问题及危险。

    按照数据的更新频率,高精度地图可以分为静态数据和动态数据两层。

    • 静态数据是指高精度地图需要将道路基本形态(车道线等数据),通过地图或矢量数据来正确表达出来。在静态高精地图模型中,车道要素模型包括车道中心线、车道边界线、参考点、虚拟连接线等;
    • 动态数据是指天气、地理环境、道路交通、自车状态等需要动态更新的数据。

    通过静态数据和动态数据的叠加,高精度地图将最终实现对于自动驾驶的环境建模。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    高精度地图对于自动驾驶的意义在于:

    1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有的传感器方案仍然存在改进的空间,包括传感器测量的边界(视觉、激光感知范围有限)、传感器应用的工况限制(如摄像头在雨雪天气无法正常工作)。高精度地图超视距的特点意味着其可以对整体道路流量、交通事件、路况进行预判,可以作为感知层的安全冗余;

    2)提供先验知识。自动驾驶的基本原则:让车的判断越少、也就越安全。高精度地图可以提供车辆环境模型的先验知识,一定程度上减少自动驾驶车辆感知层的压力;

    3)确定车辆在地图中的位置:人可以通过观察和记忆,而自动驾驶汽车只能通过高精度地图以及其创建的环境模型确定车辆在在地图中的位置。

    4)提供车道级的规划路径。正如前文所述,高精度地图会把道路基本形态,特别是车道线展现出来,辅助自动驾驶车辆实现车道级的路径规划,支持并线超车等高等级的驾驶决策。

    史上最全的自动驾驶研究报告(上)

     

    高精度地图是实现自动驾驶的必要条件吗?——Level3 及以上是必选项。基于美国 SAE 协会对自动驾驶技术等级的划分,在 Level 2 以下的辅助驾驶阶段(ADAS 阶段),高精度地图对整个辅助驾驶系统来说是一个可选项。当自动驾驶技术发展到 Level3 及以上时,要求车辆在高速公路、停车场泊车等特殊场景中实现自动驾驶,高精度地图的重要性开始凸显。业内公认要想实现 Level3 级别的自动驾驶,高精度地图将成为必选项。理由在于 Level3 的自动驾驶就意味着机器将完全取代人对于环境的监控,考虑到现有的传感器的性能边界尚不足以完全替代,引入高精度地图作为感知端的安全冗余增强整个系统的鲁棒性就成为了必然的选择。观察目前自动驾驶行业实践,无论是车厂推出的奥迪 A8、凯迪拉克 Super Cruise 等已经量产的 Level3 车型还是百度、谷歌等互联网厂商的 Level4 自动驾驶方案都引入了高精度地图,进一步验证了上述观点。

    史上最全的自动驾驶研究报告(上)

     

    3.2.5 自动驾驶OS

    自动驾驶任务复杂需要稳定的实时 OS 支持。如果将自动驾驶汽车视为一个电子终端产品,那么除了组成的硬件、用来执行命令的算法(程序)之外,底层操作系统也必不可少。操作系统的价值在于可以更好的分配、调度运算和存储资源。一个汽车驾驶系统运行的软件包括感知、控制、决策、定位等一系列高计算消耗,逻辑十分复杂,对安全可靠性要求特别高的程序,简单的单片机无法实现,需要建立在一个成熟的五脏俱全的通用操作系统基础上,同时要满足实时性、分布式、可靠性、安全性、通用性等要求。从上述的要求可见,自动驾驶的操作系统与 PC 端、移动端操作系统的最大差别在于实时性。实际上,自动驾驶操作系统又称为实时操作系统(RTOS),可确保在给定时间内完成特定任务,「实时」是指无人车的操作系统,能够及时进行计算,分析并执行相应的操作,是在车辆传感器收集到外界数据后的短时间内完成的。实时性能是确保系统稳定性和驾驶安全性的重要要求。

    史上最全的自动驾驶研究报告(上)

     

    3.2.6 HMI(人机交互)

    自动驾驶时代,HMI 是连接用户与外部互联服务的重要入口。HMI 是驾驶员与车辆交互的桥梁,驾驶员可以方便快捷地在 HMI 中查询、设置和切换车辆系统的各种信息,在增强驾驶乐趣的同时,提升驾驶安全性。HMI 由中控、仪表、抬头显示、ADAS 系统等多个组件构成。传统汽车的人机界面 HMI 也被称作驾驭员界面(Driver Interface),驾驭员的首要使命(Primary Task)是驾驭,因此支撑和辅佐驾驭就天然成为 HMI 的中心功能,信息娱乐等作为次要功能(Secondary Task)。而在自动驾驶时代,随着驾驶员的注意力逐步释放出来,汽车从生产工具进化为家庭、办公场所之外的第三生活空间,HMI 将成为连接用户与外部互联服务的重要入口,产业地位将显著提升,HMI 的设计理念也将被颠覆。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    3.3 5G+AI黑科技打通自动驾驶技术的「任督二脉」

    5G+AI 是解锁高等级自动驾驶技术的关键所在。L2 升级到 L3、L3 升级到 L4,每一个自动驾驶级别的升级,都是一个质的飞跃。其中:

    • L2 过渡到 L3。L3 的主要升级在于实时监测环境并作出反应,其主要难点在于机器的感知能力能否达到要求。驾驶这种等级的车辆,司机只需要在系统提示的时候接管系车辆的掌控权或者完成判断,正常加减速、转弯等操作基本可以交给系统来处理。这一过渡需要解决的问题是,机器如何代替人进行可靠的周边行车环境感知?特别是在极端环境下仍然可以做到可靠感知,确保行车安全;
    • L3 过渡到 L4。L4 的主要升级在于完全交由机器来进行自主决策(即使是在紧急情况、激烈的驾驶情况下)。这意味着机器的认知智能要有实质性进步。上述问题的关键所在正是 5G+AI。

    史上最全的自动驾驶研究报告(上)

     

    以深度学习为代表的 AI 机器视觉崛起,成功突破 L3 的技术瓶颈。以 Mobileye 的 L2 级别辅助驾驶为例,仍然是基于后端规则库的传统机器视觉,通过匹配后端规则库与前端摄像头的输入数据,进行物体的识别和跟踪。传统机器视觉最大的问题是,规则库是有限的,而汽车面对的环境是无限的。而在深度学习的框架引进并发扬光大后,AI 处理图像分类任务的能力大幅提升,错误率直接下降。以 ImageNet 机器视觉大赛为例,深度学习技术框架下的机器视觉和传统的机器视觉有着明显的量级的提升。我们认为,不断成熟完善的 AI 机器视觉配合高精度地图作为安全冗余,对于突破 L3 的技术瓶颈起到了关键的作用。

    引入以强化学习为代表的 AI 技术,5G 打通外部「大脑」,助力 L4 自动驾驶场景的实现。传统基于搜索或者规则引擎的驾驶决策系统,往往只能采取非常保守的驾驶策略,即遇到障碍物立即刹停。而变道超车,加塞卡位等等在日常驾驶中经常需要面对的情况,目前的系统需要人为设计各种精妙的策略进行应对,在设计策略时一旦有所疏忽,后果很可能是车毁人亡。如何让机器真正像人一样的开车,学会自主的决策,是 L4 的关键所在。谷歌 AlphaGo 在围棋领域的成功是一个重要的标志性事件,其创新的引入了强化学习等全新的 AI 学习框架,模拟了人的思考方式,标志着机器智能的重要突破。引入强化学习的框架后,自动驾驶车辆可以像 AlphaGo 一样思考学习,进行自主决策。此外,以 5G 为代表的 V2X 的引入,相当于打通了自动驾驶的外部「大脑」,可以为自动驾驶车辆提供更实时、更全面的外部信息,更好的实现多车的协同、交互,突破单车智能的技术瓶颈,助力 L4 自动驾驶场景的实现。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶 L3 商业化技术已经成熟,L4/5 加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进展,除了个别领跑者如整车厂(奥迪已经量产 L3 级别的自动驾驶车辆)、科技公司(Waymo 已启动 L4 级别机器人出租车的商业化运营),大部分公司的节奏是已初步掌握 L3 的核心技术,进入由 L2 向 L3 商业化过渡的关键阶段,同时 L4/5 加速发展进入验证试点阶段。

    史上最全的自动驾驶研究报告(上)

     

    展开全文
  • “长城汽车预计于2020年实现部分自动驾驶功能,到2025年实现Level5级自动驾驶。”长城汽车总裁王凤英曾表示。 科技迭代很快,如果需要将概念中Level 5级别的自动驾驶形象化,那么它就是一台拥有人类感知、决策以及...

    来源 | 智驾未来

    原创 | Alvin

     

    (-自动驾驶系统 可理解成一种 移动机器人系统-)

     “热炒”的自动驾驶走进了现实,也靠近了未来!

    “长城汽车预计于2020年实现部分自动驾驶功能,到2025年实现Level5级自动驾驶。”长城汽车总裁王凤英曾表示。

    科技迭代很快,如果需要将概念中Level 5级别的自动驾驶形象化,那么它就是一台拥有人类感知、决策以及控制的代步机器。精细划分来看,实现一个自动驾驶系统,需要分为感知层、信息融合层、决策规划层、以及控制层。

     

                                                                  1 感知层

    感知,其实很好理解,人类用眼睛捕捉事物,自动驾驶汽车则需要传感器感知事物。自动驾驶汽车想要安全行驶,首先需要了解周围行驶的环境,而传感器就是自动驾驶汽车了解环境的工具,目前自动驾驶汽车搭载的主要传感器包括摄像头、激光雷达、毫米波雷达以及超声波雷达等四大部分。

    目前,摄像头普遍采用CMOS图像传感器,捕捉清晰图片帮助自动驾驶汽车输入数据参数。为了保证数据完整性,市面上的很多自动驾驶汽车都会采用3-6个摄像头。由于摄像头对于光线极为敏感,如果出现强、弱光的情况,普通摄像头捕捉的图像并不能直接被使用,或者会出现无法识别的现象,这对于自动驾驶汽车来说极为致命。所以,市面上自动驾驶汽车一般都会采用动态范围130db以上的图像传感器。

                                                                  四大传感器优势对比

    雷达主要测量位置、速度以及方位角等三个参数。激光雷达算是汽车行业里的一个新贵,也被视为自动驾驶汽车未来最核心传感器之一。其主要通过发送直线激光束(非无线电波)的方式,根据激光遇到障碍物后折返时间(TOF),计算目标与车的距离。激光雷达在精度、信息量以及安全性性能方面,具有独到之处。但想要获得更高精度测量数据,也意味着激光雷达线束需要增加,目前市面上比较常见的是8、16以及32线激光雷达产品,64线比较少,这与成本也是成正相关的(激光线束越多,成本越高)。虽然,国内外如Velodyne、Quangery等科技公司一直在研发低成本、小体积的激光雷达,但由于单个成本高居不下,很难实现量产。

                                                 图片来源:星秒光电

    毫米波雷达,顾名思义是工作在毫米波波段(波长1-10mm,频率30GHZ-300GHZ)的探测雷达,与激光雷达发送方式不同的是,毫米波雷达会发出锥状的电磁波。工作原理是根据回波时间差计算距离,其具有不受天气情况影响及超远测距的优势,雷达频段与测距成正相关,目前市面上主流有24GHZ和77GHZ两种,随着技术水平提升以及成本下降,此传感器逐渐被应用于ADAS。

                                                      图片来源:wired

    蝙蝠发出超声波探测物体的远近,自动驾驶汽车用超声波发现障碍物,两者原理一样。超声波属于机械波的一种,所以容易受传播介质的影响,如天气不同,传播速度不同。故为了充分利用超声波雷达穿透力强、测距方便以及成本低的优点,部分车企会在汽车车身四周置入大量的超声波雷达,如L2-L3级的特斯拉、奥迪等汽车中超声波雷达使用数量达高达12个。

     

                                                                    2 信息融合层

    信息融合层则比较关键,怎么理解呢?自动驾驶汽车置入了如摄像头、激光雷达、毫米波雷达等多个传感器,我们需要用这些传感器感知、捕获数据。当汽车行驶至目标物一定距离内,摄像头和激光雷达同时检测出那个目标物,但如何让汽车知道两个传感器检测出的目标物是同一个呢?这便需要对多传感器数据进行分析对比,如果相同,则进行信息融合,告诉汽车前面就是一个目标物。

    仔细想想,这其实是一个数据处理的过程,而且当数据量比较大的时候,信息融合时延还会加长。而且极为尴尬的是,如果汽车正在前进,前方目标物静止,那么从发送探测波到探测波返回,这其中汽车在探测时间内行驶的距离并没有算入到实际距离中。所以,在计算时延的时候,需要考虑到汽车在时延过程中的速度、以及系统发出与收到测试数据前后的时间差。

    此外,频率的发送也会受环境的影响,如高低温环境,所面临的处理性能则可能不同。频率不同也会导致时延不同,所以在计算过程中,我们用初始(额定)频率去计算时延时,也会出现一定的误差。

    对于自动驾驶汽车而言,时间意味着安全,如果1s计算错误,对于高速运行的汽车而言,都会产生致命的结果。

                                                           

                                                 3 决策规划层

    决策规划层,其实也不难理解,即对融合的数据,根据驾驶需求,进行任务规划以及决策。对于这点,业界看法比较多,目前只介绍两种比较宏观的看法。

    其一,全局规划;这种方式需要借助于地图信息,按照乘客的需求,选择最优的路径。

    其二,局部规划;需要自动驾驶汽车根据基于全局规划的基础,针对局部环境信息,规划最优的路线。

    这个概念就相当于框架一样,需要自动驾驶汽车能够提前基于大数据对行程进行规划,这也是判断自动驾驶系统智能性的重要指标之一。

     

                                                      4 控制层

    经常开车的朋友都知道,现在的汽车基本都需要我们人为操作,而自动驾驶汽车控制层便是替代人为操作,根据获取的信息数据,将做出的决策规划落到实处,即实时操作。用简洁语言描述,便是自动开车。这需要车辆的控制系统与决策系统相配合,并且能够精确的按照需求,对汽车做出加速、减速、制动、转向、变道以及超车等操作。

    可以看出,前面介绍的感知层、信息融合层以及决策规划层其实都是为控制层做铺垫,最终需要做出动作的还是控制层。

     

                                                      5 总结

    说了这么多,其实自动驾驶就是将人为开车的过程用硬件、软件技术体现了出来,实现了某些过程替代人或者完全自动驾驶的目标。

    对于老司机而言,开车过程中,身体与车的配合极为自然,自动驾驶其实也是一样,只不过它所有的信息获取以及判断不是通过眼睛、人脑获得、决策,而是通过汽车自身的“眼睛”、“大脑”,解放了司机。

    当然,自动驾驶概念好理解,其中的实现难度可不小!正如汽车高德事业部总裁韦东所言,从普通的导航走向半自动辅助驾驶,更高自动化的辅助驾驶,再走向自动化,再走向完全自动驾驶,一定是一步一步的。

     

    展开全文
  • 汽车自动驾驶技术完整源代码

    热门讨论 2020-07-30 23:32:10
    美国天才计算机大牛的汽车自动驾驶技术完整源代码,包含完整源代码、深度学习训练好的数据和算法原理PDF。该软件为实践过的,汽车已经在高速路上跑过了!
  • 从ADAS到自动驾驶(一):自动驾驶的发展及分级 从今天起,我将根据自己所接触的ADAS和无人驾驶技术,来写一写无人驾驶的基本知识,主要是帮助自己总结,还有是自己做了一些工作,这里就当做是用来保存的笔记。本人...


    作者:liaojiacai    

    邮箱: ljc_v2x_adas@foxmail.com


    从ADAS到自动驾驶(一):自动驾驶的发展及分级

           从今天起,我将根据自己所接触的ADAS和无人驾驶技术,来写一写无人驾驶的基本知识,主要是帮助自己总结,还有是自己做了一些工作,这里就当做是用来保存的笔记。本人还在读研,所以有些知识还不足,希望大家多多指点,共同进步!!!

    我将会按照下面的文章顺序来写,当然中途可能会有变化:


    从ADAS到自动驾驶(一):自动驾驶的发展及分级

    从ADAS到自动驾驶(二):ADAS的功能及发展

    从ADAS到自动驾驶(三):车道检测

    从ADAS到自动驾驶(四):车辆检测

    从ADAS到自动驾驶(五):行人检测

    从ADAS到自动驾驶(六):可行驶区域检测

    从ADAS到自动驾驶(七):路标检测

    从ADAS到自动驾驶(八):交通灯检测

    从ADAS到自动驾驶(九):智能网联汽车

    从ADAS到自动驾驶(十):自动驾驶控制决策


    一、自动驾驶的发展


           从20世纪70年代开始,美国、英国、德国等发达国家开始进行无人驾驶汽车的研究,在可行性和实用化方面都取得了突破性的进展。中国从20世纪80年代开始进行无人驾驶汽车的研究,国防科技大学在1992年成功研制出中国第一辆真正意义上的无人驾驶汽车,其他欧美国家都有自己的无人车项目,这些项目的出发点都是造军用无人驾驶车,在1980年左右,美国和欧洲国家在无人驾驶技术方面已经迅速的得到发展,而中国是紧随其后,虽然技术落后甚多。八五期间,由北理和国防科大等高校联合研制的ATB-1无人车,可以达到时速21公里,这标志这中国无人驾驶正式起步。2014年11月20日 解放军军事交通学院研发无人驾驶车辆在高速路上进行了测试,最高时速110公里/小时,自主变道36次,一举夺得“中国智能车未来挑战赛”的冠军。而2015年长安实现了从重庆到北京的高速路无人驾驶测试。从这些方面可以看到中国无人驾驶车的技术进步是非常大的。

    说到国外的无人驾驶,可能大家最先想到google的无人车,因为它的车最先进入城市道路落地测试,稳定性比较好,出错非常少,口碑和风头都很足,所以很多人记住了,其实在这之前,美国的智能车比赛已经有很多NB的车能够在马路上飞奔了,只不过关注度和知名度没那么高。国外的无人驾驶技术积累非常足,国内对这方面的研究比较落后,这也是为什么最近通用的无人车已经在洛杉矶这样的大城市复杂的路况下测试了很久了,而咋们的城市无人驾驶车至今还没有落地进行测试的影子,很多国内的无人驾驶车都是有限条件下跑,咋们搞的也不晚,只能说高校没有这种雄心去整合,军用一直没有停止过研究和发展,但是民用需要依托高校的研发实现商用化,这还有非常远的路要走。

    上面说到的通用无人驾驶,看到这些视频就知道国外的无人驾驶发展的地步了。这是2017年通用自动驾驶发布的自动驾驶测试视频。

    第一视角体验通用自动驾驶第二弹 - 腾讯视频https://v.qq.com/x/page/m0373fiwrvp

    视频截图:

       

          上面的无人驾驶使用的技术主要依赖传感器,使用了雷达、摄像头等, 车联网马上也会用到无人驾驶上,无人驾驶的技术对传感器的依赖将会增加成本和控制的难度,使用车联网来传递一些稳定的信号以减少无人驾驶环境感知,比如使用V2X来传递交通灯的信号、车道信息、前方道路情况,这样将会减少对传感器的依赖程度,增强对环境的适应性。

            总体来讲,无人驾驶的的发展:军用到民用,从特殊环境到普通环境,从多传感器融合到传感器+车联网

    在无人驾驶(自动驾驶)出现之前,很多无人驾驶的技术作为辅助驾驶技术得到了商业的推广和应用,Mobileye就是ADAS的行业先驱,ADAS包括:车道偏离、前碰撞预警、行人检测、交通灯检测、移动物体检测等,这些技术作为辅助驾驶技术,只提供预警,不干预车辆的驾驶。ADAS可以说是无人驾驶的技术试金石。

    再来看一下两个极端情况下的车辆自动驾驶测试:

    第一个是:夜晚+雨天

    这是Drive.ai的杰作,是MIT的一个团队

    A rainy night is no trouble for this self-driving car - The Verge
    http://www.theverge.com/2017/2/14/14610614/drive-ai-self-driving-car-rain-video


    第二个是:雪天,这是福特的杰作

    http://www.theverge.com/2016/1/11/10745508/ford-snow-self-driving-testing-naias-2016


    二、自动驾驶的分级


    首先看一下这篇文章:

    干货分享|谷歌、苹果都在争相研发的自动驾驶,究竟是什么?https://mp.weixin.qq.com/s/DS3q0EqzcKU5PiTD0JODKw

    (很详细,本文有几张图放的就是该文章中的,盗图旨在讲的更加详细,不想花时间自己再造图了)

           现在对无人驾驶的分类是依据美国国家公路交通安全管理局和美国汽车工程师学会定义的,分为五个等级,上面的链接文章中有,我不啰嗦了。按照我的理解,可以分为三个等级:辅助驾驶、半自动驾驶、自动驾驶。

    辅助驾驶:通过环境感知,为驾驶员提供决策和预警信息。人驾驶车辆,无人驾驶技术只提供辅助作用

    半自动驾驶:驾驶员干预和纠正车辆的自动驾驶。以车辆自动驾驶为主,人干预驾驶为辅助。在特殊情况下只能依靠人来完成驾驶任务。

    全自动驾驶:自动驾驶为主,人只提供辅助驾驶,不干预车辆自动驾驶


    下面看一下美国的标准,划分的的更加详细

    自动驾驶的定义和发展阶段:



    自动驾驶的目的:

           其实出现自动驾驶后,很多人觉得没有必要,特别是最初谷歌的无人驾驶使用了高昂的穿传感器,使大家觉得民用遥不可及,成本贵,风险比较高,不可靠等,那么还不如人自己来开车了,但是自动驾驶能够解决的问题远远不止代替人驾驶的的问题,它还有以下的功能:


           除了上面列举的功能外,无人驾驶的军用技术对于一些特殊行业来讲,还有很多特殊的功能,比如采矿、消防等特种车辆的自动驾驶,将解决当前高危行业和一些危险工况下人参与的风险。这些功能不一一列举。对于中国的特殊情况:地理环境复杂、人口众多、道路交通拥挤的情况,无人驾驶最有可能出现在特种车和特定的工作环境下;发展应用的路线基本上是从城市道路到农村道路,从高速到国道省道

    自动驾驶首先会应用在景区、公交等固定路线的场景中,会首先应用在特种车上面,应用在特定的情况下,其次是高速(货运、客运),再其次就是一般城市道路、普通乡村道路。应用的场合和驾驶技术应用程度有关,比如是人车交互驾驶或者是全自动驾驶等等。


    自动驾驶的分级:



    按照上面NHTSA的分类,各阶段的功能可以为:

    L0:辅助驾驶系统;ADAS驾驶系统,主要有LDW、FCW、PCW、MOD等,这些都是起到辅助驾驶,提醒和警示作用,不干涉驾驶员的驾驶

    L1:干预性辅助驾驶;AEB,检测前方的障碍物,并提供刹车制动,ACC,跟随模仿前方车辆驾驶,保持安全距离

    L2:半自动驾驶;LKA车道保持,人在良好交通状况下选择性的启动自动驾驶,这个阶段感觉已经被直接跳过了,人驾驶为主,车自动驾驶为辅助

    L3:人车交互驾驶;车自动控制驾驶,人参与指挥车辆驾驶,车自动驾驶为主,人驾驶为辅助

    L4:全自动驾驶:人不做任何指挥或控制车辆驾驶,由车辆全自助驾驶



    下面是具体的给出各个阶段实现的功能,上面我写的只是举例,没有完整,当然下面的也没有举例完整;


    L0还有疲劳检测预警、主动式安全带,主动头枕(这是我导师做的东西,根据危险工况,安全带自动拉紧、头枕向前保护头部、颈部等)。


    自动驾驶商业化分级:

           这个表基本上反应了自动驾驶的一些情况,其中ADAS是集成是当前普及和走向前装的最火热时期,和表上的时间基本吻合,按照表上的预测,2033年左右,L0结束,基本意味这ADAS这时候已经被淘汰,即,2033年左右,当前市场上的ADAS只有预警功能的会被淘汰掉,取而代之的是L1阶段,即干预性的辅助驾驶系统,不仅预警,而且参与车辆控制驾驶。

    L2和L3这两个阶段占据的时间比较长,其反应的是人、车对驾驶控制的比例变换的两个阶段,这两个阶段实现车辆自动驾驶的过度,人驾驶车辆的比例逐渐减少,车辆自动驾驶的比例逐渐增加。L4最先出现在2030年,即自动驾驶出现商业应用在2030年,普及在2060年左右,这也是上面说的自动驾驶的应用从特定道路和场景情况逐渐扩展到所有的驾驶情况。好吧我们有希望在2030年看到无人驾驶的公交车和货运车了,当然技术变换日新月异,可能会来的更早!!!


           说到自动驾驶,就有车辆控制,当前车辆的驾驶控制主动权在车厂,除非改装。这就说明一个问题,从L1以后,只有汽车制造厂商主动参与自动驾驶的技术变革,放开车辆控制的控制权,这样才能快速的推进自动驾驶走向商业化,否则依靠改装和后装市场对CAN信号的解码这种不规范的行为,将会导致汽车市场的混乱和极大的社会危害,另一方面,汽车厂商在开放汽车控制权或者主动加入自动驾驶技术时,也需要考虑到最重要的汽车驾驶安全问题,特别需要注意车联网后,车辆的信息泄露,特别是控制信息的泄露,将会带来的危害及防止措施。



    展开全文
  • 自动驾驶

    2017-12-22 15:04:48
    CNN是可理解图片中结构关系的神经网络,可以精确识别图像中的行人、车辆、路牌等等,缺点实时性太差,要是等CNN几百万个参数算完,人早就给撞死了。RCNN以及后续的Fast-RCNN以及Faster-RCNN逐步做到了能够实时给出...


    CNN是可理解图片中结构关系的神经网络,可以精确识别图像中的行人、车辆、路牌等等,缺点实时性太差,要是等CNN几百万个参数算完,人早就给撞死了。RCNN以及后续的Fast-RCNN以及Faster-RCNN逐步做到了能够实时给出图像中物体位置。

    用CNN来分割图像,试图估测出每个部分与摄像头的距离2015 cvpr paper




    还有试图根据素材材质分割图像,判别目标轮廓MAC-CNN




    OpenAI开源的universe,让研究者在GTA5中训练自动驾驶,在游戏中设置各种场景和路线来测试AI,具体推荐专栏文章zhuanlan.zhihu.com/p/24


    谷歌为了自动驾驶打造了carcraft, 以达获得更多的训练场景和数据

    著名黑客George Hotz创立的公司Comma.ai


    展开全文
  • 自动驾驶概述

    千次阅读 2020-02-08 20:27:27
    随着5G逐渐走进人们的视线,自动驾驶汽车成为一个社会热门话题。那么自动驾驶究竟是什么样的?它真的能实现吗?什么时候我们才能真正使用上呢? 汽车是当今社会的主要交通工具之一,自动驾驶汽车是目前可以看到,...
  • 深度学习-84:自动驾驶技术(L0-L5级别)

    万次阅读 2018-10-14 10:28:55
    深度学习-84:自动驾驶技术(L0-L5级别) CSDN专栏: 机器学习&深度学习(理论/实践) 人工智能在驾驶领域的应用最为深入。通过依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作...
  • 自动驾驶是百年汽车工业史上又一次伟大的范式转移,将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」;车厂的角色将从传统的汽车制造商...
  • 人工智能之自动驾驶系列(一):概要 版权声明:本文系个人经多处资料学习、吸收、整理而得,如需装载,请注明出处:作者名+链接。文中若有笔误或不正确的地方,烦请包涵并指出,谢谢。 内容说明:本系列内容...
  • 目标跟踪从两个维度来展开: 基于视觉的目标跟踪和基于多传感器融合的目标跟踪。 1.基于视觉的目标跟踪 一般将目标跟踪分为两个部分:特征提取、目标跟踪算法。目标跟踪的算法大致可以分为以下五种: ...
  • 自动驾驶开源代码

    千次阅读 2017-11-13 15:36:56
    https://github.com/commaai/openpilot.git
  • 自动驾驶架构解析演进路线整体架构Apollo1.0Apollo1.5Apollo2.0Apollo2.5Apollo3.0硬件部署Apollo2.5Apollo3.0硬件连接软件逻辑 演进路线 整体架构 Apollo1.0 Apollo1.5 Apollo2.0 Apollo2.5 Apollo3.0 硬件...
  • 自动驾驶面试题MARK

    千次阅读 2019-03-13 15:03:47
    https://blog.csdn.net/xiangxianghehe/article/details/81207868
  • 解析百度Apollo自动驾驶平台

    千次阅读 2020-09-22 08:52:11
    解析百度Apollo自动驾驶平台:https://paul.pub/baidu-apollo/
  • 来源:亿欧智库 概要:中国自动驾驶最全产业研究报告,pdf 下载:https://pan.baidu.com/s/1gfeoenL
  • 汽车四化:电动化、智能化、网联化、共享化。 目的: ... 统一测试场景、测试规程及通过条件,第三方检测机构进行自动驾驶功能检测验证。 具体PPT讲义见此:智能驾驶系统简介及功能测试方法 ...
  • 2019年上半年收集到的人工智能自动驾驶方向干货文章 颠覆性技术丨无人驾驶 解析|自动驾驶的核心技术是什么? TC专访Waymo首席技术官:谷歌自动驾驶的过去和未来 全面解读自动驾驶的关键组成部分 史上最全的...
  • Python实现树莓派小车自动驾驶完整程序。
  • 这篇英文ppt主要介绍了自动驾驶系统架构的设计包括逻辑架构、功能架构、网络架构和线控架构等等。
1 2 3 4 5 ... 20
收藏数 68,616
精华内容 27,446
关键字:

自动驾驶