自动驾驶相关资源
知乎专栏：自动驾驶挑战https://zhuanlan.zhihu.com/p/68127887
1.疲劳检测、

知乎专栏：自动驾驶挑战https://zhuanlan.zhihu.com/p/68127887
1.疲劳检测、
      一般是通过检测眼睑闭合、眨眼、凝视方向、打哈欠和头部运动等，检测到驾驶员状态

1.1通过检测人眼https://github.com/tahaemara/sleep-detection

1.2检测开车时的状态https://github.com/tahaemara/sleep-detection

1.3KAGGLE_DISTRACTED_DRIVER比赛数据

1.4 卷积神经网络 https://github.com/AnirudhGP/DrowsyDriverDetection

1.5跟踪加眼睛检测  https://github.com/nishagandhi/DrowsyDriverDetection
2.车道检测相关

知乎;https://zhuanlan.zhihu.com/p/58980251
3.数据

知乎：https://zhuanlan.zhihu.com/p/56451461

4.标注工具

知乎https://zhuanlan.zhihu.com/p/56514817

5.单目测距

知乎https://zhuanlan.zhihu.com/p/57004561

6.行人过马路意图分析

https://zhuanlan.zhihu.com/p/57077589

第一章 自动驾驶概述
第二章 自动驾驶汽车决策与控制
第三章 自动驾驶汽车定位技术
第四章 自动驾驶系统设计及应用
第五章 自动驾驶汽车平台技术基础
提示：这里可以添加系列文章的所有文章的目录，目录

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
第一章 自动驾驶概述
第二章 自动驾驶汽车决策与控制
第三章 自动驾驶汽车定位技术
第四章 自动驾驶系统设计及应用
第五章 自动驾驶汽车平台技术基础
前言
一、自动驾驶分级
二、自动驾驶基本框架
1.环境感知系统




前言
随着汽车电动化、智能化、网联化的快速发展，汽车行业迎来了翻天覆地的变化，汽车EE架构以及软件复杂性也以指数级增长，智能驾驶、新能源技术、车联网、车路协同等技术快速发展。在这种大变局下，汽车行业迎来了新的发展机遇，同时也带面临着商业模式不确定、技术能力不足等巨大挑战。

一、自动驾驶分级

二、自动驾驶基本框架
自动驾驶是人工智能在汽车上的应用，其工作原理与人工智能类似，与人类的行为模式也是一致的。驾驶员在驾驶时的操作过程为一般为：通过眼睛和耳朵感知外界环境（导航，车况和路况），然后通过大脑做出决策（选择路线，转弯，加速，减速，超车，刹车等），然后手和脚跟据大脑的决策做出响应的行为（转动方向盘，加减油门，踩刹车等行为）。自动驾驶按照功能分也可以分为三大部分：感知、决策、控制。
自动驾驶内容概要：
典型自动驾驶框架：




1.环境感知系统
环境感知系统优缺点如下图表所示：

自动驾驶工具箱



设计，模拟和测试ADAS和自动驾驶系统

自动驾驶工具箱™提供用于设计，模拟和测试ADAS和自动驾驶系统的算法和工具。 您可以设计和测试视觉和激光雷达感知系统，以及传感器融合，路径规划和车辆控制器。 可视化工具包括鸟瞰图和传感器覆盖范围，检测和轨迹范围，以及视频，激光雷达和地图显示。 该工具箱使您可以导入和使用HERE HD Live Map数据和OpenDRIVE®道路网络。

使用地面真理标签应用程序，您可以自动标记地面真理，以训练和评估感知算法。 对于硬件在环（HIL）测试和感知，传感器融合，路径规划和控制逻辑的桌面模拟，您可以生成和模拟驾驶场景。 您可以在逼真的3D环境中模拟摄像头，雷达和激光雷达传感器的输出，并在2.5D模拟环境中模拟物体和车道边界的传感器检测。

自动驾驶工具箱提供了常见ADAS和自动驾驶功能（包括FCW，AEB，ACC，LKA和停车代客）的参考应用示例。 该工具箱支持用于快速原型设计和HIL测试的C / C ++代码生成，并支持传感器融合，跟踪，路径规划和车辆控制器算法。



开始使用：

参考应用
	
驾驶场景模拟
	
地面真相标签
	
使用计算机视觉和激光雷达的感知
	
传感器融合与跟踪
	
制图
	
路径规划
	
车辆控制器
最新功能
	
文档和资源
	
尝试或购买
 

免费白皮书
自主系统的传感器融合与跟踪

现在就下载

 参考应用

使用参考应用程序作为开发自动驾驶功能的基础。 自动驾驶工具箱包括前撞预警（FCW），车道保持辅助（LKA）和自动泊车员的参考应用程序。

使用传感器融合的前向碰撞警告

车道保持辅助与车道检测

使用3D仿真可视化自动泊车员



在视觉感知系统参考应用中检测车辆和车道。

 驾驶场景模拟

编写驾驶方案，使用传感器模型并生成综合数据，以在模拟环境中测试自动驾驶算法。

长方体驾驶模拟

从雷达和摄像机传感器模型生成综合检测，并将这些检测合并到驾驶场景中，以基于长方体的模拟器测试自动驾驶算法。 使用Driving Scenario Designer应用程序定义道路网络，参与者和传感器。 导入预建的Euro NCAP测试和OpenDRIVE道路网络。

建立驾驶场景并生成综合检测

以编程方式创建驾驶场景变化

将OpenDRIVE道路添加到驾驶场景中



5:21

驾驶方案设计师

虚幻引擎驾驶场景模拟

在使用EpicGames®的Unreal Engine®渲染的3D模拟环境中开发，测试和可视化驾驶算法的性能。

在3D仿真环境中设计车道标记检测器

模拟激光雷达传感器感知算法

使用3D仿真可视化自动泊车员



使用3D仿真环境记录合成传感器数据，开发车道标记检测系统，并在不同情况下测试该系统。

 地面真相标签

自动化地面实况数据的标签，并与地面实况数据被测比较从一种算法的输出。

自动化地面真相标签

使用Ground Truth Labeler应用程序进行交互式和自动的地面真相标记，以促进对象检测，语义分段和场景分类。

地面真理标签应用程序（10:57）

地面真相贴标机入门

自动标记车道边界的地面真相



10:57

地面真相标签应用程序

测试感知算法

通过将地面真实数据与算法输出进行比较来评估感知算法的性能。

评估和可视化针对地面真相的车道边界检测

根据地面真相数据评估车道边界检测



根据地面真相评估车道检测输出。

 使用计算机视觉和激光雷达的感知

开发和测试用于自动驾驶的视觉和激光雷达处理算法。

视觉系统设计

开发用于车辆和行人检测，车道检测和分类的计算机视觉算法。

使用单眼相机的视觉感知

训练深度学习车辆检测器



单眼相机传感器模拟输出。

激光雷达加工

使用激光雷达数据检测障碍物并分割地平面。

使用激光雷达跟踪车辆：从点云到跟踪列表

根据激光雷达数据构建地图

使用激光雷达的地平面和障碍物检测



在激光雷达点云中检测和跟踪车辆。

 传感器融合与跟踪

使用带有卡尔曼滤波器的多对象跟踪框架执行多传感器融合。

使用传感器融合的前向碰撞警告

在鸟瞰范围内可视化传感器数据和轨迹

在Simulink中使用合成雷达和视觉数据进行传感器融合



可视化传感器融合结果。

 制图

通过HERE HD Live Map服务访问和可视化高清地图数据。 在流式地图查看器上显示车辆和物体的位置。

访问HERE HD实时地图数据

从HERE HD Live Map Web服务读取地图数据，包括包含详细道路，车道和本地化信息的平铺地图图层。

使用HERE HD Live Map数据验证车道配置

在此处访问高清实时地图数据

在这里高清实时地图图层



使用HERE HD Live Map验证车道配置。

可视化地图数据

使用流坐标来绘制车辆行驶时的位置。

可视化蒸制的地理地图数据




			
显示流式地图数据。
			
		
 路径规划

利用车辆成本图和运动计划算法来规划行驶路线。

使用3D仿真可视化自动泊车员

Simulink中的自动停车代客

RRT *路径规划器



在3D环境中进行路径规划和可视化

 车辆控制器

使用横向和纵向控制器来遵循计划的轨迹。

横向控制教程

纵向控制器-斯坦利

路径平滑样条



Stanley横向控制器用于计算转向角。

 最新功能

3D模拟

使用Epic Games的虚幻引擎渲染的3D模拟环境中开发，测试和验证驾驶算法

drivingScenario导入

将以编程方式创建的驾驶场景读入Driving Scenario Designer应用程序和Simulink

推动方案设计器导出到Simulink

生成驾驶场景和传感器的Simulink模型

实现L3级自动驾驶——自动驾驶产业转折点
如今，L3自动驾驶受到了前所未有的关注，越来越多的企业开始投入人力物力财力，来钻研L3自动驾驶。
什么是L3级自动驾驶
我们所说的L3级别自动驾驶，通常默认指美国SAE协会定义的标准。在我们上一篇文章已经介绍过了 。

这里简要描述下：目前最常用的ADAS大部分是属于L2级别的自动驾驶，仅仅是辅助人类驾驶，虽然人类可以一定程度的解放双手（Hands Off），但是还是需要人去观察环境。而L3级别的自动驾驶，环境感知则不再需要人类来做（Eyes Off），人类只需要在特定的情境下给予关注即可。



L2（车辅助人）到L3（人辅助车）后，用户才会真正感受到自动驾驶的美。届时，也是产业爆发式增长的时候。
目前奥迪A8L、广汽Aion LX、长安UNI-T均发布了量产L3车型。然而，这些车型只能实现低速的L3自动驾驶。尽管如此，也说明现在大型整车厂都在朝着实现L3的实现而努力。
中国L3自动驾驶的市场现状
消费者
·中国消费者饱受城市拥堵、停车困难等国内特有车况影响，所以国内的消费者普遍希望自动驾驶的早日落地。
政府
·政府大力支持自动驾驶的研发，目前已经在全国设定智能网联汽车测试示范区超过40个，包括一线城市和部分二线城市。
国内OEM和互联网公司
·国内主机厂、互联网公司互相合作，迅速转型。以小鹏汽车、蔚来汽车为代表的新型自动驾驶企业不断涌出。由于中国汽车保有量数量庞大，所以在接下来更换智能的路上也能够提供更多的数据，有望弯道超车。
量产L3自动驾驶的主要难点与解决方案
L3自动驾驶难以量产的阻碍有很多，包括感知准确率难以提升、决策时难以覆盖全部场景、设备算力足够但是不满足功能安全、无快速稳定的线控、车载设备无法满足整车算力要求。
·感知准确率难以提升
目前许多感知算法供应商都将感知准确率提升到了98%以上，但到此很难继续往上提升，在实车测试时还是不断有corner case出现。比如突然倒下的电线杆、马路上出现的其他生活杂物都会影响汽车感知系统的判断。
对于此，可以从数据层面上进行改善——增加尽可能多的相关有效数据；也可以从算法层面上改善——改善算法使其能够提取更多有效特征来增强判断能力；最后，将网络进化为自学习神经网络。
·车载设备无法满足整车算力要求
自动驾驶对芯片算力的要求极高。因为场景的复杂和操作的多样性需要驾驶处理器要达到每秒百万亿次的计算。如果算力不够，那么车辆就不能实时对于外界变化做出响应。出现任何一点延迟都有可能造成车毁人亡。

许多自动驾驶解决方案供应商选择车辆上外接工控机提供额外的算力，然而，当算力达到了以后，还要解决算力设备的散热等问题。

最后，还需要算力设备有足够高的可靠性，无论多么恶劣的环境都不能影响其计算过程。

对于此，可选用 虹科的HPEC（High Performance Embedded Computer）高算力车载设备——DynaCOR 40-34。DynaCOR 40-34是一款液冷车用高存储计算机。提供高达16TB的存储，4.4GB / s的写入速度和多个40/56 GbE接口。并通过了E-Mark和Shock&Vibe认证，能够在自动驾驶和其他恶劣环境中可靠运行。


体积轻巧的同时亦能保证良好的散热，秘诀是DynaCOR 40-34有独立的液冷冷却系统，同时亦可以与车辆冷却系统相连。在提供高算力的同时稳定运转。
END