精华内容
下载资源
问答
  • 自动驾驶分析

    2018-04-06 11:51:08
    随着人们对安全、舒适的驾驶体验的不断追求,自动驾驶成为汽车 的新方向。 目前的自动驾驶可分为两类。一类是目前非常火爆的无人驾驶,更 强调的是车的自主驾驶以实现舒适的驾驶体验或人力成本的节省, 典型的例子为...
  • 自动驾驶整体技术实现层级 自动驾驶系统可分为感知层、决策层、执行层 L4级自动驾驶系统实现在特定区域内对车辆操作的完全接管,系统需要实现:对周围障碍物的感知、车辆定位以及路径规划(2W1H),实现这些功能...

    自动驾驶整体技术实现层级
    自动驾驶系统可分为感知层、决策层、执行层

    L4级自动驾驶系统实现在特定区域内对车辆操作的完全接管,系统需要实现:对周围障碍物的感知、车辆定位以及路径规划(2W1H),实现这些功能需要构建感知层、决策层、执行层这三个层面的技术架构,这三个技术层级分别代表着L4自动驾驶系统的眼和耳、大脑以及手脚。基于当前技术发展情况,我们在本部分主要讨论车辆内部所采用的一些传感器和计算单元。除了本地的传感器和处理器外,系统通过与外部车辆、设施进行信息交互,以及在高精度地图等辅助下可以获得更好的环境感知能力。o

    自动驾驶环境感知传感器(一)
           感知层需要对多种传感器进行融合以实现冗余

              感知层主要是为自动驾驶系统获取外部行驶道路环境数据并帮助系统进行车辆定位,当前无人驾驶系统中代表性的传感器有激光雷达、摄像头、毫米波雷达、超声波雷达、GNSS/IMU等,由于其工作原理、技术特性各不相同决定其适用的应用场景各异,所以当前大部分车辆都是采用多种传感器相融合的方式以应对各种可能发生的情况,保证系统冗余。

    自动驾驶环境感知传感器(二)
    车用摄像头产品对比车用激光雷达产品更加成熟

             激光雷达发展始于上世纪70年代,主要应用于军事、航空航天、测绘等领域,主要可以实现测距、定位、环境监测、以及动态、静态3D环境模型的构建。车用激光雷达起步较晚,目前产品不够成熟面临多重问题需要克服,如:能够搭载在车上的产品有效测距较短;产品固态化、小型化技术不够成熟,难以满足车辆要求;配套产业链尚未成熟,难以实现量产;由于产量少,产品售价高昂(Velodyne HDL-64售价高达于7.5万美元)。相比之下,由于在消费电子领域多年发展积累,摄像头在技术(成像效果、产品小型化)、产业链方面(成本控制)均比较成熟,而且在探测距离、价格方面亦有明显优势。最新开发的产品即使是在外部光线条件不佳的情况下也能够给出较好的成像输出。

    自动驾驶环境感知传感器(三)
    激光雷达未来将朝向小型化、电子化、固态化发展

             虽然车用摄像头产品已经很成熟,但激光雷达在L3级以上的自动驾驶系统中是不可或缺的因为激光雷达可以生成车辆周边环境的3D模型,为系统提供深度的环境数据,而且其在车辆定位中也扮演着重要的角色。
    激光雷达能够发射的激光线束越多,其所能提供的探测精度和探测距离越好,但价格也越昂贵,如高速公路场景一般需要激光雷达能能够发射100线束以上;但针对一些中低速场景,也可采取多台低线束激光雷达以规避高昂的成本
    目前机械式激光雷达体积庞大、结构复杂,成本高昂,难以满足车辆使用要求,多家厂商正在着手研制半固态、固态激光雷达,以实现产品小型化、轻量化方向发展,随着未来相关技术进一步成熟,产品实现量产后,成本有望降至千元级别。

    自动驾驶计算决策层
    IC公司和Tier1大力投资研发布局该领域

            目前自动驾驶厂商传感器搭配基本趋同,而决定L4级自动驾驶落地的时间快慢更多的是取决于系统的决策环节,包括相关算法和计算平台。我们知道传感器每秒钟都会产生大量数据,计算平台需要有能力在极短时间内对大量的数据进行处理、分析并给车辆执行层下达操作指令以保证自动驾驶车辆的安全行驶。自动驾驶专用计算平台需要能够融合多种专用芯片和处理器,技术门槛极高,当前各大科技公司、Tier1都在布局该领域的技术研发,尤其是专业芯片环节具有极高的技术门槛,如Intel收购Altera(FPGA)、Movidius(视觉处理芯片)和Mobileye。目前由于产量少、造价高昂,当前一台计算平台的售价都在几万元甚至是十几万元,随着未来量产,成本有望降至万元以下。

    L4级自动驾驶系统组建
    目前行业并无统一的最优系统组建方案

             根据我们与行业内部分无人驾驶整体解决方案提供商的交流,目前各家厂商并无最优、唯一的L4级系统组建方案,每家在搭建自己的自动驾驶系统时都会根据不同的应用场景去选择不同的传感器配置方案,且由于当前上游厂商产品也处在快速迭代过程中,因此厂商也在尝试搭配选择不同的上游厂商所提供的产品。整体系统的造价和性能都在短时间内(季)快速迭代。

    当前L4级自动驾驶系统硬件成本高昂
    随着产业链成熟和产量提升硬件成本有望实现大幅下降

            目前大体上实现L4自动驾驶的硬件设备一般包含:6~12台摄像头、3~12台毫米波雷达、5台以内的激光雷达以及1~2台GNSS/IMU和1~2台计算平台(不同方案会选择不同侧重的传感器)。当前一整套L4级自动驾驶系统硬件成本还比较昂贵,整体基本在50万元左右甚至更高,而未来随着资本、研发的不断投入,自动驾驶产品逐渐落地、配套产业链逐渐成熟,预计整套系统硬件成本会在1~2年左右降至10~20万元,并最终有望控制在10万元以内。

     

    展开全文
  • 自动驾驶传感器分析

    2020-10-14 18:32:06
    成本低;穿透性强;适合近距离 易受天气影响;传播速度慢;远距离精度差 毫米波雷达 0.044~11 受环境、天气、光照影响小;可实现远距离感知与探测;可测距测速 对横向目标敏感度低、对行人分辨率不高、对高处物体...
    传感器 测距范围(m) 优点 缺点
    摄像头 0.2~10 信息丰富 受环境、天气、光照影响大;没有距离信息
    超声波雷达 0.15~5 功耗低;成本低;穿透性强;适合近距离 易受天气影响;传播速度慢;远距离精度差
    毫米波雷达 0.044~11 受环境、天气、光照影响小;可实现远距离感知与探测;可测距测速 对横向目标敏感度低、对行人分辨率不高、对高处物体以及小物体检测效果不佳;受金属影响
    激光雷达 25 分辨率高;360度检测 受光照影响;成本高;黑色物体检测效果不佳
    展开全文
  • 陈文博摘 要:在自动驾驶的感知系统中,图像传感器能够获取物体的类型、颜色等信息,相比其它传感器,信息更加丰富,但信息提取的难度较大。计算机视觉技术的出现为从图像数据里提取关键信息提供了基础。本文介绍了...

    陈文博

    摘 要:在自动驾驶的感知系统中,图像传感器能够获取物体的类型、颜色等信息,相比其它传感器,信息更加丰富,但信息提取的难度较大。计算机视觉技术的出现为从图像数据里提取关键信息提供了基础。本文介绍了计算机视觉的概念和原理,阐述了其在自动驾驶中的应用现状,讨论了其当前面临的技术、传感器以及安全挑战,并给出针对性建议。

    关键词:计算机视觉;自动驾驶;感知

    中图分类号:TP391.41 文献标识码:A 文章编号:1671-2064(2019)03-0049-02

    0 引言

    自动驾驶汽车是汽车电子、智能控制以及互联网等技术发展融合的产物,汽车被发明不久,人们就有了设计自动驾驶汽车的想法,最早的自动驾驶汽车出现在上世纪20年代,采用无线电控制汽车的行进,与遥控汽车类似。随着信息技术的发展,自动驾驶汽车也逐渐走向成熟,与早期的无线电控制不同,汽车有了自主控制的功能。现如今,自动驾驶汽车是指能够利用其自身的感知系统获取车辆自身以及外界环境信息,经过计算系统分析信息、作出决策,控制执行系统实现车辆加速、减速或转向等操作,从而实现在无需驾驶员介入的情况下自主行驶的汽车[1]。为促进自动驾驶汽车与现有交通系统的融合,并鼓励自动驾驶技术的发展,联合国、美国、欧洲多国、亚洲多国均针对自动驾驶制定了多项相关政策,涉及道路测试、技术研发、配套交通等多个方面。

    自动驾驶汽车中感知系统是其核心组成,感知系统利用传感器对环境中的人、车、物等进行检测、识别,为车辆决策提供数据支持。感知系统的输入设备包括光学摄像头、光学雷达(LiDAR)、微波雷达、导航系统等,其中光学摄像头由于其成本低、获取信息丰富等特点在自动驾驶系统中的应用越来越广泛[2]。对光学摄像头获取的图像数据进行分析往往需要借助计算机视觉技术。现在的人力驾驶汽车,视觉是决定汽车安全驾驶的关键,对于自动驾驶汽车来说,计算机视觉通过模拟人的眼睛和大脑的处理去识别道路上所有跟驾驶相关的物体(车、人、车道线、红绿灯、路的边缘等)来保证车辆的正常行驶。

    1 计算机视觉概述

    计算机视觉是利用各种成像系统作为信息输入的方式,从而尽可能地替代人类的视觉器官,之后利用计算机系统对输入的信息(图像)进行处理、分析,理解图像的内容,最终使得该系统具有能够从二维图像理解三维环境的能力,在自动驾驶领域,计算机视觉的应用可以使系统自主适应各種复杂的环境[3]。基本的计算机视觉系统结构如图1所示。

    首先是摄像头等成像系统获取相关的图像数据作为输入,之后进入视觉系统使用视觉相关算法进行处理,提取图像中的特征,之后对这些信息进行描述、存储、识别与理解,进而获得有用的视觉信息,包括形状、位置、姿态、运动等。单一的图像传感器获取周围信息时,安全性、整体性都相对较差,为此一些汽车厂商已开始研究雷达传感器和光学传感器(普通光学摄像头、红外摄像头)的融合技术以提高系统的可靠性以及面对不同环境的适应性。

    2 计算机视觉在自动驾驶中的应用

    计算机视觉通过摄像头可以感知的对象或信息包括人、车、周围障碍物、交通标志和行驶环境等。

    2.1 路况信息检测

    路况信息主要包括影响行驶的行人、车辆以及障碍物等,对这些信息进行检测是自动驾驶系统采取相应的规避或制动措施的基础,其检测的准确性将直接影响驾驶安全。在车辆行驶过程中,各种路况信息(行人、车辆、障碍物等)是随机出现的,难以提前预测,也就无法提前采取预防措施,驾驶系统只能在行驶过程中进行实时检测、识别,对检测算法的实时性要求较高。

    基于计算机视觉的路况信息检测算法能够满足上述检测要求,可以在行驶过程中进行实时检测,因而不需要获取检测对象的先验信息,已经成为路况信息检测的主流研究方向。以车辆检测为例,计算机视觉算法利用车辆自身的图像特征(如阴影、对称性、边缘等),能够快速确定车辆在图像中的区域,之后就可以对检测的车辆进行跟踪。Tesla将前置摄像头安装在反光镜的前面,通过计算机视觉技术处理摄像头提取的信息,并以此来计算距离,识别人、车辆和障碍物。

    2.2 交通标志检测

    交通标志是道路基础设施的重要组成部分,它们为司机提供关于路况的相关信息,同时也能促使司机调整驾驶行为,以确保他们遵守现行的任何道路法规。交通标志检测包含许多内容,如车道、交通信号灯、限速标志、道路标线等内容,以车道检测为例,车道检测主要是为了确定道路的位置和方向,从而对车辆进行控制使其按照规划的线路行进。此外,确定车道后还能为前述的行人、车辆和障碍物检测提供帮助,缩小其检索范围,提高算法的运行速度,降低误识率。为提高交通标志检测的准确性,研究者在传统计算机视觉技术的基础上,将深度学习技术应用到该问题上,进一步提高了算法的可靠性[4]。要建立这样的模型,需要采集大量的图像数据并进行标注,将其作为训练数据,之后利用这些数据训练深度学习模型,使之可以自主识别交通标志。Tesla Model利用汽车在道路上采集的种路况数据不断改善其识别算法的性能,进而提升用户的驾驶体验。

    2.3 驾驶员疲劳检测

    近年来,随着车辆数量的不断增加,交通事故的发生率也不断增长。据统计,驾驶员疲劳是导致交通事故的重要因素。虽然完全无人的自动驾驶不会出现驾驶疲劳的问题,但距离无人驾驶还有很长的距离,可以预见,在今后很长一段时间内,自动驾驶还会处在辅助驾驶阶段即需要驾驶员的参与,因而解决驾驶员疲劳问题仍然十分重要。为此,基于计算机视觉技术的驾驶员疲劳检测技术被开发出来。利用图像传感器采集驾驶员的面部图像,之后利用计算机视觉技术进行处理,得到驾驶员的眨眼频率信息,据此就能识别驾驶员的疲劳状态。这种方法对驾驶员来说是无感采集的,不会影响其正常的驾驶行为,是目前检测驾驶员疲劳状态一种比较有效的方法[5]。

    3 计算机视觉面临的挑战

    在自动驾驶领域,相比于激光感知与微波感知,视觉感知获取的信息量更加丰富、实时性好,体积小,成本较低,但计算机视觉也面临技术、传感器以及安全等问题。

    3.1 技术问题

    虽然计算机视觉技术在自动驾驶领域有了许多应用,但目前的应用水平总体来说还比较低端和原始,如何使计算机视觉的感知能力接近甚至达到人类的视觉能力仍然十分困难。现有的算法易受光照环境和运动等因素的影响,同时三维信息测量精度相对较低。现阶段广泛使用的深度学习模型是一个黑箱模型,其信息检测的原理不能直观地解释,因而对其可靠性不能进行全面的评估。

    为此,在进一步的研发过程中,应加大对算法可解释性方面的研究,提升算法的智能型,最终达到与人类视觉系统相对的水平。

    3.2 传感器问题

    目前,自动驾驶的感知系统的传感器除了摄像头还有激光雷达、毫米波雷等,这是因为没有摄像头获取的信息还不能完全满足自动驾驶的所有需求。摄像头采集图像时容易受风霜雨露以及光线等一系列复杂的环境因素的影响。在进行物体识别时三维信息的测量精度较低,且为获取这些信息对系统的算力要求较高。

    尽管摄像头存在这些问题,但目前而言,摄像头仍然是适用领域最广的传感器,已经被广泛应用在自动驾驶领域。相比于其他传感系统,对物体类型和颜色的准确识别是视觉系统无法比拟的优势,加上摄像头硬件成本相对低廉,未来的发展潜力较大。因此,未来可以研发稳定、可靠的图像采集装置,能够适应不同环境条件,从而方便后续利用计算机视觉进行图像处理,提取相关信息。

    3.3 安全问题

    虽然计算机视觉在自动驾驶领域的应用十分广泛,但也存在安全方面的问题。现阶段,采用计算机视觉检测相关信息虽然准确率较高,但远没有达到100%,也就是存在检测错误的情况,尽管出现的可能性较低,但一旦出现后果不堪设想。为了保证自动驾驶的安全,一种可行的办法是通过多传感器实现信息融合,也就是说当视觉传感器检测出现问题时,其它的传感器也能弥补这些失误,利用多种传感器共同检测实现一定的信息冗余来确保安全。相比于视觉感知,激光感知与微波感知数据精度高,实时性好,能够直接获取物体三维距离信息,因此其也被作為自动驾驶的传感器使用。

    4 总结与展望

    自动驾驶是未来汽车智能化的研究热点之一,而计算机视觉技术是其中的关键技术。本文介绍了计算机视觉的概念及原理。论述了其在自动驾驶领域中的具体应用,分析了其面临的主要挑战并提出针对性的建议。视觉感知能够及时、快速掌握车辆周围的行人、障碍物、交通标志等信息,为系统进行有效应对突发事件提供支持,但图像采集过程中易受光照环境、运动等因素的影响。为保证驾驶安全,现阶段需要将多种传感器融合,以保证信息检测的准确与可靠。相信随着计算机视觉技术的发展,其面临的问题将会逐一解决,从而设进一步提升自动驾驶的发展水平。

    参考文献

    [1] 张贵英,向函,赵勇.基于计算机视觉的自动驾驶算法研究综述[J].贵州师范学院学报,2016,32(06):14-19.

    [2] 郝俊.自动驾驶环境感知系统研究[J].时代汽车,2018(09):15-16.

    [3] 徐鑫.探究计算机视觉发展前景及趋势[J].电脑迷,2018(12):26.

    [4] 王科俊,赵彦东,邢向磊.深度学习在无人驾驶汽车领域应用的研究进展[J].智能系统学报,2018,13(01):55-69.

    [5] 牛亚尊,张翠青.驾驶疲劳识别方法研究综述[J].内蒙古科技与经济,2012(13):17-19.

    展开全文
  • L4级自动驾驶商业化应用落地时间表 更容易在封闭园区、高速公路等简单道路环境中落地 如我们之前所提到的,现在带有半自动驾驶功能(L3级以下)的产品已经有部分产品开始落地,而目前已知的L4级自动驾驶项目都还...

    L4级自动驾驶商业化应用落地时间表
    更容易在封闭园区、高速公路等简单道路环境中落地

            如我们之前所提到的,现在带有半自动驾驶功能(L3级以下)的产品已经有部分产品开始落地,而目前已知的L4级自动驾驶项目都还处在测试阶段,但18年、19年将会有多个应用于特定场景下的L4自动驾驶商业化项目逐步落地,从实现难度上来看,L4自动驾驶会率先出现在行驶条件相对简单、容错率较高的某些特定的封闭园区内,作为专用车或者某种商用车辆而使用;但在高速公路、城市一般道路环境下,由于道路复杂程度远高于封闭园区,在该环境下实现中驾驶商业化应用难度将会非常高。

    L4级自动驾驶商业化应用场景分析
    初期高投入换取后续人工费用降低和运营效率的提升

             L4级自动驾驶技术是指在确定的区域范围内实现系统对车辆的完全接管,在考虑适合L4级自动驾驶的商业化应用场景时,我们应该综合考虑以下因素:1、当前系统还不够聪明,难以应对过于复杂的道路环境;2、当前L4级自动驾驶硬件成本依然高昂,甚至比车辆自身成本还高,虽然未来成本有望下降,但依然会达到10万元左右,过高的成本导致其可能并不适合应用于私家车;3、L4级自动驾驶系统最大的优势就在于对驾驶员的完全替代,在考虑人力成本愈发高昂的当下,这可以节省大量的人力成本;4、系统在运营时间、运营效率等方面的表现都要优于人类驾驶员。因此在考虑L4级自动驾驶应用场景的时候需要综合考虑多方面因素。

    港区物流运输场景
    我国港口经营面临由注重吞吐量转向提高服务质量

            港口是贸易往来中的重要节点,90%的进出口物资是通过海运并经港口实现的。目前全球前20大集装箱港口中中国占其中一半前10大集装箱港口中有7个来自中国。随着集装箱船舶大型化、经营联盟化、班轮公司集中度急速提升这一趋势,对大型枢纽港提升码头服务能级、效率和质量、进一步优化资源配置、降低口岸综合成本等都提出了更高的要求;此外港口管理还面临廉价劳动力供给下降,随着工人健康意识的提升,新一代的劳务人员对于传统的工作模式变得难以适应,在未来港口将会面临着用工荒和用人成本大幅上升的情况。
    港口的发展模式正在从传统的单纯注重通过能力和吞吐量,转为口岸效率、服务质量、综合物流、科技创新和可持续发展等方面的的全面竞争,港口管理集团在未来的发展过程中可通过引入无人岸桥、自动驾驶内集卡等设备以上发展目标

    港区物流运输场景
    L4级自动驾驶在港口自动化改造方案中比AGV更有竞争力

            目前国内多个港口探索通过自动化改造提升集装箱运输效率和服务质量,如上海港洋山四期全自动化港口,7个集装箱泊位,共集成了26台岸桥、120台轨道吊和超过130台AGV(Automated Guided Vehicle自动引导运输车),设计目标将实现集装箱吞吐630万TEU/年,

    (TEU是twentyfoot equivalent unit的缩写,意思是:标准箱(系集装箱运量统计单位,以长20 英尺的集装箱为标准))自动化改造提升了港口的工作效率,同时为港口节省了极大的人力成本。其中,洋山四期采用AGV代替了内集卡(内集卡主要是负责在岸桥(岸边起重机)和场桥(堆场起重机)之间的运输任务)。但AGV价格昂贵,且前期需要对车量运行区域预埋导航设备,如需路线更改,则需要重新铺装导航设备;相比之下由于L4自动驾驶卡车是基于成熟卡车平台建造,成本相对低廉,且由于其导航方式不需要对港区进行基建改造,相比起AGV方案有投入少、运行灵活、适用面广等优点。

    港区物流运输场景
    细分市场空间有限但实现难度较小

            截至2017年末,全国共拥有生产码头27578个,万吨级及以上泊位2366个。在万吨及以上泊位中,集装箱泊位共328个。
    以洋山港四期为例,其共有7个集装箱泊位,配置有130台AGV,若我们假设同样数量L4自动驾驶内集卡运输效能等同于AGV的话,则按该比例我们可以推算得出,全国现有集装箱码头数量若全部进行内集卡自动化升级改造则需要6091台内集卡,若每台的改装费用为20万元,则改装市场空间为12.18亿元。
            在码头场景应用自动驾驶卡车难度较小,原因在于,码头场景相对封闭,运行区域规范整洁,适合于L4自动驾驶系统运行;虽然内集卡自动化升级需要一定成本,而国内的干线枢纽港出于在未来行业竞争中能够处于有利的竞争地位,有动力去对港口设施进行信息化、自动化升级改造;此外,自动驾驶内集卡可以节省8元/TEU的人力运输成本,并使得利润提升2.4倍。

    干线物流运输场景
    中国公路物流运输行业集中度较低行业未来面临整合

            中国公路运输总量占整体物流总量的70~80%,地位及其重要,但物流成本占GDP总量的16%,远高于欧美发达国家10%的水平。中国物流行业存在着小、散、杂等特点,90%的承运商单位都是中小运营商,个体车队占63%,行业集中度低、竞争激烈、行业利润率低。未来随着政策趋严导致的行业门槛提升以及当市场达到一定的饱和度时,行业将会进入整合并将淘汰效率低的小企业,集中度进一步提升,在未来行业竞争中行业龙头企业胜出的关键因素是要能够满足客户多元化需求,为客户提供透明、高效、标准化、低成本的服务。

    干线物流运输场景
    L4级自动驾驶技术助力综合物流龙头企业降低运营成本

             人工费用及运输成本费用是物流运输公司最主要的成本,如国内公路物流上市公司标的“德邦股份”2017年年报显示人工费用和运输费用分别占公司营业成本的45.12%和37.51%。尤其是人工费用,随着未来中国人口红利逐渐消失,社会劳动力成本进一步上升,将会对物流公司的利润水平造成巨大的压力。L4级自动驾驶技术可以有效降低公路物流公司对于卡车司机的需求——尤其是在干线运输环节,根据我们的调研,业内人士认为人工成本因为自动驾驶技术的引入可以下降2/3,此外,预计自动驾驶技术在固定线路上可以实现最有效率的驾驶方式,并极大地降低交通事故的发生概率,因此燃油费用和保险费用也会因此相应下调,最终由于引入自动驾驶系统整体利润率可实现近3倍的增长。

    干线物流运输场景
    干线运输行业规模庞大,但技术渗透尚需解决行业问题

            中国有近1500万辆公路货运车辆和3000万名货车司机,而当前自动驾驶技术比较适用于干线运输这一细分场景,主要原因在于干线运输行驶场景主要为高速公路,高速公路相比起城市主干道来说,行人、骑车人数量较少,复杂的道路路口、交通指示灯等设施相对较少,系统对道路上车辆行驶轨迹更好进行预测。因此,在测算市场规模上我们主要关注重型卡车(干线运输)领域,国内重卡保有量近600万辆,按比例推算对应司机数量应该在1200万名左右。假设每辆车的改装成本在20万元,则这是一个近1.2万亿的存量市场。
    虽然干线物流运输拥有较大的市场空间,但是行业中所遗留的一些历史问题阻碍了自动驾驶技术的推行,如甩挂模式推行困难,单车在运货到站后到再装满货物离站往往需要等待1~2天;此外,自动驾驶汽车能否正式上路运行最终还要通过政府相关部门的审批。

    其他应用场景
    当前L4级自动驾驶落地城市一般道路应用场景困难较大

             目前自动驾驶汽车进入城市一般道路应用场景难度还是比较大,即使是目前技术最领先的Waymo(MPD数据排名第一),在其测试的凤凰城地区也经常会有当地居民抱怨Waymo测试车在道路上的表现过于呆板。如果想要自动驾驶汽车在城市场景应用,可以选择某些低速、固定线路的应用场景,如:1、固定区域低速场景:最后一公里低速物流车、道路清洁车等市政车辆;2、在开放道路固定线路上行驶的公交车,其类似于轨道交通车辆,运行线路固定,道路情况虽然比较复杂,但是车速不快,还可以采取在车辆外安装LED信息告示板主动向车辆周边的行人和车辆告知自动驾驶车辆的下一步动作而避免可能发生的事故。此外,载客相比起之前我们重点分析的载货场景,还需要考虑乘客的搭乘体验,这对车辆控制算法有更严格的要求,因此技术难度更大。

     

     

    展开全文
  • 自动驾驶 Apollo 源码分析系列,感知篇(一)

    千次阅读 多人点赞 2020-12-17 22:52:53
    我是自动驾驶从业者,百度的 Apollo 是行业优秀的开源框架,近几年发展的比较快,基于对技术的热爱,我计划用 3 个月的样子来学习 Apollo 的源码,以提升自己的自动驾驶认知和技术。 在 Apollo 官网它有显示自己开放...
  • 自动驾驶开发云平台业务分析 自动驾驶车辆量产需积累大量里程经验,传统车端研发和测试方式,无法满足市场需求,业界普遍采用“云+端”研发迭代新模式,通过测试车队采集海量道路环境数据,在云端进行模型和算法开发...
  • 自动驾驶和人工智能Highly automated and autonomous driving places enormous pressure on the safety and reliability of its technology. Flawed reference data can mess up the entire training process of an ...
  • 20191106-广证恒生证券研究所-自动驾驶专题研究之市场空间预测:基于人力成本替代角度的分析.pdf
  • 自动驾驶时代

    2021-05-25 09:46:32
    为了降低汽车碰撞事故,保障交通安全,汽车领域逐步在引入全新的出行概念,自动驾驶技术因此应运而生,并在过去的几年里经历了前所未有的飞速发展。 安全,是自动驾驶的初心! 国内外自动驾驶玩家似乎也都意识到安全...
  • 自动驾驶关键词

    2020-07-07 09:49:59
    #自动驾驶关键词 关键行业结构洞 性能优秀的下一代传感器组合 安全实时的数据通信 优秀的感知决策算法 级别 L1 L2 L3 需要接管的自动驾驶 L4 无需司机干预的自动驾驶 L5 无需司机 缩写 AD 自动驾驶 ADAS 高级辅助...
  • 根据司机描述,当时他在事故中启动了自动驾驶模式。大多数人知道特斯拉可以说是目前世界上最先进的已经具备L2、特定条件下L3的自动驾驶能力的汽车。在这里面,小编想和大家分享的和现在的新闻、网络媒体报道不太一样...
  • 自动驾驶

    2018-06-19 20:13:17
    因为我们知道,面向自动驾驶每一天我们要处理大概 4-10 个 TB 的数据,一天里面我们 2000 辆自动驾驶的汽车,他所处理的数据比整个百度搜索引擎检索的数据量还要大,所以未来面向自动驾驶真正的是大数据的问题、...
  • 自动驾驶高精地图-概述与分析

    千次阅读 2020-06-06 19:23:53
    自动驾驶系统的功能系统架构中,高精地图与定位功能紧密相关,与感知模块交互,并最终支持规划和控制模块。 不同级别的自动驾驶对地图的精细程度要求不同。高精地图不仅存储Road和Lane等详细信息,而且还存储...
  • 初识自动驾驶系统

    2020-08-15 18:08:57
    近几年自动驾驶技术越来越火,前沿的人工智能、机器学习、大数据等技术也被应用到自动驾驶领域中,各大主机厂、自动驾驶解决方案提供商在不断加入和努力,行业在将自动驾驶技术由学术探索向商业化落地的方向持续推进...
  • 同理,高级别自动驾驶的实现也是需要冗余设计。即使一套系统出了问题,另一套系统也可以及时补上,确保安全。冗余结构的设计虽然带来的更好的安全性,却也额外增加了倍数成本。但是安全是无价的,所以冗余结构的设计...
  • @[TOC](强化学习系列文章(二十二):AirSim自动驾驶仿真平台及其Python API分析) AirSim自动驾驶仿真平台及其Python API分析 最近在做强化学习与自动驾驶的结合,于是接触到AirSim——微软开发的自动驾驶仿真平台,...
  • 自动驾驶网络:为什么需要自动驾驶网络? “我们坚信,未来二、三十年人类社会必然走进智能社会。今天,人类社会正处于新理论、新技术再一次爆发的前夜。发展潜力巨大,但也存在诸多不确定性。很多问题依然存在,但...
  • 算法与数据双轮驱动才能实现更成熟的自动驾驶技术,也是自动驾驶技术落地的必然选择。随着时间的推移,各家公司在算法方面的差距会逐渐缩小,真正影响自动驾驶技术水平的其实是数据,海量数据会助力自动驾驶技术再上...
  • High&NewTech:基于人工智能的自动驾驶技术的前世今生之Why、What、How最强分析与总结(包括自动驾驶L5个分级详细标准,非常建议收藏) 导读:SAE(SAE International,Society of Automotive Engineers国际自动机...
  • 产业链与市场空间:当前我国自动驾驶正处于 L2 向 L3 级别转化的阶段,预 计 2025 年 L2.5 级别自动驾驶车辆渗透率为 50%,2030 年 L2.5 和 L4 级别 自动驾驶汽车渗透率分别将达 70%和 18%。从产业链上看,仅上游...
  • matlab自动驾驶

    2020-12-15 15:46:53
    matlab自动驾驶 自动驾驶是目前比较热门的话题,包含的技术领域五花八门,例如:雷达、摄像头、汽车电控、激光雷达、物体识别、高精度地图、导航技术等等。让我们一起来聊一聊 MathWorks 这几年的自动...
  • 自动驾驶发展 介绍 (Introduction) Talking about inspiration in the networking industry, nothing more than Autonomous Driving Network (ADN). You may hear about this and wondering what this is about, and...
  • 基于深度学习的方法由于其逼近非线性函数或策略的强大功能,已被广泛用于训练自动驾驶仪的控制器。但是,训练过程通常需要标记较大的数据集,并且要花费大量时间。在本文中,我们分析了特征对使用卷积神经网络(CNN...
  • 自动驾驶技术小结

    千次阅读 2020-01-08 14:38:40
    自动驾驶概述 自动驾驶技术不需要人为操作,仅仅通过GPS、惯导、雷达等感知设备即可达到自动导航及行驶的目标。自动驾驶技术分为5个级别: 等级0:即无自动。驾驶随时掌握著车辆的所有机械、物理功能,仅配备警报...
  • 很多人第一次接触自动驾驶网络的概念,会理解成——华为怎么搞起汽车来了? 其实还是搞网络产品,就是网络的自动驾驶。那网络的自动驾驶是什么?这个问题,每个人都有自己的理解,接下来我将按照自己的理解来回答...
  • 浅谈自动驾驶系统感知系统

    千次阅读 2020-09-30 15:27:52
    自动驾驶并不是一项单一的技术,而是汽车电子、智能控制以及互联网等技术发展融合的产物,其原理为自动驾驶系统通过感知系统,获取车辆自身信息与周围环境信息,经过处理器对采集到的数据信息进行分析计算和处理,...
  • 如何进行自动驾驶算法开发

    千次阅读 2019-10-10 17:36:01
    就目前的自动驾驶发展情况来看,功能产品解决方案应该从特定区域的低速自动驾驶产品做起,而后逐步发展到高速公路、环路等结构化道路并至直复杂城市工况下自动驾驶产品,这些产品形态应是融入到整车功能/外观等设计...
  • 6月26日消息,据国外媒体报道,本月初外媒开始报道苹果寻求收购自动驾驶初创公司Drive.ai,而仅仅过了3个周,苹果公司就已向外媒证实他们收购了这一公司,但同此前多次的收购一样,苹果目前依旧也还未披露收购价格。...
  • 自动驾驶基础架构

    2021-03-04 09:59:14
    1. 关于自动驾驶基础架构 基础架构在互联网行业中,是一个相对比较成熟的领域。然而在自动驾驶领域,却是一个新鲜的话题。基础架构的工作包括硬件、onboard(车载系统)、云端三大板块。在我们认为,自动驾驶领域中...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 19,755
精华内容 7,902
关键字:

自动驾驶成本分析