精华内容
下载资源
问答
  • 1)自动驾驶汽车是通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置,借助车联网、5G和V2X等现代移动通信与网络技术实现交通参与物与彼此间的互换与共享,从而具备在复杂环境下的传感感知、决策规划、...

    1、什么是自动驾驶汽车

    1.1 基本概念定义

    1)自动驾驶汽车是通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置,借助车联网、5G和V2X等现代移动通信与网络技术实现交通参与物与彼此间的互换与共享,从而具备在复杂环境下的传感感知、决策规划、控制执行等功能。
    2)驾驶系统基于环境感知技术对车辆周围环境进行感知,并根据感知所获得的信息,通过车载中心电脑自主控制车辆的转向和速度,使车辆能够安全可靠地行驶,并达到预定目的地。
    3)自动驾驶车辆的整个工作流程是:
    — — 首先,是通过雷达、激光雷达、摄像头、车载网联系统等对外界的环境进行感知识别;
    — — 然后,在融合多方面感知信息的基础上,通过智能算法学习外界场景信息,预测场景中交通参与者的轨迹,规划车辆运行轨迹,实现车辆拟人化控制融入交通流中;
    — — 最后跟踪决策规划的轨迹目标,控制车辆的油门、刹车和转向等驾驶动作,调节车辆行驶速度、位置和方向等状态,以保证汽车的安全性、操纵性和稳定性。

    1.2 关键技术及开发流程
    1)自动驾驶的关键技术是环境感知技术和车辆控制技术,其中环境感知技术是无人驾驶汽车行驶的基础,车辆控制技术是无人驾驶汽车行驶的核心,包括决策规划和控制执行两个环节,这两项技术相辅相成共同构成自动驾驶汽车的关键技术。
    在这里插入图片描述
    图1. 自动驾驶汽车控制架构
    2)无论是环境感知技术,还是车辆控制技术,自动驾驶都需要大量算法的支持,而算法研发本来就是个不断迭代的过程,在算法不成熟的条件下,为了配合自动驾驶汽车的功能和性能开发,我们必须遵循从纯模型仿真,到半实物的仿真,到封闭场地-道路测试,并最终走向开放场地-道路测试这一开发流程;

    2、什么是自动驾驶仿真技术

    2.1 基本概念定义
    1) 自动驾驶仿真技术是计算机仿真技术在汽车领域的应用,它比传统ADAS仿真系统研发更为复杂,对系统在解耦和架构上的要求非常高;
    2)类似其他通用仿真平台,它必须尽可能的真实,而对仿真系统进行分析和研究的一个基础性和关键性的问题就是将系统模型化;
    3)通过数学建模的方式将真实世界进行数字化还原和泛化,建立正确、可靠、有效的仿真模型是保证仿真结果具有高可信度的关键和前提。
    4)仿真技术的基本原理是在仿真场景内,将真实控制器变成算法,结合传感器仿真等技术,完成对算法的测试和验证。

    2.2 自动驾驶仿真平台
    一个完整的自动驾驶仿真平台,需要包括静态场景还原、动态案例仿真、传感器仿真、车辆动力学仿真、并行加速计算等功能,并能够较为容易的接入自动驾驶感知和决策控制系统;只有算法与仿真平台紧密结合,才能形成一个闭环,达到持续迭代和优化的状态。
    在这里插入图片描述
    图2. 自动驾驶仿真系统模块
    1)静态场景构建方案
    a、可以采集实际环境信息及已有的高精度地图构建静态场景,通过采集激光点云数据,建立高精度地图,构建环境模型,并通过自动化工具链完成厘米级道路还原。
    b、静态场景数据编辑和自动生成技术,可基于实体场景完成真实道路自动化还原,也可以对道路周围树木及信号灯等标识根据不同拓扑结构进行自动的排布组合,生成更多的衍生虚拟场景。
    c、人为创建所需的环境,可以只包括那些简单的典型道路和场景,也可以把复杂的立交桥,隧道,各种障碍物,车道线和交通标志包括进来,用于不同的仿真测试和训练目的。
    在这里插入图片描述
    图3. 典型道路 - 环岛场景构建示例

    在这里插入图片描述
    图4. 交通信号灯、车道线等静态场景构建示例

    2) 动态场景构建方案
    a、用实际路上采集的海量真实数据,经过算法抽取,结合已有的高精地图,做动态场景重建;
    b、对多元类型数据进行整合与加工,通过算法构建逼近真实的智能体行为模型,可实现差异化动态场景的快速搭建;
    c、随机交通流的生成可模拟复杂的交通环境,通过设置车辆,行人,非机动车的密度,根据统计学的比例自动生成,大大提升了整个场景搭建的速度;
    在这里插入图片描述
    图5. 连续交通流仿真的可视化界面示例

    3)传感器仿真
    即环境感知传感器的建模能力需要对传感器物理原理的大量先验知识和经验。传感器仿真三个不同层级的仿真:
    a、物理信号的仿真 - 就是直接仿真传感器接收到的信号,如摄像头:直接仿真摄像头检测到的光学信号;雷达:直接仿真声波和电磁波信号。
    b、原始信号仿真 - 即把传感器的探测单元拆掉,因为控制电控嵌入系统中有专门的数字处理芯片,可以直接仿真数字处理芯片的输入单元。
    c、目标级信号仿真 - 目标级输入信号一般是CAN总线输入信号或者其他通讯协议格式输入信号。比如差分GPS和IMU可以通过串口通讯来仿真。
    在这里插入图片描述
    图6. 传感器仿真层级结构图

    4)车辆动力学仿真
    一般将车辆模型参数化,包括:车体模型参数化,轮胎模型参数化,制动系统模型参数化,转向系统模型参数化,动力系统模型参数化,传动系统模型参数化,空气动力学模型参数化,硬件IO接口模型参数化,根据实际测试车辆的动力学配置合适的参数。使用这些复杂的车辆参数,可以保证车辆的仿真精度更高,使被控对象更接近于真实的对象。
    在这里插入图片描述
    图7. 车辆动力学仿真测试示例

    5)并行计算
    a、在有了丰富的交通场景库,准确的传感器模型和车辆动力学仿真模型后,如何通过仿真平台加速自动驾驶算法测试和验证的迭代周期,这一问题可以通过纯软件方式的并行计算架构实现;
    b、并行计算或称平行计算是相对于串行计算来说的,它是一种一次可执行多个指令的算法,目的是提高计算速度,以及通过扩大问题求解规模,以解决大型而复杂的计算问题。
    c、并行计算可分为时间上的并行和空间上的并行。时间上的并行就是指流水线技术,而空间上的并行则是指用多个处理器并发的执行计算;

    3、自动驾驶仿真测试的评价方法

    3.1 自动驾驶仿真测试评价体系
    自动驾驶仿真测试的评价体系,主要针对的是自动驾驶整体算法的测试和评估。
    在这里插入图片描述
    图8. 自动驾驶仿真测试评价体系

    3.2 仿真测试运行环境的条件模型
    1)在算法接入仿真平台后,起到测试目的的关键部分是交通场景的仿真,即系统预期运行环境的条件模型。
    运行环境条件模型(包括但不限于以下“场景”):
    — — 道路属性 :车道数、坡度、出口、路障、道路条件等;
    — — 交通属性:其他交通参与者的数量和速度、其他驾驶员的可能模型;
    — — 总体环境条件: 能见度、天气条件等;
    这些运行环境的条件模型的组合形态包括:
    — — 实际交通中经常出现的“标准工况”
    — — 对于安全性评价,导致事故的“危险工况”
    — — 两者相结合的“复杂交通流”
    关于“场景”抽象划分的三个级别:
    — — 功能场景:是场景表述的最抽象级别,是通过语义表述的操作场景,通过语言场景符号来描述域内的实体以及实体间的关系;
    — — 逻辑场景:以状态空间呈现操作场景。通过定义状态空间内变量的参数范围,可以表达实体特征和实体间的关系。
    — — 具体场景:以状态空间详细描述了操作场景。通过确定状态空间中每个参数的具体值来明确描述实体和实体间的关系。

    3.3 自动驾驶仿真测试的评价依据及评价内容
    1)评价依据
    标准化交通场景确定之后,自动驾驶算法接入仿真平台即开始测试,自动驾驶测试评价的依据源于原子结果和车辆状态;
    a、原子结果:自动驾驶车辆从起点出发之后所有的细微表现:如是否闯红灯,压实线,是否发生碰撞,是否达到终点;
    b、车辆状态:自动驾驶车从起点出发之后到终点的全程过车中的油门、刹车、转向状态;
    2)评价内容
    a、驾驶安全性 - 指车辆在道路上的行驶决策和行为。自动驾驶车辆也需要遵守交通规则,必须在各种驾驶情境(不论该情境是预期内还是预期外的)为用户提供导航,确保驾驶安全性;
    —— 首先是对自动驾驶模块运行可靠性的判定,类似模块是否会发生软件的致命错误、内存泄漏和数据延迟等;
    —— 其次是对自动驾驶基础功能的评价。类似是否按照道路指示标志行车,是否冲撞行人,是否发生交通事故等。
    b、驾驶舒适性 - 指车辆在道路上行驶期间驾驶员或乘员的驾乘体验
    —— 依据行驶过程记录下的油门、刹车、转向状态,评估车辆驾乘是否平稳,转弯是否平顺;
    ——利用多自由度驾驶模拟器,通过驾驶员在环,评估驾驶员的体感判定和心理感受;
    (体感判定包括了横摆角,顿挫感等评估体系,心理感受包括了心理安全感以及迟钝感等。)
    c、交通协调性 - 指车辆在道路上行驶时相对其他交通参与者的交通移动表现
    在仿真平台内,对交通协调性的评价方法是比较困难的,只能从外部交通参与者或者全局视角去分析评价它。协调性的提升,靠算法不断自我强化学习。
    d、标准匹配性 - 指按不同国家的法律法规,对自动驾驶行为作出评价。
    在仿真平台内,因为我们输出的是原子结果,通过不同的排列组合和条件筛选,可以从不同维度,按不同行业标准,对自动驾驶算法做出评价。

    4、自动驾驶仿真测试的验证与精度

    4.1 自动驾驶仿真测试系统架构
    自动驾驶仿真测试平台包括虚拟场景、动态案例仿真、传感器仿真、车辆动力学仿真等独立模块,如下图所示,描述了仿真平台的典型软件架构,所以对自动驾驶仿真测试的验证与精度评估主要就是对存在于此架构内各个模块的评估和对整体框架的再评估。
    在这里插入图片描述
    图9. 自动驾驶仿真系统典型架构

    4.2 仿真系统的可信性验证
    仿真系统的可信性可以通过校核与验证加以测量,通过确认来正式地加以认证,可以为某一特定的应用目的服务,这个过程就是仿真系统的校核,验证与确认,即VV&A;
    1)仿真系统校核(Verification):确定仿真系统准确地代表了开发者的概念描述和技术要求的过程;
    2)仿真系统验证(Validation):从仿真系统应用目的出发,确定其代表真实系统正确程度的过程;
    3)仿真系统确认(Accreditation): 是官方正式地接受一个仿真系统为专门地应用服务地过程。
    4.3 仿真模型必须满足的三个条件
    1)仿真模型与系统原型之间具有一定程度上的相似关系,以保证两者之间的可类比性。
    2)仿真模型在 一定程度应该能够代替系统原型,极具有代表性。
    3)通过对仿真模型的研究,能够得到关于系统原型的一些准确信息,即仿真模型具有外推性。

    5、自动驾驶仿真技术的意义

    5.1 仿真是自动驾驶研发测试的基础关键技术
    1)自动驾驶仿真是自动驾驶车辆测试和试验的基础关键技术
    2)自动驾驶仿真是未来行业定义自动驾驶车辆相关开发流程与技术准入标准的基础工具;
    3)“自动驾驶软件开发”和“自动驾驶系统及整车验证与集成”,在很大程度都依托于计算机仿真技术提供共性技术的支撑;
    4)仿真测试已经成为大多数企业研发自动驾驶系统的共同需求。

    5.2 仿真测试的根本是保证自动驾驶车辆安全上路
    1)仿真虚拟测试为软件算法的迭代提供了基础的训练数据,为不安全行为的识别和处理提供了量化的测试环境,为风险控制策略提供了早期快速的评价工具。
    2)自动驾驶仿真技术可以帮助认证机构去完善对汽车智能化软件产品的认证过程与监管方法,尤其是从测试技术上,弥补目前偏重实车路试的不足;
    3)自动驾驶仿真系统有能力承载自动驾驶车辆运行全生命周期中的实时数据。最终形成更为科学有效的功能测试方法和产品性能评价指标,形成完整的信息物理系统。

    5.3 发展自动仿真软件做行业研发的备用系统
    1)发展自动驾驶仿真软件平台,是在培养一批人才和建立一套备用系统。当国外的巨头对工业软件实施断供,那么这套系统就可以立即投入使用,保证我国汽车自动驾驶技术与智慧交通与出行的持续自主发展;
    2)未来软件定义智能汽车,而仿真是测试软件最基本有效的工具。只有开发出自主的仿真测试平台,才能获得标准规范的制定主动权,保证汽车产品在中国市场的安全底线。

    5.4 仿真测试是自动驾驶技术发展的必然结果
    1)以往的仿真软件不能很好的支持自动驾驶感知决策算法软件的迭代与测试,对复杂场景的构建也缺乏相应自动化技术。国际车厂与新技术企业通过内部研发和对外投资的方式,搭建了企业内部的仿真平台;未来企业内建的自动驾驶开发平台,以及满足自动驾驶算法开发与整车系统集成的商业化仿真软件比将成为研发链条上的底层基础工具之一。
    2)智能网联汽车已经进化为信息物理系统的一部分,仿真软件也将形成智能网联汽车与智能交通的中央数据平台。自动驾驶仿真技术不仅帮助人工智能算法安全应用于智能汽车,未来也是车队运营、道路设施与智慧交通的管理平台;

    参考资料:
    中国自动驾驶仿真技术研究报告(2019版)

    注:文章首发于公众号“筋斗云与自动驾驶”,扫描下方二维码关注公众号并在主页面点击左下角“福利”,有40余篇自动驾驶与EE架构相关国外参考技术文献赠送。
    在这里插入图片描述

    展开全文
  • 1)自动驾驶汽车是通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置,借助车联网、5G和V2X等现代移动通信与网络技术实现交通参与物与彼此间的互换与共享,从而具备在复杂环境下的传感感知、决策规划、...

    1、什么是自动驾驶汽车

    1.1 基本概念定义

    1)自动驾驶汽车是通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置,借助车联网、5G和V2X等现代移动通信与网络技术实现交通参与物与彼此间的互换与共享,从而具备在复杂环境下的传感感知、决策规划、控制执行等功能。

    2)驾驶系统基于环境感知技术对车辆周围环境进行感知,并根据感知所获得的信息,通过车载中心电脑自主控制车辆的转向和速度,使车辆能够安全可靠地行驶,并达到预定目的地。

    3)自动驾驶车辆的整个工作流程是:

    — — 首先,是通过雷达、激光雷达、摄像头、车载网联系统等对外界的环境进行感知识别;

    — — 然后,在融合多方面感知信息的基础上,通过智能算法学习外界场景信息,预测场景中交通参与者的轨迹,规划车辆运行轨迹,实现车辆拟人化控制融入交通流中;

    — — 最后跟踪决策规划的轨迹目标,控制车辆的油门、刹车和转向等驾驶动作,调节车辆行驶速度、位置和方向等状态,以保证汽车的安全性、操纵性和稳定性。

    1.2 关键技术及开发流程

    1)自动驾驶的关键技术是环境感知技术和车辆控制技术,其中环境感知技术是无人驾驶汽车行驶的基础车辆控制技术是无人驾驶汽车行驶的核心,包括决策规划和控制执行两个环节,这两项技术相辅相成共同构成自动驾驶汽车的关键技术。

    2)无论是环境感知技术,还是车辆控制技术,自动驾驶都需要大量算法的支持,而算法研发本来就是个不断迭代的过程,在算法不成熟的条件下,为了配合自动驾驶汽车的功能和性能开发,我们必须遵循从纯模型仿真,到半实物的仿真,到封闭场地-道路测试,并最终走向开放场地-道路测试这一开发流程;

    2、什么是自动驾驶仿真技术

    2.1 基本概念定义

    1) 自动驾驶仿真技术是计算机仿真技术在汽车领域的应用,它比传统ADAS仿真系统研发更为复杂,对系统在解耦和架构上的要求非常高;

    2)类似其他通用仿真平台,它必须尽可能的真实,而对仿真系统进行分析和研究的一个基础性和关键性的问题就是将系统模型化;

    3)通过数学建模的方式将真实世界进行数字化还原和泛化,建立正确、可靠、有效的仿真模型是保证仿真结果具有高可信度的关键和前提。

    4)仿真技术的基本原理是在仿真场景内,将真实控制器变成算法,结合传感器仿真等技术,完成对算法的测试和验证。

    2.2 自动驾驶仿真平台

    一个完整的自动驾驶仿真平台,需要包括静态场景还原动态案例仿真传感器仿真车辆动力学仿真并行加速计算等功能,并能够较为容易的接入自动驾驶感知和决策控制系统;只有算法与仿真平台紧密结合,才能形成一个闭环,达到持续迭代和优化的状态。

    1)静态场景构建方案

    a、可以采集实际环境信息及已有的高精度地图构建静态场景,通过采集激光点云数据,建立高精度地图,构建环境模型,并通过自动化工具链完成厘米级道路还原。

    b、静态场景数据编辑和自动生成技术,可基于实体场景完成真实道路自动化还原,也可以对道路周围树木及信号灯等标识根据不同拓扑结构进行自动的排布组合,生成更多的衍生虚拟场景。

    c、人为创建所需的环境,可以只包括那些简单的典型道路和场景,也可以把复杂的立交桥,隧道,各种障碍物,车道线和交通标志包括进来,用于不同的仿真测试和训练目的。

    2) 动态场景构建方案

    a、用实际路上采集的海量真实数据,经过算法抽取,结合已有的高精地图,做动态场景重建;

    b、对多元类型数据进行整合与加工,通过算法构建逼近真实的智能体行为模型,可实现差异化动态场景的快速搭建;

    c、随机交通流的生成可模拟复杂的交通环境,通过设置车辆,行人,非机动车的密度,根据统计学的比例自动生成,大大提升了整个场景搭建的速度;

    3)传感器仿真

    即环境感知传感器的建模能力需要对传感器物理原理的大量先验知识和经验。传感器仿真三个不同层级的仿真:

    a、物理信号的仿真 - 就是直接仿真传感器接收到的信号,如摄像头:直接仿真摄像头检测到的光学信号;雷达:直接仿真声波和电磁波信号。

    b、原始信号仿真 - 即把传感器的探测单元拆掉,因为控制电控嵌入系统中有专门的数字处理芯片,可以直接仿真数字处理芯片的输入单元。

    c、目标级信号仿真 - 目标级输入信号一般是CAN总线输入信号或者其他通讯协议格式输入信号。比如差分GPS和IMU可以通过串口通讯来仿真。

    4)车辆动力学仿真

    一般将车辆模型参数化,包括:车体模型参数化,轮胎模型参数化,制动系统模型参数化,转向系统模型参数化,动力系统模型参数化,传动系统模型参数化,空气动力学模型参数化,硬件IO接口模型参数化,根据实际测试车辆的动力学配置合适的参数。使用这些复杂的车辆参数,可以保证车辆的仿真精度更高,使被控对象更接近于真实的对象。

    5)并行计算

    a、在有了丰富的交通场景库,准确的传感器模型和车辆动力学仿真模型后,如何通过仿真平台加速自动驾驶算法测试和验证的迭代周期,这一问题可以通过纯软件方式的并行计算架构实现;

    b、并行计算或称平行计算是相对于串行计算来说的,它是一种一次可执行多个指令的算法,目的是提高计算速度,以及通过扩大问题求解规模,以解决大型而复杂的计算问题。

    c、并行计算可分为时间上的并行和空间上的并行。时间上的并行就是指流水线技术,而空间上的并行则是指用多个处理器并发的执行计算;

    3、自动驾驶仿真测试的评价方法

    3.1 自动驾驶仿真测试评价体系

    自动驾驶仿真测试的评价体系,主要针对的是自动驾驶整体算法的测试和评估。

     

    3.2 仿真测试运行环境的条件模型

    1)在算法接入仿真平台后,起到测试目的的关键部分是交通场景的仿真,即系统预期运行环境的条件模型

    运行环境条件模型(包括但不限于以下“场景”):

    — — 道路属性 :车道数、坡度、出口、路障、道路条件等;

    — — 交通属性:其他交通参与者的数量和速度、其他驾驶员的可能模型;

    — — 总体环境条件: 能见度、天气条件等;

    这些运行环境的条件模型的组合形态包括:

    — — 实际交通中经常出现的“标准工况”

    — — 对于安全性评价,导致事故的“危险工况”

    — — 两者相结合的“复杂交通流”

    关于“场景”抽象划分的三个级别:

    — — 功能场景:是场景表述的最抽象级别,是通过语义表述的操作场景,通过语言场景符号来描述域内的实体以及实体间的关系;

    — — 逻辑场景:以状态空间呈现操作场景。通过定义状态空间内变量的参数范围,可以表达实体特征和实体间的关系。

    — — 具体场景:以状态空间详细描述了操作场景。通过确定状态空间中每个参数的具体值来明确描述实体和实体间的关系。

    3.3 自动驾驶仿真测试的评价依据及评价内容

    1)评价依据

    标准化交通场景确定之后,自动驾驶算法接入仿真平台即开始测试,自动驾驶测试评价的依据源于原子结果车辆状态

    a、原子结果:自动驾驶车辆从起点出发之后所有的细微表现:如是否闯红灯,压实线,是否发生碰撞,是否达到终点;

    b、车辆状态:自动驾驶车从起点出发之后到终点的全程过车中的油门、刹车、转向状态;

    2)评价内容

    a、驾驶安全性 - 指车辆在道路上的行驶决策和行为。自动驾驶车辆也需要遵守交通规则,必须在各种驾驶情境(不论该情境是预期内还是预期外的)为用户提供导航,确保驾驶安全性;

    —— 首先是对自动驾驶模块运行可靠性的判定,类似模块是否会发生软件的致命错误、内存泄漏和数据延迟等;

    —— 其次是对自动驾驶基础功能的评价。类似是否按照道路指示标志行车,是否冲撞行人,是否发生交通事故等。

    b、驾驶舒适性 - 指车辆在道路上行驶期间驾驶员或乘员的驾乘体验

    —— 依据行驶过程记录下的油门、刹车、转向状态,评估车辆驾乘是否平稳,转弯是否平顺;

    ——利用多自由度驾驶模拟器,通过驾驶员在环,评估驾驶员的体感判定和心理感受;

    (体感判定包括了横摆角,顿挫感等评估体系,心理感受包括了心理安全感以及迟钝感等。)

    c、交通协调性 - 指车辆在道路上行驶时相对其他交通参与者的交通移动表现

    在仿真平台内,对交通协调性的评价方法是比较困难的,只能从外部交通参与者或者全局视角去分析评价它。协调性的提升,靠算法不断自我强化学习。

    d、标准匹配性 - 指按不同国家的法律法规,对自动驾驶行为作出评价。

    在仿真平台内,因为我们输出的是原子结果,通过不同的排列组合和条件筛选,可以从不同维度,按不同行业标准,对自动驾驶算法做出评价。

    4、自动驾驶仿真测试的验证与精度

    4.1 自动驾驶仿真测试系统架构

    自动驾驶仿真测试平台包括虚拟场景、动态案例仿真、传感器仿真、车辆动力学仿真等独立模块,如下图所示,描述了仿真平台的典型软件架构,所以对自动驾驶仿真测试的验证与精度评估主要就是对存在于此架构内各个模块的评估对整体框架的再评估

    4.2 仿真系统的可信性验证

    仿真系统的可信性可以通过校核与验证加以测量,通过确认来正式地加以认证,可以为某一特定的应用目的服务,这个过程就是仿真系统的校核,验证与确认,即VV&A;

    1)仿真系统校核(Verification):确定仿真系统准确地代表了开发者的概念描述和技术要求的过程;

    2)仿真系统验证(Validation):从仿真系统应用目的出发,确定其代表真实系统正确程度的过程;

    3)仿真系统确认(Accreditation): 是官方正式地接受一个仿真系统为专门地应用服务地过程。

    4.3 仿真模型必须满足的三个条件

    1)仿真模型与系统原型之间具有一定程度上的相似关系,以保证两者之间的可类比性。

    2)仿真模型在 一定程度应该能够代替系统原型,极具有代表性。

    3)通过对仿真模型的研究,能够得到关于系统原型的一些准确信息,即仿真模型具有外推性。

    5、自动驾驶仿真技术的意义

    5.1 仿真是自动驾驶研发测试的基础关键技术

    1)自动驾驶仿真是自动驾驶车辆测试和试验的基础关键技术

    2)自动驾驶仿真是未来行业定义自动驾驶车辆相关开发流程与技术准入标准的基础工具;

    3)“自动驾驶软件开发”和“自动驾驶系统及整车验证与集成”,在很大程度都依托于计算机仿真技术提供共性技术的支撑;

    4)仿真测试已经成为大多数企业研发自动驾驶系统的共同需求。

    5.2 仿真测试的根本是保证自动驾驶车辆安全上路

    1)仿真虚拟测试为软件算法的迭代提供了基础的训练数据,为不安全行为的识别和处理提供了量

    化的测试环境,为风险控制策略提供了早期快速的评价工具。

    2)自动驾驶仿真技术可以帮助认证机构去完善对汽车智能化软件产品的认证过程与监管方法,尤其是从测试技术上,弥补目前偏重实车路试的不足;

    3)自动驾驶仿真系统有能力承载自动驾驶车辆运行全生命周期中的实时数据。最终形成更为科学有效的功能测试方法和产品性能评价指标,形成完整的信息物理系统。

    5.3 发展自动仿真软件做行业研发的备用系统

    1)发展自动驾驶仿真软件平台,是在培养一批人才和建立一套备用系统。当国外的巨头对工业软件实施断供,那么这套系统就可以立即投入使用,保证我国汽车自动驾驶技术与智慧交通与出行的持续自主发展;

    2)未来软件定义智能汽车,而仿真是测试软件最基本有效的工具。只有开发出自主的仿真测试平台,才能获得标准规范的制定主动权,保证汽车产品在中国市场的安全底线。

    5.4 仿真测试是自动驾驶技术发展的必然结果

    1)以往的仿真软件不能很好的支持自动驾驶感知决策算法软件的迭代与测试,对复杂场景的构建也缺乏相应自动化技术。国际车厂与新技术企业通过内部研发和对外投资的方式,搭建了企业内部的仿真平台;未来企业内建的自动驾驶开发平台,以及满足自动驾驶算法开发与整车系统集成的商业化仿真软件比将成为研发链条上的底层基础工具之一。

    2)智能网联汽车已经进化为信息物理系统的一部分,仿真软件也将形成智能网联汽车与智能交通的中央数据平台。自动驾驶仿真技术不仅帮助人工智能算法安全应用于智能汽车,未来也是车队运营、道路设施与智慧交通的管理平台;

     

     

    展开全文
  • 深度解析蔚来ET7自动驾驶技术

    千次阅读 2021-01-12 22:10:56
    我个人是个汽车迷,每天都会看大量汽车相关的信息,最近蔚来发布了ET7这款车,看宣传是有机会实现L4自动驾驶,有不了解自动驾驶技术的同学可以看下以下信息: 除了传统的依靠视觉模型做自动驾驶的实现以外,...

    我个人是个汽车迷,每天都会看大量汽车相关的信息,最近蔚来发布了ET7这款车,看宣传是有机会实现L4自动驾驶,有不了解自动驾驶技术的同学可以看下以下信息:

     

    除了传统的依靠视觉模型做自动驾驶的实现以外,本次蔚来ET7也搭载了Aquila超感系统。也就是说ET7是包含了:视觉自动驾驶技术+雷达波自动驾驶技术。接下来分别聊下ET7在这两方面技术的一些功能点。

    视觉自动驾驶技术

     

    ET7搭载了4颗NVDIA Drive Orin芯片以及800万像素的摄像头,这两个硬件设备是视觉自动驾驶技术实现的根本。先来说下芯片,这款芯片是专业的车载芯片。

    ORin芯片可以支持基于Cuda和TensorRT做深度学习模型的服务,TensorRT是一个模型服务的框架,可以支持各种框架产生的模型。

     

    ET7每秒钟可以产生8GB的视频,而视觉自动驾驶技术,其实就是一个物体识别模型实时inference的流程,需要保持每秒钟超过10个以上的图片识别请求效率。所以视觉自动驾驶的实现前提是强大的芯片计算力。Orin芯片是这个计算力的保证。

     

    另外我个人的一个猜想,其实在汽车驾驶过程中Orin芯片可以被用来做实时的图片识别,当汽车不运行的时候,比如汽车充电的时候,这些计算力也可以用来做模型的更新,利用迁移学习技术对本车产生的一些新的数据做模型的fine-tune,不过如何保证这些fine-tune的模型准确率是个问题。短时间内,我猜测,汽车芯片还是主要负责inference,不会参与训练。

     

    雷达波自动驾驶技术

     

    雷达波自动驾驶技术是对视觉自动驾驶技术的补充。NIO Aquila蔚来超感系统将定义量产车自动驾驶感知系统的全新标准,该系统拥有33个高性能感知硬件。11个800万像素的高清摄像头,4个前向,3个后向,4个环视;1个超远距高精度激光雷达,5个毫米波雷达;12个超声波传感器,两个高精度定位单元,以及车路协同感知和增强主驾感知。

    屏幕快照 2021-01-11 下午8.27.31.png

    在一些雷雨天气,摄像头可能被雨点弄模糊,或者在一些强光环境下,摄像头无法正确捕捉画面,这个时候通过激光雷达波的方式可以辅助识别前方障碍物。下图是雷达波反馈的一个前方障碍物效果图,基本也能构建出前方的事物。

    屏幕快照 2021-01-11 下午8.06.19.png

     

    Aquila雷达波系统是由一家中国供应商Innovusion提供,该供应商也接受了来自蔚来的投资。目前Innovusion主要提供L3以上的自动驾驶辅助功能。

     

    激光雷达本身的原理非常简单,像激光笔一样打到边上屏幕上,发过去再回来。但是自动驾驶难就难在要在自然的场景下,在自然光的条件下,有时候还有阳光,各种雨雾天气情况下打这个激光笔的光点,而且光电会打到各种不同特性的物体表面。如果打在会场后面,大家可以看到光点大很多了。如果在外面阳光下,用这个激光笔打的光点几乎是看不到的。在自然环境下保守估计有5%-10%的几率激光雷达系统会接收不到从物体返回的信号。

    屏幕快照 2021-01-12 下午7.42.31.png

    比如在50米以外,一米高的小孩要十个点以上(才能有效感知),需要激光雷达的传感器分辨率至少达到0.2度左右。另外高速路上的行驶,大家公认比较保守的停车、刹车距离大约是150米左右,这么远距离以外,汽车比人更不可控制,也许有一些车本身擦得很亮,颜色非常深,这时候一个车上需要有15-20个点左右。同样推算,激光雷达的分辨率也需要0.2度左右。一个驾驶场景考虑到纵向有坡度等不同变化条件下,大家可能希望有大约20-30度左右的视角。30除以0.2度,所以大家希望激光雷达达到的线数是150线左右,这是L4级自动驾驶的最低线数。

     

    总结一下

     

    目前来看,蔚来在自动驾驶方面准备走雷达波结合视觉识别的方式,对比特斯拉只采用视觉识别的模式,蔚来的方案显然保证性更高。在视觉识别方面,未来技术发展路线一定是通过更多地训练样本提升模型准确率。在雷达波技术演进方面,未来很有可能采取更多线的雷达波方案,增加辐射面积。

     

    蔚来这辆车我爱了,希望国产车越来越牛~

     

     

     

     

    展开全文
  • 自动驾驶技术小结

    千次阅读 2020-01-08 14:38:40
    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,仅配备警报装置等无关主动...

    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,仅配备警报装置等无关主动驾驶的功能也算在内。
    • 等级1:驾驶人操作车辆,但个别的装置有时能发挥作用,如电子稳定程式(ESP)或防锁死刹车系统(ABS)可以帮助行车安全。
    • 等级2:驾驶人主要控制车辆,但系统阶调地自动化,使之明显减轻操作负担,例如主动式巡航定速(ACC)结合自动跟车和车道偏离警示,而自动紧急煞停系统(AEB)透过盲点侦测和汽车防撞系统的部分技术结合。
    • 等级3:驾驶人需随时准备控制车辆,自动驾驶辅助控制期间,如在跟车时虽然可以暂时免于操作,但当汽车侦测到需要驾驶人的情形时,会立即回归让驾驶人接管其后续控制,驾驶必须接手因应系统无力处理的状况。
    • 等级4:驾驶人可在条件允许下让车辆完整自驾,启动自动驾驶后,一般不必介入控制,此车可以按照设定之道路通则(如高速公路中,平顺的车流与标准化的路标、明显的提示线),自己执行包含转弯、换车道与加速等工作,除了严苛气候或道路模糊不清、意外,或是自动驾驶的路段已经结束等等,系统并提供驾驶人“足够宽裕之转换时间”,驾驶应监看车辆运作,但可包括有旁观下的无人停车功能。(有方向盘自动车)
    • 等级5:驾驶人不必在车内,任何时刻都不会控制到车辆。此类车辆能自行启动驾驶装置,全程也不须开在设计好的路况,就可以执行所有与安全有关之重要功能,包括没有人在车上时的情形,完全不需受驾驶意志所控,可以自行决策。(无需方向盘自动车)

    目前大部分的自动驾驶技术是通过GPS定位+高精地图定位车的位置,同时使用普通雷达、激光雷达、摄像头等感知周围的环境,并随后做出决策,最终到达目的地。百度的apollo2.0的技术框架如下:image

    按模块划分的话,主要分为定位模块、路径规划模块、感知模块、控制模块,以下将分别介绍每个模块的技术。

    定位技术

    自动驾驶中最重要的是先知道车的位置,需要具有车道级别的定位精度。普通的GPS定位在这里是不能胜任的,因为普通GPS大概有10m的误差。为了更精准的定位一般需要用到高精地图,高精地图相对于普通的电子地图来说,它的精度更高,也是需要到车道级别。

    差分GPS

    对于普通的gps定位来说,存在卫星本身误差、轨道误差、天气原因导致的误差、手机设备等因素导致得到定位精度仍然存在误差。差分gps是在此基础,根据手机附近基准站(基站准确位置已知)的gps误差来修正手机的误差,分为三种技术:位置差分、伪距差分、相位差分。一般来说差分GPS可以得到厘米级的定位精度,但是差分GPS的基准站并不能覆盖所有区域,特别是隧道或者有GPS遮挡的区域,这时候是没办法用GPS准确定位的。

    惯导系统

    为了解决GPS遮挡的问题,惯导系统是利用陀螺仪+加速度计得到每一刻的加速度和角速度,通过时间积分,得到速度和角度,再通过空间累加,就可以推算出实时的位置。但是惯导系统存在累积误差的问题。

    环境匹配

    为了解决上述的问题,自动驾驶定位中一般还是用环境匹配的方法来修正位置。而环境匹配的方式有高精地图、激光雷达点云图、3D地图等。

    • 高精地图:高精地图则包含车道级的关系信息,比如每条车道线的精确位置、车道是虚线还是实线等。此外,道路上每个红绿灯和路边车牌的精确位置也会展现在高精地图上,帮助自动驾驶系统更好地进行感知和规划。
    • 激光雷达点云图:汽车实时用激光雷达扫描出的点云图和预先扫描的点云图进行匹配定位。因为预先扫描的点云图是有坐标信息的。
    • 2D图像匹配:使用激光雷达预先扫描的3D地图转换为2D地图,然后和摄像头实时拍摄的2D图像做匹配。
    • Mobileye的rem方法:预先扫描路标、路灯、指示牌、反光标等简单3D图像和路沿、绿化带、车道线等一维图像,称作rem地图。然后通过摄像头实时扫描出来的图像和上面的rem地图匹配,即可定位。

    环境匹配定位一般和惯导一起做卡尔曼滤波来提升定位效果。

    高精地图

    高精度地图是自动驾驶的基础,制作一张高精度地图可以大概分为3个过程:采集、加工、转换。该小节内容转载https://zhuanlan.zhihu.com/p/57958859。

    采集

    我们需要需要一些传感器来获取数据,下面是需要的传感器列表:lidar、摄像头、gps定位、惯导等。lidar主要是来采集点云数据,因为激光雷达可以精确的反应出位置信息,所以激光雷达可以知道路面的宽度,红绿灯的高度,以及一些其他的信息,当然现在也有厂家基于视觉SLAM(纯摄像头测距)来制作地图的,有兴趣的也可以看下相关介绍。
    摄像头主要是来采集一些路面的标志,车道线等,因为图像的像素信息更多,而位置信息不太精确,所以采用摄像头来识别车道线,路面的一些标志等。

    gnss记录了车辆的位置信息,记录了当前采集点的坐标。惯导用来捕获车辆的角度和加速度信息,用来校正车辆的位置和角度。有了定位信息和点云图中的位置信息就可以计算出来每个扫描物的准确位置。

    加工

    首先需要生成一张原始的地图,这里我们采用点云生成原始的地图,因为点云的距离位置信息比较准确,因为点云数据是0.1s采集一帧,下面我们可以做一个计算。如果车速是100km/h,对应27.8m/s。即0.1s车行驶的距离是2.78m,而激光雷达的扫描距离大概是150m,所以前后2帧大部分地方是重合的。因为数据是一帧一帧的,我们需要把上面的说的每一帧进行合并,生成一张完整的地图,有点类似全景照片拼接,这样我们就可以得到一张原始的采集路段的地图。这里用到了点云的配准技术,有2种算法ICP和NDT,基于上面的算法,可以把点云的姿态进行变换并且融合。

    点云拼接好了之后,我们就需要在道路上标出路沿,车道线,红绿灯,路口,一些交通标识等。大部分的工作都可以用深度学习结合图像的方法去解决,查找出上面的一些信息并且标识出来,目前有些场景还是需要人工标识出来,比如路口停止线和红绿灯的关系,如果一些特殊场景的车道线等,需要人工去做一些校正。

    点云地图校准 -> 地图标注加工 -> 高精度地图
    这样就生成了一张高精度地图,当然加工过程中首要的目标是提高效率和质量,尽量的采用算法自动化处理会很大的提高效率,这可能是后面地图厂家的核心竞争力。因为地图需要实时更新,谁的效率更高,谁的图就越新,用的人越多,之后的数据也越完善。

    转换

    将高精地图的格式转换为opendrive通用格式。

    感知模块

    感知模块主要是识别周边的环境,包括街道范围、红绿灯、标识牌、护栏、绿化带、其他车辆、人、障碍物等,利用计算机视觉技术和多传感器信息融合技术来提升感知的准确度。这里具体一般是使用机器学习的方法做图像检测和识别。通常的传感器包括摄像头、毫米波雷达、激光雷达。它们在不同的情况下有不同的优点,比如激光雷达在环境恶劣时候表现不好,而这时候毫米波雷达会好一些。所以自动驾驶目前会融合多传感器的数据,综合做出判断。具体来说感知模块需要去做如下工作:车道线检测、红绿灯识别、交通标识牌识别、行人检测、车辆的检测等。

    车道线检测

    车道线检测的两大主流方法是基于视觉的车道线检测和基于雷达的车道线检测。

    • 基于雷达的车道线检测直接从点云中检测车道线,该方法对雷达的线束要求很高,32线及以下的激光雷达难以用于车道线检测,因为点云太稀疏,车道线的特征不明显。而64线及以上的激光雷达成本高昂,短期内难以大规模推广应用。
    • 基于视觉的检测方法,简便直观易于理解,处理速度快,成本低,容易被市场所接受;但该方法使用的硬件设备一一相机,其自身存在局限性,存在相机形变且容易受外界环境的影响,尤其是在天气、光照等条件恶劣的情况下,容易对检测结果造成一定的偏差甚至无法检测。
    • 多传感器融合技术,先在图像中检测出车道线,然后将激光雷达生成的点投射到图像上,找出落在车道线上的点在激光雷达坐标系中的坐标,通过这些坐标即可拟合出激光雷达坐标系中的车道线。
    红绿灯识别

    一种是基于V2X,即智能网联技术。另一种方式是基于人工智能的视觉算法,它也是目前业界使用最广泛的一种方法

    交通标识牌识别

    交通标识牌识别的方式与红绿灯检测类似,可以直接使用深度神经网络对原始图像进行交通标识牌检测。也可以结合高精度地图,将交通标志信息存放在高精度地图中,在车辆行驶的过程中,直接根据车辆的位置从高精度地图中获取交通标志信息。

    行人车辆识别

    行人、车辆的检测常用的方式有两种。一种是直接使用激光雷达的数据进行目标检测。另一种是融合激光雷达和相机进行目标检测。激光雷达能够提供精确的位置和大小信息,基于图像的深度学习更擅长目标类别的识别。

    进一步,需要判断出来行人和车辆的动态位置、速度、方向,根据一些预判来决定驾驶行为。

    规划模块

    规划模块主要分为三个功能:

    Route Planning

    RoutePlanning是道路级路径规划,也就是普通导航。它一般使用A*算法来计算起点到终点的路径规划。

    Behavior Planning

    宏观行为预测,根据感知模块扫描到的周围环境预测行为:超车、跟车、避让、停止。这里可以使用强化学习、神经网络、贝叶斯网络、模糊推理等技术手段来实现。

    Motion Planning

    局部路径规划,比如从一条车道行驶到另外一条车道上,得到从一条车道行驶到另外一条车道的轨迹点,同时获得所有轨迹点的速度、加速度、角度。具体使用的技术包括强化学习,A*算法,遗传算法、动态路径规划算法、人工势场法等

    控制模块

    根据Motion Planning的结果控制汽车横向和纵向速度移动,完成任务。控制车身横向转弯和纵向加速度,完成规划好的路线行驶。具体使用的技术包括:滑膜控制、模糊控制、神经网络控制、最优控制、自适应控制和纯跟踪控制等技术

    自动驾驶问题

    达到99%的精确度是容易的,但是想达到99.999%的精确度就太难了。目前自动驾驶的问题是在复杂路况下仍然存在小概率的判断错误,但是又很难模拟所有的复杂路况情况。所以自动驾驶公司一般都会有仿真系统,让自动驾驶系统在仿真系统中学习各种复杂路况。

    展开全文
  • 在前面的几篇文章分别介绍了自动驾驶在环境感知领域的相关技术点,主要介绍了如何通过雷达配合视觉技术实现车辆自身的智能。其实在环境感知方面,除了利用车辆自身的智能,还可以借助外部环境实现信息的获取,这一类...
  • 自动驾驶系统主要由三部分组成,算法端,用户操作系统和云端。这一章简单学习算法端。 简单说来就是从传感器的原始数据中提取出来有意义的信息,用以了解周围的环境,并根据周围的环境做出决策。黄标展示出了算法端...
  • 自动驾驶是人工智能领域最炙手可热的方向,互联网巨擎(谷歌、Uber、百度等)、传统汽车大厂商、 Tier1供应商以及很多初创公司都纷纷投入到这场全新的交通运输生态的创建中。截止2017年6月18日以来,共有34家公司...
  • 最全自动驾驶技术架构和综述

    千次阅读 多人点赞 2021-05-15 11:12:34
    首先自动驾驶技术从业务流程上分为3个核心的流程,分别是环境感知定位、决策规划、执行控制。这3个核心流程的具体价值如下: 环境感知定位:主要是通过传感器技术和摄像头、GPS等技术获取汽车行驶过程中的环境...
  • 自动驾驶技术之所需技术

    千次阅读 2017-09-03 11:44:14
    自动驾驶涉及到的技术:从大方面来说包括硬件和软件 《一》、首先我们来说硬件,有篇论文Development of Steering Control System for Autonomous Vehicle Using Geometry-Based Path Tracking Algorithm:里面详细...
  • 汽车自动驾驶技术完整源代码

    热门讨论 2017-03-16 22:08:59
    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!
  • 自动驾驶涉及到的技术层级主要有四个方面:感知层、信息融合层、决策控制层 和 控制层。 感知层 感知层所用到的硬件设备主要包括:摄像头、激光雷达、毫米波雷达、超声波雷达 和 其他运动传感器; 摄像头 摄像头...
  • 1、自动驾驶系统基本...2.2 视觉传感器在自动驾驶系统中的主要作用 a、障碍物探测 - 测速和测距 b、车道线的检测:1)识别出车道线(对于弯曲的车道线,能够计算出曲率);2)确定车辆自身相对于车道线的偏移 c、道路
  • 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...
  • 用4级或5级来定义自动驾驶很难有一个明确的标准,自动驾驶也不应该搞得很复杂。自动驾驶实际包含三个问题:一是我在哪?二是我要去哪?三是如何去?能完整解决这三个问题就是真正的自动驾驶。所以特斯拉升级后的8000...
  • ADAS辅助驾驶_自动驾驶_技术点列表

    千次阅读 2017-02-21 09:46:52
    ADAS辅助驾驶_自动驾驶_技术点列表 ADAS相关 1) 相机标定 2) 图像拼接 3) 360环视 4) 行人检测 5) 车辆检测 6) 测距 7) 车道偏移预警检测 8) 交通信号识别 9) 交通标识识别 10) 疲劳/非正常驾驶状态检测 11)
  • 自动驾驶概述

    千次阅读 2021-02-08 13:58:19
    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 ...
  • 1月9日消息,据外媒报道,周三,美国交通部部长公布了美国联邦政府对无人驾驶汽车的最新政策体系——被称为“AV 4.0”(即自动驾驶4.0)。根据周三公布的新政策,美国政府没有批准新的监管规则来确保自动驾驶车辆的...
  • 自动驾驶

    千次阅读 2019-06-21 11:08:14
    自动驾驶相关资源知乎专栏:自动驾驶挑战https://zhuanlan.zhihu.com/p/681278871.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...
  • 自动驾驶技术发展的5个阶段和现状

    千次阅读 2020-07-27 15:13:45
    让人以为自动驾驶技术会一级一级获得突破,最终迎来一辆L5级别的汽车,可以带我们到任何地方去。 业界第一款具备真正意义上的自动驾驶能力的量产车——全新奥迪A8 2017年7月才姗姗来迟。作为整个自动驾驶的第一...
  • 有报道称,奥迪已于2019年底,正式取消了L3级自动驾驶研发项目,转向L2和L4级自动驾驶技术研发。就在一周前,奇瑞汽车发布了一张带有“鸿蒙”字样的新车海报又快速删除,外界猜测“鸿蒙”终于上车了。 ▲奥迪A8的L3...
  • 自动驾驶技术架构和生态发展

    千次阅读 2017-08-01 20:22:10
    本文将从汽车在现代科技领域的演进展开,逐步分析自动驾驶技术架构和生态发展。
  • 自动驾驶技术(1)--控制工程篇概述

    千次阅读 多人点赞 2019-07-26 19:13:23
    自动驾驶的「大脑」——控制工程篇 《中国人工智能系列白皮书-智能驾驶 2017》 智能汽车控制架构设计 智能驾驶汽车通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置,借助车联网和 V2X 等现代移动...
  • 深度|英伟达自动驾驶技术解读:用于自动驾驶汽车的端到端深度学习(附论文) 2016-08-20 15:09 选自NVIDIA 作者:Mariusz Bojarski, Ben Firner, Beat Flepp, Larry Jackel, Urs Muller and Karol Zieba 机器之...
  • 在这些技术的应用中,自动驾驶技术十分火热。几乎每个人都听说过它,许多大公司都为此投入巨额资金。由人工智能的控制汽车能够带你去任何地方,让你不必再把时间浪费在开车上。在这篇文章中,我会告诉你怎样训练一个...
  • 自动驾驶入门技术(4)—— 摄像头

    千次阅读 2020-07-09 21:42:35
    1.2 摄像头主要硬件组件 1)镜头组(lens)- 镜头组由光学镜片、滤光片和保护膜等组成; 2) 图像传感器 - CMOS感光元件 MOS图像传感器(CIS)是模拟电路和数字电路的集成。主要有四个组件构成:微透镜、彩色滤光片...
  • 无人驾驶技术在最近几年得到了迅猛发展,今天将分享 ICCV 2015 的一篇有关方面的论文: DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving 有兴趣的读者可以参考其官网链接。本文并非...
  • 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...
  • 如何入门学习自动驾驶感知技术

    千次阅读 2019-12-04 19:29:16
    点击上方“3D视觉工坊”,选择“星标”干货第一时间送达本文授权转载自公众号:自动驾驶视觉感知工程师一、前言目前车企正在经历着前所未有的改革,包括前两天奥迪的裁员计划:将在2025年裁员9...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 67,387
精华内容 26,954
关键字:

自动驾驶主要技术