乐趣区

关于人工智能:解析丨自动驾驶核心技术感知决策与执行上感知篇

​随着汽车智能化、电子化的推动,主动驾驶曾经成为将来汽车倒退的支流趋势之一。

围绕主动驾驶关键技术体系钻研,实现公开路线实地测试以及商业化利用是当下行业关注的重点。

简略来说,实现主动驾驶须要解决三个外围问题:“我在哪? 我要去哪? 我该如何去?”能残缺解决这三个问题就是真正的主动驾驶。

目前,主动驾驶汽车关键技术次要包含环境感知、精准定位、决策与布局、管制与执行、高精地图与车联网 V2X 以及主动驾驶汽车测试与验证技术等。

在这套技术体系以及要害软硬件设施的反对下,主动驾驶汽车可通过车载摄像机、激光雷达、毫米波雷达、超声波等传感器来感知周围环境,实时动静监测周边环境变动,并根据所获取的信息进行决策判断,造成平安正当的门路布局。在布局好门路之后,汽车执行零碎会管制车辆沿着布局好的门路实现驾驶。

这套主动驾驶核心技术体系可简略概括为“感知、决策与执行”。

感知、决策与执行(图片起源:方象知产研究院)

感知零碎也被称为“中层控制系统”,负责感知四周的环境,并进行环境信息与车内信息的采集与解决,次要波及路线边界监测、车辆检测、行人检测等技术。

决策零碎也被称为“下层控制系统”,负责门路布局和导航,通过执行相应控制策略,代替人类做出驾驶决策。

执行零碎也被称为“底层控制系统”,负责汽车的减速、刹车和转向,次要由电子制动、电子驱动以及电子转向三局部形成。

通过“感知、决策与执行”三个零碎的分工协作,责任明确地管制汽车运行,能够令主动驾驶汽车具备实践上“主动行驶”的条件。

主动驾驶汽车罕用的各种硬件(l 图片起源:见参考资料 1)

本文将从感知、决策与执行三个角度,具体介绍主动驾驶的核心技术体系。

一、感知篇

实现主动驾驶,须要优先解决一个问题:行车平安。

为了确保主动驾驶车辆在不同场景下均能够做出正确判断,须要实现对周围环境信息的实时动静获取和辨认,这些信息包含但不限于自车的状态、交通流信息、路线情况、交通标志等,以满足车辆决策零碎的需要。

换言之,环境感知起着相似人类驾驶员“眼睛”、“耳朵”的作用,是实现主动驾驶的前提条件。

为了满足环境感知的需要,主动驾驶汽车往往配备了诸多摄像机、激光雷达、毫米波雷达、超声波等车载传感器,在这些传感器以及 V2X 和 5G 网络技术的合作下,能够实时获取汽车所处的交通环境和车辆状态等多源信息,为主动驾驶汽车的决策布局提供反对服务。

目前,环境感知技术有两种技术路线,一种是以摄像机为主导的多传感器交融计划,典型代表是特斯拉。另一种是以激光雷达为主导,其余传感器为辅助的技术计划,典型企业代表如谷歌、百度等。

支流车载传感器的特点(图片起源:36 氪)

Ξ 1. 摄像机

车载摄像机是实现泛滥预警、辨认类 ADAS 性能的根底,是目前最便宜也是最罕用的车载传感器之一。

百度 Apollo 主动驾驶摄像机组件

摄像机能够辨认车辆行驶环境中的车辆、行人、车道线、路标、交通标志、交通信号灯等,具备较高的图像稳定性、抗干扰能力和传输能力。

作为一种比拟常见的车载传感器,摄像机的长处是能够分辨色彩,比拟实用于场景解读。然而其也有比拟显著的毛病。

首先摄像机不足“深度”这一维度,没有平面视觉,无奈判断物体和相机间的间隔; 其次,摄像机对光线较为敏感,过暗或过强的光线以及二者之间的疾速切变都会对其成像造成重大影响。

依据镜头和安排形式的不同,摄像机可大抵分为四种:单目摄像机、双目摄像机、三目摄像机和环视摄像机。

单目摄像机次要用于主动驾驶过程中的路况判断,但单目摄像机在测距范畴与间隔方面,有一个不可和谐的矛盾:摄像机的视角越宽,所能探测到精准间隔的长度越短; 视角越窄,探测到的间隔越长。

这与人眼相似,看远处的时候,所能笼罩的范畴就窄,看近处的时候,笼罩的范畴就会广一些。

为了解决这个问题,实现用一个定焦镜头解决不同间隔的察看,双目甚至多目摄像机的计划,逐步失去越来越宽泛的利用。

双目摄像机,顾名思义,领有两个摄像机组件。相近的两个摄像机拍摄物体时,会失去物体像素偏移量、相机焦距和两个摄像机的理论间隔等信息,依据信息即可换算得出物体的间隔。

不过,尽管双目能失去较高精度的测距后果和提供图像宰割的能力,但它与单目摄像机一样,镜头的视线齐全依赖于镜头。而且双目测距原理对两个镜头的装置地位和间隔要求较多,在相机标定方面存在肯定难度。

目前利用比拟宽泛的是三目摄像机,三个不同焦距单目摄像机的组合。咱们以特斯拉 Autopilot 为例,下图为特斯拉 AutoPilot 装置在挡风玻璃下方的三目摄像机:

特斯拉 AutoPilot 的三目摄像机

特斯拉 Autopilot 总计领有 8 个摄像头、1 个前毫米波雷达、12 个超声波雷达的传感器配置,整体俯视图视场笼罩如下:

其中三目摄像机的具体配置如下:

FOV35 度,最远距离 250 米;FOV50 度,最远检测间隔 150 米;FOV120 度,最远检测间隔 60 米。

三目摄像机以及其余地位摄像机的组合为特斯拉 Autopilot 提供了全向的环境感知能力,较好地解决了感知范畴与感知精度的问题。

除了单目与多目摄像机以外,还有一种比拟常见的摄像机类型,即环视摄像机。与下面提到的三种摄像机不同,环视摄像机的镜头是鱼眼镜头,而且装置地位是朝向高空。

环视摄像机的长处是视线广大,但毛病也很显著,就是图像畸变重大,所以次要用于车身 5 -10 米内的障碍物检测、自主泊车时的库位线辨认等。

Ξ 2. 激光雷达

激光雷达是以发射激光束来探测指标空间地位的被动测量设施。在主动驾驶场景中,激光雷达次要有两个性能:3D 的环境感知与 SLAM 增强定位。

依据探测原理,激光雷达可分为复线 (二维) 激光雷达和多线 (三维) 激光雷达。

复线激光雷达,通过收回一束激光扫描线对区域进行旋转扫描,并依据区域内各个点与激光雷达的绝对空间间隔与方位,返回测量值。复线激光雷达的数据短少一个维度,只能形容线状信息,无奈形容面。不过,复线激光雷达是目前老本最低的激光雷达。

多线激光雷达,通过收回两束或两束以上的激光扫描线对区域进行旋转扫描。多线激光雷达可能检测指标的空间间隔与方位,并能够通过点云来形容三维环境模型,能够提供指标的激光反射强度信息,提供被检测指标的具体形态形容。

目前,国内市场上推出的次要有 4 线、8 线、16 线、32 线和 64 线。激光雷达收回的线束越多,每秒采集的点云越多,同时造价也越高。

以激光雷达行业内知名企业 Velodyne 公司为例,旗下的 HDL-64E 目前的售价在靠近 10 万美金左右:

目前,激光雷达曾经倒退了三代产品,包含第一代机械扫描激光雷达、第二代混合固态激光雷达以及第三代纯固态激光雷达。

总体而言,激光雷达无论是在技术门槛还是在制作老本上都比拟高,主动驾驶商业化利用期待市场呈现更多优质且价格较低的同类产品。

Ξ 3. 毫米波雷达

因为激光雷达价格过高,独自一个雷达的价格可能远超车辆自身的价格,因而很多企业抉择应用性价比更高的毫米波雷达作为测距和测速的传感器。

毫米波雷达是指工作在毫米波波段,频率在 30—300GHz 之间的雷达。与激光波雷达相比,毫米波雷达不仅老本更低,且能够同时解决摄像机测距、测速不够准确的问题,此外毫米波雷达还能够完满解决激光雷达所解决不了的沙尘天气。

不过,毫米波雷达也并不是没有毛病。首先,毫米波雷达的数据稳定性较差,对后续的软件算法提出了更高的要求。

此外,毫米波雷达对金属极为敏感,路面的金属广告牌在很多场景下会被认为是障碍物,导致刹车一直。最初毫米波雷达只能提供间隔和角度信息,不能像激光雷达那样提供高度信息。

百度 Apollo 主动驾驶毫米波雷达组件

依据测量原理的不同,毫米波雷达可分为脉冲形式毫米波雷达和调频间断波形式毫米波雷达两种。

脉冲形式毫米波雷达,其基本原理与激光雷达类似,它在硬件构造上比较复杂、老本较高,很少用于主动驾驶汽车,目前大多数车载毫米波雷达都采纳调频间断波形式。

调频间断波形式毫米波雷达,具备构造简略、体积小、老本低廉,容易实现近距离探测。

Ξ 4. 超声波雷达

超声波雷达工作在机械波波段,工作频率在 20kHz 以上。

超声波雷达的工作原理是通过超声波发射装置向外收回超声波,通过接收器接管回波的时间差来测算间隔。罕用的工作频率有 40kHz, 48kHz 和 58kHz 三种。一般来说,频率越高,灵敏度越高,但程度与垂直方向的探测角度就越小,所以个别采纳 40kHz 的探头。

超声波雷达具备频率高、波长短、绕射景象小、方向性好、可能成为射线而定向流传等长处,且兼具防水、防尘的个性,因而非常适合利用于泊车。

个别状况下,超声波雷达会装置在汽车保险杠上方,暗藏在保险杠的某个地位,如下图所示:

常见的超声波雷达有两种。一种是装置在汽车前后保险杠上,用于测量汽车前后障碍物的倒车雷达,称之为 UPA; 另一种是装置在汽车侧面,用于测量侧方障碍物间隔的超声波雷达,称之为 APA。UPA 和 APA 的区别还体现在探测范畴和探测区域上。

Ξ 5. 精准定位

主动驾驶汽车的环境感知还包含汽车的精准定位,不仅须要获取车辆与外界环境的绝对地位关系,还须要通过车身状态感知确定车辆的相对地位与方位。

目前主动驾驶畛域常见的几种精准定位形式包含“惯性导航零碎”、“轮速编码器与航迹推算”、“卫星导航系统”以及“SLAM 自主导航系统”等。

惯性导航零碎是以陀螺和加速度计为敏感器件的导航参数解算零碎,通过测量静止载体的线加速度和角速率数据,并将这些数据对工夫进行积分运算,从而失去速度、地位和姿势。

具体来说惯性导航零碎属于一种推算导航形式。即从一已知点的地位依据间断测得的运载体航向角和速度推算出其下一点的地位,因此可间断测出静止体的以后地位。

以百度 Apollo 主动驾驶技术应用的惯性导航零碎为例,其采纳了松耦合的形式,并采纳了一个误差 Kalman 滤波器。

惯性导航解算的后果用于 Kalman 滤波器的工夫更新,即预测; 而 GNSS、点云定位后果用于 Kalman 滤波器的量测更新。Kalman 滤波会输入地位、速度、姿势的误差用来修改惯导模块,IMU 期间误差用来弥补 IMU 原始数据。

轮速编码器与航迹推算的原理是通过轮速编码器推算出主动驾驶汽车的地位。轮速编码器次要装置在汽车前轮,用于记录车轮行驶的总转数。

通过剖析每个时间段里左右轮的转数,能够推算出车辆向前行驶的间隔和左右的偏转度。不过,因为在不同高空材质上转数对间隔转换存在偏差,所以工夫越久,测量偏差也会越大,这种定位形式更多以辅助的模式存在。

卫星导航系统次要包含中国的北斗卫星导航系统、美国的 GPS 卫星导航系统以及俄罗斯的 GLONASS 卫星导航系统。这些导航系统能够提供高精度的定位服务。

SLAM(即时定位与地图构建),也称为 CML(并发建图与定位)。

目前支流有两种 SLAM 形式。第一种是基于激光雷达的 SLAM,以谷歌汽车为例。车辆携带有 GPS,通过 GPS 对地位进行判断,并以激光雷达 SLAM 点云图像与高精度地图进行坐标配准,匹配后确认本身位姿。

第二种是基于视觉的 SLAM,以 Mobileye 为例。Mobileye 提出一种无需 SLAM 的定位办法——REM。车辆通过采集包含信号灯、指示牌等标识,失去了一个简略的三维坐标数据,再通过视觉辨认车道线等信息,获取一个一维数据。摄像机中的图像与 REM 地图中进行配准,即可实现定位。

目前,SLAM 罕用于自主导航,特地是在 GPS 无信号或不相熟的地区的导航。

Ξ 6. 高精地图

高精地图是用于主动驾驶的专题地图,由含有语义信息的车道模型、路线部件 (Object)、路线属性三类矢量信息,以及用于多传感器定位的特色(feature) 图层形成。

高精地图领有准确的车辆地位信息和丰盛的路线元素数据信息,起到构建相似于人脑对于空间的整体记忆与认知的性能,能够帮忙汽车预知路面简单信息,如坡度、曲率、航向等,更好地躲避潜在的危险,是主动驾驶汽车的核心技术之一。

相较于 GPS 导航系统的传统地图而言,高精地图最显著的特色是其表征路面特色的精准性。对于高精地图的具体内容,咱们会在前面的文章中具体介绍。

未完待续 …

参考资料:

1. Development of Steering Control System for Autonomous Vehicle Using Geometry-Based Path Tracking Algorithm

2.AMiner《2018 年人工智能之主动驾驶钻研报告》

3.【感知】主动驾驶传感器汇

(https://blog.csdn.net/yuxuan2…

4.Apollo 官网

5.Velodyne 官网

6.36 氪《主动驾驶行业钻研报告》

退出移动版