自动驾驶汽车技术架构.docx

《自动驾驶汽车技术架构.docx》由会员分享，可在线阅读，更多相关《自动驾驶汽车技术架构.docx（59页珍藏版）》请在优知文库上搜索。

1、Chapter3自动驾驶汽车技术架构Outline3.1自动驾驶汽车整体架构22环培成知件感黑持术3.3 定位系统3.4 高精度地图技术概述3.5 规划与决策系统概述3.6V2X技术概述31自动驾驶汽车整体架构自动驾驶系统是一个复杂的系统。为了实现从A地到B地的驾驶过程，在无人车的实际使用中，需要无人驾驶系统完成感知、决策、控制三大任务，如上页图所示。本章将主要介绍感知系统中常用的感知技术及其原理、定位系统、高精地图以及V2X技术的相关知识，同时介绍规划决策系统的相关技术与算法。感知、决策、控制是自动驾驶的三个环节，感知环节采集周围环境的基本信息,也是自动驾驶的基础。自动驾驶汽车通过传感器来感

2、知环境，所用到的传感器主要包括摄像头、毫米波雷达和激光雷达。下表列出了现有的多种传感器在多方面的性能对比。毫香波邕达孽像芒GNSS/IMU远距离测展二初分辨率低误报率温度适应性不良天气适应性灰尘/潮湿适应性低成本硬件低成本信号处理激光雷达又称光学雷达(LiDARjLightDetectionAndRanging),是一种先进的光学遥感技术。激光雷达可以用于测量物体距离和表面形状，其测量精度可达厘米级。TOFsystemOpticalsystemPhotosensor(MPPC1APD,PIN phatodiode)IW1.ightsourceTimeraircitTimemeasurement

3、circuit激光雷达的工作原理激光雷达还可以联合GNSS/IMU与高精地图等手段进行加强定位，一方面通过GNSS得到初始位置信息，再通过IMU和车辆的EnCOCler（编码器）配合得到车辆的初始位置；另一方面，将激光雷达的3D点云数据，包括几何信息和语义信息进行特征提取，并结合车辆初始位置进行空间变化，获取基于全局坐标系下的矢量特征。激光雷达生成的点云图车载摄像头的工作原理，首先是采集图像，将图像转换为二维数据；然后，对采集的图像进行模式识别，通过图像匹配算法识别行驶过程中的车辆、行人、交通标志等相比其他传感器，尽管无人车上配置的摄像头采集的数据量远大于LiDAR产生的数据量，但可以获得最接

4、近人眼获取的周围环境信息当前视摄像头检测到车辆即将偏离车道线时，就会发出警报当摄像头检测到与前车距离过近，可能发生追尾时，就会发出警报识别前方道路两侧的交通标志当前视摄像头检测到车辆即将偏离车道线时，就会向控制中心发出信息，然后由控制中心发出指令，及时纠正行驶方向前摄像头会标记前方道路行人，并在可能发生碰撞时及时发出警报利用侧视摄像头，将后视镜盲区内的景象显示在驾驶舱盲区内利用车辆四周摄像头获取的影像，通过图像拼接技术，输出车辆周边的全景图泊车时将车尾的影像显示在驾驶舱内，预测并标记倒车轨迹,辅助驾驶员泊车安装在车内，用于检测驾驶员是否疲劳、闭眼等根据不同自动驾驶功能的需要，摄像头的安装位置也

5、有所不同，主要分前视、环视、后视、侧视以及内置。实现全部自动驾驶功能至少安装6个以上的摄像头()高动态：在较暗环境以及明暗差异较大时仍能实现识别，要求摄像头具有高动态的特性。(2)中低像素：为了降低对图像处理器的性能要求，摄像头的像素并不需要非常高。目前30万120万左右的像素就可以满足要求。(3)角度要求：对于环视和后视，一般采用135度以上的广角镜头，前置摄像头对视距要求更大，一般采用55度范围。毫米波就是电磁波，雷达通过发射无线电信号并接收反射信号来测定车辆与物体间的距离，其频率通常介于10300GHz频域之间。与厘米波导引头相比,毫米波导引头体积小、质量轻、空间分辨率高；与红外、激光、

6、电视等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强；另外，毫米波导引头的抗干扰性能也优于其他微波导引头。毫米波雷达具有全天候，全天时的工作特性，且探测距离远，探测精度高，被广泛应用于车载距离探测，如自适应巡航、碰撞预警、盲区探测、自动紧急制动等。毫米波雷达的测距和测速原理都是基于多普勒效应。3.2.3毫米波雷达超声波雷达，是通过发射并接收40kHz的超声波，根据时间差算出障碍物距离。其测距精度大约是1-3厘米左右。常见的超声波雷达有两种：第一种是安装在汽车前后保险杠上的倒车雷达，称为超声波驻车辅助传感器（UPA）;第二种是安装在汽车侧面，称为自动泊车辅助传感器（APA）o超声波是一种机

7、械波，使得超声波雷达有着根源性的局限性：(1)对温度敏感。(2)超声波散射角大，方向性较差，无法精确描述障碍物位置。图为自动泊车示意图车道线检测是智能车辆辅助驾驶系统中必不可少的环节，快速准确地检测车道线在协助自动驾驶路径规划和偏移预警等方面尤为重要。目前较为常见的车道线检测方案主要是基于摄像头及传统计算机视觉的检测，同时随着自动驾驶技术的逐步发展，基于激光雷达等高精设备的车道线检测算法也被提出。传统计算机视觉的车道线检测主要依赖于高度定义化的手工特征提取和启发式的方法。基于道路特征的检测方法根据提取特征的不同，可以进一步分为基于颜色特征、纹理特征和多特征融合的检测方法。下图展示了基于不同算子

8、的车道线提取效果对比图。近年来，越来越多的研究者将目光投向了用激光雷达进行车道线检测。激光雷达的有效距离比传统视觉高，有效采样点多，并且可以穿透水面，具有突出的性能优势。基于反射强度信息的方法。该方法主要基于激光雷达反射强度信息形成的灰度图，或者根据强度信息与高程信息配合,过滤出无效信息，然后对车道线进行拟合。3.3定位系统车辆定位是让无人驾驶汽车获取自身确切位置的技术，在自动驾驶技术中定位担负着相当重要的职责。车辆自身定位信息获取的方式多样，涉及到多种传感器类型与相关技术，本章将从卫星定位、差分定位、惯性导航定位及多传感器融合定位几个方面进行介绍。卫星导航定位系统是星基无线电导航系统，以人造

9、地球卫星作为导航台，为全球海陆空的各类军民载体提供全天候的、高精度的位置、速度和时间信息。目前世界上著名的卫星导航系统有美国的全球定位系统（GPS）、俄罗斯的全球导航卫星系统（GLoNASS）、中国的北斗卫星导航系统（BDS）以及欧盟伽利略（Galileo）系统。GNSS定位主要解决两个问题：一是观测瞬间卫星的空间位置，二是测量站点卫星之间的距离。空间位置即GNSS卫星在某坐标系中的坐标，为此首先要建立适当的坐标系来表征卫星的参考位置，而坐标又往往与时间联系在一起，因此，定位是基于坐标系统和时间系统来进行的。GNSS定位系统是利用基本三角定位原理分别以三个卫星的位置为圆心，三个卫星据地面某点距

10、离为半径作球面，则球面交点即为地面用户位置。误差来源对测距的影响/米E,一，与信号传播有关的误差与卫星有关的误差与接收机有关的误差其他误差差分GNSS的基本原理是在一定地域范围内设置一台或多台接收机，将一台已知精密坐标的接收机作为差分基准站，基准站连续接收GNSS信号，与基准站已知的位置、距离数据进行比较，从而计算出差分校正量，减少甚至消除GNSS中用户站由于卫星时钟、卫星星历、电离层延迟与对流层延迟所引起的误差，提高定位精度。位置差分伪距差分RTK载波差分惯性导航系统是一种不依赖于外部信息、也不向外部辐射能量的自主式导航系笃。其主要由3个模块组成：惯性测量单u(lnertialmeasure

11、mentunit,IMU)预处理单元和机械力学编排模块IMU惯性导航原理基于牛顿第一运动定律，此定律说明了在没有受到外力的作用下,物体总是保持原有的运动状态。牛顿第二定律在INS中也有着要的作用，简单来说，牛顿第二定律说明了加速度的大小与作用力成正比，方向与作用力的方向相同。惯导系统利用载体先前的位置、惯性传感器测量的加速度和角速度来确定其当前位置。给定初始条件，加速度经过一次积分得到速度，经过二次积分得到位置。相反，速度和加速度也可以通过对位移的微分而估算得到输入输出惯性传感器其他f(a,o,)多传感器信息融合是20世纪80年代出现的一门新兴学科，它是将不同传感器对某一目标或环境特征描述的信

12、息，综合成统一的特征表达信息及其处理的过程O多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟。GNSS-RTK无线通信GN55视觉传感器,3维点云地图匹配数据预处理数据配准数据融合实时速度、位置、姿态等信息高精度地图数据融合需要借助融合算法，融合算法可分为随机类和人工智能类两大类，随机类多传感器数据融合方法主要有：贝叶斯推理、D-S证据理论，以及包括最大似然估计、综合平均法、贝叶斯估计、D-S法、最优估计、卡尔曼滤波、鲁棒估计等估计理论3.4高精地图技术概述高精地图作为自动驾驶技术发展成熟的重要支撑，在横向/纵向精确定位、障碍物检测与避撞、转向与引导等方面发挥着重要的作用，是自动驾

13、驶的核心技术之一。精准的地图对无人车的定位、导航与控制、以及自动驾驶的安全至关重要。与传统地图不同，高精电子地图的主要应用对象是无人驾驶汽车，或者说是机器驾驶员。借助高精地图能够扩展车辆的静态环境感知能力，为车辆提供其他传感器提供不了的全局视野，包括传感器监测范围外的道路、交通和设施信息。3.4.1高精地图综述高精地图数据生产包括外业数据采集、云端自动化处理、地图编辑与质量控制、数据编译等步骤，如图3.25所示。外业数据采集，通过搭载GNSS、IMULiDAR,摄像头等传感器的专业采集车队,外业实地采集车道线、路沿护栏、交通标牌等信息。通过点云融合、点云识别和图像识别等Al技术，在云端实现自动

14、化处理视觉处理运动补偿特征提取点云融点云识别图像识别JD-20元索跟镰l三M黑类过滤&补全1.idarOmeraIMUGFS冗余、遗漏概念一致性、值域一致性、格式一致性、拓扑一致性相对精度、绝对精度分类正确性,定性舱IE确出定量属性准确度BImS准版时间T性、时丽效性基于用户需求属性标准要素FPR标准FNR标准车道线几何0. 50%0. 50%路沿0. 50%0. 50%护栏0. 50%0. 50%车道类型0. 30%0. 30%车道通行状态0. 10%0. 10%车道收费情况0. 10%0. 10%车道线类型0. 20%0. 20%车道线颜色0. 20%0. 20%车道线粗细0. 10%0. 10%限速1%1%Junction0. 50%0. 50%绝对精度相对精度lm