无人驾驶系统真的很难理解?一篇文章告诉你答

赛车计划理论 fdkNUqvU 浏览

小编:现如今,无人驾驶技术通常被分为环境感知与定位、决策规划和运动控制3个部分。环境感知与定位负责确定汽车周围哪里有汽车或者行人,前面是红灯还是绿灯,即确定环境和汽车的状

如今,无人驾驶技术通常分为三个部分:环境感知和定位,决策规划和运动控制。

环境意识和定位负责确定汽车周围的汽车或行人的位置,以及前部是红色还是绿色,即确定环境和汽车状态。

决策计划负责汽车应该做什么,是否跟随或绕行,加速或减速,以及什么样的路线是安全,有效和相对舒适的。

必须对运动控制进行电子修改才能执行传统汽车。在将决策命令和轨迹提供给控制器之后,诸如电动机,转向,制动等的致动器应该快速地并且几乎没有偏差地遵循计划的轨迹,因为坚固的身体可以完成心灵的指令。

 环境感知是无人驾驶的“眼睛”

在无人驾驶汽车中,传感器构成一个取代驾驶员受体的传感模块,快速准确地获取环境状态信息,包括障碍物的距离,前方交通信号灯的指示,限速标志上的数字,等等。车辆状态,车辆速度和其他自身车辆状态是车辆安全驾驶的保证。用于检测环境条件的常用传感器包括照相机,激光雷达,毫米波雷达,超声波传感器等。确定车辆状态的传感器具有GPS /惯性制导,车轮速度传感器等。

前瞻技术,无人驾驶系统

无人驾驶汽车需要多传感器部门协同工作

摄像机可以根据对象的特征对障碍物进行分类。如果需要获得障碍物的深度信息,则需要两个摄像机,这通常被称为双目立体视觉。双重目的的两个相机保持一定距离,如人类的双目视差,并通过三角测量计算像素之间的偏移,以获得物体的三维信息。除了帮助汽车确定其位置和行驶速度之外,双目摄像机的主要功能是识别道路上的灯光和信号标志,以确保自动驾驶遵循道路交通规则。然而,双目相机受天气条件和照明条件的变化的影响很大,并且计算量也非常大,并且计算单元的性能要求非常高。

通常用于无人驾驶车辆的雷达包括激光雷达,毫米波雷达和激光雷达,主要通过发射激光束来检测目标的位置和速度。激光雷达具有更宽的探测范围和更高的距离和位置检测精度。因此,它广泛用于障碍物检测,环境三维信息获取,车辆距离维护和车辆避障。然而,激光雷达易受天气影响,在雨,雪和雾中表现不佳。此外,激光发射器具有的线束越多,每秒采集的点云越多,检测性能越好。然而,更多的线束代表更昂贵的激光雷达,64波束激光雷达的价格是16波束的10倍。目前,百度和谷歌的无人驾驶汽车都装有64线激光雷达。

前瞻技术,无人驾驶系统

激光雷达点云图

毫米波雷达光束窄,分辨率高,抗干扰能力强。导引头具有很强的穿透雾,烟和灰尘的能力。它对激光雷达具有更好的环境适应性,以及雨,雾或夜晚等天气条件。对毫米波的传输几乎没有影响。另外,导向头具有体积小,重量轻,空间分辨率高的特点。随着单片微波集成电路技术的发展,毫米波雷达的价格和尺寸大大降低。然而,检测范围直接受到带宽的限制,并且不可能感知行人并且不可能精确地模拟周围的所有障碍物。

超声波传感器数据处理简单快速,主要用于近距离障碍物检测。通常,检测到的距离约为1至5米,但是不能检测详细的位置信息。另外,当汽车高速行驶时,超声波测距的使用跟不上汽车距离的实时变化,误差很大。另一方面,超声波散射角大,方向性差。当在相对长的距离处测量目标时,回波信号相对较弱,这会影响测量精度。然而,在低速短距离测量中,超声波测距传感器具有很大的优势。

前瞻技术,无人驾驶系统

超声波传感器

GPS/INS和轮速传感器主要用于确定蒸汽本身的位置,通常将它们的数据融合在一起以提高定位精度。

多传感器融合是环境感知模块的一种非常常见的算法。它可以减少错误。例如,图像的边缘经常发生在深度不连续中。提取二维图像的边缘(由相机获得)并且由激光雷达给出的深度信息是共同的(共点映射)可以匹配二维透视图像中的道路的消失点利用三维雷达信息,可以更准确地划分路面,并确定周围建筑物的位置。

此外,高精度地图也是自动驾驶的强大支持。如果您有非常准确的地图信息,您可以使用地图直接规划车道线一次,这可以减少视觉识别车道线的任务。

 决策与规划是无人驾驶的“大脑”

了解显卡制造商NVIDA如何制定无人行为决策?

目前,主流决策框架基于基于专家算法的决策和基于机器学习的决策分为两种算法,后者越来越受到重视和研究。例如,NVIDIA使用卷积神经网络(CNN)捕获由前置摄像头通过训练的卷积神经网络捕获的原始像素图,以输出汽车的方向命令。无人驾驶汽车可以在非结构化道路上,例如山路。在施工现场和其他道路上行驶,这些路况难以详尽,因此依靠传统的专家算法来判断条件判断的变化情况是不现实的。

NVIDIA的学习框架如下:

前瞻技术,无人驾驶系统

训练数据包括从视频采样的单帧视频,以及相应的方向控制命令。将预测的方向控制命令与理想控制命令进行比较,然后通过反向传播算法调整CNN模型的权重,使得预测值尽可能接近理想值。训练的模型可以使用直接在前面的摄像机数据生成方向控制命令。

最关键的卷积神经网络(CNN)结构如下:

前瞻技术,无人驾驶系统

输出是转弯半径的倒数,输入是图像。

在五层卷积之后,连接三个完全连接的层以模拟大脑的神经以做出决定。

卷积特征图用于提取模拟视觉神经的特征以区分不同的对象。

网络的第一层(标准化输入平面)规范化输入图像。网络模型中的规范化允许根据网络结构调整归一化过程,并且GPU可用于加速处理。

NVIDIA的技术解决方案,从图像输入到控制(方向盘转角)输出的端到端决策方法是一个黑匣子系统。如果存在问题,则无法像专家算法那样找到错误决策的原因。

因此,更可行的解决方案是使用神经网络来进行环境感知和认知,例如识别交通灯,人和车的态度,山路的驾驶区域等,然后将这些处理的环境信息发送到决策。法官。环境信息的类型可以是包含各种障碍物信息的地图,或者驾驶情况图(即,只有哪个区域相对安全或危险,而不向我提供关于所有障碍物的信息)。有很多选择可供尝试。

哪条路去?路径规划很重要!

路径规划是智能车辆导航和控制的基础。从轨迹决策的角度考虑,可以分为局部路径规划和全局路径规划。

全局路径规划的任务是根据全局地图数据库信息规划从起点到目标点的无碰撞,可通过路径,但只是从起点到目标点的粗略路径。在无人驾驶车辆的实际驾驶过程中,它会受到路径的方向,宽度,曲率,道路交叉和路障等因素的影响,加上当地环境的不确定性和车辆的状态,因此它将遇到各种不可测量的条件。 。根据当地的环境信息和车辆状态信息,应该规划一个没有碰撞的理想的本地路径。这是本地路径规划。

本地路径规划相当于无人驾驶汽车的“大脑”。它从感测系统获得诸如道路和障碍物的环境信息,并获得由上层决定给出的起点和目标点的姿势信息。平稳的驾驶轨道。由于车辆的路径是具有时间属性的轨迹,因此轨迹规划通常分为路径规划和速度规划。路径规划通常使用样条曲线拟合来满足避障,最大曲率和连续曲率约束的路径,而速度规划是满足沿拟合路径的最大速度,最大加速度等约束的速度分布。最终计划以转向角和车速数据的形式传输到底盘控制系统,使车辆能够实现车道跟随和避障功能。

所有都决定好后,就剩下车辆的动作!

与传统的控制器和执行器相比,无人驾驶车辆更喜欢使用线控执行器,如线控,线控和线控驱动器,以实现精确控制。

在本地路径规划中,在自驾车综合考虑周围环境和自身车辆状态等约束后,计划理想的车道变换路线,并将指令传送给相关的执行机构。如果执行器未能遵循车辆拐角要求的路径,则它将偏离计划路径。因此运动控制算法也至关重要。

无人驾驶未来发展趋势如何?

目前,无人驾驶车辆的技术路线主要分为两种。一是基于本文介绍的自车传感器获取各种信息,另一种是基于5G通信技术,通过车间通信,车辆和基础设施通信获取环境。信息计划。相比之下,前者不依赖于基础设施的转型以及市场上其他车辆智能化的前提而难以实施。虽然无人驾驶能够安全地驾驶99%的道路,但剩余的1%需要工程师99%的努力。到2020年,智能汽车仍应以ADAS的形式呈现给消费者。

当前网址:http://csgzyhk.com/experience/theory/1144.html

 
你可能喜欢的:
友情链接