您好,欢迎来到中国自动驾驶高精地图产业创新发展论坛2019!

无人驾驶汽车原理详解

发布日期:2019-12-24




无人驾驶汽车,又称自动驾驶汽车或轮式移动机器人,是一种运输动力的无人地面载具。我们理想的无人驾驶汽车是无需人类操作即能从地点A行驶到地点B,不管途中环境多复杂天气多恶劣都由机器自己完成。无人驾驶汽车的核心在于无人驾驶技术,如果说汽车工业是制造业的皇冠,那么无人驾驶技术就是皇冠上的明珠。

无人驾驶汽车需要多门技术整合才能实现,它并非是一项单一的新技术,其中包括雷达、激光雷达、摄像头、GPS、计算机视觉、决策系统、操作系统、高精地图、实时定位、机械控制、能耗散热管理等等。尽管无人驾驶汽车看起来很科幻,但实际上梦想正在照进现实。


无人驾驶.gif


发展历史

  • 1925年,人类历史上第一辆有证可查的无人驾驶汽车亮相,通过无线电波来控制汽车。

  • 1956年,美国通用汽车正式展出世界上第一辆配备了汽车安全及自动导航的概念车Firebird II。

  • 1958年,克萊斯勒公司推出了第一辆巡航控速汽车。

  • 1977年,日本筑波工程研究实验室开发了第一个基于摄像头进行导航的自动驾驶汽车。

  • 1979年,Standford Cart通过摄像头导航通过了杂乱的房间,无需人类介入。

  • 1986年,便携式计算设备被加入到无人车中,使汽车具备长距离行驶能力。

  • 1995年,VaMP无人车行驶了超过1600km,超过95%为自动驾驶。

  • 2004年,DARPA挑战赛中无人驾驶汽车穿越Mojave沙漠,极大推动无人驾驶的发展。

  • 2009年,Google X实验室入局无人驾驶汽车。

  • 2013年,奥迪、宝马、福特、日产、沃尔沃等传统车企入局无人驾驶。

  • 2014年,Google无人车正式发布,开始在美国加州测试。

  • 2015年,百度宣布在国内完成无人车全自动测试。  

 

无人驾驶分级

针对无人驾驶汽车自动化的程度一般可以分为6个级别,按照自动化程度从低到高顺序分别为Level 0 到Level 5。

  • Level 0:无任何自动化驾驶功能,行驶过程完全依靠人类司机控制汽车,包括汽车启动、行驶过程中的各种环境状况的观察、各种操作决策等等。简单来说,需要人类控制驾驶的汽车都属于这个级别。

  • Level 1:单一功能自动化,行驶过程中将部分控制权交给机器管理,但是司机仍然需要把控整体。比如自适应巡航、应急刹车辅助、车道保持等等。司机手脚不能同时脱离控制系统。

  • Level 2:部分自动化,行驶过程中司机和汽车共享汽车控制权,在某些预设环境下司机能够完全脱离控制系统,但司机需要随时待命,且需要在短时间内接管汽车。

  • Level 3:有条件自动化,在有限情况下实现自动行驶。比如在高速路上机器完全负责整个汽车的操控,司机可以完全完全脱离控制系统,司机需要随时待命,但有足够的预警时间。

  • Level 4:高度自动化,在特定道路限定下行驶过程中无需司机介入。司机仅需要设置好起点和终点即可,剩下的交由汽车自行控制。

  • Level 5:完全自动化,在任何环境中行驶都无需司机介入。司机仅需要设置好起点和终点即可,剩下的交由汽车自行控制。

 

无人驾驶分级.jpg


无线雷达

无线雷达(Radio Detection and Ranging)是汽车上很常见的组件,它的工作原理是发射出无线电波后经过远处物体将无线电波反射回来从而达到探测效果。通过无线雷达能够获得物体的数量、大小、运动速度、运动方向等等信息,在无人驾驶领域它经常被用于自适应巡航和自动紧急制动场景。



无人驾驶雷达.jpg


雷达

雷达向目标区域发出无线电波,某个物体将无线电波反射回来,便能够计算两者之间的距离。距离d=c⋅t/2,其中t为从无线电波发射到反射回来的时间间隔,c为光速(3⋅10的八次方米每秒)。



雷达工作原理

雷达可用来识别数百码之外的物体,并且能够检测它的大小及运动速度。但它不能够捕获到物体的细节。

激光雷达

激光雷达LiDAR(Light Detection and Ranging),即激光探测及测距系统,是以发射激光束来探测物体的雷达系统。其工作原理是向目标物体发射大量激光束探测信号,然后接收器处理目标反射回来的信号即可获得目标的有关信息,比如目标的距离、方位、高度、速度、姿态、甚至形状等信息。无人驾驶汽车的激光雷达一般都安装在车顶上,不断地高速旋转对周围环境进行扫描,通过它能够得到周围物体的三维信息。


激光雷达.jpg


激光雷达

激光雷达可以获取周围环境的水平视图,比如在公路上无人驾驶汽车在车道合并时它需要关注相邻车道上的汽车行驶情况,激光雷达传感器通过捕捉完整的360度视图便能安全地进行车道合并,而如果角度只有120度的话则会产生盲角而导致危险。

激光雷达2.jpg


120度与360度水平视野

同样地,激光雷达也能够捕获垂直方向的信息。比如无人驾驶汽车经过某个桥底时需要捕获桥的高度信息,以便能判断高度是否满足无人车通过。


激光雷达3.jpg


垂直视野

激光雷达的测量原理相对比较简单,比如下图中车上的激光雷达向目标物体发出一束激光,就可以通过光速来计算距离了,而加上光束的角度后则能得到更多指标。

激光雷达4.jpg


激光雷达基本原理

对于实际立体物体,通过激光雷达对整个物体扫描就能够形成3D点云。激光雷达对目标发射出多个光束,接收器接收反射回来的光束后对信号进行处理,从而形成3D点云。

激光雷达提供了比无线雷达更高分辨率的解决方案,能比无线雷达捕获更多信息。激光雷达造价贵,运行时需要不停旋转,同时它无法在多雾多尘的天气工作。

摄像头

为了捕获更多的图像细节,我们需要在无人驾驶汽车上增加摄像头,比如要识别公路上的路标。摄像头能够得到无人驾驶汽车周围最准确的视图,提供了**分别率图像。摄像头受天气影响很大,比如晚上摄像头就影响很大。

对于捕获到的图像,要识别里面的物体就需要机器学习来加持。而目前流行的图像识别使用的都是深度学习,核心就是卷积神经网络。前面的神经网络工作原理章节和深度学习原理章节已经讲解了相关的原理,所以通过深度卷积神经网络是对摄像头收集的图像进行处理的核心。

无人车经过摄像头捕获的镜头通过深度学习能够识别出图像中包含的物体,比如行人、行车、交通路标等等。对应计算机视觉的物体检测与物体分类任务,经典的算法包括R-CNN、Faster R-CNN、SSD、YOLO等等。


物体检测.jpg


物体检测

三种视野

前面介绍了无线雷达、光学雷达、摄像头三种捕获信息的传感器,它们都是无人驾驶汽车的眼睛,能让无人车感知周围的环境。每种传感器捕获的信息级别也不相同,下面是这三种传感器捕获的信息。可以看到无线雷达捕获的信息比较模糊,而激光雷达能捕获更多细节,摄像头则能够捕获最多的物体细节。


雷达视图1.jpg


雷达视图


雷达视图1.jpg

光学雷达


摄像头.jpg


摄像头

超声波雷达

除了以上传感器外,无人驾驶汽车一般还会安装有超声波雷达。超声波雷达又称倒车雷达,很明显它主要是为倒车做辅助的。它的工作原理是通过超声波发射装置向外发射超声波,然后通过接收器接收反弹回来的超声波,根据时间差来计算距离。距离d=343⋅时间/2,其中343位声波速度,343m/s。超声波雷达的探测范围一般在几米以内,探测精度较高,适合用于泊车。



超声波雷达.jpg


超声波雷达

GPS

GPS是最常用的定位技术,在无人驾驶汽车中会通过其进行定位。GPS的更新频率为10Hz,所以它缺乏实时性。此外,GPS民用版的误差能达到好几米,所以完全靠GPS进行定位导航非常容易导致交通事故。


GPS.jpg


GPS

GPS的定位使用了三边测量法,卫星与接收装置之间的距离通过传输时间来测量距离,然后通过多颗卫星的位置便能够计算接收装置的位置,GPS一般会使用4颗以上的卫星来定位接受装置的3D位置信息。

下面通过一个例子来理解2D的三边测量法,比如你的位置与A卫星的距离为100km,则你可能的位置是在以A卫星为中心的一个圆上。

GPS2.jpg


接着你又向另外一个卫星B发出无线信号,测量的距离时75km,则此时你的位置有两种可能,就是两个圆的相交点。


GPS3.jpg


最后向卫星C发出无线信号,测量得出的距离为200km,此时三个圆的相交点就能唯一定位一个位置,这个位置即是你的位置。也就是说三个卫星就能确定一个平面上的点,只要坐标系建立起来便能得到详细的xy值。


GPS4.jpg


同样地,3D定位我们至少需要3个卫星,此时你到每个卫星的可能位置就变为一个球体,而非一个圆圈。当我们对地球建立起坐标系后,而且又有了若干个球体信息,便能够计算出你的位置信息。


GPS5.jpg


高精地图

高精地图是无人驾驶汽车重要的支撑,它包含了大量的行车辅助信息,除了能提供精确的定位外,它还能做智能避让、智能调速等等。高精地图能为无人车提供静态的感知能力,为无人车提供全局视野,比如道路、交通、基础设施等信息。

我们现在日常使用的电子地图为传统电子地图,它能用于查询地点和导航,主要面向人类驾驶员。而高精电子地图则能提供比传统电子地图更多的信息,主要面向无人车。无人车车身上的传感器能收集到的主要信息范围都非常有限,而通过高精电子地图则能够将无人车的感知能力范围大大延伸,而且能够得到更多准确的信息。


高精地图.jpg高精地图.jpg


高精地图

 

高精地图包含了很多辅助信息。比如包括车道的位置、宽度、斜度、类型、曲率等等公路数据信息。比如包括交通标识、信号灯、障碍物、道路限高、防护栏、树、围栏、地标等等环境数据信息。如果进一步对高精电子地图的模型进行抽象,则可以得到更多无人车与车道、交通、基础设施之间的信息。

高精电子地图通过AI技术从激光雷达收集的3D点云和摄像头收集的图像数据中提取一些必要的信息,比如道路标示和交通标示。此外,通过其它信息采集装置获取道路及道路旁的3D位置信息,这里使用到激光扫描、摄像头和GPS等。



高精地图2.jpg

相比于GPS,高精电子地图能够实现比GPS高10倍以上的精度,GPS精度一般在几米,而高精地图与传感器协作则能使精度达到厘米级别。

惯性测量装置

惯性测量装置(IMU)是一种测量加速度与角速度的传感器。无人车一般使用的是中低级惯性传感器,更新频率为1kHz,价格为几千块。惯性能协助无人车进行定位,但因为它的误差会随着时间而累积,所以只能用于很短时间内的定位。

为了方便理解惯性测量装置的加速度,我们可以将加速度计想象成一个箱子里面悬浮着一个球,它们处于无重力的太空中。


惯性测量.jpg


当我们向左边施加一个重力加速度(1g)时,球会向X-方向的壁平面产生1g的压力,然后我们就能够测量到x轴上的加速度为-1g。


惯性测量2.jpg


同样地,假如我们将这个箱子从太空带回地面,则这个球会落到Z-方向的壁平面上,并且产生1g的力。对应Z轴上的值为-1g。


惯性测量3.jpg


惯性测量装置还包含了角速度测量功能,陀螺可以绕着支点进行三个自由度的转动。如下面的陀螺仪中间有一根竖轴穿过一个金属圆盘,圆盘称为转子,竖轴为旋转轴。为了增加惯性,转子用质量大的金属制成。竖轴外侧由三层不同大小的圆环嵌套而成,拥有三个方向自由度。角速度的测量则主要是利用角动量守恒定理。



陀螺仪





V2X与环境交互

V2X通信传感是无人车与周围环境的通信协议,包括车与车通信(Vehicle to Vehicle,V2V)、车与基础设施通信(Vehicle to Infrastructure,V2I)、车与行人通信(Vehicle to Pedestrian,V2P)。

V2V通信指无人驾驶汽车之间进行信息交换,比如无人驾驶车之间交换交通状况。V2I通信指无人驾驶汽车与基础设施之间进行信息交换,比如智能停车场与无人驾驶汽车的通信。V2P通信指无人驾驶汽车与行人之间进行信息交换,比如通过智能手机应用与无人驾驶汽车通信。

一个典型的无人驾驶汽车的V2X应用场景如下,乘客通过收集应用呼叫无人驾驶汽车,然后无人驾驶服务系统将无人驾驶汽车调度到乘客身边。进入高速公路后根据乘客偏好及目的地将合适的车辆排到一起,无人驾驶汽车进行自动导航,直到驶离高速公路。然后行驶在连接了导航系统建议的路上,无人驾驶汽车将人送达目的地,最后无人驾驶汽车进入到停车场或者继续载其它乘客。

无人车与环境交互.jpg

无人车与环境交互

路径规划

路径规划主要解决的问题是找到一条最快最安全的从起点到终点的路径,路径规划中有很多成熟的算法,比如Dijkstra算法、A*算法、RRT算法等等。无人驾驶汽车的路径规划需要考虑多因素的影响,比如车祸路道、交通拥堵等。


路径规划.jpg

路径规划

总结

无人驾驶汽车的核心是感知能力,无人车有四种不同视野的眼睛,包括无线雷达、激光雷达、超声波雷达和摄像头,通过它们能得到不同的视野。在定位方面无人驾驶汽车使用GPS与惯性策略装置,再加上高精电子地图就能够实现非常**的定位。此外,为了能让无人车与环境进行通信交互,V2X被提出来,包括V2V、V2I、V2P。



  • 电话咨询
  • 021-22306692
  • 15021948198
None