近來，采埃孚（ZF）收購激光雷達(dá)公司Ibeo的40%股權(quán)，Velodyne旗下激光雷達(dá)公司Velodyne LiDAR獲福特汽車和百度聯(lián)合注資1.5億美元。Mobileye宣布終止與特斯拉的合作，不再為特斯拉Autopilot系統(tǒng)提供EyeQ系列芯片支持，轉(zhuǎn)而與英特爾、寶馬共同開發(fā)無人駕駛汽車技術(shù)和技術(shù)平臺(tái)。這些智能車圈的熱點(diǎn)事件背后，是自動(dòng)駕駛技術(shù)快速發(fā)展道路上的車載傳感器、核心部件、計(jì)算平臺(tái)等資源的整合，智能車輛研發(fā)進(jìn)入關(guān)鍵節(jié)點(diǎn)上、面向?qū)嵱没募夹g(shù)突破方面的考慮。

 

 

1.1 從智能車挑戰(zhàn)賽看中國(guó)智能車發(fā)展情況

 

從2009開始，在國(guó)家自然科學(xué)基金委“視聽覺信息的認(rèn)知計(jì)算”重大研究計(jì)劃支持下，分別在西安、鄂爾多斯、赤峰、常熟等地舉辦了七屆“中國(guó)智能車未來挑戰(zhàn)賽”。智能車挑戰(zhàn)賽是現(xiàn)有的國(guó)內(nèi)外唯一專門面向無人駕駛的賽事，對(duì)中國(guó)無人駕駛車輛研究起到很大的推動(dòng)作用。

 

歷屆中國(guó)智能車未來挑戰(zhàn)賽

 

在前幾屆比賽中，參賽無人車輛行駛還比較慢，需要較多的人工干預(yù)。在2013年之后，國(guó)內(nèi)相關(guān)研究單位取得了較大進(jìn)步，參賽無人車輛已能在真實(shí)交通環(huán)境中進(jìn)行順暢地自主駕駛，與其他車輛進(jìn)行交互。在諸多研究單位中，涌現(xiàn)出了清華大學(xué)、國(guó)防科技大學(xué)、同濟(jì)大學(xué)、上海交大、軍事交通學(xué)院、西安交通大學(xué)、北京理工、北京聯(lián)合大學(xué)、南京理工大學(xué)、中科院合肥物資研究院、武漢大學(xué)、湖南大學(xué)等知名團(tuán)隊(duì)。這些團(tuán)隊(duì)已經(jīng)和一汽集團(tuán)、上汽集團(tuán)、廣汽集團(tuán)、比亞迪和長(zhǎng)城汽車等國(guó)內(nèi)眾多車企開展了許多深度合作。

 

不同年份中國(guó)無人駕駛車輛差異對(duì)比：

 

（a）2009年參賽無人車輛

 

（b）2015年參賽無人車輛

 

從上圖可以看出，2009年參賽無人車輛都是在現(xiàn)有商用車上經(jīng)過加裝外置傳感器和外置控制器等設(shè)備改裝而成。而在2015年參賽的部分無人車輛則體現(xiàn)了研究單位與車企深度合作的結(jié)果，已經(jīng)將大部分傳感器內(nèi)置并結(jié)合車載總線進(jìn)行了控制和深度改造。除此之外，國(guó)內(nèi)IT巨頭們也紛紛投入無人駕駛研究，例如樂視已在多處開展研發(fā)，百度與寶馬合作的無人駕駛車輛已經(jīng)在北京的環(huán)路上進(jìn)行了測(cè)試，長(zhǎng)安汽車從重慶到北京進(jìn)行了長(zhǎng)途無人駕駛測(cè)試，這些車輛體現(xiàn)了不同等級(jí)智能化程度。在后續(xù)能夠集成人工智能研究最新成果，有望引領(lǐng)中國(guó)智能汽車發(fā)展。

 

IT企業(yè)和車企也投入智能車輛研發(fā)

 

1.2 無人駕駛面臨問題及潛在的突破點(diǎn)

 

雖然國(guó)內(nèi)外的智能車輛研究取得了極大的進(jìn)展，但是從近期的谷歌無人駕駛汽車和特斯拉自動(dòng)駕駛汽車的事故來看，相關(guān)技術(shù)實(shí)用化還面臨多重挑戰(zhàn)。其中，最為關(guān)鍵的是如何提高環(huán)境感知精確程度，在環(huán)境感知能力上突破。在此基礎(chǔ)上，特別是針對(duì)許多突發(fā)的交通場(chǎng)景，無人車輛需要進(jìn)行智能決策和處理。

 

無人駕駛車輛的環(huán)境感知

 

本文探討了無人駕駛技術(shù)幾個(gè)潛在突破點(diǎn)：

 

首先，需要面向自動(dòng)駕駛功能進(jìn)行傳感感器選擇和優(yōu)化配置。由于交通環(huán)境的復(fù)雜性，需要高精度的傳感器進(jìn)行環(huán)境檢測(cè)。現(xiàn)階段傳感器均受其工作范圍限制以及氣候環(huán)境因素和車輛運(yùn)動(dòng)的干擾，無法保證所有情況下的保證安全駕駛的行車要素的準(zhǔn)確檢出。以激光雷達(dá)為典型的外部傳感器價(jià)格昂貴，極大限制了實(shí)際大范圍應(yīng)用。所以，需要面向復(fù)雜環(huán)境感知需求，集成低價(jià)、性能優(yōu)秀的車內(nèi)和車外傳感器，發(fā)揮各傳感器的優(yōu)勢(shì)，在合適的成本基礎(chǔ)上，按照不同等級(jí)的自動(dòng)駕駛功能需求進(jìn)行自身姿態(tài)和周邊駕駛環(huán)境感知的傳感器選擇和優(yōu)化配置。

 

其次，需要面向自動(dòng)駕駛重新設(shè)計(jì)的車載集成系統(tǒng)。結(jié)合全新自動(dòng)駕駛架構(gòu)設(shè)計(jì)，結(jié)合集成化控制系統(tǒng)和新型總線分布，對(duì)自動(dòng)駕駛功能進(jìn)行擴(kuò)展和集成。通過集成更優(yōu)秀感知和決策算法的車載軟件，使得自動(dòng)駕駛系統(tǒng)具備更高安全性和魯棒性。

 

再次，需要V2X無線網(wǎng)絡(luò)支持。通過車聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)信息共享和傳感器視距和感知范圍擴(kuò)展。需要高精度GPS定位和高精度的3D地圖支持，降低對(duì)高精度環(huán)境感知的要求，降低實(shí)現(xiàn)高級(jí)自動(dòng)駕駛系統(tǒng)的難度。

 

此外，需要高性能計(jì)算平臺(tái)支持。通過集成高性能車載計(jì)算平臺(tái)，結(jié)合深度學(xué)習(xí)技術(shù)，擴(kuò)展車輛智能化水平。通過接入遠(yuǎn)程智能服務(wù)實(shí)現(xiàn)智能擴(kuò)展與共享，將人工智能技術(shù)的新突破應(yīng)用于無人駕駛。

 

 

現(xiàn)階段常用的外部傳感器，只在某些特定情況下適用，精確感知需要進(jìn)行多傳感器信息融合。例如，毫米波雷達(dá)可以準(zhǔn)確檢測(cè)前方車輛的距離和速度，具備較強(qiáng)的穿透霧、煙、灰塵的能力；但無法對(duì)目標(biāo)進(jìn)行細(xì)化識(shí)別。而相機(jī)視覺系統(tǒng)可以獲得車道線、交通信號(hào)等目標(biāo)的顏色和形狀等細(xì)節(jié)，從而進(jìn)行深度識(shí)別。但是相機(jī)視覺系統(tǒng)的測(cè)距能力沒有激光雷達(dá)精確。激光雷達(dá)通過點(diǎn)云來建立周邊環(huán)境的3D模型，可以檢測(cè)出包括車輛、行人、樹木、路緣等細(xì)節(jié)。所以，通過激光雷達(dá)或毫米波雷達(dá)與視覺傳感器進(jìn)行融合，不僅可以進(jìn)行目標(biāo)物體檢測(cè)，而且還能進(jìn)行目標(biāo)空間測(cè)距，目標(biāo)圖像識(shí)別等功能。類似，GPS定位、視覺傳感器和激光雷達(dá)進(jìn)行融合，則可以實(shí)現(xiàn)車道保持所需的高精度定位，也能實(shí)現(xiàn)多類障礙物目標(biāo)檢測(cè)。

 

基于激光雷達(dá)等傳感器的環(huán)境感知模型

 

近期特斯拉汽車事故說明要做到高級(jí)自動(dòng)駕駛僅靠單類傳感器則難以實(shí)現(xiàn)，而是需要多種傳感器融合，特別是關(guān)鍵性傳感器不能減配。無人駕駛汽車的車載傳感器配置可作為完整性參考方案。

 

1、車載傳感器選擇參數(shù)

 

在選擇車載傳感器時(shí)，一般需要綜合考慮多個(gè)方面的屬性，包括傳感器精度、分辨率、靈敏度、動(dòng)態(tài)范圍、傳感器視角、主動(dòng)與被動(dòng)傳感器、時(shí)間精度和輸出接口。以及誤報(bào)率、溫度適應(yīng)性、黑暗適應(yīng)性、不良天氣適應(yīng)性、硬件成本、信號(hào)處理能力等。表1是常見的幾類傳感器綜合指標(biāo)，包括超聲波雷達(dá)、激光雷達(dá)、毫米波雷達(dá)、攝像頭、紅外探頭等，可以綜合考慮加以選取配置。

 

 

注：

 

（1）傳感器精度：真實(shí)值和傳感器的測(cè)量值之間的誤差，取決于外部干擾等因素。

 

（2）傳感器分辨率：兩次測(cè)量值之間的最小方差，通常比傳感器的實(shí)際精度更低。

 

（3）傳感器靈敏度：可檢測(cè)或測(cè)量的最小值。

 

（4）傳感器的動(dòng)態(tài)范圍：最小以及可以準(zhǔn)確地報(bào)告最大值。

 

（5）傳感器視角：描述傳感器可以看到的視場(chǎng)角度。

 

（6）主動(dòng)與被動(dòng)傳感器：有源傳感器主動(dòng)感測(cè)環(huán)境，無源傳感器則比較依賴環(huán)境條件。

 

（7）傳感器時(shí)間精度：傳感器的刷新速率和測(cè)量帶寬變化頻率

 

（8）傳感器輸出接口：輸出模擬電壓，電流，數(shù)字信號(hào)，串口或網(wǎng)絡(luò)數(shù)據(jù)流等方式。

 

（9）低誤報(bào)率：由于噪聲、干擾等引起檢測(cè)結(jié)果誤報(bào)的比例。

 

（10）溫度適應(yīng)性：是否能在不同溫度條件下正常工作。

 

（11）黑暗適應(yīng)性：是否能在不同光照條件下正常工作。

 

（12）不良天氣適應(yīng)性：是否能在下雨、揚(yáng)塵、潮濕等天氣中正常工作。

 

（13）低成本硬件：傳感器硬件價(jià)格成本。

 

（14）信號(hào)處理能力：傳感器數(shù)據(jù)量。

 

 

在不同等級(jí)的自動(dòng)駕駛功能實(shí)現(xiàn)中，通過對(duì)雷達(dá)、激光雷達(dá)、視覺相機(jī)（單目、雙目和紅外）、超聲波等常見傳感器的優(yōu)劣勢(shì)分析，最終形成適當(dāng)?shù)能囕d傳感器配置。

 

表2. 實(shí)現(xiàn)不同自動(dòng)駕駛功能所需傳感器及感知參數(shù)分析

 

 

如下圖所示，要實(shí)現(xiàn)典型的自動(dòng)駕駛功能，要求車載傳感器能夠覆蓋長(zhǎng)、短距檢測(cè)、兼顧日夜行駛等需求。典型方案中要求配備毫米波雷達(dá)傳感器6個(gè)（超長(zhǎng)距前窄角1個(gè)，中距前窄角1個(gè)，后/側(cè)面廣角4個(gè)）、紅外夜視傳感器1個(gè)（長(zhǎng)距前窄角）、圖像攝像頭6個(gè)（長(zhǎng)距前窄角1個(gè)，短距廣角后方1個(gè)、側(cè)面4個(gè)）、以及超聲波傳感器4個(gè)（前/后側(cè)短距廣角）。

 

實(shí)現(xiàn)自動(dòng)駕駛系統(tǒng)所需的車載傳感器配置

 

而要實(shí)現(xiàn)無人駕駛，除了上述傳感器之外，還需要選配高精度GPS定位系統(tǒng)及高精度測(cè)距傳感器，還需要應(yīng)對(duì)復(fù)雜路況的各類激光雷達(dá)傳感器等。如圖5所示，參加DARPA Urban Challenge比賽的Stanford 大學(xué)“Junior”無人車，則在大眾SUV基礎(chǔ)上，配備5個(gè)激光雷達(dá)（IBEO，Riegl，SICK和Velodyne），1個(gè)Applanix GPS慣性導(dǎo)航系統(tǒng)，5個(gè)BOSCH毫米波雷達(dá)，以及前向相機(jī)系統(tǒng)。

 

Junior無人駕駛車輛及其傳感器配置

 

Junior無人駕駛車輛定位通過Applanix POS LV 420集成慣性導(dǎo)航系統(tǒng)實(shí)現(xiàn)，包括GPS方位航向測(cè)量、高性能慣性測(cè)量單元、車輪里程計(jì)（DMI）和OMNISTAR衛(wèi)星虛擬基站服務(wù)，提供低于100厘米和0.1度的實(shí)時(shí)位置和方向誤差。2個(gè)側(cè)向的SICK LMS 291-S14激光雷達(dá)和1個(gè)前向的RIEGL LMS-Q120激光雷達(dá)提供3D道路結(jié)構(gòu)和車道標(biāo)線檢測(cè)，并進(jìn)行車輛高精度定位。1個(gè)車頂64線Velodyne HDL-64E激光雷達(dá)用于障礙物和移動(dòng)車輛檢測(cè)，形成水平方向360度和垂直方向30度視域的掃描數(shù)據(jù)，由車尾的2個(gè)SICK LDLRS激光雷達(dá)和前保險(xiǎn)杠2個(gè) IBEO ALASCA XT激光雷達(dá)進(jìn)行視野補(bǔ)充。5個(gè)安裝在前格柵的BOSCH長(zhǎng)距離雷達(dá)（LRR2）提供周圍移動(dòng)車輛的檢測(cè)信息。由兩個(gè)英特爾四核服務(wù)器通過一個(gè)千兆以太網(wǎng)進(jìn)行連接來提供傳感器融合等車載計(jì)算服務(wù)。

 

3、通過車載傳感器集成與智能化降低整體費(fèi)用

 

通過車載傳感器集成與智能化與能夠突破自動(dòng)駕駛技術(shù)所需的環(huán)境感知基礎(chǔ)支撐，通過配置優(yōu)秀和價(jià)格低廉的車載傳感器，實(shí)現(xiàn)環(huán)境感知，推進(jìn)無人駕駛技術(shù)進(jìn)展。如圖6所示，現(xiàn)有的車載傳感器通過各類總線技術(shù)進(jìn)行集成和配置，再通過傳感器信息的智能化處理，輸出自動(dòng)駕駛所需的環(huán)境感知信息。

 

車載傳感器集成與智能化

 

同樣，智能車輛也需要從車身內(nèi)的傳感器的智能化與集成內(nèi)容入手，分析實(shí)現(xiàn)自動(dòng)駕駛需要哪些車載傳感器。通過融合車載的IMU、車頭指向設(shè)備和GPS等傳感器進(jìn)行車輛位姿精確感知，實(shí)現(xiàn)車輛控制。

 

現(xiàn)有車輛設(shè)計(jì)還沒有考慮智能化需求，車身載傳感器的種類較多，分布在各個(gè)子系統(tǒng)中，有一些傳感器重復(fù)使用。下一階段，更多考慮智能化功能需求，并且通過傳感器的微型化、多功能和智能化、集成化發(fā)展。通過MEMS傳感器實(shí)現(xiàn)微型化；通過集成多功能、減少車載傳感器數(shù)量，提高車輛姿態(tài)感知可靠性；通過傳感器與微處理器結(jié)合集成智能化處理算法，減少ECU復(fù)雜度。通過傳感器總線集成，可以實(shí)現(xiàn)車身傳感器信息共享，降低了成本。例如，速度傳感器、加速度傳感器、加速踏板位置傳感器、節(jié)氣門位置傳感器、方向盤轉(zhuǎn)角傳感器等信息，可以智能車輛的各個(gè)子控制系統(tǒng)功能模塊中共享。

 

車載自身姿態(tài)感知傳感器方案

 

 

3.1通過V2X車輛聯(lián)網(wǎng)擴(kuò)展智能車環(huán)境感知能力

 

通過V2X應(yīng)用可以擴(kuò)展車載傳感器感知范圍，通過多車之間溝通各自速度、加減速和轉(zhuǎn)向等信息，提高自動(dòng)駕駛安全性，為交通的可預(yù)測(cè)和管控提供基礎(chǔ)。通過V2X應(yīng)用廣播前車的環(huán)境感知結(jié)果，使得施工、交通事故、道路異物、坑洞和路滑等情況可以預(yù)先告知后車，有效提高自動(dòng)駕駛安全。使智能車輛的環(huán)境感知范圍擴(kuò)大，不再受限于車載傳感器的視距范圍限制，減少了多變的天氣和復(fù)雜環(huán)境因素影響。

 

基于V2X技術(shù)擴(kuò)展智能車輛感知能力

 

通過V2X網(wǎng)絡(luò)互聯(lián)到云端，可以獲得更大范圍的環(huán)境信息，擴(kuò)展了實(shí)時(shí)導(dǎo)航和路徑規(guī)劃等服務(wù)。在沒有網(wǎng)絡(luò)信號(hào)的地方，通過本地通訊服務(wù)，在幾百米范圍內(nèi)形成車間局域網(wǎng)絡(luò)，形成一個(gè)幾公里范圍的視野，更容易實(shí)現(xiàn)安全的自動(dòng)駕駛。

 

現(xiàn)階段較多采用IEEE802.11P等短距通訊來構(gòu)建DSRC短程車間網(wǎng)絡(luò)，更大范圍的網(wǎng)絡(luò)基于LET-V等技術(shù)來構(gòu)建，還包括LTE標(biāo)準(zhǔn)（LTE V2X）技術(shù)，通過LTE-Direct （LTE-D）技術(shù)能尋找500m內(nèi)數(shù)千車載設(shè)備并提供服務(wù)，讓最接近的LTE-D設(shè)備實(shí)現(xiàn)通訊。此外，正在發(fā)展中的5G網(wǎng)路技術(shù)也可為車載應(yīng)用構(gòu)建基礎(chǔ)支撐。DSRC之類短距通訊已經(jīng)開展并通過了一系列的現(xiàn)場(chǎng)測(cè)試，進(jìn)入實(shí)際部署工作；而LTE V2X等新技術(shù)還在開發(fā)階段，需要制定新標(biāo)準(zhǔn)和開展更多測(cè)試。

 

3.2基于高精度定位和3D高精度地圖支持降低對(duì)傳感器依賴

 

智能車輛都采用GPS或者北斗等全球定位系統(tǒng)進(jìn)行定位和導(dǎo)航，現(xiàn)階段還需要提高定位系統(tǒng)的精度，提供高精度導(dǎo)航地圖來滿足自動(dòng)駕駛需求。通過提供厘米級(jí)的定位以及應(yīng)對(duì)復(fù)雜駕駛環(huán)境的精確三維地圖數(shù)據(jù)，智能車輛獲得最佳行車路線，地形特征，位置映射等，方便進(jìn)行動(dòng)態(tài)目標(biāo)檢測(cè)和障礙物檢測(cè)等，極大降低對(duì)傳感器依賴。

 

1、高精度定位系統(tǒng)

 

民用級(jí)GPS在接收到4個(gè)或更多衛(wèi)星時(shí)能提供約為十米級(jí)的定位精度,差分GPS(（Differential Global Positioning System)通過在位置已經(jīng)精確測(cè)定的已知點(diǎn)上配備一臺(tái) GPS 接收機(jī)作為固定地面參考點(diǎn)，參考點(diǎn)和定位設(shè)備間利用廣播等方式增加一步位置修正，可以達(dá)到米級(jí)定位精度。要實(shí)現(xiàn)厘米級(jí)精度的定位，還需要將GPS設(shè)備和高精度慣性測(cè)量單元（IMU）結(jié)合起來,GPS提供高精度定位數(shù)據(jù)，慣性測(cè)量單元提供高頻率采集數(shù)據(jù)。例如，在自動(dòng)駕駛方案中采用Applanix POS的系統(tǒng)提供多雙頻GPS接收信息實(shí)時(shí)集成，包括GPS方位航向測(cè)量、高性能慣導(dǎo)測(cè)量單元（6自由度、安裝靠近后軸處）、車輪里程計(jì)（DMI）、OMNISTAR衛(wèi)星虛擬基站服務(wù)等，系統(tǒng)實(shí)時(shí)位置誤差通常可低于100厘米，方向誤差低于0.1度。這些高精度定位方法成本較貴，限制了實(shí)際大范圍應(yīng)用。后續(xù)需要集成基于低功耗、低價(jià)、微小型智能定位傳感器，提供高精度定位服務(wù)。

 

Applanix POS LV420系統(tǒng)

 

2、高精度導(dǎo)航地圖

 

目前所用導(dǎo)航地圖所提供信息的精細(xì)程度還無法滿足自動(dòng)駕駛要求。通過采用激光雷達(dá)獲取三維點(diǎn)云數(shù)據(jù)，并進(jìn)行人工標(biāo)記之后建立路面模型，包含道路上較為全面的交通標(biāo)志、交通信號(hào)燈等信息，還包括車道線位置、數(shù)量和寬度等信息，包括道路坡度和斜率等，還包括車道限高、下水道口、障礙物以及其他道路上一些細(xì)節(jié)。地圖既可以提供當(dāng)前道路的靜態(tài)環(huán)境模型，也可以通過預(yù)先存儲(chǔ)的點(diǎn)云和圖像特征數(shù)據(jù)來提供高精度定位。

 

在高精度地圖技術(shù)路線中，一類是谷歌和Here的激光雷達(dá)和攝像頭獲取3D點(diǎn)云數(shù)據(jù)測(cè)量的地圖，在點(diǎn)云數(shù)據(jù)基礎(chǔ)上進(jìn)而建模分類得到高精度地圖。另外一類是通用、大眾聯(lián)手Mobileye的RoadBook眾包地圖，通過車輛攝像頭和GPS，結(jié)合本地以及云端軟件來開展高精度地圖服務(wù)。

 

高精度地圖需要使用高精度激光雷達(dá)，收集數(shù)據(jù)后進(jìn)行人工標(biāo)記才能使用，比較耗時(shí)費(fèi)力，測(cè)繪成本較高，不會(huì)頻繁更新數(shù)據(jù)，實(shí)用性下降。采用眾包方式收集數(shù)據(jù)，通過每輛車載終端得到車道線、各項(xiàng)道路標(biāo)志以及道路上的基礎(chǔ)交通設(shè)施等信息發(fā)送云端，雖然精度不如激光雷達(dá)測(cè)定，但通過增加數(shù)據(jù)量來提高精度，可以降低成本，并且實(shí)時(shí)更新地圖。例如，Mobileye通過EyeQ4系統(tǒng)上增加更多檢測(cè)設(shè)備并整合其軟件系統(tǒng)，結(jié)合道路經(jīng)驗(yàn)管理系統(tǒng)（RoadExperience Management，REM），利用深度學(xué)習(xí)技術(shù)來對(duì)道路上各種行車要素的識(shí)別和采集，最后構(gòu)建Roadbook。REM根據(jù)駕駛環(huán)境來綜合分析路況，如前車運(yùn)動(dòng)軌跡、路邊靜止的物體等信息，得到合適的可行駛路線。所采集信息在本地進(jìn)行預(yù)處理之后得到近處以一維數(shù)據(jù)為主的表示，結(jié)合必要的三維數(shù)據(jù)，最終讓地圖信息保持較小規(guī)模，方便及時(shí)上傳與下載更新。通過多車輛的學(xué)習(xí)和完善，云端系統(tǒng)將會(huì)比人類駕駛員更熟練地處理復(fù)雜交通場(chǎng)景，有利于克服自主駕駛面臨的困難挑戰(zhàn)。

 

圖10.Roadbook高精度導(dǎo)航地圖

 

高精度地圖是實(shí)現(xiàn)自動(dòng)駕駛和無人駕駛不可或缺的基礎(chǔ)支撐，許多企業(yè)開始開發(fā)定制化地圖，包括Here（奧迪寶馬和戴姆勒）發(fā)布的HDLive地圖、Mobileye發(fā)布RoadBook、TOMTOM為蘋果、Uber和Bosch提供地圖數(shù)據(jù)，發(fā)布RoadDNA，大陸的RoadDB（RoadDatabase），以及車企如豐田推出的全新地圖繪制技術(shù)，國(guó)內(nèi)百度、高德、四維圖新和武漢光庭等公司開發(fā)的高精度地圖等。

 

 

通過全新的面向智能車輛的架構(gòu)設(shè)計(jì)，結(jié)合集成化控制系統(tǒng)和新型總線，將傳感器和智能計(jì)算單元進(jìn)行配置和集成，將可為自動(dòng)駕駛提供基礎(chǔ)架構(gòu)支撐。

 

4.1面向自動(dòng)駕駛的新型車輛總線控制架構(gòu)

 

無人駕駛技術(shù)離不開車載控制系統(tǒng)的深度集成，由于車企保護(hù)做法，許多車輛總線系統(tǒng)還沒對(duì)外開放，現(xiàn)在還有許多實(shí)現(xiàn)方案是不對(duì)原車做任何改動(dòng)，直接附加一套電機(jī)裝置，類似于ADAS測(cè)試中使用的ADB機(jī)器人，但這種方法安全性極低。自動(dòng)駕駛車輛的執(zhí)行器改裝主要分為轉(zhuǎn)向、制動(dòng)和油門改裝等部分。由于沒有車企的支持，現(xiàn)有一些自動(dòng)駕駛方案中還是通過外加轉(zhuǎn)向機(jī)器人、制動(dòng)機(jī)器人和油門機(jī)器人的方式來實(shí)現(xiàn)對(duì)車的控制。由于這類改裝方式，需要外部控制系統(tǒng)，例如剎車采用電機(jī)拉動(dòng)鋼絲繩，鋼絲繩連在剎車踏板上，剎車的反應(yīng)時(shí)間增加，可靠性和實(shí)時(shí)控制都降低，無法體現(xiàn)無人駕駛的優(yōu)勢(shì)。

 

設(shè)計(jì)復(fù)雜的自動(dòng)駕駛機(jī)器人

 

而基于線控技術(shù)集成的自動(dòng)駕駛系統(tǒng)將極大提高智能車輛的可靠性和操控性能。自動(dòng)駕駛方案中動(dòng)力、轉(zhuǎn)向和制動(dòng)（部分還包括懸掛）三個(gè)系統(tǒng)需要X-by-wire線控技術(shù)。得到車企和博世等零部件供應(yīng)商支持的自動(dòng)駕駛方案中，能夠通過車輛內(nèi)部CAN通信的方式實(shí)現(xiàn)對(duì)EPS、ESP等執(zhí)行機(jī)構(gòu)的準(zhǔn)確控制。此外，在純電動(dòng)或者混動(dòng)車基礎(chǔ)上改裝具備線控（液壓）剎車的配置，將具有很大的優(yōu)勢(shì)。

 

基于線控技術(shù)的自動(dòng)駕駛方案

 

現(xiàn)階段，還需要通過一種可行的通用集成方案，將控制系統(tǒng)集成到CAN總線、Flexray或者快速以太網(wǎng)總線上。通過將決策控制信息與車輛底層控制系統(tǒng)深度集成。CAN FD 1.0作為CAN 2.0的技術(shù)升級(jí)，可以作為智能車輛車載總線的實(shí)現(xiàn)方式。此外，由于智能車輛技術(shù)發(fā)展，急需滿足更高數(shù)據(jù)帶寬的車內(nèi)連接。Tesla在車載信息服務(wù)上采用以太網(wǎng)作為總線網(wǎng)絡(luò)。例如，基于IEEE802.3bp的1000BASE-T1標(biāo)準(zhǔn)草案設(shè)計(jì)，滿足汽車系統(tǒng)嚴(yán)格的EMI要求，支持車內(nèi)傳輸多路高清視頻流。單對(duì)雙絞線以太網(wǎng)允許選擇輕量型、低成本線束。

 

4.2、車載高性能集成計(jì)算平臺(tái)

 

智能車輛一旦完成車身完整構(gòu)建，采用傳感器獲得環(huán)境感知信息，還需要能夠處理大容量數(shù)據(jù)，所以處理器芯片對(duì)無人駕駛車輛同樣重要。許多移動(dòng)終端產(chǎn)品芯片供應(yīng)商已經(jīng)開始為自動(dòng)駕駛技術(shù)的實(shí)現(xiàn)提供圖像處理功能。由于嵌入式平臺(tái)計(jì)算能力提升，現(xiàn)在智能車輛計(jì)算平臺(tái)一般采用帶有GPU單元的嵌入式處理器來構(gòu)建。例如高通、三星也推出了車載嵌入式平臺(tái)，高通驍龍602A應(yīng)用處理器，拓展面向汽車的產(chǎn)品組合，實(shí)現(xiàn)多系統(tǒng)支持的感知功能；三星處理器芯片目前主打車機(jī)互聯(lián)系統(tǒng)、汽車智能硬件等。

 

在奧迪自動(dòng)駕駛汽車架構(gòu)中的駕駛輔助控制器（zFAS）中的傳感器融合單元核心部件是NVIDIATegra K1平臺(tái)，極大簡(jiǎn)化了車載計(jì)算平臺(tái)。NVIDIA的TK1有四個(gè)ARMCortex-A15核，192Kepler GPU集成CUDA，提供327GFLOPS計(jì)算性能，處理CUDA數(shù)據(jù)時(shí)功率小于6W（包括SoC和DRAM）。英偉達(dá)Drive PX無人駕駛汽車平臺(tái)的兩個(gè)Tegra X1處理器，能夠處理來自12個(gè)攝像頭的數(shù)據(jù)流，完成驅(qū)動(dòng)高級(jí)駕駛員輔助功能運(yùn)行。最新的DRIVE PX 2硬件計(jì)算平臺(tái)，支持12路攝像頭輸入、激光定位、雷達(dá)和超聲波傳感器；包括兩顆新一代NVIDIA Tegra處理器，其中包括8個(gè)A57核心和4個(gè)Denver核心；基于NVIDIA的新一代GPU架構(gòu)Pascal設(shè)計(jì)，單精度計(jì)算能力達(dá)到8TFlops，超越TITAN X的10倍以上的深度學(xué)習(xí)計(jì)算能力。

 

NVIDIA DRIVE PX 2自動(dòng)駕駛開發(fā)平臺(tái)

 

NVIDIA開發(fā)網(wǎng)提供算法庫支持，有助于加速開發(fā)。NVIDIA建造NvidiaPX2構(gòu)建的Drivenet平臺(tái)，已在自動(dòng)駕駛車輛上進(jìn)行測(cè)試。能夠?qū)⑼獠總鞲衅鳙@取的圖像數(shù)據(jù)處理后形成高精度點(diǎn)云，并上傳至云端服務(wù)器，經(jīng)過更高性能的基于DGX-1的服務(wù)器處理后，融合成完整高精度地圖。車載計(jì)算平臺(tái)和云端服務(wù)器形成NVIDIA完整的自動(dòng)駕駛技術(shù)平臺(tái)解決方案。

 

流行的深度學(xué)習(xí)框架如Caffe、Theano、Torch推出CUDA工具庫，大幅提高圖像識(shí)別準(zhǔn)確率，讓車載計(jì)算平臺(tái)擁有更強(qiáng)的數(shù)據(jù)處理能力，通過運(yùn)行深度學(xué)習(xí)算法來加強(qiáng)車輛感知能力，對(duì)車載各類傳感器數(shù)據(jù)進(jìn)行處理與分析，進(jìn)行駕駛決策。

 

深度學(xué)習(xí)的車載嵌入式計(jì)算平臺(tái)

 

 

智能車輛研發(fā)已經(jīng)進(jìn)入關(guān)鍵節(jié)點(diǎn)，其技術(shù)突破的難點(diǎn)已經(jīng)從算法研究轉(zhuǎn)移到了面向自動(dòng)駕駛的車載傳感器、車輛總體架構(gòu)設(shè)計(jì)、智能計(jì)算平臺(tái)集成等實(shí)用化技術(shù)上。本文結(jié)合多年的智能車研發(fā)經(jīng)歷，聚焦在環(huán)境感知技術(shù)及車載傳感器、車輛系統(tǒng)集成、V2X和車聯(lián)網(wǎng)、高精度定位和地圖技術(shù)、深度學(xué)習(xí)和計(jì)算平臺(tái)等方面上，針對(duì)這些可能的突破點(diǎn)進(jìn)行探討，其中內(nèi)容可作為智能車輛研發(fā)的參考。

 

【作者簡(jiǎn)介:黃武陵，中國(guó)科學(xué)院自動(dòng)化研究所副研究員，中國(guó)科學(xué)院大學(xué)博士，主要從事智能車輛研究，參與和主持了多項(xiàng)國(guó)家863和973、交通部和自然基金課題，發(fā)表SCI/EI論文十多篇，申請(qǐng)和獲得發(fā)明專利二十多項(xiàng)。獲北京市科技進(jìn)步獎(jiǎng)、北京市“金橋工程”項(xiàng)目獎(jiǎng)、吳文俊人工智能科學(xué)技術(shù)進(jìn)步獎(jiǎng)、中科院教學(xué)成果獎(jiǎng)等獎(jiǎng)勵(lì)。】

 

參考資料： [1] en.wikipedia.org/wiki/ [2] 新智元公眾號(hào) [3] http://www.cheyun.com [4] www.nvidia.com/object/drive-px.html [5] Jaycil Z. Varghese, Overview of Autonomous Vehicle Sensors and Systems，Proceedings of the 2015 International Conference on Operations Excellenceand Service Engineering [6] Junior: The Stanford Entry in the Urban Challenge, Michael Montemerlo,Jan Becker, .., and Sebastian Thrun. 2008. Junior: The Stanford entry in theUrban Challenge. J. Field Robot. 25, 9 (September 2008), 569-597. [7] C. Urmson, J. Anhalt, D. Bagnell,., , “Autonomous driving in urbanenvironments: Boss and the urban challenge,” J. Field Robot.,vol. 25, no. 1,pp. 425–466, Jun. 2008. [8] W. Huang, D. Wen, J. Geng, N.-N. Zheng, "Task-Specific performanceevaluation of UGVs: Case studies at the IVFC," IEEE Transactions on Intelligent Transportation Systems, vol. 15,no. 5, pp. 1969-1979, 2014. [9] 黃武陵. 無人駕駛汽車帶來的交通便利[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用,2016,16(6):6-8. [10] 黃武陵.智能車輛環(huán)境感知技術(shù)與平臺(tái)構(gòu)建[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用,2016,(7). [11] 黃武陵.智能車輛的道路檢測(cè)及其應(yīng)用[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用,2016,(8).