您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
   
 
     
   
 订阅
  捐助
无人驾驶之环境感知
 
 
  6114  次浏览      14
 2021-10-12
 
编辑推荐:
本文主要介绍了智能驾驶的感知盲区、环境感知功能系统构成、系统硬件配置方案及传感感知技术。
本文来自于CSDN,由火龙果软件Linda编辑、推荐。

环境感知作为第一环节,处于智能驾驶车辆与外界环境信息交互的关键位置,其关键在于使智能驾驶车辆更好地模拟人类驾驶员的感知能力, 从而理解自身和周边的驾驶态势。

相机、雷达、定位导航系统等为智能驾驶车辆提供了海量的周边环境及自身状态数据,这些以图像、点云等形式呈现的数据包含了大量与驾驶活动无关的信息。选择性作为人类自然感知的重要特征,可以帮助智能驾驶车辆聚焦当前驾驶行为,确保智能驾驶的安全性和 实时性。环境感知需要遵照近目标优先、大尺度优先、动目标优先、差异性优先等原则,采用相关感知技术对环境信息进行选择性处理。

1.智能驾驶的感知盲区

人类驾驶员受限于视野范围,存在诸多驾驶盲区。智能驾驶车辆上安装的每类传感器也都有自身的感知盲区。实际上,这些区域仅相对于特定时刻而言,随着车辆的行进在下一时刻即会产生新的盲区。 智能驾驶过程中,通过组合使用多类传感器和运用时序关联的感知技术,可以缩小感知盲区的范围,一般不会影响正常驾驶。

2.环境感知功能系统构成

智能驾驶车辆获取和处理环境信息,主要用于状态感知和 V2X 网联通信。状态感知主要通过车载传感器对周边及本车环境信息进行 采集和处理,包括交通状态感知和车身状态感知。

交通状态感知功能的实现依赖于环境感知传感器及相应的感知技术。按照获取交通环境信息的途径,可将这些传感器分为两类:1) 被动环境传感器,该类传感器自身不会发射信号,而是通过接收外部 反射或辐射的信号获取环境信息,主要包括相机等视觉传感器和麦克 风阵列等听觉传感器;2)主动环境传感器,该类传感器主动向外部 环境发射信号进行环境感知,主要指激光雷达、毫米波雷达和超声波 雷达。

车身状态感知功能的实现主要基于 GPS(Global Position System, 全球定位系统)、北斗卫星导航系统( BeiDou Navigation Satellite System,BDS)、惯性导航系统(Inertial Navigation System,INS)等设备,旨在获取车辆的行驶速度、姿态方位等信息,为智能驾驶车辆 的定位和导航提供有效数据。

3.系统硬件配置方案

可用于智能驾驶环境感知的硬件设备有很多,主要包括相机、激光雷达、毫米波雷达、超声波雷达、GPS、BDS、INS 等,目前智能车上采用的配置方案往往是多种型号或多种类型设备的组合,如图 2- 1 所示。

由于道路环境、天气环境的多样性、复杂性以及智能驾驶车辆本身的运动特性,相机容易受到光照、视角、尺度、阴影、污损、背景干扰和目标遮挡等诸多不确定因素的影响。而在驾驶过程中,车道线、交通灯等交通要素存在一定程度的磨损、反光是常态,因此不存在完全理想的相机。

雷达对光照、色彩等干扰因素具有很强的鲁棒性,激光雷达、毫米波雷达和超声波雷达也都有各自的优势。但是安装多少数量 /种类 的雷达、选取多高的采样速率,都不可能彻底解决凹坑反射、烟尘干 扰和雨、雪、雾等恶劣天气条件下的探测难题,也难以实现真正的全 天候、全天时、全三维,因此雷达不可能完美。

定位导航系统为智能驾驶提供了高精度、高可靠定位、导航和授时服务,RTK (Real-Time Kinematic,载波相位差分技术)+ INS 组合更是为实时精准定位和位置精度保持奠定了重要基础。但是无论位置服务公共平台多好、陀螺精度多高,还是存在采样频率不够、地理环境过于复杂、初始化时间过长、卫星信号失效等问题,因此定位导航系统总是存在缺陷。

可见,没有完美的感知设备,设备不理想是常态,也不存在完美 无缺的设备组合方案。然而对于不同的驾驶任务而言,需要不同的感知设备种类和类型,并非要配置最全、最多、最贵的感知设备才能完成驾驶任务,而是要以任务需求为导向,有针对性地选取合适的感知设备,组合实现优化配置。

4. 传感感知技术

感知功能的实现既需要合适的感知设备,也离不开相应的感知技术。环境感知功能分工的不同,决定了所需感知设备和感知技术的差异。其中,交通环境感知是车辆对外界环境信息的捕获和处理,主要基于车载传感器和传感感知技术。按照传感器获取的信号类型,可分 为相机视觉、雷达传感和听觉传感。

丨相机视觉

人类在驾驶过程中所接收的信息大多来自视觉,例如交通标志、 道路标志、交通信号等,这些视觉信息成为人类驾驶员控制车辆的主要决策依据。在智能驾驶中,相机取代人类视觉系统作为交通环境感知的传感器之一。相较于其他传感器,视觉传感器安装使用的方法简单、获取的图像信息量大、投入成本低、作用范围广,并且近些年更是得益于数字图像处理技术的快速发展和计算机硬件性能的提高。但是在复杂交通环境下,视觉传感器依然存在目标检测困难、图像计算量大、算法难以实现的问题,视觉感知技术在应对道路结构复杂、人车混杂的交通环境时也还存在很多不足。

视觉传感器

智能驾驶中配置的视觉传感器主要是工业相机,与民用相机相比具有更大优势,例如较高的图像稳定性、传输能力和抗干扰能力。

按照输出的数据信号,工业相机可分为模拟式和数字式两种。模拟相机的输出为模拟电信号,需要借助视频采集卡等组件完成数字信号转换,该类相机连线简单、成本较低,但是转换速率慢;数字相机所采集的图像直接通过内部感光组件及控制组件转换为数字信号,该类相机采集速率快、数据存储方便,但是价格相对昂贵。

按照芯片类型,可分为CCD(Charge-Coupled Device,电荷耦合元件)相机和 CMOS(Complementary Metal Oxide Semiconductor,互补金属氧化物半导体)相机。CCD 相机由光学镜头、时序及同步信号 发生器、垂直驱动器及模拟/数字信号处理电路组成,具有无灼伤、无滞后、低电压、低功耗等优势;CMOS 相机集光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器于 一体,传输速率高、动态范围宽、局部像素可编程随机访问。

除了以上两种常见的分类方法,工业相机还可以按照传感器的结构特性分为线阵相机和面阵相机;按照输出图像的色彩分为黑白相机和彩色相机;按照响应频率范围分为普通相机、红外相机和紫外相机; 按照扫描方式分为逐行扫描相机和隔行扫描相机等;按照接口类型分为网络相机、1394 相机和 USB 相机,如图 2-2 所示。

视觉感知技术

视觉感知技术主要包括三种:1)单目视觉技术,即通过单个相机完成环境感知任务,具有结构简单、算法成熟并且计算量较小的优 点,但是感知范围有限、无法获取场景目标的深度信息;2)立体视觉技术,基本原理是采用 2 个(或多个)相机从不同视点观察同一目 标,并通过计算图像像素间位置偏差恢复三维场景,难点在于寻找多 个相机图像中匹配的对应点;3)全景视觉技术,成像视野较宽,但图像畸变较大、分辨率较低。

单目视觉技术多用于智能车辆的车道级定位、识别道路几何结构、 检测周边的车辆或行人等障碍物、识别交通灯和交通标志等,主要包括车道检测与跟踪技术、障碍物检测与跟踪技术、交通灯及交通标志 识别技术、基于视觉的 SLAM 技术和视觉里程计技术等。

立体视觉技术常用于相机标定、图像匹配和障碍物检测。相机标定的方法包括传统标定法、主动视觉标定法和自标定法,三种标定方法在鲁棒性、计算精度和算法复杂程度上各有优劣;图像匹配有区域匹配法、特征匹配法和相位匹配法,在对图像的量化程度上有所差异; 障碍物检测的方法有逆投影变换法和 V 视差图法,前者对相机参数 较为敏感,后者对视差图要求较高。

全景视觉技术一般分为四类:单相机 360°旋转式成像、鱼眼镜 头相机成像、多相机拼接成像和折反射全景成像。其中,单相机 360° 旋转式成像对系统可靠性要求较高,鱼眼镜头相机成像需要标定和畸 变校正,这两种技术获取的图像视角较宽;多相机拼接成像可实现全 景实时拼接,但标定复杂、成本较高;折反射全景成像具有自动化、 小型化和集成化的特点,成像特性取决于反射镜面的形状。

近年来,深度学习(Deep Learning)在计算机视觉和图像处理领 域的应用取得了巨大成功,基于深度学习的图像处理成为智能驾驶视觉感知的重要支撑。深度学习的输入可以为原始的图像像素,通过构建含有多隐层的机器学习模型模拟人脑的多层结构。经逐层抽取得到的信息特征,相比传统图像处理算法构造的特征更具表征力和推广性, 大大地提高了目标检测和识别的准确性。在智能驾驶视觉感知中,深度学习多用于对车辆、行人、交通标志等交通要素的检测和识别。由于深度学习需要大数量、多样性的数据集,而且对计算平台的性能要求高,目前大多仅应用于离线数据的处理。

测试评价

在智能驾驶中,相机视觉必须具备准确性、实时性和鲁棒性三方面的技术特点。准确性是指图像处理过程中应该能够有效提取与驾驶活动相关的交通要素;实时性是指视觉感知系统的数据处理必须与智能车辆的高速行驶同步;鲁棒性是指视觉感知算法对于经常变化的天气条件和道路环境需要具有良好的适应性。视觉传感器的配置参数和视觉感知技术的算法优劣共同决定了视觉感知系统的性能。

丨雷达传感

在国内外智能驾驶车辆开发过程中,传感感知技术研究的重点除了视觉就是雷达。雷达通过对目标发射电磁波并接收目标回波来获得目标的距离、方位、距离变化率等信息。得益于其主动探测的环境探测模式,雷达感知比视觉感知受外界环境的影响较低,近年来在智能驾驶中发挥的作用也较大。

雷达传感器

雷达传感器一般由发射机、发射天线、接收机、接收天线、显示 器、处理部分以及电源设备、数据录取设备、抗干扰设备等辅助设备 构成。按照电磁波的波段,雷达分为三类:激光雷达、毫米波雷达、 超声波雷达,如图 2-3 所示。

激光雷达

激光雷达工作在红外和可见光波段,是一种以激光为工作光束、 使用光电探测技术手段的主动遥感设备。具有分辨率高、隐蔽性好、 抗有源干扰能力强、定向性好、测量距离远、测量时间短的特点;不足之处在于技术门槛和成本较高,而且在云雾雨雪等恶劣环境中衰减严重。

根据探测原理,激光雷达分为单线(二维)激光雷达和多线(三维)激光雷达。单线激光雷达仅通过一条扫描线进行旋转扫描,获取二维扫描范围内的深度信息,如德国 SICK 光电设备公司研发的 LMS 系列,在智能驾驶中常用于自动跟车行驶;三维激光雷达,通过综合多条扫描线旋转扫描的结果,得到空间范围内的深度信息,能够有效捕获目标的基本特征和局部细节,测量精度和可靠性很高,如美国 Velodyne LiDAR 公司的 HDL 系列,常用于测距、测速和三维成像。

毫米波雷达

毫米波雷达通过发射无线电信号(毫米波波段的电磁波)并接收反射信号来测定汽车车身周围的物理环境信息(如汽车与其他物体之间的相对距离、相对速度、角度、运动方向等),然后根据所探知的物体信息进行目标追踪和识别分类,进而结合车身动态信息进行数据融合,完成合理决策,减少事故发生几率。

毫米波雷达的工作频段为30~300GHz毫米波,毫米波的波长为波长为1~10mm,介于厘米波和光波之间,因此毫米波兼有微波制导和光电制导的优点。雷达测量的是反射信号的频率转变,并计算其速度变化。雷达可以检测30-100米远的物体,高端的雷达能够检测到很远的物体。同时,毫米波雷达不受天气状况限制,即使是雨雪天都能正常运作,穿透雾、烟、灰尘的能力强。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、盲区探测等。

相比激光雷达,毫米波雷达精度低、可视范围的角度也偏小,一般需要多个雷达组合使用。雷达传输的是电磁波信号,因此它无法检测上过漆的木头或是塑料(隐形战斗机就是通过表面喷漆来躲过雷达信号的),行人的反射波较弱几乎对雷达“免疫”。同时,雷达对金属表面非常敏感,如果是一个弯曲的金属表面,它会被雷达误认为是一个大型表面。因此,路上一个小小的易拉罐甚至可能会被雷达判断为巨大的路障。此外,雷达在大桥和隧道里的效果同样不佳。

毫米波雷达分类

毫米波雷达的可用频段有24GHz、60GHz、77GHz、79GHz,主流可用频段为24GHz和77GHz,分别应用于中短距和中长距测量。比于24GHz,77GHz毫米波雷达物体分辨淮确度可提高2-4倍,测速和测距精确度提高3-5倍,能检测行人和自行车;且设备体积更小,更便于在车辆上安装和部署。如表3所示,长距离雷达的侦测范围更广,可适配开行速度更快的车辆,但是相应地探测精度下降,因此更适用于ACC自适应巡航这类的应用。典型的长距离雷达有博世的一款产品,其探测前向距离为250米;典型的短距离雷达有大陆的一款产品,其探测距离为前向60米后向20米

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 波雷达多用于测距,如图 2-4 所示,其基本原理是通过测量超声波发 射脉冲和接收脉冲的时间差,结合空气中超声波的传输速度计算相对 距离。超声波测距的优势主要有四点:对恶劣天气不敏感,穿透性强、 衰减小;对光照和色彩不敏感,可用于识别透明和漫反射性差的物体; 对外界电磁场不敏感,适用于存在电磁干扰的环境;原理简单、制作 方便、成本较低,容易进行市场推广。但是超声波雷达也存在很大的 不足,测距速度无法与光电测距和毫米波雷达测距相比,而且无法测 量方位,应用领域受限。

雷达传感器对目标信息的感知来源于自身发送的电磁波。相比被动传感器而言,雷达受外界环境影响小,获取的深度信息可靠性高, 测距范围和视角大、准确度高。另外,雷达每帧接收的点云数据量远 小于相机记录的图像信息,更能满足智能驾驶对实时性的需求。

雷达的最大缺点在于制造工艺复杂、成本很高,在一定程度上使 其广泛应用受到限制。我国在雷达研制方面实力不足时,常常受制于国外雷达研制的技术垄断。2017 年 9 月,由中电 14 所联合清华大学、 龙芯中科等单位研发的国产 “华睿 1 号”专用 DSP,在第三届军民 融合发展高技术装备成果展览暨论坛活动中亮相。“华睿 1 号”总体 性能优于国内外同类芯片,近几年先后成功应用于十多型雷达产品, 打破了国产雷达长期受到国外 DSP 技术封锁的现状。

雷达感知技术

智能驾驶感知过程中,毫米波雷达和超声波雷达的主要作用即为测距和测速,目前在盲点探测、自适应巡航、前/后方碰撞预警等技术中应用较为广泛。

除了距离和速度,激光雷达还能够较为准确地获取目标的形状、深度等信息。随着激光雷达性能的提高,相应的激光雷达感知技术也在不断发展。目前常用的感知技术主要有:

1)障碍物检测与跟踪,关键在于同一时刻障碍点的聚类和不同 时刻障碍物的匹配,基于深度学习的雷达障碍物检测逐渐成为近年来的研究热点,雷达与图像融合的障碍物检测技术研究也取得了一定成果;

2)路面检测,主要是为了区分路面和道路上的其他目标障碍物, 还可以通过检测路面材质和坡度为智能驾驶车辆决策和控制提供数据参考;

3)定位与导航,基于激光雷达的 SLAM 在智能车定位中可以发 挥重要作用,智能车通过检测路边障碍物位置判断道路走向并实现基于雷达的自主导航;

4)三维重建,利用激光雷达获取的深度信息即可以实现智能车周围环境的三维场景重建。

丨听觉传感

目前大部分智能驾驶车辆仅依靠视觉感知和雷达感知,已经能够完成绝大多数交通环境感知任务,因此往往忽略了听觉感知,很多智能驾驶车辆甚至是“聋子”。然而在人类驾驶员开车时,交通环境中有许多声音也会携带重要信息,例如喇叭、警笛等,这些信息能够帮助驾驶员做出即时反应,包括改变车辆行驶速度和行驶方向等。智能驾驶车辆同样需要对环境中的声音有所感知并做出反应,这些声音一般无法通过相机或雷达获取,而是需要开发车辆的“耳朵”,让听觉传感感知系统能够真正发挥作用。

听觉传感器

按照相对于智能车辆位置区域的范围,听觉感知能力可分为三类: 1)个域听觉感知,即“听”车厢内的声音,主要是根据感知到的异常 声音判断发动机等汽车零件的运行情况;2)局域听觉感知,通过辨 识车体周边一定范围内的相关声音并做出反应;3)广域听觉感知, 即感知电磁波中的音频以获取最新道路信息等。个域听觉感知和局域 听觉感知一般是通过麦克风阵列采集车体内部及外界环境中的声音 信息,而广域听觉感知多是通过车载电台、手机、网络终端等平台获 取无线通信系统承载的音频信息。

听觉感知技术

听觉感知系统主要涉及三种关键技术:声源定位技术、音频识别技术和软件无线电技术。

声源定位是一种接收声场信息并利用电子装置确定目标声源位 置的被动声探测技术,主要目的是计算信号源相对于麦克风阵列的方位和距离。目前常用的声源定位技术按其定位原理可分为三大类:

1) 基于最大输出功率的可控波束形成技术,关键在于对接收的信号的滤波及加权求和,并控制阵列波束指向最大输出功率对应的方向;

2) 基于高分辨率谱估计的定位技术,通过求解所接收信号与阵列间的相关矩阵确定信号源方向和位置;

3)基于声达时间差的定位技术,主要是利用声源信号到每个麦克风阵元的时间差估计 来实现测向和测距。

音频识别技术是通过将输入的音频信号进行识别和理解并转变为相应的文本或命令。传统的音频识别一般分为训练和识别两个阶段: 首先对获取的音频信号进行预处理和特征提取,之后通过训练生成词条模板库,在识别时利用模式匹配等方法比较待测信号与模板库中的参考模板,最后将得到的最佳匹配作为识别结果。

年来,深度学习在音频识别领域的应用越来越多,大大提高了识别效率和准确率。在车辆的行驶环境中,包含内容丰富多变的音频信息,智能驾驶只需重 点感知与驾驶活动相关的信息。有用的音频信息包括人类语音和汽车警笛两类,其中语音识别主要涉及语种识别、说话人识别、语音关键词识别等,可用于人机交互等;警笛声识别的目的在于通过不同的基频模式区分救火车、救护车、警车等特殊车辆,为智能驾驶车辆换道、超车等提供依据。

软件无线电是一种用软件来操纵、控制硬件平台的数字化通信方 式。如图 4-5 所示,软件无线电平台一般由宽带/多频段天线、宽带 A/D 或 D/A 转换器、DSP(Digital Signal Processing,数字信号处理)处理器以及实时操作系统构成。该技术的基本思想是尽量将宽带模数 (A/D)转换器和数模(D/A)转换器向射频天线靠近,建立一个具有开放性、可编程性的模块化的通用硬件平台,并且在该平台上通过安 装不同的软件模块实现电台各种功能,例如信道分离、选择通信频段、信息收发、选择调制解调方式、实现不同的保密结构和网络协议等。

定位与导航技术

智能驾驶的基础是自主导航,不仅需要获取车辆与外界环境的相对位置关系,还需要通过车身状态感知确定车辆的绝对位置,因此定位与导航也是环境感知的关键技术之一。

丨感知态势的基准

智能驾驶车辆的位置数据不可能脱离感知态势的基准(常说的坐标系)而独立存在,不同的基准对应的车辆定位表现结果有很大差异。目前在智能驾驶中常用的基准包括:大地坐标系(WGS-84/ CGCS 2000)、摄像机坐标系、图像坐标系、雷达坐标系、驾驶员认知坐标系等。选定基准之后,将车身姿态、周边环境和地图等信息都进行映射并标注,生成基于这些坐标系的一张或多张图上。在这些图中,基于驾驶员认知坐标系的驾驶态势图能够更好地体现选择注意性,可以 与车辆实现同步移动。

丨设备组成与种类

卫星导航系统

卫星导航系统都由空间段(导航卫星)、地面段(地面观测站) 和用户段(信号接收机)三个独立部分组成,如图 2-5 所示。卫星导航的基本原理是测量已知位置的卫星到用户接收机之间的距离,并综合多颗卫星的数据计算出用户所在地理位置信息。

目前主要有 GPS、北斗卫星导航系统、GLONASS 和 GALILEO 四大全球卫星导航系统,我国常用的为 GPS 和北斗卫星导航系统。

GPS 是由美国国防部研制的全球首个定位导航服务系统,空间段由平均分布在 6 个轨道面上的24颗导航卫星组成,采用 WGS-84 坐标系;北斗卫星导航系统是中国自主研发、独立运行的全球卫星定位与通信系统,是继美国的 GPS、俄罗斯的 GLONASS 之后第三个成熟的卫星导航系统,空间段包括5颗静止轨道卫星和30颗非静止轨道卫星,采用我国独自建立使用的CGCS 2000坐标系。这两种导航系统都可在全球范围内全天候、全天时为用户提供高精度、高可靠的定位、导航和授时服务,北斗卫星导航系统拥有更多的地球同步轨道卫星,还 兼具短报文通信能力。

卫星导航定位技术按照定位方式分为单点定位技术和相对定位技术:单点定位是根据单独一台信号接收机的观测数据确定用户绝对位置的方式,容易受到系统性偏差的影响;相对定位是利用两台以上接收机的观测数据来计算观测点相对位置的方法,定位精度较高。相对定位又分为静态定位和动态定位两种类型,其中实时动态定位 RTK 技术是一种新的常用的卫星定位测量方法。

RTK 是一种基于载波相位观测值的定位技术,利用了参考站和移动站之间观测误差的空间相关性。与以前的静态定位和动态定位不同,RTK 无需事后结算即可在野外实时得到厘米级的定位精度,成为卫星定位应用的重大里程碑。RTK 属于广域定位技术,对天气状况和 周边障碍物不敏感,但还是存在几点问题:

1)初始化时间较长,主要受到卫星数、电离层、多路径等综合影响;

2)工作距离短,基站覆 盖范围一般不超过 15km;

3)对卫星数量需求较高,在 6 颗以上卫星 时作业较为可靠;

4)存在信号失锁,卫星信号常常在隧道、高楼等严重遮挡的环境下失效。

这些技术缺陷限制了RTK技术的应用,网络RTK(又称 COS)应运而生。网络 RTK 是由多个基站组成的网络, 通过将数据统一传送至网络服务器,并由服务器根据移动站和网络中基站的位置关系从最近的基站发送数据,或者在移动站附近虚拟出基 站信息进行差分解算,从而提高移动站与基准站的误差相关性,获得 高精度的定位结果。

惯性导航系统

惯性导航系统(简称惯导)由陀螺仪和加速度计构成,通过测量运动载体的加速度和角速率数据,并将这些数据对时间进行积分运算, 从而得到速度、位置、姿态和航向。惯导以牛顿力学定律为基础,工 作原理是根据陀螺仪的输出建立导航坐标系并给出航向和姿态角,再 根据加速度计的输出解算运动载体,实现惯性参考系到导航坐标系的 转换。惯导属于推算导航方式,即在已知基准点位置的前提下根据连 续观测推算出下一点的位置,因而可连续测出运动载体的当前位置。

惯性导航系统能够提供包括水平姿态、方位、速度、位置、角速 度和加速度等的全面的导航信息,而且数据更新率高、连续性好、噪 点低、短期精度和稳定性高。由于惯导是一种不依赖于外部信息、也 不向外辐射能量的自主式导航系统,它不受外界电磁干扰的影响,具 有全天候、全时段、全地域的工作特性。

由于导航信息是根据积分计算所得,惯导也存在其固有缺陷:定位误差会随时间而增大,数据的长期精度较低,而且无法获取时间信 息。另外,惯导在每次使用之前需要较长时间的初始化,在智能驾驶 过程中如果出现断电等突发状况,往往需要重新初始化。

交通环境复杂多变,单一的导航系统往往会受限于自身的不足而无法确保 精准定位和导航 , 因此当前的智能驾驶车辆大多采用 GPS/BDS + INS 的组合导航方式。

丨姿态和状态感知

智能驾驶车辆环境感知系统对车体的感知包括两部分:车身姿态感知和车身状态感知。姿态感知和状态感知对应的车辆信息不同,信息来源也有所差异。

(1)车身姿态感知:主要指对车辆航向角、侧倾角和俯仰角的感知,一般通过惯导或者陀螺仪来获取这些参数。

(2)车身状态感知:主要包括对车辆行驶速度、纵向加速度、 发动机转速、方向盘转角、节气门开度、制动主缸压力等车辆状态信 息的感知。

丨测试技术

智能驾驶对定位导航系统的性能有一定的要求,需要通过测试得 到性能指标数值作为衡量依据。测试指标一般包括:

1)首次定位时间,用于测试接收终端搜索信号的速度;

2)定位测速精度,一般包 括水平和高程定位精度;

3)失锁重捕时间,能够反应接收终端在信 号失锁后恢复定位的快慢;

4)跟踪灵敏度,主要评估定位状态下接 收机维持定位精度所需的最小信号功率;

5)捕获灵敏度,代表了失 锁状态下接收机捕获弱信号的能力。

实际驾驶时,车辆在不同场景下对导航系统的定位性能需求不同,例如,正常环境下需要关注的指标为跟踪灵敏度,但是在隧道等信号遮挡严重的环境中更需要关注捕获灵敏度。因此导航系统的性能测试 一般会有针对性地设置特定场景。

按照卫星信号的产生方式,定位与导航性能测试包括实验室测试、实场测试和虚拟路测三种方法;按照测试的评估方式,可以分为一定场景下的性能一致性测试、极限值测试和余量测试。

丨数字地图

人类驾驶员开车离不开地图的指引,即使是没有借助纸质地图或 者手机 App,实际上也在使用自己记忆中的地图。智能驾驶车辆上路 也同样需要地图来辅助定位与导航,因此数字地图必不可少。

数字地图

数字地图是以数字形式将纸质地图的要素存储在计算机上,并可以显示在电子屏幕上的地图。数字地图能够表示远大于纸质地图的信息量,可以进行任意比例、任意范围的绘图输出,而且地图上的内容 易于修改、组合和拼接。

数字地图主要有六个特点:

1)快速存取和显示;

2)可以动画形 式呈现;

3)地图要素可分层显示;

4)图上的长度、角度、面积等要 素可自动测量;

5)可进行传输;

6)利用 VR(Virtual Reality,虚拟 现实)技术可将地图立体化、动态化。

驾驶地图

现有的城市地图、经济地图、旅游地图、摄影地图等都是立足于人类日常生活的需求,这些缺少智能驾驶所需的道路几何、物理属性等信息的地图不能看作是驾驶地图。驾驶地图有自己的特点和需求:

1)驾驶地图是服务于驾驶驾驶车辆的专用地图。普通交通地图 只需要精确至道路长度、宽度等粗略信息,对道路曲率、道路中的车 道数目、车道的具体宽度等信息并不关注,而驾驶地图需要精确记录 道路中每条车道的详细属性,对于车道标线的位置需要精确到分米甚 至厘米级别;

2)驾驶地图是变粒度的。现有交通地图的比例尺固定,对于不 同道路环境设置的粒度相同。驾驶地图需要区分道路的复杂性,在高 速公路、城市主干路等简单的结构化道路条件下,只需用粗粒度对环 境进行概略描述,而对于包含路口和城乡结合部等复杂的半结构化和 非结构化道路环境下,则需要较细粒度来精确而完善地描述交通环境;

3)驾驶地图只包含与驾驶行为相关的交通要素。理想的驾驶地 图要包含道路固有设施高度、道路边缘宽度、交通灯位置和高度等诸 多交通要素,但这些要素只限于一次规划轨迹途经道路的附近区域, 对于城市地图、旅游地图中包含的景点信息、建筑名称等,在驾驶地图中则可以忽略。

驾驶地图对环境感知具有非常重要的作用:

1)再次确认,传感 器识别出的道路要素被地图确认;

2)互相补充,地图告知进入特定 道路区域,传感器数据反映对应目标数目变化;

3)冲突消解,不同 传感器获取的数据产生冲突时利用地图进行取舍;

4)提醒帮助,地 图为已有障碍物的跟踪提供空间位置预测;

5)过滤噪声,根据地图 给出待测目标的大致位置,滤除部分疑似目标的噪点;

6)属性关联, 从地图获取不同路段的物理和几何属性,与传感器检测结果进行关联。

 

   
6114 次浏览       14
相关文章

基于图卷积网络的图深度学习
自动驾驶中的3D目标检测
工业机器人控制系统架构介绍
项目实战:如何构建知识图谱
 
相关文档

5G人工智能物联网的典型应用
深度学习在自动驾驶中的应用
图神经网络在交叉学科领域的应用研究
无人机系统原理
相关课程

人工智能、机器学习&TensorFlow
机器人软件开发技术
人工智能,机器学习和深度学习
图像处理算法方法与实践
最新课程计划
信息架构建模(基于UML+EA)3-21[北京]
软件架构设计师 3-21[北京]
图数据库与知识图谱 3-25[北京]
业务架构设计 4-11[北京]
SysML和EA系统设计与建模 4-22[北京]
DoDAF规范、模型与实例 5-23[北京]
 
最新文章
多目标跟踪:AI产品经理需要了解的CV通识
深度学习架构
卷积神经网络之前向传播算法
从0到1搭建AI中台
工业机器人控制系统架构介绍
最新课程
人工智能,机器学习和深度学习
人工智能与机器学习应用实战
人工智能-图像处理和识别
人工智能、机器学习& TensorFlow+Keras框架实践
人工智能+Python+大数据
更多...   
成功案例
某综合性科研机构 人工智能与机器学习应用
某银行 人工智能+Python+大数据
北京 人工智能、机器学习& TensorFlow框架实践
某领先数字地图提供商 Python数据分析与机器学习
中国移动 人工智能、机器学习和深度学习
更多...