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
自动驾驶汽车的系统架构
 
作者:Qasim Ahmed
  177  次浏览      
 2022-8-5
 
编辑推荐:
本文着重介绍自动驾驶汽车的系统架构和车载自组织网络 (VANET),希望对您的学习有所帮助。
本文来自 糖果MDPI ,由火龙果软件Alice编辑、推荐。

技术方便了人类,提高了生产力,带来了更好的生活质量。技术的发展和车辆网络的自动化将会改善目前城市地区的道路安全和减少拥堵,传统的交通系统正变得越来越无序和低效。因此,发展智能交通系统(ITS)的概念被提出,其目的和重点是提高交通安全,为其用户提供不同的服务。在智能交通方面已经有了大量的研究,并作出了重大的贡献。

1. 自动驾驶汽车的系统架构

只要增加传感器等配件,就可以通过感知环境和控制车辆的机动性来做出自己的决定,就可以将普通车辆转变为自动驾驶车辆。图1说明了AVs的整体通信过程/协议,并列出了所需的传感器、执行器、硬件和软件控制。协议体系结构如下所述,由四个主要阶段组成,实现了5级全自动驾驶汽车,所有用户都是乘客。

图 1. 自动驾驶汽车的系统架构。

  • 感知:这一阶段包括通过各种传感器感知周围的自动驾驶汽车,并检测自身相对于周围环境的位置。在这个阶段,AV使用的传感器有雷达、激光雷达、相机、实时动力学(RTK)等。来自这些传感器的信息然后被传递给处理这些信息的识别模块。一般情况下,自动驾驶系统由自适应检测与识别框架(ADAF)、控制系统、LDWS、TSR、未知障碍物识别(UOR)、车辆定位与定位(VPL)模块等组成。这些处理过的信息被融合并传递到决策和计划阶段。
  • 决策和规划:该阶段利用感知过程中收集的数据,决定、计划和控制AV的运动和行为。该阶段类似于大脑,做出路径规划、行动预测、避障等决策。决策是基于当前和过去可用的信息,包括实时地图信息、交通细节和模式、用户的信息等。可能有一个数据日志模块记录错误和信息,以供将来参考。
  • 控制:控制模块接收来自决策与规划模块的信息,执行与车辆物理控制相关的功能/动作,如转向、刹车、加速等。
  • 底盘:最后一级包括与安装在底盘上的机械部件的接口,如加速踏板电机、刹车踏板电机、方向盘电机和齿轮电机。所有这些组件都由控制模块发出信号并由控制模块控制。

在讨论了 AV 的整体通信和传感器架构之后,我们讨论了一些主要传感器的设计、功能和使用。

1.1。 超声波传感器

这些传感器使用超声波,工作在20-40 kHz[2]范围内。这些波是由用来测量物体距离的磁阻膜产生的。距离是通过计算发射波对回波信号的飞行时间(ToF)来测量的。超声波传感器的测量范围非常有限,一般小于3m[5]。传感器输出每20ms[5]更新一次,不符合ITS严格的QoS约束。这些传感器是定向的,提供一个非常窄的波束探测范围[2]。因此,需要多个传感器才能获得全视野。但是,多个传感器之间会相互影响,会造成极大的测距误差[6]。一般的解决方案是提供一个唯一的签名或识别码,用于丢弃附近[7]范围内其他超声波传感器的回波。在自动驾驶汽车中,这些传感器被用于在低速下测量短距离。例如,用于SPA和LDWS[8]。此外,这些传感器在任何材料(独立的颜色)下,在恶劣的天气条件下,甚至在尘土飞扬的环境中都能令人满意地工作。

1.2. 雷达:无线电探测和测距

自动驾驶汽车中的雷达用于扫描周围环境以检测汽车和物体的存在和位置。 雷达在毫米波 (mm-Wave) 频谱中运行,通常用于军事和民用应用,例如机场或气象系统 [ 9 ] 。 在现代车辆中,采用了不同的频段,例如 24、60、77 和 79 GHz,它们可以测量从 5 到 200 m [ 10 ] 的范围。 AV 和物体之间的距离是通过测量发射信号和接收回波之间的 ToF 来计算的。 在 AV 中,RADAR 使用一组微天线生成一组波瓣,以提高距离分辨率以及多个目标的检测 [ 11 ] . 由于毫米波雷达具有更高的穿透性和更宽的带宽,它可以利用多普勒频移的变化准确测量任意方向的短程目标 [ 9 ] [ 10 ] [ 11 ] [ 12 ] 。 由于波长更长,毫米波雷达具有防遮挡和防污染的能力,使其能够应对雨、雪、雾和弱光。 此外,毫米波雷达能够使用多普勒频移来测量相对速度 [ 13 ] 。 毫米波雷达的这种能力使其适用于广泛的 AV 应用,例如障碍物检测 [ 14 ] ,行人识别 [ 15 ] 和车辆识别 [ 16 ] 。 雷达在 AV 中的一些应用是前方交叉路口警报 (FCTA)、车道变换辅助 (LCA)、盲点检测 (BSD)、后方交叉路口警报 (RCTA) 等。毫米波也有一些缺点,例如减少视野 (FoV),精度较低,并且由于发射的信号从周围环境中反弹而导致更多的误报 [ 12 ] 。

1.3. LiDAR:光检测和测距

LiDAR 利用 905 和 1550 nm 光谱 [ 17 ] 。 905 nm 光谱可能会对人眼造成视网膜损伤,因此,现代激光雷达在 1550 nm 光谱下运行,以最大限度地减少视网膜损伤 [ 18 ] 。 LiDAR 的最大工作距离可达 200 m [ 13 ] 。 LiDAR 可分为 2D、3D 和固态 LiDAR [ 19 ] 。 2D LiDAR 使用漫射在高速旋转的镜子上的单个激光束。 3D LiDAR 可以通过在吊舱上定位多个激光器来获取周围环境的 3D 图像 [ 20 ] . 目前,3D LiDAR 可以通过集成 4-128 束水平运动 360 度和垂直运动 20-45 度的激光来产生精确到几厘米的可靠结果 [ 21 ] 。 固态激光雷达使用带有微镜的微机电系统 (MEMS) 电路来同步激光束以扫描水平 FoV 数次。 激光在微镜的帮助下扩散,以产生物体的垂直投影。 接收到的信号由光电探测器捕获,然后重复该过程,直到创建对象的完整图像。 LiDAR 用于定位、障碍物检测和环境重建 [ 13 ] . 3D LiDAR 传感器在 AV 系统中发挥着越来越重要的作用 [ 22 ] 。 因此,激光雷达可用于 ACC、2D 或 3D 地图以及物体识别和避让。 路边 LiDAR 系统已证明可以减少交叉路口和非交叉路口区域的车辆对行人 (V2P) 碰撞 [ 23 ] 。 在 [ 23 ] 中,采用了 16 线实时计算高效的 LiDAR 系统。 提出了深度自编码人工神经网络(DA-ANN), 在30 m范围内实现了 95 %的准确率。 在 [ 24 ] ,一个 64 线 3D LiDAR 利用基于支持向量机 (SVM) 的算法被证明可以改善行人的检测。 尽管激光雷达在测量精度和 3D 感知方面优于毫米波雷达,但在雾、雪和雨等恶劣天气条件下,其性能会受到影响 [ 25 ] 。 此外,其工作范围检测能力取决于物体的反射率 [ 26 ] 。

1.4. 相机

AVs中的摄像头可以根据设备的波长分为可见光型和红外型。该相机使用了两种技术构建的图像传感器,即电荷耦合器件(CCD)和互补金属氧化物半导体(CMOS)[18]。根据镜头[13]的质量不同,相机的最大拍摄距离约为250米。可见相机使用与人眼相同的波长,即400-780纳米,并分为三个波段:红、绿和蓝(RGB)。为了获得立体视觉,将两个VIS摄像机与已知焦距相结合,生成具有深度(D)信息的新通道。该功能允许摄像头(RGBD)获得车辆周围场景的3D图像[27]。

红外(IR)相机使用波长在780 nm到1 mm之间的被动传感器。自动驾驶汽车中的红外传感器在峰值光照下提供视觉控制。这个摄像头帮助自动驾驶汽车的BSD,侧视控制,事故记录和目标识别[28]。然而,相机的性能在恶劣的天气条件下变化,如雪,雾和瞬间光变化[13]。

相机的主要优点是能够准确地采集和记录周围环境的纹理、颜色分布和轮廓。但是,由于相机镜头[29]视野狭窄,观测角度有限。因此在AVs中采用了多摄像头对周围环境进行监控[30][31]。Ferraz等人提出了一种基于深度学习和卷积神经网络的三阶段RGBD架构,用于车辆和行人检测[32]。然而,这需要AV处理大量的数据[13]。目前,AVs并不具备这样的计算资源;因此,计算卸载可能是一个合适的解决方案[33]。

表4总结了所讨论的传感器技术面临的挑战。由表4可以看出,在不同的环境下,各种传感器的检测能力和可靠性是有限的。通过多传感器融合可以克服这一限制,提高目标检测的准确性和可靠性。Radar-camera (RC) [15][34], Camera-LiDAR (CL) [20][35], Radar-LiDAR (RL)[36]和Radar-camera - lidar (RCL)[37][38]已经被提出,不同的传感器组合在一起,以改善对环境的感知。此外,在[2]中,根据距离、成本和平衡函数设计了三种不同的传感器方案。在这项研究中,几种不同的传感器被结合在一起。方案A采用4个摄像头,1个毫米波雷达,32层和4层激光雷达,1个GPS+IMU。方案B使用了四个摄像头、三个毫米波雷达、一个四层激光雷达和一个GPS+IMU。最后,在方案C中,使用了两个普通摄像机、三个毫米波雷达、一个周边摄像机和一个十二单元超声波传感器。

表 4. 传感器及其挑战的比较。

1.5。 GNSS 和 GPS,IMU:全球导航卫星系统和全球定位系统,惯性测量单元

该技术可以确定AV的准确位置,并帮助其导航[39]。全球卫星导航系统利用一组环绕地球表面运行的卫星来定位[40]。系统包含AV的位置、速度和准确时间[40]的信息。它的工作原理是计算卫星发射信号和接收机之间的ToF[41]。AV位置通常提取自全球定位系统(GPS)坐标。GPS提取的坐标并不总是精确的,它们通常会在位置上引入一个平均值为3 m,标准差为1 m[42]的误差。在城市环境中性能进一步下降,位置误差可以增加到20米[43],在一些极端情况下,GPS位置误差约为100米[44]。除此之外,RTK系统还可以用于AVs,精确计算车辆[45]的位置。此外,航位推算(DR)和惯性位置也可用于自动驾驶汽车来确定车辆的位置和方向[46]。一种被称为里程计的技术可以用来测量车辆的位置,通过将旋转传感器固定在车辆车轮[39]。为了使AV能够检测滑移或横向运动,使用了惯性测量单元(IMU),它通过加速度计、陀螺仪和磁强计传感器的数据来检测这一点。与所有单元相结合的IMU可以校正误差,提高测量系统的采样速度。虽然IMU只有在没有GNSS系统的情况下才能提供位置误差,但AVs可以从不同的来源获得信息,如雷达、激光雷达、IMU、GNSS、超宽带和摄像头,以尽量减少误差的可能性,进行可靠的位置测量[18]。GPS可以与IMU技术如DR和惯性位置相结合,以确定和改进AV[47]的位置估计。

1.6. 传感器融合

车辆的位置、状态以及车辆的重量、稳定性、速度等参数的实时、准确的知识对车辆的操纵和安全至关重要,因此自动驾驶汽车需要通过各种传感器[48]来获取车辆的位置、状态信息。利用传感器融合的过程,将不同传感器获得的数据[13]结合起来获得相干信息。该过程允许从补充来源[49][50]获得的原始数据进行合成操作。因此,传感器融合可以通过结合从不同传感器[51]获得的所有有益信息,使AV精确地了解其周围环境。AVs融合过程采用卡尔曼滤波器和贝叶斯滤波器等不同类型的算法进行。卡尔曼滤波被认为对车辆的独立驾驶非常重要,因为它被用于不同的应用,如雷达跟踪,卫星导航系统和视觉里程数[52]。

2. 车载自组织网络 (VANET)

VANET 是移动自组织网络的新兴子类,能够自发创建移动设备/车辆网络 [ 53 ] 。 VANET 可用于车对车 (V2V) 和车对基础设施 (V2I) 通信 [ 54 ] [ 55 ] 。 这种技术的主要目的是在道路上产生安全感; 例如,在事故和交通拥堵等危险情况下,车辆可以相互通信并通过网络共享重要信息 [ 56 ] [ 57 ] 。 VANET 技术的主要组成部分是:

  • 车载单元 (OBU):它是一种基于 GPS 的跟踪设备,嵌入在每辆车中,用于相互通信并与路边单元 (RSU) [ 55 ] [ 57 ] 进行通信。 为了检索重要信息,OBU 配备了许多电子组件,例如资源命令处理器 (RCP)、传感器设备和用户界面。 它的主要目标是通过无线链路 [ 54 ] 在不同的 RSU 和 OBU 之间进行通信。
  • 路边单元(RSU):RSU 是固定在道路、停车场和十字路口的特定位置的计算单元 [ 58 ] 。 其主要目标是提供自动驾驶汽车和基础设施之间的连接,并协助车辆定位 [ 54 ] [ 58 ] 。 它还可用于将车辆与使用不同网络拓扑的其他 RSU 连接起来 [ 54 ] 。 它们还使用太阳能等环境能源供电 [ 59 ] 。
  • 受信任的权威(TA):它是管理 VANET 整个过程的权威,因此只有有效的 RSU 和车辆 OBU 才能注册和通信 [ 60 ] 。 它通过验证 OBU ID 和验证车辆来提供安全性。 它还可以检测恶意消息或可疑行为 [ 54 ] 。

VANETs 有一些独特的属性,这些属性与其他 ad-hoc 技术非常不同。

  • VANET 的发现延迟非常低,因此车辆即使在高速下也能快速连接到 RSU,并且很少面临网络中断 [ 61 ] [ 62 ] 。
  • OBU 可以以可预测的规则路径移动。 它可以帮助检测车辆在任何时间点的实际轨迹 [ 62 ] 。 VANET 中的 RSU 可以定位车辆并记录车辆的路径,还可以预测其轨迹以避免任何危险。
  • 车辆传感器和其他节点不会面临任何能量限制,因为它们可以从车辆发动机中提取能量。
  • 在 VANET 中使用多播广播允许不同的车辆同时相互通信 [ 63 ] 。

利用 VANET 的车辆通信包括 V2V 通信、V2I 通信和 V2X 通信, 如图 2 所示 。 详情如下。

图 2. 车载通信 (VC) 系统。

2.1。 车对车 (V2V) 通信

它也称为车辆间通信 (IVC),允许车辆相互通信并共享有关 交通拥堵 、事故和限速的必要信息 [ 64 ] 。 V2V 通信可以通过使用网状(部分或完整)拓扑连接不同节点(车辆)来生成网络 [ 65 ] 。 根据用于车辆间通信的跳数,它们被分类为单 (SIVC) 或多跳 (MIVC) 系统 [ 66 ] . SIVC 可用于车道合并、ACC 等短距离应用,而 MIVC 可用于交通监控等远程通信。 V2V 通信提供了多种优势,例如 BSD、FCWS、自动紧急制动 (AEB) 和 LDWS [ 64 ] 。

2.2. 车辆对基础设施 (V2I) 通信

它也称为路边车通信 (RVC),允许车辆与 RSU 进行交互。 它有助于检测交通信号灯、摄像头、车道标记和停车计时器 [ 67 ] 。 车辆与基础设施的通信是自组织的、无线的和双向的 [ 68 ] 。 从基础设施收集的数据用于交通监督和管理。 它们用于设置不同的速度变量,使车辆能够最大限度地提高燃油效率并控制交通流量 [ 64 ] 。 根据基础设施的不同,RVC 系统可分为稀疏 RVC (SRVC) 和泛在 RVC (URVC) [ 69 ] . SRVC 系统仅在热点提供通信服务,例如检测可用的停车位或加油站,而 URVC 系统提供整个道路的覆盖,即使在高速时也是如此。 因此,URVC 系统需要大量投资来确保网络覆盖 [ 69 ] 。

2.3. 车联网 (V2X) 通信

V2X 通信允许车辆与其他实体进行通信,例如行人 (V2P)、路边 (V2R)、设备 (V2D) 和网格 (V2G) [ 70 ] 。 这种通信用于防止与易受伤害的行人、骑自行车者和摩托车手发生交通事故 [ 71 ] 。 V2X 通信允许行人碰撞警告 (PCW) 机制在发生任何严重事故之前提醒路边乘客。 PCW 可以访问智能手机的蓝牙或近场通信 (NFC),并且可以使用信标填充向行人传递关键信息 [ 64 ] 。

 

 
   
177 次浏览       
相关文章

微服务测试之单元测试
一篇图文带你了解白盒测试用例设计方法
全面的质量保障体系之回归测试策略
人工智能自动化测试探索
相关文档

自动化接口测试实践之路
jenkins持续集成测试
性能测试诊断分析与优化
性能测试实例
相关课程

持续集成测试最佳实践
自动化测试体系建设与最佳实践
测试架构的构建与应用实践
DevOps时代的测试技术与最佳实践

最新活动计划
产品需求分析与管理 8-25 [北京]
微服务开发原理与实战 8-30 [北京]
大数据统计分析方法与工具 9-1 [北京]
基于UML和EA进行分析设计 9-6 [北京]
软件重构与软件设计模式 9-13 [北京]
微服务+领域驱动实战训练营 9-28 [北京]
 
最新文章
AUTOSAR模式管理看这一篇就够了
AUTOSAR架构介绍
无人驾驶汽车系统入门——最短路径搜索之A*算法
汽车功能安全 - 软件开发
干货 | 一文帮你读懂ISO26262汽车功能安全!
最新课程
Auto SAR原理与实践
MBSE(基于模型的系统工程)
国际汽车行业五大质量工具理论与实战
人工智能助力汽车行业升级
基于UML和EA进行系统分析设计
SysML和EA进行系统设计建模
更多...   
成功案例
均胜(上海)汽车安全有限公司 购买EA工具
深圳某汽车企业 模型驱动的分析设计
上海某汽车电子 EA+UML进行嵌入式系统分析设计
上海蔚来汽车 SysML+EA-进行嵌入式系统分析设计
更多...