Autonomous car / self-driving car - How it works! (Animation)
 |
本文簡要而全面地概述了自動駕駛汽車（自動駕駛系統）的關鍵組成部分，包括自動駕駛水平、自動駕駛汽車感測器、自動駕駛汽車軟體、開源數據集、行業領導者、自動駕駛汽車應用程式和正在面臨的挑戰。
引言
在過去的十年裡，在自動駕駛領域發表了許多研究論文。然而，它們大多只關注特定的技術領域，如視覺環境感知、車輛控制等。此外，由於自動駕駛汽車技術的快速發展，這樣的文章很快就過時了。
在過去的十年中，隨著自動駕駛系統技術，在世界範圍內的一系列突破，自動駕駛汽車（自動駕駛系統）商業化的競爭，比以往任何時候都更加激烈。
由於自動駕駛技術的發展，近十年來發表了許多科學論文，其引用量呈指數成長，如圖1所示。我們可以清楚地看到，自2010年以來，每年的發表量和被引用量都在逐漸增加，並在去年達到了巔峰。
圖1 在過去的十年中，自主駕駛研究的出版物和引文的數量
一、自動駕駛系統
自動駕駛系統使汽車，能夠在沒有人類駕駛員干預的真實環境中運行。每個自動駕駛系統，由兩個主要組件組成：硬體（汽車感測器和硬體控制器，即、油門、剎車、車輪等）及軟體（功能組）。
軟體方面，已在多個不同的軟體架構中建模，如Stanley （Grand Challenge）、Junior （Urban Challenge）、Boss （Urban Challenge），和同濟自動駕駛系統。Stanley 軟體架構包括四個模組：感測器接口、感知、規劃和控制，以及用戶介面。Junior軟體體系結構，由感測器接口、感知、導航（規劃與控制）、線控驅動接口（用戶接口和車輛接口），和全局服務五個部分組成。
Boss採用三層架構：任務、行為和運動規劃。同濟自動駕駛系統將軟體架構劃分為：感知、決策和規劃、控制和底盤。本文將軟體架構劃分為感知、定位與映射、預測、規劃與控制五個模組，如圖2所示，圖2與同濟自動駕駛系統軟體架構非常相似。
 |
| Top 3 Challenges to Produce Level 5 Autonomous Vehicles. |
圖2 自動駕駛系統軟件構架
自動駕駛等級劃分
根據汽車工程師協會（SAE international），自動駕駛可以分為六個等級，如表1所示。人類駕駛員負責0－2級自動駕駛系統的駕駛環境監測（DEM）。從第4級開始，人類駕駛員不再負責動態駕駛任務回傳（DDTF）。
目前，最先進的自動駕駛系統，主要在2級和3級。業內人士普遍認為，要達到更高等級的自動駕駛水準，可能還需要很長一段時間。
目前，最先進的自動駕駛系統，主要在2級和3級。業內人士普遍認為，要達到更高等級的自動駕駛水準，可能還需要很長一段時間。
表1
感測器安裝在自動駕駛系統上的感測器，通常用於感知環境。選擇每個感測器是為了權衡採樣率、視場（FoV）、精度、範圍、成本，和整個系統複雜度。
最常用的感測器有無源感測器（如攝影機）、有源感測器（如雷射雷達、雷達和超音波收發器）和其他感測器類型，如全球定位系統（GPS）、慣性測量單元（IMU）。
攝影機透過收集，反射到 3D 環境對象上的光，來捕捉 2D 圖像。圖像品質通常取決於環境條件，即不同的天氣條件，不同的光照環境，都會對圖像品質產生不同的影響。
電腦視覺和機器學習算法，通常用於從捕獲的圖像/影像中，提取有用的資訊。
 |
| Driverless cars: mapping the trouble ahead | Financial Times |
雷射雷達利用脈衝雷射照射目標，透過分析反射脈衝，測量到目標的距離。由於雷射雷達具有較高的 3D 幾何精度，通常用於製作高解析度的世界地圖。雷射雷達通常安裝在車輛的不同部位以實現不同的作用，如頂部、側面和前部。
雷達透過發射電磁波，並對反射波進行分析，可以準確地測量出目標的距離和徑向速度。雷達特別擅長檢測金屬物體，當然雷達也可以檢測非金屬物體，比如在短距離內檢測行人和樹木。雷達已經在汽車工業應用多年，催生了 ADAS 功能，如自動緊急制動，自適應巡航控制等。
與雷達類似，超音波感測器透過測量，發射超音波信號到接收回波之間的時間，來計算到目標的距離，超音波感測器通常用於自動駕駛汽車的定位和導航。
GPS是美國政府的一種，基於衛星的無線電導航系統，可以為自動駕駛系統，提供時間和地理位置資訊。然而，GPS 信號很容易被建築物和山脈等障礙物阻擋，例如所謂的城市峽谷，GPS 在此類區域往往表現不佳。因此，慣性測量單元（IMUs），通常被整合到 GPS 設備中，以確保自動駕駛汽車在「城市峽谷」等地的定位。
硬體控制器
自動駕駛汽車硬體控制器，包括轉矩轉向電機、電子制動助力器、電子節流閥、變速桿和駐車制動。車輛的狀態，如車輪速度和轉向角，可自動感知，並透過控制器區域網路（CAN）總線發送到電腦系統。這使得人類駕駛員或自動駕駛系統，能夠控制油門、剎車和方向盤。
二、自動駕駛軟體
感知：感知模組分析原始感測器數據，輸出自動駕駛汽車所處於的環境理解。這個過程類似於人類的視覺認知。感知模組主要包括對象（自由空間、車道、車輛、行人、道路損壞等）檢測與跟蹤、 3D 世界重建（利用運動結構、立體視覺等）等。
最先進的感知技術可以分為兩大類：基於電腦視覺和基於機器學習。前者一般透過顯式攝影幾何模型，來解決視覺感知問題，並使用最優化方法尋找最佳解。基於機器學習的技術透過使用數據驅動的分類/回歸模型（如卷積神經網路）來學習給定感知問題的最佳解決方案。
SegNet和UNet在語義圖像分割，和對象分類方面，取得優秀的成績。這種神經網路具有極高的易用性，可以很容易地用於其他類似的感知任務，如遷移學習。多感測器資訊融合的感知，可以產生更好的理解結果。
 |
| Perception Projects from the Self-Driving Car Nanodegree Program |
SegNet和UNet在語義圖像分割，和對象分類方面，取得優秀的成績。這種神經網路具有極高的易用性，可以很容易地用於其他類似的感知任務，如遷移學習。多感測器資訊融合的感知，可以產生更好的理解結果。
定位和地圖：利用感測器數據和感知輸出，本地化映射模組，不僅可以估計自動駕駛汽車位置，還可以建構和更新 3D 世界地圖。自從同步定位和地圖（SLAM）的概念，在1986年引入以來，就得到了業內人士的普遍關注。
最先進的 SLAM 系統，通常分為基於過濾器的 SLAM，和基於優化的 SLAM。基於過濾的 SLAM 系統，是由貝葉斯濾波得到的，通常透過增量整合感測器數據，更新估計自動駕駛汽車姿態，並更新 3D 環境地圖。
最常用的濾波器，有擴展卡爾曼濾波器（EKF）、無跡卡爾曼濾波器（UKF）、資訊濾波器（IF）和粒子濾波器（PF）。另一方面，基於優化的 SLAM 方法，首先透過尋找新觀測值，與地圖之間的對應關係，來辨識問題約束。
然後，計算和改進自動駕駛汽車的姿勢，並更新 3D 地圖。基於優化的 SLAM 方法，可以分為兩個主要分支：Bundle Adjustment （BA）和graph SLAM。
前者利用高斯－牛頓法、梯度下降等優化技術，透過最小化誤差函數，聯合優化 3D 地圖和攝影機姿態。後者將定位問題建模為一個圖形表示問題，並透過尋找不同車輛姿態的誤差函數來求解。
最先進的 SLAM 系統，通常分為基於過濾器的 SLAM，和基於優化的 SLAM。基於過濾的 SLAM 系統，是由貝葉斯濾波得到的，通常透過增量整合感測器數據，更新估計自動駕駛汽車姿態，並更新 3D 環境地圖。
最常用的濾波器，有擴展卡爾曼濾波器（EKF）、無跡卡爾曼濾波器（UKF）、資訊濾波器（IF）和粒子濾波器（PF）。另一方面，基於優化的 SLAM 方法，首先透過尋找新觀測值，與地圖之間的對應關係，來辨識問題約束。
然後，計算和改進自動駕駛汽車的姿勢，並更新 3D 地圖。基於優化的 SLAM 方法，可以分為兩個主要分支：Bundle Adjustment （BA）和graph SLAM。
前者利用高斯－牛頓法、梯度下降等優化技術，透過最小化誤差函數，聯合優化 3D 地圖和攝影機姿態。後者將定位問題建模為一個圖形表示問題，並透過尋找不同車輛姿態的誤差函數來求解。
預測：預測模組，分析其他交通代理的運動模式，預測自動駕駛汽車未來的運動軌跡，使自動駕駛汽車能夠做出，合適的導航決策。目前的預測方法主要分為兩大類：基於模型的預測方法，和基於數據驅動的預測方法。
前者根據基本的物理系統運動學和動力學，透過傳播其運動狀態（位置、速度和加速度），來計算自動駕駛汽車未來的運動。例如，賓士的運動預測組件，使用地圖資訊，作為約束來計算自動駕駛汽車的下一個位置。
卡爾曼濾波在短期預測方面表現良好，但在長期預測方面表現不佳，因為它忽略了周圍的環境，比如道路和交通規則。在此基礎上，建立了基於引力和斥力的行人運動預測模型。
近年來，隨著人工智慧和高性能計算的發展，許多數據處理技術，如隱馬爾可夫模型（HMM）、貝葉斯網路（BNs）和高斯過程（GP）回歸，用來預測自動駕駛汽車狀態。近年來，研究人員利用逆強化學習（IRL）對環境進行建模，比如，採用逆最優控制方法，對行人路徑進行預測。
前者根據基本的物理系統運動學和動力學，透過傳播其運動狀態（位置、速度和加速度），來計算自動駕駛汽車未來的運動。例如，賓士的運動預測組件，使用地圖資訊，作為約束來計算自動駕駛汽車的下一個位置。
卡爾曼濾波在短期預測方面表現良好，但在長期預測方面表現不佳，因為它忽略了周圍的環境，比如道路和交通規則。在此基礎上，建立了基於引力和斥力的行人運動預測模型。
近年來，隨著人工智慧和高性能計算的發展，許多數據處理技術，如隱馬爾可夫模型（HMM）、貝葉斯網路（BNs）和高斯過程（GP）回歸，用來預測自動駕駛汽車狀態。近年來，研究人員利用逆強化學習（IRL）對環境進行建模，比如，採用逆最優控制方法，對行人路徑進行預測。
規劃：規劃模組根據感知、定位、映射，以及預測資訊，確定可能的安全自動駕駛汽車導航路徑。規劃任務主要分為路徑規劃、機動規劃和軌跡規劃。
路徑是自動駕駛汽車，應該遵循的幾何路徑點列表，以便在不與障礙物碰撞的情況下，到達目的地。最常用的路徑規劃技術有：Dijkstra、動態規劃、A＊、狀態格等。
機動規劃，是一個高層次的自動駕駛汽車運動表徵過程，因為它同時考慮了交通規則，和其他自動駕駛汽車狀態。在找到最佳路徑和機動規劃後，必須生成滿足運動模型，和狀態約束的軌跡，這樣才能保證交通的安全性和舒適性。
路徑是自動駕駛汽車，應該遵循的幾何路徑點列表，以便在不與障礙物碰撞的情況下，到達目的地。最常用的路徑規劃技術有：Dijkstra、動態規劃、A＊、狀態格等。
 |
| Bosch introduces 3D landscapes to its vehicle navigation software |
控制：控制模組根據預測的軌跡，和估計的車輛狀態，向油門、剎車或轉向扭矩，發送適當的命令。控制模組，使汽車盡可能接近計劃的軌跡。控制器參數可以透過最小化理想狀態，和觀測狀態之間的誤差函數（偏差）來估計。
比例積分導數（PID）控制、線性二次調節器（LQR）控制和模型預測控制（MPC），是最常用的最小化誤差函數的方法。PID控制器是一種利用比例項、積分項和導數項，使誤差函數最小的控制迴路反饋機構。
當系統動力學用一組線性微分方程表示，成本用二次函數表示時，利用 LQR 控制器，使誤差函數最小化。MPC 是一種基於，動態過程模型的先進過程控制技術。
這三種控制器各有優缺點。自動駕駛汽車控制模組，一般採用上述方法的混合模式。例如，初級自動駕駛汽車，使用 MPC 和 PID 來完成一些低級反饋控制任務，例如應用變矩器，來實現所需的車輪轉角。
百度Apollo採用了這三種控制器的混合的模式：PID 用於前饋控制、LQR 控制輪角、MPC 對 PID 和 LQR 控制器參數進行優化。
比例積分導數（PID）控制、線性二次調節器（LQR）控制和模型預測控制（MPC），是最常用的最小化誤差函數的方法。PID控制器是一種利用比例項、積分項和導數項，使誤差函數最小的控制迴路反饋機構。
當系統動力學用一組線性微分方程表示，成本用二次函數表示時，利用 LQR 控制器，使誤差函數最小化。MPC 是一種基於，動態過程模型的先進過程控制技術。
這三種控制器各有優缺點。自動駕駛汽車控制模組，一般採用上述方法的混合模式。例如，初級自動駕駛汽車，使用 MPC 和 PID 來完成一些低級反饋控制任務，例如應用變矩器，來實現所需的車輪轉角。
百度Apollo採用了這三種控制器的混合的模式：PID 用於前饋控制、LQR 控制輪角、MPC 對 PID 和 LQR 控制器參數進行優化。
三、開源數據集
在過去的十年中，已經公佈了很多開源數據集，這為自動駕駛研究做出了巨大貢獻。小編蒐集了幾種使用最多的數據集，並簡要說明各種數據集的用途。
Cityscapes包含一個大規模的數據集，可以用於像素級，和實例級的語義圖像分割。ApolloScape可用於各種自動駕駛汽車感知任務，如場景解析、汽車實例理解、車道分割、自定位、軌跡估計，以及目標檢測和跟蹤。此外，KITTI提供了用於立體和流量估計、目標檢測和跟蹤、道路分割、里程估計，和語義圖像分割的可視化數據集。6D－vision使用立體攝影機感知三維環境，提供立體、光流和語義圖像分割的數據集。
Cityscapes包含一個大規模的數據集，可以用於像素級，和實例級的語義圖像分割。ApolloScape可用於各種自動駕駛汽車感知任務，如場景解析、汽車實例理解、車道分割、自定位、軌跡估計，以及目標檢測和跟蹤。此外，KITTI提供了用於立體和流量估計、目標檢測和跟蹤、道路分割、里程估計，和語義圖像分割的可視化數據集。6D－vision使用立體攝影機感知三維環境，提供立體、光流和語義圖像分割的數據集。
四、行業領導者
最近，投資者開始把錢投向自動駕駛系統商業化競賽潛力股。自2016年以來，特斯拉的估值一直在飆升。這使得承銷商推測，該公司將在幾年內產生一支自動駕駛車隊。
此外，自 2017 年報導，通用汽車計劃製造無人駕駛汽車以來，該公司股價已經上漲了 20％。截止 2018 年 7月，Waymo 已經在美國對其自動駕駛汽車，進行了 800 萬英里的測試。
在 2018 年度，通用汽車和 Waymo 事故最少：通用汽車在 212公里以上，發生了22次碰撞，而 Waymo 在 563 公里以上，只發生了 3 次碰撞。除了行業巨頭，世界一流大學也加快了自主駕駛的發展。這些大學都很好地展開了，產學研相結合的模式。這使大學更好地為企業、經濟和社會做出貢獻。
此外，自 2017 年報導，通用汽車計劃製造無人駕駛汽車以來，該公司股價已經上漲了 20％。截止 2018 年 7月，Waymo 已經在美國對其自動駕駛汽車，進行了 800 萬英里的測試。
在 2018 年度，通用汽車和 Waymo 事故最少：通用汽車在 212公里以上，發生了22次碰撞，而 Waymo 在 563 公里以上，只發生了 3 次碰撞。除了行業巨頭，世界一流大學也加快了自主駕駛的發展。這些大學都很好地展開了，產學研相結合的模式。這使大學更好地為企業、經濟和社會做出貢獻。
應用場景：自動駕駛技術，可以應用於任何類型的車輛，如計程車、長途汽車、旅遊巴士、貨車等。這些交通工具，不僅可以使人們從勞動密集型，和單調乏味的工作中解脫出來，而且可以確保他們的安全。
例如，配備自動駕駛技術的道路品質評估，車輛可以修復檢測到的道路損傷。此外，使用自動駕駛技術，道路參與者可以相互溝通，公共交通將更加高效和安全。
例如，配備自動駕駛技術的道路品質評估，車輛可以修復檢測到的道路損傷。此外，使用自動駕駛技術，道路參與者可以相互溝通，公共交通將更加高效和安全。
五、現存挑戰
儘管自動駕駛技術，在過去的十年中發展迅速，但仍然存在許多挑戰。例如，感知模組在惡劣的天氣，和/或光照條件下，或在複雜的城市環境中，表現不佳。
此外，大多數感知方法，通常是計算密集型的，不能在嵌入式和資源有限的硬體上，即時運行。此外，由於長期不穩定性，目前 SLAM 方法，在大規模實驗中的應用仍然有限。
另一個重要的問題，是如何融合自動駕駛汽車感測器數據，以快速、經濟的方式，創建更準確的三維語義詞。此外，人們何時才能真正接受自動駕駛和自動駕駛汽車，仍然是一個值得討論話題，由此也引發了嚴重的倫理問題的探討。
此外，大多數感知方法，通常是計算密集型的，不能在嵌入式和資源有限的硬體上，即時運行。此外，由於長期不穩定性，目前 SLAM 方法，在大規模實驗中的應用仍然有限。
另一個重要的問題，是如何融合自動駕駛汽車感測器數據，以快速、經濟的方式，創建更準確的三維語義詞。此外，人們何時才能真正接受自動駕駛和自動駕駛汽車，仍然是一個值得討論話題，由此也引發了嚴重的倫理問題的探討。
 |
|
任何顏色車牌——都拍攝的清清楚楚！
|
 |
0 comments:
張貼留言