Self Driving Car How It Works Tech 10 Systems Autonomous Cars Need Commercia
在自動駕駛技術問題中，定位技術（自身定位以及對周圍環境相對位置的認知）似乎是無人駕駛汽車最難掌握的技術，這與城市的動態性質有關。例如施工路面、封閉道路、新標誌和缺失的道路標誌等，都是這種動態性和不確定性的例子。
 |
| What Tech Will it Take to Put Self-Driving Cars on the Road ... |
目前沒有方法可以完美地解決，自動駕駛汽車的定位問題，但以下幾種是當前最為有效，也最有希望解決問題的辦法。不同公司有不同的傾向性選擇，本文將根據具體的策略，對三種定位方法進行介紹。
自從特斯拉和 Waymo 等公司出現以來，車企對自動駕駛技術的關注愈發增加。這種情況在 2018 年更甚，從而加速了無人駕駛汽車盡快落地的可能。
無人駕駛的實現前途光明，但道路曲折。目前自動駕駛仍然面臨很多難題，例如需要快速而連續地分析數據流、需要做對機器來說很繁瑣，但對人類來說只是雞毛蒜皮的一些小事等。具體來說，物體檢測、距離、速度、定位，和交通法規等都是在駕駛過程中，做決策時需要考慮的因素。
為了達到 SAE 標準中的 L5 級別，電腦駕駛系統需要能夠執行上述所有基本任務，找到針對不同問題的技術解決方案。以下列出了幾種主要的自動駕駛技術難題及解決方案：
為了達到 SAE 標準中的 L5 級別，電腦駕駛系統需要能夠執行上述所有基本任務，找到針對不同問題的技術解決方案。以下列出了幾種主要的自動駕駛技術難題及解決方案：
距離：雷射雷達（光探測和測距）
速度：雷達（無線電探測器）
物體探測：攝影機、圖像處理和機器學習
交通法規：物體檢測（用於交通信號燈和標誌）、圖像處理（用於車道檢測）和對本地數據的訪問
路徑規劃：軟體算法（如A＊搜索算法）
定位：同時定位與地圖創建（Simultaneous Localization and Mapping，SLAM）或預先製作的 3D 地圖，在上述所有問題中，定位技術（自身定位以及對周圍環境相對位置的認知）似乎是無人駕駛汽車最難掌握的技術，這與城市的動態性質有關。例如施工路面、封閉道路、新標誌和缺失的道路標誌等，都是這種動態性和不確定性的例子。
人類面對以上，隨時隨地可能發生改變的因素，都會感到困惑，更不用說機器了。目前沒有方法，可以完美地解決自動駕駛汽車的定位問題，但以下幾種是當前最為有效，也最有希望解決問題的辦法。不同公司有不同的傾向性選擇，本文將根據具體的公司策略，對三種定位方法進行介紹。
1．以特斯拉為代表的視覺 SLAM 定位
以特斯拉為例的一類企業傾向於使用基於視覺的Visual SLAM（簡稱VSLAM）技術進行定位，他們將盡可能多的視覺傳感器置入汽車中，不依靠預先錄製的地圖，而是希望將圖像處理和機器學習結合起來，讓特斯拉車輛能夠對周圍環境，做到即時瞭解。
 |
| What Is SLAM? How Self-Driving Cars Know Where They Are |
特斯拉的目標非常明確，即建造可以在任何條件下，駕駛的車輛，而不受周圍環境的影響。前段時間特斯拉的晶片發表會上，因馬斯克 diss 雷射雷達，還引起了一場軒然大波。
馬斯克說，使用雷射雷達的定位方法，擺脫了「醜陋，昂貴且不必要」的繪圖設備，為此付出的代價，是在處理不確定性時，更加依賴相機和軟體。
馬斯克說，使用雷射雷達的定位方法，擺脫了「醜陋，昂貴且不必要」的繪圖設備，為此付出的代價，是在處理不確定性時，更加依賴相機和軟體。
特斯拉人工智慧高級主管 Andrej Karpathy 強調，物理數據的作用是無法代替的，相對於利用雷射雷達，建立虛擬高精地圖來說，特斯拉更相信現實的物理數據，看圖比看雷達更真實。
目前，使用 VSLAM 實現定位的自動駕駛車輛，主要配備三類感測器：單目、雙目（或多目）、RGBD。此外還有魚眼、全景等特殊攝影機，由於在研究和產品中，都屬於少數在此不做介紹。就實現難度而言，這三類方法難易程度，從難到易依次為：單目視覺、雙目視覺、RGBD。
在定位過程中，VSLAM自動駕駛車輛，從一個未知環境中的未知地點出發，在運動過程中，透過以上這些視覺感測器，觀測定位自身位置、姿態、運動軌跡，再根據自身位置，進行增量式的地圖建構，從而達到同時定位和地圖建構的目的。
定位和建圖是兩個相輔相成的過程，地圖可以提供更好的定位，而定位也可以進一步擴建地圖。VSLAM 技術框架如下，主要包括感測器數據預處理、前端、後端、回環檢測、建圖。
2．以通用/賓士/福特為代表的高精地圖定位
通用汽車和賓士，都看好透過雷射雷達或GPS，預先製作的高精地圖，來進行定位的方法。通用汽車於2017年，收購了自己的雷射雷達供應商。福特與百度合作，向一家雷射雷達供應商Velodyne 投資 1.5 億美元，賓士也與 Velodyne 簽訂雷射雷達供應合約。
雷射雷達是非常傳統的定位感測器。它可以提供機器人本身，與周圍環境障礙物間的距離資訊。常見的雷射雷達有 SICK、Velodyne、Rplidar 等。使用雷射雷達製作高精地圖，實際上就是利用雷射點雲融合技術，進行雷射雷達掃描，返回場景分布點的技術。
雷射點雲融合的技術又分為兩種，一是基於點雲融合的算法，其應用場景較廣，不僅限於GPS場景；第二種是基於比較精確的差分 GPS 和精確慣導（IMU，慣性測量單元），其對場景依賴較強，必須在比較開闊的場景使用，對於高架橋等GPS信號弱的場景效果不佳。
用圖像和 GPS 技術解決方案精度比較差，主要用來製作 L2、L3 的 ADAS 地圖，而雷射點雲則可以滿足 L4、L5 的需求。
用圖像和 GPS 技術解決方案精度比較差，主要用來製作 L2、L3 的 ADAS 地圖，而雷射點雲則可以滿足 L4、L5 的需求。
這類車輛依賴於預先記錄好的 3D 高解析度地圖，而這些地圖是使用配備雷射雷達的車輛預先捕獲的。然後，自動駕駛車輛可以使用其自身配備的雷射雷達設備，獲取周邊環境的資訊，與預先製作的高精地圖進行比對，判斷環境是否已經改變，然後在地圖涵蓋區域內，實現自動駕駛。
這顯示了相對來說更加廣泛的自動駕駛策略。為了保持地圖的準確性和車輛的可用性，需要市政當局和汽車製造商之間，更廣泛的合作，以創建和維護最新的高精度地圖，供車輛使用。
以凱迪拉克的超級巡航系統為例，只有當車身雷達獲取的資訊，與高精地圖資訊一致，並透過安全檢查時，車輛才能在預存了高精地圖的高速公路上導航行駛。
這種方法提供了高度的可靠性和可預測性，但高精地圖所需要處理的數據量巨大，必須使用數據中心電腦集群來做處理，並且涉及很多並行計算和處理，這些對數據處理能力都是極大的考驗。
這種方法提供了高度的可靠性和可預測性，但高精地圖所需要處理的數據量巨大，必須使用數據中心電腦集群來做處理，並且涉及很多並行計算和處理，這些對數據處理能力都是極大的考驗。
高精地圖的即時更新也相當重要，道路環境有可能在不斷的變化，需要實現快速有效的更新。以上這些由於記錄地圖，和使用雷射雷達設備製造車輛所需的努力，都使得實現無人駕駛，所付出的成本相對更高。
3．以福斯為代表的車聯網定位
自動駕駛定位的另一種方法，不關注如何使汽車更靈活地適應環境，而是關注如何讓環境為自動駕駛汽車服務，即創造更智慧的環境。這減輕了車輛的負擔，使其能夠找出其環境中的所有不確定因素。
在這種情況下，變化的環境因素會自己「找上門」，讓車輛更準確地瞭解到周圍環境的狀況，建築物可以直接「告訴」進入的汽車建築區域，和臨時車道的具體位置。
在這種情況下，變化的環境因素會自己「找上門」，讓車輛更準確地瞭解到周圍環境的狀況，建築物可以直接「告訴」進入的汽車建築區域，和臨時車道的具體位置。
福斯汽車一直在努力建立自己，作為 V2X 技術先驅的身份。在 2017 年福斯就宣佈所有 2019 年的車型，都將配備完整的 V2X 功能套件。這些連接將提供大約 500 米以內的交通狀況、事故，和與當地環境共享的其他交通狀況資訊，甚至更廣。
透過車聯網方法，進行定位的車輛透過 GPS、RFID、感測器、攝影機圖像處理等裝置，在由車輛位置、速度和路線等資訊，構成的巨大交互網路中，完成自身環境和狀態資訊的採集。
在網路資料庫中，所有車輛將自身的各種資訊，傳輸匯聚到中央處理器，實現位置資訊的交互共享。目前，對岸中國強制要求所有營運車輛，都要轉配車載定位終端，同時接入相關企業服務平台，並最終接入省部級服務平台。
在網路資料庫中，所有車輛將自身的各種資訊，傳輸匯聚到中央處理器，實現位置資訊的交互共享。目前，對岸中國強制要求所有營運車輛，都要轉配車載定位終端，同時接入相關企業服務平台，並最終接入省部級服務平台。
具體來說，車輛節點的定位和位置感知技術是車聯網的技術核心。定位強調位置資訊的唯一性，即定位得到的是真實的地理坐標資訊，而位置感知側重於節點之間，在位置上的相對性，反映的是移動節點，在時間維度和空間維度上的軌跡。
位置感知中，其位置資訊是參照錨節點來計算的，而錨節點的產生，視不同的算法實現而不同，主要採用非測距技術（Renge－free）來定位。無線測距的基本原理分為三邊測量法、三角測量法、極大似然估計法和質心算法四種類型。
三邊測量法原理比較簡單，是在已知三個錨節點 2D 座標資訊的前提下，就可以計算出1個未知節點的位置資訊；三角測量法的原理，是在網路中選定一系列的錨節點，構成相互連接的三角形，透過測量某一三角形的三個角節點，到某一位置節點的相對水平角度，來對節點進行定位；
極大似然估計法的原理，是一句 N 個錨節點的座標，以及到未知節點的距離，來對節點進行定位；質心算法中的質心，是指多邊形的幾何中心。
質心算法的實現原理，是網路中的錨節點週期性地廣播，用於標識節點自身身份標識，和座標未知的分組，當未直接點接受到的錨節點的分組，達到一個門限值時，或接受錨節點分組的時間達到預設值時，將由這些錨節點組成一個多邊形，該多邊形的質心，便是該未知節點的座標。
質心算法的實現原理，是網路中的錨節點週期性地廣播，用於標識節點自身身份標識，和座標未知的分組，當未直接點接受到的錨節點的分組，達到一個門限值時，或接受錨節點分組的時間達到預設值時，將由這些錨節點組成一個多邊形，該多邊形的質心，便是該未知節點的座標。
車聯網的定位技術，則是透過合理部署，在城市交通道路周邊的RSU，利用無線測距技術，實現對移動中車聯的即時定位。目前所採用的技術主要有，利用接收信號強度值（RSSI）、到達時間（TOA）、到達時間差（TDOA）、到達角度（AOA）及到達頻率差（FDOA）等。
FDOA 定位技術具有無模糊區、精度高等優點，它可以與TDOA 等定位技術結合，實現更加完善的定位功能，成為車聯網定位技術的一個發展方向。在此不做具體介紹。
FDOA 定位技術具有無模糊區、精度高等優點，它可以與TDOA 等定位技術結合，實現更加完善的定位功能，成為車聯網定位技術的一個發展方向。在此不做具體介紹。
雖然目前對車聯網定位和感知技術的研究，取得了一定的成果，但仍然有很多問題，需要進一步解決，主要體現在專門針對車聯網的定位和感知技術、室外移動 3D 定位技術、精準無縫的協作定位等方面。
當然，能夠輔助實現定位目的的有例如 GPS 、衛星、雷射雷達、攝影機及其他多種感測器，本文介紹的三種方法，是實現自動駕駛定位的三種不同思路，思路上的不同並不排斥具體使用技術上的借鑒與融合。
技術只是自動駕駛的一個方面，道路安全法律法規，也需要適應自動駕駛市場的變化。今年福特、通用和豐田，在自動駕駛汽車相關安全法規上，就達成了合作夥伴關係。
另外，在人類社會不斷向前發展的進程中，經驗是一個不可忽視的關鍵因素，無論現時段自動駕駛，面臨了什麼小成就和大挫折，都必須清楚地明白一點：我們生活在技術不斷創新的時代，新技術解決新困難，時間會說明自動駕駛，是如何向我們一步步走來的。
沒有留言:
張貼留言