無(wú)人駕駛技術(shù)書

無(wú)人駕駛技術(shù)HYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINKHYPERLINK基于ROS的無(wú)人駕駛系統(tǒng)HYPERLINK9無(wú)人駕駛的硬件平臺(tái)11111110.10無(wú)人駕駛系統(tǒng)安全1.11基于Spark與ROS的分布式無(wú)人駕駛模擬平臺(tái)2.12無(wú)人駕駛中的高精度地圖3.13無(wú)人駕駛的未來(lái)4.開始閱讀5.書名頁(yè)6.正文1無(wú)人車：正在開始的未來(lái)我們已經(jīng)拉開了全自動(dòng)無(wú)人駕駛的序幕，在幕布之后精彩的未來(lái)將如何，讓我們先回顧一下硅谷的發(fā)展歷史，再以此展望無(wú)人駕駛的未來(lái)。如圖1-1所示，現(xiàn)代信息技術(shù)始于20世紀(jì)60年代，仙童電子和Intel通過硅晶體微處理器技術(shù)的創(chuàng)新開創(chuàng)了信息技術(shù)的新時(shí)代，這也是硅谷的起源。微處理器技術(shù)極大地提高了工業(yè)化生產(chǎn)力，推進(jìn)了現(xiàn)代工業(yè)的發(fā)展。20世紀(jì)80年代，隨著XeroxAlto、AppleLisa及MicrosoftWindows等軟件系統(tǒng)的發(fā)展，圖形界面被廣泛應(yīng)用，個(gè)人電腦的概念出現(xiàn)并開始普及，現(xiàn)代信息技術(shù)以此為基礎(chǔ)普惠眾人。圖1-1現(xiàn)代信息技術(shù)發(fā)展史21世紀(jì)初，在個(gè)人電腦逐步普及并被大規(guī)模應(yīng)用的背景下，Google的出現(xiàn)通過互聯(lián)網(wǎng)和搜索引擎的方式將人與浩瀚如星海的信息互聯(lián)起來(lái)了，至此，現(xiàn)代信息技術(shù)發(fā)展到了第三階段。始于2004年的Facebook通過革新的社交網(wǎng)絡(luò)模式將現(xiàn)代信息技術(shù)推進(jìn)到了第四階段。至此，人類的交往互聯(lián)方式從線下擴(kuò)展到了線上，人類社會(huì)在萬(wàn)維網(wǎng)上有了初始的遷移并逐步地成熟完善。隨著互聯(lián)網(wǎng)人口規(guī)模的膨脹，Airbnb與Uber等公司通過共享經(jīng)濟(jì)的思維把人類社會(huì)的經(jīng)濟(jì)模式直接推廣到了互聯(lián)網(wǎng)社會(huì)，利用互聯(lián)網(wǎng)+移動(dòng)設(shè)備等直接連接不同用戶的經(jīng)濟(jì)行為，得到了大范圍的成功。信息技術(shù)每一階段的發(fā)展及其隨后驅(qū)動(dòng)的革新，都極大地改變了人類對(duì)信息的訪問需求和獲取方式。尤其對(duì)后幾個(gè)階段而言，互聯(lián)網(wǎng)是一個(gè)基礎(chǔ)性條件，大多數(shù)的服務(wù)是通過互聯(lián)網(wǎng)傳達(dá)給終端用戶的。現(xiàn)在，我們走到了信息技術(shù)發(fā)展的第六階段，機(jī)器人開始作為服務(wù)的承載體出現(xiàn)，其中的一個(gè)具體事例就是無(wú)人駕駛的產(chǎn)品化。無(wú)人駕駛并不是一個(gè)單一的新技術(shù)，而是一系列技術(shù)的整合，通過眾多技術(shù)的有效融合，在無(wú)人駕車的情況下安全地送達(dá)乘客。本章會(huì)介紹無(wú)人駕駛的分級(jí)、ADAS中的關(guān)鍵應(yīng)用、無(wú)人駕駛中涉及的多項(xiàng)技術(shù)并討論如何安全高效地在無(wú)人駕駛系統(tǒng)中完成技術(shù)的整合。正在走來(lái)的無(wú)人駕駛預(yù)計(jì)到2021年，無(wú)人車將進(jìn)入市場(chǎng)，從此開啟一個(gè)嶄新的階段。[1]世界經(jīng)濟(jì)論壇估計(jì)，汽車行業(yè)的數(shù)字化變革將創(chuàng)造670億美元的價(jià)值，帶來(lái)3.1萬(wàn)億美元的社會(huì)效益，[2]其中包括無(wú)人車的改進(jìn)、乘客互聯(lián)及整個(gè)交通行業(yè)生態(tài)系統(tǒng)的完善。據(jù)估計(jì)，半自動(dòng)駕駛和全自動(dòng)駕駛汽車在未來(lái)幾十年的市場(chǎng)潛力相當(dāng)大。例如，到2035年，僅中國(guó)就將有約860萬(wàn)輛自動(dòng)駕駛汽車，其中約340萬(wàn)輛為全自動(dòng)無(wú)人駕駛，520萬(wàn)輛為半自動(dòng)駕駛。[3]有行業(yè)主管部門人士認(rèn)為，“中國(guó)轎車的銷售，巴士、出租車和相關(guān)交通服務(wù)年收入有望超過1.5萬(wàn)億美元?！辈ㄊ款D咨詢集團(tuán)預(yù)測(cè)，“無(wú)人車的全球市場(chǎng)份額要達(dá)到25%，需要花15～20年的時(shí)間?！庇捎跓o(wú)人車預(yù)計(jì)到2021年才上市，這意味著2035—2040年，無(wú)人車將占全球市場(chǎng)25%的份額。無(wú)人駕駛之所以會(huì)給汽車行業(yè)帶來(lái)如此大的變革，是因?yàn)闊o(wú)人車帶來(lái)的影響是空前的。研究表明，在增強(qiáng)高速公路安全、緩解交通擁堵、減少空氣污染等領(lǐng)域，無(wú)人駕駛會(huì)帶來(lái)顛覆性的改善。1.增強(qiáng)高速公路安全高速公路事故是全世界面臨的重大問題。在美國(guó)，每年估計(jì)有35000人死于車禍，在中國(guó)這一數(shù)字約為260000人。[4]日本每年高速公路事故死亡人數(shù)為4000左右。[5]根據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，全世界每年有124萬(wàn)人死于高速公路事故。[6]據(jù)估計(jì)，致命車禍每年會(huì)造成2600億美元的損失，而車禍致傷會(huì)帶來(lái)3650億美元的損失。高速公路事故每年導(dǎo)致6250億美元的損失。[7]美國(guó)蘭德公司研究顯示，“在2011年車禍死亡事故中39%涉及酒駕。”[8]幾乎可以肯定，在這方面，無(wú)人車將帶來(lái)大幅改善，避免車禍傷亡。在中國(guó)，約有60%的交通事故和騎車人、行人或電動(dòng)自行車與小轎車和卡車相撞有關(guān)。[9]在美國(guó)的機(jī)動(dòng)車事故中，有94%與人為失誤有關(guān)。[10]美國(guó)高速公路安全保險(xiǎn)研究所的一項(xiàng)研究表明，全部安裝自動(dòng)安全裝置能使高速公路事故死亡數(shù)量減少31%，每年將挽救11000條生命。[11]這類裝置包括前部碰撞警告體系、碰撞制動(dòng)、車道偏離警告和盲點(diǎn)探測(cè)。2.緩解交通擁堵交通擁堵幾乎是每個(gè)大都市都面臨的問題。以美國(guó)為例，每位司機(jī)每年平均遇到40小時(shí)的交通堵塞，年均成本為1210億美元。[12]在莫斯科、伊斯坦布爾、墨西哥城或里約熱內(nèi)盧，浪費(fèi)的時(shí)間更長(zhǎng)，“每位司機(jī)每年將在交通擁堵中度過超過100小時(shí)。[13]在中國(guó)，汽車數(shù)量超過100萬(wàn)輛的城市有35個(gè)，超過200萬(wàn)輛的城市有10個(gè)。在最繁忙的市區(qū)，約有75%的道路會(huì)出現(xiàn)高峰擁堵?！敝袊?guó)私家車總數(shù)已達(dá)1.26億輛，同比增加15%，[14]僅北京就有560萬(wàn)輛汽車。[15]DonaldShoup的研究發(fā)現(xiàn)，都市區(qū)30%的交通擁堵是由于司機(jī)為了尋找附近的停車場(chǎng)而在商務(wù)區(qū)繞圈造成的。[16]這是交通擁擠、空氣污染和環(huán)境惡化的重要原因?！霸谠斐蓺夂蜃兓亩趸寂欧胖屑s有30%來(lái)自汽車”。[17]另外，根據(jù)估算，在都市中有23%～45%的交通擁堵中發(fā)生在道路交叉處。[18]交通燈和停車標(biāo)志不能發(fā)揮作用，因?yàn)樗鼈兪庆o止的，無(wú)法將交通流量考慮其中。綠燈或紅燈是按照固定間隔提前設(shè)定好的，不管某個(gè)方向的車流量有多大。一旦無(wú)人車逐漸投入使用，并占到車流量比較大的比例，車載感應(yīng)器將能夠與智能交通系統(tǒng)聯(lián)合工作，優(yōu)化道路交叉口的車流量。紅綠燈的間隔也將是動(dòng)態(tài)的，根據(jù)道路車流量實(shí)時(shí)變動(dòng)。這樣可以通過提高車輛通行效率，緩解擁堵。3.疏解停車難問題完成停車時(shí)，無(wú)人車能將每側(cè)人為預(yù)留的空間減少10厘米，每個(gè)停車位就可以減少1.95平方米，此外層高也可以按照車身進(jìn)行設(shè)計(jì)。通過無(wú)人車與傳統(tǒng)汽車使共享車庫(kù)，所需要的車庫(kù)空間將減少26%。如果車庫(kù)直供自動(dòng)泊車汽車使用，則所需的車庫(kù)空間將減少62%。節(jié)省的土地可以用于建設(shè)其他對(duì)行車和行人更加友好的街道，同時(shí)也節(jié)省了消費(fèi)者停車和取車的時(shí)間。4.減少空氣污染汽車是造成空氣質(zhì)量下降的主要原因之一。蘭德公司的研究表明，“無(wú)人駕駛技術(shù)能提高燃料效率，通過更順暢的加速、減速，能比手動(dòng)駕駛提高4%～10%的燃料效率。”[19]由于工業(yè)區(qū)的煙霧與汽車數(shù)量有關(guān)，增加無(wú)人車的數(shù)量能減少空氣污染。一項(xiàng)2016年的研究估計(jì)，“等紅燈或交通擁堵時(shí)汽車造成的污染比車輛行駛時(shí)高40%?！盵20]無(wú)人車共享系統(tǒng)也能帶來(lái)減排和節(jié)能的好處。德克薩斯大學(xué)奧斯汀分校的研究人員研究了二氧化硫、一氧化碳、氮氧化物、揮發(fā)性有機(jī)化合物、溫室氣體和細(xì)小顆粒物。結(jié)果發(fā)現(xiàn)，“使用無(wú)人車共享系統(tǒng)不僅節(jié)省能源，還能減少各種污染物的排放?！盵21]約車公司Uber發(fā)現(xiàn)，該公司在舊金山和洛杉磯的車輛出行中分別有50%和30%是多乘客拼車。在全球范圍內(nèi)，這一數(shù)字為20%。[22]無(wú)論是傳統(tǒng)車，還是無(wú)人車，拼車的乘客越多，對(duì)環(huán)境越好，也越能緩解交通擁堵。改變一車一人的模式將能大大改善空氣質(zhì)量。自動(dòng)駕駛的分級(jí)2013年，美國(guó)國(guó)家公路交通安全管理局（NHTSA，制定各種監(jiān)管和標(biāo)準(zhǔn)）發(fā)布了汽車自動(dòng)化的五級(jí)標(biāo)準(zhǔn)，將自動(dòng)駕駛功能分為5個(gè)級(jí)別：0～4級(jí)[23]，以應(yīng)對(duì)汽車主動(dòng)安全技術(shù)的爆發(fā)增長(zhǎng)。先看NHTSA下的定義，如圖1-2所示。（1）Level0：無(wú)自動(dòng)化。沒有任何自動(dòng)駕駛功能、技術(shù)，司機(jī)對(duì)汽車所有功能擁有絕對(duì)控制權(quán)。駕駛員需要負(fù)責(zé)啟動(dòng)、制動(dòng)、操作和觀察道路狀況。任何駕駛輔助技術(shù)，只要仍需要人控制汽車，都屬于Level0。所以現(xiàn)有的前向碰撞預(yù)警、車道偏離預(yù)警，以及自動(dòng)雨刷和自動(dòng)前燈控制，雖然有一定的智能化，但是都仍屬于Level0。圖1-2NHTSA和SAE對(duì)自動(dòng)駕駛的分級(jí)比較2）Level1：?jiǎn)我还δ芗?jí)的自動(dòng)化。駕駛員仍然對(duì)行車安全負(fù)責(zé)，不過可以放棄部分控（制權(quán)給系統(tǒng)管理，某些功能已經(jīng)自動(dòng)進(jìn)行，比如常見的自適應(yīng)巡航（AdaptiveCruiseControl，ACC）、應(yīng)急剎車輔助（EmergencyBrakeAssist，EBA）和車道保持（Lane-KeepSupport，LKS）。Level1的特點(diǎn)是只有單一功能，駕駛員無(wú)法做到手和腳同時(shí)不操控。（3）Level2：部分自動(dòng)化。司機(jī)和汽車來(lái)分享控制權(quán)，駕駛員在某些預(yù)設(shè)環(huán)境下可以不操作汽車，即手腳同時(shí)離開控制，但駕駛員仍需要隨時(shí)待命，對(duì)駕駛安全負(fù)責(zé)，并隨時(shí)準(zhǔn)備在短時(shí)間內(nèi)接管汽車駕駛權(quán)。比如結(jié)合了ACC和LKS形成的跟車功能。Level2的核心不在于要有兩個(gè)以上的功能，而在于駕駛員可以不再作為主要操作者。Tesla推送的autopilot也是Level2的功能。（4）Level3：有條件自動(dòng)化。在有限情況下實(shí)現(xiàn)自動(dòng)控制，比如在預(yù)設(shè)的路段（如高速和人流較少的城市路段），汽車自動(dòng)駕駛可以完全負(fù)責(zé)整個(gè)車輛的操控，但是當(dāng)遇到緊急情況，駕駛員仍需要在某些時(shí)候接管汽車，但有足夠的預(yù)警時(shí)間，如即將進(jìn)入修路的路段（Roadworkahead）。Level3將解放駕駛員，即對(duì)行車安全不再負(fù)責(zé)，不必監(jiān)視道路狀況。（5）Level4：完全自動(dòng)化（無(wú)人駕駛），無(wú)須司機(jī)或乘客的干預(yù)。在無(wú)須人協(xié)助的情況下由出發(fā)地駛向目的地。僅需起點(diǎn)和終點(diǎn)信息，汽車將全程負(fù)責(zé)行車安全，并完全不依賴駕駛員干涉。行車時(shí)可以沒有人乘坐（如空車貨運(yùn)）。另一個(gè)對(duì)自動(dòng)駕駛的分級(jí)來(lái)自美國(guó)機(jī)動(dòng)工程師協(xié)會(huì)（SAE），其定義自動(dòng)駕駛技術(shù)共分為0～5級(jí)。[24]SAE的定義在自動(dòng)駕駛0～3級(jí)與NHTSA一致，分別強(qiáng)調(diào)的是無(wú)自動(dòng)化、駕駛支持、部分自動(dòng)化與條件下的自動(dòng)化。唯一的區(qū)別在于SAE對(duì)NHTSA的完全自動(dòng)化進(jìn)行了進(jìn)一步細(xì)分，強(qiáng)調(diào)了行車對(duì)環(huán)境與道路的要求。SAE-Level4下的自動(dòng)駕駛需要在特定的道路條件下進(jìn)行，比如封閉的園區(qū)或者固定的行車線路等，可以說(shuō)是面向特定場(chǎng)景下的高度自動(dòng)化駕駛。SAE-Level5則對(duì)行車環(huán)境不加限制，可以自動(dòng)地應(yīng)對(duì)各種復(fù)雜的車輛、新人和道路環(huán)境。綜上所述，不同Level所實(shí)現(xiàn)的自動(dòng)駕駛功能也是逐層遞增的，ADAS（AdvancedDrivingAssistantSystem）即高級(jí)駕駛輔助系統(tǒng)，屬于自動(dòng)駕駛0～2級(jí)。如表1-1所示，L0中實(shí)現(xiàn)的功能僅能夠進(jìn)行傳感探測(cè)和決策報(bào)警，比如夜視系統(tǒng)、交通標(biāo)識(shí)識(shí)別、行人檢測(cè)、車道偏離警告等。L1實(shí)現(xiàn)單一控制類功能，如支持主動(dòng)緊急制動(dòng)、自適應(yīng)巡航控制系統(tǒng)等，只要實(shí)現(xiàn)其中之一就可達(dá)到L1。L2實(shí)現(xiàn)了多種控制類功能，如具有AEB和LKA等功能的車輛。L3實(shí)現(xiàn)了特定條件下的自動(dòng)駕駛，當(dāng)超出特定條件時(shí)將由人類駕駛員接管駕駛。SAE中的L4是指在特定條件下的無(wú)人駕駛，如封閉園區(qū)固定線路的無(wú)人駕駛等，例如百度在烏鎮(zhèn)景區(qū)運(yùn)營(yíng)的無(wú)人駕駛服務(wù)。而SAE中的L5就是終極目標(biāo)，完全無(wú)人駕駛。無(wú)人駕駛就是自動(dòng)駕駛的最高級(jí)，它是自動(dòng)駕駛的最終形態(tài)。表1-1逐層遞增的自動(dòng)駕駛功能全自動(dòng)無(wú)人車可能比半自動(dòng)駕駛汽車更安全，因?yàn)槠淇梢栽谲囕v行駛時(shí)排除人為錯(cuò)誤和不明智的判斷。例如，弗吉尼亞理工大學(xué)交通學(xué)院的調(diào)查表明，“L3級(jí)自動(dòng)駕駛車輛的司機(jī)回應(yīng)接管車輛的請(qǐng)求平均需要17秒，而在這個(gè)時(shí)間內(nèi)，一輛時(shí)速65英里（105千米）的汽車已經(jīng)開出1621英尺（494米）——超過5個(gè)足球場(chǎng)的長(zhǎng)度?！卑俣鹊墓こ處熞舶l(fā)現(xiàn)了類似的結(jié)果。司機(jī)從看到路面物體到踩剎車需要1.2秒，遠(yuǎn)遠(yuǎn)長(zhǎng)于車載計(jì)算機(jī)所用的0.2秒。這一時(shí)間差意味著，如果汽車時(shí)速是120千米（75英里），等到司機(jī)停車時(shí)，車子已經(jīng)開出了40米（44碼），而如果是車載計(jì)算機(jī)做判斷，則開出的距離只有6.7米（7碼）。在很多事故中，這一差距將決定乘客的生死。由此可見，站在自動(dòng)駕駛最高級(jí)的無(wú)人駕駛才是汽車行業(yè)未來(lái)發(fā)展的“終極目標(biāo)”。1無(wú)人駕駛系統(tǒng)簡(jiǎn)介無(wú)人駕駛系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，如圖1-3所示，系統(tǒng)主要由三部分組成：算法端、Client端和云端。其中算法端包括面向傳感、感知和決策等關(guān)鍵步驟的算法；Client端包括機(jī)器人操作系統(tǒng)及硬件平臺(tái)；云端包括數(shù)據(jù)存儲(chǔ)、模擬、高精度地圖繪制及深度學(xué)習(xí)模型訓(xùn)練。圖1-3無(wú)人駕駛系統(tǒng)架構(gòu)圖算法端從傳感器原始數(shù)據(jù)中提取有意義的信息以了解周遭的環(huán)境情況，并根據(jù)環(huán)境變化做出決策。Client端融合多種算法以滿足實(shí)時(shí)性與可靠性的要求。舉例來(lái)說(shuō)，傳感器以60Hz的速度產(chǎn)生原始數(shù)據(jù)，Client端需要保證最長(zhǎng)的流水線處理周期也能在16ms內(nèi)完成。云平臺(tái)為無(wú)人車提供離線計(jì)算及存儲(chǔ)功能。通過云平臺(tái)，我們能夠測(cè)試新的算法、更新高精度地圖并訓(xùn)練更加有效的識(shí)別、追蹤和決策模型。1.3.1無(wú)人駕駛算法算法系統(tǒng)由幾部分組成：第一，傳感，并從傳感器原始數(shù)據(jù)中提取有意義信息；第二，感知，以定位無(wú)人車所在位置及感知現(xiàn)在所處的環(huán)境；第三，決策，以便可靠、安全地抵達(dá)目的地。1.傳感通常來(lái)說(shuō)，一輛無(wú)人車裝備有許多不同類型的主傳感器。每一種類型的傳感器各自有不同的優(yōu)劣，因此，來(lái)自不同傳感器的傳感數(shù)據(jù)應(yīng)該有效地進(jìn)行融合?，F(xiàn)在無(wú)人駕駛中普遍使用的傳感器包括以下幾種。（1）GPS/IMU：GPS/IMU傳感系統(tǒng)通過高達(dá)200Hz頻率的全球定位和慣性更新數(shù)據(jù)，以幫助無(wú)人車完成自我定位。GPS是一個(gè)相對(duì)準(zhǔn)確的定位用傳感器，但是它的更新頻率過低，僅有10Hz，不足以提供足夠?qū)崟r(shí)的位置更新。IMU的準(zhǔn)確度隨著時(shí)間降低，因此在長(zhǎng)時(shí)間距離內(nèi)并不能保證位置更新的準(zhǔn)確性；但是，它有著GPS所欠缺的實(shí)時(shí)性，IMU的更新頻率可以達(dá)到200Hz或者更高。通過整合GPS與IMU，我們可以為車輛定位提供既準(zhǔn)確又足夠?qū)崟r(shí)的位置更新。（2）LIDAR：激光雷達(dá)可被用來(lái)繪制地圖、定位及避障。雷達(dá)的準(zhǔn)確率非常高，因此在無(wú)人車設(shè)計(jì)中雷達(dá)通常被作為主傳感器使用。激光雷達(dá)是以激光為光源，通過探測(cè)激光與被探測(cè)物相互作用的光波信號(hào)來(lái)完成遙感測(cè)量。激光雷達(dá)可以用來(lái)產(chǎn)生高精度地圖，并針對(duì)高精地圖完成移動(dòng)車輛的定位，以及滿足避障的要求。以Velodyne64-束激光雷達(dá)為例，它可以完成10Hz旋轉(zhuǎn)并且每秒可達(dá)到130萬(wàn)次讀數(shù)。（3）攝像頭：攝像頭被廣泛使用在物體識(shí)別及物體追蹤等場(chǎng)景中，在車道線檢測(cè)、交通燈偵測(cè)、人行道檢測(cè)中都以攝像頭為主要解決方案。為了加強(qiáng)安全性，現(xiàn)有的無(wú)人車實(shí)現(xiàn)通常在車身周圍使用至少八個(gè)攝像頭，分別從前、后、左、右四個(gè)維度完成物體發(fā)現(xiàn)、識(shí)別、追蹤等任務(wù)。這些攝像頭通常以60Hz的頻率工作，當(dāng)多個(gè)攝像頭同時(shí)工作時(shí)，將產(chǎn)生高達(dá)1.8GB每秒的巨額數(shù)據(jù)量。（4）雷達(dá)和聲吶：雷達(dá)把電磁波的能量發(fā)射至空間中某一方向，處在此方向上的物體反射該電磁波，雷達(dá)通過接收此反射波，以提取該物體的某些有關(guān)信息，包括目標(biāo)物體至雷達(dá)的距離、距離變化率或徑向速度、方位、高度等。雷達(dá)和聲吶系統(tǒng)是避障的最后一道保障。雷達(dá)和聲吶產(chǎn)生的數(shù)據(jù)用來(lái)表示在車的前進(jìn)方向上最近障礙物的距離。一旦系統(tǒng)檢測(cè)到前方不遠(yuǎn)有障礙物出現(xiàn)，則有極大的相撞危險(xiǎn)，無(wú)人車會(huì)啟動(dòng)緊急剎車以完成避障。因此，雷達(dá)和聲吶系統(tǒng)產(chǎn)生的數(shù)據(jù)不需要過多的處理，通?？芍苯颖豢刂铺幚砥鞑捎?，并不需要主計(jì)算流水線的介入，因此可實(shí)現(xiàn)轉(zhuǎn)向、剎車或預(yù)張緊安全帶等緊急功能。2.感知在獲得傳感信息之后，數(shù)據(jù)將被推送至感知子系統(tǒng)以充分了解無(wú)人車所處的周遭環(huán)境。在這里感知子系統(tǒng)主要做的是三件事：定位、物體識(shí)別與追蹤。1）定位GPS以較低的更新頻率提供相對(duì)準(zhǔn)確的位置信息，IMU則以較高的更新頻率提供準(zhǔn)確性偏低的位置信息。我們可以使用卡爾曼濾波整合兩類數(shù)據(jù)各自的優(yōu)勢(shì)，合并提供準(zhǔn)確且實(shí)時(shí)的位置信息更新。如圖1-4所示，IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。所幸的是，每100ms，我們可以得到一次GPS數(shù)據(jù)更新，以幫助我們校正IMU積累的誤差。因此，我們最終可以獲得實(shí)時(shí)并準(zhǔn)確的位置信息。然而，我們不能僅僅依靠這樣的數(shù)據(jù)組合完成定位工作。原因有三：其一，這樣的定位精度僅在一米之內(nèi)；其二，GPS信號(hào)有著天然的多路徑問題將引入噪聲干擾；其三，GPS必須在非封閉的環(huán)境下工作，因此在諸如隧道等場(chǎng)景中GPS都不適用。圖1-4基于GPS/IMU定位的原理圖因此作為補(bǔ)充方案，攝像頭也被用于定位。簡(jiǎn)化來(lái)說(shuō)，如圖1-5所示，基于視覺的定位由三個(gè)基本步驟組成：①通過對(duì)立體圖像的三角剖分，首先獲得視差圖用以計(jì)算每個(gè)點(diǎn)的深度信息；②通過匹配連續(xù)立體圖像幀之間的顯著特征，可以通過不同幀之間的特征建立相關(guān)性，并由此估計(jì)這兩幀之間的運(yùn)動(dòng)情況；③通過比較捕捉到的顯著特征和已知地圖上的點(diǎn)計(jì)算車輛的當(dāng)前位置。然而，基于視覺的定位方法對(duì)照明條件非常敏感，因此其使用受限且可靠性有限。因此，借助于大量粒子濾波的激光雷達(dá)通常被用作車輛定位的主傳感器。由激光雷達(dá)產(chǎn)生的點(diǎn)云對(duì)環(huán)境進(jìn)行了“形狀化描述”，但并不足以區(qū)分各自不同的點(diǎn)。通過粒子濾波，系統(tǒng)可將已知地圖與觀測(cè)到的具體形狀進(jìn)行比較以減少位置的不確定性。圖1-5基于立體視覺測(cè)距的流程圖為了在地圖中定位運(yùn)動(dòng)的車輛，可以使用粒子濾波的方法關(guān)聯(lián)已知地圖和激光雷達(dá)測(cè)量過程。粒子濾波可以在10cm的精度內(nèi)達(dá)到實(shí)時(shí)定位的效果，在城市的復(fù)雜環(huán)境中尤為有效。然而，激光雷達(dá)也有其固有的缺點(diǎn)：如果空氣中有懸浮的顆粒（比如雨滴或者灰塵），那么測(cè)量結(jié)果將受到極大的擾動(dòng)。因此，如圖1-6所示，我們需要利用多種傳感器融合技術(shù)進(jìn)行多類型傳感數(shù)據(jù)融合，處理以整合所有傳感器的優(yōu)點(diǎn)，完成可靠并精準(zhǔn)的定位。圖1-6定位中的多傳感器融合2）物體識(shí)別與跟蹤激光雷達(dá)可提供精準(zhǔn)的深度信息，因此常被用于在無(wú)人駕駛中執(zhí)行物體識(shí)別和追蹤的任務(wù)。近年來(lái)，深度學(xué)習(xí)技術(shù)得到了快速的發(fā)展，通過深度學(xué)習(xí)可達(dá)到較顯著的物體識(shí)別和追蹤精度。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類在物體識(shí)別中被廣泛應(yīng)用的深度神經(jīng)網(wǎng)絡(luò)。通常，CNN由三個(gè)階段組成：①卷積層使用不同的濾波器從輸入圖像中提取不同的特征，并且每個(gè)過濾器在完成訓(xùn)練階段后都將抽取出一套“可供學(xué)習(xí)”的參數(shù)；②激活層決定是否啟動(dòng)目標(biāo)神經(jīng)元；③匯聚層壓縮特征映射圖所占用的空間以減少參數(shù)的數(shù)目，并由此降低所需的計(jì)算量；④一旦某物體被CNN識(shí)別出來(lái)，下一步將自動(dòng)預(yù)測(cè)它的運(yùn)行軌跡或進(jìn)行物體追蹤，如圖1-7所示。圖1-7物體識(shí)別和跟蹤示意物體追蹤可以被用來(lái)追蹤?quán)徑旭偟能囕v或者路上的行人，以保證無(wú)人車在駕駛的過程中不會(huì)與其他移動(dòng)的物體發(fā)生碰撞。近年來(lái)，相比傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)，深度學(xué)習(xí)技術(shù)已經(jīng)展露出極大的優(yōu)勢(shì)，通過使用輔助的自然圖像，離線的訓(xùn)練過程可以從中學(xué)習(xí)圖像的共有屬性以避免視點(diǎn)及車輛位置變化造成的偏移，離線訓(xùn)練好的模型直接應(yīng)用在在線的物體追蹤中。3.決策在決策階段，行為預(yù)測(cè)、路徑規(guī)劃及避障機(jī)制三者結(jié)合起來(lái)實(shí)時(shí)地完成無(wú)人駕駛動(dòng)作規(guī)劃。1）行為預(yù)測(cè)在車輛駕駛中主要考驗(yàn)的是司機(jī)如何應(yīng)對(duì)其他行駛車輛的可能行為，這種預(yù)判斷直接影響司機(jī)本人的駕駛決策，特別是在多車道環(huán)境或者交通燈變燈的情況下，司機(jī)的預(yù)測(cè)決定了下一秒行車的安全。因此，過渡到無(wú)人駕駛系統(tǒng)中，決策模塊如何根據(jù)周圍車輛的行駛狀況決策下一秒的行駛行為顯得至關(guān)重要。為了預(yù)測(cè)其他車輛的行駛行為，可以使用隨機(jī)模型產(chǎn)生這些車輛的可達(dá)位置集合，并采用概率分布的方法預(yù)測(cè)每一個(gè)可達(dá)位置集的相關(guān)概率，如圖1-8所示。圖1-8面向行為預(yù)測(cè)的隨機(jī)模型示意）路徑規(guī)劃2為無(wú)人駕駛在動(dòng)態(tài)環(huán)境中進(jìn)行路徑規(guī)劃是一件非常復(fù)雜的事情，尤其是在車輛全速行駛的過程中，不當(dāng)?shù)穆窂揭?guī)劃有可能造成致命的傷害。路徑規(guī)劃中采取的一個(gè)方法是使用完全確定模型，它搜索所有可能的路徑并利用代價(jià)函數(shù)的方式確定最佳路徑。然后，完全確定模型對(duì)計(jì)算性能有著非常高的要求，因此很難在導(dǎo)航過程中達(dá)到實(shí)時(shí)的效果。為了避免計(jì)算復(fù)雜性并提供實(shí)時(shí)的路徑規(guī)劃，使用概率性模型成為了主要的優(yōu)化方向。3）避障安全性是無(wú)人駕駛中最重要的考量，我們將使用至少兩層級(jí)的避障機(jī)制來(lái)保證車輛不會(huì)在行駛過程中與障礙物發(fā)生碰撞。第一層級(jí)是基于交通情況預(yù)測(cè)的前瞻層級(jí)。交通情況預(yù)測(cè)機(jī)制根據(jù)現(xiàn)有的交通狀況如擁堵、車速等，估計(jì)出碰撞發(fā)生時(shí)間與最短預(yù)測(cè)距離等參數(shù)。基于這些估計(jì)，避障機(jī)制將被啟動(dòng)以執(zhí)行本地路徑重規(guī)劃。如果前瞻層級(jí)預(yù)測(cè)失效，則第二級(jí)實(shí)時(shí)反應(yīng)層將使用雷達(dá)數(shù)據(jù)再次進(jìn)行本地路徑重規(guī)劃。一旦雷達(dá)偵測(cè)到路徑前方出現(xiàn)障礙物，則立即執(zhí)行避障操作。1.3.2用戶端系統(tǒng)用戶端系統(tǒng)整合上述避障、路徑規(guī)劃等算法，以滿足可靠性及實(shí)時(shí)性等要求。用戶端系統(tǒng)需要克服三個(gè)方面的問題：其一，系統(tǒng)必須確保捕捉到的大量傳感器數(shù)據(jù)可以及時(shí)快速地得到處理；其二，如果系統(tǒng)的某部分失效，則系統(tǒng)需要有足夠的健壯性能從錯(cuò)誤中恢復(fù)；其三，系統(tǒng)必須在設(shè)計(jì)的能耗和資源限定下有效地完成所有的計(jì)算操作。1.機(jī)器人操作系統(tǒng)機(jī)器人操作系統(tǒng)ROS是現(xiàn)如今廣泛被使用的、專為機(jī)器人應(yīng)用裁剪的、強(qiáng)大的分布式計(jì)算框架。ROS為機(jī)器人應(yīng)用提供諸如硬件抽象描述、底層驅(qū)動(dòng)程序管理、消息管理與傳遞、程序發(fā)行包管理等基本功能，同時(shí)也提供一系列工具和庫(kù)用于開發(fā)、獲取和運(yùn)行機(jī)器人應(yīng)用。節(jié)點(diǎn)（node）是ROS中的基本單位，其粒度范圍很廣，小到一個(gè)傳感器大到一個(gè)完整的機(jī)器人都可以是一個(gè)節(jié)點(diǎn)。每一個(gè)機(jī)器人任務(wù)，比如避障，也作為ROS中的一個(gè)節(jié)點(diǎn)存在。節(jié)點(diǎn)與節(jié)點(diǎn)之間通過消息互相通信，其通信是端對(duì)端的，消息可以按照主題分類，也可以包裝成遠(yuǎn)程服務(wù)調(diào)用的形式。ROS中的節(jié)點(diǎn)管理器和消息管理器提供命名和查找服務(wù)以方便節(jié)點(diǎn)在運(yùn)行時(shí)能找到彼此，如圖1-9所示。圖1-9ROS操作系統(tǒng)結(jié)構(gòu)示意圖ROS非常適用于無(wú)人駕駛的場(chǎng)景，但是仍有一些問題需要解決?！瘛瘛窨煽啃裕篟OS使用單主節(jié)點(diǎn)結(jié)構(gòu)，并且沒有監(jiān)控機(jī)制以恢復(fù)失效的節(jié)點(diǎn)。性能：當(dāng)節(jié)點(diǎn)之間使用廣播消息的方式通信時(shí)，將產(chǎn)生多次信息復(fù)制導(dǎo)致性能下降。安全：ROS中沒有授權(quán)和加密機(jī)制，因此安全性受到很大的威脅。盡管ROS2.0承諾將解決上述問題，但是現(xiàn)有的ROS版本中仍然沒有相關(guān)的解決方案。因此，為了在無(wú)人駕駛中使用ROS，我們需要自行克服這些難題。1）可靠性現(xiàn)有的ROS實(shí)現(xiàn)只有一個(gè)主節(jié)點(diǎn)，因此當(dāng)主節(jié)點(diǎn)失效時(shí)，整個(gè)系統(tǒng)也隨之崩潰。這對(duì)行駛中的汽車而言是致命的缺陷。為了解決此問題，我們?cè)赗OS中使用類似于ZooKeeper的方法。如圖1-10所示，改進(jìn)后的ROS結(jié)構(gòu)包括一個(gè)關(guān)鍵主節(jié)點(diǎn)及一個(gè)備用主節(jié)點(diǎn)。如果關(guān)鍵主節(jié)點(diǎn)失效，則備用主節(jié)點(diǎn)將被自動(dòng)啟用以確保系統(tǒng)能夠無(wú)縫地繼續(xù)運(yùn)行。此外，ZooKeeper機(jī)制將監(jiān)控并自動(dòng)重啟失效節(jié)點(diǎn)，以確保整個(gè)ROS系統(tǒng)在任何時(shí)刻都是雙備份模式。圖1-10面向ROS的ZooKeeper結(jié)構(gòu)）性能2性能是現(xiàn)有ROS版本中有欠考慮的部分，ROS節(jié)點(diǎn)之間的通信非常頻繁，因此設(shè)計(jì)高效的通信機(jī)制對(duì)保證ROS的性能勢(shì)在必行。首先，本地節(jié)點(diǎn)在與其他節(jié)點(diǎn)通信時(shí)使用回環(huán)機(jī)制，并且每一次回環(huán)通信的執(zhí)行都將完整地通過TCP/IP全協(xié)議棧，從而引入高達(dá)20微秒的時(shí)延。為了消除本地節(jié)點(diǎn)通信的代價(jià)，我們不再使用TCP/IP的通信模式，取而代之地采用共享內(nèi)存的方法完成節(jié)點(diǎn)通信。其次，當(dāng)ROS節(jié)點(diǎn)廣播通信消息時(shí)，消息被多次復(fù)制與傳輸，消耗了大量的系統(tǒng)帶寬。如果改成目的地更明確的多路徑傳輸機(jī)制則將極大地改善系統(tǒng)的帶寬與吞吐量，如圖1-11所示。圖1-11多路傳播和廣播的通信性能比較3）安全安全是ROS系統(tǒng)中最重要的需求。如果一個(gè)ROS節(jié)點(diǎn)被挾制后，則會(huì)不停地進(jìn)行內(nèi)存分配，整個(gè)系統(tǒng)最終將因內(nèi)存耗盡而導(dǎo)致剩余節(jié)點(diǎn)失效繼而全線崩潰。在另一個(gè)場(chǎng)景中，因?yàn)镽OS節(jié)點(diǎn)本身沒有加密機(jī)制，黑客可以很容易地在節(jié)點(diǎn)之間竊聽消息并完成系統(tǒng)入侵。為了解決安全問題，我們使用Linuxcontainers（LXC）的方法限制每一個(gè)節(jié)點(diǎn)可供使用的資源數(shù)，并采用沙盒的方式以確保節(jié)點(diǎn)的運(yùn)行獨(dú)立，這樣以來(lái)可最大限度地防止資源泄露。同時(shí)，我們?yōu)橥ㄐ畔⑦M(jìn)行了加密操作，以防止其被黑客竊聽。2.硬件平臺(tái)為了深入理解設(shè)計(jì)無(wú)人駕駛硬件平臺(tái)中可能遇到的挑戰(zhàn)，讓我們來(lái)看看現(xiàn)有的領(lǐng)先無(wú)人車駕駛產(chǎn)品的計(jì)算平臺(tái)構(gòu)成。此平臺(tái)由兩個(gè)計(jì)算盒組成，每一個(gè)裝備有INTELXeonE5處理器及4到8個(gè)NvidiaTeslaK80GPU加速器。兩個(gè)計(jì)算盒執(zhí)行完全一樣的工作，第二個(gè)計(jì)算盒作為計(jì)算備份以提高整個(gè)系統(tǒng)的可靠性，一旦第一個(gè)計(jì)算盒發(fā)生故障，計(jì)算盒二可以無(wú)縫地接手所有的計(jì)算工作。在極端的情況下，如果兩個(gè)計(jì)算盒都在峰值下運(yùn)行，及時(shí)功耗將高達(dá)5000W，同時(shí)也將遭遇非常嚴(yán)重的發(fā)熱問題。因此，計(jì)算盒必須配備有額外的散熱裝置，可采用多風(fēng)扇或者水冷的方案。同時(shí)，每一個(gè)計(jì)算盒的造價(jià)非常昂貴，高達(dá)2萬(wàn)至3萬(wàn)美元，致使現(xiàn)有無(wú)人車方案對(duì)普通消費(fèi)者而言無(wú)法承受。現(xiàn)有無(wú)人車設(shè)計(jì)方案中存在的功耗問題、散熱問題及造價(jià)問題使得無(wú)人駕駛進(jìn)入普羅大眾顯得遙不可及。為了探索無(wú)人駕駛系統(tǒng)在資源受限及能耗受限時(shí)運(yùn)行的可行性，我們?cè)贏RM面向移動(dòng)市場(chǎng)的SoC實(shí)現(xiàn)了一個(gè)簡(jiǎn)化的無(wú)人駕駛系統(tǒng)，實(shí)驗(yàn)顯示，在峰值情況下能耗僅為15W。非常驚人地，在移動(dòng)類SoC上，無(wú)人駕駛系統(tǒng)的性能反而帶給了我們一些驚喜：定位算法可以達(dá)到每秒25幀的處理速度，同時(shí)能維持圖像生成的速度在30幀每秒。深度學(xué)習(xí)則能在一秒內(nèi)完成2～3個(gè)物體的識(shí)別工作。路徑規(guī)劃和控制則可以在6毫秒之內(nèi)完成規(guī)劃工作。在性能的驅(qū)動(dòng)下，我們可以在不損失任何位置信息的情況下達(dá)到每小時(shí)5邁的行駛速度。1.3.3云平臺(tái)無(wú)人車是移動(dòng)系統(tǒng)，因此需要云平臺(tái)的支持。云平臺(tái)主要從分布式計(jì)算及分布式存儲(chǔ)兩方面對(duì)無(wú)人駕駛系統(tǒng)提供支持。無(wú)人駕駛系統(tǒng)中很多的應(yīng)用，包括用于驗(yàn)證新算法的仿真應(yīng)用、高精度地圖產(chǎn)生和深度學(xué)習(xí)模型訓(xùn)練都需要云平臺(tái)的支持。我們使用Spark構(gòu)建了分布式計(jì)算平臺(tái)，使用OpenCL構(gòu)建了異構(gòu)計(jì)算平臺(tái)，使用Alluxio作為內(nèi)存存儲(chǔ)平臺(tái)。通過這三個(gè)平臺(tái)的整合，可以為無(wú)人駕駛提供高可靠、低延遲及高吞吐的云端支持。1.仿真當(dāng)我們?yōu)闊o(wú)人駕駛開發(fā)出新算法時(shí)，需要先通過仿真對(duì)此算法進(jìn)行全面測(cè)試，測(cè)試通過之后才進(jìn)入真車測(cè)試環(huán)節(jié)。真車測(cè)試的成本非常高昂并且迭代周期異常漫長(zhǎng)，因此仿真測(cè)試的全面性和正確性對(duì)降低生產(chǎn)成本和生產(chǎn)周期尤為重要。在仿真測(cè)試環(huán)節(jié)，我們通過在ROS節(jié)點(diǎn)回放真實(shí)采集的道路交通情況，模擬真實(shí)的駕駛場(chǎng)景，完成對(duì)算法的測(cè)試。如果沒有云平臺(tái)的幫助，單機(jī)系統(tǒng)耗費(fèi)數(shù)小時(shí)才能完成一個(gè)場(chǎng)景下的模擬測(cè)試，既耗時(shí)測(cè)試覆蓋面又有限。在云平臺(tái)中，Spark管理著分布式的多個(gè)計(jì)算節(jié)點(diǎn)，在每一個(gè)計(jì)算節(jié)點(diǎn)中，都可以部署一個(gè)場(chǎng)景下的ROS回訪模擬。在無(wú)人駕駛物體識(shí)別測(cè)試中，單服務(wù)器需耗時(shí)3小時(shí)完成算法測(cè)試，如果使用8機(jī)Spark機(jī)群，則時(shí)間可以縮短至25分鐘，如圖1-12所示。圖1-12基于Spark和ROS的模擬平臺(tái)架構(gòu)2.高精度地圖生成如圖1-13所示，高精度地圖的產(chǎn)生過程非常復(fù)雜，涉及原始數(shù)據(jù)處理、點(diǎn)云生成、點(diǎn)云對(duì)齊、2D反射地圖生成、高精地圖標(biāo)注、地圖生成等階段。使用Spark可以將所有這些階段整合成一個(gè)Spark作業(yè)。由于Spark天然的內(nèi)存計(jì)算的特性，在作業(yè)運(yùn)行過程中產(chǎn)生的中間數(shù)據(jù)都存儲(chǔ)在內(nèi)存中。當(dāng)整個(gè)地圖生產(chǎn)作業(yè)提交之后，不同階段之間產(chǎn)生的大量數(shù)據(jù)不需要使用磁盤存儲(chǔ)，數(shù)據(jù)訪問速度加快，從而極大提高精度了高地圖產(chǎn)生的性能。圖1-13基于云平臺(tái)的高精度地圖生成流程圖序幕剛啟無(wú)人駕駛作為人工智能的一個(gè)重大應(yīng)用發(fā)現(xiàn)從來(lái)就不是某一項(xiàng)單一的技術(shù)，它是眾多技術(shù)的整合。它需要有算法上的創(chuàng)新、系統(tǒng)上的融合，以及來(lái)自云平臺(tái)的支持。無(wú)人駕駛序幕剛啟，其中有著千千萬(wàn)萬(wàn)的機(jī)會(huì)亟待發(fā)掘。在此背景之下，過去的幾年中，自動(dòng)駕駛產(chǎn)業(yè)化在多個(gè)方面取得了很大進(jìn)步，其中合作共享已成為共識(shí)，產(chǎn)業(yè)鏈不斷整合，業(yè)界企業(yè)相繼開展合作，傳感器價(jià)格將不斷下降，預(yù)計(jì)在2020年，將有真正意義上的無(wú)人車面市，讓我們拭目以待。參考資料[1]2016年4月8日DougNewcomb載于《福布斯》的文章“Volvo’sChina100-VehicleAutonomousCarTrialPushesSelf-DrivingTechnology,Regulation”；2016年7月4日《紐約時(shí)報(bào)》上JohnMarkoff的文章“TeslaandGoogleTakeDifferentRoadstoSelf-DrivingCar”.[2]2016年1月，世界經(jīng)濟(jì)論壇與埃森哲的合作研究“DigitalTransformationofIndustries:AutomotiveIndustry”，作者BruceWeindelt.[3]2016年6月22日《中國(guó)日?qǐng)?bào)》文章“OfficialsWanttoOpenWayforAutonomousDriving”.4]2016年5月30日《紐約時(shí)報(bào)》文章“Beijing’sElectricBikes,theWheelsofE-[Commerce,FaceTrafficBacklash”，作者ChrisBuckley.[5]2015年10月28日彭博技術(shù)文章“Japan’sCarmakersProceedWithCautiononSelf-DrivingCars”，作者JieMa.[6]世界衛(wèi)生組織2010年報(bào)告“GlobalHealthObservatoryData:NumberofRoadTrafficDeaths”.[7]2014年2月25日摩根斯坦利研究“Nikola’sRevenge:TSLA’sNewPathofDisruption”，第24～26頁(yè).[8]蘭德公司2016年報(bào)告“AutonomousVehicleTechnology:AGuideforPolicymakers”，作者JamesAnderson、NidhiKalra、KarlynStanley、PaulSorensen、ConstantineSamaras和OluwatobiOluwatola.[9]《紐約時(shí)報(bào)》2016年5月30日文章“Beijing’sElectricBikes,theWheelsofE-Commerce,FaceTrafficBacklash”，作者ChrisBuckley.[10]2015年11月18日NathanielBeuse在眾議院監(jiān)督和政府改革委員會(huì)的證詞。2016年6月2日《華爾街日?qǐng)?bào)》文章“BaiduPlanstoMassProduceAutonomousCarsinFiveYears”，作者AlyssaAbkowitz.[11]Delphi公司的GlenDeVos于2016年3月15在參議院商業(yè)、科學(xué)和技術(shù)委員會(huì)聽證會(huì)上的證詞，第4頁(yè).[12]美國(guó)交通部2015年報(bào)告“BeyondTraffic,2045:TrendsandChoices”，第11頁(yè).[13]2016年1月世界經(jīng)濟(jì)論壇與埃森哲聯(lián)合報(bào)告“DigitalTransformationofIndustries:AutomotiveIndustry”，第4頁(yè)，作者BruceWeindelt.[14]2016年4月21日李書?！度A爾街日?qǐng)?bào)》文章“PavingtheWayforAutonomousCarsinChina”.[15]《紐約時(shí)報(bào)》2016年5月30日文章“Beijing’sElectricBikes,theWheelsofE-Commerce,FaceTrafficBacklash”，作者ChrisBuckley.[16]Access2007年第30卷文章“CruisingforParking”，第16～22頁(yè)，作者DanielShoup.17]2016年1月世界經(jīng)濟(jì)論壇與埃森哲聯(lián)合報(bào)告“DigitalTransformationof[Industries:AutomotiveIndustry”，第4頁(yè)，作者BruceWeindelt.[18]2016年7月12日采訪百度專家.[19]蘭德公司2016年報(bào)告“AutonomousVehicleTechnology:AGuideforPolicymakers”，作者JamesAnderson、NidhiKalra、KarlynStanley、PaulSorensen、ConstantineSamaras和OluwatobiOluwatola，第xvi頁(yè).[20]2016年8月29日《紐約時(shí)報(bào)》文章“StuckinTraffic,PollutingtheInsideofOurCars”，作者TatianaSchlossberg.[21]DanielFagnant和KaraKockelman在2014年1月交通研究理事會(huì)第93次年會(huì)提交的文章“TheTravelandEnvironmentalImplicationsofSharedAutonomousVehiclesUsingAgent-BasedModelScenarios”，第1～13頁(yè).[22]2016年6月30日采訪Uber公司AshwiniChabra.[23]SAETaxonomyandDefinitionsforTermsRelatedtoDrivingAutomationSystemsforOn-RoadMotorVehicles:/j3016_201609/.[24]NationalHighwayTrafficSafetyAdministrationPreliminaryStatementofPolicyConcerningAutomatedVehicles.[25]CreatingAutonomousVehicleSystems:/ideas/creatingautonomous-vehicle-systems.2光學(xué)雷達(dá)在無(wú)人駕駛技術(shù)中的應(yīng)用無(wú)人車的成功涉及了包括高精地圖、實(shí)時(shí)定位，以及障礙物檢測(cè)等多個(gè)技術(shù)，而這些技術(shù)都離不開光學(xué)雷達(dá)。本章簡(jiǎn)單介紹了無(wú)人駕駛技術(shù)，并且深入解釋了光學(xué)雷達(dá)如何被廣泛應(yīng)用到無(wú)人車的各個(gè)技術(shù)中。本章首先介紹光學(xué)雷達(dá)的工作原理包括如何通過激光掃描出點(diǎn)云。接下來(lái)詳細(xì)解釋光學(xué)雷達(dá)在無(wú)人駕駛技術(shù)中的應(yīng)用，包括地圖繪制、定位，以及障礙物檢測(cè)。最后討論光學(xué)雷達(dá)技術(shù)目前面臨的挑戰(zhàn)，包括外部環(huán)境干擾、數(shù)據(jù)量大、成本高等問題。2無(wú)人駕駛技術(shù)簡(jiǎn)介無(wú)人駕駛技術(shù)是多個(gè)技術(shù)的集成，包括傳感器、定位與深度學(xué)習(xí)、高精地圖、路徑規(guī)劃、障礙物檢測(cè)與規(guī)避、機(jī)械控制、系統(tǒng)集成與優(yōu)化、能耗與散熱管理等。圖2-1所示為無(wú)人車的通用系統(tǒng)圖，雖然現(xiàn)有的多種無(wú)人車在實(shí)現(xiàn)上有許多不同，但是在系統(tǒng)架構(gòu)上都大同小異。在系統(tǒng)的感知端由不同的傳感器組成，其中包括GPS用于定位，光學(xué)雷達(dá)用于定位及障礙物檢測(cè)，照相機(jī)用于深度學(xué)習(xí)的物體識(shí)別，以及定位輔助。在傳感器信息采集后，進(jìn)入了感知階段，主要是定位與物體識(shí)別。在這個(gè)階段，可以用數(shù)學(xué)的方法，比如KalmanFilter與ParticleFilter等算法，對(duì)各種傳感器信息進(jìn)行融合，并得出當(dāng)前最大概率的位置。如果使用光學(xué)雷達(dá)為主要的定位傳感器，則可以通過光學(xué)雷達(dá)掃描回來(lái)的信息跟已知的高精地圖做對(duì)比，從而得出當(dāng)前的車輛位置。如果當(dāng)前沒有地圖，那么甚至可以把當(dāng)前的光學(xué)雷達(dá)掃描與之前的光學(xué)雷達(dá)掃描用ICP算法做對(duì)比，從而推算出當(dāng)前的車輛位置。在得出基于光學(xué)雷達(dá)的位置預(yù)測(cè)后，可以用數(shù)學(xué)的方法與其他的傳感器信息進(jìn)行融合，推算出更精準(zhǔn)的位置信息。圖2-1無(wú)人車通用系統(tǒng)架構(gòu)示意圖最后，我們進(jìn)入了計(jì)劃與控制階段。在這個(gè)階段，我們根據(jù)位置信息及識(shí)別出的圖像信息（比如紅綠燈），實(shí)時(shí)調(diào)節(jié)車輛的行車計(jì)劃，并把行車計(jì)劃轉(zhuǎn)化成控制信號(hào)去操控車輛。全局的路徑規(guī)劃可以用A-Star類似的算法實(shí)現(xiàn)，本地的路徑規(guī)劃可以用DWA等算法實(shí)現(xiàn)。光學(xué)雷達(dá)基礎(chǔ)知識(shí)無(wú)人車涉及了包括高精地圖、實(shí)時(shí)定位，以及障礙物檢測(cè)等多個(gè)技術(shù)，而這些技術(shù)都離不開光學(xué)雷達(dá)。本節(jié)簡(jiǎn)單介紹光學(xué)雷達(dá)的工作原理，特別是產(chǎn)生點(diǎn)云的過程[1]。2.2.1工作原理光學(xué)雷達(dá)（LightDetectionAndRanging，LiDAR）是一種光學(xué)遙感技術(shù)，它通過首先向目標(biāo)物體發(fā)射一束激光，然后根據(jù)接收－反射的時(shí)間間隔確定目標(biāo)物體的實(shí)際距離。然后根據(jù)距離及激光發(fā)射的角度，通過簡(jiǎn)單的幾何變化推導(dǎo)出物體的位置信息。由于激光的傳播受外界影響小，LiDAR能夠檢測(cè)的距離一般可達(dá)100m以上。與傳統(tǒng)雷達(dá)使用無(wú)線電波相比較，LiDAR使用激光射線，商用LiDAR使用的激光射線波長(zhǎng)一般在600～1000nm，遠(yuǎn)遠(yuǎn)低于傳統(tǒng)雷達(dá)所使用的波長(zhǎng)。因此，LiDAR在測(cè)量物體距離和表面形狀上可達(dá)到更高的精準(zhǔn)，一般精準(zhǔn)度可以達(dá)到厘米級(jí)。LiDAR系統(tǒng)一般分為三個(gè)部分：第一部分是激光發(fā)射器，發(fā)射出波長(zhǎng)為600～1000nm的激光射線；第二部分是掃描與光學(xué)部件，主要用于收集反射點(diǎn)距離與該點(diǎn)發(fā)生的時(shí)間和水平角度（Azimuth）；第三部分是感光部件，主要檢測(cè)返回光的強(qiáng)度。因此，我們檢測(cè)到的每一個(gè)點(diǎn)都包括了空間坐標(biāo)信息（x,y,z）及光強(qiáng)度信息<i>。光強(qiáng)度與物體的光反射度（reflectivity）直接相關(guān)，所以從檢測(cè)到的光強(qiáng)度我們也可以對(duì)檢測(cè)到的物體有初步判斷。2.2.2什么是點(diǎn)云無(wú)人車所使用的LiDAR并不是靜止不動(dòng)的。在無(wú)人車行駛的過程中，LiDAR同時(shí)以一定的角速度勻速轉(zhuǎn)動(dòng)，在這個(gè)過程中不斷地發(fā)出激光并收集反射點(diǎn)的信息，以便得到全方位的環(huán)境信息。LiDAR在收集反射點(diǎn)距離的過程中也會(huì)同時(shí)記錄下該點(diǎn)發(fā)生的時(shí)間和水平角度（Azimuth），并且每個(gè)激光發(fā)射器都有其編號(hào)和固定的垂直角度，根據(jù)這些數(shù)據(jù)就可以計(jì)算出所有反射點(diǎn)的坐標(biāo)。LiDAR每旋轉(zhuǎn)一周，收集到的所有反射點(diǎn)坐標(biāo)的集合就形成了點(diǎn)云（PointCloud）。如圖2-2所示，LiDAR通過激光反射可以測(cè)出和物體的距離（distance），因?yàn)榧す獾拇怪苯嵌仁枪潭ǖ模涀鱝，這里我們可以直接求出z軸坐標(biāo)為sin(a)·distance。由cos(a)·distance可以得到distance在xy平面的投影，記作xy_dist。LiDAR在記錄反射點(diǎn)距離的同時(shí)也會(huì)記錄下當(dāng)前LiDAR轉(zhuǎn)動(dòng)的水平角度b，這樣根據(jù)簡(jiǎn)單的集合轉(zhuǎn)換就可以得到該點(diǎn)的x、y坐標(biāo)分別為cos(b)·xy_dist和sin(b)·xy_dist。圖2-2點(diǎn)云產(chǎn)生的坐標(biāo)示意圖在無(wú)人駕駛技術(shù)中的應(yīng)用領(lǐng)域本節(jié)介紹光學(xué)雷達(dá)是如何應(yīng)用在無(wú)人駕駛技術(shù)中的，特別是面向高精地圖的繪制、基于點(diǎn)云的定位，以及障礙物檢測(cè)。2.3.1高清地圖的繪制這里的高清地圖不同于我們?nèi)粘Ｓ玫降膶?dǎo)航地圖。高清地圖是由眾多的點(diǎn)云拼接而成，其主要用于無(wú)人車的精準(zhǔn)定位。高清地圖的繪制也是通過LiDAR完成的。安裝LiDAR的地圖數(shù)據(jù)采集車在想要繪制高清地圖的路線上多次反復(fù)行駛并收集點(diǎn)云數(shù)據(jù)。后期會(huì)經(jīng)過人工標(biāo)注，首先將過濾一些點(diǎn)云圖中的錯(cuò)誤信息，例如由路上行駛的汽車和行人反射所形成的點(diǎn)，然后對(duì)多次收集到的點(diǎn)云進(jìn)行對(duì)齊拼接形成最終的高清地圖。[2][3]2.3.2基于點(diǎn)云的定位首先講講定位的重要性。很多人都有這樣的疑問：如果有了精準(zhǔn)的GPS，就知道了當(dāng)前的位置，還需要定位嗎？其實(shí)不然。目前高精度的軍用差分GPS在靜態(tài)時(shí)確實(shí)可以在“理想”的環(huán)境下達(dá)到厘米級(jí)的精度。這里的“理想”環(huán)境是指大氣中沒有過多的懸浮介質(zhì)而且測(cè)量時(shí)GPS有較強(qiáng)的接收信號(hào)。然而，無(wú)人車是在復(fù)雜的動(dòng)態(tài)環(huán)境中行駛，尤其在大城市中，由于各種高大建筑物的阻攔。GPS多路徑反射（Multi-Path）的問題會(huì)更明顯。這樣得到的GPS定位信息很容易就有幾十厘米甚至幾米的誤差。對(duì)于在有限寬度上高速行駛的汽車，這樣的誤差很有可能導(dǎo)致交通事故。因此，必須要有GPS之外的手段增強(qiáng)無(wú)人車定位的精度。上面提到過，LiDAR會(huì)在車輛行駛的過程中不斷地收集點(diǎn)云來(lái)了解周圍的環(huán)境。我們可以很自然地想到利用這些觀察到的環(huán)境信息幫助我們定位[4][5][6][7][8]。可以把這個(gè)問題用下面這個(gè)簡(jiǎn)化的概率問題表示：已知to時(shí)刻的GPS信息，to時(shí)刻的點(diǎn)云信息，以及無(wú)人車t1時(shí)刻可能在的三個(gè)位置：P1、P2和P3（這里為了簡(jiǎn)化問題，假設(shè)無(wú)人車會(huì)在這三個(gè)位置中的某一個(gè)）。求t1時(shí)刻車在這三點(diǎn)的概率。根據(jù)貝葉斯法則，無(wú)人車的定位問題可以簡(jiǎn)化為下面這個(gè)概率公式：右側(cè)第一項(xiàng)P（Zt|Xt）表示給定當(dāng)前位置，觀測(cè)到點(diǎn)云信息的概率分布。其計(jì)算方式一般分為局部估計(jì)和全局估計(jì)兩種。局部估計(jì)較簡(jiǎn)單的做法就是通過當(dāng)前時(shí)刻點(diǎn)云和上一時(shí)刻點(diǎn)云的匹配，借助幾何上的推導(dǎo)，估計(jì)出無(wú)人車在當(dāng)前位置的可能性。全局估計(jì)就是利用當(dāng)前時(shí)刻的點(diǎn)云和上面提到過的高清地圖做匹配，可以得到當(dāng)前車相對(duì)地圖上某一位置的可能性。在實(shí)際中一般會(huì)將兩種定位方法結(jié)合使用。第二項(xiàng)表示對(duì)當(dāng)前位置的預(yù)測(cè)的概率分布，這里可以簡(jiǎn)單地用GPS給出的位置信息作為預(yù)測(cè)。通過計(jì)算P1、P2和P3這三個(gè)點(diǎn)的后驗(yàn)概率，可以估算出無(wú)人車在哪一個(gè)位置的可能性最高。通過對(duì)兩個(gè)概率分布相乘，可以很大程度上提高無(wú)人車定位的準(zhǔn)確度，如圖2-3所示。圖2-3基于點(diǎn)云的定位2.3.3障礙物檢測(cè)眾所周知，在機(jī)器視覺中一個(gè)比較難解決的問題就是判斷物體的遠(yuǎn)近，基于單一攝像頭抓取的2D圖像無(wú)法得到準(zhǔn)確的距離信息，而基于多攝像頭生成深度圖的方法又需要很大的計(jì)算量，不能很好地滿足無(wú)人車在實(shí)時(shí)性上的要求。另一個(gè)棘手的問題是光學(xué)攝像頭受光照條件的影響巨大。物體的識(shí)別準(zhǔn)確度很不穩(wěn)定。圖2-4所示為由于光線條件不好，導(dǎo)致圖像特征匹配的問題：由于照相機(jī)曝光不充分，左側(cè)圖中的特征點(diǎn)在右側(cè)圖中沒有匹配成功。圖2-5中左側(cè)圖展示了2D物體特征匹配成功的例子：啤酒瓶的模板可以在2D圖像中被成功地識(shí)別出來(lái)，但是如果將鏡頭拉遠(yuǎn)，如圖2-5中右圖所示，則只能識(shí)別出右側(cè)的啤酒瓶是附著在另一個(gè)3D物體的表面而已。2D的物體識(shí)別由于維度缺失的問題很難在這個(gè)情境下做出正確的識(shí)別。圖2-4暗光條件下圖像特征匹配的挑戰(zhàn)圖2-52D圖像識(shí)別中存在的問題而利用LiDAR生成的點(diǎn)云可以很大程度上解決上述兩個(gè)問題，借助LiDAR本身的特性可以對(duì)反射障礙物的遠(yuǎn)近、高低，甚至是表面形狀有較準(zhǔn)確的估計(jì)，從而大大提高障礙物檢測(cè)的準(zhǔn)確度，而且在算法的復(fù)雜度上低于基于攝像頭的視覺算法，因此更能滿足無(wú)人車的實(shí)時(shí)性需求。技術(shù)面臨的挑戰(zhàn)前文我們專注于LiDAR對(duì)無(wú)人駕駛系統(tǒng)的幫助，但是在實(shí)際應(yīng)用中，LiDAR也面臨著許多挑戰(zhàn)。要想把無(wú)人車系統(tǒng)產(chǎn)品化，必須解決這些問題。本節(jié)討論LiDAR的技術(shù)挑戰(zhàn)、計(jì)算性能挑戰(zhàn)，以及價(jià)格挑戰(zhàn)。2.4.1技術(shù)挑戰(zhàn)：空氣中的懸浮物L(fēng)iDAR的精度也會(huì)受到天氣的影響。空氣中懸浮物會(huì)對(duì)光速產(chǎn)生影響。大霧及雨天都會(huì)影響LiDAR的精度。測(cè)試環(huán)境為小雨的降雨量小于10mm/h，中雨的降雨量在10mm/h～25mm/h，如圖2-6所示。圖2-6外部環(huán)境對(duì)LiDAR測(cè)量的影響如圖2-7所示，這里使用了A和B兩個(gè)來(lái)自不同制造廠的LiDAR，可以看到隨著實(shí)驗(yàn)雨量的增大，兩種LiDAR的最遠(yuǎn)探測(cè)距離都線性下降。雨中或霧中的傳播特性最近幾年隨著激光技術(shù)的廣泛應(yīng)用越來(lái)越受學(xué)術(shù)研究界的重視。研究表明，雨和霧都是由小水滴構(gòu)成的，雨滴的半徑直接和其在空中的分布密度直接決定了激光在傳播的過程中與之相撞的概率。相撞概率越高，激光的傳播速度受到的影響越大。圖2-7雨量對(duì)LiDAR測(cè)量影響的量化2.4.2計(jì)算性能的挑戰(zhàn)：計(jì)算量大如表2-1所示，即使是16線的LiDAR每秒鐘要處理的點(diǎn)也達(dá)到了30萬(wàn)個(gè)。如此大量的數(shù)據(jù)處理是無(wú)人車定位算法和障礙物檢查算法的實(shí)時(shí)性需要面臨的一大挑戰(zhàn)。例如，之前所說(shuō)的LiDAR給出的原始數(shù)據(jù)只是反射物體的距離信息，需要對(duì)所有的產(chǎn)生的點(diǎn)進(jìn)行幾何變換，將其轉(zhuǎn)化為位置坐標(biāo)，這其中至少涉及了4次浮點(diǎn)運(yùn)算和3次三角函數(shù)運(yùn)算，而且點(diǎn)云在后期的處理中還有大量坐標(biāo)系轉(zhuǎn)換等更多復(fù)雜的運(yùn)算，這些都對(duì)計(jì)算資源（CPU、GPU和FPGA）提出了很大的需求。表2-1不同LiDAR的每秒計(jì)算量比較2.4.3成本的挑戰(zhàn)：造價(jià)昂貴LiDAR的造價(jià)也是要考慮的重要因素之一。上面提到的VelodyneVLP-16LiDAR官網(wǎng)稅前售價(jià)為7999美元，而VelodyneHDL-64ELiDAR預(yù)售價(jià)也在10萬(wàn)美元以上。這樣的成本要加在本來(lái)就沒有過高利潤(rùn)的汽車價(jià)格中，無(wú)疑會(huì)大大阻礙無(wú)人車的商業(yè)化。2展望未來(lái)盡管無(wú)人駕駛技術(shù)漸趨成熟，但LiDAR始終是一個(gè)繞不過去的技術(shù)。純視覺與GPS/IMU的定位及避障方案價(jià)格雖然低，卻還不成熟，很難應(yīng)用到室外場(chǎng)景中。同時(shí)，LiDAR的價(jià)格高居不下，消費(fèi)者很難承受動(dòng)輒幾十萬(wàn)美元定價(jià)的無(wú)人車。因此，當(dāng)務(wù)之急就是快速把系統(tǒng)成本特別是LiDAR的成本大幅降低。其中一個(gè)較有希望的方法是使用較低價(jià)的LiDAR，雖然會(huì)損失一些精確度，但可以使用其他低價(jià)傳感器與LiDAR做信息混合，較精準(zhǔn)地推算出車輛的位置。換言之，就是通過更好的算法彌補(bǔ)硬件傳感器的不足，我們相信這是無(wú)人車近期的發(fā)展方向，而高精度LiDAR的價(jià)格由于市場(chǎng)需求大增將會(huì)在未來(lái)的一兩年內(nèi)出現(xiàn)降幅，為無(wú)人車的進(jìn)一步普及鋪路。2參考資料[1]B.Schwarz,“LIDAR:Mappingtheworldin3D”,NaturePhoton,vol.4,pp.429-430,2010.[2]J.Levinson,M.Montemerlo,andS.Thrun,“Map-basedprecisionvehiclelocalizationinurbanenvironments”,ProceedingsofRobotics:ScienceandSystems,Atlanta,GA,USA,June2007.[3]J.LevinsonandS.Thrun,“Robustvehiclelocalizationinurbanenvironmentsusingprobabilisticmaps”,ICRA'10,2010,pp.4372-4378.[4]M.E.ElNajjarandP.Bonnifait,“Aroad-matchingmethodforprecisevehiclelocalizationusingbelieftheoryandKalmanfiltering”,AutonomousRobots,vol.19,no.2,pp.173-191,2005.[5]Z.Chong,B.Qin,T.Bandyopadhyay,M.Ang,E.Frazzoli,andD.Rus,“Synthetic2dLIDARforprecisevehiclelocalizationin3durbanenvironment”,IEEEInternationalConferenceonRoboticsandAutomation,Karlsruhe,Germany,May2013.[6]A.Segal,D.Haehnel,andS.Thrun,“Generalized-ICP”,Proc.Robot.:Sci.&Syst.Conf.,Seattle,WA,June2009.[7]I.BaldwinandP.Newman,“Roadvehiclelocalizationwith2dpushbroomlidarand3dpriors”,Proc.IEEEInternationalConferenceonRoboticsandAutomation(ICRA2012),Minnesota,USA,May2012.[8]A.HarrisonandP.Newman,“Highquality3dlaserrangingundergeneralvehiclemotion”,Proc.IEEEInternationalConferenceonRoboticsandAutomation(ICRA'08),Pasadena,California,April2008.3GPS及慣性傳感器在無(wú)人駕駛中的應(yīng)用本章著重介紹全球定位系統(tǒng)及慣性傳感器在無(wú)人駕駛中的應(yīng)用。GPS是當(dāng)前行車定位不可或缺的技術(shù)，但是由于GPS的誤差、多路徑，以及更新頻率低等問題，我們不可以只依賴于GPS進(jìn)行定位。相反，慣性傳感器擁有很高的更新頻率，可以跟GPS形成很好的互補(bǔ)。使用傳感器融合技術(shù)，可以融合GPS與慣性傳感器數(shù)據(jù)，各取所長(zhǎng)，以達(dá)到較好的定位效果。3無(wú)人駕駛定位技術(shù)行車定位是無(wú)人駕駛最核心的技術(shù)之一，GPS是當(dāng)前行車定位不可或缺的技術(shù)，在無(wú)人駕駛定位中也擔(dān)負(fù)起相當(dāng)重要的職責(zé)。然而無(wú)人車是在復(fù)雜的動(dòng)態(tài)環(huán)境中行駛，尤其在大城市中，GPS多路徑反射的問題會(huì)更加明顯，這樣得到的GPS定位信息很容易就有幾米的誤差。對(duì)于在有限寬度上高速行駛的汽車，這樣的誤差很有可能導(dǎo)致交通事故。因此，必須借助其他傳感器輔助定位，增強(qiáng)定位的精度。另外，由于GPS的更新頻率低（10Hz），在車輛快速行駛時(shí)很難給出精準(zhǔn)的實(shí)時(shí)定位。慣性傳感器（IMU）主要是檢測(cè)和測(cè)量加速度與旋轉(zhuǎn)運(yùn)動(dòng)的高頻（1kHz）傳感器，對(duì)慣性傳感器數(shù)據(jù)進(jìn)行處理后我們可以實(shí)時(shí)得出車輛的位移與轉(zhuǎn)動(dòng)信息，但是慣性傳感器自身也有偏差與噪聲等問題影響結(jié)果。通過使用基于卡爾曼濾波的傳感器融合技術(shù)，我們可以融合GPS與慣性傳感器數(shù)據(jù)，各取所長(zhǎng)，以達(dá)到較好的定位效果。注意，由于無(wú)人駕駛對(duì)可靠性和安全性要求非常高，所以基于GPS及慣性傳感器的定位并非無(wú)人駕駛里唯一的定位方式，還可以使用LiDAR點(diǎn)云與高精地圖匹配，以及視覺里程計(jì)算法等定位方法，讓各種定位法互相糾正以達(dá)到更精準(zhǔn)的定位。3簡(jiǎn)介GPS是當(dāng)前行車定位不可或缺的技術(shù)，在無(wú)人駕駛定位中也擔(dān)負(fù)起相當(dāng)重要的職責(zé)。[1]GPS系統(tǒng)包括太空中的32顆GPS衛(wèi)星；地面上1個(gè)主控站、3個(gè)數(shù)據(jù)注入站和5個(gè)監(jiān)測(cè)站及作為用戶端的GPS接收機(jī)。最少只需其中3顆衛(wèi)星，就能迅速確定用戶端在地球上所處的位置及海拔高度。現(xiàn)在，民用GPS也可以達(dá)到十米左右的定位精度。當(dāng)前的GPS系統(tǒng)使用低頻信號(hào)，縱使天氣不佳仍能讓信號(hào)保持相當(dāng)?shù)拇┩感?。本?jié)介紹GPS的運(yùn)作原理及這個(gè)技術(shù)的缺陷。3.2.1三邊測(cè)量法定位如圖3-1所示，GPS定位系統(tǒng)是利用衛(wèi)星基本三角定位原理，GPS接收裝置以量測(cè)無(wú)線電信號(hào)的傳輸時(shí)間來(lái)量測(cè)距離。由每顆衛(wèi)星的所在位置，測(cè)量每顆衛(wèi)星至接收器間距離，便可以算出接收器所在位置之三維空間坐標(biāo)值。使用者只要利用接收裝置接收到3個(gè)衛(wèi)星信號(hào)，就可以定出使用者所在之位置。在實(shí)際應(yīng)用中，GPS接收裝置都是利用4個(gè)以上衛(wèi)星信號(hào)來(lái)定出使用者所在之位置及高度。三角定位的工作原理如下。圖3-1GPS三邊測(cè)量法定位原理（1）假設(shè)測(cè)量得出第一顆衛(wèi)星距離我們18000千米，那么可以把當(dāng)前位置范圍限定在距離第一顆衛(wèi)星18000千米半徑的地球表面上的任意位置。（2）假設(shè)測(cè)量到第二顆衛(wèi)星的距離為20000千米，那么可以進(jìn)一步把當(dāng)前位置范圍限定在距離第一顆衛(wèi)星18000千米及距離第二顆衛(wèi)星20000千米的交叉的區(qū)域。（3）再對(duì)第三顆衛(wèi)星進(jìn)行測(cè)量，通過3顆衛(wèi)星的距離交匯點(diǎn)定位出當(dāng)前的位置。通常，GPS接收器會(huì)使用第四顆衛(wèi)星的位置對(duì)前3顆衛(wèi)星的位置測(cè)量進(jìn)行確認(rèn)已達(dá)到更好的效果。3.2.2距離測(cè)量與精準(zhǔn)時(shí)間戳理論上，距離測(cè)量是個(gè)簡(jiǎn)單的過程，我們只需要用光速乘以信號(hào)傳播時(shí)間便可以得到距離信息。但問題是測(cè)量的傳播時(shí)間但凡有一點(diǎn)誤差，都會(huì)造成距離上巨大的誤差。我們?nèi)粘Ｊ褂玫臅r(shí)鐘是存在一定誤差的，如果使用石英鐘對(duì)傳播時(shí)間進(jìn)行測(cè)量，那么基于GPS的定位會(huì)有很大誤差。為了解決這個(gè)問題，每顆衛(wèi)星上都安裝了原子鐘以達(dá)到納米級(jí)的精度。為了使衛(wèi)星定位系統(tǒng)使用同步時(shí)鐘，需要在所有衛(wèi)星及接收機(jī)上都安裝原子鐘。原子鐘的價(jià)格在幾萬(wàn)美元，要讓每一個(gè)GPS接收器安裝原子鐘是不現(xiàn)實(shí)的。為了解決這一難題，每一顆衛(wèi)星上仍然使用昂貴的原子鐘，但接收機(jī)使用的是經(jīng)常需要調(diào)校的普通石英鐘：接收機(jī)接收來(lái)自四顆或更多衛(wèi)星的信號(hào)并計(jì)算自身的誤差，因此接收機(jī)就可以將自身的時(shí)鐘調(diào)整到統(tǒng)一時(shí)間值。3.2.3差分GPS如上所述，衛(wèi)星距離測(cè)量存在著衛(wèi)星鐘誤差與播延遲導(dǎo)致的誤差等問題。利用差分技術(shù)，我們可以消除或者降低這些誤差，讓GPS達(dá)到更高的精度。差分GPS的運(yùn)作原理十分簡(jiǎn)單，如圖3-2所示，首先，如果兩個(gè)GPS接收機(jī)的距離非常接近，那么兩者接收的GPS信號(hào)將通過幾乎同一塊大氣區(qū)域，所以二者的信號(hào)將具有非常近似的誤差。如果能精確地計(jì)算出第一個(gè)接收機(jī)的誤差，那么我們可以利用該計(jì)算誤差對(duì)第二個(gè)接收機(jī)的結(jié)果進(jìn)行修正。圖3-2差分GPS定位原理如何精確地計(jì)算出第一個(gè)接收機(jī)的誤差呢？可以在已知精準(zhǔn)的地點(diǎn)安置參考接收機(jī)基準(zhǔn)站，安裝在基準(zhǔn)站上的GPS接收機(jī)觀測(cè)4顆衛(wèi)星后便可進(jìn)行三維定位，計(jì)算出基準(zhǔn)站的測(cè)量坐標(biāo)。然后，將測(cè)量坐標(biāo)與已知坐標(biāo)進(jìn)行對(duì)比可以計(jì)算出誤差?；鶞?zhǔn)站再把誤差值發(fā)送給方圓100千米內(nèi)的差分GPS接收器去糾正它們的測(cè)量數(shù)據(jù)。3.2.4多路徑問題如圖3-3所示，多路徑問題是指由于GPS信號(hào)的反射與折射造成的信號(hào)傳播時(shí)間的誤差，從而導(dǎo)致定位的錯(cuò)誤[2]。特別是在城市環(huán)境中，空氣中有許多懸浮介質(zhì)對(duì)GPS信號(hào)反射與折射，另外，信號(hào)也會(huì)在高樓大廈的外墻發(fā)生反射與折射，造成距離測(cè)量的混亂。目前，高精度的軍用差分GPS在靜態(tài)的時(shí)候確實(shí)可以在“理想”的環(huán)境下達(dá)到厘米級(jí)的精度。這里的“理想”環(huán)境是指大氣中沒有過多的懸浮介質(zhì)而且測(cè)量時(shí)GPS有較強(qiáng)的接收信號(hào)。然而，無(wú)人車是在復(fù)雜的動(dòng)態(tài)環(huán)境中行駛的，尤其在大城市中，GPS多路徑反射的問題會(huì)更明顯。這樣得到的GPS定位信息很容易就有幾米的誤差。對(duì)于在有限寬度上高速行駛的汽車，這樣的誤差很有可能會(huì)導(dǎo)致交通事故。即使有各種問題，GPS還是一個(gè)相對(duì)精準(zhǔn)的傳感器，而且GPS的誤差不會(huì)隨著時(shí)間的推進(jìn)而增加。但是GPS有一個(gè)更新頻率低的問題，大概在10Hz。由于無(wú)人車行駛速度快，我們需要實(shí)時(shí)的精準(zhǔn)定位以確保無(wú)人車的安全。因此我們必須借助其他的傳感器來(lái)輔助定位，增強(qiáng)定位的精度。圖3-3GPS中存在的多路徑問題示意3慣性傳感器簡(jiǎn)介慣性傳感器（IMU）主要是檢測(cè)和測(cè)量加速度與旋轉(zhuǎn)運(yùn)動(dòng)的傳感器?；A(chǔ)的慣性傳感器包括加速度計(jì)與角速度計(jì)。本節(jié)主要討論基于MEMS的六軸慣性傳感器，主要由三個(gè)軸加速度傳感器及三個(gè)軸的陀螺儀組成。[3]MEMS慣性傳感器分為三個(gè)級(jí)別：低精度慣性傳感器作為消費(fèi)電子類產(chǎn)品主要用在智能手機(jī)，此類傳感器售價(jià)在50美分到幾美元不等，測(cè)量的誤差會(huì)比較大。中級(jí)慣性傳感器主要用于汽車電子穩(wěn)定系統(tǒng)及GPS輔助導(dǎo)航系統(tǒng)，此類傳感器售價(jià)在幾百到上千美元，相對(duì)于低端慣性傳感器，中級(jí)慣性傳感器在控制芯片中對(duì)測(cè)量誤差有一定的修正，所以測(cè)量結(jié)果更準(zhǔn)確。但是長(zhǎng)時(shí)間運(yùn)行后，累計(jì)的誤差會(huì)越來(lái)越大。高精度的慣性傳感器作為軍用級(jí)和宇航級(jí)產(chǎn)品，主要要求高精度、全溫區(qū)、抗沖擊等指數(shù)，主要用于通信衛(wèi)星無(wú)線、導(dǎo)彈導(dǎo)引頭、光學(xué)瞄準(zhǔn)系統(tǒng)等穩(wěn)定性應(yīng)用。此類傳感器售價(jià)在幾十萬(wàn)美元，即便經(jīng)過長(zhǎng)時(shí)間運(yùn)行后，比如跨太平洋洲際導(dǎo)彈，仍然可以達(dá)到米級(jí)精度。無(wú)人車使用的一般是中低級(jí)的慣性傳感器，其特點(diǎn)是更新頻率高（1kHz），可以提供實(shí)時(shí)位置信息。慣性傳感器的致命缺點(diǎn)是它的誤差會(huì)隨著時(shí)間的推進(jìn)而增加，所以我們只能在很短的時(shí)間內(nèi)依賴慣性傳感器進(jìn)行定位。3.3.1加速度計(jì)圖3-4所示為MEMS加速度計(jì)，它的工作原理就是靠MEMS中可移動(dòng)部分的慣性。由于中間電容板的質(zhì)量很大，而且它是一種懸臂構(gòu)造，當(dāng)速度變化或者加速度達(dá)到足夠大時(shí)，它所受到的慣性力超過固定或者支撐它的力，這時(shí)它會(huì)移動(dòng)，它跟上下電容板之間的距離就會(huì)變化，上下電容就會(huì)因此變化。電容的變化與加速度成正比。根據(jù)不同測(cè)量范圍，中間電容板懸臂構(gòu)造的強(qiáng)度或者彈性系數(shù)可以設(shè)計(jì)得不同。另外，如果要測(cè)量不同方向的加速度，這個(gè)MEMS的結(jié)構(gòu)會(huì)有很大的不同。電容的變化會(huì)被另外一塊專用芯片轉(zhuǎn)化成電壓信號(hào)，有時(shí)還會(huì)把這個(gè)電壓信號(hào)放大。電壓信號(hào)在數(shù)字化后經(jīng)過一個(gè)數(shù)字信號(hào)處理過程，在零點(diǎn)和靈敏度校正后輸出。圖3-4加速度計(jì)結(jié)構(gòu)圖.3.2角速度計(jì)3圖3-5所示為MEMS陀螺儀角速度計(jì)（MEMSgyroscope），其工作原理主要是利用角動(dòng)量守恒原理，因此它主要是一個(gè)不停轉(zhuǎn)動(dòng)的物體，它的轉(zhuǎn)軸指向不隨承載它的支架的旋轉(zhuǎn)而變化。與加速度計(jì)工作原理相似，陀螺儀的上層活動(dòng)金屬與下層金屬形成電容。當(dāng)陀螺儀轉(zhuǎn)動(dòng)時(shí)，它與下面電容板之間的距離就會(huì)變化，上下電容也就會(huì)因此變化。電容的變化跟角速度成正比，由此我們可以測(cè)量當(dāng)前的角速度。圖3-5角速度計(jì)示意圖3.3.3慣性傳感器的問題由于制作工藝的原因，慣性傳感器測(cè)量的數(shù)據(jù)通常都會(huì)有一定誤差。第一種誤差是偏移誤差，也就是陀螺儀和加速度計(jì)即使在沒有旋轉(zhuǎn)或加速的情況下也會(huì)有非零的數(shù)據(jù)輸出。要想得到位移數(shù)據(jù)，我們需要對(duì)加速度計(jì)的輸出進(jìn)行兩次積分。在兩次積分后，即使很小的偏移誤差也會(huì)被放大，隨著時(shí)間的推進(jìn)，這樣的偏移誤差造成的位移誤差會(huì)不斷積累，最終導(dǎo)致沒法再跟蹤無(wú)人車的位置。第二種誤差是比例誤差，是指所測(cè)量的輸出和被檢測(cè)輸入的變化之間的比率。與偏移誤差相似，在兩次積分后，隨著時(shí)間的推進(jìn)，其造成的位移誤差會(huì)不斷積累。第三種誤差是背景白噪聲，如果不給予糾正，也會(huì)導(dǎo)致我們沒法再跟蹤無(wú)人車的位置。為了糾正這些誤差，我們必須對(duì)慣性傳感器進(jìn)行校準(zhǔn)，找出偏移誤差和比例誤差，然后使用校準(zhǔn)參數(shù)對(duì)慣性傳感器原數(shù)據(jù)進(jìn)行修正。但復(fù)雜的是慣性傳感器的誤差也會(huì)隨著溫度變化而變化，所以即使我們校準(zhǔn)得再好，隨著時(shí)間的推進(jìn)，位移的誤差還是會(huì)不斷積累，所以我們很難單獨(dú)使用慣性傳感器對(duì)無(wú)人車進(jìn)行定位。3和慣性傳感器的融合如上所述，縱使有多路徑等問題，GPS是個(gè)相對(duì)精準(zhǔn)的定位傳感器，但是GPS的更新頻率低，并不能滿足實(shí)時(shí)計(jì)算的要求。而慣性傳感器的定位誤差會(huì)隨著運(yùn)行時(shí)間增長(zhǎng)，但是由于慣性傳感器是高頻傳感器，在短時(shí)間內(nèi)可以提供穩(wěn)定的實(shí)時(shí)位置更新。所以，只要我們找到一個(gè)方法能融合這兩種傳感器的優(yōu)點(diǎn)，各取所長(zhǎng)，就可以得到比較實(shí)時(shí)與精準(zhǔn)的定位。本節(jié)介紹如何使用卡爾曼濾波器融合這兩種傳感器數(shù)據(jù)。3.4.1卡爾曼濾波器簡(jiǎn)介卡爾曼濾波器可以從一組有限的、包含噪聲的、通過對(duì)物體位置的觀察序列預(yù)測(cè)出物體的位置的坐標(biāo)及速度。卡爾曼濾波器具有很強(qiáng)的魯棒性，即使對(duì)物體位置的觀測(cè)有誤差，根據(jù)物體歷史狀態(tài)與當(dāng)前對(duì)位置的觀測(cè)，我們可以較準(zhǔn)確地推算出物體的位置。卡爾曼濾波器運(yùn)行時(shí)主要分兩個(gè)階段：預(yù)測(cè)階段基于上個(gè)時(shí)間點(diǎn)的位置信息去預(yù)測(cè)當(dāng)前的位置信息；更新階段通過當(dāng)前對(duì)物體位置的觀測(cè)去糾正位置預(yù)測(cè)，從而更新物體的位置。舉個(gè)具體例子，假設(shè)你家停電沒有任何燈光，你想從你家客廳走回臥室。你十分清楚客廳與臥室的相對(duì)位置，于是你在黑暗中行走，并試圖通過計(jì)算步數(shù)預(yù)測(cè)你的當(dāng)前位置。走到一半時(shí)，你摸到了電視機(jī)。由于你事先知道電視機(jī)在客廳的大致位置，于是可以通過你印象中電視機(jī)的位置更正你對(duì)當(dāng)前位置的預(yù)測(cè)，然后在這個(gè)調(diào)整過的更準(zhǔn)確的位置估計(jì)的基礎(chǔ)上繼續(xù)依靠計(jì)算步數(shù)向臥室前行。通過摸黑前行，你依靠計(jì)算步數(shù)與觸摸物體最終從客廳走回了臥室，其背后的道理就是卡爾曼濾波器的核心。3.4.2多傳感器融合如圖3-6所示，使用卡爾曼濾波器對(duì)慣性傳感器與GPS數(shù)據(jù)進(jìn)性融合與上面給出的例子很相似[4][5][6]。這里的慣性傳感器相當(dāng)于數(shù)步數(shù)，而GPS數(shù)據(jù)相當(dāng)于電視等參照物的位置。首先，我們?cè)谏弦淮蔚奈恢霉浪愕幕A(chǔ)上使用慣性傳感器對(duì)當(dāng)前的位置進(jìn)行實(shí)時(shí)預(yù)測(cè)。在得到新的GPS數(shù)據(jù)之前，我們只能通過積分慣性傳感器的數(shù)據(jù)預(yù)測(cè)當(dāng)前位置。慣性傳感器的定位誤差會(huì)隨著運(yùn)行時(shí)間增長(zhǎng)，所以當(dāng)接收到新的GPS數(shù)據(jù)時(shí)，由于GPS的數(shù)據(jù)比較精準(zhǔn)，我們可以使用GPS數(shù)據(jù)對(duì)當(dāng)前的位置預(yù)測(cè)進(jìn)行更新。通過不斷地執(zhí)行這兩個(gè)步驟，我們可以取兩者所長(zhǎng)，對(duì)無(wú)人車進(jìn)行準(zhǔn)確的實(shí)時(shí)定位。假設(shè)慣性傳感器的頻率是1kHz，而GPS的頻率是10Hz，那么每?jī)纱蜧PS更新之間會(huì)使用100個(gè)慣性傳感器數(shù)據(jù)點(diǎn)進(jìn)行位置預(yù)測(cè)。圖3-6GPS與IMU的傳感器融合定位示意3結(jié)論本章介紹了在無(wú)人駕駛場(chǎng)景中如何使用GPS與慣性傳感器對(duì)車輛進(jìn)行精準(zhǔn)定位。這個(gè)系統(tǒng)包含了三個(gè)部分：第一，相對(duì)精準(zhǔn)但是低頻更新的GPS；第二，高頻更新但是精度隨著時(shí)間流逝而越發(fā)不穩(wěn)定的慣性傳感器；第三，上述兩種傳感器基于卡爾曼濾波器數(shù)學(xué)模型的融合。由于無(wú)人駕駛對(duì)可靠性和安全性的要求非常高，所以除GPS與慣性傳感器外，通常還會(huì)使用LiDAR點(diǎn)云與高精地圖匹配，以及視覺里程計(jì)算法等定位方法，讓各種定位法互相糾正以達(dá)到更精準(zhǔn)的定位。3參考資料[1]Samama,GlobalPositioningTechnologiesAndPerformance,JohnWiley&Sons,Inc.,Hoboken,NewJersey,2008.[2]T.Kos,I.Markezic,andJ.Pokrajcic,“EffectsofmultipathreceptiononGPSpositioningperformance”,ELMAR,2010PROCEEDINGS.IEEE,2010,pp.399-402.[3]O.J.Woodman,AnIntroductiontoInertialNavigation;UCAM-CL-TR-696;ComputerLaboratory,UniversityofCambridge:Cambridge,UK,2007.[4]H.Carvalho,P.DelMoral,A.Monin,andG.Salut,“OptimalnonlinearfilteringinGPS/INSintegration”,IEEETransactionsonAerospaceandElectronicSystems,vol.33,no.3,pp.835-50,1997.8[5]A.MohamedandK.Schwarz,“AdaptiveKalmanfilteringforINS/GPS”,JournalofGeodesy,vol.73,no.4,pp.193-203,1999.[6]H.H.QiandJ.B.Moore,“DirectKalmanfilteringapproachforGPS/INSintegration”,IEEETransactionsonAerospaceandElectronicSystems,vol.38,no.2,pp.687-693,2002.4基于計(jì)算機(jī)視覺的無(wú)人駕駛感知系統(tǒng)本章著重介紹基于計(jì)算機(jī)視覺的無(wú)人駕駛感知系統(tǒng)。在現(xiàn)有的無(wú)人駕駛系統(tǒng)中，LiDAR是當(dāng)仁不讓的感知主角，但是由于LiDAR的成本高等因素，業(yè)界有許多討論是否可以使用成本相對(duì)較低的攝像頭去承擔(dān)更多的感知任務(wù)。本章會(huì)探索基于視覺的無(wú)人駕駛感知方案。首先，要驗(yàn)證一個(gè)方案是否可行，我們需要一個(gè)標(biāo)準(zhǔn)的測(cè)試方法：被廣泛使用的無(wú)人駕駛視覺感知數(shù)據(jù)集KITTI。然后，會(huì)討論計(jì)算機(jī)視覺在無(wú)人車場(chǎng)景中使用到的具體技術(shù)，包括OpticalFlow和立體視覺、物體的識(shí)別和跟蹤，以及視覺里程計(jì)算法。4無(wú)人駕駛的感知在無(wú)人駕駛技術(shù)中，感知是最基礎(chǔ)的部分，沒有對(duì)車輛周圍三維環(huán)境的定量感知，就有如人沒有了眼睛，無(wú)人駕駛的決策系統(tǒng)就無(wú)法正常工作。為了安全與準(zhǔn)確地感知，無(wú)人車駕駛系統(tǒng)使用了多種傳感器，其中可以被廣義地劃分為“視覺”的有超聲波雷達(dá)、毫米波雷達(dá)、LiDAR，以及攝像頭。超聲波雷達(dá)由于反應(yīng)速度和分辨率的特性主要用于倒車?yán)走_(dá)。激光雷達(dá)和毫米波雷達(dá)則主要承擔(dān)了中長(zhǎng)距測(cè)距和環(huán)境感知的功能。其中，激光雷達(dá)在測(cè)量精度和速度上表現(xiàn)得更出色，是厘米級(jí)的高精度定位中不可或缺的部分，但是其制造成本極其昂貴，并且其精度易受空氣中懸浮物的干擾。相較而言，毫米波雷達(dá)則更能適應(yīng)較惡劣的天氣，抗懸浮物干擾性強(qiáng)，但是仍需防止其他通信設(shè)備和雷達(dá)之間的電磁波干擾?？梢姽獾臄z像頭視覺數(shù)據(jù)分析與處理基于發(fā)展已久的傳統(tǒng)計(jì)算機(jī)視覺領(lǐng)域，其通過攝像頭采集到的二維圖像信息推斷三維世界的物理信息，現(xiàn)通常應(yīng)用于交通信號(hào)燈識(shí)別和其他物體識(shí)別。那么最常見的、成本相對(duì)低廉的攝像頭解決方案能否在無(wú)人駕駛應(yīng)用中承擔(dān)更多的感知任務(wù)呢？4數(shù)據(jù)集KITTI數(shù)據(jù)集是由KIT和TTIC在2012年開始的一個(gè)合作項(xiàng)目，網(wǎng)站為/data