<b id="sidpw"></b>

<b id="sidpw"></b><tt id="sidpw"><address id="sidpw"></address></tt>
<tt id="sidpw"></tt>

<b id="sidpw"></b>

<b id="sidpw"></b>

自動駕駛技術應用領域(自動駕駛技術應用前景)

自動駕駛 774
今天給各位分享自動駕駛技術應用領域的知識,其中也會對自動駕駛技術應用前景進行解釋,如果能碰巧解決你現在面臨的問題,別忘了關注本站,現在開始吧!本文目錄一覽: 1、自動駕駛可以應用在什么領域

今天給各位分享自動駕駛技術應用領域的知識,其中也會對自動駕駛技術應用前景進行解釋,如果能碰巧解決你現在面臨的問題,別忘了關注本站,現在開始吧!

本文目錄一覽:

自動駕駛可以應用在什么領域

【太平洋汽車網】自動駕駛汽車的設計制造面臨著諸多挑戰,如今,各大公司已經廣泛采用機器學習尋找相應的解決方案。汽車中的ECU(電子控制單元)已經整合了傳感器數據處理,如何充分利用機器學習完成新的任務,變得至關重要。潛在的應用包括將汽車內外傳感器的數據進行融合,借此評估駕駛員情況、進行駕駛場景分類。

車載信息***系統所運行的應用,能從傳感器數據融合系統中獲取數據。舉個例子,如果系統察覺駕駛員發生狀況,有能力把車開到醫院?;跈C器學習的應用,還包括對駕駛員的語言和手勢識別以及語言翻譯。相關的算法被分類為非監督和監督算法。它們兩者的區別在于學習的方式。

監督學習算法使用訓練數據集學習,并且能夠持續學習直到達到設定的置信水平(最小化出錯概率)。監督學習算法分為回歸、分類和異常檢測以及數據降維。

無監督學習算法,則嘗試挖掘有限數據的價值。這意味著,算法會在可用數據內建立關系,以檢測模式或者將數據集分成子類(取決于之間的相似度)。從廣義上,無監督算法可以可分為關聯規則學習和聚類。

增強學習算法是另外一種機器學習算法,介于非監督學習和監督學習之間。對于所有訓練的例子,監督學習中有目標標簽,無監督學習中卻完全沒有標簽。強化學習有延遲的、稀疏的標簽——未來的獎勵。

根據這些獎勵,智能體學習做出恰當行為。去理解算法的局限性和優點,開發更加高效的學習算法,是增強學習的目標。增強學習可以解決大量實際應用,從AI的問題到控制工程或操作研究——所有這些都與開發自動駕駛汽車相關。這可以被分為間接學習和直接學習。

在獨自動駕駛汽車上,機器學習算法的一個主要任務是持續渲染周圍的環境,以及預測可能發生的變化。這些任務可以分為四個子任務:目標檢測目標識別或分類目標定位運動預測機器學習算法可以簡單地分為4類:決策矩陣算法、聚類算法、模式識別算法和回歸算法??梢岳靡活悪C器學習算法來完成兩個以上的子任務。例如,回歸算法能夠用于物體定位和目標識別或者是運動預測。

決策矩陣算法決策矩陣算法系統地分析、識別和評估信息集和值之間關系的表現。這些算法主要用于決策。車是否需要剎車或者左轉都是基于算法根據識別、分類和預測對象的下一個動作給出的置信水平。矩陣決策算法由各種獨立訓練的決策模型組合而成。

(圖/文/攝:太平洋汽車網問答叫獸)

自動駕駛技術基本知識介紹

自動駕駛車,是一種無須人工干預而能夠感知其周邊環境和導航的車輛。它利用了包括雷達、激光、超聲波、GPS、里程計、計算機視覺等多種技術來感知其周邊環境,通過先進的計算和控制系統,來識別障礙物和各種標識牌,規劃合適的路徑來控制車輛行駛。

美國汽車工程師協會(SAE,Society of Automotive Engineers),則將自動駕駛劃分為 0~5 共六級。

Level 0:無自動化(No Automation)

沒有任何自動駕駛功能或技術,人類駕駛員對汽車所有功能擁有絕對控制權。駕駛員需要負責轉向、加速、制動和觀察道路狀況。任何駕駛輔助技術,例如現有的前向碰撞預警、車道偏離預警,以及自動雨刷和自動前燈控制等,雖然有一定的智能化,但是仍需要人來控制車輛,所以都仍屬于 Level 0。

Level 1:駕駛輔助(Driver Assistance)

駕駛員仍然對行車安全負責,不過可以授權部分控制權給系統管理,某些功能可以自動進行,比如常見的自適應巡航(Adaptive Cruise Control,ACC)、應急剎車輔助(Emergency Brake Assist,EBA)和車道保持(Lane-Keep Support,LKS)。Level 1 的特點是只有單一功能,駕駛員無法做到手和腳同時不操控。

Level 2:部分自動化(Partial Automation)

人類駕駛員和汽車來分享控制權,駕駛員在某些預設環境下可以不操作汽車,即手腳同時離開控制,但駕駛員仍需要隨時待命,對駕駛安全負責,并隨時準備在短時間內接管汽車駕駛權。比如結合了 ACC 和 LKS 形成的跟車功能。Level 2 的核心不在于要有兩個以上的功能,而在于駕駛員可以不再作為主要操作者。

Level 3:有條件自動化(Conditional Automation)

在有限情況下實現自動控制,比如在預設的路段(如高速和人流較少的城市路段),汽車自動駕駛可以完全負責整個車輛的操控,但是當遇到緊急情況,駕駛員仍需要在某些時候接管汽車,但有足夠的預警時間,如即將進入修路的路段(Road work ahead)。Level 3 將解放駕駛員,即對行車安全不再負責,不必監視道路狀況。

Level 4:高度自動化(High Automation)

自動駕駛在特定的道路條件下可以高度自動化,比如封閉的園區、高速公路、城市道路或固定的行車線路等,這這些受限的條件下,人類駕駛員可以全程不用干預。

Level 5:完全自動化(Full Automation)

對行車環境不加限制,可以自動地應對各種復雜的交通狀況和道路環境等,在無須人協助的情況下由出發地駛向目的地,僅需起點和終點信息,汽車將全程負責行車安全,并完全不依賴駕駛員干涉,且不受特定道路的限制。

注釋:DDT(Dynamic driving task):動態駕駛任務,指汽車在道路上行駛所需的所有實時操作和策略上的功能,不包括行程安排、目的地和途徑地的選擇等戰略上的功能。

無人駕駛系統的核心可以概述為三個部分:感知(Perception),規劃(Planning)和控制(Control),這些部分的交互以及其與車輛硬件、其他車輛的交互可以用下圖表示:

感知是指無人駕駛系統從環境中收集信息并從中提取相關知識的能力。其中,環境感知(Environmental Perception)特指對于環境的場景理解能力,例如障礙物的位置,道路標志/標記的檢測,行人車輛的檢測等數據的語義分類。 一般來說,定位(Localization)也是感知的一部分,定位是無人車確定其相對于環境的位置的能力。

為了確保無人車對環境的理解和把握,無人駕駛系統的環境感知部分通常需要獲取周圍環境的大量信息,具體來說包括:障礙物的位置,速度以及可能的行為,可行駛的區域,交通規則等等。無人車通常是通過融合激光雷達(Lidar),相機(Camera),毫米波雷達(Millimeter Wave Radar)等多種傳感器的數據來獲取這些信息。

車載雷達傳感器功能及優缺點各有不同,相關比較如下表所示:

激光雷達 是一類使用激光進行探測和測距的設備,它能夠每秒鐘向環境發送數百萬光脈沖,它的內部是一種旋轉的結構,這使得激光雷達能夠實時的建立起周圍環境的3維地圖。

通常來說,激光雷達以10Hz左右的速度對周圍環境進行旋轉掃描,其掃描一次的結果為密集的點構成的3維圖,每個點具備(x,y,z)信息,這個圖被稱為點云圖(Point Cloud Graph),如下圖所示,是使用Velodyne VLP-32c激光雷達建立的一個點云地圖:

激光雷達因其可靠性目前仍是無人駕駛系統中最重要的傳感器,然而,在現實使用中,激光雷達并不是完美的,往往存在點云過于稀疏,甚至丟失部分點的問題,對于不規則的物體表面,使用激光雷達很難辨別其模式,另一個比較大的挑戰是一個比較大的挑戰是激光雷達感知范圍比較近,感知范圍平均在 150m 左右,這取決于環境和障礙物的不同。激光雷達在角分辨度上也遠遠不及照相機。激光雷達對環境的敏感度也是比較大的,例如雨天中,車輛行駛中濺起來的水花,在激光雷達上都是有噪點的。

毫米波雷達 通過發射電磁波并通過檢測回波來探測目標的有無、距離、速度和方位。由于毫米波雷達技術相對成熟,成本較低,并且在不良天氣下表現良好,因此成為感知設備中重要的一環。但由于其分辨率較低,因此不能作為激光雷達的替代品,而是激光雷達的重要補充設備。

攝像機 根據鏡頭和布置方式的不同主要有以下四種:單目攝像機、雙目攝像機、三目攝像機和環視攝像機。

單目攝像機 模組只包含一個攝像機和一個鏡頭。由于很多圖像算法的研究都是基于單目攝像機開發的,因此相對于其他類別的攝像機,單目攝像機的算法成熟度更高。但是單目有著兩個先天的缺陷。一是它的視野完全取決于鏡頭。焦距短的鏡頭,視野廣,但缺失遠處的信息。反之亦然。因此單目攝像機一般選用適中焦距的鏡頭。二是單目測距的精度較低。攝像機的成像圖是透視圖,即越遠的物體成像越小。近處的物體,需要用幾百甚至上千個像素點描述;而處于遠處的同一物體,可能只需要幾個像素點即可描述出來。這種特性會導致,越遠的地方,一個像素點代表的距離越大,因此對單目來說物體越遠,測距的精度越低。

雙目攝像機 由于單目測距存在缺陷,雙目攝像機應運而生。相近的兩個攝像機拍攝物體時,會得到同一物體在攝像機的成像平面的像素偏移量。有了像素偏移量、相機焦距和兩個攝像機的實際距離這些信息,根據數學換算即可得到物體的距離。雖然雙目能得到較高精度的測距結果和提供圖像分割的能力,但是它與單目一樣,鏡頭的視野完全依賴于鏡頭。而且雙目測距原理對兩個鏡頭的安裝位置和距離要求較多,這就會給相機的標定帶來麻煩。

三目攝像機 由于單目和雙目都存在某些缺陷,因此廣泛應用于無人駕駛的攝像機方案為三目攝像機。三目攝像機其實就是三個不同焦距單目攝像機的組合。根據焦距不同,每個攝像機所感知的范圍也不盡相同。對攝像機來說,感知的范圍要么損失視野,要么損失距離。三目攝像機能較好地彌補感知范圍的問題。因此在業界被廣泛應用。正是由于三目攝像機每個相機的視野不同,因此近處的測距交給寬視野攝像頭,中距離的測距交給主視野攝像頭,更遠的測距交給窄視野攝像頭。這樣一來每個攝像機都能發揮其最大優勢。三目的缺點是需要同時標定三個攝像機,因而工作量更大。其次軟件部分需要關聯三個攝像機的數據,對算法要求也很高。

環視攝像機, 之前提到的三款攝像機它們所用的鏡頭都是非魚眼的,環視攝像機的鏡頭是魚眼鏡頭,而且安裝位置是朝向地面的。某些高配車型上會有“360°全景顯示”功能,所用到的就是環視攝像機。安裝于車輛前方、車輛左右后視鏡下和車輛后方的四個魚眼鏡頭采集圖像,魚眼攝像機為了獲取足夠大的視野,代價是圖像的畸變嚴重。環視攝像機的感知范圍并不大,主要用于車身5~10米內的障礙物檢測、自主泊車時的庫位線識別等。

為了理解點云信息,通常來說,我們對點云數據進行兩步操作:分割(Segmentation)和分類(Classification)。其中,分割是為了將點云圖中離散的點聚類成若干個整體,而分類則是區分出這些整體屬于哪一個類別(比如說行人,車輛以及障礙物)。分割算法可以被分類如下幾類:

在完成了點云的目標分割以后,分割出來的目標需要被正確的分類,在這個環節,一般使用機器學習中的分類算法,如支持向量機(Support Vector Machine,SVM)對聚類的特征進行分類,最近幾年由于深度學習的發展,業界開始使用特別設計的卷積神經網絡(Convolutional Neural Network,CNN)對三維的點云聚類進行分類。

實踐中不論是提取特征-SVM的方法還是原始點云-CNN的方法,由于激光雷達點云本身解析度低的原因,對于反射點稀疏的目標(比如說行人),基于點云的分類并不可靠,所以在實踐中,我們往往融合雷達和相機傳感器,利用相機的高分辨率來對目標進行分類,利用Lidar的可靠性對障礙物檢測和測距,融合兩者的優點完成環境感知。

無人駕駛系統中,我們通常使用圖像視覺來完成道路的檢測和道路上目標的檢測。道路的檢測包含對道路線的檢測(Lane Detection),可行駛區域的檢測(Drivable Area Detection);道路上路標的檢測包含對其他車輛的檢測(Vehicle Detection),行人檢測(Pedestrian Detection),交通標志和信號的檢測(Traffic Sign Detection)等所有交通參與者的檢測和分類。

車道線的檢測涉及兩個方面: 第一是識別出車道線,對于彎曲的車道線,能夠計算出其曲率,第二是確定車輛自身相對于車道線的偏移(即無人車自身在車道線的哪個位置) 。一種方法是抽取一些車道的特征,包括邊緣特征(通常是求梯度,如索貝爾算子),車道線的顏色特征等,使用多項式擬合我們認為可能是車道線的像素,然后基于多項式以及當前相機在車上掛載的位置確定前方車道線的曲率和車輛相對于車道的偏離。

可行駛區域的檢測目前的一種做法是采用深度神經網絡直接對場景進行分割,即通過訓練一個逐像素分類的深度神經網絡,完成對圖像中可行駛區域的切割。

交通參與者的檢測和分類目前主要依賴于深度學習模型,常用的模型包括兩類:

傳感器層將數據以一幀幀、固定頻率發送給下游,但下游是無法拿每幀的數據去進行決策或者融合的。因為傳感器的狀態不是100%有效的,如果僅根據某一幀的信號去判定前方是否有障礙物(有可能是傳感器誤檢了),對下游決策來說是極不負責任的。因此上游需要對信息做預處理,以保證車輛前方的障得物在時間維度上是一直存在的, 而不是一閃而過。

這里就會使用到智能駕駛領域經常使用到的一個算法 卡爾曼濾波。

卡爾曼濾波(Kalman filter) 是一種高效率的遞歸濾波器(自回歸濾波器),它能夠從一系列的不完全及包含噪聲的測量中,估計動態系統的狀態??柭鼮V波會根據各測量量在不同時間下的值,考慮各時間下的聯合分布,再產生對未知變數的估計,因此會比只以單一測量量為基礎的估計方式要準。

卡爾曼濾波在技術領域有許多的應用。常見的有飛機及太空船的導引、導航及控制??柭鼮V波也廣為使用在時間序列的分析中,例如信號處理及計量經濟學中??柭鼮V波也是機器人運動規劃及控制的重要主題之一,有時也包括在軌跡最佳化??柭鼮V波也用在中軸神經系統運動控制的建模中。因為從給與運動命令到收到感覺神經的回授之間有時間差,使用卡爾曼濾波有助于建立符合實際的系統,估計運動系統的目前狀態,并且更新命令。

信息融合是指把相同屬性的信息進行多合一操作。

比如攝像機檢測到了車輛正前方有一個障礙物,毫米波也檢測到車輛前方有一個障礙物,激光雷達也檢測到前方有一個障礙物,而實際上前方只有一個障礙物,所以我們要做的是把多傳感器下這輛車的信息進行一次融合,以此告訴下游,前面有輛車,而不是三輛車。

坐標轉換在自動駕駛領域十分重要。

傳感器是安裝在不同地方的比如超聲波雷達(假如當車輛右方有一個障礙物,距離這個超聲波雷達有3米,那么我們就認為這個障礙物距離車有3米嗎?并不一定,因為決策控制層做車輛運動規劃時,是在車體坐標系下做的(車體坐標系-般以后軸中心為O點)所以最終所有傳感器的信息,都是需要轉移到自車坐標系下的。因此感知層拿到3m的障礙物位置信息后,必須將該章礙物的位置信息轉移到自車坐標系下,才能供規劃決策使用。 同理,攝像機一般安裝在擋風玻璃下面,拿到的數據也是基于攝像機坐標系的,給下游的數據,同樣需要轉換到自車坐標系下。

在無人車感知層面,定位的重要性不言而喻,無人車需要知道自己相對于環境的一個確切位置,這里的定位不能存在超過10cm的誤差,試想一下,如果我們的無人車定位誤差在30厘米,那么這將是一輛非常危險的無人車(無論是對行人還是乘客而言),因為無人駕駛的規劃和執行層并不知道它存在30厘米的誤差,它們仍然按照定位精準的前提來做出決策和控制,那么對某些情況作出的決策就是錯的,從而造成事故。由此可見,無人車需要高精度的定位。

目前使用最廣泛的無人車定位方法當屬融合 全球定位系統(Global Positioning System,GPS)和慣性導航系統(Inertial Navigation System)定位方法 ,其中,GPS的定位精度在數十米到厘米級別之間,高精度的GPS傳感器價格也就相對昂貴。融合GPS/IMU的定位方法在GPS信號缺失,微弱的情況下無法做到高精度定位,如地下停車場,周圍均為高樓的市區等,因此只能適用于部分場景的無人駕駛任務。

地圖輔助類定位算法是另一類廣泛使用的無人車定位算法, 同步定位與地圖構建(Simultaneous Localization And Mapping,SLAM) 是這類算法的代表,SLAM的目標即構建地圖的同時使用該地圖進行定位,SLAM通過利用已經觀測到的環境特征確定當前車輛的位置以及當前觀測特征的位置。這是一個利用以往的先驗和當前的觀測來估計當前位置的過程,實踐上我們通常使用貝葉斯濾波器(Bayesian filter)來完成,具體來說包括卡爾曼濾波(Kalman Filter),擴展卡爾曼濾波(Extended Kalman Filter)以及粒子濾波(Particle Filter)。SLAM雖然是機器人定位領域的研究熱點,但是在實際無人車開發過程中使用SLAM定位卻存在問題,不同于機器人,無人車的運動是長距離的,大開放環境的。在長距離的運動中,隨著距離的增大,SLAM定位的偏差也會逐漸增大,從而造成定位失敗。

在實踐中,一種有效的無人車定位方法是改變原來SLAM中的掃描匹配類算法,具體來說,我們不再在定位的同時制圖,而是事先使用傳感器如激光雷達對區域構建點云地圖,通過程序和人工的處理將一部分“語義”添加到地圖中(例如車道線的具體標注,路網,紅綠燈的位置,當前路段的交通規則等等),這個包含了語義的地圖就是我們無人駕駛車的 高精度地圖(HD Map) 。實際定位的時候,使用當前激光雷達的掃描和事先構建的高精度地圖進行點云匹配,確定我們的無人車在地圖中的具體位置,這類方法被統稱為掃描匹配方法(Scan Matching),掃描匹配方法最常見的是迭代最近點法(Iterative Closest Point ,ICP),該方法基于當前掃描和目標掃描的距離度量來完成點云配準。

除此以外, 正態分布變換(Normal Distributions Transform,NDT) 也是進行點云配準的常用方法,它基于點云特征直方圖來實現配準?;邳c云配準的定位方法也能實現10厘米以內的定位精度。雖然點云配準能夠給出無人車相對于地圖的全局定位,但是這類方法過于依賴事先構建的高精度地圖,并且在開放的路段下仍然需要配合GPS定位使用,在場景相對單一的路段(如高速公路),使用GPS加點云匹配的方法相對來說成本過高。

拓展閱讀: L4 自動駕駛中感知系統遇到的挑戰及解決方案

淺析自動駕駛的重要一環:感知系統發展現狀與方向

無人車的規劃模塊分為三層設計:任務規劃,行為規劃和動作規劃,其中,任務規劃通常也被稱為路徑規劃或者路由規劃(Route Planning),其負責相對頂層的路徑規劃,例如起點到終點的路徑選擇。 我們可以把我們當前的道路系統處理成有向網絡圖(Directed Graph Network),這個有向網絡圖能夠表示道路和道路之間的連接情況,通行規則,道路的路寬等各種信息,其本質上就是我們前面的定位小節中提到的高精度地圖的“語義”部分,這個有向網絡圖被稱為路網圖(Route Network Graph),如下圖所示:

這樣的路網圖中的每一個有向邊都是帶權重的,那么,無人車的路徑規劃問題,就變成了在路網圖中,為了讓車輛達到某個目標(通常來說是從A地到B地),基于某種方法選取最優(即損失最?。┑穆窂降倪^程,那么問題就變成了一個有向圖搜索問題,傳統的算法如迪科斯徹算法(Dijkstra’s Algorithm)和A 算法(A Algorithm)主要用于計算離散圖的最優路徑搜索,被用于搜索路網圖中損失最小的路徑。

行為規劃有時也被稱為決策制定(Decision Maker),主要的任務是按照任務規劃的目標和當前的局部情況(其他的車輛和行人的位置和行為,當前的交通規則等),作出下一步無人車應該執行的決策,可以把這一層理解為車輛的副駕駛,他依據目標和當前的交通情況指揮駕駛員是跟車還是超車,是停車等行人通過還是繞過行人等等。

行為規劃的一種方法是使用包含大量動作短語的復雜有限狀態機(Finite State Machine,FSM)來實現,有限狀態機從一個基礎狀態出發,將根據不同的駕駛場景跳轉到不同的動作狀態,將動作短語傳遞給下層的動作規劃層,下圖是一個簡單的有限狀態機:

如上圖所示,每個狀態都是對車輛動作的決策,狀態和狀態之間存在一定的跳轉條件,某些狀態可以自循環(比如上圖中的循跡狀態和等待狀態)。雖然是目前無人車上采用的主流行為決策方法,有限狀態機仍然存在著很大的局限性:首先,要實現復雜的行為決策,需要人工設計大量的狀態;車輛有可能陷入有限狀態機沒有考慮過的狀態;如果有限狀態機沒有設計死鎖保護,車輛甚至可能陷入某種死鎖。

通過規劃一系列的動作以達到某種目的(比如說規避障礙物)的處理過程被稱為動作規劃。通常來說,考量動作規劃算法的性能通常使用兩個指標:計算效率(Computational Efficiency)和完整性(Completeness),所謂計算效率,即完成一次動作規劃的處理效率,動作規劃算法的計算效率在很大程度上取決于配置空間(Configuration Space),如果一個動作規劃算法能夠在問題有解的情況下在有限時間內返回一個解,并且能夠在無解的情況下返回無解,那么我們稱該動作規劃算法是完整的。

配置空間:一個定義了機器人所有可能配置的集合,它定義了機器人所能夠運動的維度,最簡單的二維離散問題,那么配置空間就是[x, y],無人車的配置空間可以非常復雜,這取決于所使用的運動規劃算法。

在引入了配置空間的概念以后,那么無人車的動作規劃就變成了:在給定一個初始配置(Start Configuration),一個目標配置(Goal Configuration)以及若干的約束條件(Constraint)的情況下,在配置空間中找出一系列的動作到達目標配置,這些動作的執行結果就是將無人車從初始配置轉移至目標配置,同時滿足約束條件。在無人車這個應用場景中,初始配置通常是無人車的當前狀態(當前的位置,速度和角速度等),目標配置則來源于動作規劃的上一層——行為規劃層,而約束條件則是車輛的運動限制(最大轉角幅度,最大加速度等)。顯然,在高維度的配置空間來動作規劃的計算量是非常巨大的,為了確保規劃算法的完整性,我們不得不搜索幾乎所有的可能路徑,這就形成了連續動作規劃中的“維度災難”問題。目前動作規劃中解決該問題的核心理念是將連續空間模型轉換成離散模型,具體的方法可以歸納為兩類:組合規劃方法(Combinatorial Planning)和基于采樣的規劃方法(Sampling-Based Planning)。

運動規劃的組合方法通過連續的配置空間找到路徑,而無需借助近似值。由于這個屬性,它們可以被稱為精確算法。組合方法通過對規劃問題建立離散表示來找到完整的解,如在Darpa城市挑戰賽(Darpa Urban Challenge)中,CMU的無人車BOSS所使用的動作規劃算法,他們首先使用路徑規劃器生成備選的路徑和目標點(這些路徑和目標點事融合動力學可達的),然后通過優化算法選擇最優的路徑。另一種離散化的方法是網格分解方法(Grid Decomposition Approaches),在將配置空間網格化以后我們通常能夠使用離散圖搜索算法(如A*)找到一條優化路徑。

基于采樣的方法由于其概率完整性而被廣泛使用,最常見的算法如PRM(Probabilistic Roadmaps),RRT(Rapidly-Exploring Random Tree),FMT(Fast-Marching Trees),在無人車的應用中,狀態采樣方法需要考慮兩個狀態的控制約束,同時還需要一個能夠有效地查詢采樣狀態和父狀態是否可達的方法。

自動駕駛汽車的車輛控制技術旨在環境感知技術的基礎之上,根據決策規劃出目標軌跡,通過縱向和橫向控制系統的配合使汽車能夠按照跟蹤目標軌跡準確穩定行駛,同時使汽車在行駛過程中能夠實現車速調節、車距保持、換道、超車等基本操作。

互聯網科技公司主要做軟件,以工程機上層為主;而車廠其實以下層的組裝為主,也就是OEM,也不是那么懂車。像制動、油門和轉向等這些領域,話語權依然集中在博世、大陸這樣的Tier 1身上。

自動駕駛控制的核心技術是車輛的縱向控制和橫向控制技術??v向控制,即車輛的驅動與制動控制;橫向控制,即方向盤角度的調整以及輪胎力的控制。實現了縱向和橫向自動控制,就可以按給定目標和約束自動控制車運行。所以,從車本身來說,自動駕駛就是綜合縱向和橫向控制。

車輛縱向控制是在行車速度方向上的控制,即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制器算法結合,構成了各種各樣的縱向控制模式,典型結構如圖所示。

此外,針對輪胎作用力的 滑移率控制 是縱向穩定控制中的關鍵部分?;坡士刂葡到y通過控制車輪滑移率調節車輛的縱向動力學特性來防止車輛發生過度驅動滑移或者制動抱死,從而提高車輛的穩定性和操縱性能。制動防抱死系統(antilock brake system)簡稱 ABS,在汽車制動時,自動控制制動器制動力的大小,使車輪不被抱死,處于邊滾邊滑(滑移率在 20%左右)的狀態,以保證地面能夠給車輪提供最大的制動作用力值。一些智能滑移率控制策略利用充足的環境感知信息設計了隨道路環境變化的車輪最有滑移率調節器,從而提升輪胎力作用效果。

智能控制策略,如模糊控制、神經網絡控制、滾動時域優化控制等,在縱向控制中也得到廣泛研究和應用,并取得了較好的效果,被認為是最有效的方法。

而傳統控制的方法, 如PID控制和前饋開環控制 ,一般是建立發動機和汽車運動過程的近似線形模型,在此基礎上設計控制器,這種方法實現的控制,由于對模型依賴性大及模型誤差較大,所以精度差、適應性差。從目前的論文和研究的項目看,尋求簡單而準確的電機-發動機-傳動、剎車過程和汽車運動模型,以及對隨機擾動有魯棒性和對汽車本身性能變化有適應性的控制器仍是研究的主要內容。

車輛橫向控制指垂直于運動方向上的控制,對于汽車也就是轉向控制。目標是控制汽車自動保持期望的行車路線,并在不同的車速、載荷、風阻、路況下有很好的乘坐舒適性和穩定性。

車輛橫向控制主要有兩種基本設計方法,一種是基于駕駛員模擬的方法;另一種是給予汽車橫向運動力學模型的控制方法?;隈{駛員模擬的方法,一種策略是使用較簡單的運動力學模型和駕駛員操縱規則設計控制器;另一策略是用駕駛員操縱過程的數據訓練控制器獲取控制算法?;谶\動力學模型的方法要建立較精確的汽車橫向運動模型。典型模型是所謂單軌模型,或稱為自行車模型,也就是認為汽車左右兩側特性相同。橫向控制系統基本結構如下圖??刂颇繕艘话闶擒囍行呐c路中心線間的偏移量,同時受舒適性等指標約束。

自動駕駛即將來臨,最先應用在哪些行業?

目前的自動駕駛技術在一些場景中已經有了一些應用。例如,在我們看到的新聞中,某公園用無人車接送等,事實上,這種自動駕駛車是可以投入這種公園的應用,因為它有規定的行駛路線,在行駛過程中有規定的環境,有規定的停車時間。另外,在高速公路上自動駕駛,如果前面有車,瞄準的方式也可以實現與前面車的固定距離。這種高速公路模式的自動駕駛也是比較成熟的技術。很多車輛在高速條件下平穩巡航,其實是類似的事情。

從上面可以看到,自動駕駛技術的情況下,場景相對固定,有參考對象,有準確的地圖,突發情況少,自動駕駛技術已經得到了比較好的應用。甚至在目前的輔助駕駛系統中,也有視覺上看到紅燈和車道線,幫助他們剎車,幫助他們不要闖紅燈的技術等。(阿爾伯特愛因斯坦,北上廣深)。

想要自動駕駛技術普及的困難主要在于在任何場景下的適應性。例如,在比較混亂的道路上沒有準確的地圖,信號燈已經壞了,下一條車道也不明顯。對自動駕駛系統的輸入特別少,不知道該怎么行動。這種場面不多,但車輛行為出現一些差池,就是車毀壞人的情況。所以自動駕駛技術首先在比較固定的場景和簡單的應用程序中落地。全方位代替人的自動駕駛技術可能需要很長時間,更多的是輔助駕駛技術的落地,成為人們的新輔助。

在日劇城市化的世界,自動駕駛技術能提高交通流暢度、降低事故發生概率、提升生活品質。汽車作為傳統交通模式中的一員,是我們未能充分利用的資產,一般人每天只開1-2小時,而未來交通模式由按需出行的電動自動駕駛車輛組成,汽車作為服務工具應用于我們想要它出現的任何地方,升級換代自動汽車有助于加速模式轉變,不久的將來,我們會親眼目睹如此有效的模式誕生,從“擁有硬件”向“享受由硬件所產生的效用”所轉化。

生活中的人工智能之無人駕駛

姓名:陳心語? 學號:21009102266 書院:海棠1號書院

轉自: 人工智能在自動駕駛技術中的應用 - 云+社區 - 騰訊云 (tencent.com)

【嵌牛導讀】本文介紹了人工智能在無人駕駛方面的應用。

【嵌牛鼻子】人工智能運用于無人駕駛。

【嵌牛提問】人工智能在無人駕駛方面中有什么運用呢?

【嵌牛正文】

隨著技術的快速發展云計算、大數據、人工智能一些新名詞進入大眾的視野,人工智能是人類進入信息時代后的又一技術革命正受到越來越廣泛的重視。作為人工智能技術在汽車行業、交通領域的延伸與應用,無人駕駛近幾年在世界范圍內受到了產學界甚至國家層面的密切關注。

自動駕駛汽車依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作,讓電腦可以在沒有任何人類主動的操作下,自動安全地操作機動車輛。自動駕駛技術將成為未來汽車一個全新的發展方向。

本文將主要介紹人工智能技術在自動駕駛中的應用領域,并對自動技術的發展前景進行一個簡單的分析。

人工智能是一門起步晚卻發展快速的科學。20 世紀以來科學工作者們不斷尋求著賦予機器人類智慧的方法?,F代人工智能這一概念是從英國科學家圖靈的尋求智能機發展而來,直到1937年圖靈發表的論文《理想自動機》給人工智能下了嚴格的數學定義,現實世界中實際要處理的很多問題不能單純地是數值計算,如言語理解與表達、圖形圖像及聲音理解、醫療診斷等等。

1955 年Newell 和Simon 的Logic Theorist證明了《數學原理》中前52 個定理中的38 個。Simon 斷言他們已經解決了物質構成的系統如何獲得心靈性質的問題( 這種論斷在后來的哲學領域被稱為“強人工智能”) ,認為機器具有像人一樣邏輯思維的能力。1956 年,“人工智能”( AI) 由美國的JohnMcCarthy 提出,經過早期的探索階段,人工智能向著更加體系化的方向發展,至此成為一門獨立的學科。

五十年代,以游戲博弈為對象開始了人工智能的研究;六十年代,以搜索法求解一般問題的研究為主;七十年代,人工智能學者進行了有成效的人工智能研究;八十年代,開始了不確定推理、非單調推理、定理推理方法的研究;九十年代,知識表示、機器學習、分布式人工智能等基礎性研究方面都取得了突破性的進展。

人工智能在自動駕駛技術中的應用概述

人工智能發展六十年,幾起幾落,如今迎來又一次熱潮,深度學習、計算機視覺和自然語言理解等各方面的突破,使得許多曾是天方夜譚的應用成為可能,無人駕駛汽車就是其中之一。作為人工智能等技術在汽車行業、交通領域的延伸與應用,無人駕駛近幾年在世界范圍內受到了產學界甚至國家層面的密切關注。目前,人工智能在汽車自動駕駛技術中也有了廣泛應用。

自動駕駛汽車依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作,它是一個集環境感知、規劃決策、多等級輔助駕駛等功能于一體的綜合系統, 它集中運用了計算機、現代傳感、信息融合、通訊、人工智能及自動控制等技術, 是典型的高新技術綜合體。

這種汽車能和人一樣會“思考” 、“判斷”、“行走” ,讓電腦可以在沒有任何人類主動的操作下,自動安全地操作機動車輛 。 按照 SAE (美國汽車工程師協會)的分級,共分為:駕駛員輔助、部分自動駕駛、有條件自動駕駛、高度自動駕駛、完全自動駕駛五個層級。

第一階段:駕駛員輔助 目的是為駕駛者提供協助,包括提供重要或有益的駕駛相關信息,以及在形勢開始變得危急的時候發出明確而簡潔的警告?,F階段大部分ADAS主動安全輔助系統,讓車輛能夠實現感知和干預操作。例如防抱死制動系統(ABS)、電子穩定性控制(ESC)、車道偏離警告系統、正面碰撞警告系統、盲點信息系統等等,此時車輛是能夠通過攝像頭、雷達傳感器獲知周圍交通狀況,進而做出警示和干預。

第二階段:部分自動駕駛 車輛通過攝像頭、雷達傳感器、激光傳感器等等設備獲取道路以及周邊交通信息,車輛會自行對方向盤和加減速中的多項操作提供駕駛支援,在駕駛者收到警告卻未能及時采取相應行動時能夠自動進行干預,其他操作交由駕駛員,實現人機共駕,但車輛不允許駕駛員的雙手脫離方向盤。例如自適應巡航控制(ACC)、車道保持輔助系統(LKA)、自動緊急制動(AEB)系統、車道偏離預警(LDW)等。

第三階段:有條件自動駕駛 由自動駕駛系統完成駕駛操作,根據路況條件所限,必要時發出系統請求,必須交由駕駛員駕駛。

第四階段:高度自動駕駛 由自動駕駛系統完成所有駕駛操作,根據系統請求,駕駛員可以不接管車輛。車輛已經可以完成自動駕駛,一旦出現自動駕駛系統無法招架的情形,車輛也可以自行調整完成自動駕駛,駕駛員不需要干涉。

第五階段:完全自動駕駛 自動駕駛的理想形態,乘客只需提供目的地,無論任何路況,任何天氣,車輛均能夠實現自動駕駛。這種自動化水平允許乘客從事計算機工作、休息和睡眠以及其他***等活動,在任何時候都不需要對車輛進行監控。

自動駕駛的實現

車輛實現自動駕駛,必須經由三大環節:

第一,感知。 也就是讓車輛獲取,不同的系統需要由不同類型的車用感測器,包含毫米波雷達、超聲波雷達、紅外雷達、雷射雷達、CCD \CMOS影像感測器及輪速感測器等來收集整車的工作狀態及其參數變化情形。

第二,處理。 也就是大腦將感測器所收集到的資訊進行分析處理,然后再向控制的裝置輸出控制訊號。

第三,執行。 依據ECU輸出的訊號,讓汽車完成動作執行。其中每一個環節都離不開人工智能技術的基礎。

人工智能在自動駕駛定位技術中的應用

定位技術是自動駕駛車輛行駛的基礎。目前常用的技術包括 線導航、磁導航、無線導航、視覺導航、導航、激光導航等。

其中磁導航是目前最成熟可靠的方案,現有大多數應用均采用這種導航技術。磁導航技術通過在車道上埋設磁性標志來給車輛提供車道的邊界信息,磁性材料具有好的環境適應性,它對雨天,冰雪覆蓋,光照不足甚至無光照的情況都可適應,不足之處是需要對現行的道路設施作出較大的改動,成本較高。同時磁性導航技術無法預知車道前方的障礙,因而不可能單獨使用。

視覺導航對基礎設施的要求較低,被認為是最有前景的導航方法。在高速路和城市環境中視覺方法受到了較大的關注。

人工智能在自動駕駛圖像識別與感知中的應用

無人駕駛汽車感知依靠傳感器。目前傳感器性能越來越高、體積越來越小、功耗越來越低,其飛速發展是無人駕駛熱潮的重要推手。反過來,無人駕駛又對車載傳感器提出了更高的要求,又促進了其發展。

用于無人駕駛的傳感器可以分為四類:

雷達傳感器

主要用來探測一定范圍內障礙物(比如車輛、行人、路肩等)的方位、距離及移動速度,常用車載雷達種類有激光雷達、毫米波雷達和超聲波雷達。激光雷達精度高、探測范圍廣,但成本高,比如Google無人車頂上的64線激光雷達成本高達70多萬元人民幣;毫米波雷達成本相對較低,探測距離較遠,被車企廣泛使用,但與激光雷達比精度稍低、可視角度偏??;超聲波雷達成本最低,但探測距離近、精度低,可用于低速下碰撞預警。

視覺傳感器

主要用來識別車道線、停止線、交通信號燈、交通標志牌、行人、車輛等。常用的有單目攝像頭、雙目攝像頭、紅外攝像頭。視覺傳感器成本低,相關研究與產品非常多,但視覺算法易受光照、陰影、污損、遮擋影響,準確性、魯棒性有待提高。所以,作為人工智能技術廣泛應用的領域之一的圖像識別,也是無人駕駛汽車領域的一個研究熱點。

定位及位姿傳感器

主要用來實時高精度定位以及位姿感知,比如獲取經緯度坐標、速度、加速度、航向角等,一般包括全球衛星定位系統(GNSS)、慣性設備、輪速計、里程計等?,F在國內常用的高精度定位方法是使用差分定位設備,如RTK-GPS,但需要額外架設固定差分基站,應用距離受限,而且易受建筑物、樹木遮擋影響。近年來很多省市的測繪部門都架設了相當于固定差分基站的連續運行參考站系統(CORS),比如遼寧、湖北、上海等,實現了定位信號的大范圍覆蓋,這種基礎設施建設為智能駕駛提供了有力的技術支撐。定位技術是無人駕駛的核心技術,因為有了位置信息就可以利用豐富的地理、地圖等先驗知識,可以使用基于位置的服務。

車身傳感器

來自車輛本身,通過整車網絡接口獲取諸如車速、輪速、檔位等車輛本身的信息。

人工智能在自動駕駛深度學習中的應用

駕駛員認知靠大腦,無人駕駛汽車的“大腦”則是計算機。無人車里的計算機與我們常用的臺式機、筆記本略有不同,因為車輛在行駛的時候會遇到顛簸、震動、粉塵甚至高溫的情況,一般計算機無法長時間運行在這些環境中。所以無人車一般選用工業環境下的計算機——工控機。

工控機上運行著操作系統,操作系統中運行著無人駕駛軟件。如圖1所示為某無人駕駛車軟件系統架構。操作系統之上是支撐模塊(這里模塊指的是計算機程序),對上層軟件模塊提供基礎服務。

支撐模塊包括:虛擬交換模塊,用于模塊間通信;日志管理模塊,用于日志記錄、檢索以及回放;進程監控模塊,負責監視整個系統的運行狀態,如果某個模塊運行不正常則提示操作人員并自動采取相應措施;交互調試模塊,負責開發人員與無人駕駛系統交互。

圖:某無人駕駛車軟件系統架構

除了對外界進行認知之外,機器還必須要能夠進行學習。深度學習是無人駕駛技術成功地基礎,深度學習是源于人工神經網絡的一種高效的機器學習方法。深度學習可以提高汽車識別道路、行人、障礙物等的時間效率,并保障了識別的正確率。通過大量數據的訓練之后,汽車可以將收集到的圖形,電磁波等信息轉換為可用的數據,利用深度學習算法實現無人駕駛。

在無人駕駛汽車通過雷達等收集到數據時,對于原始的訓練數據要首先進行數據的預處理化。計算均值并對數據的均值做均值標準化、對原始數據做主成分分析、使用PCA白化或ZCA白化。例如:將激光傳感器收集到的時間數據轉換為車與物體之間的距離;將車載攝像頭拍攝到的照片信息轉換為對路障的判斷,對紅綠燈的判斷,對行人的判斷等;雷達探測到的數據轉換為各個物體之間的距離。

將深度學習應用于無人駕駛汽車中, 主要包含以下步驟:

1. 準備數據,對數據進行預處理再選用合適的數據結構存儲訓練數據和測試元組;

2. 輸入大量數據對第一層進行無監督學習;

3. 通過第一層對數據進行聚類,將相近的數據劃分為同一類,隨機進行判斷;

4. 運用監督學習調整第二層中各個節點的閥值,提高第二層數據輸入的正確性;

5. 用大量的數據對每一層網絡進行無監督學習,并且每次用無監督學習只訓練一層,將其訓練結果作為其更高一層的輸入。

6. 輸入之后用監督學習去調整所有層。

人工智能在自動駕駛信息共享中的應用

首先, 利用無線網絡進行車與車之間的信息共享。通過專用通道,一輛汽車可以把自己的位置、路況實時分享給隊里的其它汽車,以便其它車輛的自動駕駛系統,在收到信息后做出相應調整。

其次, 是3D路況感應,車輛將結合超聲波傳感器、攝像機、雷達和激光測距等技術,檢測出汽車前方約5米內地形地貌,判斷前方是柏油路還是碎石、草地、沙灘等路面,根據地形自動改變汽車設置。

另外, 汽車還將能進行自動變速,一旦探測到地形發生改變,可以自動減速,路面恢復正常后,再回到原先狀態。

汽車信息共享所收集到的交通信息量將非常巨大,如果不對這些數據進行有效處理和利用,就會迅速被信息所湮沒。因此需要采用數據挖掘、人工智能等方式提取有效信息,同時過濾掉無用信息??紤]到車輛行駛過程中需要依賴的信息具有很大的時間和空間關聯性,因此有些信息的處理需要非常及時。

人工智能應用于自動駕駛技術中的優勢

人工智能算法更側重于學習功能,其他算法更側重于計算功能。 學習是智能的重要體現,學習功能是人工智能的重要特征,現階段大多人工智能技術還處在學的階段。如前文所說,無人駕駛實際上是類人駕駛,是智能車向人類駕駛員學習如何感知交通環境,如何利用已有的知識和駕駛經驗進行決策和規劃,如何熟練地控制方向盤、油門和剎車。

從感知、認知、行為三個方面看, 感知部分難度最大, 人工智能技術應用最多。感知技術依賴于傳感器,比如攝像頭,由于其成本低,在產業界倍受青睞。以色列一家名叫Mobileye的公司在交通圖像識別領域做得非常好,它通過一個攝像頭可以完成交通標線識別、交通信號燈識別、行人檢測,甚至可以區別前方是自行車、汽車還是卡車。

人工智能技術在圖像識別領域的成功應用莫過于深度學習,近幾年研究人員通過卷積神經網絡和其它深度學習模型對圖像樣本進行訓練,大大提高了識別準確率。Mobileye目前取得的成果,正是得益于該公司很早就將深度學習當作一項核心技術進行研究。 認知與控制方面,主要使用人工智能領域中的傳統機器學習技術,通過學習人類駕駛員的駕駛行為建立駕駛員模型,學習人的方式駕駛汽車。

無人駕駛技術所面臨的挑戰和展望

在目前交通出行狀況越來越惡劣的背景下,“無人駕駛”汽車的商業化前景,還受很多因素制約。

主要有:

1. 法規障礙

2. 不同品牌車型間建立共同協議,行業缺少規范和標準

3. 基礎道路狀況,標識和信息準確性,信息網絡的安全性

4. 難以承受的高昂成本

此外,“無人駕駛”汽車的一個最大特點,就是 車輛網絡化、信息化程度極高 ,而這也對電腦系統的安全問題形成極大挑戰。一旦遇到電腦程序錯亂或者信息網絡被入侵的情況,如何繼續保證自身車輛以及周圍其他車輛的行駛安全,這同樣是未來急需解決的問題。 雖然無人駕駛技術還存在著很多挑戰,但是無人駕駛難在感知,重在“學習”,無人駕駛的技術水平遲早會超過人類,因為穩、準、快是機器的先天優勢,人類無法與之比擬。

自動駕駛技術應用領域的介紹就聊到這里吧,感謝你花時間閱讀本站內容,更多關于自動駕駛技術應用前景、自動駕駛技術應用領域的信息別忘了在本站進行查找喔。

掃碼二維碼
人妻一区二区三区_国产精品无码毛片久久久_精品无码久久久久久囯产_久久精品亚洲AV日韩AV

<b id="sidpw"></b>

<b id="sidpw"></b><tt id="sidpw"><address id="sidpw"></address></tt>
<tt id="sidpw"></tt>

<b id="sidpw"></b>

<b id="sidpw"></b>