汽车无人驾驶技术分析Word格式.docx
《汽车无人驾驶技术分析Word格式.docx》由会员分享，可在线阅读，更多相关《汽车无人驾驶技术分析Word格式.docx（24页珍藏版）》请在冰豆网上搜索。
总的来看，五个维度的推荐互为前提条件，交错前进，最终形成新技术、新行业、新生态。
5、无人驾驶关键技术正在突破
无人驾驶技术是一个涉及传感器、计算机、信息通讯、自动控制、导航定位、机器视觉、人工智能等多诸多前沿学科的综合技术。
根据无人驾驶的职能模块，可将无人驾驶的关键技术分为：
环境感知技术、定位导航技术、路径规划技术和决策控制技术。
环境感知技术是通过多种传感器对车辆周围的环境信息进行感知。
环境信息不仅包括了车辆自身状态信息，如车辆速度、转向度、位置信息、倾角、加速度等，还包括四周环境信息，如道路位置、道路方向、障碍物位置和速度、交通标志等。
定位导航技术主要包括定位技术和导航技术。
定位技术可以分为相对定位（如陀螺仪、里程计算）、绝对定位（如GPS）和组合定位。
导航技术可以分为基于地图的导航和不基于地图的导航（如惯性导航）。
其中高精度地图在无人驾驶的导航中起关键作用。
路径规划技术可以为无人驾驶提供最优的行车路径。
无人驾驶车在行驶过程中，行车路线的确定、如何躲避障碍物、路口转向等问题都需要通过路径规划技术完成。
据适用范围不同，路径规划技术通常可分为全局路径规划和局部路径规划。
决策控制技术相当于智能车的大脑，它通过综合分析环境感知系统提供的信息，对当前的车辆行为产生决策。
决策技术还需要考虑车辆的机械特性、动力特性，出合理的控制策略。
常用的决策技术有机器学习、神经网络、贝叶斯网络、模糊逻辑等。
根据决策技术的不同，控制系统可分为反射式、反应式和综合式。
二、外部环境：
无人驾驶的标准、法规和支持
1、美国不断更新和完善关于无人驾驶的标准和法规
（1）NHTSA将在2016年提出完全无人驾驶的安全运行指导原则
2016年1月，美国交通部更新美国国家公路交通安全管理局（NHTSA）在2013年的针对无人驾驶的政策。
预计今年，美国国家公路交通安全管理局（NHTSA）会提出完全无人驾驶的安全运行指导原则。
L1：
大约对应Feetoff，典型代表是自适应巡航控制系统AdaptiveCruiseControl（ACC）和自动紧急制动AutomaticEmergencyBraking（AEB）。
L2：
大约对应Handsoff，与L1的区别：
驾驶员在系统能工作的时候，只用眼睛就可以了。
L3：
大约对应Eyesoff，与L2的区别：
不需要驾驶员时时刻刻盯着，系统有高度的自治权，在特定工作的情况下，系统不允许退出。
L4：
大约对应Mindoff，只要输入出发地和目的地，责任完全交给车辆端。
（2）截至2015年，美国已经有16个州启动无人驾驶立法
随着无人驾驶技术的不断发展演进，对无人驾驶的立法变得十分重要。
截至2015年，美国已经有16个州启动无人驾驶立法;
截至2014年是12个州，截至2013年是9个州，截至2012年是6个州。
Nevada在2011年授权无人驾驶车的运营，是全美第一个授权无人驾驶的州。
之后，California,Florida,Michigan,NorthDakota,Tennessee和WashingtonD.C针对无人驾驶通过了相关的法案。
Arizona州长签署了无人驾驶的行政命令。
2、中国对无人驾驶、智能驾驶的支持正在加大
工信部批准智能网联汽车试点示范区
2016年6月，由国家工信部批准的国内首个“国家智能网联汽车（上海）试点示范区”（以下简称示范区）在上海嘉定正式投入运营。
目前开放的封闭测试区（一期）可以为无人驾驶汽车提供综合性测试场地和功能要求。
根据第二届智能网联汽车技术及标准法规国际研讨会，目前国家正在积极地推动制定无人驾驶相关技术规范。
另外，由中国汽车工程学会开展的国家智能网联汽车技术路线图已经基本完成，将在合适的时机对外发布。
三、环境感知：
激光雷达是无人驾驶车最重要的传感器之一
1、无人驾驶车的环境感知系统
传感器是无人驾驶汽车的眼睛，用来观察行驶时环境的动态变化，无人驾驶车中不可或缺的重要组成部分，常用的传感器包括摄像头、激光雷达、超声波雷达、GPS、陀螺仪等等。
最主要的两种传感器就是摄像头和激光雷达。
摄像头（Camera）作为一种已普遍应用的传感器，具有成本低廉、信息采集量大等特点，现在的摄像头的分辨率也己经达到了较高水准。
激光雷达（LIDAR）测距的优势就在于分辨率高、精确度高（可达到厘米级）、定向性好、抗有源干扰能力强，基于这些优势，激光雷达广泛应做无人驾驶、智能驾驶的传感器，缺点是价格较高。
2、激光雷达：
无人驾驶车最重要的传感器之一
（1）激光雷达的主流厂商有Velodyne、Quanergy、Ibeo等公司
激光光束与声波相比更加聚拢，可以准确测量视场中物体轮廓边沿与设备间的相对距离，这些轮廓信息组成所谓的点云并绘制出3D环境地图，精度可达到厘米级别。
激光雷达的组成部件主要包括：
激光转台、激光发射单元、接收单元、信息处理单元等，发射单元将电脉冲变成光脉冲发射出去，接收单元再把从目标反射回来的光放冲还原成电脉冲，通过计算发送信号到接收信号的时间差，便可得到前方物体的距离信息。
激光雷达的主流厂商包括Velodyne、Quanergy、Ibeo等公司。
他们最高的激光器数分别是64、8、8;
代表性产品分别是HDL-64、S3、LUX;
精度分别可以达到±
2cm、±
5cm、±
10cm。
Velodyne的客户有福特这样的车厂，也有Google，Uber，XX等互联网企业。
Velodyne不提供算法产品，向车企或者互联网企业输出的是激光雷达原始数据，用于完全无人驾驶的测试。
Quanergy的客户有德尔福，提供包括硬件和软件在内的整套解决方案，用于部分无人驾驶测试。
Ibeo与法雷奥合作，提供相控阵激光雷达技术，用于ADAS，如汽车紧急制动时的核心检测传感器。
（2）Velodyne激光雷达产品被Google、Uber、XX等互联网公司广泛采纳
Velodyne的主打产品HDL-64有64个激光器数，最远测量范围可达100-120米，精度可以达到±
2cm。
扫描频率1.3M点/秒，垂直视野26.8°
，水平视野360°
，功率60W，作业温度-10至50℃，大小203mm×
284mm，重量15kg。
目前价格较高，约6-7万美元。
激光光束测量视场中物体轮廓边沿与设备间的相对距离，这些轮廓信息组成点云并绘制出3D环境地图，精度可达到厘米级别。
拆解后的VelodyneHDL-64，从正面看，整个激光收发器可以视为上下两部分，每部分都有三个并排透镜，两侧透镜是激光发射处，中间是接收处。
转到产品背后会发现，两侧凸镜后各有16个一组的二极管，中间透镜对应32个接收器，可以把光信号变成电信号。
激光光束从两侧透镜发出，遇到障碍物折返后经过中间透镜被抓取，接收器处理分析后判断障碍物位置。
所有的时间信息、控制信息、接收信号都会传到顶端的主板上进行信息处理。
底部的旋转记录器会记下旋转时所在位置和旋转信息。
所有原始数据可以通过底部数据线传送至电脑。
为了让机器旋转时保持平衡，这款64线激光雷达加装了一个沉重的底座。
每圈旋转输出13万个信息点（点密度），形成所谓的“点云”。
除了位置和距离信息，Velodyne还扫描物体的密度信息，根据物体的反射率，判断对象中哪块是交通指示牌，继而可以由摄像头针对性地分析指示牌内容，从而减少算法成本。
Google无人驾驶原型车、Uber无人驾驶测试车、XX无人驾驶测试车都采用了Velodyne。
（3）预计2035年以后激光雷达市场规模往千亿美元冲刺
目前，激光雷达主要问题是价格比较昂贵，难以普及。
其实我们可以看到关键组件的高昂价格是需要出货量和时间两大因素消化的。
电子稳定性控制（ESC）在北美的普及花了近15年时间。
现在主要的ADAS组件如全景可视系统、泊车辅助、车道偏离预警、盲点探测系统、前方碰撞预警、自动泊车等等，现有成本与消费者支付意愿仍然有一定差距，仍然需要出货量和时间两大因素去消化。
保守估计，预计2020年激光雷达市场规模可以达到25亿美元。
我们期待随着无人驾驶技术的进步，激光雷达的出货量增加，价格随之下降。
假设2035年无人驾驶汽车每年的销量可达2000万辆，如果每辆无人驾驶汽车配备一台激光雷达，2035年左右每年至少新增2000万台左右的激光雷达需求。
目前激光雷达的龙头公司是Velodyne，2035年左右，2000万台激光雷达的需求可能将由多个市场参与者瓜分。
假设2035年左右激光雷达单价可以下降到1万美元到5千美元甚至更低，那么2035年以后激光雷达市场规模往千亿美元冲刺。
四、定位导航：
高精度地图在三个层次帮助实现无人驾驶
1、高精度地图如何在三个层次实现无人驾驶
（1）高精度地图层
高精度地图层：
提供道路的斜率和曲率、车道标志和路边物体的标注;
提供一个高精度的车道模型，协助车辆间距调整、安全换道、速度管理、超车等等;
实现车与车之间的水平和垂直方向的精确定位。
（2）实时道路层
实时道路层：
现场道路层动态地跟踪道路上的事件，提供在车辆传感器范围之外的时的信息;
提供与建筑物、交通拥堵、交通事故、天气灾害等等有关的动态事件;
遥感数据在云中进行汇总和处理，受影响的层进行更新，使得车辆可以启用主动战略规划。
（3）驾驶层
驾驶层：
基于真正的人类学习驾驶模式，分析了大量的车辆传感器数据，提取合适的车辆行为配置规范;
提供符合当前驾驶环境的速度规范;
有助于把“机器感觉”的车辆自动化，以帮助增加驾驶员的信任。
2、地图的动态生产闭环
（1）地图更新频率：
天、小时、分钟级，最终到实时地图
地图的动态生产闭环平台，可以探测现实世界中的变化以及终端用户设备的地图上的更新，能够迅速形成生产地图的闭环。
地图的更新可以通过闭环流程实现端到端，并最终实现天、小时、分钟级别的地图更新，最终满足实时地图的需求。
（2）端到端的生产闭环
首先，通过智能地图生产流程检测地图上的更新。
接下来，只选择的部分的变化的地图。
更新地图并立即进行数百次的质量检查，保证精度，再合并作为一个增量更新。
地图质量在流程中得到保证，地图数据库不断发行新的版本。
3、高精度地图巨头Here公司
（1）Here发展史：
从最大的地图商到ADAS、云服务、无人驾驶服务商
（1）发展成最大地图商（1985-2004）
1985年，植根于旧金山湾区的NAVTEQ公司正式起步。
1994年，Here提供了全球第一个汽车级地图，用于BMWE38的导航系统。
1996年，Here成为全球最大地理人员/地理学家雇佣商，全美第一个车载导航使用Here地图。
（2）开展ADAS和云服务（2004-2010）
2004年，Here地图数据为ADAS服务。
2006年，Nokia收购一家德国的移动定位软件公司GATE-5，BMW的自适应巡航控制系统使用Here的ADAS地图。
2007年，NokiaN95成为第一部有GPS和地图的智能手机。
2008年，Nokia收购NAVTEQ公司。
2009年，戴姆勒卡车使用Here的ADAS数据进行汽车节能。
（3）无人驾驶服务（2010至今）
2010年，多屏云服务起步，Yahoo是Here云的第一个主要客户。
2012年，收购earthmine，开展厘米级高精度地图项目，改名Here，融入Nokia。
2013年，与Benz合作开发自动驾驶汽车，引入定制化精细化导航方案。
2015年，Here云与BMW合作车联网。
（2）Here的“高精度地图+云”业务：
地图有多强大?
Here的三大业务群：
汽车业务：
为车厂/Tier1供应商提供三大服务：
增强舒适和安全性的实时连接且个性化驾驶服务、实时道路网视图提供预判服务、高精度地图支持自动驾驶服务
企业业务：
提供车联网和数据可视化技术，为车队与物流提供服务，利用Here地图和定位工具的SDK帮助企业建立自己的app
消费者业务：
iOS、安卓、微软平台的地图app，提供离线导航、交通和公共运输的高质量地图与云服务
Here地图有多强大?
地图：
Here为200个国家提供地图，为136个国家提供导航地图，为超过50个国家提供1000余个城市的路径规划。
交通：
提供58个国家的实时交通、85个国家的13000个场景3D视图，预测未来12小时交通状况、兴趣点数据。
地图更新：
Here每天收集数十亿探测点数据（匿名），每天百万次地图更新。
地图精度：
Here拥有200激光雷达车，提供厘米级高精度地图，信息源超过8万个（每年增加3千个信息源）。
（3）Here与车厂、互联网公司、手机厂商深度合作车联网、无人驾驶
2014年7月，Here成为RedBull官方地图。
2014年8月，为Samsung提供地图服务。
2014年10月，Here成为巴黎车展地图服务提供商。
2014年12月，为XX地图提供中国区以外服务。
2015年4月，成为land-rover官方导航供应商。
2015年7月，与产业伙伴组建OMTA提供全球导航服务。
2015年10月，与Oracle合作提供船舶、物流定位服务。
2015年12月，为Navman提供定位服务。
2016年2月，Here与Nuance合作车载语音定位服务，在加拿大与Honda共同提供实时交通更新服务。
2016年3月，与Samsung加强技术合作。
（4）Here高精度地图捕捉数十亿的点云数据
对于地图厂商来说，底层数据才是真正的命脉。
没有数据，再好的服务也出不来。
采集的主要信息是道路的行驶规则、方向、限速、路口形状、行车引导线、到达坐标等信息以及道路周边的餐饮、酒店、商场、加油站、停车场等兴趣点（POI）信息。
Here的采集车的激光雷达可以每秒钟采集70万点云数据。
采集车的激光雷达运作时，只需进行非接触扫描可以在短时间内获取物体和环境空间点的三维数据和信息，由于收集的数据是以点的形式组成，所以这些数据被称作点云数据，其最大的特点是可以进行后期的处理，依靠获取的数据便能够建立完整的三维立体模型，而如今随着商用GPS及IMU（惯性测量单元）的发展，通过LIDAR从移动平台上获得高精度的数据已经成为可能并被广泛应用。
4、高精度地图巨头TomTom公司
（1）TomTom发展史：
从导航到交通、手表、车联网、ADAS的综合服务商
（1）面向B端和C端的导航（1991-2005）：
1991年，TomTom成立，为B端客户的移动应用、C端客户的PDA提供服务。
1996年，第一代导航软件发布。
2001年，聚焦于车载导航。
2004年，发布第一代便携式导航PND。
2005年，在NYSE-EuronextAmsterdam上市。
（2）发展交通、手表业务（2006-2013）：
2006年，收购英国的AppliedGenerics公司，组成TomTom的交通业务。
2008年，收购数字地图公司TeleAtlas。
2012年，与Apple达成全球内容协议。
2013年，TomTom消费者业务进入GPS运动手表市场。
（3）开展车联网、ADAS业务（2010至今）：
2014年，TomTom车联网收购法国的DAMSTracking和荷兰的Fleetlogic。
与博世合作开发ADAS。
2015年，TomTom消费者进入运动摄像头市场。
TomTom车联网收购波兰的Finder公司。
（2）TomTom的“地图+交通+导航”业务
ToC：
TomTom的PND从2004年发布以来，累计销售了7800万台，贡献了数亿计的探测反馈。
在50个国家提供交通信息服务。
导航地图覆盖超过125个国家、40亿人。
ToB：
63万职业司机使用车队管理系统WEBFLEET。
TomTom的业务主要分为四大类：
（1）面向消费者的便携式导航PND、运动手表、运动摄像机;
（2）面向车厂、Tier1供应商的地图、交通、导航;
（3）面向移动消费电子厂商、互联网公司、政府、GIS所有者的地图、交通、导航、定位许可服务;
（4）面向车队、物流公司的车队管理服务WEBFLEET。
5、高精度地图巨头四维图新
（1）中国导航电子地图甲级测绘资质供应商只有12家
目前中国只有12家地图供应商拥有导航电子地图甲级测绘资质。
其中，四维图新、高德、XX地图、易图通及科菱航睿等占领了车载导航前装市场，凯立德则主打车载导航后装市场。
（2）四维图新的高精度地图进展
四维图新的高精度地图研发始于2013年，2014年可以提供精度10厘米到20厘米的高精度数据。
高精度地图的演进是一个循序渐进的过程，要与当前自动驾驶技术的发展进程以及汽车厂商的需求保持一致。
四维图新已经建立了自动驾驶实验室和深度学习实验室致力于自动驾驶领域的探索;
正式运营FastMap，为基础地图数据每日更新提供服务;
同时也开展了高精度智能地图和传感器融合地图服务等前沿领域的研发工作。
五、规划决策：
Google与Mobileye的无人驾驶路线殊途同归
1、路径规划：
为无人驾驶提供最优的行车路径
（1）全局路径规划和局部路径规划
全局路径规划是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径。
全局路径规划需要已知的地图数据，特别是厘米级的高精度地图。
全局路径规划所生成的路径只能是从起始点到目标点的粗略路径，并没有考虑路径的方向、宽度、曲率、道路交叉以及路障等细节信息。
局部路径规划是在无人驾驶车辆的行驶过程中，以局部环境信息和自身状态信息为基础，规划出一段无碰撞的理想局部路径。
全局路径规划和局部路径规划的关系是在全局路径规划的指导下，完成对局部路线的行驶规划。
（2）路径规划的三个层次：
路径规划、行为规划、轨迹规划
上层的路径规划在已知高精度地图、路网以及宏观交通信息等信息下，根据某优化目标得到两点之间的最优路径，完成路径规划的传感信息主要来自于GPS定位信息以及高精度地图。
中层的行为规划是指根据主车感兴趣区域内道路。
行为规划的传感信息主要来自车载传感器如激光雷达、摄像头等，用以识别道路障碍、车道线、道路标识信息和交通信号灯信息等。
下层的轨迹规划是指在当前时刻，以完成当前行车行为为目标，考虑周围交通环境并满足不同约束条件，根据最优目标动态规划决策出的最优轨迹。
（3）路径规划算法
无人驾驶车是最初在图的底部的起点，并希望得到顶端的重点。
如果无人驾驶车没有扫描到什么障碍物，它就会一直想上移动（粉色路线），在顶部附近，它检测到障碍物然后改变方向。
随后，无人驾驶车不得不围绕“U”形障碍方式继续前进。
与此相反，路径规划系统如果能够扫描大的面积（浅蓝色椭圆），从而发现较短的路径（蓝色路线），那么无人驾驶车可以不用进入凹状的障碍物。
路径规划的算法可以来解决这个问题。
要么避免在地图上制造凹形障碍，要么标记的凹包为危险（除非终点在这个凹包以内，应该避免进入这个区域）。
路径规划算法未雨绸缪，而不是等到最后一刻才发现有问题。
在更大的尺度、缓慢变换的地图和更长的路径上进行路径规划，而对于局部区域、快速更改的地图和短的路径则使用改进的物体移动算法。
常用的路径规划算法包括了栅格法、人工势场法、VFH类方法、神经网络法等。
2、Google的完全无人驾驶路线
（1）Google无人驾驶发展史：
逐渐聚焦于环境复杂的城市街道（CityStreets）
Google无人驾驶车是由GoogleX研发设计的无人驾驶新能源汽车。
Google无人驾驶车上的软件系统名字叫谷歌司机（GoogleChauffeur），车身上有self-drivingcar的标示。
Google无人驾驶项目之前由塞巴斯蒂安·
特龙（SebastianThrun）领导，他曾经是斯坦福人工智能实验室的主任、谷歌街景GoogleStreetView的共同发明人。
特龙的斯坦福团队发明的机器人车辆Stanley赢得了2005年DARPA大赛（Defense
升级会员 