低速自動車輛的案例
美國低速自動駕駛在公共交通應用詳解
美國已完成的各種LSAV項目中車輛存在一些性能限制，包括：
某些車輛的速度范圍有限（9至11 mph）。
存在無保護左轉的限制（通過車輛技術、手動控制或兩者兼而有之）。
天氣對電池壽命（極熱/極冷）、空調、自動模式下的運行（大雨）以及線控機電系統（雪）性能的影響。
d) 輕拋灑物或缺少硬邊，干擾自主模式。
e) 對觸發突然停止的物體過于敏感。
LSAV車輛演進方向包括：
載客量越來越大或者越來越小，包括全尺寸電動客車和吊艙車；
更高的運行速度；
開發符合聯邦自動車安全標準FMVSS（Federal Motor Vehicle Safety Standard）的低速和中速車輛；
在傳統上不用于公共交通的車輛上安裝輪椅固定裝置和坡道；
改進人工智能和車輛設計。
展開 自動駕駛車輛仿真-MSC 軟件總裁兼首席執行官 Dominic Gallello 對自動駕駛車輛仿真構架模塊的思考
我們需要重點關注哪些因素，才能讓無人駕駛車輛像當今的手機那樣實現“預期”技術？MSC 軟件花費了大量的時間來完善軟件工具，以幫助工程師通過計算機仿真來設計更快速、更輕便且更安全的車輛。但是，要從仿真由人駕駛的汽車過渡到仿真由車輛控制中樞駕駛的汽車，還需要彌補當今車輛設計過程中的巨大空
白。
由于無人駕駛車輛既新穎又復雜，因此需要對無數不同汽車品牌之間的車輛間通信進行規范。例如，福特貨車與豐田轎車之間的通信。同時還必須處理仍與其他道路基礎設施（例如路燈、道路標志等）進行互動的各種外部傳感器輸入的數據。
為預測無人駕駛車輛的性能可信度并確保安全，汽車公司已擴大了其仿真技術的使用范圍并采用了新技術。
MSC 軟件預測，以下五種構架模塊將成為無人駕駛車輛整體仿真成功的關鍵。
由脫機到實時
當涉及到對日益復雜的汽車系統進行真實性驗證時，實時仿真絕對是關鍵所在。盡管脫機解決方案仍能夠繼續解算擁有極高復雜度的精密模型，但以下兩個主要原因使得對實時仿真的需求不斷增加。
首先，將虛擬模型與物理硬件（例如傳感器、控制器、駕駛模擬器等）相連的要求，即所謂的硬件在環。這些實物資產有著限定的通信速度，并且相關的仿真模型必須能跟得上這一通信速度。實物與仿真世界之間的連接是實時模型的定義。
其次，車輛開發（包括動力學）的傳統目標是對設備進行驗證。而人類駕駛員，無論是對測試指令按部就班還是對各種情況當機立斷，都不會被視為一個需要進行驗證的“系統”（除進行駕照考試之外）。
自動駕駛車輛概念從一開始就徹底推翻了這種模式。現在，“駕駛員”無疑是車輛中最為復雜的系統，同樣必須對其進行驗證。不妨試想一下，自動駕駛的校車“司機”需要經歷多少個場景的仿真測試才能被認為是安全可靠。
展開 低速自動駕駛技術：APA
自主泊車系統包含兩個功能，即泊車與喚車：
>>>>
泊車功能
是指用戶通過車載中控大屏或手機APP選定在園區、住宅區等半封閉區域內的停車位或者選定停車場（有高精地圖覆蓋）
然后車輛通過獲取園區、住宅區等半封閉道路上的車道線、道路交通標志、周圍其他車輛等交通環境、參與者信息；
控制車輛的油門、轉向、制動來實現安全自動駕駛，并通過自動尋找可用停車位或識別用戶選定停車位；
實現自動泊入、自動停車、掛P檔、熄火、鎖車門，同時防止潛在的碰撞危險的功能。
>>>>
喚車功能
是指用戶通過手機APP選定園區、住宅區等半封閉區域內的某一喚車點，
然后車輛從停車位自動泊出、低速自動駕駛到達喚車點，
從而實現喚車，同時防止潛在的碰撞危險的功能。
展開 解鎖園區交通新模式：園區低速自動駕駛
在當今科技飛速發展的時代，自動駕駛技術成為了備受關注的領域之一。尤其是在園區內部交通管理方面，自動駕駛技術的應用正在日益受到重視。
園區低速自動駕駛的實現需要多個技術領域的協同合作，包括自動駕駛技術、計算機視覺技術、通信技術、物聯網技術等。其中，自動駕駛技術和計算機視覺技術相結合，實現對車輛周圍環境的實時監測和識別，包括行人、車輛、障礙物等，從而實現車輛的自主規劃路徑、自動避障、跟蹤對象等功能。通信技術則可以實現車輛之間的信息交互和實時路況感知，以及與園區管理系統的數據交互。物聯網技術則可以實現車輛與園區設施的互聯互通，實現智能化管理和服務。
園區低速自動駕駛可以實現數字化、智能化的交通管理，應用無人駕駛機器人，可以提高在不同場景下的工作效率，減少人力成本，保障作業人員安全。具體來說，園區低速自動駕駛系統可以實現以下功能：
1、智能精準調度：通過智能化的車輛調度系統，可以實現車輛的合理分配和調度，提高車輛的利用率和行駛效率。
2、自動路線規劃：通過自動化的路線規劃系統，可以實現車輛的智能路線規劃，避免交通擁堵和路線重復。
3、智能停車管理：通過智能化的停車管理系統，可以實現車輛的智能停車，提高停車效率和車輛安全。
4、智能安全保障：通過安全保障系統，可以防碰撞、防盜等，提高車輛的安全性和可靠性。
千尋位置基于全國統一時空基準的動態厘米級高精度定位能力，結合互聯網、云計算等技術，打造北斗園區低速自動駕駛解決方案。方案賦能車輛在園區內自動感知周圍環境，制定行駛路線，躲避障礙，完成載客行駛、道路清掃、物流配送、商品零售、巡視檢查等工作。通過智能化升級園區安防監控、社區服務、辦公管理、政務服務等各個環節，增強園區產業綜合實力，提升園區效率與安全性的智能化系統。
展開 
自動駕駛車輛仿真模擬軟件盤點 附車輛工程仿真下載
下載地址：車輛工程仿真
北斗+低速自動駕駛機器人來襲，在線發布會精彩搶先看
千尋位置北斗智能市場新品情報局在線沙龍第一期，聚焦低速自動駕駛領域新物種。3月16日15點在線發布3款北斗+機器人，1款高精度組合導航，覆蓋農業、零售、環衛、港口多個場景。
本期在線沙龍邀請了4位優秀的合作伙伴，為我們解答：北斗高精度定位技術如何賦能讓這些新物種提高效能、推動變革，在助力構建時空智能城市中成為必不可缺的一環。
掃描下方二維碼或點此查看更多北斗產業相關資訊、產品及解決方案。
MSC在虛擬試駕中引入可靠的車輛動力學技術以加快安全型自動駕駛車輛的開發
MSC 軟件公司（簡稱 MSC，隸屬于海克斯康制造智能分公司）日前推出支持 Adams 的 VTD，它集業界領先的車輛動力學和虛擬試駕仿真于一身，可加快下一代高級駕駛員輔助系統（ADAS）及安全型自動駕駛車輛的開發。
乘用車已經可以讀取交通標志或者發現過往車輛，但這些 ADAS 2+ 功能依賴于改進的傳感器融合技術——合并來自多個傳感器的數據，通過處理更接近事實，因此電子系統可以進行安全決策。與此同時，未來的自動駕駛算法需要真實的測試數據供研究和模型訓練。日前推出的支持 Adams 的 VTD 可仿真動態移動車輛及其傳感器在復雜道路環境中的行為表現，有助于加快此類車輛的開發。
通過 Adams 仿真軟件，汽車制造商可獲得經過驗證的車輛動力學模型和道路試驗，從而了解車輛的運動和操控特性。通過開放接口，現在能夠在由虛擬試駕（VTD）平臺提供的仿真道路環境中“駕駛”這些車輛。
安全系統開發
即便是處在車輛物理極限的極端情況下，ADAS 系統也必須為人員提供保護。支持 Adams 的 VTD 可以根據道路狀況（例如坡度、摩擦力）仿真車輛的各種運動，以確定車輛行為（例如汽車是否打滑或翻滾）并評估行動的最佳路線（例如是否改變車道或者何時剎車）。
展開 車輛自動駕駛CAE仿真技術研究
自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息深度融合的產物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯網及巨頭廠商都在布局研發自動駕駛，它是當今全球汽車與交通出行領域智能化發展的主要方向。
而Prescan是一款開發ADAS和智能汽車系統的CAE仿真平臺，其具有強大的場景構建能力，可與simulink聯合仿真控制車輛動力學模型進行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發工作流程為首先建立自動駕駛場景；其次建立車輛動力學模型、雷達傳感器、攝像頭特性參數；然后再結合控制系統模型、算法、最終實現CAE虛擬仿真或硬件在環的實時仿真；圖2為Prescan仿真平臺模擬再現真實事故場景，左圖為真實事故發生的道路狀況（未有主動控制系統），右圖為仿真模擬事故場景（有前向碰撞預警（FCW）/防撞自動剎車（CMB）主動控制系統）。
圖1 Work flowchart
圖2 真實事故與仿真再現
自動駕駛技術，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數據來源億歐智庫：
圖3 SAE自動駕駛定義和分級標準
以下本人基于Prescan仿真平臺進行L2級別ACC自適應巡航自動駕駛CAE仿真研究工作。
首先建立3輛車（Host車、1號lead車、2號lead車）在三車道的道路上的初始位置場景，車輛在同一車道以120 Km/h、60 Km/h、40 Km/h不同的車速下行駛（未考慮設置車輛發生碰撞后的細節狀態）；分別設定車輛及雷達傳感器相關參數，圖4為車輛動力學參數示例，圖5為2D車輛安裝多個雷達傳感器與道路顯示界面，圖6為3D車輛場景。
展開 車輛自動駕駛（個人理解）
主流自動駕駛完成工作，主要是我的方法，但用盲人的方法難道不能完成工作嗎？
綜上所述，現行自動駕駛技術存在一些不合理的地方，或者角度比較單一。
（四 自動駕駛方案）
1.傳感器的使用
2.路徑規劃與路徑關系
路徑規劃技術主要依靠計算機數據結構內容，如二叉樹，鏈表等。本文站在仿生學角度思考這一問題。
由上圖可以看出二者，既有聯系又有區別，前者是計算機技術的延伸，而后者是基于仿生學的應用。仿生學基于人的目的，而對生物進行仿制。
從仿生學角度出發，使用逆向思維推理車輛自動駕駛：
車輛運動的本質，遇到靜態障礙物避開，遇到動態障礙物保持相對運動。
上述所有過程中，未設計任何路徑規劃算法。
展開 車輛自動駕駛CAE仿真技術研究
自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息深度融合的產物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯網及巨頭廠商都在布局研發自動駕駛，它是當今全球汽車與交通出行領域智能化發展的主要方向。
而Prescan是一款開發ADAS和智能汽車系統的CAE仿真平臺，其具有強大的場景構建能力，可與simulink聯合仿真控制車輛動力學模型進行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發工作流程為首先建立自動駕駛場景；其次建立車輛動力學模型、雷達傳感器、攝像頭特性參數；然后再結合控制系統模型、算法、最終實現CAE虛擬仿真或硬件在環的實時仿真；圖2為Prescan仿真平臺模擬再現真實事故場景，左圖為真實事故發生的道路狀況（未有主動控制系統），右圖為仿真模擬事故場景（有前向碰撞預警（FCW）/防撞自動剎車（CMB）主動控制系統）。
圖1 Work flowchart
圖2 真實事故與仿真再現
自動駕駛技術，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數據來源億歐智庫：
圖3 SAE自動駕駛定義和分級標準
以下本人基于Prescan仿真平臺進行L2級別ACC自適應巡航自動駕駛CAE仿真研究工作。
首先建立3輛車（Host車、1號lead車、2號lead車）在三車道的道路上的初始位置場景，車輛在同一車道以120 Km/h、60 Km/h、40 Km/h不同的車速下行駛（未考慮設置車輛發生碰撞后的細節狀態）；分別設定車輛及雷達傳感器相關參數，圖4為車輛動力學參數示例，圖5為2D車輛安裝多個雷達傳感器與道路顯示界面，圖6為3D車輛場景。
展開 自動駕駛中車輛的如何使用點云定位？
來源 | 點云PCL
激光雷達傳感器能夠獲取豐富，稠密且精確的三維空間中物體的點云數據，這可以幫助自動駕駛車輛實現定位和障礙物的跟蹤，lidar也將成為實現完全自動駕駛的核心傳感器。本篇文章將主要介紹三維激光雷達在自動駕駛定位領域最新的研究，并分析各種方法的定位的效果。
介紹
自動駕駛的定位意味著能夠在地圖中找到車輛的位置和方向。這里的地圖也是只使用激光雷達獲取的，使用激光束獲取測量的距離并產生點云數據，其中的每個點表示傳感器獲取的物體表面的（XYZ）的坐標。基于點云的高精地圖是可以通過lidar掃描離線的構建出來，也可以在導航過程中通過里程計實現閉環的構建地圖，也就是SLAM系統。
這里首先分析使用激光雷達的點云數據作為定位的優缺點，與圖像或其他傳感器相比。
lidar數據能夠在獲取更為豐富且精確的空間信息，這也使得車輛在定位中更為有優勢。
由于激光雷達的數據不斷的下降，這使傳感器更易于大眾使用和研究，并且對于汽車廠商來說也逐漸被接受。
但是使用3D lidar作為定位設備通常也會有一些問題，由于lidars數據數量巨大，因此需要快速處理輸出并確保系統的實時性，所以確保車輛的實時定位具有一定的挑戰和難度。
展開 
面向自動駕駛車輛驗證的抽象仿真場景生成
自動駕駛車輛技術有可能對交通系統和城市生活產生重大影響。然而，在被接受為一種新的交通方式之前，必須證明自動駕駛車輛至少與人類駕駛車輛一樣安全。目前的自動駕駛車輛驗證方法，如陰影驅動或基于注釋圖像的測試，成本高，速度慢。因此，建模與仿真是實現自動駕駛車輛驗證目標必不可少的工具。
本文提出了一種用于自動駕駛車輛驗證的抽象仿真場景生成框架。
場景和相關斷言由基于矩陣的語義語言定義，并在仿真中轉化為測試場景。該框架允許設計所有可能的道路拓撲并驗證生成的場景。框架中生成的場景為其他平臺中可能的罕見條件擴展測試提供了基本事實。這項工作有四個主要貢獻：
開發了一種模擬方法，在生成場景時使用語義語言定義場景。
提出了一種在模擬中用每種可能的線或曲線組合組成道路的方法，這對于實現真實道路的建模至關重要。
定義了一種方法，將不同車道數的路段相互縫合，而不會在模擬中產生錯誤。
為建議方法中的每個附加路段提出了一種自我驗證方法，這對模擬效率至關重要。
目前的大多數方法都是針對整車堆棧進行測試，從場景感知和理解到在場景中做出行動決策。在我們的方法中，我們主要關注決策步驟。換言之，我們的方法旨在測試被測AV的決策，在任何其他條件下都沒有任何問題。這個焦點決定了仿真平臺。該框架需要對物理世界進行簡單的建模，而不需要對環境條件進行詳細描述。為此，選擇MATLAB作為仿真平臺。MATLAB ADAS工具箱將場景中的參與者簡單地表示為方框。
圖1顯示了模擬框架組件的分解。中間的灰色區域是AV的大腦，通過輸入創建的場景運行。頂部的模塊定義了用戶如何與框架交互以生成場景。
展開 自動駕駛車輛測試的31個挑戰：與行業及學術專家的訪談
編者評述
關于「C、測試自動化」，總體情況是：在自動駕駛汽車整個測試與驗證流程中，
局部自動化程度高、整體自動化程度低；
仿真測試的自動化程度高、半實物或全實物測試的自動化程度低；
實施端的自動化程度高、輸入/定義端的自動化程度低。
目前，跨工具跨系統的瓶頸之一，仍是場景刻畫的一致性，包括描述（從使用者到軟件）的一致性和編譯（從軟件到計算和實施）的一致性，所以與「A、基于場景的測試」中的諸多挑戰是直接關聯的。
D、測試執行 Test Execution
這個標題下的挑戰與基于場景的測試、基于模擬的測試和真實世界的測試都有關，因此是單獨分類的。在下文中，測試的執行被理解為測試運行期間的所有行為，可以是模擬的運行，也可以是在測試場地上的行駛。
CH-D1測試駕駛員無法直接干預測試過程「omission of the test driver」：當測試帶有ADS的自動駕駛汽車時，車輛不再受人類測試駕駛員的控制。因此，被測車輛的動作取決于ADS的算法，并且不能輕易由測試駕駛員改變。一位受訪專家舉例到：作為一個測試駕駛員，我不能再靠近一點執行切入，因為控制車輛的不再是我，而是車輛在控制（ID13）。
CH-D2測試條件的實現「realization of test conditions」：考慮到裝有ADS的自動駕駛汽車在沒有人類測試駕駛員的情況下能自行控制車輛，因此實現測試條件的挑戰就出現了，許多專家在訪談中也都提到了這一點。在測試執行過程中，必須以某些測試條件為前提，如交通情況處于某種程度的危險，場景中的某種情景，或被測車輛的某種內部系統狀態等。
展開 自動駕駛車輛測試的31個挑戰：與行業及學術專家的訪談
編者評述
關于「C、測試自動化」，總體情況是：在自動駕駛汽車整個測試與驗證流程中，
局部自動化程度高、整體自動化程度低；
仿真測試的自動化程度高、半實物或全實物測試的自動化程度低；
實施端的自動化程度高、輸入/定義端的自動化程度低。
目前，跨工具跨系統的瓶頸之一，仍是場景刻畫的一致性，包括描述（從使用者到軟件）的一致性和編譯（從軟件到計算和實施）的一致性，所以與「A、基于場景的測試」中的諸多挑戰是直接關聯的。
D、測試執行 Test Execution
這個標題下的挑戰與基于場景的測試、基于模擬的測試和真實世界的測試都有關，因此是單獨分類的。在下文中，測試的執行被理解為測試運行期間的所有行為，可以是模擬的運行，也可以是在測試場地上的行駛。
CH-D1測試駕駛員無法直接干預測試過程「omission of the test driver」：當測試帶有ADS的自動駕駛汽車時，車輛不再受人類測試駕駛員的控制。因此，被測車輛的動作取決于ADS的算法，并且不能輕易由測試駕駛員改變。一位受訪專家舉例到：作為一個測試駕駛員，我不能再靠近一點執行切入，因為控制車輛的不再是我，而是車輛在控制（ID13）。
CH-D2測試條件的實現「realization of test conditions」：考慮到裝有ADS的自動駕駛汽車在沒有人類測試駕駛員的情況下能自行控制車輛，因此實現測試條件的挑戰就出現了，許多專家在訪談中也都提到了這一點。在測試執行過程中，必須以某些測試條件為前提，如交通情況處于某種程度的危險，場景中的某種情景，或被測車輛的某種內部系統狀態等。
展開 Lyft新專利：自動駕駛車輛與行人交流系統
蓋世汽車訊 據外媒報道，有關自動駕駛車輛如何與人類進行互動溝通的問題由來已久，但是問題答案一直懸而未決。早自2012年，谷歌就一直在研究該問題。今年早些時候，優步（Uber）申請了一項專利，利用汽車閃光燈和聲音與行人溝通。如今，美國專利局（United States Patent Office）已授予Lyft公司一項專利，稱為自動駕駛車輛通知系統。該專利描述了一種系統，該系統首先檢測自動駕駛車輛周圍行人的位置，然后選擇合適的信息，通過車輛屏幕或標志向行人顯示。
該專利表示：“駕駛員和行人習慣于以特定方式進行互動，從車輛中去除駕駛員可能會導致不確定性和誤解”。該專利文件描述了該系統可實現自動駕駛車輛與周圍行人進行通信的一些具體方式。如，當自動駕駛車輛接近行人時，該車顯示預訂車輛乘客的名字；此外還有自動駕駛汽車可以通知行人，在汽車面前通行是安全的。該專利還描述了一輛自動駕駛汽車告知另一輛車其正在避讓，并且通知騎車者可以安全通過。
如上所述，Lyft不是唯一一家尋求自動駕駛車輛與外界互動方式的公司。初創公司Drive.ai利用LED標志上的文本和圖片進行溝通；福特最近呼吁采用行業標準的自動駕駛汽車語言來傳達車輛意圖；戴姆勒的奔馳EQ Fortwo概念車還配備了一塊面板，用于顯示信息。
Lyft于2017年7月首次推出其自動駕駛汽車部門。而且自此之后，一直與Drive.ai以及汽車行業一級供應商麥格納（Magna）就自動駕駛汽車技術進行合作。麥格納還曾向Lyft投資2億美元換取股權。Lyft的該項專利可能與其他公司許多專利一樣，永遠不會實現。
來源：蓋世汽車網
展開 