自動駕駛汽車感知系統
關注創建者：匿名 創建時間：2021-11-23
自動駕駛汽車感知系統的視頻教程
自動駕駛感知仿真與驗證之毫米波雷達
適用人群：自動駕駛相關（汽車整車廠，傳感器供應商等）行業人士 無人駕駛雷達天線設計流程與場景動態模擬【已結束】 直播時間：2019-12-19 20:00 如今，無人駕駛/自動駕駛正在迅速發展，在自動駕駛中最關鍵的雷達感知領域涉及多種雷達形式，如激光雷達、攝像頭、微波雷達等。
免費 1小時26分鐘 517播放
查看
仿真技術之自動駕駛感知視界-ANSYS傳感器仿真（攝像頭和激光雷達）
ANSYS自動駕駛系列Webinar，結合自動駕駛系統的研發講述ANSYS工具如何助力自動駕駛的開發驗證，本期重點為ANSYS自動駕駛解決方案之傳感器仿真（攝像頭和激光雷達）。
免費 1小時24分鐘 423播放
查看
自動駕駛汽車感知系統的實例教程
公安部道路交通安全研究中心 王藝帆
自動駕駛汽車是汽車電子、智能控制以及互聯網等技術發展融合的產物，其原理為自動駕駛系統利用感知系統，獲取車輛自身以及外界環境信息，經過計算系統分析信息、做出決策，控制執行系統實現車輛加速、減速或轉向，從而在無需駕駛員介入的情況下，完成自動行駛。2013年，美國國家公路交通安全管理局（NHTSA）根據輔助控制系統的自動化功能，將自動駕駛技術分為0~4級，如表1所示。從表1可了解到，自動駕駛的發展升級是從輔助駕駛到主宰駕駛，從提供單一功能、應對簡單場景，到可掌控所有場合，完全解放駕駛人。期間，感知系統需不斷提高獲取周邊環境信息的全面性、準確性和高效性，它是自動駕駛的基礎，也是貫穿升級的核心部分。本文將介紹自動駕駛感知系統常用方案，及其各自技術方法、特點和應用情況。
1 系統框架
自動駕駛汽車首先應有一套完整的感知系統，代替駕駛人的感知，提供周圍環境信息；其次應有一套集智能算法、高性能硬件于一體的控制系統，代替駕駛人的大腦，制定駕駛指令、規劃行駛路徑；最后還需一套完善縝密的執行系統，可以代替駕駛員的手腳動作，執行駕駛指令、控制車輛狀態。其中，感知系統應包括環境感知、內部感知、駕駛人感知。其中內部感知主要是通過CAN總線采集車內各電子控制單元信息，以及裝載在車上的各類傳感器實時產生的數據信息，來獲取車輛狀態，包括車體（車內外溫度、空氣流量、胎壓），動力（油壓、轉速、機油），車輛安全（安全帶、氣囊、門窗鎖）等；駕駛人感知是通過人機交互界面或傳感器獲取駕駛人操控、手勢、語音等控制指令，以及面部表情等檢測信息，用來接收控制命令、檢測駕駛人狀態。本文介紹的感知系統針對環境感知、自動駕駛感知系統的關鍵點和難點，其功能是實時獲取周邊物體、行駛路況、導航定位、天氣、停車場等信息。
展開 2014年寶馬在德國展示了其最新的無人駕駛技術，車輛在將出現碰撞時，系統會警告駕駛員，并在必要時自動停車。
1.2 國內無人駕駛汽車發展現狀
我國在無人駕駛技術的研究上則稍晚一些，在1980年，由哈爾濱工業大學、自動化研究所與國防科技大學三家單位組成的研發團體開始啟動“遙控駕駛的防核化偵察車”項目。在1985年研制出我國第一輛無人駕駛汽車ATB-1。
在國內，國防科技大學的無人駕駛技術研究水平處在最前列。2002年成功研制出一輛可以在行駛過程中自主檢測道路障礙物并自行換車道的無人駕駛汽車“紅旗CA7460”，其最高車速為100 km/h。清華大學也于2006年研制出可以分為高速和城區兩種環境下不同駕駛模式的無人駕駛汽車，其最高時速為100 km/h[2]。
從2009年起到2016年，我國每年舉辦一次無人駕駛汽車比賽，至今已經舉辦了八屆。此項比賽大大推進了我國無人駕駛技術的發展，但是仍與西方發達國家存在較大的差距。
2 無人駕駛汽車環境感知系統研究現狀
2.1 Boss無人駕駛汽車的環境感知系統
Boss無人駕駛汽車的感知系統是由兩個相機，九個激光雷達和兩個IBEO組成。其中九個雷達又分為一個三維激光雷達，六個二維激光雷達和兩個毫米波雷達。雷達主要用來檢測靜態的障礙，當道路前存在障礙物時，首先由雷達檢測并生成相應的障礙物地圖，如果障礙物為移動障礙物時，會自動從障礙物地圖中剔除。
2.2 Junior無人駕駛汽車的環境感知系統
Junior無人駕駛汽車的感知系統是先由一個測量單元通過與衛星系統相連接感知車輛當前的具體位置。在車輛兩邊安裝兩個傳感器，通過激光感知車輛前方路面情況，并生成車輛周圍路面的3D結構。在車頂、尾部和保險杠處分別安裝2個激光傳感器，感知車輛周邊的障礙物。
展開 作者 | Aimme
出品 | 焉知
眾所周知，從分布式架構向集中式域控制器架構演進已經成為下一代自動駕駛系統不可逆轉的趨勢。對于下一代集中式域控架構下到的自動駕駛系統來說，域控制器因為有強大的硬件計算能力與豐富的軟件接口支持，使得更多核心功能模塊集中于域控制器內，系統功能集成度大大提高，這樣對于功能的感知與執行的硬件要求降低
。但是，
域控制器的出現并不代表底層硬件 ECU 的大規模消失
，很多 ECU 的功能會被弱化（軟件和處理功能降級，執行層面功能保留），大部分傳感器也可以直接傳輸數據給域控制器，或把數據初步處理后給域控制器，很多復雜計算都可以在域控制器里完成，甚至大部分控制功能也在域控制器里完成，原有 ECU 很多只需執行域控制器的命令，也就是說，外圍零件只關注本身基本功能，而中央域控制器關注系統級功能實現。此外，數據交互的接口標準化，會讓這些零部件變成標準零件，從而降低這部分零部件開發/制造成本。
作為自動駕駛之眼的攝像頭尤其是這樣，在L2階段，整個智能駕駛的視覺感知單元一般都是放在被稱之為攝像頭總成的零部件中，這種總成零部件都是包含了
攝像頭模組本身，也包含了處理攝像頭感知的環境信息的軟件算法模塊
，比如ISP、encode、神經網絡、深度學習單元等AI算法。然而，在下一代高階自動駕駛系統中，這些原本由攝像頭模組處理的感知能力將會被放到域控制器端的AI芯片進行集中式處理。那么，問題來了，對于這類型的自動駕駛系統架構模式，攝像頭模組本身的需求將會發生哪些變化，又會帶來哪些新的需求呢？
本文主要介紹車載攝像頭基礎知識，包含攝像頭模組成像的基本原理、攝像頭類型、攝像頭選型方法、攝像頭安裝方式、攝像頭安裝過程中的常見問題等。
展開 來源 |
智駕社
車聯網領域隨著物聯網與交通運輸領域的深度融合蓬勃發展．隨著深度學習的進步,車聯網領域的自動駕駛技術得到了突破性的發展,并有演化成一場新的汽車工業革命的趨勢．無論是特斯拉、蔚來等新型車企,還是福特、寶馬等傳統車企都陸續拿到了自動駕駛路測牌照,著眼于研發深度自動駕駛技術．迅猛發展的深度自動駕駛技術正逐漸成為車聯網領域的主要支撐技術之一,正在改變未來的交通和出行方式．
視覺感知模塊是自動駕駛進行環境感知的重要組件,也是車輛進行智能決策的重要基礎．自動駕駛領域的重要企業特斯拉更是將視覺感知模塊作為其駕駛系統的唯一環境感知模塊．因此,自動駕駛系統視覺感知模塊的安全性是自動駕駛系統正常工作的關鍵．雖然視覺感知模塊的表現隨著深度視覺技術的發展穩步提升,但是其從駕駛環境中感知到的特征語義難被理解、決策過程無法解釋．如何對自動駕駛系統視覺感知模塊的安全性進行充分測試,已經成為了一個迫在眉睫、亟待解決的問題．
誠然,圍繞深度學習可解釋性方面的工作有了一定的突破,但是距離分析清楚自動駕駛視覺感知模塊的錯誤傳導機理還有較遠的距離．近年來,神經網絡的黑盒攻擊方法的進步,啟發大家提出了一些基于場景搜索的自動駕駛視覺感知模塊安全性測試技術．這些場景驅動的測試方法利用黑盒測試的思路,為駕駛系統提供盡可能多的駕駛場景數據,觀察自動駕駛系統的輸出與測試預言(TestOracle)之間的差異,進而分析自動駕駛系統視覺感知模塊的安全性．
展開 
自動駕駛汽車感知系統的相關專題、標簽、搜索
自動駕駛汽車感知系統的最新內容
當自動駕駛從輔助走向高階，具身智能從實驗室邁向量產賽道，兩大前沿領域的碰撞正重構汽車產業格局。數據顯示，2026年智能駕駛商業化進程將加速推進，L2級輔助駕駛滲透率有望超70%，具身智能更是被業內預判為萬億級黃金賽道。在這一產業變革的關鍵節點，AUTO TECH China 2026廣州國際自動駕駛與具身智能技術展覽會即將于11月27日-30日在廣州廣交會展館D區盛大啟幕，為全球行業同仁搭建起技術交流
01 引言
在端到端自動駕駛的研發競賽中，算法的迭代速度遠超物理世界的測試能力。單純依賴路測不僅成本高昂、周期漫長，更無法窮盡決定系統安全性的關鍵邊緣場景（Corner Cases）。
因此，硬件在環（HIL）仿真測試成為唯一的出路。然而，將仿真數據閉環注入域控制器流程中存在諸多技術難度，特別是高像素相機原始數據，如何無損、無延遲地將數據灌入對時序和信號要求極為苛刻的域控制器中成為了當前調試
該合作使OEM廠商和一級供應商能夠可靠地評估和驗證 ADAS/AV 功能在各種天氣和照明條件下的性能
主要亮點
Ansys AVxcelerate Sensors?自動駕駛汽車（AV）傳感器仿真軟件，可實現面向基于場景的感知測試的實時多光譜攝像頭仿真
利用AVxcelerate Sensors和索尼的高動態范圍（HDR）圖像傳感器模型，OEM廠商可以測試高級駕駛輔助系統（ADAS
在過去十年中，自動駕駛和高級駕駛輔助系統（AD/ADAS）軟件與硬件的快速發展對多傳感器數據采集的設計需求提出了更高的要求。然而，目前仍缺乏能夠高質量集成多傳感器數據采集的解決方案。
康謀ADTF正是應運而生，它提供了一個廣受認可和廣泛引用的軟件框架，包含模塊化的標準化應用程序和工具，旨在為ADAS功能的開發提供一站式體驗。
一、ADTF的關鍵之處！
無論是奧迪、大眾、寶馬還是梅賽德斯
Lumotive的目標是徹底改變新興自動駕駛汽車行業的感知系統。
Lumotive的激光雷達產品基于其先進的液晶超表面（LCM）波束控制技術，而其LCM技術利用AWS上的Ansys Lumerical FDTD進行了設計和優化。Lumotive的創新使基于LCM的波束控制技術從相對不成熟的狀態向前邁進了一大步。
隨著自動駕駛算法等級的不斷提高，各開發商的傳感器布置方案也越來越豐富，最典型的為多V、多R及多L的方案。而在對多種類，多數量的傳感器進行物理模型仿真時，會占用大量的計算資源和網絡通訊資源，同時仿真的效果還受到PCIe總線帶寬及顯卡的接口數量限制。
基于VTD的多物理傳感器自動駕駛系統仿真方案，采用VTD的主從機布置方式，將VTD軟件安裝在主機Master上，從機slave上只安裝運行
隨著智能駕駛技術的普遍應用，智能駕駛相關的測試測量方法也隨之發展。特別是模擬仿真測試領域，在智能駕駛產品開發過程中的應用越來越廣泛。而無論是自動駕駛（AD）還是高級輔助駕駛系統（ADAS），都是依靠高精度攝像頭、毫米波雷達、激光雷達等感知傳感器對車輛周邊環境進行感知識別來實現的。那么在自動駕駛系統模擬仿真測試實施過程中，系統中感知傳感器是如何進行實物仿真測試驗證的呢。
本文對自動駕駛系統中感知傳感器實物仿真測試環境構建的原理及其相關方案進行介紹
中國現代農業的發展，離不開智能化、自動化設備，迫切需要自動駕駛系統與農用機械的密切結合。自動駕駛農機不僅能夠緩解勞動力短缺問題，提升勞作生產效率，同時還能對農業進行智慧化升級，成為解決當下農業痛點的有效手段之一。
北斗衛星導航系統，是我國自主研發的全球導航系統，也是我國農機自動駕駛系統的關鍵組成部分。通過北斗系統，農業機械可以精確地執行任務，大大提高農業生產效率
作者 | Ammie
真實駕駛場景中，通過觀察和互動，使智能駕駛汽車能夠積累知識并應對不可預測的情況。我們將智駕汽車的這種對世界運作方式稱為“常規認知”，它使智能汽車能夠找到自己的方向。對周邊環境目標的觀察也使自車能夠學習并遵守規則。機器學習中的一個類似概念是一種稱為模仿學習的方法，它允許模型學習模仿人類在給定任務中的行為。
Wayve作為最先發布最先進的端到端模型的公司
近年來，伴隨著智慧化港口的大潮流，經緯恒潤L4高級別智能駕駛業務產品也陸續扎根港口自動駕駛多個項目中，幫助港口實現無人水平運輸自動化，達到降本增效的效果，助力客戶實現智慧化綠色港口。
在整個港口水平運輸場景中，經緯恒潤提供了端到端的車、路、網、云、圖全棧式自研解決方案，包含自動駕駛系統、路側車路協同、基于5G網絡的遠程遙控駕駛、車隊調度管理平臺
