自動駕駛汽車感知系統的案例
自動駕駛汽車感知系統關鍵技術綜述
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 無人駕駛汽車環境感知技術綜述
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 高階自動駕駛系統的感知模組如何選擇
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 自動駕駛汽車感知測試
來源 |
智駕社
自動駕駛系統中視覺感知模塊的安全測試
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 高級自動駕駛系統的新型三大感知能力要素分析
作者 |
Aimee
出品 |
焉知
自動駕駛傳感器配置需求隨著汽車智能化和電動化的快速發展不斷增加。當前的傳感器趨向于從探測范圍、探測精度、探測能力上進行不斷優化以便適應更多的邊緣場景。使用更高級能力的傳感器到底能帶來哪些優勢，又能解決哪些問題，如何對車身周圍配置的傳感器進行最優化配置和選擇將是我們必須要面對的問題。
高階自動駕駛系統的傳感器仍然按照當前自動駕駛系統一樣，配置了包含毫米波雷達、攝像頭、激光雷達、超聲波雷達等傳感器配置。然而，在毫米波雷達、攝像頭、激光雷達的選擇上卻是增加了幾個臺階。
首先
，是毫米波雷達采用了4D高精度毫米波雷達，從分辨率角度得到質的飛躍。
其次
是，攝像頭采用了高清攝像頭，其分辨率的巨大提升使得其更加容易探測出更小的目標。
最后
，是激光雷達從原始的機械式激光雷達向MEMS甚至Flash激光雷達的轉變。
本文將針對如上三類傳感器的轉變詳細說明其對自動駕駛系統探測能力到底有哪些提升。
4D毫米波雷達優勢
從當前已經出過得自動駕駛事故（無論是特斯拉的大卡車相撞還是蔚來汽車主裝上高速作業車）中不難看出，高速自動駕駛最容易出現事故的地方就是在于傳感器對于靜止目標的識別上。當前，駕駛輔助系統架構常采用攝像頭融合毫米波雷達的方式進行檢測，而對于靜止目標的識別主要是依靠攝像頭的視覺檢測，由于視覺感知的目標都必須經過模塊或算法訓練，而數據模型中無法涵蓋所有類型目標數據，且識別過程中通常采用的圖像分割會把靜止目標當成背景區域而過濾到，因此，視覺檢測很難做到對目標的有效識別。
展開 干貨｜自動駕駛系統中感知傳感器實物仿真測試環境構建
圖5 毫米波雷達目標模擬微波暗箱結構示意圖
■ 總結：感知傳感器模擬仿真方案多樣性、實用性強
從上面的介紹不難看出，自動駕駛主要感知傳感器的實物仿真環境構建，都是基于工作原理，靈活運用傳感器感知介質特性，在標準環境下，進行的模擬目標匹配的信號再造。針對與同一類型的感知傳感器，其實物仿真環境的構建方式其實并非是唯一的，只要環境中相對潔凈，未引入其他影響感知傳感器識別目標的噪聲，并能準確有效的對該類型傳感器可感知目標進行模擬，那這就是一個成功的環境構建方案。所以在不同模擬仿真測試系統應用時，可以結合不同的測試需求，對傳感器實物仿真構建方法進行選擇。
從自動駕駛模擬仿真測試產業發展需求角度出發，目前可以實現的感知傳感器環境構建方案還相對較少，后續自動駕駛整車級模擬仿真測試環境中，必定需要多類型感知傳感器融合仿真測試環境。這對感知傳感器實物仿真測試環境構建提出了更高的要求，也期待有更多更優先的構建方法和創新型構想被提出。
---END---
作者：北斗
文章來源：汽車測試網
展開 客戶案例 | Ansys與索尼半導體解決方案公司合作推進自動駕駛汽車基于場景的感知測試
仿真模型使用戶能夠利用預定義輸入或實時反饋，對基于索尼HDR成像器的感知系統進行可靠的、基于場景的測試，從而提高ADAS和AV應用的準確性、可靠性和安全性。
為了最大限度地減少道路測試，協同仿真會將圖像輸入到先進的片上軟件感知系統中。與此同時，仿真環境中還集成了用于控制發動機管理和變速箱等功能的電子控制單元，以測試其性能。這種方法可確保從傳感器到處理芯片的整個仿真流程準確可靠。
索尼半導體解決方案公司汽車業務部總經理Tomoki Seita表示：“完全自動駕駛的實現，需要依靠OEM廠商與Ansys等領先的技術提供商合作，以提高用于驗證自動駕駛系統的集成工具的準確性。通過此次合作，客戶可以使用高度可重現、高預測準確性的仿真，充滿信心地對其系統進行驗證。這尤其有利于OEM廠商和一級供應商，他們可以運行實際攝像頭仿真來驗證識別算法和車輛控制軟件。”
此外，AVxcelerate平臺與許多客戶特定的仿真工具鏈兼容，包括開源仿真器或其他商業仿真器，其具有高度可擴展性，并支持云端使用，以提高算力和廣泛的可訪問性。該工作流程使設計人員能夠生成逼真的圖像，以便在組裝傳感器之前評估性能，或生成大規模的虛擬訓練數據集。
Ansys產品高級副總裁Shane Emswiler表示：“滿足安全合規性是我們OEM廠商客戶的首要任務，但由于需要測試的場景數量眾多，實現這一目標十分困難。Ansys提供一系列多物理場仿真解決方案，以提高自動駕駛汽車的安全性和可靠性，同時加速研發流程。利用AVxcelerate Sensors，用戶可以在高保真度虛擬環境中復現道路決策，這可以提高預測準確性，并改變企業設計和測試自動駕駛汽車的方式。”
展開 自動駕駛行業觀察 | 自動駕駛多模態融合感知詳解（研究現狀及挑戰）
文章來源：自動駕駛干貨鋪
自動駕駛感知數據
現在自動駕駛車輛傳感器的布置五花八門，各家有各家的方案。
那假設我有一個傳感器配置的車輛，我現在去采集了很多感知場景的數據，
這些數據這樣能變現呢？是否有公司需要數據來訓練算法呢？我的傳感器布局可能和需求方的不一樣，那我的數據他可以用來訓練他的算法嗎？
自動駕駛感知數據閉環簡析
在自動駕駛技術中，軟件系統是最具有技術壁壘的領域之一。近年來，國內外成立了不少自動駕駛創業公司，花費了大量人力物力投入到自動駕駛軟件系統的開發中，每一行代碼、每一個專利，都是它們未來競爭的底氣和資本。可以說，自動駕駛軟件系統是上述公司最核心的資產之一。
百度是國內最早投入自動駕駛技術研發的公司之一。Apollo是百度發布的向汽車行業及自動駕駛領域合作伙伴提供的軟件平臺，不僅在全球各種權威自動駕駛榜單中成績斐然，也在商業化推進上有著驚人的速度。下圖是Apollo開源項目的系統架構。
圖1. Apollo 6.0 Architecture，
來源：Apollo項目GitHub
地址：https://github.com/ApolloAuto/apollo
簡單解析一下Apollo框架。
其中，Open Software Platform指的是Apollo開源軟件平臺，它是圖中位于右側的各個子模塊的總稱。RTOS（real-time operating system）是實時操作系統，實時性是它的最大特征，它為上層功能模塊的高效執行提供底層環境。
Map Engine是地圖引擎，在軟件中負責獲取各類地圖數據，并提供相應的地圖數據功能接口。Localization和Perception分別是定位和感知模塊，是處理汽車周圍環境信息的功能模塊，負責將各類傳感器收集到的數據進行加工和處理，用結構化的結果來描述汽車周圍的場景。Planning是規劃模塊，負責對結構化的場景信息進行下一步的處理，通過計算得到一條安全可通行的路徑。
展開 
自動駕駛的視覺感知包括哪些內容？
出廠標定
但是自動駕駛做前裝量產，由于批量生產的緣故，無法一輛輛使用標定板做標定，而是構建一個場地用于車輛出廠時標定，如下圖所示：
2. 在線標定
另外考慮到車輛運行一段時間或者在顛簸的過程中攝像頭位置的偏移，感知系統中也有在線標定的模型，常利用消失點或車道線等檢測得到的信息實時更新俯仰角的變化。
數據標注
自然道路場景存在各種各樣的突發狀況，所以需要采集大量的實車數據用來訓練。高質量的數據標注成了一件至關重要的工作，其中感知系統需要檢測的全部信息均需要進行標注。標注形式包括目標級標注和像素級標注：
目標級標注如下圖：
像素級標注如下圖：
由于感知系統中的檢測和分割任務常采用深度學習的方式實現，而深度學習是一項數據驅動的技術，所以需要大量的數據和標注信息進行迭代。為了提高標注的效率，可以采用半自動的標注方式，通過在標注工具中嵌入一個神經網絡用于提供一份初始標注，然后人工修正，并且在一段時間后加載新增數據和標簽進行迭代循環。
功能劃分
視覺感知可以分為多個功能模塊，如目標檢測跟蹤、目標測量、可通行區域、車道線檢測、靜態物體檢測等。
1.
展開 一文解析自動駕駛汽車決策控制系統技術
自動駕駛系統是一個集環境感知、決策控制和動作執行等功能于一體的綜合系統，是充分考慮車輛與交通環境協調規劃的系統，也是未來智能交通系統的重要組成部分。本文著重分析自動駕駛決策控制的相關技術，探索未來的發展方向。
自動駕駛系統簡介
通常意義上，自動駕駛系統可以分為感知層、決策層、執行層。
感知層
感知層被定義為環境信息和車內信息的采集與處理，涉及道路邊界檢測、車輛檢測、行人檢測等多項技術，可認為是一種先進的傳感器技術，所采用的傳感器包括激光雷達、攝像頭、毫米波雷達、超聲波雷達、速度和加速度傳感器等。由于單一傳感器存在感知的局限性，并不能滿足各種工況下的精確感知，自動駕駛汽車要實現在各種環境下平穩運行，需要運用多傳感器融合技術，該技術也是感知層的關鍵技術。
決策層
決策層可以理解為依據感知信息來進行決策判斷，確定適當工作模型，制定相應控制策略，替代人類駕駛員做出駕駛決策。這部分的功能類似于給自動駕駛汽車下達相應的任務。
展開 一文解析自動駕駛汽車決策控制系統技術
* 來源：智駕最前沿
自動駕駛系統是一個集環境感知、決策控制和動作執行等功能于一體的綜合系統，是充分考慮車輛與交通環境協調規劃的系統，也是未來智能交通系統的重要組成部分。本文著重分析自動駕駛決策控制的相關技術，探索未來的發展方向。
自動駕駛系統簡介
通常意義上，自動駕駛系統可以分為感知層、決策層、執行層。
感知層
感知層
被定義為環境信息和車內信息的采集與處理，涉及道路邊界檢測、車輛檢測、行人檢測等多項技術，可認為是一種先進的傳感器技術，所采用的傳感器包括激光雷達、攝像頭、毫米波雷達、超聲波雷達、速度和加速度傳感器等。由于單一傳感器存在感知的局限性，并不能滿足各種工況下的精確感知，自動駕駛汽車要實現在各種環境下平穩運行，需要運用多傳感器融合技術，該技術也是感知層的關鍵技術。
決策層
決策層
可以理解為依據感知信息來進行決策判斷，確定適當工作模型，制定相應控制策略，替代人類駕駛員做出駕駛決策。這部分的功能類似于給自動駕駛汽車下達相應的任務。例如在車道保持、車道偏離預警、車距保持、障礙物警告等系統中，需要預測本車及相遇的其他車輛、車道、行人等在未來一段時間內的狀態。先進的決策理論包括模糊推理、強化學習、神經網絡和貝葉斯網絡技術等。由于人類駕駛過程中所面臨的路況與場景多種多樣，且不同人對不同情況所做出的駕駛策略應對也有所不同，因此類人的駕駛決策算法的優化需要非常完善高效的人工智能模型以及大量的有效數據。這些數據需要盡可能地覆蓋到各種罕見的路況，而這也是駕駛決策發展的最大瓶頸所在。
執行層
執行層
是指系統在做出決策后，按照決策結果對車輛進行控制。
展開 汽車自動駕駛輔助系統電磁安全性研究
從現有研究成果來看，智能網聯汽車自動駕駛輔助系統的電磁安全不容忽視。從推動智能網聯汽車產業落地和保護人民生命財產安全的角度來看，行業需要投入更多的資源對汽車自動駕駛輔助系統的電磁安全性進行深入研究，從而發現和解決安全風險，助力中國汽車工業“新四化”發展進程。
