自動駕駛系統集成的案例
摯途科技向一汽解放供應 L3 自動駕駛系統，實現自動駕駛的商業化落地
2021 年 7 月 21 日，全球首臺前裝車規級 L3 自動駕駛重卡 —— J7 L3 超級卡車在一汽解放定制化小批量生產下線。
兩個月前，摯途科技和一汽解放簽訂協議，摯途成為一汽解放定點供應商，并正式以 Tier1 角色向一汽解放供應 L3 自動駕駛系統！伴隨著第一輛前裝 J7 L3 超級重卡下線，摯途科技成為國內自動駕駛行業中第一個向主機廠前裝供貨的企業，也是業界第一個實現自動駕駛產品商業化落地的企業。
一汽解放作為中國最具價值的商用車品牌，于 2020 年 9 月發布了全球首款前裝 J7 L3 超級卡車，今年，這款產品正式搭載著摯途的 L3 自動駕駛系統上市。這標志著一汽解放在商用車自動駕駛領域依然走在世界最前列，其「頭雁」地位不可撼動。
率先落地，摯途 L3 書寫中國速度
與國內大部分自動駕駛項目進行后裝改造不同，J7 L3 超級重卡是一汽解放與摯途科技聯合立項，并嚴格按照解放流程開發的產品，這款車從設計之初就充分收集了物流客戶需求，開發上嚴格按照商用車法規和車規要求，在產品策劃、設計驗證、生產準備以及前裝交付的各階段全部嚴格遵循解放要求執行。
摯途 L3 級智能駕駛系統采用車規級零部件，應用異構感知融合技術、三層節油架構、信息與網絡安全技術，能夠在高速公路場景下實現全天候的自動駕駛功能，其中包括定速巡航、自適應巡航、碰撞預警、緊急停車、疲勞檢測、車道保持、手離檢測等功能，同時還增加了諸如超車、變道以及靠邊停車和人工接管的功能，實現了車輛在安全、舒適和經濟性三方面的顯著提升。
綜合考慮到重卡的使用效率，結合地圖、動態規劃和車輛控制，這款產品能給客戶帶來 10% 左右的燃油節省。
展開 Synopsys、Ansys和Keysight與臺積電展開合作，通過全新毫米波參考流程提高自動駕駛系統性能
臺積電16FFC的79GHz毫米波RF設計流程將加速自動駕駛系統中射頻集成電路（RF IC）的研發
為加速研發高度可靠的高級射頻（RF）及毫米波（mmWave）設計，Synopsys公司（Nasdaq：SNPS）、Ansys（Nasdaq：ANSS）和Keysight科技公司（NYSE：KEYS）日前聯合宣布，面向臺積電16nm FinFET緊湊型技術（16FFC）推出最新的79GHz毫米波RF設計參考流程。該毫米波設計參考流程，可實現針對高級自動駕駛系統的可靠79GHz收發器集成電路（IC），這些高級自動駕駛系統都需要在無需人工干預的情況下獨立運行，如汽車雷達、5G連接、安全應用以及環境監控器等。該參考流程可為企業提供最高級別的性能、安全性和可靠性，能夠充分滿足基于臺積電領先工藝技術的毫米波RF系統需求。
Synopsys EDA產品部戰略及產品管理副總裁Sanjay Bali指出：“使用高級毫米波技術實現傳感及感知功能現代化，是實現向自動駕駛系統再進一步。我們與Ansys、Keysight和臺積電等業界領先企業密切合作，可為客戶帶來開放式的優化參考流程，而該流程可為高級毫米波設計提供卓越的設計質量。”
臺積電設計基礎架構管理事業部負責人Dan Kochpatcharin表示：“臺積電與我們的生態系統合作伙伴緊密合作，在為新一代自動駕駛系統創建高級RF及毫米波設計的過程中，應對日益增長的挑戰。我們與Synopsys、Ansys和Keysight合作的成果，將幫助客戶使用優化的前后設計流程以獲得成功的設計，而該流程充分利用了臺積電16FFC技術的電源、性能、面積及生產力優勢。”
展開 高級別智能駕駛業務系列：自動駕駛系統
▎系統優勢
· 提供車、路、網、云、圖、營全棧式自研港口無人水平運輸解決方案
· 經緯恒潤無人駕駛系統通過運營調度平臺和智能云控平臺，已與業內多家港口TOS系統、 ECS系統完成了系統對接
· 高性能車規級嵌入式控制器，穩定可靠性能高，可應對嚴苛的實車運行工況
· 車規級傳感器解決方案，多重感知，確保感知輸入冗余和安全
· 充分考慮功能安全和信息安全的自主決策能力，保障車輛安全可靠的運行
· 基于生產作業要求實現停車精度＜5cm，封閉場景自動駕駛比例＞99%
· 基于5G環境，實現自動駕駛與遠程駕駛系統無縫對接，滿足極端工況下的作業安全和全流程的自動化作業
· 已實現項目交付和真正的無安全員的常態化運營
▎應用案例
經緯恒潤自動駕駛系統已在日照港、龍拱港集裝箱碼頭商業化落地運營，真正的實現“安全員下車”這一關鍵目標。同時，自動駕駛系統也同樣在園區物流、清掃、接駁方面有了長足的進步。未來，經緯恒潤自動駕駛系統會繼續緊跟智能駕駛行業發展趨勢，聚焦智能化和網聯化技術變革，積極創新，致力于為客戶提供涵蓋環境感知、決策規劃、控制執行、系統集成等自動駕駛全棧解決方案，進一步推進無人駕駛技術的商業落地。
展開 美大學安裝高保真駕駛模擬器 助力自動駕駛系統研究
據外媒報道，美國德克薩斯大學奧斯汀分校（UT-Austin）安裝了一個完全集成式的高保真Cruden駕駛模擬器，以對自動駕駛系統學術研究提供協助。
德克薩斯大學奧斯汀分校的一個汽車駕駛員在環（driver-in-the-loop）模擬器上已經安裝了Cruden。奧斯汀分校的Walker機械工程系是北美最知名的研究機構之一，該系將利用Cruden AS1基于動作的系統，在其硬件在環（HIL）測試設置中添加人類駕駛員輸入，以研究自動駕駛汽車控制系統的性能。
德克薩斯大學奧斯汀分校需要一個結合了HIL和駕駛員在環（DIL）系統的汽車模擬器，即一個定制裝置，可輕松、無縫地呈現多種駕駛環境和車輛類型，并且盡可能地接近現實。
該Cruden模擬器集成了奧斯汀分校現有的dSpace Scalexio模塊化實時硬件仿真系統以及dSpace ASM車輛和交通模型。該系統可用于多智能體模擬，以評估智能車輛的交通情境，包括評估復雜的車輛動力學。
將多智能體模擬與DIL模擬結合是業界首創，可實現在主客觀場景進行車輛測試，以及研究未來移動出行項目，可以呈現真實現實場景，但是有人類在模擬器后面進行操作。
展開 
我國農機自動駕駛系統需求日益增長，北斗系統賦能精準農業
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。
農機自動駕駛應用北斗衛星導航技術，使得農業生產變得更加高效和智能化。通過精細化施肥、施藥、播種與收割，實時獲取位置信息，避免了夜間和大霧天氣對農機在田間作業時長的限制，大大提高了作業精度。同時，農機自動駕駛可以減少作業重復和遺漏，提高作業效率，節省成本投入，產生更佳的產出效益。此外，農機自動駕駛還能解放人力，使駕駛員從繁重的操作中解放出來，對于農場、農機合作社和農民均可以提高其經濟效益。因此，農機自動駕駛的需求將持續增長，成為廣大農業生產經營者的迫切需求。
然而，在一些偏遠地區，因為信號較差，大部分農機自動駕駛系統難以正常工作。為解決這一難題，千尋位置推出搭載了其自研的北斗“星地一體”高精度定位能力的“千耘北斗導航農機自動駕駛系統”，助力農機實現更高精度、更遠范圍的自動駕駛。
所謂“星地一體”，即指“星基增強”+“地基增強”的兩種方式結合，其中的星基增強系統，可以讓農機自動駕駛系統在戈壁灘、山區等難以建立地面基站或者通信信號不足的地方，繼續獲得高精度定位服務。
不僅如此，千耘農機導航還提供直線、圓圈、曲線、測畝等多種作業模式，滿足各地域的不同作業需求，另外，系統還可以擴展全程無干預對角線耙地模式和直線超低速作業模式。
展開 自動駕駛系統測試詳談
自動駕駛系統級測試的基礎理論
1.1 自動駕駛測試場景的構成
1.1.1 構成框架
該圖引用國汽智聯材料
1.1.2 場景來源
真實駕駛記錄場景
專家經驗構建場景（先驗知識）
1.1.3 真實駕駛場景來源
真實駕駛場景處理流程：
該圖引用國汽智聯材料
淺談自動駕駛系統測試
來源 | ADS智庫
一、自動駕駛系統級測試的基礎理論
1.1 自動駕駛測試場景的構成
1.1.1 構成框架
*該圖引用國汽智聯材料
1.1.2 場景來源
真實駕駛記錄場景
專家經驗構建場景（先驗知識）
1.1.3 真實駕駛場景來源
真實駕駛場景處理流程：
*該圖引用國汽智聯材料
車端記錄場景：
*該圖引用國汽智聯材料
場景記錄場景：
*該圖引用國汽智聯材料
專家經驗構建：
1.2 通過多個分析維度構建自動泊車測試用例框架
*該圖引用論文《智能汽車自主泊車系統測試方法》蒙昊藍等
1.3 由測試場景演變出具體的測試用例
*該圖引用豐田研究員會議材料
1.4 整車系統級測試工作的開展
由對的人，在對的地點，對待測試的車輛，使用準確的測試工具，安全的開展測試，詳細的記錄測試過程。
展開 自動駕駛系統安全隱患分析
發現2:不正確的配置導致大量AV錯誤，即27.25%的自動駕駛錯誤。
發現3:涉及相對較少行代碼的錯誤的根本原因，即20行或更少的代碼，導致25.25%的錯誤。
3.AV系統bug的現象（后果）
問題2:不同的自動駕駛錯誤癥狀會在多大程度上發生？
在駕駛錯誤中，最常見的癥狀包括速度和速度控制、軌跡和車道定位和導航。
Crashes -不正確的終止
Hangs-系統或組件在其進程仍在運行時無法對輸入作出響應。
什么是北斗導航農機自動駕駛系統
北斗導航農機自動駕駛系統，通常指農機自動駕駛2.0階段導航控制系統，系統集成衛星定位、慣性導航、機械控制、人機交互等關鍵技術，以農機為載體，對農機轉向裝置進行精準控制，使車輛嚴格按既定路線行駛，滿足農業場景的作業需求。給客戶提供便利，降低勞動強度，改善作業質量，增加客戶收益。
農機導航系統，按照控制方式，分為液壓控制自動輔助駕駛系統、電動方向盤控制自動輔助駕駛系統。因性價比高、安裝便捷、適配簡單等原因，當前電動方向盤控制自動駕駛系統占主導地位，該系統原理如下圖所示：
農機自動駕駛系統通常具備以下特征：
1.橫向控制：只控制車輛左右轉向，不控制加速、減速、剎車、換擋、農具起降等操作
2.精度要求：農機自動輔助駕駛系統的精度，通常指直線精準度、交接行精準度，并非天線相位中心的經緯度、高程。
3.載體：可用于方向盤式自走農業機械（拖拉機、噴霧機、收獲機等），通常不用于推桿式轉向車輛。
做為北斗產業國家級力量的千尋位置，推出的千耘導航系列，屬于目前國內常見的電動方向盤控制自動輔助駕駛系統。不僅安裝便捷，操作簡單，而且精度高，作業期間穩定性好。
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。
展開 自動駕駛系統的傳感器標定方法
來源 | 自動駕駛之心、計算機視覺life
導讀：傳感器標定是自動駕駛的基本需求，一個車上裝了多個/多種傳感器，而它們之間的坐標關系是需要確定的。灣區自動駕駛創業公司ZooX的co-founder和CTO是Sebastia Thrun的學生Jesse Levinson，他的博士論文就是傳感器標定。
這個工作可分成兩部分：內參標定和外參標定，內參是決定傳感器內部的映射關系，比如攝像頭的焦距，偏心和像素橫縱比（+畸變系數），而外參是決定傳感器和外部某個坐標系的轉換關系，比如姿態參數（旋轉和平移6自由度）。
攝像頭的標定曾經是計算機視覺中3-D重建的前提，張正友老師著名的的Zhang氏標定法，利用Absolute Conic不變性得到的平面標定算法簡化了控制場。
這里重點是，討論不同傳感器之間的外參標定，特別是激光雷達和攝像頭之間的標定。
另外在自動駕駛研發中，GPS/IMU和攝像頭或者激光雷達的標定，雷達和攝像頭之間的標定也是常見的。不同傳感器之間標定最大的問題是如何衡量最佳，因為獲取的數據類型不一樣：
攝像頭是RGB圖像的像素陣列；
激光雷達是3-D點云距離信息（有可能帶反射值的灰度值）；
GPS-IMU給的是車身位置姿態信息；
雷達是2-D反射圖。
這樣的話，實現標定誤差最小化的目標函數會因為不同傳感器配對而不同。
另外，標定方法分targetless和target兩種，前者在自然環境中進行，約束條件少，不需要用專門的target；后者則需要專門的控制場，有ground truth的target，比如典型的棋盤格平面板。
這里僅限于targetless方法的討論，依次給出標定的若干算法。
展開 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 
自動駕駛研發模擬仿真系統的工作介紹
再加一個，韓國LG公司的，不過是和兩個開源自動駕駛軟件捆綁的，即Autoware和Baidu Apollo。
LGSVL Simulator: An Autonomous Vehicle Simulator
大多數VR和模擬仿真系統用Unreal Engine，這里介紹一下Unity最近開發的SimViz工具。
傳感器模型包括：
RGB-D Camera
LiDAR
Radar*
IMU
GPS
參考場景包括:
城市街道
高速公路
住宅區
系統框圖：
看看生成的自動駕駛場景：INDAGO公司用了這個工具。
展開 自動駕駛系統中視覺感知模塊的安全測試
摘要
近年來,基于深度學習的視覺感知技術的發展極大地促進了車聯網領域中自動駕駛的繁榮,然而自動駕駛系統的安全問題頻出引發了人們對自動駕駛未來的擔憂．由于深度學習系統的行為缺乏可解釋性,測試基于深度學習的自動駕駛系統的安全性極具挑戰性．目前已有針對自動駕駛場景的安全性測試工作被提出,但這些方法在測試場景生成、安全問題檢測和安全問題解釋等方面仍存在不足之處．針對基于視覺感知的自動駕駛系統,設計開發了一種場景驅動的、可解釋強的、運行高效的安全性測試系統．提出了一種能夠平衡真實性與豐富度的場景描述方法,并利用實時渲染引擎生成可以用于駕駛系統安全性測試的場景;設計了一種高效的針對非線性系統的場景搜索算法,其可以針對不同的待測試系統動態調整搜索方案;同時,還設計了一個故障分析器,自動化分析定位待測試系統的安全性缺陷成因．復現了現有基于實時渲染引擎的動態自動駕駛測試系統,并同時使用本系統和復現系統對CILRS系統和CIL系統進行安全測試,實驗結果表明相同時間下本工作的安全問題發現率是復現的場景驅動的動態測試方法的1.4倍．進一步的實驗表明,可以分別為具有代表性的深度學習自動駕駛系統CIL和CILRS,從曠野、鄉村與城市的３類環境中動態生成的共3000個場景中,搜索到1939和1671個造成故障的場景,并且每個故障場景的搜索時間平均為16.86s．分析器從統計的角度判斷出CILRS系統容易造成故障的區域在道路兩側,雨天和紅色或黃色物體更易造成該自動駕駛系統發生故障．
展開 一文解析自動駕駛汽車決策控制系統技術
由于在實際道路中影響駕駛路徑規劃的因素非常多，勢必會占用較多的計算資源。為提高計算效率，日本研究學者提出了“安全場”的研究思路，即形成典型交通場景作為深度學習神經網絡的輸入，以提高自動駕駛汽車的決策效率，提升路徑規劃能力。
圖3 基于機器學習的非結構化道路檢測框架
智能網聯
結合通訊技術的發展，運用車與車、車與路、車與人、車與云之間的實時通訊技術，可為人工智能技術在自動駕駛技術應用過程中的數據、計算與算法等三大要素提供進一步支持，還可面向多車型、多場景智能駕駛需求，提供解決群體智能駕駛系統協同駕駛所面臨的問題。基于智能網聯的車云協同自動駕駛系統的具體架構如下圖4所示。
圖4 基于人工智能的車云協同自動駕駛系統構建方案示意圖
該架構方案分為基于AI的自動駕駛智能終端和基于大數據分析的自動駕駛云端系統兩部分，共同形成了一種集復雜環境精確感知、通行智慧決策與行車控制優化執行的車云協同一體自動駕駛系統。車云協同技術在不同的行車工況與應用場景中，可實現精準的行車環境感知、智慧通行決策與優化行車動作控制，并實現車端與云端之間的信息數據交互與協同。
基于智能網聯的自動駕駛系統車云協同技術主要解決多源異構數據融合不足和前端設備計算力不夠的問題，即將車身傳感器節點的采樣數據（如GPS/INS數據、毫米波雷達數據）和多媒體數據（如攝像頭圖像）按一定頻率傳輸到云端數據庫，同時進行在線處理、離線處理、溯源處理和復雜數據分析。并基于人工智能集成應用算法的智能駕駛控制模型，為車輛決策提供可靠、高效的協同控制方案。
展開 高階自動駕駛系統的通信存儲技術
作者 | Jessie
出品 | 焉知
高階自動駕駛汽車需要通過高帶寬和低延遲的網絡來連接所有傳感器、攝像頭、診斷工具、通信系統以及中央人工智能。這些技術會產生、發送、接收、存儲和處理海量數據。
對于下一代自動駕駛域控制器來說，常用車載網絡有CAN、LIN、FlexRay、MOST和LVDS等。除LVDS外，其他都是專門為汽車行業設計的通信網絡。當前，大部分汽車通過 CAN 或 LIN 聯網，但隨著數據傳輸速度和數據量的增加，這些總線因為帶寬較低、體積較大而不太適合。CAN/LIN總線仍然會有一席之地，但它不會成為通信系統的骨干。
如上圖表示了一種集中式域控制器的內部通用連接形式，對于下一代自動駕駛系統通信網絡連接而言，主要涉及中央域控制器單元中的芯片連接，傳感器接口輸入連接，調試接口連接，存儲連接等。
在中央域控制器中，通常需要設計一定大小的存儲單元進行數據、程序、文件、圖像等信息的存取。設計的存儲單元包括Flash、EMMC、LDDR等。其中，Flash一般存放驅動程序文件，大小為32MB-64MB，EMMC主要用于存儲高精地圖數據，眾包建圖，自動駕駛數據記錄，影子模式、大數據等信息，大小需求大致為96GB-128GB。LDDR主要用于程序運行緩存。這里我們需要講解一下幾種典型的通信鏈路硬件形式，其中包含SPI、UART、GPIO、PCIe、CanFD、FlexRay以及ethernet等。
展開 