自动驾驶汽车硬件与软件技术
本文详细介绍了自动驾驶汽车的硬件和软件，以及所需要做的准备工作，每个研发者或者准备投身于无人驾驶领域的人都应该好好看一下。
以下为文章全文：(本站微信公共账号:cartech8)
汽车零部件采购、销售通信录 填写你的培训需求，我们帮你找 招募汽车专业培训老师
概要：本文详细介绍了自动驾驶汽车的硬件和软件，以及所需要做的准备工作，每个研发者或者准备投身于无人驾驶领域的人都应该好好看一下。 全球有数不清的公司在忙着研发自动驾驶汽车，他们的产品也千奇百怪，不过基本思路和核心技术是类似的，本文详细介绍了自动驾驶汽车的硬件和软件，以及所需要做的准备工作，每个研发者或者准备投身于无人驾驶领域的人都应该好好看一下。 大家都知道智能车（Intelligent Vehicle）是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。 自动驾驶的关键技术依次可以分为环境感知、行为决策、路径规划和运动控制四大部分。
自动驾驶理论听上去很简单，四大关键技术，但到底如何实现的呢？Google 从 2009 年开始做自动驾驶，到现在已有 8 个年头。8 个年头的技术积累还无法将自动驾驶技术量产落地，可见自动驾驶技术并不简单。自动驾驶是一个庞大而且复杂的工程，涉及的技术很多，而且太过细致。我从硬件和软件两方面谈一谈自动驾驶汽车所涉及的技术。 硬件 离开硬件谈自动驾驶都是耍流氓。先看个图，下图基本包含了自动驾驶研究所需要的各种硬件。
然而，这么多传感器并不一定会同时出现在一辆车上。某种传感器存在与否，取决于这辆车需要完成什么样的任务。如果只需要完成高速公路的自动驾驶，类似 Tesla 的 AutoPilot 功能，那根本不需要使用到激光传感器；如果你需要完成城区路段的自动驾驶，没有激光传感器，仅靠视觉是很困难的。 自动驾驶系统工程师要以任务为导向，进行硬件的选择和成本控制。有点类似于组装一台计算机，给我一份需求，我就给你出一份配置单。 汽车 既然要做自动驾驶，汽车当然是必不可少的东西。从上汽做自动驾驶的经验来看，做开发时，能不选纯汽油车就别选。一方面是整个自动驾驶系统所消耗的电量巨大，混动和纯电动在这方面具有明显优势。另一方面是 发动机的底层控制算法相比于电机复杂太多，与其花大量时间在标定和调试底层上，不如直接选用电动车研究更高层的算法。 国内也有媒体专门就测试车辆的选择做过调研。「为什么谷歌、苹果不约而同的选择了雷克萨斯 控制器 在前期算法预研阶段，推荐使用工控机（Industrial PC，IPC）作为最直接的控制器解决方案。因为工控机相比于嵌入式设备更稳定、可靠，社区支持及配套的软件也更丰富。百度开源的 Apollo 推荐了一款包含 GPU 的工控机，型号为 Nuvo-5095GC，如下图。
Github ApolloAuto 当算法研究得较为成熟时，就可以将嵌入式系统作为控制器，比如 Audi 和 TTTech 共同研发的 zFAS，目前已经应用在最新款 Audi
CAN 卡 工控机与汽车底盘的交互必须通过专门的语言——CAN。从底盘获取当前车速及方向盘转角等信息，需要解析底盘发到 CAN 总线上的数据；工控机通过传感器的信息计算得到方向盘转角以及期望车速后，也要通过 CAN 卡将消息转码成底盘可以识别的信号，底盘进而做出响应。 CAN 卡可以直接安装在工控机中，然后通过外部接口与 CAN 总线相连。Apollo 使用的 CAN 卡，型号为 ESD CAN-PCIe/402，如下图。
全球定位系统（GPS）+惯性测量单元（IMU） 人类开车，从 A 点到 B 点，需要知道 A 点到 B 点的地图，以及自己当前所处的位置，这样才能知道行驶到下一个路口是右转还是直行。 无人驾驶系统也一样，依靠 GPS + IMU 就可以知道自己在哪（经纬度），在朝哪个方向开（航向），当然 IMU 还能提供诸如横摆角速度、角加速度等更丰富的信息，这些信息有助于自动驾驶汽车的定位和决策控制。 Apollo 的 GPS 型号为 NovAtel GPS-703-GGG-HV，IMU 型号为 NovAtel SPAN-IGM-A1。
感知传感器 相信大家对车载传感器都耳熟能详了。感知传感器分为很多种，包括视觉传感器、激光传感器、雷达传感器等。视觉传感器就是摄像头，摄像头分为单目视觉，双目（立体）视觉。比较知名的视觉传感器提供商有以色列的 Mobileye，加拿大的 PointGrey，德国的 Pike 等。 激光传感器分为单线，多线一直到 64 线。每多一线，成本上涨 1 万 RMB，当然相应的检测效果也更好。比较知名的激光传感器提供商有美国的 Velodyne 和 Quanergy，德国的 Ibeo 等，国内有速腾聚创。 雷达传感器是车厂 Tier1 的强项，因为雷达传感器已经在汽车上得到了广泛使用。知名的供应商当然 是博世、德尔福、电装等。 硬件部分总结 组装一套可以完成某项功能的自动驾驶系统需要及其丰富的经验，并且要对各传感器的性能边界及控制器计算能力了如指掌。优秀的系统工程师能在满足功能的要求下将成本控制在最低，使其量产、落地的可能性更大。 软件 软件包含四层：感知、融合、决策、控制。 各个层级之间都需要编写代码，去实现信息的转化，更细化的分类如下。 先分享某创业公司公开的一份 PPT。
实现一个智能驾驶系统，会有几个层级：
更具体一点为：
各个层级之间都需要编写代码，去实现信息的转化。 最基本的层级有以下几类：采集及预处理、坐标转换、信息融合。
采集 传感器跟我们的 PC 或者嵌入式模块通信时，会有不同的传输方式。 比如我们采集来自摄像机的图像信息，有的是通过千兆网卡实现的通信，也有的是直接通过视频线进行通信的。再比如某些毫米波雷达是通过 CAN 总线给下游发送信息的，因此我们必须编写解析 CAN 信息的代码。 不同的传输介质，需要使用不同的协议去解析这些信息，这就是上文提到的「驱动层」。通俗地讲就是把传感器采集到的信息全部拿到，并且编码成团队可以使用的数据。 预处理 传感器的信息拿到后会发现不是所有信息都是有用的。 传感器层将数据以一帧一帧、固定频率发送给下游，但下游是无法拿每一帧的数据去进行决策或者融合的。为什么？ 因为传感器的状态不是 100% 有效的，如果仅根据某一帧的信号去判定前方是否有障碍物（有可能是传感器误检了），对下游决策来说是极不负责任的。因此上游需要对信息做预处理，以保证车辆前方的障碍物在时间维度上是一直存在的，而不是一闪而过。 这里就会使用到智能驾驶领域经常使用到的一个算法——卡尔曼滤波。 坐标转换 坐标转换在智能驾驶领域十分重要。 传感器是安装在不同地方的，比如毫米波（上图中紫色区域）是布置在车辆前方的；当车辆前方有一个障碍物，距离这个毫米波雷达有 50 米，那么我们就认为这个障碍物距离汽车有 50 米吗？ 不是的！因为决策控制层做车辆运动规划时，是在车体坐标系下完成的（车体坐标系一般以后轴中心为 O 点），因此毫米波雷达检测到的 50 米，转换到自车坐标系下，还需要加上传感器到后轴的距离。 最终所有传感器的信息，都是需要转移到自车坐标系下的，这样所有传感器信息才能统一，供规划决策使用。 同理，摄像机一般安装在挡风玻璃下面，拿到的数据也是基于摄像机坐标系的，给下游的数据，同样需要转换到自车坐标系下。
自车坐标系：拿出你的右手，以大拇指 → 食指 → 中指 的顺序开始念 X、Y、Z。然后把手握成如下形状：
把三个轴的交点（食指根部）放在汽车后轴中心，Z 轴指向车顶，X 轴指向车辆前进方向。 各个团队可能定义的坐标系方向不一致，只要开发团队内部统一即可。 信息融合 信息融合是指把相同属性的信息进行多合一操作。 比如摄像机检测到了车辆正前方有一个障碍物，毫米波也检测到车辆前方有一个障碍物，激光雷达也检测到前方有一个障碍物，而实际上前方只有一个障碍物，所以我们要做的是把多传感器下这辆车的信息进行一次融合，以此告诉下游，前面有一辆车，而不是三辆车。
决策规划 这一层次主要设计的是拿到融合数据后，如何正确做规划。规划包含纵向控制和横向控制：纵向控制即速度控制，表现为什么时候加速，什么时候制动；横向控制即行为控制，表现为 什么时候换道，什么时候超车等。 个人对这一块不是很了解，不敢妄作评论。 软件长什么样子？ 自动驾驶系统中的部分软件看起来和下面类似。
软件的名字反映了该软件的实际作用：
然而实际上攻城狮们会编写一些其他软件用于自己的调试工作，比如记录数据和回放数据的工具。
还有用于传感器信息显示的可视化程序，类似下图的效果。
掌握了软件的思路，那么我们来看你都要做哪些准备。 准备 操作系统安装 既然是做软件，首先得有个操作系统。常见的操作系统 Windows/Linux/Mac...（打...的操作系统我也没用过），考虑到社区支持、开发效率，推荐使用 Linux 作为无人驾驶研究的操作系统。 大部分做无人驾驶的团队都用的 Linux，跟着大趋势走，可以省很多事。 Linux 又分为很多版本，最常用且普及率很高的当属 Ubuntu 系列。虽然 Ubuntu 已更新至 17.04，但从稳定性上，推荐安装 14.04 版本。 推荐用一块单独的 SSD 安装 Linux，或者使用虚拟机安装，最不推荐装双系统（不太稳定）奉上 Linux Ubuntu 14.04 安装包 + 虚拟机安装方法。（链接：http://pan.baidu.com/s/1jIJNIPg 密码：147y。）
Linux 基本指令 作为 Linux 的核心——命令行操作不仅对开发大有帮助，而且是装 X 利器。另一个好处是使用指令 apt-get install，可以快捷地完成很多软件的安装，不用像 Windows 那样，在网上四处寻觅适配的安装包。Linux 的指令很多，而且比较杂，使用起来需要多学，多用。 开发环境安装 开发环境会涉及很多实际使用的库，不同的程序员处理相同的问题，可能使用不同的库。下面通过安装我在工作和学习中经常使用到的库，抛砖引玉，将开发者「引进门」。 搭建环境所需安装包：
（链接：http://pan.baidu.com/s/1sllta5v 密码：eyc8） 附：开发环境介绍 集成开发环境 IDE 前面安装了一款开源的 IDE qt，目前 qt 在 Linux 中的地位，就和 Visual Studio 在 Windows 中的地位一样。除非是不使用 IDE 开发的高玩，大部分在 Linux 下做开发的团队还是会选择用 qt 开发的。 qt 的主要作用是做交互式的界面，比如在界面中显示当前传感器采集到的各种信息。界面交互会明显加快开发者调试程序和标定参数的过程。 Tips：
OpenCV OpenCV 是一个非常强大的库，其中封装了大量的可应用于无人驾驶研究的函数，包括各种滤波器算法、特征点提取、矩阵运算、投影坐标转换、机器学习算法等。 当然最重要的是，它在计算机视觉领域的影响力，相机标定，目标检测、识别、跟踪的接口使用起来十分方便。使用 OpenCV 库完全可以做出这张图展现的效果。
Tips：
奉上电子版，讲解很详细，每次打印一章阅读，循序渐进。 （链接：http://pan.baidu.com/s/1dE5eom9 密码：n2dn） libQGLViewer libQGLViewer 是大名鼎鼎的 OpenGL 适配 qt 的一个库，编程接口及方法与 OpenGL 大同小异，我们经常在各大无人驾驶公司宣传画上看到的环境感知信息的显示，就完全可以用 QGL 做出来。
Tips： 学习 libQGLViewer 不需要购买任何教材，官网及压缩包内的 example 就是最好的老师，按照官网的tutorial，把每个例子实现一遍，就基本入门了。 官网链接：libQGLViewer Home Page Boost Boost 库是有着「C++准标准库」之称。这个库里面有大量的「轮子」，对于 C++ 开发者来说，方便直接调用，避免重造「轮子」。 Tips： [文章纠错] 文章网友提供，仅供学习参考，版权为原作者所有，如侵犯到 你的权益请联系qchjl_admin@126.com，我们会及时处理。
GMT+8, 23-4-2024 16:21 , Processed in 0.130201 second(s), 23 queries . Powered by Discuz! X3.5 © 2001-2013 Comsenz Inc. |
会员评价：
共0条 发表评论