2020 无人驾驶(3)

电动汽车

说到电车就会想到特斯拉和比亚迪，而且电动汽车(新能源源汽车)已经不是什么新奇的事了。现在就连世界销量第一传统汽车巨头丰田也有对电车领域垂涎三尺，相继推出了自己电车型号，现在 BMW 3 系和 5 系也上电动车，都有在电动车产业有不小投入。一些多半比较保守企业也走到都是混合动力路线。现在我们身边国产电动车也是物美价廉。而且国家也大力支持国产电车发展，因为在传统汽车制造业我们和西方国家还是有很大差距，特别是发动机研发上差距。这次电动汽车是一次弯道超车的好机会。

image

共享汽车

互联网在改变我们衣食住行，当然也会触及汽车领域。共享汽车已经走入我们生活，出门时候都喜欢用滴滴来叫车，可以是顺风车、快车或者出租车。享受方便快捷的同时，给我们无论是车主还是乘客都节省了时间。这种出行方式已经被我们大多数所接受习惯。同时共享汽车从侧面在一定程度提高车辆利用率，缓解了道路拥堵和较少环境的污染。以后我们汽车在闲置时候，无人驾驶汽车可以通过共享方式自己去赚点零花钱。

image

车联网

无人驾驶是一个综合技术，也是人工智能应用场景的集合。4G技术成就了抖音短视频的短视频以及直播等应用。那么5G出现也为物联网和车联网出现提供基础设置。车联网也是最近大家讨论的问题。汽车制造商、销售商和互联网巨头都此领域表现自己浓厚兴趣。那么什么是车联网呢。所谓车联网就是把汽车连接成网络。不过这样描述车联网太笼统了。可能我们根据自己知识体系了解的车联网可能就是车联网的一部分。
那么什么是车联网呢? 其实，确切来说，车联网并不只是把车与车连接在一起，它还把车与行人、车与路、车与基础设施（信号灯等）、车与网络、车与云连接在一起。

image image image

车辆定位和导航

image

GPS

提到导航大家都会随口说出 GPS，虽然可能对什么是 GPS 以及如何通过 GPS 进行定位并不了解。GPS是全球定位系统（Global Position System）的简称，实现原理也很简单，车辆导航定位也是主要靠 GPS，GPS 定位方式是一种相对定位，GPS 通过接受是至少收到 4 颗几何位置不错的 GPS 卫星广播电磁波，然后通过计算来得到自己位置。GPS 在市区内电磁信号复杂，对 GPS 信号会有一定干扰，例如玻璃幕墙会反射电磁波，大雨天气对于电磁波也有一定影响。所以我们接受 GPS 会有一定误差，甚至方向也会有误差。GPS 产生误差是米级别，这样误差对于车辆是无法接受。那么这么解决这样问题，我们手机移动设备所以 GPS，不过通过设立 RTK 这样静态基站来矫正我们 GPS 位置来降低电磁波衰减问题。但是因为 GPS 米级的误差，在无人驾驶中我们只能接受cm级别误差，因为​高精度控制车辆。

高精度地图(HD map)

高精度地图不同与普通导航地图，可以精确到车道线级别，在地图上会标注出类似信号灯、减速带这样基础设施，这样做好处不然而遇，首先提供更多信息，可以减少计算量，在做路径规划时候减少一些不必要计算。例如我们感知红绿灯，因为实现已经知道其位置所以图像识别时候我们就可以只关注一个小区域。而且一些电线杆我们也可以按静物处理。不过这个可能会花费大量人力，而且因为可能会触及国家安全问题，这些是他的缺点。

image

激光雷达(Lidar)

image

Lidia 也即是我们看到 waymo 车身上的激光雷达，由激光发射器与高精接收器组成，主要应用为利用激光探测物体距离，能通过独特的算法提供物体的3D影像。那么 radar 与lidar 有什么区别呢？他们激光波长不同，radia 是波长是毫米，而lidar 波长单位是纳米，我们知道光波能否绕开障碍物是取决其波长的。所以 libar 具有较小波长对周围感知更加细腻，特别是对静止障碍物感知要优于 radia。但是这也是 lidia 缺点，在雾天，特别是浓雾天，会把雾识别为障碍物。而且无法识别颜色，无法识别出红绿灯，所以还是需要借助 camera，lidia 在可以很好感知周围环境到车的距离，所以我们对无人驾驶感觉距离是cm 级别。在无人驾驶出现 lidia 应用场景很少所以价格昂贵，不过许多lidia 厂商都在宣传自己将要作出 100 美元的 lidia。现在 lidia 种类繁多，各式各样不多​没有达到商用程度。​

image

imu

通过当前车辆位置，和各种控制信息，例如速度、加速度、扭矩等等来计算 imu 估计下一个时刻位置，这个是基于卡尔曼滤波来计算估计的，随后分享给大家。

slam 技术

还有就是 slam 技术，最近在解决了计算提升速度后， slam 通常也会被用到车辆导航，slam 也是我个人计较感兴趣一门技术，也是一门综合跨学科的技术，不过已经商业化量产技术。我们都熟悉的扫地机器人就是基于一个开源 slam 技术的产品。slam 技术主要是机器在来到一个陌生环境他是如何认知陌生环境，这里主要会用卡尔曼滤波，这个我也在学习，并且拿出来和大家分享。

其实这辆中大多时候使用将各种手段和技术进行融合来完成一个任务，我们没有 lidia 怎么办，可以通过车辆模拟软件模拟车辆行驶来来获得lidia的数据，这个随后会有分享，而且我们更多学习任务放在计算机视觉和 slam 技术。

image

自动驾驶车辆高精度定位目前主流解决方案普遍采用融合方式，大体上有：

• 基于 GPS 和 imu 传感器的融合的组合导航定位；

• 基于激光雷达点云特征与高精地图的环境特征匹配定位；

• 基于 camera 的道路特征识别为主 + GPS定位为辅助的形式；

• 绝对定位（GNSS） + 相对定位（IMU + 环境特征匹配定位）；首先利用车辆自带的GPS和IMU传感器作出大的位置判断，然后用预选准备好的高精度地图与激光雷达点云图像以及摄像头图像特征相匹配，即放在一个坐标系内做配准，配对成功后确认车辆位置