自动驾驶基础（五）

说到自动驾驶，就有车辆控制，当前车辆的驾驶控制主动权在车厂，除非改装。这就说明一个问题，从L1以后，只有汽车制造厂商主动参与自动驾驶的技术变革，放开车辆控制的控制权，这样才能快速的推进自动驾驶走向商业化，否则依靠改装和后装市场对CAN信号的解码这种不规范的行为，将会导致汽车市场的混乱和极大的社会危害，另一方面，汽车厂商在开放汽车控制权或者主动加入自动驾驶技术时，也需要考虑到最重要的汽车驾驶安全问题，特别需要注意车联网后，车辆的信息泄露，特别是控制信息的泄露，将会带来的危害及防止措施。

和人类驾驶车辆一样，由系统实现自动驾驶需要回答几个问题，我在哪里？周边环境如何？接下来会发生什么？我该做什么？

对应以上问题，系统首先需要进行感知，感知车辆、感知环境来回答我在哪里？周边环境如何？ 这块采用的传感器技术包括了激光雷达、毫米波雷达、摄像头、超声雷达、高精度定位、以及高精度地图、V2X等技术。系统通过分析决策来分析“接下来会发生什么”以及“接下来我该做什么”。最后通过执行结构完成相应的操控动作。

车辆的感知部分主要通过不同的传感器作为数据源来获取周边的环境信息。目前主流使用的传感器包括激光雷达，毫米波雷达和摄像头。下图是一个基本的传感器技术的性能对比图：

激光雷达，能够生成数字搞成模型。它的工作过程包括，LiDAR以一定的角速度匀速转动，在这个过程中不断地发出激光并收集反射点的信息，计算出所有反射点的坐标。LiDAR每旋转一周收集到的所有反射点坐标的集合就形成了该时刻的点云（point cloud）。

LiDAR获取的点云数据与现有的数据库中的模型进行对比，可以识别出探测到的物体类别，甚至是交警的手势。这方面需要用到大数据处理技术、机器学习和人工智能等方面的技术。由于激光传感器成本高昂（目前需要40-50万人民币），目前降低激光雷达成本的基本方向，是让激光雷达从“机械”往“固态”的路线走。“固态激光雷达”能够通过电子部件实现360°发射从而实现对周围环境360°的扫描，而不需要依靠内部机械部件的旋转。

毫米波雷达也是在自动驾驶中广泛使用的传感器，它的穿透力非常强，主要的应用场景就是测量距离，探测无人车周边的环境。毫米波雷达的微波遇到车辆之后被反射回来，被雷达测速计接收，在短时间内就能计算出所测车辆的车速。

摄像头由于成本低、分辨率高、也是唯一可获得外观信息的传感器，在目前技术条件下成为主要的传感器硬件。摄像头有单目、双目、甚至多目的解决方案。单目摄像头在测距等应用中需要维护大量样本进行训练，而双目和多目由于采用了立体视觉的技术，可以不再依赖大量样本数据但需要复杂的算法和大量的实时计算才能得出。

镜头的角度、有效识别距离、分辨率三者之间是矛盾的。比如ADAS系统对摄像头的要求是纵深方向的视野要好、低像素、高感光度(给机器用的)。而行车记录仪（给人用的）要求大广角，像素要高得多（即使只有200万像素），因此，现在一些市面上的行车记录仪也可实现ADAS中如FCW的一些功能，这种方式从传感器上本身就有缺陷。

不同传感器有不同的特性，这张图表达了不同主流传感器的覆盖范围。

不同传感器有不同的优缺点，目前来看，没有一种传感器可以适用于任何使用环境。比如说激光安装车顶之上，在车辆底部的就形成一个无法测量的圆形区域。用于自适应巡航的雷达是用于远距离测量的，对于近距离测量的精度还不够，而在泊车时的精度需要达到厘米级，这时候善于近距离测量的超声波雷达就派上用场了。因此只有通过传感器的融合，才能在功能的多样性以及成本上达到设计目标。

高精度（HAD HighlyAutomated Driving）地图或者叫自动驾驶地图能够扩展车辆的静态环境感知能力。高精度地图为车辆提供了其它传感器提供不了的全局视野，可提供传感器监测范围外的道路、交通和设施信息。高精度地图是为面向自动驾驶而采集生成的地图数据，根据自动驾驶需求而建立道路环境模型，包含道路数据、如道路车道线位置、类型、宽度、坡度和曲率等信息，以及交通标志、交通信号灯等信息、车道限高、下水道口、障碍物以及其他道路上一些细节，还包括高架物体、防护栏、树、道路边缘类型、路边地标等基础设施信息。

高精度地图在精确定位 、基于车道模型的碰撞避让、障碍物检测和避让、智能调速、转向和引导等方面都可以发挥重要作用。在高精度定位方面，商用定位系统的精度仅有5米左右，而高精度地图与传感器协同工作，可将车辆的位置定位精确厘米级（TomTom/Google/Here都达到10-20厘米）。在获取静态环境信息方面，通过从高精度地图模型中提取，可将车辆位置周边的道路、交通、基础设施等对象以及对象之间的相对关系提取出来。

自动驾驶基础（四）；