지능형 주행 개발의 핵심 기술 요소 개요

01 통합 포지셔닝: 미래 지향적 지능형 주행을 위한 핵심 디자인 요소

지능형 주행 시대, 자동차가 새로운 미래를 변화시키고 있습니다. 자동차 소프트웨어 및 하드웨어, 내부 아키텍처, 산업 경쟁 패턴, 산업 체인의 가치 분배 또한 엄청난 변화를 겪을 것입니다. 이러한 변화의 물결 속에서 우리는 지능형 운전이 보조 운전의 활용 증가, 자율 주행 솔루션의 성숙, 자율 주행 생태계 개선의 세 단계를 순차적으로 거쳐 하드웨어, 소프트웨어 시스템, 상용 분야에 세 가지 기회를 가져올 것이라고 믿습니다. 각각 운영.

그 중 내비게이션과 측위의 핵심 요소인 HD맵(고화질 지도) 역시 대대적인 디자인 변화를 겪게 됩니다. 이는 주로 다음과 같은 중요한 측면에 반영됩니다.

• 고정밀 지도 및 내비게이션 지도

내비게이션 지도는 차선 길이와 해당 거리의 대략적인 도로 상태를 제공합니다. 고정밀 지도는 매우 상세한 도로 상황을 제공합니다. 도로 표지판, 경사면, 차선 및 차선 위치 등. HD 지도에 표시됩니다. 고정밀 지도에는 특정 신호등의 위치까지 고정밀 GPS 데이터로 표시됩니다. 따라서 무인 차량이 도로를 주행할 때 전역 경로 계획에서 만든 경로가 있고 이 경로를 차선 수준에서 경로로 변환하면 무인 차량은 위쪽에 표시된 각 경로를 따라갈 수 있습니다. -정의 지도. 각 차선의 중앙선을 따라 운전합니다.

• 고정밀 지도와 다른 모듈의 연결

고정밀 지도는 측위, 예측, 인지, 계획, 안전, 시뮬레이션, 제어 등 무인 차량의 다른 모듈과 연결됩니다. , 인간-기계 상호 작용, 이 모든 것에는 고정밀 지도의 도움이 필요합니다. 일부 모듈은 고정밀 지도 없이 이러한 기능을 구현할 수 없는 것이 아니라, 고정밀 지도의 도움으로 더 정확한 정보를 얻고 당시의 교통 상황에 더 적합한 결정을 내릴 수 있습니다. 여기서는 더 자세한 기술적인 내용을 자세히 설명하지 않고 일반적인 아이디어에 대한 설명만 하겠습니다

• 고정밀 지도 및 위치 지정

위치 지정에서 고정밀 지도의 주요 역할은 다음과 같습니다. 결정된 정적 객체의 정보를 제공합니다. 그러면 무인 차량은 이러한 정적 객체의 정보를 기반으로 전체 지도에서 상대적인 위치를 찾을 수 있습니다. 이러한 정적 물체에 고정밀 위도 및 경도 좌표가 있는 경우 무인 차량은 이러한 위도 및 경도 좌표를 기반으로 자체 위도 및 경도 좌표를 역으로 찾아 고정밀 지도 및 LiDAR 카메라를 기반으로 센서 융합을 달성할 수 있습니다. 방법. 이렇게 하면 GPS 데이터에 의존하지 않아도 됩니다. GPS 데이터는 데이터가 차단되면 노이즈가 매우 강하기 때문입니다. 물론 현 단계에서는 레이더와 비전의 센서 융합을 기반으로 한 측위 방법의 정확도가 차동 GPS에서 제공하는 데이터만큼 정확하지는 않지만 여전히 측위 방법입니다. 결국 GPS 신호가 없으면 차량은 자체 위치 정보 없이는 주행할 수 없으며 현재로서는 다른 위치 확인 방법에만 의존할 수 있습니다.

• 고정밀 지도와 의사결정

고정밀 지도와 의사결정 모듈의 관계는 더욱 간단합니다. 차량이 미래에 가고 싶은 경로와 가고 싶은 경로와 관련된 도로 표지판, 신호등, 도로 정보를 안다면 의사 결정 모듈은 현재 도로 상황에 더 잘 맞는 결정을 내릴 수 있기 때문입니다. 이는 미래에 무슨 일이 일어날지 안다면 미래에 일어날 일에 대처하기 위해 현재의 행동을 제때에 조정할 수 있는 것과 같습니다.

• HD 지도 및 시뮬레이션 모듈

HD 지도와 시뮬레이션 모듈의 관계는 HD 지도 표준이 적용된 지도 위에 차량의 위치를 ​​지정하거나 다른 알고리즘을 사용하기만 하면 되므로 이해하기 쉽습니다. 검증된 경우 , 실제 애플리케이션에서 차량이 얻은 정보는 시뮬레이션에서 얻은 정보와 동일합니다. 즉, 우리가 시뮬레이션 환경에서 구축한 코드는 실제 환경에서도 상당 부분 활용될 수 있습니다.

• 고정밀 지도 및 인식 모듈

무인 운전의 인식 모듈은 비교적 복잡한 모듈입니다. 왜냐하면 그것은 실생활의 많은 문제들을 포함하고 있기 때문입니다. 그러나 실제로 우리가 인식하는 대부분의 환경에는 정적인 것들이 많습니다. 따라서 이 정적 환경에서는 데이터베이스에 미리 저장할 수 있는 항목을 계산하기 위해 추가 컴퓨팅 성능을 사용할 필요가 없습니다. 예를 들어, 특정 건물이 특정 위치에 있다면 차량이 해당 위치로 몇 번을 이동하더라도 매번 보는 건물은 그 지점에 있습니다. 인식 방식에 관계없이 건물의 위치는 차량의 인식에 따라 변하지 않습니다. 그러면 이런 종류의 사물의 구체적인 위치는 고정밀 지도 수집 차량에 의해 수집될 수 있으며, 그 데이터는 무인 차량의 로컬 하드 드라이브에 저장될 수 있습니다. 그러면 무인 차량은 이 데이터베이스를 사용하여 건물을 식별하지 않고도 해당 건물로 운전할 때마다 건물이 있다는 것을 알 수 있습니다. 포지셔닝 모듈과 마찬가지로 이 건물의 고정밀 좌표를 알면 이 좌표를 바탕으로 역으로 우리 자신의 위치를 ​​찾을 수 있습니다. 또한, 사전에 준비된 건물의 형태와 물리적 특성을 기반으로 이 건물 이외의 동적 객체를 식별하는 데 컴퓨팅 파워를 집중할 수 있습니다.

• HD 지도 및 제어 모듈

컨트롤의 구체적인 내용이 매우 자세해서 잘 모르겠습니다. 하지만 조향각을 제어하려면 고정밀 지도에서 제공하는 차선 중앙선 데이터가 필수다. 차선은 카메라를 기준으로 식별되지만 중앙선의 위치는 이 차선을 기준으로 식별되기 때문입니다. 그러나 이러한 것들은 여전히 ​​고정밀 지도에서 제공하는 데이터만큼 정확하지 않습니다. 결국, 카메라 기반 차선 인식은 실시간이므로 가끔 실수를 하게 됩니다. 또는 차선이 오랫동안 유지되지 않아 불분명해지면 카메라가 해당 차선 정보를 인식할 수 없습니다. 이 경우에는 고정밀 지도가 필요합니다. 차선은 인간의 운전에 있어 매우 중요한 데이터이므로 현재의 카메라 기반 자율주행은 고속도로에서만 구현할 수 있습니다. 고속도로의 차선만 관리 상태가 더 좋기 때문입니다. 비교적 쉽게 식별할 수 있습니다. 대조적으로, 도시 환경의 차선은 잘 유지되지 않습니다. 따라서 도시 도로에서의 카메라 기반 자율주행은 아직 권장되지 않습니다.

• 고정밀 지도 제작 과정

솔직히 여기서는 건드린 적은 없지만 선생님께 들은 이야기입니다. 고화질 지도는 다양한 센서를 장착한 차량으로 거리를 청소하는 데 처음으로 사용됩니다. 이러한 종류의 차량은 각 거리를 스캔한 후 관련 포인트 클라우드 정보, 카메라 정보 및 기타 고정밀 경도 및 위도 정보를 얻을 수 있습니다. 그런 다음 직원은 이 정보를 기반으로 오프라인에서 추가 편집을 진행합니다. 여기에 관련된 것은 차선, 횡단보도, 신호등 등 카메라가 인식하는 도로 정보인 포인트 클라우드 스플라이싱입니다. 이러한 정적 개체는 직원이 추가로 확인하고 표시해야 합니다. 하지만 획득 차량의 카메라는 이러한 도로 관련 특징을 추출하기 위해 예비 특징 인식을 수행합니다. 하지만 결국 컴퓨터 비전을 기반으로 하기 때문에 추출된 정보가 100% 정확하지 않을 수도 있고, 일부 주석이 잘 표시되지 않을 수도 있습니다. 따라서 마지막 단계에서는 여전히 직원이 최종 확인 및 표시를 수행해야 합니다.

• 고정밀 지도 제작 프로세스는 엣지 컴퓨팅 V2X 고정밀 지도 서비스를 지원합니다

향후 자율주행 발전은 주로 지능과 네트워킹이라는 두 가지 방향으로 진행될 것입니다. 차량 엔드 인텔리전스는 점차 로드 엔드, 심지어 클라우드 기반 인텔리전스 방향으로 전환하고 있습니다. 고정밀 지도 구축을 위해 가장 중요한 점은 클라우드, 도로변, 차량 측면에서 발생한 일련의 업그레이드와 변경이다. 그 중 클라우드 변화는 주로 고정밀 지도 서비스, 샤딩된 데이터 집계, 데이터 에지, 데이터 샤딩을 포함합니다. 길가 끝은 주로 샤딩된 지도 크라우드소싱 업데이트, 지도 버전 관리, 지도 하도급, 길가 동적 정보 최적화 및 지도 메시지 서비스와 같은 여러 측면을 포함합니다. 자동차에 적용하려면 그에 맞춰 하도급 데이터 융합, V2X 장면 복원, 고정밀 지도 엔진 업데이트가 필요하다.

위의 지도 반복 업데이트 프로세스는 L4/L5 수준의 무인 기능을 구현하고 관련 로봇 제어 모드를 생성하는 데 적용할 수 있으며, 궁극적으로 무인 운전 및 원격 운전을 구현하기 위해 상용차 구현에도 사용할 수 있습니다.

02 대량 생산을 위한 고정밀 융합 측위 솔루션

분명히 고정밀 지도가 정확한 측위를 달성하고 지속적으로 확장하여 기능적 성능을 향상시키기 위해서는 자체 융합 측위를 지속적으로 최적화하여 얻어야 합니다. 해결책. 이 프로세스에는 두 가지 주요 소프트웨어 알고리즘이 포함됩니다. 첫 번째는 전체 상태 확장 칼만 필터링을 통해 차량 자세의 동적 최적 추정을 수행하는 것이고, 두 번째는 시각 센서를 사용하여 도로 환경의 의미 정보를 얻고 정밀한 지도 매칭 알고리즘을 통해 정확한 위치를 얻는 것입니다. 또한 경제성, 적합성 및 전반적인 성능을 향상시킬 필요가 있습니다. 산업용 등급 차량 탑재 터미널 RTK 구성 선택: 고성능 산업용 등급 32비트 프로세서 및 내장된 고정밀 RTK 보드를 사용하여 3G/4G/5G를 통해 Qianxun 플랫폼과 채널을 설정하여 GGA 정보 전송 차동서버로 차동신호를 동시에 수신하여 정보를 수신한 후 RS232를 통해 정확한 위치정보를 출력합니다.

03 지도 배포 및 지도 수직 포장

고정밀 지도의 가장 중요한 프로세스는 지도 크라우드소싱의 수집 및 배포입니다. 크라우드소싱 지도데이터 수집에 관해서는 실제로 자율주행차 자체 센서나 기타 저가형 센서 하드웨어를 통해 사용자가 수집한 도로 데이터를 클라우드로 전송해 데이터 융합을 하고 이를 통해 데이터를 개선하는 것으로 이해될 수 있다. 데이터 집계를 통해 고정밀 지도 제작을 완료합니다. 전체 크라우드소싱 프로세스에는 실제로 물리적 센서 보고, 지도 장면 일치, 장면 클러스터링, 변경 감지 및 업데이트가 포함됩니다.

04 지도

를 기반으로 개발된 자율주행의 새로운 아키텍처는 어디로 향할까요?

현재 자율주행 시스템의 고정밀 지도 아키텍처는 여전히 분산형 접근 방식을 지향하고 있으며, 핵심 항목으로는 지도 크라우드소싱 수집, 지도 상자에 의한 고정밀 지도의 원본 정보 분석, 지도가 다른 센서의 입력 데이터를 융합하는 방법. 여기서 미래의 자율주행 시스템 아키텍처는 분산형 개발 방식에서 중앙집중형 개발 방식으로 계속 진화할 것이라는 점에 주목하자. 중앙 집중식 접근 방식은 3~2단계로 볼 수 있습니다.

1단계: 지능형 운전 영역을 위한 완전 중앙 집중식 제어 방식

즉, 지능형 주행 ADS 및 지능형 주차 AVP 시스템은 중앙 사전 설정을 사용하여 완전 중앙 집중식으로 제어됩니다. 처리 장치는 두 가지 주요 시스템에서 처리되는 정보에 대한 통합, 예측, 계획 및 기타 처리 방법을 제공합니다. 스마트 주행, 스마트 주차와 관련된 모든 센싱 및 데이터 유닛(고정밀 지도, 라이다, 완전 분산 카메라, 밀리미터파 레이더 등)의 처리 방식은 이에 따라 중앙 도메인 제어 유닛에 통합된다.

2단계: 스마트 드라이빙 도메인 및 스마트 조종석 도메인을 위한 완전 중앙 집중식 제어 솔루션

이 방법은 완전 중앙 집중식 배포 방법을 달성하기 위한 두 번째 단계로, 스마트 드라이빙 도메인 컨트롤러에서 다루는 모든 기능(예: 자율주행, 자동주차 등)과 스마트 콕핏 영역(운전자 모니터링 DMS, 시청각 엔터테인먼트 시스템 iHU, 계기판 디스플레이 시스템 IP 등)이 다루는 모든 기능 개발이 통합돼 있다.

3단계: 전체 지능형 차량 영역을 위한 완전 중앙 집중식 제어 솔루션

이것은 지능형 주행, 지능형 조종석 및 지능형 섀시 영역을 포함하는 완전히 통합된 제어 방법입니다. 즉, 세 가지 주요 기능이 차량 중앙 제어 장치에 통합되어 있으며, 이 데이터를 나중에 처리하면 도메인 컨트롤러에 대한 더 많은 성능(컴퓨팅 성능, 대역폭, 스토리지 등) 요구 사항이 발생합니다.

여기서 우리가 우려하는 고정밀 지도 측위 개발은 앞으로 더욱 중앙 집중식 설계 방식을 지향하게 될 것입니다. 이에 대해 자세히 설명하겠습니다.

위 그림은 미래 자율주행 시스템 제어 분야의 고정밀 지도 아키텍처 개발 동향을 보여줍니다. 앞으로 자율주행 시스템은 상향식으로 고정밀 지도 상자에 대한 의존도를 낮추는 것을 목표로 감지부, 의사결정부, 지도 위치 확인부 등을 중앙 도메인 제어부로 통합하는 방향으로 노력할 것이다. 도메인 컨트롤러의 설계는 AI 컴퓨팅 칩 SOC, 로직 컴퓨팅 칩 MCU 및 고정밀 맵 박스의 완전한 통합을 완전히 고려합니다.

위 그림은 전체 클라우드 제어 로직 하에서 해당 고정밀 지도 센서 데이터 수집, 데이터 학습, AI 교육, 고정밀 지도 서비스, 시뮬레이션 및 기타 서비스를 동시에 보여줍니다. 차량의 검증 프로세스 지도 데이터는 물리적 센싱, 동적 데이터 센싱, 지도 타겟 센싱, 포지셔닝, 경로 계획 등의 콘텐츠를 통해 지속적으로 업데이트되며, 클라우드에 OTA가 업로드되어 크라우드소싱된 전체 데이터가 업데이트됩니다.

이전 글에서는 고정밀 지도 데이터가 자율주행 컨트롤러에서 처리할 수 있는 관련 데이터를 생성하는 과정을 설명했습니다. 우리는 고정밀 지도에서 처리한 원본 데이터가 EHP 데이터라는 것을 알고 있습니다. 데이터에는 실제로 다음과 같은 주요 데이터 지원이 포함됩니다.

2: 지도와 일치하는 위치 정보

4: CAN을 통해 데이터 전송

5: 부분 내비게이션 데이터 융합

이 데이터는 일반적으로 기가비트 이더넷을 통해 HDMap 감지 끝에서 직접 처리된 후 고정밀 지도 중앙 처리 장치에 입력됩니다. 중앙 처리 장치는 우리가 "고정밀 지도 상자"라고 부르는 것입니다. 맵박스를 통한 데이터의 추가 처리를 통해(실제 처리 과정은 다음 글에서 자세히 설명하겠습니다) 자율주행 컨트롤러가 처리할 수 있는 EHR(실제로는 CanFD) 데이터로 변환될 수 있습니다.

차세대 자율주행 시스템을 위해 우리는 전체 처리를 위해 고정밀 지도 정보를 자율주행 도메인 컨트롤러에 통합하는 데 전념하고 있습니다. 이 프로세스는 우리의 자율주행 도메인 컨트롤러가 지도 상자에 연결되어야 함을 의미합니다. 모든 데이터 분석 작업에서는 다음 사항에 집중해야 합니다.

1) 자율주행 도메인 컨트롤러 AI 칩이 고정밀 지도에 필요한 모든 센서 데이터를 처리할 수 있을까요?

2) 고정밀 측위 지도의 논리연산부는 센서 데이터 정보 융합을 수행할 만큼 충분한 컴퓨팅 파워를 갖추고 있나요?

3) 전체 기본 운영 체제가 기능 안전 요구 사항을 충족합니까?

4) 데이터 전송의 신뢰성을 보장하기 위해 AI 칩과 로직 칩 사이에 어떤 연결 방식이 사용됩니까? Ethernet 또는 CanFD?

위 질문에 답하기 위해서는 아래 그림과 같이 컨트롤러가 고정밀 지도 데이터를 처리하는 방식을 분석해야 합니다.

자율주행 시스템의 AI 칩으로, 미래의 고정밀 지도 데이터 처리에서는 주로 카메라 데이터, 라이더 데이터, 밀리미터파 등 센서 데이터의 기본 처리를 담당합니다. 데이터 등 기본적인 데이터 포인트 클라우드 융합 및 클러스터링 외에도 응용 처리 방법에는 일반적으로 사용되는 딥 러닝 알고리즘이 포함되며 중앙 컴퓨팅 처리에는 일반적으로 ARM 코어가 사용됩니다.

자율 주행 도메인 컨트롤러 논리 연산 장치인 MCU는 이후 원래의 고정밀 지도 상자에 필요한 모든 논리 계산을 수행합니다. 프런트엔드 벡터 집계, 센서 융합 포지셔닝, 도로망 지도 구축, 그리고 가장 중요하게는 원래의 지도 상자 기능을 대체하여 EHP 정보를 EHR 신호로 변환하는 방법(중앙 처리 장치 MCU가 EHP 정보를 EHR 정보로 효과적으로 변환하는 방법)이 포함됩니다. 이후 기사 참조) Can 라인을 통해 효과적인 신호 전송을 수행합니다. 마지막으로 논리적 연산 단위인 AutoBox는 경로 계획, 의사 결정 제어 및 기타 작업에 사용됩니다.

05 요약

미래의 자율주행은 원래의 맵박스에서 고정밀 지도로 처리된 모든 데이터 정보를 자율주행 도메인 컨트롤러로 통합하는 경향이 있으며, 진정한 차량 도메인 제어 확립을 목표로 중앙처리장치는 통합 유닛의 대규모 융합. 이 방법은 더 많은 컴퓨팅 리소스를 절약할 수 있을 뿐만 아니라 AI 데이터 처리 알고리즘을 고정밀 측위에 더 잘 적용할 수 있게 하여 두 사람의 환경 이해의 일관성을 보장합니다. 우리는 앞으로 고정밀 센서 데이터 통합의 중요한 방향에 더 많은 관심을 기울이고 칩 컴퓨팅 성능, 인터페이스 설계, 대역폭 설계 및 기능 안전 설계에 더 많은 노력을 기울여야 합니다.

위 내용은 지능형 주행 개발의 핵심 기술 요소 개요의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!