Gambaran keseluruhan rangka kerja teknologi pemanduan autonomi

Inti sistem pemanduan tanpa pemandu boleh diringkaskan kepada tiga bahagian: Persepsi, Perancangan dan Kawalan Interaksi bahagian ini dan interaksinya dengan perkakasan kenderaan dan kenderaan lain boleh digunakan Angka berikut mewakili:

Persepsi merujuk kepada keupayaan sistem pemanduan tanpa pemandu untuk mengumpul maklumat daripada persekitaran dan mengekstrak pengetahuan yang relevan daripadanya. Antaranya, Persepsi Alam Sekitar secara khusus merujuk kepada kebolehan memahami pemandangan persekitaran, seperti lokasi halangan, pengesanan tanda/tanda jalan, pengesanan pejalan kaki dan kenderaan, dan klasifikasi data semantik. Secara umumnya, penyetempatan juga merupakan sebahagian daripada persepsi. Penyetempatan ialah keupayaan kenderaan tanpa pemandu untuk menentukan kedudukannya berbanding dengan persekitaran.

Perancangan ialah proses kenderaan autonomi membuat beberapa keputusan bermatlamat untuk matlamat tertentu Bagi kenderaan autonomi, matlamat ini biasanya merujuk kepada sampai ke destinasi dari titik permulaan sambil mengelakkan halangan dan berterusan mengoptimumkan trajektori dan tingkah laku pemanduan untuk memastikan keselamatan dan keselesaan penumpang. Lapisan perancangan biasanya dibahagikan kepada tiga lapisan: perancangan misi, perancangan tingkah laku dan perancangan gerakan.

Akhir sekali, kawalan ialah keupayaan kenderaan autonomi untuk melaksanakan tindakan yang dirancang dengan tepat, yang berasal dari lapisan yang lebih tinggi. ​

01 Persepsi

Persepsi Alam Sekitar

Untuk pastikan tidak Untuk orang ramai dan kenderaan memahami dan memahami alam sekitar, bahagian persepsi alam sekitar sistem pemanduan tanpa pemandu biasanya perlu mendapatkan sejumlah besar maklumat tentang persekitaran sekeliling, khususnya termasuk: lokasi, kelajuan dan kemungkinan tingkah laku halangan, boleh dipandu kawasan, peraturan lalu lintas, dsb. tunggu. Kenderaan tanpa pemandu biasanya memperoleh maklumat ini dengan menggabungkan data daripada berbilang penderia seperti Lidar, Kamera dan Radar Gelombang Milimeter Dalam bahagian ini, kami melihat secara ringkas peranan Lidar dan kamera dalam Aplikasi kenderaan autonomi.

Lidar ialah sejenis peranti yang menggunakan laser untuk pengesanan dan julat. Ia boleh menghantar berjuta-juta denyutan cahaya ke persekitaran setiap saat untuk membina peta 3D persekitaran sekitar dalam masa nyata.

Secara umumnya, lidar berputar dan mengimbas persekitaran sekitar pada kelajuan kira-kira 10Hz. Hasil daripada satu imbasan ialah peta 3 dimensi yang terdiri daripada titik padat , y, z) maklumat, graf ini dipanggil Graf Awan Titik, seperti yang ditunjukkan dalam rajah di bawah, iaitu peta awan titik yang dibuat menggunakan Velodyne VLP-32c lidar:

LIDAR masih merupakan sensor yang paling penting dalam sistem memandu tanpa pemandu kerana kebolehpercayaannya. awan titik terlalu jarang, atau bahkan beberapa titik hilang Untuk permukaan objek yang tidak teratur, sukar untuk mengenal pasti corak menggunakan lidar Dalam keadaan seperti hujan lebat, lidar tidak boleh digunakan.

Untuk memahami maklumat awan titik, secara amnya, kami melakukan operasi dua langkah pada data awan titik: pembahagian (Segmentasi) dan pengelasan (Pengkelasan). Antaranya, segmentasi adalah untuk mengelompokkan titik diskret dalam imej awan titik kepada beberapa keseluruhan, manakala pengelasan adalah untuk membezakan kategori keseluruhan ini (seperti pejalan kaki, kenderaan dan halangan). Algoritma pembahagian boleh dikelaskan ke dalam kategori berikut:

1. Kaedah berasaskan tepi, seperti penapisan kecerunan;
2. Kaedah berasaskan wilayah, yang menggunakan ciri serantau untuk mengumpulkan mata berdekatan penggunaan beberapa piawaian tertentu (seperti jarak Euclidean, normal permukaan, dll.). mata berdekatan berdasarkan mata;
3. kaedah jenis ini menggunakan model yang dipratakrifkan untuk menyesuaikan awan titik termasuk Kaedah Ketekalan Sampel Rawak (Random Sample Consensus, RANSAC). dan Hough Transform (HT);
4. Kaedah berasaskan atribut, mula-mula hitung atribut setiap titik, dan kemudian kumpulkan titik yang dikaitkan dengan kaedah atribut
5. kaedah berasaskan graf;
6. kaedah berasaskan pembelajaran mesin; awan titik, sasaran tersegmen perlu dikelaskan dengan betul Pada peringkat ini, algoritma klasifikasi dalam pembelajaran mesin, seperti Mesin Vektor Sokongan (SVM), biasanya digunakan untuk pengelompokan Dalam beberapa tahun kebelakangan ini, disebabkan oleh pembangunan pembelajaran mendalam industri telah mula menggunakan rangkaian neural convolutional yang direka khas (Convolutional Neural Network, CNN) untuk mengklasifikasikan gugusan awan titik tiga dimensi.

Walau bagaimanapun, sama ada kaedah pengekstrakan ciri-kaedah SVM atau kaedah awan titik asal-CNN, disebabkan resolusi rendah awan titik lidar itu sendiri, untuk sasaran dengan pantulan jarang mata ( Contohnya, pejalan kaki), pengelasan berdasarkan awan titik tidak boleh dipercayai, jadi dalam amalan, kami sering mengintegrasikan lidar dan sensor kamera, menggunakan resolusi tinggi kamera untuk mengelaskan sasaran, dan menggunakan kebolehpercayaan lidar untuk mengesan halangan dan Ranging, mengintegrasikan kelebihan kedua-duanya untuk melengkapkan persepsi persekitaran.

Dalam sistem tanpa pemandu, kami biasanya menggunakan penglihatan imej untuk melengkapkan pengesanan jalan dan pengesanan sasaran di jalan raya. Pengesanan jalan termasuk pengesanan garisan jalan (Lane Detection), pengesanan kawasan boleh dipandu (Drivable Area Detection of road signs termasuk pengesanan kenderaan lain (Vehicle Detection), pengesanan pejalan kaki (Pedestrian Detection), tanda lalu lintas dan Traffic Sign Detection dan lain-lain pengesanan dan pengelasan peserta trafik.

Pengesan garisan lorong melibatkan dua aspek: yang pertama ialah mengenal pasti garisan lorong Untuk garisan lorong melengkung, lengkungan boleh dikira untuk menentukan kedudukan relatif kenderaan itu sendiri ke lorong mengimbangi (iaitu, di mana kenderaan autonomi berada di garisan lorong). Satu kaedah adalah untuk mengekstrak beberapa ciri lorong, termasuk ciri tepi (biasanya kecerunan, seperti pengendali Sobel), ciri warna garis lorong, dsb., menggunakan polinomial agar sesuai dengan piksel yang kami fikir mungkin garis lorong, dan kemudian berdasarkan polinomial dan Kedudukan semasa kamera yang dipasang pada kenderaan menentukan kelengkungan lorong di hadapan dan sisihan kenderaan berbanding lorong.

Pendekatan semasa untuk mengesan kawasan boleh dipandu ialah menggunakan rangkaian saraf dalam untuk membahagikan adegan secara langsung, iaitu, dengan melatih rangkaian saraf dalam yang mengelaskan piksel piksel demi piksel untuk melengkapkan pengesanan kawasan boleh dipandu dalam imej Pemotongan kawasan pemanduan.

Pengesanan dan klasifikasi peserta trafik pada masa ini bergantung terutamanya pada model pembelajaran mendalam termasuk dua jenis:

Wilayah. Algoritma pengesanan sasaran pembelajaran mendalam berasaskan cadangan yang diwakili oleh RCNN (RCNN, SPP-NET, Fast-RCNN, Faster-RCNN, dsb.); pembelajaran algoritma pengesanan sasaran (YOLO, SSD, dsb.); , Kepentingan kedudukan adalah jelas Kenderaan tanpa pemandu itu perlu mengetahui kedudukannya yang tepat berbanding dengan persekitaran Kesilapan kedudukan di sini tidak boleh melebihi 10cm Bayangkan, jika ralat kedudukan kenderaan tanpa pemandu kita, maka ini akan menjadi kenderaan autonomi yang sangat berbahaya (kedua-dua untuk pejalan kaki dan penumpang), kerana lapisan perancangan dan pelaksanaan pemanduan autonomi tidak mengetahui bahawa terdapat ralat 30 sentimeter, dan mereka masih membuat keputusan berdasarkan premis kedudukan yang tepat-. membuat dan mengawal, maka keputusan yang dibuat untuk situasi tertentu adalah salah, menyebabkan kemalangan. Dapat dilihat bahawa kenderaan tanpa pemandu memerlukan kedudukan ketepatan tinggi.

Kaedah penentududukan yang paling banyak digunakan untuk kenderaan tanpa pemandu sudah pasti gabungan Sistem Penentududukan Global (GPS) dan Sistem Navigasi Inersia (Sistem Navigasi Inersia Antaranya, ketepatan kedudukan GPS adalah dalam puluhan Antara meter dan sentimeter, penderia GPS berketepatan tinggi agak mahal. Kaedah penentududukan yang menyepadukan GPS/IMU tidak boleh mencapai kedudukan ketepatan tinggi apabila isyarat GPS hilang atau lemah, seperti di tempat letak kereta bawah tanah dan kawasan bandar yang dikelilingi oleh bangunan bertingkat tinggi Oleh itu, ia hanya boleh digunakan untuk tugas pemanduan tanpa pemandu beberapa senario.

Algoritma penentududukan berbantu peta ialah satu lagi algoritma penentududukan kenderaan tanpa pemandu (SLAM) yang digunakan secara meluas adalah mewakili algoritma jenis ini peta dan gunakan peta untuk kedudukan SLAM menentukan kedudukan kenderaan semasa dan kedudukan ciri-ciri semasa yang diperhatikan dengan menggunakan ciri persekitaran yang diperhatikan.

Ini ialah proses yang menggunakan pemerhatian terdahulu dan semasa untuk menganggarkan kedudukan semasa Dalam amalan, kami biasanya menggunakan penapis Bayesian untuk melengkapkannya Penapis Kalman dan Penapis Zarah.

Walaupun SLAM merupakan hotspot penyelidikan dalam bidang kedudukan robot, terdapat masalah dengan menggunakan kedudukan SLAM dalam proses pembangunan sebenar kenderaan tanpa pemandu Tidak seperti robot, kenderaan tanpa pemandu bergerak dalam jarak yang jauh Ya, persekitaran terbuka yang besar. Dalam pergerakan jarak jauh, apabila jarak bertambah, sisihan kedudukan SLAM akan meningkat secara beransur-ansur, mengakibatkan kegagalan kedudukan.

Dalam amalan, kaedah yang berkesan untuk kedudukan kenderaan tanpa pemandu ialah menukar algoritma pemadanan imbasan dalam SLAM asal Secara khusus, kami tidak lagi memetakan semasa meletakkan, tetapi Ia menggunakan penderia seperti lidar untuk membina peta awan titik kawasan itu terlebih dahulu, dan menambah sebahagian daripada "semantik" pada peta melalui pengaturcaraan dan pemprosesan manual (seperti penandaan khusus garisan lorong, rangkaian jalan raya, lokasi lampu isyarat, peraturan lalu lintas bahagian jalan semasa, dsb. dsb.), peta yang mengandungi semantik ini ialah peta berketepatan tinggi (Peta HD) kereta tanpa pemandu kami.

Semasa kedudukan sebenar, kami menggunakan imbasan lidar semasa dan peta ketepatan tinggi yang telah dibina untuk melaksanakan pemadanan awan titik bagi menentukan kedudukan khusus kenderaan tanpa pemandu kami dalam peta. Kaedah kelas ini secara kolektif dipanggil Padanan Imbasan Kaedah padanan imbasan yang paling biasa ialah kaedah Titik Terdekat Berulang (ICP), yang melengkapkan pendaftaran awan titik berdasarkan ukuran jarak antara imbasan semasa dan imbasan sasaran.

Selain itu, Normal Distributions Transform (NDT) juga merupakan kaedah biasa untuk pendaftaran awan titik. Ia mencapai pendaftaran berdasarkan histogram ciri awan titik. Kaedah penentududukan berdasarkan pendaftaran awan titik juga boleh mencapai ketepatan kedudukan dalam 10 sentimeter.

Walaupun pendaftaran awan titik boleh memberikan kedudukan global kenderaan tanpa pemandu berbanding peta, kaedah jenis ini terlalu bergantung pada peta berketepatan tinggi yang telah dibina dan masih gagal dalam keadaan terbuka bahagian jalan raya. Ia perlu digunakan dengan kedudukan GPS Dalam bahagian jalan dengan pemandangan yang agak tunggal (seperti lebuh raya), kos penggunaan pemadanan awan titik tambah GPS adalah agak tinggi. ​

03 Perancangan

Perancangan Misi

Memandu Tanpa Pemandu Reka bentuk struktur hierarki sistem perancangan berasal daripada Cabaran Bandar DAPRA yang diadakan pada tahun 2007. Dalam pertandingan itu, kebanyakan pasukan yang mengambil bahagian membahagikan modul perancangan kenderaan tanpa pemandu kepada reka bentuk tiga lapisan: perancangan tugas, perancangan tingkah laku dan perancangan tindakan Antaranya , Perancangan tugas juga sering dipanggil perancangan laluan atau perancangan laluan, yang bertanggungjawab untuk perancangan laluan peringkat atas yang agak tinggi, seperti pemilihan laluan dari titik permulaan hingga titik akhir.

Kami boleh memproses sistem jalan semasa kami menjadi graf rangkaian terarah (Graf rangkaian terarah ini boleh mewakili sambungan antara jalan dan peraturan lalu lintas , lebar jalan dan maklumat lain). pada asasnya adalah bahagian "semantik" peta berketepatan tinggi yang disebut dalam bahagian kedudukan sebelumnya graf rangkaian terarah ini dipanggil Graf Rangkaian Laluan, seperti yang ditunjukkan dalam gambar:

Setiap tepi terarah dalam graf rangkaian jalan tersebut ditimbang Kemudian, masalah perancangan laluan kenderaan tanpa pemandu menjadi masalah dalam graf rangkaian jalan, agar kenderaan mencapai matlamat tertentu (biasanya dari. titik A ke titik B) adalah proses memilih laluan optimum (iaitu, kerugian minimum) berdasarkan kaedah tertentu Kemudian masalah menjadi masalah carian graf terarah seperti Algoritma Dickos Dijkstra (Algoritma Dijkstra) dan A*. Algoritma (Algoritma A*) digunakan terutamanya untuk mengira carian laluan optimum dalam graf diskret, dan digunakan untuk mencari laluan dengan kehilangan paling sedikit dalam graf rangkaian jalan.

Perancangan tingkah laku

Perancangan tingkah laku kadang-kadang juga dipanggil membuat keputusan (Pembuat Keputusan Tugas utama adalah mengikut matlamat perancangan tugas). dan Berdasarkan situasi tempatan semasa (lokasi dan tingkah laku kenderaan dan pejalan kaki lain, peraturan lalu lintas semasa, dsb.), buat keputusan seterusnya yang perlu dilakukan oleh kenderaan autonomi Lapisan ini boleh difahami sebagai pembantu juruterbang kenderaan. Dia berdasarkan matlamat dan situasi semasa Situasi lalu lintas mengarahkan pemandu sama ada untuk mengikut atau memotong, sama ada berhenti dan menunggu pejalan kaki lalu atau memintas pejalan kaki, dll.

Satu kaedah perancangan tingkah laku adalah menggunakan mesin keadaan terhingga kompleks (FSM) yang mengandungi sejumlah besar frasa tindakan Mesin keadaan terhingga bermula dari keadaan asas dan akan Pemandangan pemanduan yang berbeza lompat ke keadaan tindakan yang berbeza, dan frasa tindakan dihantar ke lapisan perancangan tindakan yang lebih rendah Rajah berikut ialah mesin keadaan terhingga mudah:

Seperti yang ditunjukkan dalam gambar di atas, setiap negeri adalah keputusan mengenai tindakan kenderaan. Terdapat syarat lompatan tertentu antara negeri Beberapa negeri boleh kitar sendiri (seperti dalam gambar di atas keadaan penjejakan dan keadaan menunggu). Walaupun ia adalah kaedah membuat keputusan tingkah laku arus perdana yang digunakan pada kenderaan tanpa pemandu, mesin keadaan terhingga masih mempunyai had yang besar: Pertama, untuk mencapai keputusan tingkah laku yang kompleks, sebilangan besar negeri perlu direka bentuk secara manual; daripada mesin keadaan terhingga menyatakan; jika mesin keadaan terhingga tidak direka bentuk dengan perlindungan jalan buntu, kenderaan itu mungkin akan mengalami kebuntuan.

Perancangan tindakan

Proses merancang satu siri tindakan untuk mencapai tujuan tertentu (seperti mengelakkan halangan) dipanggil Perancangan tindakan. Secara umumnya, dua penunjuk biasanya digunakan untuk mempertimbangkan prestasi algoritma perancangan tindakan: kecekapan pengiraan (Kecekapan Pengiraan) dan kesempurnaan (Kecekapan pengiraan yang dipanggil merujuk kepada kecekapan pemprosesan melengkapkan perancangan tindakan algoritma perancangan tindakan sangat berbeza-beza Ia bergantung pada ruang konfigurasi Jika algoritma perancangan tindakan boleh mengembalikan penyelesaian dalam masa yang terhad jika terdapat penyelesaian kepada masalah, dan tidak boleh mengembalikan penyelesaian jika tiada penyelesaian, maka kami memanggil. tindakan Algoritma perancangan selesai.

Ruang konfigurasi: set yang mentakrifkan semua konfigurasi robot yang mungkin [x, y], ruang konfigurasi kenderaan autonomi boleh menjadi sangat kompleks, bergantung pada algoritma perancangan gerakan yang digunakan.

Selepas konsep ruang konfigurasi diperkenalkan, perancangan tindakan kenderaan tanpa pemandu menjadi: diberikan konfigurasi awal (Konfigurasi Mula), konfigurasi sasaran (Konfigurasi Matlamat) dan beberapa kekangan (Constraint ), cari satu siri tindakan dalam ruang konfigurasi untuk mencapai konfigurasi sasaran Hasil pelaksanaan tindakan ini adalah untuk memindahkan kenderaan tanpa pemandu daripada konfigurasi awal kepada konfigurasi sasaran sambil memenuhi kekangan.

Dalam senario aplikasi kenderaan autonomi, konfigurasi awal biasanya keadaan semasa kenderaan autonomi (kedudukan semasa, kelajuan dan halaju sudut, dll.), dan konfigurasi sasaran ialah diperoleh daripada perancangan tindakan Lapisan atas ialah lapisan perancangan tingkah laku, dan kekangan adalah had pergerakan kenderaan (amplitud sudut maksimum, pecutan maksimum, dll.).

Jelas sekali, jumlah pengiraan untuk perancangan tindakan dalam ruang konfigurasi berdimensi tinggi adalah sangat besar untuk memastikan integriti algoritma perancangan, kita perlu mencari hampir semua yang mungkin Ini mewujudkan masalah "kutukan dimensi" dalam perancangan tindakan berterusan. Konsep teras untuk menyelesaikan masalah ini dalam perancangan tindakan semasa adalah untuk menukar model ruang berterusan kepada model diskret Kaedah khusus boleh diringkaskan kepada dua kategori: Perancangan Kombinatorial dan Perancangan Berasaskan Persampelan.

Kaedah gabungan perancangan gerakan mencari laluan melalui ruang konfigurasi berterusan tanpa menggunakan anggaran. Oleh kerana sifat ini, ia boleh dipanggil algoritma tepat. Kaedah gabungan mencari penyelesaian lengkap dengan membina perwakilan diskret bagi masalah perancangan, seperti algoritma perancangan tindakan yang digunakan oleh BOSS kereta pandu sendiri CMU dalam Cabaran Bandar Darpa Mereka mula-mula menggunakan perancang laluan untuk menjana laluan alternatif dan titik sasaran (. laluan dan titik sasaran ini boleh dicapai oleh dinamik gabungan), dan kemudian pilih laluan optimum melalui algoritma pengoptimuman.

Kaedah pendiskretan lain ialah Pendekatan Penguraian Grid Selepas menggrid ruang konfigurasi, kami biasanya boleh menggunakan algoritma carian graf diskret (seperti A* ) untuk mencari laluan yang dioptimumkan.

Kaedah berasaskan persampelan digunakan secara meluas kerana kesempurnaan kemungkinannya Algoritma yang paling biasa ialah PRM (Peta Jalan Kebarangkalian), RRT (Rapidly-Exploring Random Tree), FMT (Fast-Maring). Trees), dalam penggunaan kenderaan tanpa pemandu, kaedah pensampelan negeri perlu mempertimbangkan kekangan kawalan kedua-dua negeri, dan juga memerlukan kaedah yang boleh menanyakan secara berkesan sama ada keadaan pensampelan dan keadaan induk boleh dicapai. Kemudian kami akan memperkenalkan secara terperinci State-Lattice Planners, algoritma perancangan gerakan berasaskan persampelan.

04 Kawalan

Lapisan kawalan ialah lapisan paling bawah sistem kenderaan tanpa pemandu Tugasnya adalah untuk merealisasikan tindakan kita yang dirancang, jadi kawal Indeks penilaian modul ialah ketepatan kawalan. Akan ada ukuran di dalam sistem kawalan, dan pengawal mengeluarkan tindakan kawalan dengan membandingkan ukuran kenderaan dengan keadaan jangkaan kami Proses ini dipanggil kawalan maklum balas.

Kawalan maklum balas digunakan secara meluas dalam bidang kawalan automasi Pengawal maklum balas yang paling tipikal ialah pengawal PID (Pengawal Proportional-Integral-Derivative Prinsip kawalan pengawal PID Ia). adalah berdasarkan isyarat ralat mudah, yang terdiri daripada tiga item: bahagian ralat (Kadaran), kamiran ralat (Sepadu) dan pembezaan ralat (Derivatif).

Kawalan PID masih merupakan pengawal yang paling banyak digunakan dalam industri kerana pelaksanaannya yang mudah dan prestasi yang stabil Namun, sebagai pengawal maklum balas tulen, pengawal PID memainkan peranan penting dalam kenderaan tanpa pemandu Walau bagaimanapun, terdapat masalah tertentu: pengawal PID semata-mata berdasarkan maklum balas ralat semasa Disebabkan kelewatan mekanisme brek, ia akan membawa kelewatan kepada kawalan kami sendiri Memandangkan tiada model sistem dalaman PID tidak boleh membina kelewatan Untuk menyelesaikan masalah ini, kami memperkenalkan kaedah kawalan berdasarkan ramalan model.

• Model ramalan: Model yang meramalkan keadaan tempoh masa hadapan berdasarkan keadaan semasa dan input kawalan Dalam sistem kenderaan tanpa pemandu, ia biasanya merujuk kepada kinematik /dinamik model pembelajaran;
• Pembetulan maklum balas: Proses pembetulan maklum balas digunakan pada model, menjadikan kawalan ramalan sangat tahan terhadap gangguan dan mampu mengatasi ketidakpastian sistem.
• Pengoptimuman guling: Optimumkan jujukan kawalan secara bergolek untuk mendapatkan jujukan ramalan yang paling hampir dengan trajektori rujukan.
• Trajektori rujukan: trajektori yang ditetapkan.

Rajah berikut menunjukkan struktur asas kawalan ramalan model Memandangkan kawalan ramalan model dioptimumkan berdasarkan model gerakan, masalah kelewatan kawalan yang dihadapi dalam kawalan PID boleh dipertimbangkan. dengan mewujudkan model baharu Enter, jadi kawalan ramalan model mempunyai nilai aplikasi yang tinggi dalam kawalan kenderaan tanpa pemandu.

05 Kesimpulan

Dalam kesimpulan ini kami memberikan gambaran keseluruhan tentang autonomi memandu Struktur asas sistem, sistem perisian pemanduan autonomi biasanya dibahagikan kepada tiga lapisan: persepsi, perancangan dan kawalan. Pada tahap tertentu, kenderaan tanpa pemandu boleh dianggap sebagai "robot berpemandu" di bawah sistem berlapis ini, antaranya, persepsi secara khusus merangkumi persepsi dan penentududukan persekitaran Dalam beberapa tahun kebelakangan ini, penemuan dalam pembelajaran mendalam telah membolehkan teknologi Persepsi berasaskan imej pembelajaran memainkan peranan yang semakin penting dalam persepsi alam sekitar Dengan bantuan kecerdasan buatan, kita tidak lagi terhad kepada memahami halangan, tetapi secara beransur-ansur menjadi memahami apa itu halangan, memahami adegan, dan juga meramalkan halangan sasaran tingkah laku objek, pembelajaran mesin dan pembelajaran mendalam dalam dua bab seterusnya.

Dalam persepsi kenderaan tanpa pemandu yang sebenar, kita biasanya perlu menggabungkan pelbagai ukuran seperti lidar, kamera dan radar gelombang milimeter, yang melibatkan penapisan Kalman, algoritma Kalman Fusion lanjutan seperti penapisan dan lidar.

Terdapat banyak kaedah penentududukan untuk kenderaan tanpa pemandu dan robot Kaedah arus perdana ialah menggunakan kaedah gabungan sistem navigasi inersia GPS, dan yang kedua ialah menggunakan kaedah pemadanan awan titik Lidar ICP, NDT dan lain-lain berdasarkan algoritma pemadanan awan Titik.

Modul perancangan juga dibahagikan kepada tiga lapisan: perancangan tugasan (juga dikenali sebagai perancangan laluan), perancangan tingkah laku dan perancangan tindakan Algoritma berdasarkan rangkaian jalan dan carian laluan diskret akan diperkenalkan kemudian. Kaedah perancangan tugas Dalam perancangan tingkah laku, kita akan menumpukan pada aplikasi mesin keadaan terhingga dalam membuat keputusan tingkah laku Pada lapisan algoritma perancangan tindakan, kita akan memberi tumpuan kepada kaedah perancangan berasaskan persampelan.

Untuk modul kawalan kenderaan tanpa pemandu, kami sering menggunakan kaedah kawalan berdasarkan ramalan model, tetapi sebelum memahami algoritma kawalan ramalan model, sebagai pemahaman tentang kawalan maklum balas asas, kami telah belajar pengawal PID sebelum ini. Kami kemudian mengkaji dua jenis model kenderaan yang paling mudah - model basikal kinematik dan model basikal dinamik, dan akhirnya, kami memperkenalkan kawalan ramalan model.

Walaupun menjadi konsensus semasa dalam industri untuk memahami kenderaan tanpa pemandu sebagai robot dan menggunakan pemikiran yang dibangunkan oleh robot untuk memproses sistem kenderaan tanpa pemandu, ada juga yang hanya menggunakan kecerdasan buatan atau ejen pintar Untuk menyelesaikan kes pemanduan tanpa pemandu. Antaranya, pemanduan tanpa pemandu hujung ke hujung berdasarkan pembelajaran mendalam dan ejen pemanduan berdasarkan pembelajaran pengukuhan adalah kawasan tumpuan penyelidikan semasa.

Atas ialah kandungan terperinci Gambaran keseluruhan rangka kerja teknologi pemanduan autonomi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!