01 融合定位:面向未來的智慧駕駛關鍵設計要素
#智慧駕駛大時代,汽車變革新未來。汽車軟硬體以及內部架構、產業競爭 格局、產業鏈價值分配也將發生深遠變化。在此變革浪潮下,我們認為智 能駕駛將相繼歷經輔助駕駛利用率提升、自動駕駛方案成熟、自動駕駛生 態完善三個階段,並分別帶來硬體、軟體系統和商業化營運三波機會。
其中,高精地圖(HD Map=high definition map )作為其導航和定位的關鍵因素,也將發生重大的設計變革。這主要體現在如下幾個重要的面向:
- 高精地圖與導航地圖
#導航地圖提供的是一段車道的長度和相關路程的大概路況。而高精地圖提供的是非常詳細的道路狀況。例如路標,傾斜度,車道線還有車道線的位置。這些都會在高精地圖上標記。高精地圖中連某位交通燈的位置都有高精度的GPS資料標註。所以在無人車在道路上行駛的時候只要有全局路徑規劃中做出來的路徑,再把這些路徑轉換為每個車道線級別的路徑的時候,無人車就可以根據高清地圖上標記的每個車道線的中心線行駛。
- 高精地圖與其他模組的連結
高精地圖與無人車的其他模組都有聯繫,定位,預測,感知,規劃,安全,仿真,控制,人機交互,這些都需要高精地圖幫助。有的模組倒不是說沒有高精的圖就不可以實現這些功能而是有了高精地圖的幫助他們可以獲得更準確的資訊同時也能做出更適合當時路況的決策。這裡不對更詳細的技術東西進行闡述, 只是對他們大體的思路進行一個解釋
- #高精地圖和定位
高精地圖在定位的主要作用就是,它為定位提供了已經確定好的靜態物體的資訊。那麼無人車就可以根據這些靜態物體的信息,反過來找到自己在整個地圖中的相對位置。如果這些靜態物體有自己本身標註好的高精度的經緯座標的時候,無人車就可以根據這些經緯度座標來反向求自身的經緯度座標,從而實現基於高精地圖和雷射雷達攝影機等感測器融合的定位方法。透過這種方式就可以擺脫依賴GPS的資料。因為GPS的數據在有數據阻擋的情況下他的噪音是非常強的。當然現在這個階段基於雷達跟視覺的感測器融合的定位方法的精度沒有差分GPS提供的數據準確,但是也不失為一種定位方法。畢竟在沒有GPS訊號的時候,車輛不可能是在沒有自身定位資訊的情況下行駛, 這時候只能依賴其他的定位方式。
- 高精地圖與決策
#那高精地圖跟決策模組的關係就更簡單了。因為車輛如果知道以後自己要走的路線和自己要走的路線相關的路標交通燈道路信息,那麼決策模組就可以做出更加匹配當時路況的決策。就相當於我們如果知道未來會有什麼事情的時候,就可以及時調整現在的行為以應對未來會發生的情況。
- 高精地圖與模擬模組
#高清地圖和模擬模組的關係就比較好理解因為我們只要在有高精地圖標準的地圖上,對車輛進行定位或者是其他算法的驗證的話,那麼在實際應用當中車輛獲取的信息跟我們在仿真中獲取的信息是一樣的。也就是說我們在模擬環境中搭建的程式碼,很大程度上在現實環境中也可以使用。
- 高精地圖與感知模組
#無人駕駛當中感知模組是一個比較複雜的模組。因為它牽涉到很多很多現實中的問題。但實際上我們感知的大部分環境裡很多東西都是靜態的。那麼在這種靜態的環境中我們不需要用額外的運算能力來計算可以事先存在資料庫中的東西。就比如某一棟大樓他在某一個位置那麼不管車輛行駛到這個位置多少次,每次看到的大樓都是在那一個點上。不管感知方式是什麼這棟大樓的位置都不會隨著車輛的感知而改變。那麼這種東西就可以由高精地圖採集車先收集它的具體位置,然後把這些資料存到無人車的本地硬碟上。那麼無人車就可以根據這個資料庫,每次行駛到那棟大樓面前的時候,不經過辨識就知道那邊有一棟建築物。跟定位模組一樣,如果我們知道這個建築物的高精度座標的時候,我們可以根據這個座標反求自身所在的位置。而且也可以根據事先做好的大樓的形態還有它的物理特徵, 集中運算能力去辨識除了這個大樓以外的動態的物體。
- 高畫質地圖與控制模組
控制的具體內容很多詳細的內容,我也不是很清楚。但是如果是為了控制轉向角的話,那麼高精地圖所提供的車道線的中間線的數據是必不可少的。因為雖然會基於攝影機來識別車道線,然後根據這個車道線來識別中心線的位置。但是這些東西還是沒有高精地圖提供的數據準確。畢竟基於攝影機的車道線識別都是即時的, 肯定會偶爾出錯 。或者車道線因為長時間沒有維護而變得看不清的時候,那麼攝影機就不能識別到相應的車道線信息,這時候就需要高精地圖。車道線是人駕駛中非常重要的一個數據,所以現階段的基於攝影機的自動駕駛只能在高速公路上實現。因為只有高速公路上的車道線的保養狀態比較好。可以比較容易被辨識出來。相反,在城市環境中的車道線維護的就不是很好。所以在城市道路當中基於攝影機的自動駕駛方式暫時還不可取。
- 高精地圖的製作工藝
這邊說實話我也沒有涉及過但是聽老師說是這樣的。高清地圖是先由裝有的各種感測器的車輛進行掃街。這種車輛在掃過每一條街之後,他可以獲得相關的點雲資訊和攝影機資訊還有其他高精度的經緯度資訊。之後工作人員會基於這些訊息,線下對它們進行進一步的編輯。這裡牽涉到的就是點雲拼接,攝影機辨識的道路訊息,例如車道線,例如斑馬線,例如交通號誌。這些靜態物體都是要由工作人員進行進一步確認並標註好的。雖然採集車輛上的攝影機會進行初步的特徵識別提取這些道路相關的特徵。但畢竟是基於電腦視覺的,提取的並不是100%正確的訊息,也有可能是錯的,也有可能是某些標註沒有標好。所以最後一步還是要有工作人員進行最終確認並標註的。
- 高精地圖的製作工藝支援邊緣運算的V2X高精度地圖服務
未來自動駕駛的發展主要走向智慧化、網路連線兩大方向,其重點是從車端智慧化逐漸過渡到路端甚至雲端智慧化的方向。而針對高精地圖部署來說,最重要的幾個點是其雲端、路端和車端所產生的一系列升級和變革。其中,雲端變革主要涉及高精度地圖服務、分片資料聚合、資料接邊、資料分片幾個面向。而路側端主要涉及分片地圖眾包更新、地圖版本管理、地圖分包、路側動態資訊最佳化、地圖訊息服務等幾個面向。應用到車端時,要求在分包資料融合、V2X場景還原、高精地圖引擎也隨之更新。
地圖的如上迭代更新過程可應用於實現L4/L5級無人駕駛功能,生成相關的機器人控制模式,也可在商用車的實現中發力,最終實現無人駕駛甚至遠程駕駛。
02 面向量產的高精度融合定位解決方案
很顯然,高精地圖要實現精準定位和不斷向前延展提升其功能性能就必須透過不斷的優化自身的融合定位方案來獲得。這個過程包含兩個主要的軟體演算法。其一是透過全狀態-擴展卡爾曼濾波進行車輛位姿的動態最優估計;其二是使用視覺感測器獲取道路環境的語義訊息,透過精確地圖匹配演算法獲取精確位置。此外,需要提高經濟性、適配度及整體性能。透過選擇配置工業級車用終端RTK:採用高效能工業級32位元處理器,內建高精度RTK闆卡;透過3G/4G/5G與千尋平台建立通道,把GGA資訊發給差分伺服器,同時接收差分資訊後,再透過RS232輸出精準位置資訊。
高精地圖最重要的過程是包含地圖眾包的採集與分發。關於眾包式地圖數據的收集,實際上可以理解為用戶透過自動駕駛車輛自身的感測器,或其他低成本的感測器硬件,收集的道路數據傳到雲端進行數據融合,並透過數據聚合的方式提高數據精度,來完成高精地圖的製作。整個眾包流程實際上是包含實體感測器報告、地圖場景匹配、場景聚類、改變偵測與更新。
04 基於地圖開發的自動駕駛的全新架構
將面向何方?
當前自動駕駛系統的高精地圖架構仍然面向分散式方式,其重點關注項目包含地圖眾包採集,地圖盒子對於高精地圖原始資訊的解析,地圖如何對其他感測器輸入資料進行融合等方面。這裡我們注意一點,未來的自動駕駛系統架構中將不斷的從分散式的開發方式演化為集中式。集中式的方式可以被看成分三兩步驟走:
Step1:智慧駕駛域全集中式控制方案
即,將智慧行車ADS、智慧泊車AVP系統進行全集中控制,採用一套中央預處理裝置將兩大系統中索取處理的資訊進行整合、預測、規劃等處理方式。而與智慧行車和智慧泊車相關的所有感測及資料單元的處理方式(高精地圖、雷射雷達、全分散式攝影機、毫米波雷達等)都會相應的被融合進入中央域控制單元。
Step2:智慧型駕駛域與智慧座艙域全集中式控制方案
這種方式是實現全集中式分散方式的第二階段,即將智慧駕駛域控制器所涵蓋的所有功能開發(如自動駕駛、自動停車)與智慧座艙所涵蓋的所有功能開發(包含駕駛監控DMS、影音娛樂系統iHU、儀表顯示系統IP)進行融合覆蓋。
Step3:智慧整車域全集中式控制方案
這裡是實現包含智慧駕駛、智慧座艙與智慧底盤域的全融合控制方式。即三大主體功能併入整車中央控制單元,後期對於此資料的處理將對網域控制器產生更多的效能(算力、頻寬、儲存量等)需求。
這裡我們所關注的高精地圖定位開發在未來將更多的面向集中式的設計方式。我們將進行詳述。
如上圖表示了針對高精地圖在未來自動駕駛系統控制中的架構發展趨勢。未來自動駕駛系統將致力於將感知單元、決策單元及定圖定位單元等全部併入中央域控制單元,意在從底層減少對高精地圖盒子的依賴。其網域控制器的設計中充分考慮對於AI運算晶片SOC、邏輯運算晶片MCU、高精地圖盒子的充分融合。
如上圖表示了整個雲端控制邏輯下相應的高精地圖感測資料擷取、資料學習、AI訓練、高精地圖服務、模擬等方面的業務,同時在車端的移動和驗證過程中會透過物理感知、動態數據感知、地圖目標感知、定位、路徑規劃等內容不斷更新地圖數據並進行OTA上傳至雲端更新整體的眾包數據。
前文所述了關於高精地圖資料如何產生可以為自動駕駛控制器處理的相關資料方式流程,我們知道高精地圖所處理的原始資料為EHP資料。此資料實際包含以下主要的資料支撐:
1:接收的外部GPS位置資訊;
2:位置資訊符合到地圖;
3:建立路網拓樸資訊;
#4:透過CAN傳送資料;
5:融合部分導航資料;
此資料一般是透過千兆乙太網路從HDMap感知端直接處理完成後輸入至高精地圖中央處理單元的,該中央處理單元我們稱之為「高精地圖盒子」。透過地圖盒子對資料的進一步處理(這個實際的處理過程我們將在後續的文章中進行具體說明),可以轉換為可以滿足自動駕駛控制器處理的EHR(實際為CanFD)資料。
對於下一代自動駕駛系統而言,我們致力於將高精地圖的資訊綜合接入自動駕駛網域控制器進行整體處理,這一過程意味著我們自動駕駛網域控制器需要接續地圖盒子所要進行的所有資料解析工作,那麼我們需要重點考慮以下幾點:
1)自動駕駛網域控制器AI晶片能否處理包含高精地圖所需的所有感測器資料?
2)高精定位地圖的邏輯運算單元是否具備足夠的算力執行感測器資料資訊融合?
3)整個底層作業系統是否滿足功能安全需求?
4)AI晶片與邏輯晶片採用怎樣的連接方式可以確保資料傳輸的可靠性,Ethernet 還是 CanFD?
為了回答如上問題我們需要分析如下圖所示的控制器處理高精地圖資料方式。
為自動駕駛系統的AI晶片,在未來高精地圖資料處理中主要承擔感測資料的基礎處理,包含相機資料、光達資料、毫米波資料等。在應用的處理方法上除開基本的資料點雲融合、聚類外,還包括了常用的深度學習演算法,且一般採用ARM核進行中央運算處理。
MCU作為自動駕駛網域控制器邏輯運算單元後續會承擔將原來高精地圖盒子所需的全部邏輯計算量。包括前端的向量聚合、感測融合定位、建立路網圖,以及最為重要的替代原來的地圖盒子功能,將EHP信息轉化為EHR信號(對於中央處理器MCU如何有效的將EHP信息轉化為EHR信息將在後面的文章中進行詳述),並透過Can線進行有效的訊號傳輸。最終利用AutoBox這一邏輯運算單元進行路徑規劃、決策控制等操作。
05 總結
未來的自動駕駛將傾向於將高精地圖所處理的所有資料資訊從原始地圖盒中融入自動駕駛域控制器中,旨在建立真正的以整車網域控制器為整合單位的中央處理大融合。這樣的方式不僅能夠節省更多的運算資源,也能夠使得AI資料處理演算法更好的應用到高精定位中,確保兩者對於環境認知的一致性。我們後續需要更多的關注高精度感測資料大融合這個重要的方向,在晶片算力、介面設計、頻寬設計及功能安全設計上多下功夫。
以上是智慧駕駛發展的關鍵技術要素概述的詳細內容。更多資訊請關注PHP中文網其他相關文章!

arXiv论文“Insertion of real agents behaviors in CARLA autonomous driving simulator“,22年6月,西班牙。由于需要快速prototyping和广泛测试,仿真在自动驾驶中的作用变得越来越重要。基于物理的模拟具有多种优势和益处,成本合理,同时消除了prototyping、驾驶员和弱势道路使用者(VRU)的风险。然而,主要有两个局限性。首先,众所周知的现实差距是指现实和模拟之间的差异,阻碍模拟自主驾驶体验去实现有效的现实世界

特斯拉是一个典型的AI公司,过去一年训练了75000个神经网络,意味着每8分钟就要出一个新的模型,共有281个模型用到了特斯拉的车上。接下来我们分几个方面来解读特斯拉FSD的算法和模型进展。01 感知 Occupancy Network特斯拉今年在感知方面的一个重点技术是Occupancy Network (占据网络)。研究机器人技术的同学肯定对occupancy grid不会陌生,occupancy表示空间中每个3D体素(voxel)是否被占据,可以是0/1二元表示,也可以是[0, 1]之间的

当前主流的AI芯片主要分为三类,GPU、FPGA、ASIC。GPU、FPGA均是前期较为成熟的芯片架构,属于通用型芯片。ASIC属于为AI特定场景定制的芯片。行业内已经确认CPU不适用于AI计算,但是在AI应用领域也是必不可少。 GPU方案GPU与CPU的架构对比CPU遵循的是冯·诺依曼架构,其核心是存储程序/数据、串行顺序执行。因此CPU的架构中需要大量的空间去放置存储单元(Cache)和控制单元(Control),相比之下计算单元(ALU)只占据了很小的一部分,所以CPU在进行大规模并行计算

gPTP定义的五条报文中,Sync和Follow_UP为一组报文,周期发送,主要用来测量时钟偏差。 01 同步方案激光雷达与GPS时间同步主要有三种方案,即PPS+GPRMC、PTP、gPTPPPS+GPRMCGNSS输出两条信息,一条是时间周期为1s的同步脉冲信号PPS,脉冲宽度5ms~100ms;一条是通过标准串口输出GPRMC标准的时间同步报文。同步脉冲前沿时刻与GPRMC报文的发送在同一时刻,误差为ns级别,误差可以忽略。GPRMC是一条包含UTC时间(精确到秒),经纬度定位数据的标准格

2 月 16 日消息,特斯拉的新自动驾驶计算机,即硬件 4.0(HW4)已经泄露,该公司似乎已经在制造一些带有新系统的汽车。我们已经知道,特斯拉准备升级其自动驾驶硬件已有一段时间了。特斯拉此前向联邦通信委员会申请在其车辆上增加一个新的雷达,并称计划在 1 月份开始销售,新的雷达将意味着特斯拉计划更新其 Autopilot 和 FSD 的传感器套件。硬件变化对特斯拉车主来说是一种压力,因为该汽车制造商一直承诺,其自 2016 年以来制造的所有车辆都具备通过软件更新实现自动驾驶所需的所有硬件。事实证

arXiv论文“Trajectory-guided Control Prediction for End-to-end Autonomous Driving: A Simple yet Strong Baseline“, 2022年6月,上海AI实验室和上海交大。当前的端到端自主驾驶方法要么基于规划轨迹运行控制器,要么直接执行控制预测,这跨越了两个研究领域。鉴于二者之间潜在的互利,本文主动探索两个的结合,称为TCP (Trajectory-guided Control Prediction)。具

什么是交通标志识别系统?汽车安全系统的交通标志识别系统,英文翻译为:Traffic Sign Recognition,简称TSR,是利用前置摄像头结合模式,可以识别常见的交通标志 《 限速、停车、掉头等)。这一功能会提醒驾驶员注意前面的交通标志,以便驾驶员遵守这些标志。TSR 功能降低了驾驶员不遵守停车标志等交通法规的可能,避免了违法左转或者无意的其他交通违法行为,从而提高了安全性。这些系统需要灵活的软件平台来增强探测算法,根据不同地区的交通标志来进行调整。交通标志识别原理交通标志识别又称为TS

定位在自动驾驶中占据着不可替代的地位,而且未来有着可期的发展。目前自动驾驶中的定位都是依赖RTK配合高精地图,这给自动驾驶的落地增加了不少成本与难度。试想一下人类开车,并非需要知道自己的全局高精定位及周围的详细环境,有一条全局导航路径并配合车辆在该路径上的位置,也就足够了,而这里牵涉到的,便是SLAM领域的关键技术。什么是SLAMSLAM (Simultaneous Localization and Mapping),也称为CML (Concurrent Mapping and Localiza


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

mPDF
mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),

MinGW - Minimalist GNU for Windows
這個專案正在遷移到osdn.net/projects/mingw的過程中,你可以繼續在那裡關注我們。 MinGW:GNU編譯器集合(GCC)的本機Windows移植版本,可自由分發的導入函式庫和用於建置本機Windows應用程式的頭檔;包括對MSVC執行時間的擴展,以支援C99功能。 MinGW的所有軟體都可以在64位元Windows平台上運作。

SublimeText3 英文版
推薦:為Win版本,支援程式碼提示!

SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合,這些清單在安全評估過程中經常使用,而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表,幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上,他就可以存取所需的每種類型的清單。

SublimeText3漢化版
中文版,非常好用