无人驾驶汽车系统基本框架及无人驾驶系统的核心概述.pdfVIP

无人驾驶汽车系统基本框架及无人驾驶系统 的核心概述 无人驾驶系统的核心可以概述为三个部分：感知（Perception ），规 划（Planning ）和控制（Control ），这些部分的交互以及其与车辆硬 件、其他车辆的交互可以用下图表示： 感知是指无人驾驶系统从环境中收集信息并从中提取相关知识 的能力。其中，环境感知（Environmental Perception ）特指对于环 境的场景理解能力，例如障碍物的位置，道路标志/标记的检测，行 人车辆的检测等数据的语义分类。 一般来说，定位（Localization ） 也是感知的一部分，定位是无人车确定其相对于环境的位置的能力。 规划是无人车为了某一目标而作出一些有目的性的决策的过程， 对于无人驾驶车辆而言，这个目标通常是指从出发地到达目的地， 同时避免障碍物，并且不断优化驾驶轨迹和行为以保证乘客的安全 舒适。规划层通常又被细分为任务规划（Mission Planning ），行为 规划（Behavioral Planning ）和动作规划（Motion Planning ）三层。 最后，控制则是无人车精准地执行规划好的动作的能力，这些 动作来源于更高的层。 ▌感知 环境感知 为了确保无人车对环境的理解和把握，无人驾驶系统的环境感 知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物 的位置，速度以及可能的行为，可行驶的区域，交通规则等等。无 人车通常是通过融合激光雷达 （Lidar ），相机（Camera ），毫米波 雷达（Millimeter Wave Radar ）等多种传感器的数据来获取这些信 息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应 用。 激光雷达是一类使用激光进行探测和测距的设备，它能够每秒 钟向环境发送数百万光脉冲，它的内部是一种旋转的结构，这使得 激光雷达能够实时的建立起周围环境的3 维地图。 通常来说，激光雷达以 10Hz 左右的速度对周围环境进行旋转扫 描，其扫描一次的结果为密集的点构成的3 维图，每个点具备（x,y,z ） 信息，这个图被称为点云图（Point Cloud Graph ），如下图所示， 是使用Velodyne VLP-32c 激光雷达建立的一个点云地图： 激光雷达因其可靠性目前仍是无人驾驶系统中最重要的传感器， 然而，在现实使用中，激光雷达并不是完美的，往往存在点云过于 稀疏，甚至丢失部分点的问题，对于不规则的物体表面，使用激光 雷达很难辨别其模式，在诸如大雨天气这类情况下，激光雷达也无 法使用。 为了理解点云信息，通常来说，我们对点云数据进行两步操作： 分割（Segmentation ）和分类（Classification ）。其中，分割是为了 将点云图中离散的点聚类成若干个整体，而分类则是区分出这些整 体属于哪一个类别（比如说行人，车辆以及障碍物）。分割算法可 以被分类如下几类： 基于边的方法，例如梯度过滤等； 基于区域的方法，这类方法使用区域特征对邻近点进行聚类， 聚类的依据是使用一些指定的标准（如欧几里得距离，表面法线等）， 这类方法通常是先在点云中选取若干种子点（seed points ），然后使 用指定的标准从这些种子点出发对邻近点进行聚类； 参数方法，这类方法使用预先定义的模型去拟合点云，常见的 方法包括随机样本一致性方法（Random Sample Consensus ， RANSAC ）和霍夫变换(Hough Transform ，HT) ； 基于属性的方法，首先计算每个点的属性，然后对属性相关联 的点进行聚类的方法； 基于图的方法； 基于机器学习的方法； 在完成了点云的目标分割以后，分割出来的目标需要被正确的 分类，在这个环节，一般使用机器学习中的分类算法，如支持向量 机（Support Vector Machine ，SVM ）对聚类的特征进行分类，最近 几年由于深度学习的发展，业界开始使用特别设计的卷积神经网络 （Convolutional Neural Network ，CNN ）对三维的点云聚类进行分 类。 然而，不论是提取特征-SVM 的方法还是原始点云-CNN 的方法， 由于激光雷达点云本身解析度低的原因，对于反射点稀疏的目标（比 如说行人），基于点云的分类并不可靠，所以在实践中，我们往往 融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分 类，利用Lidar 的可靠性对障碍物检测和测距，