自动驾驶技术的等级应该是大家都很明白（如果不明白也可以看我们之前文章秒懂自动驾驶级别分类，附加专业版本），也有很多人清楚自动驾驶的几个步骤，感知，处理规划，执行，但是鲜有人明白后面的技术原理，最近看到一篇Wevolver发布的2020年自动驾驶汽车技术报告 - 自动驾驶汽车硬件和软件最新技术的指南。还是比较形象生动的描述出自动驾驶背后最新的技术方案和细节。
由于这份报告篇幅巨大，所以我们打算分三部分来分享，第一部分为感知地图，第二部分为处理规划学习执行，第三部分为客户体验和互联。本文为第一部分，希望能给大家一些启发和科普。
﹀
﹀
﹀
自动驾驶的需要满足的环境是动态的公共环境，所以自动驾驶车辆需要和人类一样能够感知周围环境，对自身进行定位，所以感知周围环境是自动驾驶的定位和构建地图的先决条件。
自动驾驶车辆感知周围环境，就是采用传感器，一般传感器分两大类，一种是主动传感器另外一种是被动传感器，被动传感器检测环境中物体反射的现有能量，如光或辐射，而主动传感器则发送自己的电磁信号并感知其反射。这些传感器其实已经在1级或2级的汽车产品中已经有应用，例如用于车道保持辅助。通俗的摄像头就是被动传感器，目前在数字图像和视频中的广泛应用，基于摄像机技术的被动传感器是最早应用于自主车辆的传感器之一。数码相机依靠CCD（电荷耦合器件）或CMOS（互补金属氧化物半导体）图像传感器，通过将在400-1100纳米波长（可见光到近红外光谱）中接收到的信号转换成电信号来工作。传感器的表面被分解成像素，每个像素可以根据在该位置累积的电荷量感测接收到的信号的强度。通过使用对不同波长光敏感的多个传感器，颜色信息也可以在这样的系统中编码。虽然CCD和CMOS传感器的工作原理相似，但它们的实际工作情况不同。CCD传感器将电荷传输到芯片的特定角落进行读取，而CMOS芯片中的每个像素都有自己的晶体管来读取与光的相互作用。CMOS中晶体管与传感器元件的共置降低了其光灵敏度，因为传感器与光相互作用的有效表面积减小。这导致CMOS传感器对噪声的敏感度更高，使得CCD传感器能够产生更高质量的图像。然而，CMOS传感器的功耗比ccd低100倍。此外，他们更容易制造使用标准硅生产工艺。目前大多数用于自主车辆的传感器都是基于CMOS的，分辨率为100-200万像素。虽然被动CMOS传感器通常用于视觉光谱，但同样的CMOS技术也可用于在780nm至1mm的红外波段工作的热成像相机。它们是探测热物体（如行人或动物）和峰值照明情况（如隧道末端）的有用传感器，在这种情况下，视觉传感器将被光强度遮挡。在大多数情况下，车辆上的被动传感器套件由多个指向同一方向的传感器组成。这些立体相机可以通过叠加来自不同传感器的图像来拍摄物体的三维图像。立体图像可用于测距，这对自主车辆应用非常重要。
特斯拉就是采用摄像头方式获取周围信息，总部位于伦敦的初创公司Wayve声称，其仅依靠被动光学传感器的汽车在城市中使用是足够安全的。被动传感器的主要缺点
如果在自动驾驶汽车上使用被动摄像头传感器套件，它可能需要看到汽车的整个周围。这可以通过使用以特定间隔拍摄图像的旋转相机，或通过软件将4-6个相机的图像拼接在一起来实现。此外，这些传感器需要100dB以上的高动态范围（在场景中对高光和暗阴影进行成像的能力），使它们能够在各种光照条件下工作并区分各种对象。动态范围以（dB）为单位进行测量；描述比率的对数方式。人类的动态范围约为200分贝。这意味着在一个场景中，人眼可以感知到比最亮的色调暗约1000000倍的色调,当然现在摄像头在进步。主动传感器主要依靠信号的飞行时间（ToF）原理感知环境。ToF通过等待信号的反射返回来测量信号从源到目标的传播时间。所用信号的频率决定了系统所用的能量及其精度。因此，确定正确的波长对于选择使用哪种系统起着关键作用。超声波 - 使用超声波进行测距，是迄今为止这些系统中最古老、成本最低的。由于声波在所使用的传感器中频率最低（波长最长），因此更容易受到干扰。这意味着传感器很容易受到恶劣环境条件的影响，如雨水和灰尘。其他声波产生的干扰也会影响传感器性能，需要使用多个传感器并依赖其他传感器类型来减轻干扰。此外，随着距离的增加，声波会失去能量，此传感器仅在短距离（如驻车辅助）时有效。更新的版本依赖更高的频率，以减少干扰的可能性雷达-（无线电探测和测距）使用无线电波进行测距。无线电波以光速传播，具有电磁频谱的最低频率（最长波长）。雷达信号特别容易被具有相当大导电性的材料（如金属物体）反射。来自其他无线电波的干扰会影响雷达性能，而发射的信号很容易从曲面上反弹，因此传感器可能对此类物体视而不见。同时，利用无线电波的反射特性可以使雷达传感器“看到”它前面的物体以外的物体。雷达在确定被探测物体形状方面的能力不如激光雷达总的来说，雷达的主要优点是它的成熟度、低成本和对低光和恶劣天气条件的适应性。然而，雷达只能探测到空间分辨率较低的目标，而且对目标的空间形状信息不多，因此很难区分多个目标或按到达方向分离目标。这使得雷达在汽车传感器套件中扮演了更多的辅助角色成像雷达对于自动驾驶汽车来说特别有趣。与短程雷达依赖24GHz无线电波不同，成像雷达使用更高能量的77-79GHz电波。这使得雷达可以扫描100度的视野，最远可达300米。这项技术消除了以往的分辨率限制，生成了真正的超高分辨率4D雷达图像。激光雷达 -（光探测和测距）使用脉冲激光形式的光。激光雷达传感器每秒发出50000-200000个脉冲覆盖一个区域，并将返回的信号编译成三维点云。通过比较连续感知点云的差异，可以检测到物体及其运动，从而可以创建一个范围高达250米的3D地图。
- 基于微机电系统（MEMS）的激光雷达通过一个或多个微小的倾斜镜来分配激光脉冲，倾斜镜的角度由施加在倾斜镜上的电压控制。通过将机械扫描硬件替换为机电系统，MEMS激光雷达可以实现精确且节能的激光偏转，这也是经济的，不使用任何机械部件的激光雷达系统被称为固态，有时也被称为“芯片激光雷达”
- 闪光激光雷达是一种固态激光雷达，它能在一次闪光中散射激光束照亮整个场景。返回的光被一个由微型传感器组成的网格捕获。闪光激光雷达的一个主要挑战是精确性
- 相控阵激光雷达是另一种正在发展中的固态技术。这样的系统将激光束送入一排发射器中，这些发射器可以改变穿过的光的速度和相位。激光束通过从一个发射器逐渐调整到下一个发射器的信号相位而被指向。
- 超材料：一个相对较新的发展是将激光照射到动态可调谐的超材料上。这些人工构造的超曲面上的微小组件可以被动态调整以减慢激光束的部分速度，通过干涉，激光束将指向一个新的方向。由比尔盖茨（Bill Gates）资助的初创企业Lumotive声称，其基于超材料的激光雷达可以水平扫描120度，垂直扫描25度
来自相同波长光源的干扰，或由于潮湿而引起的表面反射率变化，都会影响激光雷达传感器的性能。激光雷达的性能也会受到外部光线的影响，包括来自其他激光雷达的光线。[33]虽然传统的激光雷达传感器使用900纳米波长，但新的传感器正在转移到1500纳米，使车辆能够看到150-250米外的物体。但由于激光安全方面的考虑一般会限制激光功率，这同时降低了他的能力，激光雷达缺点就是贵，昂贵，一般你看到的自动驾驶车辆上旋转的激光雷达高达数万美元，当然目前很多公司在研发降价，最新Velodyne宣布100美元就可买到60°水平x 10°垂直视野，距离为100米的激光雷达。
- 具有相对较宽的视野，具有潜在的360度3D覆盖范围（取决于选择的激光雷达类型）。
- 与被动（光学）传感器相比，它具有更长的距离、更精确的距离估计和更低的计算成本。
在三种主要的主动传感器中，声纳由于超声波范围较低，主要用作近距离的传感器。雷达无法分辨出复杂的形状，但它能看穿雨雾等恶劣天气。激光雷达可以更好地感知物体的形状，但受周围光线和天气条件的影响较大。通常两个主动传感器系统一起使用，如果目标仅依赖于一个，则通常选择激光雷达。其次，主动传感器通常与被动传感器（摄像机）结合使用。虽然所有的传感器都有自己的优点和缺点，但没有一个传感器可以解决道路上的所有情况。车辆需要能够避开接近的物体，同时也能感应到远离它的物体。它需要能够在不同的环境和道路条件下，在具有挑战性的光线和天气条件下运行。这意味着，为了可靠和安全地操作一辆自主车辆，通常使用传感器的混合体。
- 视场或角度分辨率，决定你需要多少传感器来覆盖你想要感知的区域。
- 能够在3D中区分多个静态和移动对象，确定可以跟踪的对象数。
当然以上比较为典型范围，不考虑极端的传感器，一般主机厂都采用主动和被动传感器混合使用例如：
- 特斯拉的s型车使用前置雷达探测道路，3个前置摄像头识别路标、车道和物体，12个超声波传感器探测汽车周围的障碍物
- 沃尔沃Uber使用顶部安装的360度激光雷达探测道路物体，短距离和长距离光学摄像机识别道路信号，雷达探测近处障碍物
- Waymo使用360度激光雷达探测道路物体，9个摄像机跟踪道路，一个雷达识别汽车附近的障碍物。
- Wayve使用一排230万像素的高动态范围RGB摄像头，并通过卫星导航自主驾驶
一旦自动驾驶车辆扫描了它的环境，它就可以找到它在道路上相对于周围其他物体的位置。此信息对于较低级别的路径规划至关重要，以避免与车辆附近的物体发生任何碰撞。
﹀
﹀
﹀
除此之前，自动驾驶汽车还是需要GPS等（俄罗斯的GLONASS,中国的北斗，欧洲的GALILEO）类似的全球定位系统来提供地理位置全球导航卫星系统虽然精确，但也受到云层覆盖和信号反射等环境因素的影响。此外，信号还可能被人造物体（如隧道或大型结构物）阻挡。在一些国家或地区，信号也可能太弱，无法准确定位车辆。为了避免地理定位问题，惯性测量单元（IMU）与系统集成。通过使用陀螺仪和加速度计，这样的单元可以外推可用数据，以便在无法获得GNSS数据时估计车辆的新位置。在没有附加信号或车载传感器的情况下，可以使用航位推算法，其中汽车的导航系统使用车轮周长、速度和方向盘数据，根据偶尔收到的GPS数据和最后已知的位置计算位置。在智能城市环境中，可以通过向汽车提供信号的应答器；通过测量汽车与两个或多个信号的距离，汽车可以在环境中找到它的位置。如今，谷歌地图等地图服务被广泛用于导航。然而，自动驾驶汽车可能需要一种新的高清晰度（HD）地图，以高达两个数量级的细节来代表世界。高清地图的精度不超过1分米，可提高自主车辆的空间和上下文感知能力，并为其传感器提供冗余源。通过对HD地图中已知目标的距离进行三角剖分，可以确定车辆的精确定位。另一个好处是，高清晰度地图包含的详细信息可以缩小车辆感知系统需要获取的信息范围，使传感器和软件主要用来应付移动物体。高清地图可以表示车道、几何图形、交通标志、路面以及树木等物体的位置。这样的地图中的信息是以图层表示的，通常至少有一个图层包含了世界的高细节的三维几何信息，以便进行精确的计算。挑战在于生成高清晰度地图并使其保持最新的巨大努力，以及存储和传输这些地图所需的大量数据存储和带宽。很多人认为高精地图是自动驾驶的必要条件，但也有人不赞同:
- 根据埃隆·马斯克·特斯拉的说法，他“简单地梳理了高精度车道线（地图）树，但认为这不是一个好主意。
- 2015年，苹果公司（Apple）为一种自主导航系统申请了专利，该系统允许车辆在不参考外部数据源的情况下导航。
- 另一个例子是，总部位于伦敦的初创公司Wayve只使用标准的卫星导航和摄像头。他们的目标是通过使用模拟学习算法来复制专家级人类驾驶员的行为，从而实现完全自主性，并因此使用强化学习从他们的人类安全驾驶员的每次干预中学习，同时在自主模式下训练模型。
- 麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员也采取了“无地图”的方法，开发了一种系统，该系统使用激光雷达传感器进行导航的所有方面，只依靠GPS进行粗略的位置估计。
图片版权归属于Wevolver所有
