智能化关键技术是自动驾驶汽车的最核心技术，主要包括高精度定位技术、高精度地图构建、控制执行技术、规划决策技术、多传感器融合技术。其中技术的控制、感知、决策技术是核心基本功能，高精度定位技术和高精度地图是行驶过程的基础性关键支撑技术，无论是感知决策规划还是控制执行都需要车辆自身和周边其他动静态物体的位置速度等信息。

1．感知数据融合技术

    环境感知主要包括动态物体和路面、静态物体几个方面，感知数据的融合包括对多个传感器获取的动静态物体的检测识别定位信息、跟踪预测信息等的融合处理与反馈。其中对行人，非机动车辆和其他机动车等动态物体的运动行为做出预测，并能够根据当前运动速度计算出安全空间，对智能汽车的自主决策是极其重要的。多传感器信息融合技术，主要有神经网路融合法、卡尔曼滤波融合方法、贝叶斯信息融合方法。神经网路方法通过大量的学习训练，来消除多传感器协同工作中产生的交叉影响效果，卡尔曼滤波方法可以从有限的、有杂讯的观察序列中预测纠正进而推算出物体的位置等信息，贝叶斯信息融合方法是基于概率统计的推理方法。

2．规划决策技术

    规划决策技术主要包括驾驶动作决策、全局路径规划、局部行为决策。其中驾驶动作决策主要根据局部行为决策信息将当前规划路径分为多个小范围路径，生成多个短距离路径的中间路径点，主要包合到达这些路径点时自动驾驶汽车应当具备的速度、加速度、车轮转向等具体指标信息。局部行为决策主要是依据当前行车环境下的感知信息和定位信息等作出巡航、换道、转弯、掉头等决策。全局路径规划是依赖于高精度地图的目的地间可选路径的规划过程。规划决策技术与感知融合技术的核心是人工智能演算法与计算平台，数据导入计算平台后由不同的晶片进行计算。现有的计算方案有基于GPU, DSP,FPGA, ASC的解决方案，还有其他晶片方案。晶片方案主要有谷歌的TPU晶片、Mobileye8 Eye ex, NVIDIA Drive PX晶片等，同时，多家研发机构也在设计和探索，能够使用移动处理器完成计算任务的高效计算平台。

3．控制执行技术

    控制执行技术主要借助于车载控制平合实现自动驾驶汽车的横驭向控制。核心任务是经过一系列结合车身属性和外界物理因素的动力学计算，通过CAN汇流获取规划决策层输出的多个中间路径点轨迹信息后，转换成对车辆线控的油门量，转向的横向控制命令和车的纵向控制命令用来完成相连信息的执行。车载控制平台是车辆的核心控制部件，主要包括通信汇流、电子控制单元ECU两方面。ECU主要实现演算法控制，通信汇集流向完成ECU和集成部件间的通信功能。汽车自动驾驶的车载控制平台与传统汽车的不同在于可根据需要改写ECU主要有改变内部程序的改装和直接改变ECU运算器硬体的改装。后者主要是通过原ECU程序即运行法则来改善发动机的运行和改变处理向题的演算法。

4．高精度地图构建与高精度定位技术

      高精度地图是区别于电子地图的，车的几何结构及度、由率、限速等属性信息行车助信息的自动驾驶汽车专用地图行车助信息主要包括路面的几何构，周边道路环的点云模型。机器不具备人类与生俱来的逻辑分析能力和视觉识影。必须借助高精度地图扩展车辆的静态环境感知能力，为自动驾驶汽车提供全局观察窗口。高精度地图的构建是一个多传感器融合的过程，主要包含轮距传感器、陀螺仪MU、全球卫星号导航系统GPS、光学雷达LDAR.轮距传感和陀螺仪可以高频率稠有偏差地给出自动驾驶汽车的位置预调，测量量后根据当前的准确位置与激光雷达的扫描数，再融合LDAR, GPS的数据算出当前车的准确位置，把新的数据加入地图中以此来逐步构建高精度地图。高精度定位技术依赖于高精度地图信息，精确地确认位置，自动驾驶系统可以通过对比当前位置的传感获取行车环境信息和高精度地图，并能确认当前位置一段距离内的行车环 境，可进行下一步轨迹规划和决策。

 

      人工智能技术在汽车自动驾驶驶上的应用有规划决策与控制、主观环境感知这三大能的演算法程序上，即学习模糊逻辑、专家系统、传演算法等方法，通过大数据的自主训练和学习，使汽车自动具备一定程度的智能水准。

  1．人工智能在环境感知中的应用

      电脑视觉在自动驾驶驶汽车上的应用有静态物体分类与交通仿息识别，动态物体轨迹跟踪行为干预。以及基于不同演算法的车辆自身定位等。模式识别、神经网路等方法可以用于电脑获取的大量图像视频信息处理，融合运动预测演算法来实现运动物体的识别跟踪。运动测算法：主要有底层的OpticalFlow与立体视觉技术，和基于马尔科夫决策过程的多个运动目标识别追踪算法等。Optical Flow是基于单个播像头的连续时刻图像或视频序列中的像素级密集对应关系，基于神经网络的监督学习可以通过对获取图像的训练得到场景的多维深度或距离估计，立体视觉是基于多个摄像头的同一时刻图片，从而预测目标的运动轨迹。

      基于定位演算法：主要是基于拓扑与地标的演算法和基于几何的视觉里程计算法。基于几何的视觉里程计算法分双目和单目两种。双目视觉里程计算法遇过左右两幅图的视差图和摄像机的几何特性计算出特征点的度，找出帧与帧之间的特征点对应关系。推算出两帧之间车辆的运动，再依据之前车辆的位置计算得到最新的车辆位置。单目视觉里程计算法的主要问题是无法推算出观测到的物体大小，需与其他传感器的结合才能进行准确定位。基于拓扑与地标的演算法把所有的地标组成一个拓扑图。自动驾驶汽车检测到某个地标时就可以大致推断出自身所在的位置，但该方法需要预先建立精准的拓扑图。

2．人工智能在规划决策中的应用

    人工智能就学习可以有效地解决环境中存在的特珠情况，是通过和环境的交互式学习在对应的场景下进行规划和决策以达到最优驾驶行为的方法。行为决策与路径划是人工智能在自动驾驶驶汽车领域中的另一个重要应用。其目的是在给定的任意环境下，通过对环境的探索学习到最佳的策略，然后取最优化行为。常用的增强学习演算法有Deep＆-Iearning演算法和REINFORCE演算法。基于搜素的演算法和基于增强学习演算法的结合，一方面能够通过搜索获取复杂决策场景的最忧策略，一方面又能通过加强学习加快搜索的过程，该方法在解决涉及长期规划问题方面具有巨大潜力。对于复杂决策的场景无法通过短期的效果得到最优决策略，此时必结合基于搜索的演算法来解决问题。

上一页  [1] [2] [3] [4]  下一页