智能网联汽车自动驾驶汽车规划与决策计划实训报告2000字.pdf

智能网联汽车自动驾驶汽车规划与决策计划实训报告2000字智能网联汽车环境感知与路径规划汽车智能驾驶环境感知1.多传感器融合各类传感器因其测量原理，在环境感知方面都有各自明显的优缺点：毫米波雷达具有耐候性，可以全天工作，但分辨率不够高，无法区分人与物；摄像头具有较高的分辨率，可以感知颜色，但受强光影响较大。激光雷达可以提供具有三维信息的特性，对环境的可重构性很强，但受天气影响较大。毫米波雷达可以弥补激光雷达、视觉传感器在环境适应性上的不足。视觉传感器或者激光雷达可以弥补毫米波雷达在目标分类上的不足等。环境感知是通过摄像头、激光雷达、毫米波雷达、超声波雷达、陀螺仪、加速度计等传感器，感知周围环境信息和车辆状态信息。环境信息主要包括道路信息、周边车辆与行人信息。道路信息，包括道路的宽度、坡度、交通标志灯；周边车辆信息包括车辆大小，行驶的速度、加速度、方向等；周边行人信息包括行人的数量、位置及行走方向等。汽车自动化的程度越高，集成在车辆中的传感器的数量和类型也越多，只有这样才能够保证信息获取充分且、有冗余保障车辆自动行驶的安全。为了保证安全，必须对传感器进行信息融合。多传感器融合可以显著提高系统的冗余度和容错性，从而保证决策的速度和正确性，这是自动驾驶系统向先进的自动驾驶方向发展，最终实现无人驾驶的必然趋势。传感器融合的理论方法有贝叶斯准则、卡尔曼滤波、D-S证据理论、模糊集合理论、人工神经网络等。软件算法能够联合虚拟摄像头和环境传感器数据融合算法，从而得到更精确的数据分析与自主控制决策。传感器融合从融合等级上分为原始数据级融合、特征数据级融合和目标数据级融合。单一传感器中，越靠近原始数据，干扰信号和真实信号并存的可能性越大，即越早启动融合，真实信息的保留和干扰信息的去除效果越好，但同时也为数据同步、处理算法计算量带来相应的挑战。实际应用中，应结合感知需求、芯片计算能力选择合适的融合架构和方法，构建由各类传感器信息组成的数字环境，实现智能网联汽车的环境理解。2.智能网联汽车环境感知数据库目前，专门用于无人驾驶的数据集有KITTI和Cityscapes等，数据集的主要作用是对汽车上安装的各种传感器采集的外部场景数据进行分析，并呈现无人驾驶车辆的实际情况。以KITTI数据集为例，该数据集是视觉图像与三维雷达数据的融合，利用KITTI数据集可以实现在车辆真实应用环境下立体图像、光流、视觉距离测量、三维目标检测、三维跟踪等计算机视觉技术的性能评测。该数据集包含从城市、郊区、乡村和高速公路等场景采集的真实图像数据，整个数据集由389对立体图像和光流图、在测评里程内的视觉测距序列和超过200k的三维标记对象图像组成。完整的数据集应包括立体数据、光流数据、视觉里程计数据、目标跟踪数据、道路解析数据等。路径规划是解决智能网联汽车如何达到行使目标问题的上层模块，它依赖于为智能联网汽车驾驶定制的高精度地图，与普通导航单纯提供指引的性质不同，智能网联汽车的路径规划模块需要提供能够引导车辆正确驶向目的地的轨迹。这些轨迹至少要达到车道级导航的水平，而且轨迹上影响车辆行驶的周边的环境也需要被准确描述和考虑。路径规划模块需要根据局部环境感知、可用的全局车道级路径、相关交通规则，提供能够将车辆引导向目的地（或目的点）的路径。路径规划可分为全局路径规划方法、局部路径规划方法和混合路径规划方法三种。路径规划技术是汽车自动控制技术的重要组成部分，根据环境信息的己知程度，全局路径规划是对全局环境已知，并根据算法搜索出最优或接近最优的路径。而局部路径规划则对环境局部未知或完全未知，通过传感器为自动驾驶提供有用的信息确定障碍物和目标点的位置，并规划起始点到目标点的最优化路径。智能网联汽车路径规划问题可以分为两类：一类是基于环境先验信息的全局路径规划，主要方法有网格法、拓扑法、视图法等；另一类是基于传感器信息的局部路径规划，常用的方法有栅格法、人工势场法、遗传算法、空间搜索法、层次法、动作行为法、Dijkstra算法、Lee算法、Floyd算法等。ADAS系统的控制是根据各个状态进行来回切换的，传统控制算法存在目标或控制方式切换引起的车辆加速和减速跳跃，存在切换过程平稳性差等问题。由于控制状态的变化，原有的车辆控制算法、跟踪过程和巡航控制过程会出现加速跳跃，影响舒适性。当自动驾驶处于低速时，控制问题就不那么明显。但在高速条件下，我们必须考虑轮胎与地面的连接。由于轮胎和地面摩擦圆的约束，当车轮纵向力变化时，侧向力也随之变化。智能车的车速控制和横向轨迹跟踪性能是相互制约的。随着自动驾驶测试的落地，这项技术的场景应用正在不断成熟，市场前景与想象空间也进一步扩大。据麦肯锡报告显示，中国自动驾驶行业规模将突破万亿美元，有潜力成为世界上最大的自动驾驶汽车市场。从产业链角度来看，我国自动驾驶技