Ⅰ低速無人駕駛車輛平臺架構(gòu)

• 整車控制系統(tǒng)

車輛控制技術(shù)是無人駕駛汽車的，主要包括速度控制和方向控制等幾個部分。無人駕駛就是用電子技術(shù)控制汽車進行的仿人駕駛。通過對駕駛員的駕駛行為進行分析可知，車輛的控制是一個典型的預(yù)瞄控制行為，駕駛員找到當(dāng)前道路環(huán)境下的預(yù)瞄點，根據(jù)預(yù)瞄點控制車輛的行為。目前*常用的方法是PID算法，例如模糊PID、神經(jīng)網(wǎng)絡(luò)PID 等。

車內(nèi)控制系統(tǒng)通過CAN總線連接到各個控制單元，接受指令完成車的速度、轉(zhuǎn)角等控制。

VCU( Vehicle Control Unit 整車控制單元) 作為**單元。 其一通過采集控踏板部件等信號分析特出汽車狀態(tài)，將信息反饋給信號接收系統(tǒng); 其二接受系統(tǒng)指令，控制各部件的電氣信號進而控制車輛的行駛狀態(tài)。

• 感知系統(tǒng)

環(huán)境感知系統(tǒng)通過攝像頭、超聲波雷達、陀螺儀、車輪編碼器、激光雷達、GPS等。由于低速無人駕駛道路結(jié)構(gòu)較為簡單，我們使用攝像頭為主、激光雷達輔助的多傳感器融合方案。其中攝像頭使用1920*1024分辨率、30fps幀率變可以達到實時控制要求；激光雷達1個安裝在車頂用于輔助攝像頭定位，1個安裝在車輛保險杠前方用于檢測障礙物。信息處理平臺需要有較強的處理能力和方便開發(fā)的環(huán)境，通過傳感器采集數(shù)據(jù)，我們采用雙核denver2處理器和四核ARM Cortex-A57架構(gòu)的Jetson TX2處理器。

Jetson TX2是由一個GPU和一個CPU集群組成。CPU集群由雙核denver2處理器和四核ARM Cortex-A57組成，通過高性能互連架構(gòu)連接。擁有６個CPU和一個GPU，可以不必自行運行所有性能、功耗來測量的運行狀態(tài)，因為NVIDIA新的命令行工具Nvpmodel提供５種模式，可以方便地讓用戶配置CPU狀態(tài)，以**限度地提高不同場景下的性能和能耗。

Ⅱ雙目SLAM算法

首先提取具有尺度不變性的特征點；然后借鑒ＯＲＢ算法構(gòu)建特征描述子；**立體匹配計算出無人車位姿序列、推算出無人車的二維空間位姿并完成建圖。同時為閉環(huán)檢測和位姿地圖優(yōu)化，提供了圖像特征點和特征描述點。

其次，采用視覺里程計與建圖己經(jīng)構(gòu)建好的特征描述子和BOW（模型進行閉環(huán)檢測。首先聚類特征描述子實現(xiàn)類中心；為了使視覺特征分層量化，所以遞歸生成叉樹的BOW；再采用逐層計算圖像之間相似性增量的Ａ：叉樹得分匹配方法；為了形成更好地候選閉環(huán)和剔除候選閉環(huán)的中錯誤閉環(huán)；采用了時間和匹配約束。通過對視覺SLAM閉環(huán)檢測研宄，不僅提髙了閉環(huán)檢測的準(zhǔn)確性，也擴展了基于場景外觀方法在SLAM系統(tǒng)中的應(yīng)用，同時豐富了計算機視覺和圖像處理等領(lǐng)域的BOW方法研宄。

然后，構(gòu)建了基于圖的無人車SLAM后端非線性優(yōu)化結(jié)構(gòu)，采用髙斯-牛頓迭代算法優(yōu)化位姿預(yù)測數(shù)據(jù)與位姿觀測數(shù)據(jù)之間的誤差，計算出誤差小情況下的無人車位姿和路標(biāo)節(jié)點配置。優(yōu)化了無人車定位與環(huán)境模型，從而指導(dǎo)無人車自主導(dǎo)航。

Ⅲ道路分析

• 基于攝像頭和雷達的道路邊緣檢測

低速非結(jié)構(gòu)化道路環(huán)境下的檢測方法，使用攝像頭采集車輛前方道路圖像，通過色彩空間變換還有直線檢測可以獲得候選道路邊緣形態(tài)。接著使用斜向下檢測的激光雷達分析道路情況，然后融合兩種測試結(jié)果，得到在同一坐標(biāo)下的道路邊緣位置。

• 基于激光雷達障礙物避讓

通過對道路模糊檢測選取基點，進而對雷達數(shù)據(jù)進行 擬合獲得對道路信息的模糊描述?；?VFH+算法障礙物躲避，對道路進行柵格劃分，分析格內(nèi)障礙物密度，判定智能車機械特性以獲得行駛路線。

• 基于多傳感器的地圖導(dǎo)航

基于電子地圖和磁場針進行道路的實時檢測、校正，繼而 通過 GPS 和 DＲ 系統(tǒng)組合定位，獲得準(zhǔn)確穩(wěn)定的實時位置信息。如為較為復(fù)雜路口，需要結(jié)合攝像頭和激光雷達進行更精確的路徑規(guī)劃。

Ⅳ遠程監(jiān)控系統(tǒng)架構(gòu)

車載終端設(shè)備與整車VCU通過CAN連接，車載終端設(shè)備通過4G通信模塊與服務(wù)器平臺的數(shù)據(jù)服務(wù)器通信，Web服務(wù)器與數(shù)據(jù)服務(wù)器通過JDBC數(shù)據(jù)庫通信。Web服務(wù)器的信息系統(tǒng)軟件基于B/S架構(gòu)開發(fā)，可通過瀏覽器在不同的PC終端登錄該系統(tǒng)。

該設(shè)備采用飛思卡爾IMX56處理器和安卓操作系統(tǒng)，提供CAN接口與整車控制器( vehicle control unit，VCU) 進行連接，車速、加速度、電池、電機等駕駛狀態(tài)參數(shù)與故障診斷信息可通過CAN采集并通過內(nèi)置的移動硬盤進行數(shù)據(jù)存儲。與當(dāng)前非無人駕駛新能源汽車遠程監(jiān)控系統(tǒng)相比，無人駕駛對信息系統(tǒng)的定位精度與安全性要求更高，因此該設(shè)備通過串口集成了北斗高精度定位系統(tǒng)，同時外設(shè)四路攝像頭接口監(jiān)測車身四周的道路環(huán)境視頻，所有數(shù)據(jù)可通過 Wi-Fi /4G 無線通信模塊傳輸至后臺遠程監(jiān)控信息系統(tǒng)。

后臺遠程監(jiān)控信息系統(tǒng)由前端界面功能模塊軟件、后臺功能模塊軟件以及服務(wù)器信息系統(tǒng)安全軟件組成。Web服務(wù)器的信息系統(tǒng)軟件基于B/S架構(gòu)開發(fā)，結(jié)構(gòu)如下：

Ⅵ車輛遠程數(shù)據(jù)傳輸與采集

車載終端采集的車輛狀態(tài)信息、地理位置信息以及圖像信息通過4G網(wǎng)絡(luò)傳輸至后臺信息系統(tǒng)，結(jié)構(gòu)如下：

車載終端通過實時傳輸協(xié)議( reliable transport protocol，PTP) 向服務(wù)器發(fā)送視頻流，服務(wù)器收到后通過一個跨平臺的視頻和音頻流方案程序 ( fast forward moving picture experts group， FFMPEG)將PTP協(xié)議轉(zhuǎn)為路由選擇表維護協(xié)議 ( routing table maintenance protocol，RTMP) 。協(xié)議在Red5流媒體服務(wù)器中存儲Red5服務(wù)器將視頻流發(fā)送到用戶電腦。車載通過自擬定協(xié)議向服務(wù)器發(fā)送車輛狀態(tài)參數(shù)與地理位置參數(shù)，同時服務(wù)器向車載終端發(fā)送控制命令。

• 遠程啟?？刂?/span>

針對研究車輛，俞佳偉提出了一種基于高精度定位系統(tǒng)的無人駕駛車輛軌跡跟蹤方法，可實現(xiàn)車輛的無人駕駛循跡控制。但由于無人駕駛車輛尚需大量試驗測試驗證，為防止環(huán)境感知系統(tǒng)探測失效或其他車輛故障導(dǎo)致駕駛危險， 需要對車輛進行遠程啟?？刂苼砭駬褴囕v前方障礙物是清掃還是避讓。對此本文基于主動安全技術(shù)提出基于時間的危險預(yù)估方法，即：

通過TTA計算可粗略估計監(jiān)控后臺預(yù)警時間，從而提前控制無人清掃車的啟停。

Ⅶ無人駕駛實驗

通過三種不同的實驗環(huán)境一步一步論述低速環(huán)境下無人駕駛技術(shù)的真確性和適用性。

• 在虛擬環(huán)境下，模擬各種道路環(huán)境和傳感器數(shù)據(jù)，此為較為理想環(huán)境下的測試實驗。

• 第二個是在路錐環(huán)境下，該實驗重點在于雷達對障礙物的檢測是否及時與正確，躲避障礙物的過程是否有效，同時考驗了智能車的機械特性。

• 第三個是在校園的低速環(huán)境下，通過真實的道路環(huán)境對智能車進行考驗，綜合對道路、障礙物檢測，避讓與自主導(dǎo)航等多項無人駕駛的關(guān)鍵技術(shù)進行測試。

Ⅷ總結(jié)與展望

通過本文理論與實際測試，細化了低速環(huán)境下智能車的無人駕駛技術(shù)的優(yōu)缺點和方法的選擇，并具體分析了智能車的平臺架構(gòu)，提出了一種用攝像頭、雷達、多傳感器等基礎(chǔ)設(shè)備，實 現(xiàn)智能車的行駛、避讓和道路規(guī)劃，繼而驗證了無人駕駛技術(shù) 實現(xiàn)的可行性。對于日后的發(fā)展，我們一致認(rèn)為，在道路邊緣檢測方面由于色彩基準(zhǔn)值的選擇范圍有限，還有Hough直線檢測法對彎路處檢測并不理想，因此需要探索更可靠的道路邊緣檢測的方法。同樣，在其他方面還需要簡化操作流程，提高對復(fù)雜道路檢測的正確性。