自动驾驶基础-传感器融合四
自主驾驶技术概览自主驾驶技术是一个复杂的系统，由三个主要的子系统组成：核心算法、车载客户端系统和云端平台系统。核心算法包括感知、理解和决策部分；车载客户端系统包括机器人操作系统（ROS）和硬件平台；云端平台包括数据存储部分、模拟系统、高清晰度地图部分和深度学习模型训练部分。下图是自主驾驶系统的架构总览。
算法子系统从传感器收集来的原始数据中抽取出有意义的信息，从而能理解周围的环境，并对于要采用什么行动做出决策。车载客户端子系统集成了这些算法，并保证满足实时和可靠性的需求（例如，如果传感摄像头以60Hz的频率生成数据，那么客户端子系统必须保证处理管道的最长时间必须少于16毫秒）。云端平台是为车辆提供离线的计算和存储能力。基于云平台，我们可以测试新的算法、升级高清晰度地图以及训练更好的识别、跟踪和决策模型。
自主驾驶算法部分包括：从传感器采集的原始数据里感知和抽取有意义的信息；理解信息来定位车辆位置和了解当前的环境；决定采用什么行动来让车辆可靠安全地抵达目的地。
通常，一辆自主驾驶汽车包括多个主要的传感器。因为每种类型的传感器都有自己的优缺点，所以必须组合使用来自多个传感器的数据。常见的传感器类型包括如下几种：
1. GPS/IMU（全球定位系统和惯性测量单元）：GPS和IMU系统通过高频（例如200Hz）收集惯性变化和地理位置估计来帮助自主驾驶汽车定位自身。尽管GPS是一个相当精确的定位传感器，但它的更新频率是10Hz，无法提供实时的信息。经管IMU的准确度随着时间变长而降低，从而导致不能长时间地依赖于它提供精确的位置信息。但它能提供更快的更新频率（200Hz或更高），这就能满足实时的需求。通过结合GPS与IMU，就可以提供实时且准确的车辆定位信息。目前业界通过整合 GNSS 与IMU，汽车可以实现既准确又足够实时的位置更新。全球导航卫星系统领先OEM 厂商诺瓦泰（NovAtel）的GNSS/INS产品就采用了 ADI 的高性能IMU方案，已广泛应用于各种智能汽车或自动驾驶实验车型中。
2. LiDAR（激光雷达）：LiDAR被用于绘图、定位以及避障。它的工作原理是通过发射激光，并测量反射回来的时间来测量自身与其他物体的距离。它的准确度很高。因此在大多数自主驾驶实现里，它都是主要的传感器。LiDAR可以被用于生成高清晰度地图、比对移动中的车辆和地图的位置以及探测前方的障碍物等。通常一个LiDAR单元（比如Velodyne的64束激光器）会以10Hz的频率扫描，每秒采集大约一千三百万的读数。
3．摄像头：摄像头主要是用于物体识别和物体追踪的任务，比如车道探测、信号灯探测和行人探测等。为了增强自主驾驶车辆的安全性，通常的实现是在车身前后安装八个甚至更多的摄像头，用于探测、识别和追踪前后左右的物体。这些摄像头的工作频率一般是60Hz，总计会在一秒钟产生约1.8GB的原始数据。
4. 雷达和声呐：雷达和声呐系统是规避障碍物的最后一道防线。由它们产生的数据显示了车辆与前方最近的物体间的距离。当检测到前方有物体并可能有碰撞的危险时，自主驾驶汽车可以通过刹车或是转向来进行规避。因此由雷达和声呐产生的数据并不要求多少处理，通常是直接输出给控制处理器（没有通过主要的计算管道）来完成紧急的任务，比如急转、刹车或是预先拉紧安全带等。
传感器收集的数据被发送给理解子系统来了解车辆的周围环境。自主驾驶车辆的理解系统的三大主要任务就是定位、物体探测和物体跟踪。
GPS和IMU都可以被用于定位。GPS提供相当精确的定位，但更新速度较慢；而IMU可以提供快速更新，但长时间累计误差较大，精度较差。我们可以使用卡尔曼滤波来组合这两者的优点，提供精确且及时的位置更新。如下图所示，IMU每5ms推测一次车辆的位置，但随着时间的流逝，错误逐渐累积。不过每100ms，我们就可以得到GPS提供的更新，从而能纠正IMU的错误。通过使用这个推测与更新模型，就能得到GPS和IMU共同产生的快速且精确的定位结果。
不过我们不能仅仅依赖于这个组合方法得到的定位结果。这主要是因为三个原因：
·定位结果的精度仅有1米；
·GPS的信号会有多路的问题，即GPS信号可能会被建筑物反射，从而引入很多的噪音；
·使用GPS要求车辆上方空间无遮拦，因此无法在封闭空间里工作，比如隧道。如果要提高中间过程以及遮蔽路况下的定位精度，则高性能的IMU必不可少。特别是现在交通情况下，长距离的隧道等路况比较常见，在这种情况下，IMU的性能也就非常重要。
下图是GPS和IMU定位示意图。
摄像头也能被用于定位。基于视觉的定位过程遵循如下简化的管道：
·通过三角定位双目图像对，就可以获得一个视差图。它可以用来推导出图像里每个点的深度信息；
·通过比对连续两帧立体图像里的显著特征，就能够估算出两帧图片间的移动；
·通过比较视频图片里的显著特征和已知的地图，就推导出车辆的当前位置。然而，基于视频的定位方法对于光线非常敏感。因此这个方法单独使用时也不够可靠。
因此，通过使用粒子滤波的LiDAR（激光雷达）成为主要的定位传感器。由LiDAR产生的点云提供了对环境的“形状描述”，但它也很难来对单独的点进行差异化。通过使用粒子滤波，系统把一个特别的观测形状和已知的地图进行比对，从而提升确定性。为了定位车辆与地图的相对位置，我们应用粒子滤波技术来把来自LiDAR的测量和地图关联。粒子滤波方法已经被证明能获得实时的定位，精度在10厘米，同时对于城市环境也有效。然而，LiDAR也有它自己的问题：当空气中有非常多的悬浮颗粒（如雨滴和灰尘）的时候，它的测量值可能会非常得混乱。因此，为了能获得可靠且精确的定位，我们需要一个传感器融合的过程来合并这些传感器的优点，如下图传感器融合定位管道所示。
因为LiDAR提供了精确的关于深度的信息，所以它最初在自主驾驶汽车上是被用于物体识别和追踪的。但近年来，随着深度学习技术的飞速发展，它在物体识别和追踪的准确度上有了显著的提高。
关于自动驾驶的技术文章，可以参考前文，下面是链接：
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20190112G139UC00?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
