无人驾驶参考理论文献

自动驾驶是汽车行业新一轮的技术革命，推动着传统汽车行业快速转型升级，是未来汽车的发展趋势。自动驾驶技术有利于改善汽车交通安全、提高交通运输效率、实现节能减排、促进产业转型等。《中国制造2025》规划中已将智能网联汽车列入未来十年国家智能制造发展的重点领域，明确指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术，到2025年要掌握自动驾驶总体技术及各项关键技术。本文将介绍自动驾驶等级分类标准、自动驾驶软硬件架构图以及自动驾驶涉及到的关键技术等。 美国汽车工程师协会根据汽车智能化程度将自动驾驶分为L0-L5共6个等级：其中L0为无自动化（No Automation， NA），即传统汽车，驾驶员执行所有的操作任务，例如转向、制动、加速、减速或泊车等；L1为驾驶辅助(Driving Assistant， DA)，即能为驾驶员提供驾驶预警或辅助等，例如对方向盘或加速减速中的一项操作提供支持，其余由驾驶员操作；L2为部分自动化（Partial Automation，PA），车辆对方向盘和加减速中的多项操作提供驾驶，驾驶员负责其他驾驶操作；L3为条件自动化（Conditional Automation，CA），即由自动驾驶系统完成大部分驾驶操作，驾驶员需要集中注意力以备不时之需；L4为高度自动化（High Automation，HA），由车辆完成所有驾驶操作，驾驶员不需要集中注意力，但限定道路和环境条件；L5为完全自动化（Full Automation， FA），在任何道路和环境条件下，由自动驾驶系统完成所有的驾驶操作，驾驶员不需要集中注意力。 自动驾驶汽车的软硬件架构如图2所示，主要分为环境认知层、决策规划层、控制层和执行层。环境认（感）知层主要通过激光雷达、毫米波雷达、超声波雷达、车载摄像头、夜视系统、GPS、陀螺仪等传感器获取车辆所处环境信息和车辆状态信息，具体来说包括：车道线检测、红绿灯识别、交通标识牌识别、行人检测、车辆检测、障碍物识别和车辆定位等；决策规划层则分为任务规划、行为规划和轨迹规划，根据设定的路线规划、所处的环境和车辆自身状态等规划下一步具体行驶任务（车道保持、换道、跟车、超车、避撞等）、行为（加速、减速、转弯、刹车等）和路径（行驶轨迹）；控制层及执行层则基于车辆动力学系统模型对车辆驱动、制动、转向等进行控制，使车辆跟随所制定的行驶轨迹。 自动驾驶技术涉及较多的关键技术，本文主要介绍环境感知技术、高精度定位技术、决策与规划技术和控制与执行技术。 环境感知指对于环境的场景理解能力，例如障碍物的类型、道路标志及标线、行车车辆的检测、交通信息等数据的语言分类。定位是对感知结果的后处理，通过定位功能从而帮助车辆了解其相对于所处环境的位置。环境感知需要通过传感器获取大量的周围环境信息，确保对车辆周围环境的正确理解，并基于此做出相应的规划和决策。 自动驾驶车辆常用的环境感知传感器包括：摄像头、激光雷达、毫米波雷达、红外线和超声波雷达等。摄像头是自动驾驶车辆最常用、最简单且最接近人眼成像原理的环境感知传感器。通过实时拍摄车辆周围的环境，采用CV技术对所拍摄图像进行分析，实现车辆周围的车辆和行人检测以及交通标志识别等功能。摄像头的主要优点在于其分辨率高、成本低。但在夜晚、雨雪雾霾等恶劣天气下，摄像头的性能会迅速下降。此外摄像头所能观察的距离有限，不擅长于远距离观察。毫米波雷达也是自动驾驶车辆常用的一种传感器，毫米波雷达是指工作在毫米波段（波长1-10 mm ，频域30-300GHz）的雷达，其基于ToF技术（Time of Flight）对目标物体进行检测。毫米波雷达向外界连续发送毫米波信号，并接收目标返回的信号，根据信号发出与接收之间的时间差确定目标与车辆之间的距离。因此，毫米波雷达主要用于避免汽车与周围物体发生碰撞，如盲点检测、避障辅助、泊车辅助、自适应巡航等。毫米波雷达的抗干扰能力强，对降雨、沙尘、烟雾等离子的穿透能力要比激光和红外强很多，可全天候工作。但其也具有信号衰减大、容易受到建筑物、人体等的阻挡，传输距离较短，分辨率不高，难以成像等不足。激光雷达也是通过ToF技术来确定目标位置与距离的。激光雷达是通过发射激光束来实现对目标的探测，其探测精度和灵敏度更高，探测范围更广，但激光雷达更容易受到空气中雨雪雾霾等的干扰，其高成本也是制约其应用的主要原因。车载激光雷达按发射激光束的数量可分为单线、4线、8线、16线和64线激光雷达。可以通过下面这个表格（表1），对比主流传感器的优势与不足。 自动驾驶环境感知通常采用“弱感知+超强智能”和“强感知+强智能”两大技术路线。其中“弱感知+超强智能”技术是指主要依赖摄像头与深度学习技术实现环境感知，而不依赖于激光雷达。这种技术认为人类靠一双眼睛就可以开车，那么车也可以靠摄像头来看清周围环境。如果超强智能暂时难以达到，为实现无人驾驶，那就需要增强感知能力，这就是所谓的“强感知+强智能”技术路线。相比“弱感知+超强智能”技术路线，“强感知+强智能”技术路线的最大特征就是增加了激光雷达这个传感器，从而大幅提高感知能力。特斯拉采用“弱智能+超强智能”技术路线，而谷歌Waymo、百度Apollo、Uber、福特汽车等人工智能企业、出行公司、传统车企都采用“强感知+强智能”技术路线。 定位的目的是获取自动驾驶车辆相对于外界环境的精确位置，是自动驾驶车辆必备的基础。在复杂的地市道路行驶，定位精度要求误差不超过10 cm。例如：只有准确知道车辆与路口的距离，才能进行更精确的预判和准备；只有准确对车辆进行定位，才能判断车辆所处的车道。如果定位误差较高，严重时会造成交通完全事故。GPS是目前最广泛采用的定位方法，GPS精度越高，GPS传感器的价格也越昂贵。但目前商用GPS技术定位精度远远不够，其精度只有米级且容易受到隧道遮挡、信号延迟等因素的干扰。为了解决这个问题，Qualcomm开发了基于视觉增强的高精度定位（VEPP）技术，该技术通过融合GNSS全球导航卫星、摄像头、IMU惯性导航和轮速传感器等多个汽车部件的信息，通过各传感器之间的相互校准和数据融合，实现精确到车道线的全球实时定位。 决策规划是自动驾驶的关键部分之一，它首先是融合多传感器信息，然后根据驾驶需求进行任务决策，接着能够在避开存在的障碍物前提之下，通过一些特定的约束条件，规划出两点之间多条可以选择的安全路径，并在这些路径当中选择一条最优的路径，作为车辆行驶轨迹，那就是规划。按照划分的层面不同，可以分为全局规划和局部规划两种，全局规划是由获取到的地图信息，规划出一条在特定条件之下的无碰撞最优路径。例如，从上海到北京有很多条路，规划处一条作为行驶路线即为全局规划。如栅格法、可视图法、拓扑法、自由空间法、神经网络法等静态路径规划算法。局部规划的则是根据全局的规划，在一些局部环境信息的基础之上，能够避免碰撞一些未知的障碍物，最终达到目的目标点的过程。例如，在全局规划好的上海到北京的那条路线上会有其他车辆或者障碍物，想要避过这些障碍物或者车辆，需要转向调整车道，这就是局部路径规划。局部路径规划的方法包括：人工势场法、矢量域直方图法、虚拟力场法、遗传算法等动态路径规划算法等。 决策规划层是自主驾驶系统，智能性的直接体现，对车辆的行驶安全性和整车起到了决定性的作用，常见的决策规划体系结构，有分层递进式，反应式，以及二者混合式。 分层递进式体系结构，就是一个串联系统的结构，在该系统当中，智能驾驶系统的各模块之间次序分明，上一个模块的输出即为下一模块的输入，因此又称为感知规划行动结构。但这种结构可靠性并不高，一旦某个模块出现软件或者硬件故障，整个信息流就会受到影响，整个系统很有可能发生崩溃，甚至处于瘫痪状态。 反应式体系结构采用并联的结构，控制层都可以直接基于传感器的输入进行决策，因此它所产生的动作就是传感数据直接作用的一个结果，可以突出感知动作的特点，适用于完全陌生的环境。反应式体系结构中的许多行为主要涉及成为一个简单的特殊任务，所以感觉规划控制可以紧密的结合在一块，占用的储存空间并不大，因而可以产生快速的响应，实时性比较强，同时每一层只需要负责系统的某一个行为，整个系统可以方便灵活的实现低层次到高层次的一个过渡，而且如若其中一个模块出现了预料之外的故障，剩下的层次，仍然可以产生有意义的动作，系统的鲁棒性得到了很大的提高，难点在于，由于系统执行动作的灵活性，需要特定的协调机制来解决各个控制回路，同意执行机构争夺之间的冲突，以便得到有意义的结果。 分层递阶式系统的一个结构和反应式体系的结构，都各自有优劣，都难以单独的满足行驶环境复杂多变的使用要求，所以越来越多的行业人士开始研究混合式的体系结构，将两者的优点进行有效的结合，在全局规划的层次上生成面向目标定义的分层式递阶行为，在局部规划的层面上就生成面向目标搜索的反应式体系的行为。 自动驾驶的控制核心技术就是车辆的纵向控制，横向控制，纵向控制及车辆的驱动和制动控制，而横向控制的就是方向盘角度的调整以及轮胎力的控制，实现了纵向和横向自动控制，就可以按给定目标和约束自动控制车运行。 车辆按照纵向控制是在行车速度方向上的控制，即车速以及本车与前后车或障碍物距离的自动控制。巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制器算法结合，构成了各种各样的纵向控制模式。 车辆的横向控制就是指垂直于运动方向的控制，目标是控制汽车自动保持期望的行车路线，并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适和稳定。车辆横向控制主要有两种基本设计方法，一种是基于驾驶员模拟的方法（一种是使用用较简单的动力学模型和驾驶员操纵规则设计控制器；另一种是用驾驶员操纵过程的数据训练控制器获取控制算法）；另一种是给予汽车横向运动力学模型的控制方法（需要建立精确的汽车横向运动模型。典型模型如单轨模型，该模型认为汽车左右两侧特性相同）。 除上述介绍的环境感知、精准定位、决策规划和控制执行之外，自动驾驶汽车还涉及到高精度地图、V2X、自动驾驶汽车测试等关键技术。自动驾驶技术是人工智能、高性能芯片、通信技术、传感器技术、车辆控制技术、大数据技术等多领域技术的结合体，落地技术难度大。除此之外，自动驾驶技术落地，还要建立满足自动驾驶要求的基础交通设施，并考虑自动驾驶方面的法律法规等。 参考文献： 1. 张放. 极限工况下自动驾驶车辆的轨迹规划与运动控制 [博士]: 清华大学; 2018. 2. 陈文强. 基于复杂工况的高精准可预测自动驾驶环境认知方法 [博士]: 清华大学; 2018. 3. 张欣. 无人驾驶感知辅助系统的研究与仿真实现 [硕士]: 北京交通大学; 2019. 4. 陈延真. 无人驾驶环境感知系统及障碍物检测研究 [硕士]: 天津大学; 2018.

在做正射影像或者倾斜建模过程中会涉及到一些摄影测量和倾斜建模有关一些知识，顺便查了一些资料，然后觉得很有必要，就稍微系统罗列了一下，在最后还提供了几个建模航线为大家作为参考，希望对大家有帮助。       沿同一航线的相邻像片重叠部分的长度与像片边长之比。简而言之，就是同一条线路，照片与照片之间的重叠部分。       沿两条相邻航线所摄的相邻像片重叠部分的长度与像片长度之比。简而言之，就是线路与线路之间照片的重叠部分。        制作正射影像图，对于照片的重叠率是有一定的要求的，照片至少有60%的航向和旁向重叠率，这样能保证三张照片有重叠部分。这是对于相对于地形较为平坦的地区，当地形起伏较大时，在设置重叠率时还要提高，才能保证像片立体量测与拼接的需要       在航拍过程中，由于无人机稳定程度不如有人驾驶飞机，易受高空风力影响，会导致航线漂移，飞行的轨迹不再像传统的航空摄影沿直线飞行，会产生航线弯曲现象。所谓航线弯曲就是把一条航线的航摄像片根据地物影像拼接起来，各张像片的主点连线不在一条直线上，而呈现为弯弯曲曲的折线        航线弯曲度：航线最大弯曲矢量与航线长度之比的百分数。要求航线弯曲度<3%        一张像片上相邻主点连线与同方向框标连线间的夹角。要求像片旋角<6°         敲黑板！敲黑板！敲黑板！         总结一下：         1.像片重叠率建议60%以上，地形起伏越大重叠率越高。         2.航线弯曲度<3%。         3.像片旋角<6°        另外自动建模软件建立三维模型对影像重叠度的要求高于一般的航摄制图任务，需要影像至少有70%的航向和旁向重叠度。        此种情况为常规的航摄飞行，可以按照要求的航高和重叠度直接设置航线，完成飞行。        直接按照要求设置重叠度，地面可以满足重叠度要求，但是随着楼层升高，楼顶的影像重叠度则会降低，楼顶重叠度不足会导致建成的三维模型有漏洞或者明显拉伸，成果质量较差。所以需要根据任务区最高的楼房高度重新计算重叠度，作为飞行航摄设置的重叠度        已知H为航摄飞行高度，h为楼房高度，α为像幅角。        相片对应实地的长（宽）： S= 2 H  tanα        W为飞行设定的重叠度：        则楼顶处的重叠度为：所以，若要保证航摄区域内所有地物的重叠度达到，则设置的地面重叠度W为：       已知起飞点高度为h，α为像幅角，要求航摄飞行高度为H，地面重叠度为W，则场高需要设置为H-h。        则在高处起飞所需要设置的重叠度为：       已知起飞点低于任务区地面高度为 l ，α为像幅角，要求航摄飞行高度为H，地面重叠度为W，则场高需要设置为H+ l 。        则重叠度设置为： 实际问题分析： 假设任务要求航摄高度200米，地面重叠度为75%，起飞点低于任务区地面50米。 则由计算公式可知：         所以，在低于任务区地面的位置起飞需要将场高设置为250米，重叠度设置为80%，则可以满足航摄高度200米和地面重叠度为75%的要求。        空间分辨率:空间分辨率又称地面分辨率，前者是从图像的分解能力而言，亦称图像分辨率;后者是从前者对应的地面而言。简言之，空间分辨率是在遥感图像上能详细区分最小地物的尺寸。遥感图像地面分辨率，是指每个像元的大小在地面上对应的实际范围，即地表与一个像元大小相当的尺寸，以TM影像为例，影像中一个像元代表地面30米         影像分辨率=地图距离/像素         比例尺=地图距离/实际距离         地面分辨率=实际距离/像素         每英寸点数(DPI)=像素/地图距离         比例尺=1：（地面分辨率*（DPI/0.245））         倾斜摄影的模型精度一般是照片分辨率的三倍，就是根据照片生成的正射影像的地面分辨率的三倍，如果生成的正射影像的分辨率是3cm/像素，那模型精度基本就是8-15cm。为什么不是9厘米精度呢？而是一个范围，原因在于地面无论如何会有起伏，加上受风等不可控制因素影响，没法保证照片的分辨率是固定的。        公式：倾斜摄影模型精度=同工程正射分辨率的三倍        其实很多人在看了上面的知识后，基本都会换算了。这里只是举例说明        以1:1000的比例尺，对应的地面分辨率是指地图上1cm对应地表1000cm，        1厘米=0.3937008英寸        按照大疆无人机拍的72dpi来算，一英寸包含72像素，那么1厘米包含0.3937008*72=28.3464576像素        得到对应关系为28.3464576对应地图上1000cm        分辨率为：1000/28.3464576=35.277776649        1:1000的比例尺对应的地面分辨率为35.2厘米，接近0.36米        那航拍模型的精度也就要求0.36米，对应的航拍分辨率就是0.12米。就是说航拍建模的时候拍摄的照片要能达到12cm精度以上。         这里只为倾斜摄影建模的航线提供参考。         模型质量好与精的区别一定在于硬件吗？不存在的。。。。       这里说的S路线，指按常规五条路线设定，这也是单镜头无人机采集倾斜摄影模型数据最稳妥的路线。分别是正射航线一条，东南西北四个方向个一条。这种方式比较适合拍摄大面积的场景。        环绕，顾名思义就是绕着要建模的区域做环形飞行拍摄，并让相机对准被建模的主体进行拍摄。这种航线方法特别适合对单栋建筑或者标志物的拍摄，三维重建效果好，同时所需的图像也很少，以大疆为例，如果该区域或建筑物不是太大，一块的电池就能满足。       模型越精细，地面采样密度GSD越高。在相机参数一定，飞行高度越低，地面精度越高，模型重建的结果就更加细致。飞的越高采集的区域越大，而飞得相对较低的部分模型精度较高，建模效果越好。参考文献： 1.于广瑞,王智超,张坤鹏,孙立军.基于测绘型无人机航线优化设计应用研究[J].北京测绘,2015,(04):46-48+70. 2.邢诚.基于简化SIFT算法的无人机影像重叠度分析[J].哈尔滨工程大学学报,2012,33(02):221-225. 3.崔红霞,林宗坚,孙杰.大重叠度无人机遥感影像的三维建模方法研究[J].测绘科学,2005,(02):36-38+4.

如果想要研究汽车行业的话，可以去看3D打印与汽车行业技术发展报告，智能车辆手册，无人驾驶车辆智能行为及测试与评价，燃料电池汽车建模及仿真技术，这几个书籍和文献都是非常具有学术前沿性的知识的。