基础设备

GPS

  • 使用三角测量法的定位原理，需要3个及以上的卫星位置数据。
  • GPS精准定位的条件很苛刻，需要精准的时间戳，以及比较空旷的环境。
  • 复杂的城市环境会造成信号的反射与折射，产生多路径问题。同时GPS的更新频率低，不足以满足自动驾驶的需要。
  • 为了提高GPS的准确度，我们引入了差分GPS技术，对误差进行一个修正。

IMU

  • 检测和测量加速度与旋转运动的传感器。
  • 常用的MEMS（Micro Electro-Mechanical Systems）的六轴惯性传感器，使用三个加速度传感器和是三个陀螺仪构成。
  • 无人车上采用的一般是中低级的MEMS，频率高，误差会随着时间累加，所以只可以在很短的时间内依赖惯性传感器进行定位。
  • 因为制作工艺的问题，IMU的测量会有一定的误差。主要是三种：偏移误差（零偏移）、比例误差（输入输出比）和背景白噪声。

LiDAR

  • 激光雷达，准确率很高，计算难度相较于图像要低，作为无人车设计中的主传感器使用。
  • 点云：Point Cloud，收集到的数据是很多点的3维极坐标。基于点云和GPS的定位是采用的是贝叶斯法则，计算汽车所处位置的可能性。
  • 受到空气悬浮物的影响，极限测量距离降低。计算量还是很大，涉及大量的三角函数运算。造价高昂。
  • 现阶段采用算法来弥补硬件的不足。

Camera

  • 摄像头，现有无人车方案会有大于8个摄像头分别从前后左右四个维度完成物体的发现、识别、追踪等任务。
    • 这些摄像头通常以60Hz的频率工作，共同产生1.8GB/s的巨额数据量。
  • 摄像头相关算法
    • 光流是图片序列或者视频中像素级的密集对应关系。
    • 立体视觉是从两个或更多的视角得到的图像中建立对应关系的。
  • 摄像头方案的假设
    • 关键假设1：不同图像中的对应点都来自物理世界中的同一点的成像，所以“外观”相似。
    • 关键假设2：物体的变换基本满足刚性条件，或者说空间上分割为多个刚体运动。有了这个假设，我们自然得到的光流的二维矢量场是片状平滑的结论。
    • 针对关键假设2，现实世界也存在大量的非刚性运动，因此针对传统方法做的假设会不成立。这时深度学习就派上了用场。

雷达和声呐

作为避障任务的最后一道保障，如果通过雷达或声呐检测到有障碍物出现，那么多半障碍物已经很近了，可直接被控制处理器采用，然后进行转向、刹车等紧急功能。

进阶设备

多线激光雷达

  • 多组光路纵向排列构成，以覆盖纵向视场角内的多个离散角度。整个系统绕纵轴360度旋转，覆盖横向视场的整个范围。
  • 纵向视场角内的线数通常在16到64。
  • 一些使用振镜作二维扫描的激光雷达产生的点云呈现出纵横非常不均匀的状态，处理这样的数据具有挑战性。

Flash激光雷达

高清分辨率，受到反射率的影响较高（轮胎反射率较低，会检测不到），有效距离为几十米。

高分辨率图像级长距激光雷达

代表型号：Innovusion Cheetah。10f/s，300线，280-400米。

参考

  • 《第一本无人驾驶技术书》