Apollo 技术框架由四个层面组成，参考车辆平台（线控车）、参考硬件平台、开源软件平台、云服务平台，其中主要模块包括高精度地图、定位、感知、预测、规划、控制等模块，而高精地图几乎支持着软件栈的所有其他模块，尤其是定位、感知、规划和决策。

无人驾驶车包括五个核心部件，计算机视觉、传感器融合、定位、路径规划、控制。

Apollo 开放式软件层分为三个子层，实时操作系统(RTOS)、运行时框架、应用程序模块层。Apollo RTOS是Ubuntu Linux 操作系统与Apollo 内核相互结合的成果。原始Ubuntu 系统并非实时操作系统，通过加入Apollo 设计的内核，我们可以使其成为一个RTOS。运行时框架是Apollo 的操作环境，是ROS 的定制版即机器人操作系统。为了使ROS 适应无人车，Apollo 团队改进了共享内存的功能和性能、去中心化和数据兼容性。

目前无人驾驶划分L1-L5 级别，L1 级别为定速巡航，有自动控制功能，以防范车祸；L2 级别为固定车道线，有大于2 个功能融合成无人控制的危险探测和响应系统；L3 级别主要为特定环境下无人驾驶，并判断是否恢复驾驶员模式；L4-L5 为完全无人驾驶阶段，可以探测环境并在任意环境下无人驾驶。

作为其他计算模块的基础，Apollo 建立了高精地图，帮助自动驾驶解决系统性能问题，扩展传感器检测边界，主要应用在高精定位、环境感知、决策规划、仿真运行四大场景，帮助解决林荫道路GPS 信号弱、红绿灯的定位与感知以及十字路口复杂等导航难题。

有了高精地图以后，做定位时，Apollo 主要依赖于GPS、RTK 基站、IMU、点云和视觉的融合方案，其中GPS 直接提供定位，RTK 修正定位精度，IMU 用于信号弱时对自身运动轨迹积分进行自我定位，后两者通过与环境交互进行即时定位。最终定位精度可以达到厘米级。

图1: Apollo 定位融合方案

在Apollo 的路径规划中，首先需要车辆对路况有基本的判断，前方是否可停车、跟随、超车，侧方是否绕道等，从而确保车辆能够实现安全而高效的决策行驶。Apollo 采用了DP 算法来规划路径和速度，在生成一条可行驶的路径后，从起点开始，考虑避开路径中的所有障碍物，并且让加减速最为平顺，以最优的速度曲线（即t-s 平面中的绿色曲线）安全抵达终点，这也可以使用动态规划的思路求解。Apollo 将算法求解过程离散化。这样降低了受道路中心线的影响，适应了复杂路况。解决了decision 的基于规则优化的痛点。通过DP 速度算法逻辑，我们可以完成s,t 坐标系下的DP 规划。在此基础上，进一步做QP 优化和迭代调整，就可以得到有效的Planning 结果。当车辆有了控制信号之后，我们通过Can Bus 通讯协议中的DBC file 将信号传递给车辆的线控系统，实现油门、方向盘、换挡、转向灯等控制。

图2: Apollo 规划算法

代码架构

Apollo 的github 介绍：Modules 是整个Apollo 所有模块的位置；Scripts 包括一些常用的操作工具
脚本；Third-party 涉及到一些官方库，Tools 则包含一些工具。

• 首先，由HDMap 支持的Localization 模块产生地图和定位信息，整个系统都以高精地图和定位信息为基
  础；
• 接着，感知模块完成障碍物和红绿灯的识别；
• 预测模块基于感知结果做障碍物的行为预测；
• Planning 模块根据障碍物预测的结果和Routing 模块的信息做Trajectory 决策规划；
• Control 模块根据Planning 的结果通过Canbus 模块控制车辆行驶。

Apollo 系统是基于ROS 平台的。ROS 是大家在机器人领域非常熟悉的平台，我们达成了深入合作来降低开发者的门槛。ROS 的特点主要包括完整的开发工具包，完整的计算调度模型，还有众多的调试工具及已有的软件系统等。ROS 的通信是基于ROS Topic 的，Apollo 主要的ROS Topic 如图所示。开发者可以使用ROS 原生工具查看调试Apollo。

开发流程

首先开发者在本地开发机中基于Docker 开发算法，并部署依赖环境。接着将开发好的环境推到云端的私有Docker Repository 中。接下来在平台上挑选数据集，发起训练任务。Apollo 训练平台的云计算调度就会将任务调度到计算集群上执行。这个过程中，在云集群的内部，开发者的程序使用数据获取接口，从而获得自动驾驶数据仓库中的数据集。最终由业务管理框架将执行过程、评估的结果和Model 返回给可视化平台，完成可视化的调试。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MEq1mcpH-1617712880321)(/image-20210307104059602.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SgVclgcF-1617712880331)(/image-20210307104141783.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NziLVUlN-1617712880334)(/image-20210307104151523.png)]

”高精地图主要应用在高精定位、环境感知、决策规划、仿真运行四大场景，帮助解决林荫道路GPS 信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。”

高精地图的特点：

• 它包含了大量的驾驶辅助信息，最重要是包含道路网的精确三维表征，例如交叉路口布局和路标位置；
• 包含很多语义信息，地图上可能会报告交通灯不同颜色的含义，也可能指示道路的速度限制，及左转车道开始的位置；
• 能够达到厘米级的精度。

高精地图的价值：

• 高精地图能够给无人车很多预判的空间
• 高精地图能够帮助无人车减少计算量
• 当前L3/L4级别的电脑

定位 首先车辆可能会寻找地标，我们可以使用从各类传感器收集的数据，车辆将其收集的数据与其在高精地图上的已知地标进行比较，这一匹配过程是需要预处理、坐标转换、数据融合的复杂过程。
感知 传感器识别障碍物受到限制时，通过HD-map 辅助感知；另一个好处在于，高精地图可帮助传感器缩小检测范围。
规划 高精地图可帮助车辆找到合适的行车空间，还可以帮助规划器确定不同的路线选择，来帮助预测模块预测道路上其他车辆将来的位置。如高精地图可帮助车辆识别车道的确切中心线，这样车辆可以尽可能地靠近中心行驶。在具有低速限制、人行横道或减速带的区域，高精地图可以使车辆能够提前查看并预先减速。如果前方有障碍物，车辆可能需要变道，可帮助车辆缩小选择范围，以便选择最佳方案。
构建高精地图 Apollo 高精地图专为无人车设计，里面包含了道路定义、交叉路口、交通信号、车道规则，及用于汽车导航的其他元素；Apollo 高精地图采用了OpenDRIVE 格式，这是一种地图行业标准；高精度地图的构建由五个过程组成：数据采集、数据处理、对象检测、手动验证和地图发布。

定位方法包括GPS 直接定位、传感器+ 地图匹配。

GNSS RTK GPS 这类全球卫星定位系统统称GNSS，卫星和RTK 基站共同执行三角测量进行定位，其中RTK 用于修正卫星定位的误差。RTK的应用能让GPS的定位精度达到10厘米，但是RTK技术的应用有个限制，它要求基站与车的距离要在16公里以内。

• 但由于电离层、反射作用等因素的干扰，GPS定位是有误差的，它的精度只能达到米级。（现在可以做到厘米级/分米级）
• **GPS定位还有一个问题，它是跳动的。**为了抹平GPS的跳变，需要用到IMU（惯性导航），一般来说GPS和IMU是一块用的，GPS不停的去给IMU一个方向去校准，然后IMU再给GPS一个方向。
• **无人车在接收不到GPS信号的情况下，需要用到另一个技术——几何定位。**几何定位的原理和GPS原理差不多，就是在道路上选几个feature，根据这些feature计算无人车所在的位置。目前比较流行的定位技术就是GPS、IMU和几何定位等一系列技术的融合。
• 

惯性导航 IMU 是惯性测量单元，INS 是惯性导航系统。INS 中采用三轴加速度计来测量加速度，并通过陀螺仪将测量值转到全局坐标系下，而加速度计和陀螺仪是IMU 的重要组件。IMU 的更新频率达到1000Hz，因此可以实现即时定位。

LiDAR定位 通过点云匹配对汽车进行定位：将LiDAR 采集的点云与高精地图进行匹配，其中一种方法是迭代最近点（ICP）：对于第一次扫描中的每个点，需要找到另一次扫描中最接近的匹配点。最终会收到许多匹配点对，把每个点的距离误差相加，然后计算平均距离误差。假设我们对两次点云扫描进行匹配。我们的目标是通过点云旋转和平移来最大限度地降低这一平均距离误差，就可以在传感器扫描和地图之间找到匹配，将通过传感器扫描到的车辆位置转换为全球地图上的位置并计算出在地图上的精确位置。

另一种方法是滤波算法，Apollo 使用了直方图滤波算法，该方法有时也被称为误差平方和算法（SSD）。为了应用直方图滤波，将通过传感器扫描的点云滑过地图上的每个位置，在每个位置上计算扫描的点与高精度地图上的对应点之间的误差或距离然后对误差的平方求和，求得的和越小扫描结果与地图之间的匹配越好。卡尔曼滤波是另一种LiDAR 定位方法，卡尔曼滤波用于根据我们在过去的状态和新的传感器测量结果预测我们当前的状态。LiDAR 定位的主要优势在于稳健性，只要从高精地图开始并且存在有效的传感器，就始终能够进行定位。主要缺点在于难以构建高精地图并使其保持最新。

视觉定位 考虑粒子滤波算法(particle filter)。视觉定位的优点在于图像数据很容易获得，缺点在于缺乏三维信息和对三维地图的依赖。

Apollo定位 Apollo 定位模块依赖于IMU、GPS、激光雷达、雷达、高精地图，这些传感器同时支持GNSS定位和LiDAR 定位，GNSS 定位输出位置和速度信息，LiDAR 定位输出位置和行进方向信息。融合框架通过卡尔曼滤波将这些输出结合在一起。卡尔曼滤波建立在两步预测测量周期之上，在Apollo 中，惯性导航解决方案用于卡尔曼滤波的预测步骤，GNSS 和LiDAR 定位用于卡尔曼滤波的测量结果更新步骤。

四个核心任务：检测、分类、跟踪、语义分割。
常用方法：机器学习、深度学习。Apollo 使用YOLO 网络来识别车道线和动态物体。
其中摄像头适用于分类，激光雷达适用于障碍物检测，雷达的探测范围更大、适用场景更加鲁棒。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7bk5fopR-1617712880339)(/2ed0af30e317e4122c3f17b9290bb34.jpg)]

此外，传感器包含更多的类别和型号，

如相机的性能区分包括：焦距、曝光、视场角（鱼眼、环视）、光谱（红外、多光谱）等

激光雷达的性能区分包括：成像原理（机械式、prism rotate（可穿墙）、微偏振MEMS（混合固态）、固态、Flash）、分辨率（垂直、水平）、波长（905/1550）、视场角（水平/垂直）、扫描频率、探测距离（10%反射、最大反射）等

MEMS工作规格：

全面综述：一文带你了解激光雷达 - 虹科自动驾驶的文章 - 知乎 https://zhuanlan.zhihu.com/p/225639768

MEMS混合固态激光雷达：廉价化激光雷达的希望:MEMS激光雷达 vs 固态激光雷达 | 系列之二 - 搜狐网
https://m.sohu.com/a/131377884_114877?trans=010004_pcwzy

OPA相控固态激光雷达：这或许是无人驾驶普及的关键——固态激光雷达详解 - 史高拔的文章 - 知乎 https://zhuanlan.zhihu.com/p/25131152

Flash闪光激光雷达：TOF摄像机可以替代Flash激光雷达吗？ - 吴建明wujianming的文章 - 知乎 https://zhuanlan.zhihu.com/p/146751368

无人车在环境中为所有其他的物体做出预测，这些共同形成了在一段时间内的预测路径，在每一个时间段内会为每一辆汽车重新计算预测他们新生成的路径，这些预测路径为无人车在规划阶段做出决策提供了必要信息。

预测路径的要求：实时性、准确性、能够学习并适应新的路面交互行为，这样才能保证算法的实用性和鲁棒性。

现有的预测方法：基于模型，基于数据。基于模型的方法需要预先设置驾驶规则，以此计算各种事件的概率进行决策；基于数据的方法通过观察驾驶结果来修正模型，基于数据进行学习。Apollo 提供了一种基于车道系列的方法，将道路分割为不同的区域进行预测，模型更关注在区域之间的转换，而不是区域内的运动。主要考虑的目标有两个：（1）车道内障碍物的运动状态（2）目标转移车道。为此在训练中要加入（1）驾驶规则（2）经验驾驶行为（3）对应的真实场景下的驾驶行为。模型不仅学习了场景之间的转换，而且学习到了转换序列，在测试中该序列会表现为驾驶倾向。

这里，RNN 和Markov Chains 是两种重要的序列预测模型。完成预测后（选择转移车道），还要需要借助约束条件筛选出合适的驾驶路径（选择转移路径）。

本节是路径规划的总览，后两节将介绍具体的规划方法。

路径规划 路径规划是指通过一定的规则，找到一条通过世界的路径来达到我们想去的地方。规划的第一步是路线导航，将地图数据作为输入和始末点，并输出A 点前往B 点的可行驶路径。为此，需要将地图“图形化”，转为只包含edge 和node 的graph，继而在其上建模。经典的查找算法有A*。

A* 从初始节点开始，我们需要确定8 个相邻节点中，哪个是最有希望的候选节点。对于每个候选节点，我们考虑两件事情。首先，我们计算从开始节点到候选节点的成本。然后，我们估计从候选节点前往目的地的成本。计算前往候选节点的成本很容易，因为它已经与我们相邻。计算从候选节点到目的地的成本很困难。但是，通过简单计算从候选节点到目的地的距离，我们通常可以做出很好的估计。

我们用变量g 和h 表示每个成本。g 值为开始节点前往候选节点的成本，h 值为候选节点前往目的地的估计成本或启发式成本。根据我们的具体情况，我们可以自定义成本估算方式。例如，交通堵塞会增加前往目的地的成本，所以交通繁忙的路径具有更高的成本。对于每个候选节点，我们通过添加g 值和h 值来计算总和，即f值。最佳候选节点是f 值最小的节点。每当我们抵达新节点时，我们通过重复此过程来选择下一个候选节点，而且总是选择我们尚未访问过且具有最小f 值的节点。这就是A* 算法，它建立了一条稳定前往目的地的路径。

轨迹生成 轨迹包含的因素：一系列路径点、对应的时间戳和速度。

轨迹生成的目标是生成一系列路径点所定义的轨迹。我们为每个路径点分配了一个时间戳和速度。由于移动的障碍物可能会暂时阻挡部分路段，轨迹中的每个路径点都有时间戳。我们可以将时间戳与预测模块的输出相结合，以确保我们计划通过时，轨迹上的每个路径点均未被占用。这些时间戳和空间上的两个维度（2D position）共同创建了一个三维轨迹（3D Trajectory）。我们还为每个路径点指定了一个速度，用于确保车辆按时到达每个路径点。

规划需要考虑的因素：不发生碰撞、行驶平滑（舒适）、地图上可行且合法。考虑的方式：设计成本函数（cost function）。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7YMkiRGF-1617712880343)(/image-20210307111021765.png)]

轨迹考虑因素和成本函数

Frenet 坐标系 相比于笛卡尔坐标系，Frenet 坐标系给出了更适用于道路积分的数据表示形式，详见微分几何中关于Frenet 坐标系的讲解。

路径-速度解耦规划将轨迹规划分为两步：路径规划、速度规划。首先在路径规划步骤中生成候选曲线，这是车辆可行驶的路径。使用成本函数对每条路径进行评估，该函数包含平滑度、安全性、与车道中心的偏离以及开发者想要考虑的其他任何因素。然后按成本对路径进行排名并选择成本最低的路径。下一步是确定沿这条路线行进的速度。我们可能希望改变在该路径上的速度，所以真正需要选择的是与路径点相关的一系列速度，而不是单个速度。我们将该序列称作“速度曲线”。我们可以使用优化功能为路径选择受到各种限制的良好速度曲线。通过将路径和速度曲线相结合可构建车辆行驶轨迹。

路径生成 首先将路段分割成单元，然后对这些单元格中的点进行随机采样，通过从每个单元格中取一个点并将点连接来创建候选路径。通过重复此过程可以构建多个候选路径。最后使用成本函数对这些路径进行评估并选择成本最低的路径。

ST 图 选择路径后的下一步是选择与该路径关联的速度曲线，该曲线通过ST 图来可视化，其中“s”表示车辆的纵向位移、“t”表示时间，因此可以通过查看曲线的斜率从ST 图上推断速度。为了便于计算可以将ST 图离散化（网格化），从而降低求解难度。事实上，这也符合上述路径生成的离散采样过程。最后，为了获得平滑的控制曲线，只需在第一次规划的基础上进行二次规划即可，即对第一次的分段规划进行多项式拟合。

这是在Frenet 坐标系下的规划方法，目标是生成三维轨迹：纵向维度、横向维度、时间维度。这样会得到两个ST 图，分别对应了横向运动和纵向运动。

将车辆的运动状态分为三类：巡航、跟随、停止。其中跟随较为困困难，需要对环境和车辆即时采样，并修正速度和加速度。为了确保稳定性，汽车驶向的终止状态应该与车道中心一致，车辆与车道对齐并直线行驶。

一旦同时拥有了ST 和SL 轨迹，就需要将它们重新转换为笛卡尔坐标系。然后可以将它们相结合构建由二维路径点和一维时间戳组成的三维轨迹。

最基本的控制输入为转向、加速和制动。通常，控制器使用一系列路径点来接收轨迹。控制器的任务是使用控制输入让车辆通过这些路径点。

• 首先，控制器必须准确，这意味着它应避免偏离目标轨迹，准确按照计划行驶。
• 其次，控制策略对汽车应该具备物理意义上的可行性。
• 最后，需要考虑平稳度。舒适的驾驶非常重要，这意味着驱动必须是连续的，避免突然转向、加速或制动。

总之，我们的目标是使用可行的控制输入，最大限度地降低与目标轨迹的偏差、最大限度地提供乘客的舒适度。有三种可用于实现这些目标的控制策略：比例积分微分控制（或PID）、线性二次调节器（或LQR）、模型预测控制（或MPC）。

控制器预计有两种输入：目标轨迹与车辆状态。目标轨迹来自规划模块，在每个轨迹点，规划模块指定一个位置和参考速度。在每个时间戳都对轨迹进行更新。我们还需要了解车辆状态，车辆状态包括：通过本地化模块来计算的车辆位置、从车辆内部传感器获取的数据（如速度、转向和加速度）。我们使用这两个输入来计算目标轨迹与实际行进轨迹之间的偏差。

控制器的输出是控制输入（转向、加速和制动）的值。当偏离目标轨迹时要纠正这种偏差，主要使用方向盘控制行驶方向（即转向）、使用油门加速、使用刹车减速（即制动），不同的控制算法都在计算这三个输出。

这个控制器的优点在于它非常简单，只需要知道与目标轨迹有多大的偏离。PID的第一组件为P代表“比例” (Proportional)。设想一辆车正试图遵循目标轨迹，P控制器在车辆开始偏离时立即将其拉回目标轨迹。比例控制意味着，车辆偏离越远，控制器越难将其拉回目标轨迹。‘

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ul2JzdEq-1617712880345)(/640)]

在实践中P控制器的一个问题在于，它很容易超出参考轨迹。当车辆越来越接近目标轨迹时，我们需要控制器更加稳定。PID控制器中的D项致力于使运动处于稳定状态，D代表“微分”（Derivative）。PD控制器类似于P控制器，它增加了一个阻尼项，可最大限度地减少控制器输出的变化速度。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-joypcNeJ-1617712880346)(/640)]

PID控制器中的最后一项I代表积分（Integral），该项负责纠正车辆的任何系统性偏差。例如，转向可能失准，这可能造成恒定的转向偏移。在这种情况下，我们需要稍微向一侧转向以保持直行。为解决这一问题，控制器会对系统的累积误差进行惩罚。我们可以将P、I和D组件结合构成PID控制器。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2nqeOZ1C-1617712880347)(/640)]

PID控制器很简单，但它在很多情况下的效果很好。对于PID控制器，你只需要知道你的车辆与目标轨迹之间的偏差。但是PID控制器只是一种线性算法，对于非常复杂的系统而言，这是不够的。例如，为控制具有多个关节的四轴飞行器或机器人，我们需要建立机器人的物理模型。对无人驾驶而言，我们需要应用不同的PID控制器来控制转向和加速，这意味着很难将横向和纵向控制结合起来。另一个问题在于PID控制器依赖于实时误差测量，这意味着受到测量延迟限制时可能会失效。

线性二次调节器（Linear Quadratic Regulator 或LQR）是基于模型的控制器，它使用车辆的状态来使误差最小化。Apollo使用LQR进行横向控制。横向控制包含四个组件：横向误差、横向误差的变化率、朝向误差和朝向误差的变化率。变化率与导数相同，我们用变量名上面的一个点来代表。我们称这四个组件的集合为X，这个集合X捕获车辆的状态。除了状态之外，该车有三个控制输入：转向、加速和制动。我们将这个控制输入集合称为U。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SYMjdgCr-1617712880348)(/640)]

LQR处理线性控制，这种类型的模型可以用等式来表示（详见下图）。x（上方带点）=Ax+Bu，x（上方带点）向量是导数，或X向量的变化率。所以x点的每个分量只是x对应分量的导数。等式x点=Ax+Bu，该等式捕捉状态里的变化，即x点是如何受当前状态 x 和控制输入 u 的影响的。

这个等式是线性的，因为我们用∆x来改变x时，并用∆u来改变u。x点的变化也会让这个等式成立（见下图等式）。现在我们了解了LQR中的L。

接下来我们学习LQR中的Q。这里的目标是为了让误差最小化，但我们也希望尽可能少地使用控制输入。由于使用这些会有成本，例如：耗费气体或电力。为了尽量减少这些因素，我们可以保持误差的运行总和和控制输入的运行总和。当车往右转的特别厉害之际，添加到误差总和中。当控制输入将汽车往左侧转时，从控制输入总和中减去一点。然而，这种方法会导致问题。因为右侧的正误差只需将左侧的负误差消除即可。对控制输入来说也是如此。相反，我们可以让x和u与自身相乘，这样负值也会产生正平方，我们称这些为二次项。我们为这些项分配权重，并将它们加在一起。

最优的u应该最小化二次项的和随时间的积分。在数学中我们将这个积分值称为成本函数（形式见下图）。我们经常以紧凑的矩阵形式表示加权二次项的总和。

这里的Q和R代表x和u的权重集合。xT和uT是转置矩阵，这意味着它们几乎与x和u相同，只是重新排列以便矩阵相乘。x乘以xT，u乘以uT，实质上是将每个矩阵乘以它自己。最小化成本函数是一个复杂的过程，但通常我们可以依靠数值计算器为我们找到解决方案。在LQR中，控制方法被描述为u=-Kx。其中，K代表一个复杂的skeme，代表如何从x计算出u。所以找到一个最优的u就是找到一个最优的K。许多工具都可以轻松地用来解决K，尤其当你提供了模拟车辆物理特征的A、B，以及x和u的权重Q、R。

这是一种更复杂的控制器，它非常依赖于数学优化，但基本上可以将MPC归结为三个步骤：**1、建立车辆模型。2、使用优化引擎计算有限时间范围内的控制输入。****3、执行第一组控制输入。**MPC是一个重复过程，它着眼未来，计算一系列控制输入，并优化该序列。但控制器实际上只实现了序列中的第一组控制输入，然后控制器再次重复该循环。为什么我们不执行整个控制输入序列呢？那是因为我们只采用了近似测量与计算。如果实现了整个控制输入序列，实际产生的车辆状态与我们的模型有很大差异，最好在每个时间步不断地重新评估控制输入的最优序列。

MPC的第一步为定义车辆模型，该模型近似于汽车的物理特性，该模型估计了假如将一组控制输入应用于车辆时会发生什么。接下来，我们决定MPC预测未来的能力。预测越深入，控制器就越精确，不过需要的时间也越长。所以，我们需要在准确度与快速获取结果之间做出取舍。获取结果的速度越快，越能快速地将控制输入应用到实际车辆中。

下一步是将模型发送到搜索最佳控制输入的优化引擎。该优化引擎的工作原理是通过搜索密集数学空间来寻求最佳解决方案。为缩小搜索范围，优化引擎依赖于车辆模型的约束条件。

优化引擎可间接评估控制输入，它通过使用以下方法对车辆轨迹进行建模：通过成本函数对轨迹进行评估。成本函数主要基于与目标轨迹的偏差；其次，基于其他因素，如加速度和提升旅客舒适度的措施。

为使乘客感觉更舒适，对控制输入的调整应该很小。因为动作变化幅度过大会让乘客感到不舒服。根据具体情况，我们可能需要为其考虑进一步的成本，并设计成本函数。模型、约束和成本函数合并在一起，并作为优化问题加以解决。我们可以在不同的优化引擎中，选择一种来寻找最佳解决方案。

自动驾驶分为三大系统：感知、决策和控制，每个系统里有对应的硬件系统。

感知系统分为汽车运动、环境感知和驾驶员监测三部分。

车辆运动主要分为惯性导航、速度传感器、角度传感器和全球定位系统。

环境感知主要分为激光雷达、超声波、摄像头、毫米波雷达、V2X。

驾驶员监测主要分为摄像头和生物电传感。

决策系统分为计算单元、T-BOX和黑匣子三部分。

计算单元里是自动驾驶感知决策控制的算法。目前自动驾驶用的是X86结构的服务器或工控机。

T-BOX即Telematics BOX，是车联网的通讯网关，它上接互联网下接CAN总线。例如手机上APP发送的开关门指令，都是通过T-BOX网关将操作指令发送到CAN总线来进行操控的。

黑匣子是用来记录无人驾驶过程中所有的信息和状态。

控制系统部分分为车辆控制和警告系统。

车辆控制主要分为制动、转向、发动机和变速箱。警告系统主要分为声音、图像和震动 。

以上是整个自动驾驶硬件系统的构架。

自动驾驶汽车传感器的安装位置一般是：

激光雷达是360°旋转的，所以它都是安装在车顶；

毫米波雷达的指向性很强，所以的它一般安装在前后保险杠上；

考虑到车身在道路上的俯仰和姿态的干扰，所以组合导航系统一般是安装在两个后车轮的中轴线上；

车身的360°都会安装摄像头。

L1、L2级别最怕的是传感器误检，例如正在开车时传感器发生误检，随后急刹车会让驾驶感受很差。L1、L2的算法会避免一定的误检率。L3以上关注的是传感器漏检，驾驶的主体是一个系统，一定不能让系统的传感器段出现漏检情况。

自动驾驶车辆的安全制动距离：

• 目前自动驾驶的整个系统反应时间会在500毫秒之内，车辆制动是液压需要0.3~0.5秒，卡车用的气刹需要0.8秒。（2017年数据）

• 目前市面上在售车，绝大多数都是低于这个技术指标，说明在售车性能都很好。从目前来看，对于传感器的要求，能测到150米已足够。（2017年数据）

• 

• 激光雷达的两束线的角度之间有一个物体， 正好处于检测边缘它会产生一定的漏检，除以2是为了保证在每一个角度上都不会产生漏检。

  在0.4°这个分辨率之下我们在100米外其实就可以检测到一个人、车或骑行者。

  在0.1°这个分辨率之下我们在400米外其实就可以检测到一个人、车或骑行者。

  但是能检测到并不意味着自动驾驶系统能识别出来，只有一条线的这种成像或者低分辨率的成像，自动驾驶还是识别不了。

  目前百度Apollo平台，我们在同一车上用激光雷达4到5根线才可以很好地对障碍物进行分类。

  现在像Velodyne 64线的激光雷达，0.4°分辨率下他的物体感知距离是50米

• 现有市面上的激光雷达介绍：

  厂家	型号	线束	10%距离	FOV	分辨率	频率	波长	功耗	价格
  Velodyne	alpha prime	128	300m	360/40	0.2/0.1	5-20	903	26W

从自动驾驶研发的流程角度看，大致可以分为以下4个步骤：

软件在环 软件在环是基于仿真和模拟的软件仿真，类似于赛车类游戏。即是在软件系统里仿真模拟出真实的道路环境如光照、天气等自然环境，开发者可将自动驾驶代码开发完毕后，在仿真系统内运行，测试是否可以实现目标。

硬件在环 硬件在环是基于必要的硬件平台。在第一步的软件仿真结束后，将所有的仿真结果与传感器、计算单元集合在一起，在硬件环境里测试。

车辆在环 车辆在环是基于车辆执行。在第二步硬件环境里测试完成后实施的第三步，即在一个封闭环境中测试开发者所开发功能，封闭环境中不会有交通流的干扰。

司机在环 司机在环是基于实际道路。在第三步测试成功后进入到司机在环，司机在环主要是研究人——车——路——交通四者之间的相互作用，它不仅测试自动驾驶的程序代码，还能获得专业司机的评判。

以上四步是整个自动驾驶研发的流程，按照以上的流程研发能够保证自动驾驶足够的安全性。

案例一：2018年3月，Uber在美国亚利桑那州夜间行车，经过黑暗陆段时因未能及时刹车撞死了一名行人。

AI人工智能之自动驾驶汽车的事故分析https://www.cda.cn/discuss/post/details/5f1107d1f8aa1b450e83347c

• 系统没有闭环：报告中显示，在碰撞发生前6秒传感器已经探测到了，碰撞发生前1.5秒，原车的AEB（自动紧急制动(Automatic Emergency Braking)）功能已经启动，但其执行机构并没有自动采取相应制动措施，导致整个系统没有闭环。
• 交互设计上的缺陷另外，该事故在交互设计上也有缺陷。当事故发生前，传感器探测到这个人时，并没有提供警报，司机正在低头看手机视频，当他抬头看到这个行人的时候再处理事故已经来不及了。
• 路面照明不足从事故视碰撞前四秒钟的截图可以看出，路面照明不足导致司机很难看到有人过马路。
• 改装车自身的问题目前，自动驾驶的车辆以法律法规来说都是改装车，事故车辆是SUV的车型自身重心比较高，所有的传感器都安装在车顶导致重心进一步上移。当产生碰撞的时候更有可能会侧翻。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jOc27jgA-1617712880358)(/1594951372_944600.png)]

Uber安全员担责，掩盖自动驾驶的追责困境https://baijiahao.baidu.com/s?id=1679667451996427450&wfr=spider&for=pc

在Uber车辆撞到行人前的10秒中，车辆本来识别到这个行人并避免车祸的。但是一系列系统的误判导致了车辆未曾减速就撞了上去。报告中有几个关键数据：

• 在9.9秒到5.8秒中，汽车从56公里加速到70公里；
• 在5.6秒，汽车毫米波雷达（Radar）第一次检测到前方有物体，并识别其为“汽车”，
• 5.2秒，汽车激光雷达（Lidar）第一次检测到前方物体，将其识别为“其他”，判定其静止不动。
• 4.2秒到2.7秒，汽车对识别对象在“汽车”和“未知”之间来回摇摆，但是没有参考对物体的跟踪历史记录，最终将其判定为静止物体。
• 2.6秒到1.2秒的时间，激光雷达才将物体识别为静止的自行车，但又出现判定摇摆，等到重新识别为自动车，并决定制动。
• 但车辆真正制动是在车祸前的0.2秒开始。这时时速64公里的车辆已经无法避免撞到行人。车祸发生。

问题的关键：

感知方面：没有参照历史信息、缺乏对物体轨迹的跟踪、缺乏对未知物体的识别和处理方案

控制方面：限制了紧急制动系统的使用、感知-控制没有形成闭环

安全员：Uber将刹车权限交给安全员的同时，却没有让安全员意识到自己要百分百了解这一安全措施