自动驾驶课程学习

自动驾驶课程学习

课程来源：百度apollo

第一章：概述

自动驾驶的五个层级

完全人工控制-部分自动化-有条件的自动化（人类需要随时准备接管）-有地理围栏的自动化-完全自动化

利用云计算来加速计算，算力要达到十倍家用电脑左右

无人驾驶的运作方式

1. sensor fusion

通过激光扫描来感知周围环境

2. localization

要利用算法和高精度地图将距离限定在厘米级别

无人驾驶车的组成

CAN（控制器区域网络）、GPS、雷达和接收器、摄像头

雷达的弊端：无法分辨障碍物的类型

雷达的优点：便宜、不受天气条件影响、测速方便

第二章：高精度地图

高精度地图简介

在高精度地图上进行自定位：将高精度地图和车辆通过雷达和摄像机感知到的环境对比，从而准确找到自己的位置：预处理（去掉不合理数据）、坐标转换（将不同视角的数据转化到同一坐标系下）、数据融合（将不同车辆和不同传感器的数据融合）。

利用高精度地图进行探测：借助地图上的数据，弥补传感器在测量长度以及测量条件上的限制，也可以通过地图给出大概范围，从而缩小传感器探测的范围（感兴趣区域，ROI），提高速度和准确率。

利用高精度地图进行规划：和普通地图在导航软件上的使用类似

地图维护团队需要经常地对地图进行更新。

OpenDRIVE标准

高精度地图的生产：

第三章：定位

在高精度地图上确定自己的位置

GPS只能达到1-3m的精度

借助地标行坐标系变换：

GNSS RTK：全球导航卫星系统

三个坐标就可在二维平面唯一确定一个位置：GPS定位的原理

GPS的组成：导航卫星、控制站、接收设备

测量信号的传输时间，以获取距离信号。

RTK：实时运动测量，借助地面站对GPS的误差进行矫正

RTK可以使得GPS的精度达到10厘米级别，但是GPS的更新不够迅速，大概10秒左右

惯性导航:IMU

借助初始位置、初始速度和加速度计算运动情况：加速度计

陀螺仪：

优点：更新频率高

缺点：误差积累、精度差

与GPS搭配正合适，但依然不能解决没有GPS信号的问题

激光雷达定位

ICP：迭代最近点算法：对点云扫描结果以及地图上的点云进行匹配，通过旋转和偏移使得距离平方和最小从而计算出精确位置

滤波算法：将扫描得到的点云在地图上进行扫描，寻找误差最小的地方。

卡尔曼算法：利用之前的结果预测现在的位置，再利用现在的传感器探测结果来更加精确地确定位置

视觉定位

借助图像进行定位：不够精确，通常组合使用

使用概率来确定可能位置：

观察时间越长、现象越多，高概率的点越少，地点越精确

利用车道线、树

还可以将摄像头的图像和地图图像进行比对

优点是操作简单，缺点是缺乏三维信息、依赖三维地图

例如Apollo,是这几种方法结合起来用的

第四章：感知

使用计算机视觉技术

CNN：卷积计算机网络

计算机视觉

计算机视觉在无人驾驶中的四个主要任务

检测：找出物体

分类

追踪：跟踪位置变化

语义分割：将图像中的每一个像素和特定的语义类别对应，例如路、天空等等

不同的分类器分别对某一类图像进行归类。流程：

就是机器学习和深度学习那一套

LiDAR图像

雷达传感器的反射图像也可以用来识别：

对这样的图像也可以进行分析：

追踪

追踪可以解决遮挡问题：

追踪可以保留检测到的对象的身份：

change from

to

追踪的第一步是确认身份：借助特征

身份确认之后，可以预测对象的运动，这有助于在接下来更加有效地识别对象

分割

分割借助于FCN(Fully Convolution Network,全卷积网络)

特殊的是，为了语义分割，输出的图像大小要和输入的一样，这是和一般的CNN不一样的地方：

传感器数据比较

摄像头主要用于检测红绿灯和车道

激光雷达用于检测障碍物

雷达用于恶劣环境

组合使用

感知融合策略：传感器融合

卡尔曼滤波：预测、更新测量

测量结果同步的两种方法：同步和异步

同步方法同时更新不同传感器的测量结果，但是异步是逐个的更新

第五章：预测

对其他物体行为的预测

实时性，延迟越低越好

准确性

要能动态学习新的规则

不同的预测方法

1. 基于模型的预测

   对所有可能性build a model，初始时认为每一种概率都是一样的。继续观察，看和哪个模型更加匹配。

   直观性

2. 数据驱动的预测

   使用机器学习算法，通过数据来预测行为。使用train好的model直接用于判断

3. 基于车道的预测

   车道序列

   

障碍物的状态

位置，速度，朝向,以及其他因素

预测目标车道

预测其他车辆最可能选择的车道

递归神经网络模型(RNN)

在MLP之间加上连接，使得每个MLP在判断时不仅基于输入，也基础前一个MLP的结果：RNN

apollo的用法

预测运动轨迹

可能的轨迹有无穷多种，要筛选：

• 设置约束条件
• 去掉无法实习执行的轨迹
• 考虑车辆实际运动情况

利用运动模型的初始状态和最终状态（方向、位置），拟合多项式模型来进行预测

规划

轨迹规划：免碰撞、舒适

规划出预期的点以及计划到达这些点的时间戳

输入：地图、当前位置、目的地

输出：最优线路

图

图搜索

对不同Node之间的edge的值进行建模：可以理解为node之间transform的代价

A*

目标是找到从红色的点到绿色点的路径

从开始的节点开始，我们要找到周围8个节点哪一个是最有希望的。

计算成本：

this node-candidate node-goal node

根据实际情况自定义value，也就是代价

最佳节点是f最小的，f=g+h

map in the real world:

right最小，所以选择right

注意这只是从大方向上确定了路径，但是依然需要更加低级别的、更加精确、更加具体的规划：轨迹生成

时间戳是考虑到其他物体的动态

轨迹的要求：

轨迹必须免于碰撞、舒适（速度变化平滑）、切实可行（符合车辆机动能力）、合法（符合交通规则）

选择最价路径:cost function，对不同的缺陷赋予代价

注意在不同场景下，cost function的优化目标是一致的，但是cost的赋值原则是不一样的

frenet坐标

高中知识

路径-速度解耦

将路径和速度曲线相结合

如何选择待选路径：

将路分成单元格，每个格中随机取点，然后连接各个格子中的点形成不同的路径线

ST图

距离和时间图,从斜率推断速度

当我们预测了，对方车辆会在t0到t1时间内进入距离为s0到s1的这一部分时，我们设计的路径要从ST图上就规避与之相交：

这是单个目标时的情况，多个时：

之后使用优化算法选择最优的路径

优化

上面使用的都是连续问题离散化的思路。它虽然使得问题更容易被解决，但是也使得生成的路径不够平滑。

二次规划：拟合

Lattice规划

将纵向和横向的运动分开进行规划，分别建立图像：

然后合并为组合运动

ST和SL轨迹的终止状态

ST轨迹：

巡航（速度恒定）、跟随（跟随前车，速度和加速度不确定）和停止（速度和加速度为0）

SL轨迹：

车辆在任何终止状态都一个稳定地和中线平行

将ST和SL合起来：

控制

三种实现控制的技术：PID：比例积分微分控制、LQR：线性二次调节器、MPC：模型预测控制

输入：目标轨迹和车辆状况

目标轨迹来自规划，指定了每一个位置的速度，并且实时更新：

车辆状态通过地图和传感器等观察得到：

用来评判现在的行驶状况和目标行驶状况的区别

输出：转向、制动和加速的值。只要输入了这三个值，汽车就能实现自动驾驶

PID

优点：简单，线性算法。只需要知道当前轨迹和目标轨迹的偏移情况

P：比例。通过偏移的比例进行控制。但是缺点是不够稳定。

D：微分。减少速度的变化

I：积分，纠正车辆的系统性偏差：

将P、i、d结合起来，形成PID Controller

PID的问题：依赖于实时测量，所以延迟会造成影响。

线性二次调节器

基于模型的调节器

车辆状态集合：横向误差及变化率、朝向误差及变化率

控制输入集合：转向、加速和制动

之间的关系：

最小化控制输入和误差：控制输入也会有消耗

消耗函数：

对cost函数进行最小化

MPC

复杂的控制器

只执行第一组控制输入，因为有误差，执行的越多越不准确

1. 建立汽车模型

2. 确定预测的时间跨度

3. 利用优化引擎搜索最佳控制输入：通过成本函数对控制输入策略进行评价

   考虑了车辆模型，所以比PID更加准确，并且可以使用不同的cost函数，是一个很重要的控制器