自动驾驶汽车系统知识总结

包括多传感器融合感知、高精度地图创建与在线定位、决策和路径规划、车辆控制等模块，此思维导图可以帮助你快速形成自动驾驶系统知识架构。

自动驾驶

• 自动驾驶操作系统-AVOS
  • 高内聚、低耦合，使自动驾驶模块更加合理化
  • 多传感器融合感知
    • 空间和时间数据对齐
    • 不同传感器检测结果的关联
    • 通过滤波实现多传感器融合和跟踪
    • 输出感知信息
      • 流动目标的跟踪
      • 静态障碍物的地图映射
      • 道路结构的检测，包括车道线、路沿等
  • 高清离线地图创建和在线定位
    • 和纸板地图、导航地图是完全不一样的，要求包含信息更多、更精确
    • GPS/卫星定位-基础路网层
    • vector map
      • 加标注信息的矢量图
    • vision map
      • 视觉感知的焦点特征等
    • lidar map
      • 激光点云层，投射到二维或三维的地图，实现在线的点云匹配和实线定位
    • live map
      • 动态交通地图
  • 决策和路径规划
    • 1.根据感知结果实现目标在线轨迹预测与行为分析
      • 在预测是对模型有一些约束，例如车辆只能在车道线内行驶，行人可以自由来去行驶，但是也有一个有效状态机的概念在里面
      • 1.短时目标预测，蒙特卡洛采样、卡尔曼滤波
      • 2.中期时间预测
      • 3.考虑入射信息进行规则约束，比如标识、红绿灯
    • 2.对车本身的行为进行决策
      • 1.基于规则，列举有限驾驶状态，保证行车安全
        • 根据对应状态运行对应程序块
      • 2.基于深度学习，学习优秀驾驶员的驾驶模式
      • 3.基于深度学习及规则约束的智能驾驶混合决策与路径规划系统
    • 3.规划实现对应行为的路径
      • 基于规则
        • 注意 1.基于车辆运动学的约束 2.基于通行综合成本的最优轨迹生成 3.基于移动障碍物的风险评估
        • 1.根据任务点实现全局路径规划
        • 2.短途路径规划，将路径分割成短的路径
        • 3.局部避障
      • 基于深度学习
        • 输入：方向盘转角/踏板开度 问题： 深度学习模型如何有效学习环境信息，学习到的结果能否有效地指导模型 学习数据量庞大 安全场模型：可以有效描述驾驶场景，模拟不同的驾驶特性
    • 4.控制车速
    • 5.车辆控制
  • 车辆控制
    • 纵向安全性能（加减速）和横向轨迹跟踪控制相互制约
      • 过于追求纵向控制性能，大纵向加减速度导致横向跟踪性能差，甚至引起横向失稳
      • 过于追求横向稳定性裕量，纵向加减速能力受制约
• 测试评价体系AVTA
• 数据采集标注-AVDC
• 仿真平台的搭建-AVSIM
• 例子
• 多目标预测协同控制
• 车辆控制模块架构
• 传感器布置示意图
• 单车智能
• 模块构建
• 软件体系