汽车智能驾驶

汽车智能驾驶知识梳理，包括它的架构、感知层、规划层、执行层四部分内容，有兴趣的可以看下。

智能驾驶

• 架构
• 感知层
  • 作用
    • 负责感知环境信息，同时需要高精度地图和卫星定位系统协助获取路况信息
  • 感知方式
    • 摄像头
      • 原理
        • 通过摄像头采集外部图像信息、通过算法进行图像识别
      • 应用
        • 识别周围物体、判断前车距离
      • 优势
        • 角度分别率优异、能分别颜色及形状
      • 劣势
        • 易受光线干扰、算法要求高、识别行人稳定性欠佳、探测距离受像素影响
    • 超声波雷达
      • 原理
        • 超声波测距，利用时间差测算距离
      • 应用
        • 变道辅助、盲区监测、自动倒车
      • 优势
        • 成本低、体积小；环境影响小；近距离探测精度高
      • 劣势
        • 声波传播速度慢，不适合高速移动；方向性差
    • 毫米波雷达
      • 原理
        • 反射和接受毫米波，分析折返时间测算距离
      • 应用
        • 多用于ACC自适应巡航
      • 优势
        • 兼具测距和测速功能、探测距离长
      • 劣势
        • 识别精度有限，无法识别物体细节；对非金属物体灵敏度明显低于金属物体；在人车混杂场景下的探测效果不佳
    • 激光雷达
      • 原理
        • 反射和接受激光，获得目标物体的位置和速度等特征数据
      • 应用
        • 障碍检测、动态障碍物识别与跟踪、路面检测、定位导航、环境建模
      • 优势
        • 探测距离远：相比于毫米波，激光雷达使用的激光波长在千纳米级别，有更好的指向性，不会拐弯，也不会随着距离的增大而扩散。相比于摄像头，激光雷达不会受到像素和光线的制约
        • 探测精度高：激光雷达的探测精度在厘米级以内，这就使得激光雷达能够准确的识别出障碍物具体轮廓、距离，且不会漏判、误判前方出现的障碍物
        • 还原三维特征：高频激光可在一秒内获取大量（约150 万个）的位置点信息（称为点云），利用这些有距离信息的点云，可以精确地还原周围环境的三维特征
        • 抗干扰能力强：自然界中存在诸多干扰电磁波的信号和物质，但是很少有能对激光产生干扰的信号，因此激光雷达具有较强的抗干扰能力
      • 劣势
        • 恶劣天气使用效果不佳（雨、雪、雾、风沙）
    • C-V2X
      • 原理
        • 基于蜂窝网络的车联网技术，允许车辆通过通信信道彼此共享信息
      • 应用
        • 盲区预警、多车协同换道、交叉口冲突避免、行人非机动车避碰、紧急车辆优先
      • 优势
        • 车况主动安全控制和道路协同管理
      • 劣势
        • 需要道路以及其他车辆也配有同样的设备，非常依赖基础设施
    • 高精度地图
      • 原理
        • 精度更高（厘米级）、数据维度更多（道路信息＋交通相关静态信息）
      • 应用
        • 传统地图以导航为主、高精度地图通过“高精度+高动态+高维度”数据，为自动驾驶提供自变量和目标函数功能
      • 优势
        • 及时应对突发状况，选择最优的路径行驶，进一步提升自动驾驶的安全性
      • 劣势
        • 地图的测绘涉及国家安全，目前拥有资质的企业很少，覆盖的道路也有限
  • 自动驾驶阵营
    • 视觉感知
      • 以特斯拉为代表
      • “轻感知、重算法”
        • 采用低成本摄像头进行环境感知，辅以高计算性能，对基于视觉的神经网络算法算力要求比较高
      • 优势
        • 具有一定的成本优势
        • 满足L2级别的ADAS感知需求
      • 劣势
        • 算力
          • 随着自动驾驶逐级演进，感知层数据量指数级增长，弱感知将对芯片的性能和算力提出更高的要求，增加实现难度
        • 性能和识别精度
          • 本身的性能和识别精度也制约了纯视觉感知解决方案在高等级的自动驾驶中的普及
    • 3D激光雷达融合感知
      • 以“蔚小理”为代表
      • “摄像头+毫米波+激光雷达”
        • 主要依靠激光雷达创建周围环境感知的3D环境图，形成融合感知方案
      • 优势
        • 单一的车载传感器难以兼顾探测精度、距离、恶略环境的灵活稳定
        • 应用多种类的传感器可以达到一种传感器出现故障，而仍能提供一定冗余度
• 规划层
  • 作用
    • 依据感知层传输过来的信息进行决策判断，建立工作模型，制定最优控制策略，并向执行层下达相应的任务
  • 组成
    • 智能驾驶计算平台
    • 芯片
      • 指标
        • 厂商
        • 制程/nm
        • AI算力/TOPS
        • 功耗
        • 自动驾驶级别
      • 分类
        • 通用型
          • CPU
            • 逻辑控制
          • GPU
            • 图像处理
          • NPU
            • 深度学习
        • 半定制型
          • FPGA
            • 通过可编程的开关控制电路结构，实现不同逻辑功能
        • 全定制型
          • ASIC
            • 针对用户的算法需求进行研发设计，具有更强的针对性
      • 对比
        • 类型
          • 定制 程度
            • 功耗
              • 能耗比
                • 算力
                  • 量产成本
                    • 开发时长
                      • 优势
                        • 劣势
        • CPU
          • 通用
            • 高
              • 低
                • 低
                  • 较高
                    • 短
                      • 逻辑控制能力强、延时低
                        • 算力不足（难以满足图像、视频处理） 不适用算法学习
        • GPU
          • 通用
            • 高
              • 较低
                • 中
                  • 较高
                    • 较短
                      • 善于图像处理
                        • 性能、功耗比较低； 逻辑复杂度有限、编程难度大
        • NPU
          • 通用
            • 低
              • 高
                • 高
                  • 低
                    • 较长
                      • 擅长深度学习
                        • 不能进行功能扩展
        • FPGA
          • 半定制
            • 较高
              • 较高
                • 高
                  • 较高
                    • 较长
                      • 低能耗、高性能、可编程
                        • 峰值计算能力弱、量产成本高
        • ASIC
          • 全定制
            • 低
              • 高
                • 高
                  • 低
                    • 长
                      • 性能、能耗、体积、量产成本均有优势
                        • 不可编辑、开发周期长、初期投入多
      • 高算力
        • ①MCU等传统芯片已经不能满足算力需求，必须使用高算力智能驾驶芯片
        • ②OTA技术可以使整车持续更新、升级功能，通过预埋高算力芯片及传感器，为后续的高级别自动驾驶功能落地提供充足空间
    • 算法/软件
      • 视觉类算法
      • 神经网络或深度学习类算法
      • 数据类算法
• 执行层
  • 作用
    • 负责执行决策系统传达的指令，实现车辆驱动、转向、制动等控制
  • 底盘
    • 油门
      • 传统
      • 线控
        • 作用
          • 驱动系统，通过电信号控制节气门/电门，以达到加速的目的
    • 换挡
      • 传统（自动挡）
      • 线控
        • 作用
          • 通过电信号，以实现自动换挡的目的，是燃油车实现自动泊车的关键技术
    • 制动
      • 传统
      • 线控（EHB）
      • 线控（EMB）
      • 作用
        • 负责汽车纵向操纵的减速功能，同时兼顾能量回收以提升新能源汽车续航里程
    • 转向
      • 传统液压
      • 电子助力转向（ESP）
      • 线控
        • 负责汽车横向操控，通过机械解耦，提升驾驶手感和碰撞安全性
  • 线控底盘
    • 作用
      • 逐步向电子化、精简化转变，更加适应智能驾驶系统对于车辆精准控制的要求