三维开发与自动驾驶

liyihongcug

三维平台开发仅仅是自动驾驶解决方案的一个环节，而且仅仅是偏重软件部分。
自动驾驶可以说是机器人研发，难度系数疯狂增长，复杂度实在较大，目前仅仅理论上进行一步步的抽丝剥茧。
很多论文或者教材都喜欢把自动驾驶分成感知、预测、规划和控制四个部分，再添加两个部分，即导航和停车，这样会构成一个更完整的整体。(转载的一文尽管不严密，但参照第一本无人驾驶，发现还是点到核心了。算法部分数学卡死了很多人的高薪梦想，但这个行当各个层次的都需要。精通某个方向似乎不是那么容易。软硬通吃还要坚强动手实践能力解决问题的应变能力，驾驶经验，地理知识等等)
1、导航
    当车辆开始启动的时候，我们会输入起始地址和目的地址。有了这两个地址，软件就可以帮助我们规划合理的行驶路线。目前导航这一块已经很成熟了，百度导航和高德导航也做的很好。

 2、感知
    所谓感知，就是车辆需要定位自身的位置，同时它还需要了解周围的环境。为了做到这些，一般自动驾驶车辆需要安装1-n个激光雷达、1-2个长距离毫米波雷达，4个左右短距离毫米波雷达，8-12个摄像头雷达，8-12个超声波雷达，gps＋imu定位系统，同时还要安装高清地图。有了这些传感器和软件，车辆才能进行数据分析、信息融合，获取周围的环境信息。


3、预测
    有了环境数据之后，车辆还要进一步分析和判断周围车辆、行人、物体在未来一段时间内的行驶轨迹。这种判断是十分复杂的，但它决定了我们车辆在未来一段时间内要采用什么样的方式行驶。

 4、路径规划
    如果说导航规划的是大路径，那么这里的规划就是局部小路径，通常也就几十米，且实时更新。有了感知和预测的信息，车辆可以灵活规划自己未来的行驶轨迹。是超车，还是刹车，是并线，还是继续向前行走，是准备转弯，还是掉头，如何不和其他车辆发生冲突，不碰撞行人，这个时候路径规划要考虑的东西就很多了。当然，除了技术之外，行人的舒适度也是路径规划必须考虑的一个重要指标。
5、控制

    有了规划给出的局部路径，这个时候就需要利用特定的控制算法对车辆进行控制，使得车辆行驶轨迹和我们设计的轨迹拟合在一起。这中间或许存在误差，但是误差必须尽量小。一方面，车辆要对速度进行纵向控制，目前PID用的较多，但是体验较差；另一方面，车辆要对方向进行横向控制，目前LQR用的较多。车辆控制的时候必须平顺舒缓，否则会给乘客带来很不好的用户体验。为什么一般来说，自动驾驶和电动汽车搭配较好，答案就是电动汽车可以在开机一刹那全功率输出，而燃油车有复杂的发动机模型、变速器模型，完全非线性的动力控制对于新能源汽车制造公司来说，控制难度较大。

 

6、停车（自动泊车)

    车辆行驶到目的地之后，如何自动泊车也是很重要的一个问题。只不过，目前大多数泊车还是半自动泊车，真正做到全场景自动泊车的还不多，这或许也是未来发展的一个方向吧

liyihongcug

按照百度的分类,
高精度地图的实现逻辑，这是 Apollo 定位、感知、规划模块的基础。
定位 车辆如何以个位数厘米级别的精度进行自定位。
感知任务，例如分类、检测和分割，并学习对感知而言至关重要的卷积神经网络。
预测方式，让 Apollo 无人驾驶车预测其他车辆或行人是如何移动的。
Apollo 应用于无人驾驶车路径规划的几种不同方式。
控制了解无人驾驶车是如何使用方向盘、油门和刹车来执行我们规划好的轨迹，并掌握 Apollo 中不同类型的控制器。


第一本无人驾驶书中提到
无人驾驶系统有三部分构成： 算法端  client端 云端.
算法端(传感器 感知 决策（预测 路径规划 避障）)
client端（ROS 硬件平台 ）
云端(1仿真spark 2高精度地图生成--过程3  模型训练 4 数据存储 )

考虑到图形的缘故，这里简单介绍下高精度地图的生产过程。客观确实复杂，设计rawdata生成,点云,点云对齐,2D反射地图,HD地图标注
地图生成阶段。使用spark可以把所有这些阶段整合车位过一个spark作业。由于spark天然的内存计算特性，在作业运行过程总的
产生的中间数据都存储在内存。在整个作业提交后，不同阶段之间产生的大量数据不需要使用磁盘存储，数据访问速度加快，从而极大提高
高精地图的生成性能