自動駕駛包括哪些方法

1. 自動駕駛汽車涉及哪些技術

最近，有一位對技術一竅不通的朋友對我說想買特斯拉，因為它配備了「你站著不動，讓車來找你」的自動駕駛功能。這使我很意外，自動駕駛雖然暫時還只是從業者關注的話題，但也許用不了幾年，就很有可能成為影響普通群眾購車決策的關鍵因素。甚至可以說，自動駕駛已經成為汽車發展的熱點和今後必然的趨勢。那麼，自動駕駛汽車涉及哪些技術呢？

簡單概括基於自動駕駛系統的組成便是這三點：環境感知、行為決策與車輛控制系統的執行技術。

首先，什麼是自動駕駛？就是全部或部分替代這些本來由人來執行的功能。那麼，所謂的感知是指車的感測器「看」到了什麼、決策是指車的大腦思考怎麼去處理、執行是指車的控制系統去執行相應的操作。

---本文圖片來源自網路

實現完全的自動駕駛和智慧交通是一個註定艱難的過程，無論是人工智慧、環境感知、智能決策這類新技術，還是運動控制、遠程通信這些基礎技術，甚至基礎設施建設、法律法規等，自動駕駛領域有太多技術等待我們去突破，太多山峰等待我們去翻越。這一未來必將造福全人類的技術正在各行各業的努力下快速發展著，我們一起期待吧。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

2. 自動駕駛是怎樣工作的SLAM介紹

SLAM是機器人或車輛建立當前環境的全局地圖並使用該地圖在任何時間點導航或推斷其位置的過程。

SLAM常用於自主導航，特別是在GPS無信號或不熟悉的地區的導航。本文中我們將車輛或機器人稱為「實體」。實體的感測器會實時獲得周圍環境的信息，並對信息進行分析然後做出決策。

SLAM是一種時間模型，它的目標是從復雜的信息中計算出一系列狀態，包括預期環境，距離，以及根據之前的狀態和信息得出的路徑 。有許多種狀態，例如，Rosales和Sclaroff（1999）使用狀態作為行人邊界框的3D位置來跟蹤他們的移動。Davison 等人（2017）使用單目相機的相機位置，相機的4D方向，速度和角速度以及一組3D點作為導航狀態。

SLAM一般包含兩個步驟，預測和測量。為了准確表示導航系統，SLAM需要在狀態之間以及狀態和測量之間進行學習。SLAM最常用的學習方法稱為 卡爾曼濾波 。

卡爾曼濾波是一種用於狀態估計的貝葉斯濾波類型。它是一種遞歸演算法，作為系統中不確定性的函數，使預測可以隨著時間的推移進行校正。不確定性表示為當前狀態估計和先前測量之間的權重，稱為卡爾曼增益。該演算法將實體先前的狀態，觀測和控制輸入以及當前的觀測和控制輸入作為輸入。過濾器包括兩個步驟：預測和測量。預測過程使用運動模型，可以根據給定的先前位置和當前的輸入估計當前位置。測量校正過程使用觀察模型，該模型基於估計的狀態，當前和歷史觀察以及不確定性來對當前狀態進行最終估計。

第一步涉及了時間模型，該模型基於先前的狀態和一些雜訊生成預測。

公式1. 預測模型。μ表示狀態的平均變化向量。ψ是狀態數量的矩陣，將當前狀態與先前的平均值相關聯。ε是轉換雜訊，可以確定當前狀態與前一個狀態的緊密相關程度。

第二步是「校正」預測。感測器收集自主導航的測量值。有兩類感測器：外感測器器和內感測器(proprioceptive)。外感測器從外部環境中收集信息，包括聲納，距離激光，相機和GPS。在SLAM中，這些是觀察值。內感測器利用編碼器，加速度計和陀螺儀等設備收集系統內部信息，如速度，位置，變化和加速度。在SLAM中，這些是單元控制，感測器結果輸入到實體中進行計算。這些感測器各有利弊，但相互組合可以產生非常有效的反饋系統。

公式2. μₘ表示測量平均向量。Φ是狀態數量的將測量的平均值與當前狀態相關聯。εₘ是測量雜訊，通常以協方差Σₘ分布。

卡爾曼增益增強了測量的可信性。例如，如果相機失焦，我們就不會對拍攝內容的質量報太大期望。卡爾曼增益較小意味著測量對預測的貢獻很小並且不可靠，而卡爾曼增益較大則正好相反。

公式 3.卡爾曼增益計算，Σ₊是預測的協方差。

更新過程如下：

公式4. 使用卡爾曼增益的卡爾曼濾波學習過程。圖片來自Simon JD Prince（2012）。

雖然這種方法非常有用，但它還存在一些問題。卡爾曼濾波假定單模態分布可以用線性函數表示。解決線性問題的兩種方法是擴展卡爾曼濾波器（EFK）和無跡卡爾曼濾波器（UFK）。EFK使用泰勒展開來逼近線性關系，而UFK使用一組質量點近似表示正態，這些質量點具有與原始分布相同的均值和協方差。一旦確定了質量點，演算法就通過非線性函數傳遞質量點以創建一組新的樣本，然後將預測分布設置為正態分布，均值和協方差等效於變換點。

由卡爾曼濾波強加的單模分布假設意味著不能表示其他狀態假設。粒子濾波是解決這些問題的常用方法。

粒子濾波允許通過空間中的粒子來表示多個假設，高維度需要更多粒子。每個粒子都被賦予一個權重，該權重表示其所代表的狀態假設中的置信度。預測從原始加權粒子的采樣開始，並從該分布中采樣預測狀態。測量校正根據粒子與觀測數據的一致程度（數據關聯任務）來調整權重。最後一步是對結果權重進行歸一化，使總和為1，因此它們是0到1的概率分布。

因為粒子的數量可以不斷增多，因此對該演算法的改進集中在如何降低采樣的復雜性。重要性采樣和Rao-Blackwellization分區是常用的兩種方法。

下圖來自Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012)的論文「Visual simultaneous localization and mapping: a survey」，總結了到2010年的SLAM中的一些方法。他們的研究分為幾個方面。核心方案是使用學習演算法，其中一些在上文討論過。地圖的類型是捕獲環境幾何屬性的度量圖，或者是描述不同位置之間的連接的拓撲圖。

在線跟蹤中最常用的功能是顯著特徵和標記。標記是在環境中由3D位置和外觀描述的區域（Frintrop和Jensfelt，2008）。顯著特徵是由2D位置和外觀描述的圖像區域。深度學習技術通常用於在每個時間點描述並檢測這些顯著特徵，以向系統添加更多信息。檢測是識別環境中的顯著元素的過程，描述是將對象轉換為特徵向量的過程。

應用SLAM的方案有兩種，一種是回環檢測（loop closure），另一種是「機器人綁架（kidnapped robot）」。回環檢測是識別已經訪問過的任意長度的循環偏移，「機器人綁架」不使用先前的信息去映射環境。

SLAM是自主導航中常用的狀態時間建模的框架。它主要基於概率原理，對狀態和測量的後驗和先驗概率分布以及兩者之間的關系進行推斷。這種方法的主要挑戰是計算復雜。狀態越多，測量越多，計算量越大，在准確性和復雜性之間進行權衡。

[1] Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012). Visual simultaneous localization and mapping: a survey. Artificial Intelligence Review, 43(1), 55–81. https://doi.org/10.1007/s10462-012-9365-8

[2] Durrant-Whyte, H., & Bailey, T. (2006). Simultaneous localization and mapping: Part I. IEEE Robotics and Automation Magazine, 13(2), 99–108. https://doi.org/10.1109/MRA.2006.1638022

[3] T. Bailey and H. Durrant-Whyte (2006). 「Simultaneous localization and mapping (SLAM): part II,」 in IEEE Robotics & Automation Magazine, vol. 13, no. 3, pp. 108–117. doi: 10.1109/MRA.2006.1678144

[4] Simon J. D. Prince (2012). Computer Vision: Models, Learning and Inference. Cambridge University Press.

[5] Murali, V., Chiu, H., & Jan, C. V. (2018). Utilizing Semantic Visual Landmarks for Precise Vehicle Navigation.

[6] Seymour, Z., Sikka, K., Chiu, H.-P., Samarasekera, S., & Kumar, R. (2019). Semantically-Aware Attentive Neural Embeddings for Long-Term 2D Visual Localization. (1).

[7] Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012). Visual simultaneous localization and mapping: a survey. Artificial Intelligence Review, 43(1), 55–81. https://doi.org/10.1007/s10462-012-9365-8

3. 汽車自動駕駛技術是什麼功能

汽車自動駕駛技術包括視頻攝像頭、雷達感測器以及激光測距器來了解周圍的交通狀況，並通過一個詳盡的地圖(通過有人駕駛汽車採集的地圖)對前方的道路進行導航。

主要優勢：

犯罪率降低。未來還將在警車中使用人工智慧。到那時，罪犯將無法擺脫對無人駕駛汽車的追逐。例如，如果罪犯也駕駛自動駕駛汽車，那麼該汽車可以被警察遠程停車，或者該汽車可以被門窗擋住，然後直接送到派出所。

當然，他們也可能駕駛普通汽車，但是自動駕駛汽車的人工智慧計算能力以及實際上能夠定位地圖和路況的能力可以幫助警察更快地抓捕罪犯。更重要的是，將來幾乎很難找到這種車輛。

4. 汽車自動駕駛的功能有哪些

自動駕駛的功能可以自動的跟車啊，然後還有一個自動變道啊，行車輔助這些功能。

5. xc90自動駕駛使用方法是什麼

xc90 自動駕駛使用方法：打開輔助功能，車輛可以實現自動的加速、制動和轉向功能，系統會在行駛過程中隨時來感應周圍的環境，並結合導航儀地圖數據，進行系統的運算與分析，有效增加汽車駕駛的舒適性和安全性。雙手放在方向盤上即可。

XC90所標配的City Safety城市安全系統，當車輛探測到行駛路線上有障礙物時會提前向駕駛員發出預警提示，如果駕駛員沒有採取制動措施，城市安全系統會主動進行減速和制動。

除了突然出現的行人之外， 沃爾沃XC90 （ 查成交價 | 車型詳解 ）還會對汽車、自行車、大型動物以及其他障礙物及時作出反應，甚至還可以在轉向時避免或減輕與岔道口突然出現的車輛碰撞，這也是全球首創的科技首次應用在 沃爾沃 XC90上。

在當前大受歡迎的自適應巡航功能的基礎上，沃爾沃XC90的自動駕駛輔助系統加入了主動式轉向功能，自動駕駛輔助系統啟動後，車輛可以實現自動的加速、制動和轉向功能，讓駕駛者更舒適地在車流中沿當前車道行駛。該系統同時也可以保持更合適的行車速度和車間距，讓車輛保持在一個更穩定、更精確的行駛位置。（圖/文/攝： 曾彩紅） @2019

6. 自動駕駛汽車的技術原理

汽車自動駕駛技術包括視頻攝像頭、雷達感測器以及激光測距器來了解周圍的交通狀況，並通過一個詳盡的地圖對前方的道路進行導航。這一切都通過谷歌的數據中心來實現，谷歌的數據中心能處理汽車收集的有關周圍地形的大量信息。

就這點而言，自動駕駛汽車相當於谷歌數據中心的遙控汽車或者智能汽車。汽車自動駕駛技術物聯網技術應用之一。

沃爾沃根據自動化水平的高低區分了四個無人駕駛的階段：駕駛輔助、部分自動化、高度自動化、完全自動化：

1、駕駛輔助系統（DAS）：目的是為駕駛者提供協助，包括提供重要或有益的駕駛相關信息，以及在形勢開始變得危急的時候發出明確而簡潔的警告。如「車道偏離警告」（LDW）系統等。

2、部分自動化系統：在駕駛者收到警告卻未能及時採取相應行動時能夠自動進行干預的系統，如「自動緊急制動」（AEB）系統和「應急車道輔助」（ELA）系統等。

3、高度自動化系統：能夠在或長或短的時間段內代替駕駛者承擔操控車輛的職責，但是仍需駕駛者對駕駛活動進行監控的系統。

4、完全自動化系統：可無人駕駛車輛、允許車內所有乘員從事其他活動且無需進行監控的系統。這種自動化水平允許乘從事計算機工作、休息和睡眠以及其他娛樂等活動。

結構性能

1、激光雷達

車頂的「水桶」形裝置是自動駕駛汽車的激光雷達，它能對半徑60米的周圍環境進行掃描，並將結果以3D地圖的方式呈現出來，給予計算機最初步的判斷依據。

2、前置攝像頭

自動駕駛汽車前置攝像頭谷歌在汽車的後視鏡附近安置了一個攝像頭，用於識別交通信號燈，並在車載電腦的輔助下辨別移動的物體，比如前方車輛、自行車或是行人。

3、左後輪感測器

它通過測定汽車的橫向移動來幫助電腦給汽車定位，確定它在馬路上的正確位置。

4、前後雷達

後車廂的主控電腦谷歌在無人駕車汽車上分別安裝了4個雷達感測器（前方3個，後方1個），用於測量汽車與前（和前置攝像頭一同配合測量）後左右各個物體間的距離。

5、主控電腦

自動駕駛汽車最重要的主控電腦被安排在後車廂，這里除了用於運算的電腦外，還有測距信息綜合器，這套核心裝備將負責汽車的行駛路線、方式的判斷和執行。

7. 實現汽車自動駕駛技術的關鍵技術有哪些

實現自動駕駛技術的關鍵因素包括安全性、隱私性、數字基礎設施、對運輸系統的影響

1、安全性。據世界衛生組織估算，道路事故中大約有95%都由人為失誤造成，自動駕駛有潛力大幅減少人員傷亡。全球道路安全部長級會議提出，與會各國確保到2030年售出的車輛全部裝配安全性能技術。然而，事實證明社會對技術造成的事故容忍度極低，各國政府必須制定相應政策，遵循以安全為中心的准則來制定發展路線，但這樣做可能導致將安全標准設置過高而減慢其引入速度。

4、對運輸系統的影響。美國在自動駕駛開發方面處於領先地位，重點發展自動駕駛私家車和計程車服務。其他多數國家和地區則通過使用自動駕駛汽車來增加共享交通工具的便利性和普及性。例如智利、丹麥、芬蘭和挪威等國正在測試低速自動駕駛小巴。新加坡、西班牙和英國的運營商正在測試全自動駕駛公交車，從而減少對專業駕駛員的需求。鑒於自動駕駛汽車將削減勞動力成本，到2022年，偏遠社區的服務能夠更加便捷，並緩解了城市擁擠的公共交通。另外，新冠肺炎疫情也可能推動自動駕駛汽車的普及。疫情使共享車輛對用戶的吸引力降低，但是定期清潔的公共管理自動駕駛小巴獲得青睞。