自动驾驶包括哪些方法

1. 自动驾驶汽车涉及哪些技术

最近，有一位对技术一窍不通的朋友对我说想买特斯拉，因为它配备了“你站着不动，让车来找你”的自动驾驶功能。这使我很意外，自动驾驶虽然暂时还只是从业者关注的话题，但也许用不了几年，就很有可能成为影响普通群众购车决策的关键因素。甚至可以说，自动驾驶已经成为汽车发展的热点和今后必然的趋势。那么，自动驾驶汽车涉及哪些技术呢？

简单概括基于自动驾驶系统的组成便是这三点：环境感知、行为决策与车辆控制系统的执行技术。

首先，什么是自动驾驶？就是全部或部分替代这些本来由人来执行的功能。那么，所谓的感知是指车的传感器“看”到了什么、决策是指车的大脑思考怎么去处理、执行是指车的控制系统去执行相应的操作。

---本文图片来源自网络

实现完全的自动驾驶和智慧交通是一个注定艰难的过程，无论是人工智能、环境感知、智能决策这类新技术，还是运动控制、远程通信这些基础技术，甚至基础设施建设、法律法规等，自动驾驶领域有太多技术等待我们去突破，太多山峰等待我们去翻越。这一未来必将造福全人类的技术正在各行各业的努力下快速发展着，我们一起期待吧。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

2. 自动驾驶是怎样工作的SLAM介绍

SLAM是机器人或车辆建立当前环境的全局地图并使用该地图在任何时间点导航或推断其位置的过程。

SLAM常用于自主导航，特别是在GPS无信号或不熟悉的地区的导航。本文中我们将车辆或机器人称为“实体”。实体的传感器会实时获得周围环境的信息，并对信息进行分析然后做出决策。

SLAM是一种时间模型，它的目标是从复杂的信息中计算出一系列状态，包括预期环境，距离，以及根据之前的状态和信息得出的路径 。有许多种状态，例如，Rosales和Sclaroff（1999）使用状态作为行人边界框的3D位置来跟踪他们的移动。Davison 等人（2017）使用单目相机的相机位置，相机的4D方向，速度和角速度以及一组3D点作为导航状态。

SLAM一般包含两个步骤，预测和测量。为了准确表示导航系统，SLAM需要在状态之间以及状态和测量之间进行学习。SLAM最常用的学习方法称为 卡尔曼滤波 。

卡尔曼滤波是一种用于状态估计的贝叶斯滤波类型。它是一种递归算法，作为系统中不确定性的函数，使预测可以随着时间的推移进行校正。不确定性表示为当前状态估计和先前测量之间的权重，称为卡尔曼增益。该算法将实体先前的状态，观测和控制输入以及当前的观测和控制输入作为输入。过滤器包括两个步骤：预测和测量。预测过程使用运动模型，可以根据给定的先前位置和当前的输入估计当前位置。测量校正过程使用观察模型，该模型基于估计的状态，当前和历史观察以及不确定性来对当前状态进行最终估计。

第一步涉及了时间模型，该模型基于先前的状态和一些噪声生成预测。

公式1. 预测模型。μ表示状态的平均变化向量。ψ是状态数量的矩阵，将当前状态与先前的平均值相关联。ε是转换噪声，可以确定当前状态与前一个状态的紧密相关程度。

第二步是“校正”预测。传感器收集自主导航的测量值。有两类传感器：外传感器器和内传感器(proprioceptive)。外传感器从外部环境中收集信息，包括声纳，距离激光，相机和GPS。在SLAM中，这些是观察值。内传感器利用编码器，加速度计和陀螺仪等设备收集系统内部信息，如速度，位置，变化和加速度。在SLAM中，这些是单元控制，传感器结果输入到实体中进行计算。这些传感器各有利弊，但相互组合可以产生非常有效的反馈系统。

公式2. μₘ表示测量平均向量。Φ是状态数量的将测量的平均值与当前状态相关联。εₘ是测量噪声，通常以协方差Σₘ分布。

卡尔曼增益增强了测量的可信性。例如，如果相机失焦，我们就不会对拍摄内容的质量报太大期望。卡尔曼增益较小意味着测量对预测的贡献很小并且不可靠，而卡尔曼增益较大则正好相反。

公式 3.卡尔曼增益计算，Σ₊是预测的协方差。

更新过程如下：

公式4. 使用卡尔曼增益的卡尔曼滤波学习过程。图片来自Simon JD Prince（2012）。

虽然这种方法非常有用，但它还存在一些问题。卡尔曼滤波假定单模态分布可以用线性函数表示。解决线性问题的两种方法是扩展卡尔曼滤波器（EFK）和无迹卡尔曼滤波器（UFK）。EFK使用泰勒展开来逼近线性关系，而UFK使用一组质量点近似表示正态，这些质量点具有与原始分布相同的均值和协方差。一旦确定了质量点，算法就通过非线性函数传递质量点以创建一组新的样本，然后将预测分布设置为正态分布，均值和协方差等效于变换点。

由卡尔曼滤波强加的单模分布假设意味着不能表示其他状态假设。粒子滤波是解决这些问题的常用方法。

粒子滤波允许通过空间中的粒子来表示多个假设，高维度需要更多粒子。每个粒子都被赋予一个权重，该权重表示其所代表的状态假设中的置信度。预测从原始加权粒子的采样开始，并从该分布中采样预测状态。测量校正根据粒子与观测数据的一致程度（数据关联任务）来调整权重。最后一步是对结果权重进行归一化，使总和为1，因此它们是0到1的概率分布。

因为粒子的数量可以不断增多，因此对该算法的改进集中在如何降低采样的复杂性。重要性采样和Rao-Blackwellization分区是常用的两种方法。

下图来自Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012)的论文“Visual simultaneous localization and mapping: a survey”，总结了到2010年的SLAM中的一些方法。他们的研究分为几个方面。核心方案是使用学习算法，其中一些在上文讨论过。地图的类型是捕获环境几何属性的度量图，或者是描述不同位置之间的连接的拓扑图。

在线跟踪中最常用的功能是显着特征和标记。标记是在环境中由3D位置和外观描述的区域（Frintrop和Jensfelt，2008）。显着特征是由2D位置和外观描述的图像区域。深度学习技术通常用于在每个时间点描述并检测这些显着特征，以向系统添加更多信息。检测是识别环境中的显着元素的过程，描述是将对象转换为特征向量的过程。

应用SLAM的方案有两种，一种是回环检测（loop closure），另一种是“机器人绑架（kidnapped robot）”。回环检测是识别已经访问过的任意长度的循环偏移，“机器人绑架”不使用先前的信息去映射环境。

SLAM是自主导航中常用的状态时间建模的框架。它主要基于概率原理，对状态和测量的后验和先验概率分布以及两者之间的关系进行推断。这种方法的主要挑战是计算复杂。状态越多，测量越多，计算量越大，在准确性和复杂性之间进行权衡。

[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. 汽车自动驾驶技术是什么功能

汽车自动驾驶技术包括视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况，并通过一个详尽的地图(通过有人驾驶汽车采集的地图)对前方的道路进行导航。

主要优势：

犯罪率降低。未来还将在警车中使用人工智能。到那时，罪犯将无法摆脱对无人驾驶汽车的追逐。例如，如果罪犯也驾驶自动驾驶汽车，那么该汽车可以被警察远程停车，或者该汽车可以被门窗挡住，然后直接送到派出所。

当然，他们也可能驾驶普通汽车，但是自动驾驶汽车的人工智能计算能力以及实际上能够定位地图和路况的能力可以帮助警察更快地抓捕罪犯。更重要的是，将来几乎很难找到这种车辆。

4. 汽车自动驾驶的功能有哪些

自动驾驶的功能可以自动的跟车啊，然后还有一个自动变道啊，行车辅助这些功能。

5. xc90自动驾驶使用方法是什么

xc90 自动驾驶使用方法：打开辅助功能，车辆可以实现自动的加速、制动和转向功能，系统会在行驶过程中随时来感应周围的环境，并结合导航仪地图数据，进行系统的运算与分析，有效增加汽车驾驶的舒适性和安全性。双手放在方向盘上即可。

XC90所标配的City Safety城市安全系统，当车辆探测到行驶路线上有障碍物时会提前向驾驶员发出预警提示，如果驾驶员没有采取制动措施，城市安全系统会主动进行减速和制动。

除了突然出现的行人之外， 沃尔沃XC90 （ 查成交价 | 车型详解 ）还会对汽车、自行车、大型动物以及其他障碍物及时作出反应，甚至还可以在转向时避免或减轻与岔道口突然出现的车辆碰撞，这也是全球首创的科技首次应用在 沃尔沃 XC90上。

在当前大受欢迎的自适应巡航功能的基础上，沃尔沃XC90的自动驾驶辅助系统加入了主动式转向功能，自动驾驶辅助系统启动后，车辆可以实现自动的加速、制动和转向功能，让驾驶者更舒适地在车流中沿当前车道行驶。该系统同时也可以保持更合适的行车速度和车间距，让车辆保持在一个更稳定、更精确的行驶位置。（图/文/摄： 曾彩红） @2019

6. 自动驾驶汽车的技术原理

汽车自动驾驶技术包括视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况，并通过一个详尽的地图对前方的道路进行导航。这一切都通过谷歌的数据中心来实现，谷歌的数据中心能处理汽车收集的有关周围地形的大量信息。

就这点而言，自动驾驶汽车相当于谷歌数据中心的遥控汽车或者智能汽车。汽车自动驾驶技术物联网技术应用之一。

沃尔沃根据自动化水平的高低区分了四个无人驾驶的阶段：驾驶辅助、部分自动化、高度自动化、完全自动化：

1、驾驶辅助系统（DAS）：目的是为驾驶者提供协助，包括提供重要或有益的驾驶相关信息，以及在形势开始变得危急的时候发出明确而简洁的警告。如“车道偏离警告”（LDW）系统等。

2、部分自动化系统：在驾驶者收到警告却未能及时采取相应行动时能够自动进行干预的系统，如“自动紧急制动”（AEB）系统和“应急车道辅助”（ELA）系统等。

3、高度自动化系统：能够在或长或短的时间段内代替驾驶者承担操控车辆的职责，但是仍需驾驶者对驾驶活动进行监控的系统。

4、完全自动化系统：可无人驾驶车辆、允许车内所有乘员从事其他活动且无需进行监控的系统。这种自动化水平允许乘从事计算机工作、休息和睡眠以及其他娱乐等活动。

结构性能

1、激光雷达

车顶的“水桶”形装置是自动驾驶汽车的激光雷达，它能对半径60米的周围环境进行扫描，并将结果以3D地图的方式呈现出来，给予计算机最初步的判断依据。

2、前置摄像头

自动驾驶汽车前置摄像头谷歌在汽车的后视镜附近安置了一个摄像头，用于识别交通信号灯，并在车载电脑的辅助下辨别移动的物体，比如前方车辆、自行车或是行人。

3、左后轮传感器

它通过测定汽车的横向移动来帮助电脑给汽车定位，确定它在马路上的正确位置。

4、前后雷达

后车厢的主控电脑谷歌在无人驾车汽车上分别安装了4个雷达传感器（前方3个，后方1个），用于测量汽车与前（和前置摄像头一同配合测量）后左右各个物体间的距离。

5、主控电脑

自动驾驶汽车最重要的主控电脑被安排在后车厢，这里除了用于运算的电脑外，还有测距信息综合器，这套核心装备将负责汽车的行驶路线、方式的判断和执行。

7. 实现汽车自动驾驶技术的关键技术有哪些

实现自动驾驶技术的关键因素包括安全性、隐私性、数字基础设施、对运输系统的影响

1、安全性。据世界卫生组织估算，道路事故中大约有95%都由人为失误造成，自动驾驶有潜力大幅减少人员伤亡。全球道路安全部长级会议提出，与会各国确保到2030年售出的车辆全部装配安全性能技术。然而，事实证明社会对技术造成的事故容忍度极低，各国政府必须制定相应政策，遵循以安全为中心的准则来制定发展路线，但这样做可能导致将安全标准设置过高而减慢其引入速度。

4、对运输系统的影响。美国在自动驾驶开发方面处于领先地位，重点发展自动驾驶私家车和出租车服务。其他多数国家和地区则通过使用自动驾驶汽车来增加共享交通工具的便利性和普及性。例如智利、丹麦、芬兰和挪威等国正在测试低速自动驾驶小巴。新加坡、西班牙和英国的运营商正在测试全自动驾驶公交车，从而减少对专业驾驶员的需求。鉴于自动驾驶汽车将削减劳动力成本，到2022年，偏远社区的服务能够更加便捷，并缓解了城市拥挤的公共交通。另外，新冠肺炎疫情也可能推动自动驾驶汽车的普及。疫情使共享车辆对用户的吸引力降低，但是定期清洁的公共管理自动驾驶小巴获得青睐。