低速无人驾驶

低速无人驾驶

现状：

感知层、决策层、控制层。

过去在无人驾驶的技术落地问题上，业内大多讨论的是端对端的控制问题，但在实际场景下，低速无人驾驶要解决的是复杂的动态全流程问题。因此如何通过人工智能或者深度学习的方法解决感知、决策和控制的全流程问题，是目前技术发展上的一个难点。

传感方案从激光感知进一步拓展到视觉方案及融合方案，通过摄像头的原始输入，实现在不同环境、天气、早晚环境下的无人系统全局定位；
在决策方面，可以将无人系统在虚拟仿真环境下学习得到的决策训练运用到真实场景；
在决策之外，可以通过车载电子、机电系统来产生端到端控制的逻辑，最终实现对车的最终控制。

如果碰到不同场景，无人系统可以在大量的数据训练过程中自适应各种复杂的环境。------深度强化学习。

**无人系统从传感器的输入到最终执行，其中的操作流程是非常复杂的。**如果中间做一个简要的区分，可以分为感知、决策到控制。因此如何通过人工智能尤其是深度学习的方法解决此全流程问题，这是目前技术发展的一个难点。

感知方面的关键问题还是自适应性问题，即通过感知算法了解周围场景情况、定位信息之后，怎么产生合理的决策。

单纯的单线、多线激光雷达定位导航都存在局限性。不过随着激光雷达成本下降，激光雷达的使用会是主流，

单纯的视觉虽然成本低，随着激光雷达成本的下降，视觉的优势在缩小，同时，与激光雷达相比，视觉存在不稳定性，容易受到光线等其他因素的影响。
因此，发展方向为多传感器的融合，各取所长，提高稳定性与鲁棒性。

对于导航部分，开源代码太冗余复杂，需要重构、简化，提高效率

在信息融合中，卡尔曼滤波是最常用的方法，它依据接收器收到的观测值作为输入值，按照之前的要求估计量作为滤波的输出值。在实际应用中，状态方程和量测方程为非线性，因此需要对非线性函数进行线性化近似，最常用的是扩展卡尔曼滤波。