自动驾驶文献学习《A Survey of Autonomous Driving: Common Practices and Emerging Technologies》

最新推荐文章于 2024-08-14 07:31:07 发布

slender-

最新推荐文章于 2024-08-14 07:31:07 发布

阅读量6.3k

点赞数 9

分类专栏：自动驾驶文章标签：自动驾驶深度学习

本文链接：https://blog.csdn.net/slender_1031/article/details/108504466

版权

1 篇文章 1 订阅

订阅专栏

这是一篇有关于自动驾驶的综述性很强的论文，发布于2020年4月。
全文系统地介绍了自动驾驶系统的发展历史及发展现状，阐述了自动驾驶系统目前面临的困难与挑战，然后依次从自动驾驶系统框架、传感器分类、地图定位、信息感知与评估、路径规划等多个方面，分析比较了现有研究技术方法的优势和不足。

1 前景和挑战

对于社会影响，能够减少交通事故、交通堵塞、尾气排放；重新分配驾驶时间，推动物流发展等等。驾驶自动化水平划分为五类等级，目前高层次level4、level5还无法实现。

作者分别从连接层面和算法层面论述了自动驾驶系统的整体框架：

连接层面：
一类是单一车辆系统，始终在一辆自给自足的汽车上进行所有必要的自动驾驶操作，而不依赖于其他车辆和基础设施；
另一类是车联网系统，强调通过网络实现车辆信息交流和共享。
算法层面：
一类是模块划分，根据不同功能划分为不同的模块；
另一类是端到端系统，通过传感器输入获得操作信息，主要的方法有直接监督的深度学习、神经进化和深度强化学习。

在这里插入图片描述

硬件组织可以归为五类：

通常采用多传感器的形式，用雷达或者激光雷达来弥补相机在深度信息上的缺陷。激光在200米内精度较高，但与雷达相比，更容易受到天气的影响。雷达则具有测距长、成本低的优势。

传感器对比

在这里插入图片描述

基于图像的目标检测：包括静态物体识别（红绿灯、交通标志、道路交叉口），动态物体识别（车辆，行人和自行车）。目前最先进的方法基本都依赖于DCNN，但它们之间目前存在明显的区别：
■ 单级检测框架使用单个网络同时生成对象检测位置和类别预测。主流的算法有：YOLO、SSD。
■ 区域生成检测框架分为两个不同的阶段，首先提出感兴趣的常规区域，然后通过单独的分类器网络进行分类。
语义分割：
仅使用矩形框框选目标效果较差，进一步通过实例分割来区分不同轨迹和行为的对象。
分割方法：Mask、R-CNN、DeepLab。
三维目标识别：
主要依赖点激光雷达的点云数据，通过滤波、聚类，提取特征进行识别。
目标跟踪：
估计动态目标的航向和速度，以便应用运动模型跟踪目标并预测目标未来的运动轨迹，通常采用传感器融合的策略进行跟踪。
■ 滤波方法：Bayes滤波器、卡尔曼滤波、粒子滤波等。
■ 深度学习：CNN、多任务网络等。
车道线检测：
■ 可行驶区域检测：检测车道当前行驶车道，可以应用于车道偏离警告，车道保持和自适应巡航控制。
■ 道路复杂语义理解：识别其他车道和方向，合并转向等道路结构信息。

全局规划：
-目标导向（goal-directed）
-分割（separator-based）
-分级（hierarchical）和
-有界跳跃（bounded-hop）。
局部规划：
-基于图搜索（graph-based planners）
-基于采样（sampling-based planners）
-曲线插值（interpolating curve planners）
-数值优化（numerical optimization）。

在这里插入图片描述