Coursera自动驾驶课程学习——软硬件架构

硬件

传感器

包括：
相机和深度相机、激光雷达（红外激光），雷达（无线电），声呐（超声波测距），GPS/IMU，里程计

覆盖范围

主动减速率大致是5m/$s^2$：人用力踩下刹车的速度
一般减速率2m/$s^2$：

减速距离的计算是 $d=\frac{v^2}{2a}$ , $a$ 就是减速率

讨论两个情况：高速公路及城市道路

• 高速公路的需求
  紧急刹车：前后方150米到200米，左右车道感知
  匀速行驶：160度~180度视野范围
  变道：左右层要能看更远
• 城市道路的需求
  比上面多了三个，超车，左右路口转弯，环形交叉路口
  前三个的要求不变，且条件变得更加宽松（车速慢了）
  超车：宽短程传感器检测停车的车辆，窄长距离传感器来判断迎面来车
  路口：全向感应
  环形路口：横向短距离宽范围，纵向短距离

传感器的选择没有标准，符合车的机动需求即可

软件

模块

5个模块：环境感知、环境映射、运动规划、车辆控制、系统管理

传感器数据输入到两个模块：环境感知、环境映射

环境感知和环境映射输入到：运动规划

运动规划输入到：车辆控制

四个模块都输入到：系统管理

环境感知模块

负责动态物体检测和静态物体检测

动态物体检测：相机和雷达围绕每个动态元素构建bounding box（3维边界框），bouning box标明物体的类别，确切位置，方向，大小。接下来动态对象会被跟踪模块跟踪，跟踪模块不仅会提供当前位置，还会提供历史路径，历史路径与地图一起使用，来预测未来运动

静态物体检测：车道，标志，红绿灯

环境映射模块

三种图：占用网格地图、定位地图、详细路线图

占用网格地图：使用激光雷达，表现形式每个格子被占用的可能性

定位地图：激光雷达和相机，用于位姿估计

详细路线图：当前驾驶环境的实际路线图（几车道啊什么的），用于运动规划

运动规划模块

很难，很难用一个单一集中过程去解决

分为几个层面：
mission planner：解决long-term planning（长期规划），给起点和终点去规划
behavior planner：解决short-term planning（短期规划），负责建立安全运行，给出运动预测车辆行为，给每种运动指令约束
local planner：解决immediate-term planning（即时规划），输出的是未来一段时间内期望的路径和速度配置（配速）的组合

车辆控制模块

横向控制和纵向控制

横向控制：转向角
纵向控制：油门，档位和制动系统

两者都计算电流误差和local planner的跟踪性能，调整电流驱动命令，减少未来误差。

系统管理

子系统出现故障时发出警告

分为硬件管理器和软件管理器

环境表示

• 定位地图：GPS、IMU、odometer和雷达点云一起形成，用于估计车的位置。【三维炫酷的点云图】

• 占用网格地图：也是由雷达点云生成，显示静态物体位置，用于生成无碰撞的路径。【和移动机器人的SLAM建出的地图长得一样】

  需要提前删除动态物体，使用环境感知模块删除所有动态物体的bounding box里的点云，也会移除不干扰车辆运动的静态物体。

  这一过程不完美，因此占用网格地图需要不断更新成为概率图

• 详细的路线图：用于规划从起点到终点的路径。这个我还是上图吧
  可以通过三种方式创建：完全在线，完全离线、离线创建在线更新

完全在线：需要看静态信息（标识、红绿灯等）的比例是多少，较复杂，很少用

完全离线：多次收集给定路线的数据，配置高精度传感器定期运行，随后自动检测静态物体和人为校准。虽精准，但无法适应变动

离线创建在线更新：综合两种方法，既精准又可以适应变化