MIT自动驾驶公开课入门

MIT自动驾驶公开课入门

---

• 自动驾驶的现实需求：改变生活，改善交通意外；

• 自动驾驶分五级：

  L0：无自动化，完全由驾驶员进行驾驶操作，纯属人工驾驶；

  L1：驾驶支援，自动系统有时能够帮助驾驶员完成某些驾驶任务，且只能帮助完成一项驾驶操作；

  L2：部分自动化，自动驾驶系统有多项功能，能同时控制车速和车道；

  L3：有条件自动化，在条件允许的情况下，车辆可以完成所有的驾驶动作；

  L4：高度自动化，完全自动驾驶，驾驶者可以有，也可以没有，但依然在特定的场景下运行；

  L5：完全自动化，完全自动驾驶，且在任何场景都可以。

• 两种类型的AI系统：

  • A1：以人为中心的自动化，人类对行为负责。由车外的人员进行远程接管控制，如果系统失效，人类需要接管；
  • A2：人工智能完全负责；不涉及远程操控；必须有安全港；允许人类接管作为选择，仅当遭遇危险时，人工智能会无视人类操纵。
  • L1，L2，L3：A1：以人为中心；
  • L4，L5 ：A2：完全自动化。

• 数据采集：数据集包括来自三台高清摄像机的影像；GPS、IMU收集的所有数据；来自CAN Bus的数据；利用数据来训练理解和控制。

• 特斯拉的自动驾驶：大多数在公路上，重复8000次控制转换，要相信系统，让系统暴露处缺陷，在具有挑战性的环境中检查系统的极限。

• 机器人的角度：车辆越来越多，数据量越来越丰富。逐步将控制权交给AI。

• 传感器：

  • 照相机：视觉系统-RGB，红外线；便宜，高分辨率，信息密度最高，信息容易被学习和推断。可获得更多数量级的数据。深度估计不好，在极端天气下不可靠。强光下表现好，黑暗下无法工作。
  • 超声波雷达：近距离工作良好，便宜，尺寸小，能在恶劣天气、能见度低下时工作；范围小，分辨率低，无法检测速度。
  • 毫米波雷达：有以上所有优点，并未能检测速度。低分辨率，没有纹理和彩色分辨率。
  • 激光雷达：极其精确的信息深度，具有很高的分辨率，360度的可见范围。可靠地数据密度更高。在黑暗和明亮的照明条件下无效。能够检测速度。价格昂贵。恶劣天气下无效，没有颜色、纹理的信息，尺寸大。
  • 启用传感器融合：超声波+相机+雷达。

• waymo公司：2017.04结束测试，允许第一次公开上路；11月独立驾驶超过400万英里。没有司机。12月自动驾驶超过200英里。

• 特斯拉公司：2014.09发布Autopilot自动驾驶系统；2016.10从头开始研制第二代Autopilot系统；2018.01通过自动驾驶系统Autopilot行驶了超过10亿英里；2018.01超过30万辆汽车装备了自动驾驶系统Autopilot。

• 深度学习的方法：端到端的方法。

  ​ 从视频中提取特征，使用卷积神经网络算法，使用循环神经网络来一直追踪轨迹，估量姿态。可通过数据训练。

  ​ 借助相机来理解环境。

  ​ 物体检测：传统的HAAR算法。

  ​ 道路纹理和声音条件：使用递归神经网络。

• A1系统在近些年更受欢迎，A2系统挑战性大，未来走向或许更偏向A1。