智能驾驶进阶课程2——Apollo硬件开发平台

最新推荐文章于 2024-03-09 08:20:45 发布

次言

最新推荐文章于 2024-03-09 08:20:45 发布

阅读量481

点赞数

本文链接：https://blog.csdn.net/z_vanilla/article/details/107486822

版权

Apollo硬件开发平台

硬件系统

硬件系统

自动驾驶汽车研发流程的四个步骤

软件在环
- 基于模拟器仿真：仿真道路环境测试代码
硬件在环
- 基于必要的硬件平台：软件仿真结果和传感器、计算单元一起在硬件里跑一边
车辆在环
- 基于车辆执行：车辆在封闭场地里测试一遍
司机在环
- 基于实际道路：获得司机的评判

自动驾驶的三大系统：

感知
- 汽车运动：汽车定位、定姿传感器，惯性导航系统、全球定位系统、速度传感器、角度传感器等
  - 速度传感器：被动安全，如检测速度控制安全气囊的弹出
  - 角度传感器：如测量汽车偏离车道线
- 环境感知
  - 超声波、摄像头、毫米波雷达
  - V2X
    - V2V：车车通讯
    - V2P：人/基础设施车通讯
- 驾驶员监测
  - 摄像头
  - 生物电：放置在方向盘，判断手有没有脱离方向盘，还有情绪、身体状况
决策
- 计算单元：所有自动驾驶感知决策的算法都是跑在计算单元里的
- 基本用基于x86架构的服务机
- T-Box 车联网的通讯网关上接互联网下接CAN总线，可以发送一些开关门、启动指令。
- 黑匣子
控制
- 车辆控制
  - 制动、转向、发动机、变速箱
- 警告系统
  - 声音、图像、振动

自动驾驶汽车核心的感知传感器

摄像头：车道线、交通标识牌、红绿灯、车辆、行人检测。监测信息全面，价格便宜，但会受到天气影响。
- 双目摄像头：通过两个图像之间的视觉差计算，对于任意的障碍物都会提出警告提醒
激光雷达
- ToF：发射的一束光碰到障碍物回波到APD上进行接收，计算光折返的距离
- 种类：同轴旋转、棱镜旋转、MEMS、OPA相控阵、flash
- 地图的测绘定位也用激光雷达
- 优点：检测快而准确，不受天气的影响，但无法辨识车道线
- 77G、24G远距离雷达
组合导航
通过GNSS板卡、天线接收所有可见的GPS的卫星信号，经过计算得出位置。在存在遮挡的情况下不能很好结算以及得出实时的结果。所以需要融合惯性导航。
融合惯性导航的优点：封闭系统，不受外界环境的干扰，可以直接给出车身的位置速度和姿态。

根据不同自动驾驶功能，每个传感器应用的范围

L1、L2量产的汽车与L3+级别汽车的差异：L1、L2考虑误检，L3+考虑漏检

在这里插入图片描述
可见目前所有传感器探测距离到150m足够

计算需要多少分辨率的传感器
在这里插入图片描述
/2的原因：避免漏检，保证两束激光雷达探测物体处于探测边缘时不出现漏检情况，在每一个角度内都不存在漏检情况

能检测到不意味着能识别到，Apollo用同一车上4-5条线成像，实现很好的障碍物分类。

未来自动驾驶传感器的发展趋势
多传感器融合：如激光雷达和摄像机前端的融合，直接形成RGB- XYZ融合后的颜色加点云信息，传输给后端进行计算处理。（美国AI的iLiDAR）

自动驾驶汽车的计算单元

需要考虑整体的车规（电磁干扰、振动）
考虑ISO26262，所有的GPU、CPU、FPGA和总线都要进行一些冗余设计，防止单点故障。
MCU：当系统整体失效的时候，会发送一些指令，如刹车或靠边停车。
集中式框架。体积较大、功耗较高；架构比较方便代码迭代；工控机卡槽式设计，方便硬件更新、扩展；
趋势：
- 嵌入式框架。将各传感器的原始数据先融合到一个sensor box里，在sensor box里完成数据的融合，在将融合后的数据传到后端的计算平台。sensor box主要做时间戳的同步，保证当前时间戳，所有传感器探测同一个方向。嵌入式降低功耗但不足以实现量产化。
- ASIC（Application Specific Integrated Circuit专门目的而设计的集成电路）芯片，将激光雷达的SLAM算法和半导体芯片做到了一起形成一个SOC（System on chip），将这个芯片放到一个传感器内部，在传感器内部进行边缘计算进一步降低后端计算量，降低功耗和车规划。
  - 比通用的GPU、FPGA体积更低、功耗更小、性能稳定、量产更多。
  - 芯片设计处理流程：芯片设计、芯片制造、芯片分装。
  - 算法公司做好前端设计，固化算法、选择使用的ip核（ARM、MALI）、进行EDA（电子自动化）处理；后端的制造企业进行流片生产。
  - 目前半导体工艺正在从深紫外DOV向极紫外EOV发展，步入7纳米时代，带来性能上的提升。7纳米提升40%的性能，节省60%的能耗。