清华大学-自动驾驶技术概论第四章

图 4.6 NVIDIA PX
硬件参考平台
计算平台
基于DSP的自动驾驶计算平台
德州仪器的TDA2x SoC是基于 DSP的自动驾驶计算平台。该 计算平台有两个浮点DSP内核 C66x和四个专为视觉处理设计 的完全可编程的视觉加速器， 可实现各摄像头应用同步运行 ，用于车道保持、自适应巡航 、目标检测等驾驶功能。同时 ，该计算平台也可用于摄像头 、雷达等感知传感器的数据融 合处理。图4.7为TDA2x SoC计 算平台。
图 4.4 摄像头
硬件参考平台
传感器平台：
雷达传感器在自动驾驶中应用最为广泛，类别最多，包括激 光雷达、毫米波雷达、超声波雷达等。
➢ GNSS/IMU组合导航系统：GNSS通常辅助以惯性传感器（IMU ）用来增强定位的精度。这两种传感器的数据通过卡尔曼滤 波技术实时融合，可以实现导航设备的优势互补，提高定位 精度和适用范围。图4.5为GNSS/IMU组合导航系统。
智能驾驶丛书（第一册）
智能驾驶技术丛书（第一册）
自动驾驶技术概论
本书思维导图
本章思维导图
Chapter 4 自动驾驶汽车开发平台
Outline
开发平台概述 硬件参考平台 软件开源平台 整体开放平台 安全解决方案
开发平台概述
自动驾驶汽车是一个集环境感知、规划决策、智能控制 等众多自动驾驶功能模块为一体的综合系统，涉及传感 、通讯、计算机、电子、自动控制、车辆动力学等众多 技术领域。跨学科、多交叉的自动驾驶汽车开发需要相 关技术人员可以模块化并行开发各个子系统。
自动驾驶系统涵盖多个软件模块，如感知、规划、控制等， 同时整合了各硬件模块，如传感器模块、计算平台、线控车 辆等。软硬件资源的有效调配十分关键，需要一个稳定、可 靠的操作系统平台搭建自动驾驶软件模块。
ROS介绍：
ROS提供了一种发布和订阅的通信框架，实现简便快速地搭建 分布式计算系统；提供了大量简洁的工具，实现计算系统的 配置、启动、调试、可视化、测试；具备定位、控制、规划 、决策等功能开发资源；提供了一个强大的技术支持社区。
组成：
线控车辆平台、传感器平台、计算平台。
图4.1 无人驾驶硬件示范平台
硬件参考平台
传感器平台：
组成：自动驾驶常用车载传感器包括雷达、车载摄像头、定 位定姿传感器等。传感器的种类多样，环境感知范围也有所 不同。根据不同传感器的优缺点，各传感器组合使用，功能 互补、互为备份、互相辅助。
硬件参考平台
硬件参考平台
传感器平台：
雷达传感器在自动驾驶中应用最为广泛，类别最多，包括激 光雷达、毫米波雷达、超声波雷达等。
➢ 毫米波雷达：探测距离远，测速、测距精度高，可全天候工 作，成本较低。目前，毫米波雷达已经被广泛用于驾驶辅助 功能，如自适应巡航控制、前方碰撞预警和紧急辅助刹车等 。但是，毫米波雷达的可视范围较小，一般需要多雷达组合 使用。
图 4.3 毫米波雷达
硬件参考平台
传感器平台：
雷达传感器在自动驾驶中应用最为广泛，类别最多，包括激 光雷达、毫米波雷达、超声波雷达等。
➢ 车载摄像头：重要的自动驾驶车载传感器。摄像头的感知图 像信息覆盖内容丰富，成本较低。目前，车载摄像头分为单 目和双目。单目摄像头主要基于机器学习，对图像数据进行 训练和学习，用于环境感知。双目摄像头基于视差原理测量 驾驶环境，测距精度较高。
图 4.7 TDA2x SoC
硬件参考平台
计算平台
基于FPGA的自动驾驶计算平台
Altera的Cyclone V SoC是基于FPGA的自动驾驶计算平台，集 成了基于ARM处理器的硬件处理器系统，具有有效的逻辑综 合功能。该方案可为传感器融合提供优化，可结合分析来自 多个传感器的数据以完成高度可靠的物体检测。
基于ASIC的自动驾驶视觉芯片
Mobileye正在开发的Mobileye EyeQ5 是基于ASIC的自动驾驶 视觉芯片。Mobileye EyeQ5芯片装备了8枚多线程CPU内核， 同时搭载18枚Mobileye的视觉处理器。EyeQ5 SOC装备有四 种异构的全编程加速器，对计算机视觉、信号处理和机器传感器在自动驾驶中应用最为广泛，类别最多，包括激 光雷达、毫米波雷达、超声波雷达等。
➢ 激光雷达（LiDAR）：具有较高的距离、角度、速度分辨率， 抗干扰能力强，点云信息丰富，不易受光照条件影响，可用 于全天工作。主流的多线激光雷达有4线、8线、16线、32线 和64线。
图 4.2 激光雷达
硬件参考平台
线控车辆平台：
概述：自动驾驶系统中除了根据感知传感器实时获取的数据 进行处理与决策，最终还要完成车辆动力系统及相关机械器 件的配合控制，实现驾驶操作的执行，这就需要提供稳定可 靠的车辆控制平台。
组成：线控车辆平台包括线控车辆和通信总线。
图4.8 线控车辆平台
软件开源平台
概述：
图 4.5GNSS/IMU组合导航系统
硬件参考平台
计算平台：
概述：自动驾驶系统各模块实时运行过程中，会产生大量的 数据。以感知传感器为代表，数据量大，实时性要求高。因 此，需要选择强劲性能的计算平台完成实时大规模数据处理 任务。计算平台的性能对自动驾驶的安全性、可靠性、实时 性非常重要。
组成：目前主流的计算平台包括基于GPU、DSP、FPGA、 ASIC等方案的计算平台。
硬件参考平台
计算平台
基于GPU的自动驾驶计算平台
NVIDIA的PX平台是基于GPU的 自动驾驶计算平台。支持多路 摄像头、激光雷达、超声波雷 达、定位等感知设备输入。基 于英伟达的CUDA GPU，Drive PX Pegasus内置四个AI处理器 ，其中两个为Xavier SoC芯片， 另外两个为独立GPU，用于强 化深度学习和计算机视觉。图 4.6为NVIDIA PX计算平台。
自动驾驶开发平台是各驾驶功能模块的集中配置管理平 台，用于模块化开发和管理不同部件功能。这种基于开 发平台的模块化部署可以极大提高研发效率并节约成本 。自动驾驶系统的功能开发需要依赖接口友好的车辆开 发平台，包括硬件平台和软件平台。本章将就自动驾驶 汽车开发平台展开叙述。
硬件参考平台
概述：
自动驾驶硬件平台直接决定了系统的感知能力、运算能力、 功耗强度、可靠性等。