自动驾驶汽车硬件平台
基于硬件在环的自动驾驶智能汽车电磁兼容性测试平台[发明专利]
专利名称:基于硬件在环的自动驾驶智能汽车电磁兼容性测试平台
专利类型:发明专利
发明人:孙海伟,吕刚,陈文良,张纯健,尤仁杰,周加康,杜鑫,由甲,杨威娜,王择林
申请号:CN201911324234.0
申请日:20191218
公开号:CN110988555A
公开日:
20200410
专利内容由知识产权出版社提供
摘要:本发明公开一种基于硬件在环的自动驾驶智能汽车电磁兼容性测试平台,设置一电波暗室,在电波暗室中设置有移动假人系统、雷达目标模拟器系统、场景模拟系统;移动假人系统和雷达目标模拟器系统用于车载雷达的电磁兼容测试;场景模拟系统用于车载前视摄像头的电磁兼容测试。
本发明实现了硬件在环智能汽车感知系统的电磁兼容无干扰模拟测试,填补了无电磁干扰电磁兼容测试的研究空白,建立了智能汽车整车级电磁兼容测试评价体系。
申请人:长春汽车检测中心有限责任公司,宝马(中国)服务有限公司
地址:130011 吉林省长春市创业大街1063号
国籍:CN
代理机构:北京格允知识产权代理有限公司
代理人:张沫
更多信息请下载全文后查看。
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。
智能驾驶解决方案
智能驾驶解决方案第1篇智能驾驶解决方案一、方案背景随着科技的飞速发展,智能驾驶技术已成为全球汽车产业的重要发展趋势。
我国政府高度重视智能驾驶技术的研究与产业化进程,积极出台相关政策扶持。
本方案旨在制定一套合法合规的智能驾驶解决方案,推动我国智能驾驶技术的研究与应用。
二、方案目标1. 提高道路行驶安全性,降低交通事故发生率。
2. 提升驾驶舒适度,减轻驾驶员负担。
3. 推动智能驾驶技术的研究与产业化进程,提升我国智能驾驶领域竞争力。
三、方案内容1. 技术研究(1)环境感知技术:研究激光雷达、摄像头、毫米波雷达等多种传感器融合技术,实现对周边环境的精确感知。
(2)决策与控制技术:研究基于深度学习的驾驶决策算法,实现对车辆的精确控制。
(3)车联网技术:研究车辆与车辆、车辆与基础设施之间的通信技术,实现实时信息交换。
(4)信息安全技术:研究智能驾驶系统的信息安全防护技术,保障系统安全可靠。
2. 产品开发(1)智能驾驶系统:集成环境感知、决策与控制、车联网等技术,实现自动驾驶功能。
(2)智能驾驶辅助系统:开发适用于各类驾驶场景的辅助系统,如自动泊车、自适应巡航等。
(3)智能驾驶硬件平台:研发高性能、低功耗的硬件平台,为智能驾驶系统提供支持。
3. 标准制定与法规遵循(1)制定智能驾驶系统性能、安全性、可靠性等标准。
(2)遵循我国相关法律法规,确保智能驾驶解决方案的合法合规性。
4. 应用推广(1)与汽车制造商合作,将智能驾驶技术应用于量产车型。
(2)与地方政府、交通部门合作,开展智能驾驶示范应用项目。
(3)举办智能驾驶技术论坛、研讨会等活动,提升行业影响力。
四、实施步骤1. 开展技术研究,掌握核心关键技术。
2. 研发智能驾驶系统及辅助系统,搭建硬件平台。
3. 参与制定相关标准,确保方案的合法合规性。
4. 与合作伙伴共同推进智能驾驶技术的应用推广。
5. 持续优化技术,提升智能驾驶系统的性能与安全性。
五、风险评估与应对措施1. 技术风险:项目涉及众多关键技术,存在研发难度大、周期长的风险。
自动驾驶的三大核心要素:传感器、计算平台、数据与算法
一、传感器:不同定位与功能,优势互补自动驾驶汽车往往配备了多种传感器,包括摄像头、毫米波雷达、激光雷达。
这些传感器各有不同的功能与定位,优势互补;作为一个整体,成为了自动驾驶汽车的眼睛。
2021 年以后的新车都配备了大量的传感器,目的是预留冗余硬件,以便后续通过 OTA 的方式实现更多自动驾驶功能。
2021年 1-5月国内新发布车型传感器配置及核心功能摄像头的作用:主要用于车道线、交通标示牌、红绿灯以及车辆、行人检测,有检测信息全面、价格便宜的特征,但会受到雨雪天气和光照的影响。
现代摄像头由镜头、镜头模组、滤光片、CMOS/CCD、ISP、数据传输部分组成。
光线经过光学镜头和滤光片后聚焦到传感器上,通过CMOS或 CCD集成电路将光信号转换成电信号,再经过图像处理器(ISP)转换成标准的 RAW,RGB或 YUV等格式的数字图像信号,通过数据传输接口传到计算机端。
摄像头可以提供丰富的信息。
但是摄像头依赖自然光源,目前视觉传感器的动态做得不是特别宽,在光照不足或者光照剧烈变化的时候视觉画面可能会出现短暂的丢失,并且在雨污状况下功能会受到严重的限制,行业内通常通过计算机视觉的方式克服摄像头的各种缺点。
车载摄像头是高增量市场。
车载摄像头的使用量随着自动驾驶功能的不断升级而增加,比如前视普遍需要 1-3 个摄像头、环视需要4-8 个摄像头。
预计到2025年全球车载摄像头市场将达 1762.6 亿元,其中中国市场 237.2 亿元。
2015-2025年全球和中国车载摄像头市场规模(亿元)车载摄像头行业产业链包括上游的镜头组供应商、胶合材料供应商、图像传感器供应商、ISP芯片供应商,以及中游的模组供应商、系统集成商,下游的消费电子企业、自动驾驶 Tier1等。
从价值量来看图像传感器(CMOS Image Sensor)占了总成本的 50%,其次为占比 25%的模组封装和占比14%的光学镜头。
摄像头产业链激光雷达(Lidar)的作用:主要用于探测周边物体的距离和速度。
无人驾驶技术实现的硬件与软件要素
无人驾驶技术实现的硬件与软件要素自动驾驶汽车一直是科技领域的热门话题,各大汽车厂商和科技公司正投入大量资源进行研发,以实现这一目标。
然而,要实现无人驾驶,需要结合硬件和软件的要素。
本文将讨论无人驾驶技术实现所需的硬件和软件要素,并探讨其影响和挑战。
一、硬件要素1. 传感器技术无人驾驶汽车通过传感器来获取周围环境的信息。
其中最为重要的是激光雷达和摄像头。
激光雷达利用激光束来测量周围物体的距离和形状,而摄像头则用于识别和跟踪道路标志、行人和其他车辆。
这些传感器的准确性和可靠性对于实现无人驾驶至关重要。
另外,惯性测量单元(IMU)也是不可或缺的一部分,用于检测车辆的加速度和角速度。
这些传感器可以提供关键的定位和导航信息,使无人驾驶车辆能够迅速作出准确的决策。
2. 处理器和存储设备为了处理大量的数据和算法,无人驾驶汽车需要强大的处理器和存储设备。
传感器采集到的数据需要通过算法进行处理和分析,从而使车辆能够做出正确的决策。
因此,高性能的处理器和存储设备是实现无人驾驶的关键要素之一。
同时,存储设备也起到了重要的作用,用于保存地图数据、传感器数据和车辆行为记录。
这些数据对于无人驾驶汽车的训练和改进至关重要。
3. 通信技术无人驾驶汽车需要与其他车辆、交通信号灯和云端服务器进行实时通信。
这就需要具备低延迟和高带宽的通信技术,以确保安全和高效的交通系统。
因此,5G通信技术的发展将为无人驾驶带来更多的机会和挑战。
二、软件要素1. 算法和人工智能无人驾驶汽车的核心是算法和人工智能技术。
车辆需要能够感知周围环境、理解道路交通规则并作出相应的决策。
这需要大量的机器学习和深度学习算法来训练车辆识别和预测能力。
此外,路径规划和控制算法也起到了至关重要的作用。
2. 操作系统和软件架构无人驾驶汽车需要一个稳定和安全的软件平台。
操作系统和软件架构必须能够可靠地控制硬件设备,处理传感器数据,并及时作出决策。
此外,软件还需要能够随着时间和环境的变化进行自我学习和优化。
apollo控制代码解析
Apollo是一个基于ROS (Robot Operating System) 的自动驾驶平台,用于自动驾驶系统的开发和测试。
它提供了各种功能和工具,使开发人员能够更容易地构建、测试和部署自动驾驶系统。
Apollo的控制代码是Apollo自动驾驶系统中的重要部分。
下面是一个简单的解析:硬件抽象层(HAL):Apollo的控制代码首先通过硬件抽象层(HAL)与车辆硬件进行通信。
HAL为各种硬件设备提供了接口,如GPS、IMU、雷达、激光雷达等。
车辆动力学模型:Apollo使用车辆动力学模型来描述车辆的运动行为。
这个模型考虑了车辆的加速度、速度、方向等因素,以及与这些因素相关的约束和限制。
控制算法:Apollo使用各种控制算法来控制车辆。
这些算法包括PID控制器、滑模控制器、MPC(模型预测控制)等。
控制算法根据车辆动力学模型和传感器数据来生成控制指令,这些指令通过硬件抽象层发送给车辆硬件。
决策规划:决策规划是Apollo控制代码中的另一个重要部分。
它根据车辆的位置、速度、方向以及周围环境的信息,生成一系列的决策指令。
这些指令指导车辆如何行驶,例如何时加速、何时减速、何时转向等。
地图与路径规划:Apollo使用高精度地图和路径规划算法来指导车辆的行驶路径。
地图数据包括道路的几何形状、障碍物、交通信号等信息。
路径规划算法根据这些信息和决策规划的结果,生成一条安全的路径,使车辆能够顺利地到达目的地。
总的来说,Apollo的控制代码是一个复杂的系统,它依赖于硬件抽象层、车辆动力学模型、控制算法、决策规划和地图与路径规划等多个组件。
这些组件协同工作,使Apollo能够实现对车辆的精确控制,并使车辆能够在各种复杂的环境中安全地行驶。
自动驾驶汽车硬件系统概述
自动驾驶汽车硬件系统概述自动驾驶汽车的硬件架构、传感器、线控等硬件系统如果说人工智能技术将是自动驾驶汽车的大脑,那么硬件系统就是它的神经与四肢。
从自动驾驶汽车周边环境信息的采集、传导、处理、反应再到各种复杂情景的解析,硬件系统的构造与升级对于自动驾驶汽车至关重要。
自动驾驶汽车硬件系统概述从五个方面为大家做自动驾驶汽车硬件系统概述的内容分享,希望大家可以通过我的分享,对硬件系统的基础有个全面的了解:一、自动驾驶系统的硬件架构二、自动驾驶的传感器三、自动驾驶传感器的产品定义四、自动驾驶的大脑五、自动驾驶汽车的线控系统自动驾驶事故分析根据美国国家运输安全委员会的调查报告,当时涉事Uber汽车——一辆沃尔沃SUV系统上的传感器在撞击发生6s前就检测到了受害者,而且在事故发生前1.3秒,原车自动驾驶系统确定有必要采取紧急刹车,此时车辆处于计算机控制下时,原车的紧急刹车功能无法启用。
于是刹车的责任由司机负责,但司机在事故发生前0.5s低头观看视频未能抬头看路。
从事故视频和后续调查报告可以看出,事故的主要原因是车辆不在环和司机不在环造成的。
Uber在改造原车加装自动驾驶系统时,将原车自带的AEB功能执行部分截断造成原车ADAS功能失效。
自动驾驶系统感知到受害者确定要执行应急制动时,并没有声音或图像警报,此时司机正低头看手机也没有及时接管刹车。
目前绝大多数自动驾驶研发车都是改装车辆,相关传感器加装到车顶,改变车辆的动力学模型;改装车辆的刹车和转向系统,也缺乏不同的工况和两冬一夏的测试。
图中Uber研发用车是SUV车型自身重心就较高,车顶加装的设备进一步造成重心上移,在避让转向的过程中转向过急过度,发生碰撞时都会比原车更容易侧翻。
自动驾驶研发仿真测试流程所以在自动驾驶中,安全是自动驾驶技术开发的第一天条。
为了降低和避免实际道路测试中的风险,在实际道路测试前要做好充分的仿真、台架、封闭场地的测试验证。
软件在环(Software in loop),通过软件仿真来构建自动驾驶所需的各类场景,复现真实世界道路交通环境,从而进行自动驾驶技术的开发测试工作。
无人驾驶火了!全球自动驾驶平台大盘点
⽆⼈驾驶⽕了!全球⾃动驾驶平台⼤盘点当前各⼤互联⽹企业、零部件⼚商以及车企纷纷致⼒于研发⾃⾝的⾃动驾驶平台。
英伟达Drive 平台:★2017年9⽉26⽇在英伟达GPU技术⼤会中国站上,黄仁勋发布了开放式⾃动驾驶平台NVIDIA DRIVE,表⽰将为合作伙伴提供从底层运算、操作系统层、软件算法层以及应⽤层在内的全套可定制的解决⽅案,⽀持L3~L5级的⾃动驾驶。
北美时间2018年1⽉10⽇英伟达公布了其AI⾃动驾驶汽车平台NVIDIA DRIVE的功能安全详细架构。
基于英伟达的DRIVE 结构,汽车⼚商已经可以构建和部署具有功能安全性、并符合诸如ISO 26262等国际安全标准的⾃动驾驶乘⽤车和卡车。
在2018CES展上,英伟达还推出了两款AI平台——DRIVE IX 和 DRIVE AR,联合此前推出的NVIDIA DRIVE AV,共同组成了英伟达的三⼤AI平台:DRIVE AV:采⽤神经⽹络实现了车辆的⾃动驾驶。
DRIVE IX :是⼀款智能体验软件开发套件,能够借助车⾝内外的传感器,为驾驶员和乘客提供AI 辅助的智能功能。
DRIVE AR :是⼀款增强现实软件开发套件,将融合计算机视觉、计算机图形和 AI,可在驾驶途中提供信息兴趣点,创建警报提醒,并安全轻松地进⾏导航。
英伟达Drive 平台特点:整合了深度学习、传感器融合和环绕⽴体视觉等技术,且基于 Drive PX 打造的⾃动驾驶软件堆栈可以实时理解车辆周围的情况,完成精确定位并规划出最为安全⾼效的路径。
NVIDIA DRIVE平台由四部分组成,包括:1.奠定了整个系统运算能⼒、AI特征的Drive PX;2.可由企业⾃主定义的操作系统Drive OS:可满⾜汽车安全最⾼等级ASIL-D。
据官⽅介绍,DRIVE OS 系统软件集成了经ASIL-D 安全认证的 BlackBerry QNX 64 位实时操作系统,以及 TTTech 的 MotionWise 安全应⽤程序框架,后者对系统中的每个应⽤程序进⾏了独⽴分装,将彼此隔离,同时提供实时计算能⼒。
AUTOSAR架构简述
AUTOSAR架构简述AUTOSAR(Automotive Open System Architecture)是一种用于汽车电子系统的开放式软件架构标准。
它由汽车制造商、电子部件供应商以及软件供应商共同制定和开发,旨在提高汽车电子系统的可重用性、可伸缩性和可互操作性。
AUTOSAR架构能够支持现代汽车的复杂功能,如自动驾驶、智能网联、电气化和车联网等。
1. 汽车平台层(Vehicle Platform Layer):该层是AUTOSAR架构的最底层,提供与硬件相关的功能,包括控制设备、传感器以及执行器等。
汽车平台层还负责与硬件抽象层进行通信,将硬件的细节屏蔽,使上层组件可以独立于硬件进行开发。
2. 基础软件层(Basic Software Layer):该层提供了一些通用的功能和服务,如通信、调度、存储管理、故障管理和诊断等。
基础软件层可以屏蔽底层的硬件差异,使上层组件可以以硬件无关的方式进行开发。
此外,基础软件层还提供了标准接口,使不同的软件组件可以方便地进行交互。
3. 中间件层(Middleware Layer):该层提供了一些中间件组件,用于管理和协调各个软件组件之间的通信。
中间件层能够确保消息的可靠传递,同时提供了灵活的通信方式,如定时触发、事件触发和共享数据传输等。
4. 应用层(Application Layer):该层是AUTOSAR架构的最顶层,包含了各种应用软件组件,如发动机控制、车身控制和车载娱乐等。
应用层的软件组件可以在不同的汽车电子系统中进行复用,从而显著提高软件的开发效率和质量。
除了以上四层架构,AUTOSAR还定义了一些标准接口和协议,用于实现不同层次之间的通信和协作,如CAN(Controller Area Network)、LIN(Local Interconnect Network)、UDP(User Datagram Protocol)和TCP/IP(Transmission Control Protocol/Internet Protocol)等。
自动驾驶汽车硬件在环仿真实验平台研发
ISSN 1002-4956 CN11-2034/T实验技术与管理Experimental Technology and Management第38卷第2期2021年2月Vol.38 No.2 Feb. 2021DOI: 10.16791/j.c n k i.s j g.2021.02.027自动驾驶汽车硬件在环仿真实验平台研发雍加望K2,冯能莲3,陈宁1(1.北京工业大学北京市交通工程重点实验室,北京100124;2.清华大学汽车安全与节能国家重点实验室,北京100084; 3.北京工业大学环境与生命学部,北京100124)摘要:自动驾驶汽车作为重点竞争领域将是今后一个时期内国内外汽车工业发展的主流趋势。
为使学生更全面地理解并掌握自动驾驶汽车关键技术,研发了自动驾驶汽车硬件在环仿真实验平台(A V H1L)。
A V H I L硬件层面集成了实车制动系统、转向系统、传感器系统以及网络通信系统,可提供完整的整车硬件在环实验环境;A V H IL 软件层面以M A T L A B/S im u lin k为核心构建快速控制原型算法,基于P r e S c a n软件提供虚拟现实界面和环境感知类传感器模块,利用C a r S i m软件实时运行整车动力学模型。
A V H I L为自动驾驶上层控制算法与底层执行机构的开发与测试、高级驾驶辅助系统开发与测试、驾驶员行为特性研究等提供了实时高效的仿真平台,为本科生教学与研究生实践奠定了实验基础。
关键词:自动驾驶;硬件在环;仿真;实验平台中图分类号:U467.3文献标识码:A文章编号:1002-4956(2021)02-0127-05Development of hardware-in-the-loop simulation experimentalplatform for automatic driving vehicleY O N G J ia w a n g1,2,F E N G N e n g lia n3,C H E N N in g1(1. B e ijin g K e y L a b o ra to ry o f T ra ffic E n g in e e rin g, B e ijin g U n iv e rsity o f T ech n o lo g y, B e ijin g100124, C h in a;2. S tate K e y L a b o ra to ry o f A u to m o tiv e S a fe ty a n d E n erg y, T sin g h u a U n iv e rsity, B e ijin g100084, C h in a;3. F a c u lty o f E n v iro n m e n t a n d L ife, B e ijin g U n iv e rsity o f T e c h n o lo g y, B e ijin g100124, C h in a)Abstract: A s a k e y c o m p e titio n a r e a, th e a u to m a tic d r iv in g v e h ic le w ill b e c o m e th e m a in tr e n d o f th e d e v e lo p m e n t o f a u to m o b ile in d u s tr y a t h o m e a n d a b r o a d in th e n e x t p e r io d. In o r d e r to e n a b le s tu d e n ts to u n d e r s ta n d a n d m a s te r th e k e y t e c h n o lo g ie s o f a u to p ilo t, a h a r d w a r e-in-th e-lo o p s im u la tio n e x p e r im e n ta l p la tf o r m(A V H IL) is d e v e lo p e d. T h e h a r d w a r e le v e l o f A V H IL in te g r a te s th e r e a l v e h ic le b r a k in g s y s te m, s te e r in g s y s te m, s e n s o r s y s te m a n d n e tw o r k c o m m u n ic a tio n s y s te m, w h ic h c a n p r o v id e a c o m p le te v e h ic le h a r d w a r e-in-th e-lo o p e x p e r im e n ta l e n v ir o n m e n t. A t th e A V H IL s o f tw a r e le v e l, th e r a p id c o n tr o l p r o to ty p e a lg o r ith m is c o n s tr u c te d w ith M A T L A B/ S im u lin k a s th e c o r e. T h e v ir tu a l r e a lity in te r fa c e a n d e n v ir o n m e n t s e n s in g s e n s o r m o d u le a r e p r o v id e d b a s e d o n P re S c a n s o f tw a r e, a n d th e v e h ic le d y n a m ic m o d e l is ru n in r e a l tim e b y C a r S im s o f tw a r e. A V H IL p r o v id e s a r e a l-tim e a n d e f f ic ie n t s im u la tio n p la tf o rm fo r th e d e v e lo p m e n t a n d te s t o f th e u p p e r c o n tr o l a lg o r ith m a n d th e u n d e r ly in g a c tu a to r, d e v e lo p m e n t a n d te s t o f a d v a n c e d d r iv in g a s s is ta n c e s y s te m a n d r e s e a r c h o f d r iv e r b e h a v io r c h a r a c te r is tic s, w h ic h la y s a n e x p e r im e n ta l fo u n d a tio n f o r u n d e r g r a d u a te t e a c h in g a n d g r a d u a te p r a c tic e.Key words: a u to m a tic d r iv in g; h a r d w a r e-in-th e-lo o p; s im u la tio n; e x p e r im e n ta l p la tf o r m世界汽车工业发展围绕着“安全、舒适、节能收稿日期:2020-05-15基金项目:北京工业大学交通工程科研基地开放探索项目(2019BJUT- JTJDS012);汽车安全与节能国家重点实验室开放基金课题(K F2010);北京工业大学教育教学研究项目(ER2011-A03 )作者简介:雍加望(1988—),男,安徽巢湖,博士,讲师,主要从 事自动驾驶汽车、汽车动力学与稳定性控制方面的研究。
无人驾驶汽车技术的架构和设计
无人驾驶汽车技术的架构和设计无人驾驶汽车是指通过搭载自动化驾驶系统,实现无需人类干预即可行驶的汽车。
这一技术的发展对汽车行业和交通领域带来了巨大的变革,其潜力和前景备受关注。
无人驾驶汽车技术的架构和设计是实现无人驾驶的关键之一,因此需要从硬件和软件两个方面进行讨论。
一、硬件架构无人驾驶汽车的硬件架构包括传感器系统、计算机系统和执行系统。
1. 传感器系统传感器系统是实现无人驾驶汽车感知环境的关键组成部分。
传感器包括雷达、激光雷达、相机、超声波传感器等。
雷达和激光雷达可以提供精确的障碍物探测和距离测量,相机可以用于图像识别和目标检测,超声波传感器可以提供周围环境的距离和接近度信息。
2. 计算机系统计算机系统是无人驾驶汽车的大脑,负责实时处理传感器数据、决策和规划。
计算机系统通常由多个计算单元组成,其中包括中央处理器(CPU)、图形处理器(GPU)和专用的神经网络处理器。
这些处理器协同工作,使得计算机系统能够高效地处理大量的数据,并进行复杂的算法运算。
3. 执行系统执行系统是无人驾驶汽车执行行车操作的组成部分。
该系统包括电机、制动系统、转向系统等。
电机负责提供动力,制动系统用于控制车辆的减速和停车,转向系统用于控制车辆的方向。
执行系统通过与计算机系统的交互实现对车辆的全面控制。
二、软件设计无人驾驶汽车的软件系统包括感知、决策规划和控制三个主要模块。
1. 感知感知模块通过传感器系统获取环境信息,并将其转化为计算机可以理解的数据。
感知模块通常包括目标检测和跟踪、道路检测、障碍物识别等功能。
这些功能的目标是实现对环境的准确感知,以便后续的决策和规划。
2. 决策规划决策规划模块负责根据感知模块提供的环境信息和路况判断,制定最优的行驶策略。
决策规划模块通常包括路径规划、行为规划、交通规则遵守等功能。
这些功能的目标是基于环境信息和路况做出行驶决策,保证行车安全和高效。
3. 控制控制模块负责将决策规划模块输出的控制指令转化为执行系统能够理解的信号。
驾驶域计算平台架构核心软件和底层硬件梳理
驾驶域计算平台架构核心软件和底层硬件梳理展开全文来源:广发证券随着智能网联汽车的发展,车载传感器的数量日益增加,日趋完善的性能对车载计算平台算力的需求更高。
相较于低级别的自动驾驶,高等自动驾驶系统从传感器获取的数据量大大增加,而自动驾驶系统的良好运行需要车载计算平台对这些数据进行准确、高效的处理,高级别自动驾驶中车载计算平台的芯片算力需求还将持续提升。
智能网联汽车计算平台架构核心构成:硬件平台+系统软件+功能软件。
一、核心软件梳理(一)核心软件产业格局总览驾驶域计算平台涉及的软件,从底层往上,主要包括系统软件、功能软件、应用软件。
图3:驾驶域软件层分类:系统软件-功能软件-应用软件系统软件层面,主要包括BSP(板级支持包)、hypervisor(虚拟化)、狭义OS内核、中间件组件等。
功能软件层面,主要为自动驾驶的核心共性功能模块,包括自动驾驶通用框架、网联模块、运控模块等,功能软件结合系统软件,共同构成宏观意义上给的自动驾驶操作系统。
应用软件层面,应用软件主要包括场景算法(涵盖数据感知、多元融合、决策规划、控制执行等)、数据地图等。
针对不同软件层,我们从传统tier1、OEM及其子公司、科技巨头、第三方软件供应商四个维度对产业主要参与方进行了梳理。
表3:驾驶域不同软件层具备业务布局的公司梳理(二)系统软件1:硬件抽象层—Hypervisor 与 BSP1. Hypervisor:管理并虚拟化底层硬件Hypervisor 虚拟化技术可以有效实现资源整合和隔离。
自动驾驶操作系统是基于异构分布硬件,应用程序如 AI 计算和实时安全功能可能分别依赖不同的内核环境和驱动,但在物理层面共享 CPU 等。
图4:Hypervisor典型架构主流的虚拟机技术提供商包括BlackBerry QNX Hypervisor及Intel与Linux基金会主导的ACRN(开源)。
截至目前,只有QNX Hypervisor应用到量产车型,它也是目前市场上唯一被认可功能安全等级达到ASIL D级的虚拟化操作系统。
清华大学——自动驾驶汽车平台技术基础第二册第6章
、并道等;
4)3D展示
• 基于红绿灯信号:包括红灯、黄灯、绿灯。 • 提供实时路况,包括当前车道、
红绿灯、限速;
2)场景运行与算法上传
• 算法模块输出的可视化信息,包
• 支持同时多场景的高速运行;
括路径规划、动态障碍物、规划
• 支持单算法模块的上传运行;
轨迹等;
• 提供整车环境的单个模块的仿真结果;
仿真执行模式
支持同时高效运行多个场景。 支持在Apollo环境中验证一个或多个模块。
自动驾驶汽车仿真平台
Apollo仿真平台使用简介
当前版本启用以下评分指标: 碰撞检测、红灯违规检测、超速检测、越野检测
、到达测试、硬制动检测、加速测试、路由寻径 测试、结点检测中的变道行为、人行横道上的行 人避让、紧急制动、停车标志处停车。
自动驾驶汽车仿真平台
Apollo仿真平台特点:
1)内置高精地图的仿真场景
3)智能的场景判别系统
• 基于路型:包括十字路口、调头、直行、弯道 目前开放了多个判别标准:碰撞检
等;Biblioteka 测、闯红灯检测、限速检测、在路
• 基于障碍物类型:包括行人、机动车、非机动 检测、到达目的地检测等。
车等;
• 基于道路规划:包括直行、调头、变道、转弯
自动驾驶汽车仿真平台
典型仿真平台介绍——Apollo仿真平台
在Apollo中,对仿真平台的定位是不仅仅是真实,而是要能够进一步展现智能汽 车算法中的问题。
因为在整个算法迭代闭环中,光贴合真实场景是不够的,还需要能够发掘问题,发 现了问题后才能去修正问题。 开发过程从开发到仿真再回到开发,仿真平台跟开发过程应串联成一个闭环。只
自动驾驶汽车仿真平台
无人驾驶车辆平台运营方案
无人驾驶车辆平台运营方案一、背景介绍随着人工智能技术和自动驾驶技术的不断发展,无人驾驶车辆正在逐步走进人们的生活。
目前,国内外很多企业已经开始投入大量的资源和资金研发无人驾驶技术,以期在未来的市场竞争中占据优势。
然而,由于无人驾驶技术实现的难度较大,要解决的问题也很多,目前还没有一种成熟的商业模式出现。
因此,如何运营无人驾驶车辆平台,将是未来这个行业亟需解决的问题。
二、无人驾驶车辆平台的运营模式无人驾驶车辆平台的运营模式主要分为三个层次:硬件层、软件层、服务层。
1. 硬件层硬件层是无人驾驶车辆平台的基础,包括无人驾驶汽车、传感器、电池等配套设备。
运营方需要通过自主研发或合作采购这些硬件设备,并将其进行集成组装,以保证车辆的性能和质量。
在运营无人驾驶平台时,硬件设备的配备至关重要。
首先,车辆的性能和质量会影响到用户的使用体验和安全。
其次,多样化的硬件设备可以满足用户的不同需求,从而提高用户的满意度和忠诚度。
2. 软件层软件层是无人驾驶平台的核心。
运营方需要开发完整的软件系统,包括数据采集、数据处理、决策控制等子系统。
这个子系统可以基于机器学习算法、深度学习等技术,实现车辆的精准定位、自主导航、交互式语音等功能。
在软件开发方面,运营方需要考虑到以下因素:软件的开发成本、软件的稳定性和可靠性、软件的维护和更新等。
由于自动驾驶技术的本质,软件的安全性和稳定性十分重要。
3. 服务层服务层是无人驾驶平台运营中最重要的一环,它包括用户服务、派单服务、维修服务等多个方面。
这些服务可以提高用户的满意度,加强用户对平台的信任感,并为平台带来更多的盈利。
在实践中,无人驾驶平台的服务可以通过在线客服、社交媒体、邮件等途径提供。
运营方可以针对不同的用户需求设置不同的服务方案,例如滴滴出行可以为用户提供出租车、快车、专车等不同形式的服务。
三、无人驾驶车辆平台的盈利模式无人驾驶车辆平台目前可以采取以下几种盈利模式:1. 出租这是无人驾驶平台最为直接的盈利模式。
基于SCANeR软件的硬件在环仿真平台构建
基于SCANeR软件的硬件在环仿真平台构建作者:屈亚洲张鹏飞吴云兵王晓亮来源:《专用汽车》2023年第11期摘要:針对ADAS控制算法开发验证测试,搭建了集NI PXI总线、SCANeR场景软件、视频暗箱、VeriStand试验管理软件为一体的ADAS控制器硬件在环仿真平台;详细介绍了该平台的架构组成及信号的传递途径,并开发了多种用于模拟各种试验工况和运行环境的标准法规测试场景;最后结合该硬件在环测试平台,对某款ADAS控制器的LDW场景进行测试验证,结果表明,该平台能很好地对ADAS控制算法进行功能测试,能够缩短企业ADAS控制算法的开发周期并降低验证成本。
关键词:ADAS控制器;SCANeR场景软件;NI PXI总线;硬件在环中图分类号:U467 收稿日期:2023-09-10DOI:10.19999/ki.1004-0226.2023.11.0211 前言自动驾驶汽车是一种通过电脑系统实现无人驾驶的智能汽车,是未来无人驾驶技术实现商业化落地的附属产品,而目前由于技术的不成熟和法律法规的限制,自动驾驶汽车大规模上路仍需时日。
而先进辅助驾驶系统(Advanced Driver Assistant System),简称ADAS,是利用安装于汽车上的各种传感器,在行驶过程中收集车内外的数据、辨识静态和动态物体,进行运算和分析并反馈给驾驶者,以帮助驾驶者察觉可能发生的危险,提高安全性的主动安全技术[1]。
由于其有效地增加了汽车驾驶的安全性和舒适性,在汽车产品市场上得到了广泛的推广和应用,据北京恒州博智汽车研究中心估算,预计到2023年中国ADAS市场规模将达到惊人的1 206.17亿元[2]。
ADAS系统具备的功能包括自动紧急制动(AEB)、前向碰撞预警(FCW)、车道偏离预警(LDW)等,国内相关机构针对ADAS系统性能评估,出台了一系列道路测试标准,如GB/T (国家推荐标准)、JT/T(交通行业推荐标准)、i-VISTA智能汽车指数,以及根据E-NCAP进行中国本土化的C-NCAP[3]。
华为八爪鱼自动驾驶开放平台系统解析
华为“八爪鱼”自动驾驶开放平台1 华为“八爪鱼“ 自动驾驶开放平台,达到业界领先水平•华为“八爪鱼”联合诺亚实验室持续攻关,实现感知算法精度达到业界领先水平。
•通过解耦自动驾驶开发最关键的四大要素——硬件、数据、算法和高精地图,构建一套以数据为核心,驱动自动驾驶闭环迭代的开放平台。
•该平台构建在华为云的底座之上,具有0基础开发、车云协同、安全合规并持续演进的应用优势。
2 华为“八爪鱼“ ,帮助车企实现车云协同•华为“八爪鱼”平台的出现帮助车企和开发者加速算法开发的迭代和应用,全面覆盖自动驾驶的各个阶段。
•该平台把算力、数据和算法实现车云协同。
其中,算力平台既可支持华为mdc ,也可支持其他主流硬件,有效提高平台开放性。
•同时,预制2000万标注数据集,20万个场景库数据,真实场景数据孪生以及虚实混合仿真服务开放,实现云服务开箱即用的优势。
3 三大特性——自动标注能力,加速系统迭代•一、自动标注能力。
•华为与诺亚团队深度合作,依靠其AI能力基础对200万数据进行24轮训练。
同时采用不受实时性的限制,多模态、不同视角以及多任务的融合,最终实现对3D点云目标的精准识别和检测。
•再结合云端的强大算力,可以将这种超大模型的训练效率提升10倍以上,进而提高车端感知模型的迭代速度。
协同,实现智能化难例筛选3三大特性——云和MDC•二、云和MDC协同的难例场景智能筛选。
•通过云端和车端算力以及MDC的配合,可以实现难例场景的智能筛选,有针对的收集云端数据,在云端把图片的特征抽取后,推送到车端,从而在行驶过程中遇到的复杂场景运用。
•该方法可以减少90%的上云数据,并节省70%的数据集构建时间。
•三、一站式自动驾驶DevOps 能力。
•华为“八爪鱼“自动驾驶开放平台通过从代码仓库接入、版本管理,到仿真、评测,实现了完整的自动化闭环。
•该平台结合大规模并发的仿真,日行1000万公里以上,随后用内置的评测标准对仿真结果进行自动化评测,形成一套完整的自动化评测体系。
车辆自动驾驶解决方案案例
车辆自动驾驶解决方案案例随着人工智能及自动化技术的不断发展,车辆自动驾驶成为了未来交通的重要发展方向。
目前,各大车企、科技公司都在积极探索自动驾驶领域的解决方案。
本文将介绍几个已经实现或正在推进中的车辆自动驾驶解决方案案例。
阿里巴巴和宝马合作实现自动驾驶阿里巴巴和宝马合作,共同推进自动驾驶领域的发展。
截至2021年,双方已经完成了自动驾驶领域的路测,开发出了具备自动驾驶功能的汽车。
双方计划在2022年底前,实现具备L4级别自动驾驶功能的汽车落地。
该合作涉及到算法、芯片、硬件、车辆网络等多个领域。
特斯拉的自动驾驶技术特斯拉是全球公认的自动驾驶汽车先驱,其自动驾驶技术已经成为业界的翘楚。
特斯拉提供的自动驾驶技术可以实现车辆自动驾驶、自动泊车、高精度地图等功能。
特斯拉的自动驾驶技术是基于神经网络及机器学习技术实现的,能够不断吸收用户数据,进行深度学习,提高自动驾驶的稳定性、精确性和安全性。
百度Apollo开放平台百度Apollo是国内领先的自动驾驶平台,其开放平台提供了囊括硬件、软件、模型、数据等一系列情报的“一站式”自动驾驶解决方案。
开放平台可以为各汽车厂商、车内设备供应商、地图厂商、芯片厂商等提供全面的技术支持。
目前,信马和比亚迪等众多企业都在百度Apollo的帮助下推进自动驾驶领域的发展。
外卖小哥的自动驾驶外卖小哥从业人员在生活中最常见的代表,但是随着城市密度的不断增加,外卖小哥配送的困难度也在逐渐增加,自动驾驶技术对于外卖配送来说也提供了越来越多的可能性。
目前,各大外卖平台纷纷开始探索自动驾驶技术在配送领域的应用。
其主要优势在于,一方面可以提高外卖配送的效率和速度,另一方面也可以降低人力成本和劳动强度。
科技公司进军自动驾驶领域除特斯拉、阿里巴巴、百度等领先企业外,也有许多新兴科技公司进军自动驾驶领域。
例如,美国无人驾驶汽车初创企业Cruise Automation实现了自动驾驶出租车服务,并获得了加州公路巡逻局颁发的出租车营运许可证。
智能网联汽车硬件在环虚拟仿真实验平台设计开发
智能网联汽车硬件在环虚拟仿真实验平台设计开发随着智能网联汽车技术的不断发展,越来越多的汽车制造商和科研机构开始将注意力集中在智能网联汽车硬件的设计和开发上。
为了有效地测试和验证这些硬件设备的性能和可靠性,设计和开发一个基于虚拟仿真的实验平台变得尤为重要。
本文将讨论智能网联汽车硬件在环虚拟仿真实验平台的设计和开发。
首先,为了设计和开发一个有效的智能网联汽车硬件在环虚拟仿真实验平台,需要确定仿真系统的整体框架和组成部分。
这些组成部分包括车辆仿真模型、传感器模型、通信模块和控制器模型等。
通过合理的组合和配置这些模型,可以在虚拟环境中完整地模拟智能网联汽车的硬件系统。
其次,智能网联汽车硬件在环虚拟仿真实验平台的设计和开发需要依靠先进的仿真软件和工具。
目前市场上有很多成熟的汽车仿真软件,如CarSim、ADAMS和Vissim等,这些软件具有强大的仿真和建模能力,能够实现真实的汽车行驶环境和各种场景的模拟。
通过使用这些软件,可以方便地进行智能网联汽车硬件在环虚拟仿真实验的设计和开发。
同时,智能网联汽车硬件在环虚拟仿真实验平台的设计和开发还需要考虑到与实际硬件设备的接口和通信。
在虚拟仿真环境中,需要设计和开发模拟传感器和控制器的模型,以模拟真实硬件设备的输入和输出,并与仿真系统进行通信。
这样可以在仿真环境中测试和验证智能网联汽车硬件设备的性能和可靠性。
此外,智能网联汽车硬件在环虚拟仿真实验平台的设计和开发还需要考虑到不同场景下的测试和验证需求。
智能网联汽车在不同的道路条件、环境和交通状况下都需要具备良好的性能和可靠性。
因此,在虚拟仿真实验平台中,需要设计和开发不同场景的仿真模型,以模拟各种不同的道路条件、环境和交通状况,并对智能网联汽车硬件设备进行测试和验证。
最后,智能网联汽车硬件在环虚拟仿真实验平台的设计和开发需要进行充分的测试和验证。
在开发过程中,需要对虚拟仿真实验平台的各个组成部分进行测试和验证,以确保其能够准确地模拟智能网联汽车的硬件系统。
自动驾驶汽车硬件在环测试技术概述
Self-driving 自动驾驶自动驾驶汽车硬件在环测试技术概述文/王敏委基于模拟仿真机制的在环测试是自动驾驶汽车研 发测试的重要过程,可以在多种虚拟场景下对车辆性 能和车辆控制算法进行低成本且高效的验证。
在车辆 研发的v形体系中,硬件在环测试是针对各个车辆电 子控制单元(ECU)进行功能、性能的测试验证。
一 般的硬件在环(HIL)测试平台可以分为四层:车辆仿 真层、传感器仿真层、场景仿真层和硬件电子控制单 元(ECU)层。
HIL测试平台可以实现多种功能的测 试验证,主要用于以下任务:构建汽车运动模型、各 种传感器模型和虚拟测试场景并开展测试;对环境感 知、路径规划、决策、车辆控制、通信与交互等算法 进行闭环评估;推动上述算法从虚拟环境到真实自动 驾驶汽车的快速移植。
1简介在环测试和实车测试是用来验证和优化自动驾驶 汽车的感知、控制等算法的主要技术。
由于自动驾驶 汽车引入了大量的新技术,有必要在技术完全成熟之 前通过在环测试对这些基于人工智能的感知和控制算 法进行预先测试评估,因此在环测试渐渐成为自动驾 驶汽车研发的强制性步骤。
传统的实车测试是一种费 时费力且成本高的测试方法,只能进行有限数量的场 景测试。
相比之下,在环测试使用了和实际车辆比较 一致的仿真传感器、车辆和交通场景,提供了一种经 济效益和测试效果比较均衡的测试环境。
通过以往的 各种自动驾驶智能算法研究和实验,验证了这种在环 测试方法在车辆功能-麵口性能分析上的高效性。
一般地,硬件在环(HIL)测试平台结构框架如图 1所示,包含多种仿真软件接口和硬件ECU接口,各 个接口组合成一个高效的封闭测试验证循环。
仿真软 件接口包含3部分:一是控制车辆运动的车辆仿真模型;二是产生车辆数据的各种传感器仿真模型;三是 模拟真实道路场景的虚丨以测试环境。
5更件ECU接口则 包含了真实的车辆ECU。
仿 口K=3H Z3■车》状志传W Im&mB f pr■孕•K&f is S t t iSB-------------------^自功《饕汽李实车平台m c m s a i M u t法V i--------**CAN!j•a a s M金■a s m____ii——1L-—-t---ts v;*畔在仿霣测试T图1自动驾驶汽车硬件在环测试平台组成仿真软件接口可以运行包括各种车辆软件,模拟 测试平台上任何所需的对象。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2.4 自动驾驶汽车计算平台
基于GPU的计算平台 多核心、高内存带宽 强大的计算能力 对深度学习应用有力支持 主流平台解决方案
图 NVIDIA Tesla P100高性能GPU处理器
基于FPGA的计算平台 硬件配置灵活 能耗低 性能高 可编程 适合进行感知计算
图 Cyclone V Soc多域控制平台
、灰尘的能力强,广泛应用于车载距离探测,如自适应巡航、碰撞预瞥 、盲区探测等。
图 毫米雷达波工作原理
2.3 自动驾驶汽车感知系统
应用场景:主流工作频段为24GHz和77GHz,分别应用于中短距和中长 距测量。
分类
窄带雷达 宽带雷达
探测距离 (m )
280
30/120
车速上限
km/h
250
150
精度
32 100米 正负2厘米 700,000像素/秒
16 100米 正负2厘米 300,000像素/秒
角度(垂直/水平) 功率
26.87360° 60W
40°/360° 12W
表、 Velodyne激光雷达
307360° 8W
2.3 自动驾驶汽车感知系统
固态激光雷达推进成本快速下降 固态激光雷达取消机械结构,体积更小,方便集成在车身内部,系统可
图 线控转向系统
2.5 车辆线控系统
线控转向系统的工作原理 系统控制器采集方向盘转角、车速和横摆角速度等传感器信号 控制策略对汽车转向运动进行控制 路感模拟系统根据汽车不同行驶工况对路感进行模拟并反馈给驾驶人
2.5 车辆线控系统
线控制动定义:指采用电线取代部分或全部制动管路,通过控制器操纵电 控元件来控制制动力大小。
点。 系统抗干扰能力的增强:利用IMU的短期高精度弥补GPS系统易受干扰
、信号易失锁等缺点,同时借助IMU 的姿态信息、角速度信息可进一步 提高GPS系统快速捕获或重新锁定卫星信号的能力。 导航信息的补全:除了可以提供载体运动的三维位置和速度信息外,还 可提供加速度、姿态和航向信息;GPS/IMU组合系统可提供100Hz甚至 高于100Hz的数据更新率。
世界上著 名的卫星 导航系统
GPS 美国的全球定位系统(Global Positioning System) GLONASS 俄罗斯的全球导航卫星系统 (Global Navigation Satellite System) BDS 中国的北斗卫星导航系统(Beidou Navigation Satellite System) Galileo 欧盟伽利略系统
优缺点
技术成熟,成本很低 受光线、天气影响较大
2.3 自动驾驶汽车感知系统
应用场景:按照安装位置差异可分为前视、环视、侧视、后视及车内监 控5类,可以实现行车辅助(行车记录仪、ADAS)、驻车辅助(安全环 视)与车内人员监控(人脸识别技术)等 功能。
表 车载摄像头位置及安装功能
图 实现盲点检测和代替后视镜
图 自动驾驶车辆线控底盘构成
2.5 车辆线控系统
线控油门:用线束代替拉索或者拉杆,在节气门部位装一只微型电动机, 用电机驱动节气门开度。
图 电子油门控制原理
2.5 车辆线控系统
线控换挡:将传统的机械手动档位改为手柄、拨杆、转盘、按钮等电子信 号输出的方式。
线控转向:指取消方向盘与转向车轮之间的机械连接,采用电信号控制车 轮转向,可以自由设计汽车转向系角传递特性和力传递特性。
2.5 车辆线控系统
EHB系统在量产汽车上已得到实际应用 精确地独立控制各个轮缸压力 系统响应快,可以实现再生制动 与其它系统结合,提高车辆制动稳定性, 能量回收最大化 EHB采用液压蓄能器来提供压力 液压制动阀的安装位置更加灵活 与传统制动结构相差不大,因此在紧急状态下,可以直接向前轮施加制
汽车电子电气架构
宏观
微观
物理架构
逻辑架构
众多电子电器件
2.2 自动驾驶汽车电子电气架构
汽车电子电气架构平台的发展主要经历了以下 4 个阶段: 关联式分布系 统架构、联合式分布系统架构、联合式分布系统架构以及综合式集权域 系统架构。
图、电子电气架构平台演变历程
2.2 自动驾驶汽车电子电气架构
电子电气架构发展趋势
靠性提高,成本有望控制在数百美元。
图 Quanergy S3固态激光雷达
图 Velodyne与福特共同发布的 混合固态激光雷达VLP-16 PUCK
2.3 自动驾驶汽车感知系统
车载摄像头 基本原理
图像 处理
图片转换为 二维数据
模式
定
计算相对距离
识别
位
和相对速度
数据量大,接近人眼效果 训练样本大、周期长
灰尘/潮湿适应 性
较差
优
低成本硬件
较差
优
较差 优
较差 良
低成本信号处理 较差
优
较差
良
表 主流车载传感器性能对比
2.3 自动驾驶汽车感知系统
激光雷达在自动驾驶中两个 核心作用:
3D建模进行环境感知。 SLAM加强定位。
LiDAR两大标准: 线数 距离
激光雷达LiDAR 是 Light Detection and Ranging的简称。 它是一种通过光学方法来测量距离和反射率的仪器。 特点:距离精度极高,分辨率中等
感,以提供给驾驶人相应的踏感信息。
2.5 车辆线控系统
线控制动系统分类
线控制动系统
电子驻车制动系统 (Electronic Porking
Brake,EPB)
电液线控制动系统 (Electronic Hydraulic
Brake,EHB)
电子机械制动系统 (Electro-mechanical
Brake,EMB)
温度要求:工作在 -40度~80度之间
防磁抗振:必须具 备极高的防磁抗振 能力以及极低的对 外电磁辐射能力
较长的寿命:至少 稳定工作8~10年
2.3 自动驾驶汽车感知系统
毫米波雷达 基本原理:向周围发射无线电,通过测定和分析反射波以计算障碍物的
距离和方向。 特性:不易受天气状况限制,即使是雨雪天也能正常运作,穿透雾、烟
图、硬件平台构成
2.2 自动驾驶汽车电子电气架构
传统的原始线束设计
2.2 自动驾驶汽车电子电气架构
随着汽车配置和电子电气系统变得越来越复杂,电子电气的成本也越来 越高,先进的电子电气架构(Electronic & Electrical Architecture,简 称EEA)设计就应运而生,随之取代了传统的原始线束设计。
CAN总线
CAN+车 载以太网
2.2 自动驾驶汽车电子电气架构
CAN总线的优势: 广播车辆的全部数据流,车内的各种控制器和传感器可相互沟通 改善了当时电子电气架构的效率与互操作性。 降低了系统的复杂度,减少布线数量。 CAN总线的劣势 传输速率500kb/s, 带宽和吞吐量有限,难以应对未来车辆在数据流处理
2.4 自动驾驶汽车计算平台
计算平台 基本定义:是计算机系统硬件与软件的设计和开发的基础,硬件的基础
是中央处理器(CPU),软件的基础是操作系统。 基本指标:性能、功耗、功能安全 解决方案:
A)基于GPU的计算平台
B)基于FPGA的计算平台
计算平台 解决方案
C)基于DSP的计算平台
D)基于ASIC的计算平台
线控制动系统组成:制动踏板模块、车轮制动作动器、制动控制器
制动踏板模块包括:制动踏板、踏板行程传感器、踏板力感模拟器
线控制动工作原理 踏板行程传感器通过检测驾驶者的制动意图并将其传递给制动控制器 控制器综合纵/侧向加速度传感器、横摆角速度传感器等信号进行计算,
并控制车轮制动作动器快速而精确地提供所需的制动压力。 同时制动踏板模块接收控制器送来的信号,控制踏板力感模拟器产生力
、网络安全及“终极”机器学习方面的需求。
图、首款采用CAN总线的车型为1986款BMW860轿跑
2.2 自动驾驶汽车电子电气架构
以太网可以提供比CAN总线高1000倍的带宽,开始更多在汽车主动安全 等对速度与容量有较高要求的应用中发挥作用。
未来,“CAN+车载以太网”构成双主干网络总线架构,CAN协议主要 负责时效要求更高、数据量小的信息传输,而车载以太网则主要作用于 不同的域之间,以实现数据量大的信息互通。
0.5m
厘米级
主要应用范 ACC自适应巡 车辆环境监测
围
航
表 长距雷达与短距雷达主要参数对比 图 搭载“1长+4短”毫米雷达波的奥迪A4
2.3 自动驾驶汽车感知系统
导航定位系统
基本原理:自动驾驶汽车通过GNSS(Global Navigation Satellite System,全球导航卫星系统)获取高精度的位置信息后,跟高精地图进 行匹配,从而形成良好的导航功能。GNSS系统也能为车载传感器的时 间同步或者导航提供最基础的时空信息。
四种异构的全编程加速器,分别对专有算法进行优化, 包括计算机视觉、信号处理和机器学习等。
图 Mobileye生产的EyeQ5芯片
2.5 车辆线控系统
基本定义:车辆线控技术指用电子信号代替由机械、液压或气动的系统 连接的部分,如换档连杆、油门拉线、转向器传动机构、刹车油路等。
基本组成:线控转向、线控制动、线控换挡、线控油门、线控悬挂五大 系统。
2.3 自动驾驶汽车感知系统
应用场景:基于卡尔曼滤波的传感器融合技术,我们可以融合GPS与 IMU数据,增强系统动态适应能力,并使整个系统获得优于局部系统的 精度;另一方面可以提高空间和时间的覆盖范围,从而实现真正意义上 的连续导航。
图 GPS/INS系统结构
2.3 自动驾驶汽车感知系统
GPS/IMU组合的优势有以下几点: 系统精度的提高:利用GPS的长期稳定性弥补IMU误差随时间累积的缺