米国自動車技術者協会は、車両の知能の程度に基づいて、自動運転を L0 ～ L5 の 6 つのレベルに分けています。
自動運転車のソフトウェアとハードウェアのアーキテクチャを図 2 に示します。これは主に環境認識層、意思決定と計画層、制御層、実行層に分かれています。環境認識 (知覚) レイヤーは、主にライダー、ミリ波レーダー、超音波レーダー、車載カメラ、暗視システム、GPS、ジャイロスコープなどのセンサーを通じて車両の環境情報と車両状態情報を取得します。具体的には、車線境界線の検出、交通状況などです。信号認識、交通標識認識、歩行者検出、車両検出、障害物認識および車両位置決めなど。設定されたルート計画と環境に基づいて、意思決定および計画層がタスク計画、行動計画、軌道計画に分割されます。および車両自体の状態を考慮して、次の特定の運転タスク (車線維持、車線変更、追従、追い越し、衝突回避など)、動作 (加速、減速、方向転換、ブレーキなど) および経路 (運転軌跡) を計画します。 ; 制御層と実行 この層は、車両動力学システムモデルに基づいて車両の駆動、制動、ステアリングなどを制御し、車両が所定の走行軌跡をたどるように制御します。
この記事では、主に環境認識技術、高精度測位技術、意思決定・計画技術、制御・実行技術など多くのキーテクノロジーを紹介します。
環境知覚とは、障害物の種類、道路標識や標識、走行車両の検出、交通情報の言語分類、その他のデータなど、環境の状況を理解する能力を指します。測位は認識結果の後処理であり、測位機能を通じて車両が環境に対する相対的な位置を理解するのに役立ちます。環境認識では、車両の周囲環境を正確に理解し、これに基づいて対応する計画と決定を行うために、センサーを通じて大量の周囲環境情報を取得する必要があります。
自動運転車で一般的に使用される環境認識センサーには、カメラ、ライダー、ミリ波レーダー、赤外線および超音波レーダーなどが含まれます。カメラは、自動運転車用の環境認識センサーとして最も一般的に使用され、最も単純で人間の目の撮像原理に最も近いものです。車両周囲の環境をリアルタイムに撮影し、撮影した画像をCV技術で解析することで、車両周囲の車両や歩行者の検知、標識認識などの機能を実現します。
カメラの主な利点は、高解像度と低コストです。ただし、夜間、雨、雪、霧などの悪天候では、カメラの性能が急激に低下します。また、カメラの視距離には限界があり、遠距離の観察は苦手です。
ミリ波レーダーは、自動運転車にも一般的に使用されるセンサーです。ミリ波レーダーは、ミリ波帯（波長1〜10 mm、周波数領域30〜300GHz）で動作するレーダーを指します。ToF技術（Time）に基づいています。飛行中の物体が検出されます。ミリ波レーダーは、ミリ波の信号を外部に発信し続け、目標から戻ってくる信号を受信し、信号の送信と受信の時間差から目標と車両との距離を測定します。したがって、ミリ波レーダーは主に、死角検出、障害物回避支援、駐車支援、アダプティブクルーズなど、車と周囲の物体との衝突を回避するために使用されます。ミリ波レーダーは強力な抗干渉能力を備えており、雨、砂、塵、煙、プラズマを透過する能力はレーザーや赤外線よりもはるかに強力で、全天候で動作します。しかし、信号の減衰が大きい、建物や人体などに遮られやすい、伝送距離が短い、解像度が低い、撮像が難しいなどの欠点もあります。
Lidar は、ToF テクノロジーを使用してターゲットの位置と距離を決定します。 LiDARはレーザー光を照射して対象物を検出するため、検出精度や感度が高く、検出範囲も広いですが、空気中の雨や雪、霧などの影響を受けやすく、コストも高いため制限があります。その主な理由。車載ライダーは、照射されるレーザー光の数に応じて、シングルライン、4ライン、8ライン、16ライン、64ラインライダーに分類できます。次の表 (表 1) を使用して、主流のセンサーの長所と短所を比較できます。
自動運転環境認識は通常、「弱い知覚+超知能」と「強い知覚+強い知能」の2つの技術的ルートを採用します。 「弱い知覚 + スーパーインテリジェンス」技術は、主にカメラとディープラーニング技術に依存して環境知覚を実現し、LIDAR には依存しません。この技術は、人間は両目で運転でき、車もカメラを利用して周囲の環境をはっきりと見ることができると考えています。超知能の実現が一時的に難しい場合、無人運転を実現するには知覚能力を高める必要がある。これがいわゆる「強い知覚＋強い知能」の技術的ルートである。
「弱い知覚 + 超知能」技術ルートと比較して、「強い知覚 + 強い知能」技術ルートの最大の特徴は、ライダーセンサーの追加により、知覚能力が大幅に向上していることです。テスラは「弱い知能 + 超知能」技術ルートを採用していますが、Google Waymo、百度アポロ、ウーバー、フォードモーターなどの人工知能企業、旅行会社、伝統的な自動車会社はすべて「強い知覚 + 強い知能」技術ルートを採用しています。
測位の目的は、外部環境に対する自動運転車両の正確な位置を取得することであり、これは自動運転車両にとって不可欠な基盤です。複雑な都市道路を走行する場合、測位精度は 10 cm 以内の誤差が必要です。たとえば、車両と交差点の間の距離を正確に知ることによってのみ、より正確な予測と準備を行うことができます。また、車両の位置を正確に把握することによってのみ、車両が位置する車線を決定することができます。測位誤差が大きいと、完全な交通事故につながる可能性があります。
GPS は現在最も広く使用されている測位方法であり、GPS の精度が高いほど、GPS センサーは高価になります。しかし、現在の商用 GPS 技術の測位精度は十分とは程遠く、その精度はメートルレベルに過ぎず、トンネルの障害物や信号遅延などの要因によって簡単に干渉されます。この問題を解決するために、クアルコムは、GNSS グローバル ナビゲーション、カメラ、IMU 慣性ナビゲーション、車輪速度センサーなどの複数の自動車コンポーネントからの情報を統合する、ビジョン強化高精度測位 (VEPP) テクノロジーを開発しました。車線まで正確なグローバルリアルタイム測位を実現するための融合。
意思決定計画は自動運転の重要な部分の 1 つであり、まず複数のセンサー情報を融合し、運転ニーズに基づいてタスクを決定し、既存の障害物を回避します。特定の制約を考慮して、2 点間で選択できる複数の安全な経路を計画し、これらの経路の中から最適な経路を車両の走行軌跡として選択することを計画といいます。さまざまなレベルに応じて、グローバル プランニングとローカル プランニングの 2 つのタイプに分類できます。グローバル プランニングは、取得した地図情報を使用して、特定の条件下で衝突のない最適な経路を計画します。たとえば、上海から北京までの道路はたくさんありますが、その 1 つを走行ルートとして計画することが全体的な計画になります。
グリッド法、ビジュアルダイアグラム法、トポロジー法、自由空間法、ニューラルネットワーク法などの静的パス計画アルゴリズムローカルプランニングはグローバルプランニングに基づいており、ローカル環境情報に基づいて、未知の障害物との衝突を回避し、最終的に目標地点に到達するプロセスです。たとえば、グローバルに計画された上海から北京までのルートには他の車両や障害物が存在します。これらの障害物や車両を回避するには、方向転換して車線を調整する必要があります。これがローカル パス プランニングです。ローカル パス プランニング方法には、人工ポテンシャル フィールド法、ベクトル ドメイン ヒストグラム法、仮想力場法、遺伝的アルゴリズム、およびその他の動的パス プランニング アルゴリズムが含まれます。
意思決定および計画の層は、インテリジェンスを直接反映し、車両および車両全体の運転の安全性において決定的な役割を果たします。一般的な意思決定計画のアーキテクチャには、階層型のプログレッシブが含まれます。そしてリアクティブ、そしてその2つのハイブリッドです。
階層型プログレッシブアーキテクチャは直列システムの構造であり、インテリジェント駆動システムのモジュールは明確な順序で配置されており、したがって、次のモジュールの入力となります。知覚計画行動構造と呼ばれます。しかし、この構造の信頼性は決して高くはなく、特定のモジュールでソフトウェアまたはハードウェアの障害が発生すると、情報の流れ全体に影響が及び、システム全体が崩壊したり、機能不全に陥ったりする可能性があります。
リアクティブ アーキテクチャは並列構造を採用しており、センサー入力に基づいて直接決定を下すことができるため、生成されるアクションは、知覚されたアクションの特性を強調することができます。まったく馴染みのない環境に適しています。リアクティブ アーキテクチャの多くの動作には、主に単純な特殊なタスクが含まれるため、計画と制御が緊密に統合され、占有されるストレージ容量が大きくないため、高速な応答と強力なリアルタイム パフォーマンスを生み出すことができます。同時に、各 1 つの層はシステムの特定の動作のみを担当する必要があり、システム全体が低レベルから高レベルへの移行を便利かつ柔軟に実現できます。レイヤーは依然として意味のあるアクションを生成できますが、システムの堅牢性は大幅に向上していますが、システムのアクション実行の柔軟性により、さまざまな制御ループ間の競合を解決し、合意するために特定の調整メカニズムが必要になることです。有意義な結果を得るために、アクチュエータの競合。
階層システムの構造とリアクティブシステムの構造にはそれぞれ長所と短所があり、複雑で変化する走行環境の要件に単独で対応することは困難です。ますます多くの業界専門家がハイブリッド アーキテクチャを研究し始めており、この 2 つの利点を効果的に組み合わせて、グローバル プランニング レベルでの目標によって定義される階層的な動作と、リアクティブ システムのローカル プランニング レベルでの目標指向の検索を生成します。
自動運転の中核となる制御技術は、車両の前後方向制御、横方向制御、縦方向制御、車両走行・制動制御であり、横方向制御はステアリングである。ホイールの角度調整とタイヤ力の制御により、前後左右の自動制御を実現し、与えられた目標や制約に応じて車両の動作を自動制御できます。
車両の縦方向制御とは、走行速度の方向の制御、つまり、車両の速度と前後の車両との車間距離を自動的に制御することです。障害物。クルーズコントロールと緊急ブレーキ制御は、どちらも自動運転における縦方向制御の代表的な例です。このような制御の問題は、モータードライブ、エンジン、トランスミッション、ブレーキシステムの制御に起因すると考えられます。さまざまなモーター、エンジン、トランスミッション モデル、車両動作モデル、ブレーキ プロセス モデルがさまざまなコントローラー アルゴリズムと組み合わされて、さまざまな縦方向の制御モードが形成されます。
車両の横方向制御とは、車両の進行方向に対して垂直な制御を指し、その目的は、車両の速度、荷重、風の抵抗、道路状況が異なる場合でも、車両を制御して希望の走行ルートを自動的に維持し、良好な乗り心地と安定性を実現することです。車両の横方向制御には 2 つの基本的な設計方法があり、1 つはドライバーのシミュレーションに基づいています (1 つは、より単純なダイナミクス モデルとドライバーの操作ルールを使用してコントローラーを設計する方法であり、もう 1 つはドライバーの操作プロセスを使用する方法です。データ トレーニング コントローラーは、もう一つは、車両の横運動力学モデルに与える制御手法（正確な車両の横運動モデルを確立する必要がある。代表的なモデルとしては、左右の特性を考慮した単線モデルなどがある）。
上記で紹介した環境認識、正確な位置決め、意思決定計画、制御の実行に加えて、自動運転車には高精度地図などの重要なテクノロジーも含まれます。 、V2X、自動運転車のテスト。自動運転技術は、人工知能、高性能チップ、通信技術、センサー技術、車両制御技術、ビッグデータ技術など多くの分野の技術を組み合わせて実現する技術です。また、自動運転技術の実現には、自動運転の要件を満たす基盤的な交通機関の整備や、自動運転に関する法規制の検討も必要となります。
以上が自動運転の主要な技術的困難に関する研究の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
