一文了解智能驾驶（吹牛专用）

1.序言

先声明，博主不是搞智能驾驶的。但是，智驾在今天是个避不开的话题，大家都认为这是未来发展的方向，你不懂点智能驾驶知识，怎么在汽车道上混呢？至少，会几个关键词吧，哈哈。

2.智驾吹牛关键词（看加粗字体）

模块化自动驾驶系统：最经典也是业界采用最多的一种自动驾驶系统，也是最简明清爽的一种结构，其作用是实时地求解出连续的控制输出使得自动驾驶车辆可以安全地由初始位置行驶到目标位置。基于模块化的思想，将自动驾驶系统划分为三层：环境感知层、决策规划层（决策和规划分开也可以，见图）和运动控制层。

感知技术：感知就是用传感器，代替人的双眼，一般有激光雷达、超声波雷达、毫米波雷达、视频摄像头，具体参数见下

传感器融合技术：

前融合

前融合算法指的是在传感器原始数据层面进行融合，原始数据保留了最全的目标信息，融合算法根据各个传感器输出目标的纹理特征、三维信息、RGB信息综合判断，然后输出一个准确率更高的结果。在一些场景下，如果使用后融合算法，由于每个传感器只能探测到目标的一部分，而这一部分由于信息不全，很容易被作为噪点过滤掉，但是前融合算法就可以规避这个问题，前融合虽好，但是对处理器要求很高，需要高算力、高带宽的通讯，同时非常依赖大量数据的驱动以及数据闭环来优化算法。

后融合

每个传感器独立输出原始数据然后对每个传感器的数据进行处理，输出识别结果，最后在域控制器内设计合适的传感器权重做最终的仲裁。可以简单的理解为这种感知融合方式类似投票机制，每个传感器有不同的话语权。

后融合算法的优势在于逻辑简单，计算速度快，通讯带宽小，劣势在于信息损失大，信息精度低。

虽然说后融合算法简单，但是目前大部分OEM仅仅能处理毫米波雷达的融合，视觉算法的融合还是依赖芯片+算法系统供应商。

决策规划：

完成了感知部分，接下来需要做的便是依据感知系统获取的信息来进行决策判断，确定适当工作模型，制定相应控制策略。这部分的功能类似于给车辆下达相应的任务。例如在车道保持、车道偏离预警、车距保持，障碍物警告等系统中，需要预测本车与其他车辆、车道、行人等在未来一段时间内的状态，先进的决策理论包括模糊推理、强化学习、神经网络和贝叶斯网络技术等。

智能车辆有了行驶任务，智能车辆的路径规划就是在进行环境信息感知并确定车辆在环境中位置的基础上，按照一定的搜索算法，找出一条可通行的路径，进而实现智能车辆的自主导航。

路径规划的方法根据智能车辆工作环境信息的完整程度，可分为两大类：

基于完整环境信息的全局路径规划方法；例如，从上海到北京有很多条路，规划处一条作为行驶路线即为全局规划。如栅格法、可视图法、拓扑法、自由空间法、神经网络法等静态路径规划算法。

基于传感器实时获取环境信息的局部路径规划方法；例如，在全局规划好的上海到北京的那条路线上会有其他车辆或者障碍物，想要避过这些障碍物或者车辆，需要转向调整车道，这就是局部路径规划。局部路径规划的方法包括：人工势场法、矢量域直方图法、虚拟力场法、遗传算法等动态路径规划算法等。

运动控制：

运动控制包括横向控制和纵向控制，简单来说横向控制就是转向控制，纵向控制就是速度控制（油门，刹车，挡位），线控底盘火起来的原因就是因为智驾需求，传统的转向和制动制动配合智架容易出现“打手”和“卡脚”现象（具体原因看博主的线控制动文章）。

车辆是一个特别复杂的系统，横向、纵向和垂向都有耦合关系的存在，因此就需要对智能车辆进行横、纵向，甚至横、纵、垂向的协同控制。由于其耦合关系的复杂性，所以说智能车辆运动控制的协同控制技术，也是该部分的技术难点。

端到端自动驾驶：

术语端到端（End to End）来源于深度学习，指的是算法直接由输入求解出所需的输出，即算法直接将系统的输入端连接到输出端。2016年NVIDIA将端到端的深度学习技术应用在自动驾驶汽车之后（股价飙升原因之一），端到端自动驾驶迅速捕获圈内一众大佬的芳心，各种demo更是层出不穷。

所谓端到端自动驾驶是指车辆将传感器采集到的信息（原始图像数据、原始点云数据等），直接送入到一个统一的深度学习神经网络，神经网络经过处理之后直接输出自动驾驶汽车的驾驶命令（方向盘转角、方向盘转速、油门踏板开度、制动踏板开度等）（模块化开发人员可能饭碗不保）。

自动驾驶等级：

• 辅助驾驶 （包含Level1 / Level2）

• 自动驾驶 （包含Level3 / Level4 / Level5）

• L0:撒都没有

• L1:解放双脚
• L2:解放双手
• L3及以上：解放双眼

详情见下图

OVER,够吹就行。。。