自动驾驶系统仿真设计毕业论文

自动驾驶是汽车行业新一轮的技术革命，推动着传统汽车行业快速转型升级，是未来汽车的发展趋势。自动驾驶技术有利于改善汽车交通安全、提高交通运输效率、实现节能减排、促进产业转型等。《中国制造2025》规划中已将智能网联汽车列入未来十年国家智能制造发展的重点领域，明确指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术，到2025年要掌握自动驾驶总体技术及各项关键技术。本文将介绍自动驾驶等级分类标准、自动驾驶软硬件架构图以及自动驾驶涉及到的关键技术等。 美国汽车工程师协会根据汽车智能化程度将自动驾驶分为L0-L5共6个等级：其中L0为无自动化（No Automation， NA），即传统汽车，驾驶员执行所有的操作任务，例如转向、制动、加速、减速或泊车等；L1为驾驶辅助(Driving Assistant， DA)，即能为驾驶员提供驾驶预警或辅助等，例如对方向盘或加速减速中的一项操作提供支持，其余由驾驶员操作；L2为部分自动化（Partial Automation，PA），车辆对方向盘和加减速中的多项操作提供驾驶，驾驶员负责其他驾驶操作；L3为条件自动化（Conditional Automation，CA），即由自动驾驶系统完成大部分驾驶操作，驾驶员需要集中注意力以备不时之需；L4为高度自动化（High Automation，HA），由车辆完成所有驾驶操作，驾驶员不需要集中注意力，但限定道路和环境条件；L5为完全自动化（Full Automation， FA），在任何道路和环境条件下，由自动驾驶系统完成所有的驾驶操作，驾驶员不需要集中注意力。 自动驾驶汽车的软硬件架构如图2所示，主要分为环境认知层、决策规划层、控制层和执行层。环境认（感）知层主要通过激光雷达、毫米波雷达、超声波雷达、车载摄像头、夜视系统、GPS、陀螺仪等传感器获取车辆所处环境信息和车辆状态信息，具体来说包括：车道线检测、红绿灯识别、交通标识牌识别、行人检测、车辆检测、障碍物识别和车辆定位等；决策规划层则分为任务规划、行为规划和轨迹规划，根据设定的路线规划、所处的环境和车辆自身状态等规划下一步具体行驶任务（车道保持、换道、跟车、超车、避撞等）、行为（加速、减速、转弯、刹车等）和路径（行驶轨迹）；控制层及执行层则基于车辆动力学系统模型对车辆驱动、制动、转向等进行控制，使车辆跟随所制定的行驶轨迹。 自动驾驶技术涉及较多的关键技术，本文主要介绍环境感知技术、高精度定位技术、决策与规划技术和控制与执行技术。 环境感知指对于环境的场景理解能力，例如障碍物的类型、道路标志及标线、行车车辆的检测、交通信息等数据的语言分类。定位是对感知结果的后处理，通过定位功能从而帮助车辆了解其相对于所处环境的位置。环境感知需要通过传感器获取大量的周围环境信息，确保对车辆周围环境的正确理解，并基于此做出相应的规划和决策。 自动驾驶车辆常用的环境感知传感器包括：摄像头、激光雷达、毫米波雷达、红外线和超声波雷达等。摄像头是自动驾驶车辆最常用、最简单且最接近人眼成像原理的环境感知传感器。通过实时拍摄车辆周围的环境，采用CV技术对所拍摄图像进行分析，实现车辆周围的车辆和行人检测以及交通标志识别等功能。摄像头的主要优点在于其分辨率高、成本低。但在夜晚、雨雪雾霾等恶劣天气下，摄像头的性能会迅速下降。此外摄像头所能观察的距离有限，不擅长于远距离观察。毫米波雷达也是自动驾驶车辆常用的一种传感器，毫米波雷达是指工作在毫米波段（波长1-10 mm ，频域30-300GHz）的雷达，其基于ToF技术（Time of Flight）对目标物体进行检测。毫米波雷达向外界连续发送毫米波信号，并接收目标返回的信号，根据信号发出与接收之间的时间差确定目标与车辆之间的距离。因此，毫米波雷达主要用于避免汽车与周围物体发生碰撞，如盲点检测、避障辅助、泊车辅助、自适应巡航等。毫米波雷达的抗干扰能力强，对降雨、沙尘、烟雾等离子的穿透能力要比激光和红外强很多，可全天候工作。但其也具有信号衰减大、容易受到建筑物、人体等的阻挡，传输距离较短，分辨率不高，难以成像等不足。激光雷达也是通过ToF技术来确定目标位置与距离的。激光雷达是通过发射激光束来实现对目标的探测，其探测精度和灵敏度更高，探测范围更广，但激光雷达更容易受到空气中雨雪雾霾等的干扰，其高成本也是制约其应用的主要原因。车载激光雷达按发射激光束的数量可分为单线、4线、8线、16线和64线激光雷达。可以通过下面这个表格（表1），对比主流传感器的优势与不足。 自动驾驶环境感知通常采用“弱感知+超强智能”和“强感知+强智能”两大技术路线。其中“弱感知+超强智能”技术是指主要依赖摄像头与深度学习技术实现环境感知，而不依赖于激光雷达。这种技术认为人类靠一双眼睛就可以开车，那么车也可以靠摄像头来看清周围环境。如果超强智能暂时难以达到，为实现无人驾驶，那就需要增强感知能力，这就是所谓的“强感知+强智能”技术路线。相比“弱感知+超强智能”技术路线，“强感知+强智能”技术路线的最大特征就是增加了激光雷达这个传感器，从而大幅提高感知能力。特斯拉采用“弱智能+超强智能”技术路线，而谷歌Waymo、百度Apollo、Uber、福特汽车等人工智能企业、出行公司、传统车企都采用“强感知+强智能”技术路线。 定位的目的是获取自动驾驶车辆相对于外界环境的精确位置，是自动驾驶车辆必备的基础。在复杂的地市道路行驶，定位精度要求误差不超过10 cm。例如：只有准确知道车辆与路口的距离，才能进行更精确的预判和准备；只有准确对车辆进行定位，才能判断车辆所处的车道。如果定位误差较高，严重时会造成交通完全事故。GPS是目前最广泛采用的定位方法，GPS精度越高，GPS传感器的价格也越昂贵。但目前商用GPS技术定位精度远远不够，其精度只有米级且容易受到隧道遮挡、信号延迟等因素的干扰。为了解决这个问题，Qualcomm开发了基于视觉增强的高精度定位（VEPP）技术，该技术通过融合GNSS全球导航卫星、摄像头、IMU惯性导航和轮速传感器等多个汽车部件的信息，通过各传感器之间的相互校准和数据融合，实现精确到车道线的全球实时定位。 决策规划是自动驾驶的关键部分之一，它首先是融合多传感器信息，然后根据驾驶需求进行任务决策，接着能够在避开存在的障碍物前提之下，通过一些特定的约束条件，规划出两点之间多条可以选择的安全路径，并在这些路径当中选择一条最优的路径，作为车辆行驶轨迹，那就是规划。按照划分的层面不同，可以分为全局规划和局部规划两种，全局规划是由获取到的地图信息，规划出一条在特定条件之下的无碰撞最优路径。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。局部规划的则是根据全局的规划，在一些局部环境信息的基础之上，能够避免碰撞一些未知的障碍物，最终达到目的目标点的过程。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。 决策规划层是自主驾驶系统，智能性的直接体现，对车辆的行驶安全性和整车起到了决定性的作用，常见的决策规划体系结构，有分层递进式，反应式，以及二者混合式。 分层递进式体系结构，就是一个串联系统的结构，在该系统当中，智能驾驶系统的各模块之间次序分明，上一个模块的输出即为下一模块的输入，因此又称为感知规划行动结构。但这种结构可靠性并不高，一旦某个模块出现软件或者硬件故障，整个信息流就会受到影响，整个系统很有可能发生崩溃，甚至处于瘫痪状态。 反应式体系结构采用并联的结构，控制层都可以直接基于传感器的输入进行决策，因此它所产生的动作就是传感数据直接作用的一个结果，可以突出感知动作的特点，适用于完全陌生的环境。反应式体系结构中的许多行为主要涉及成为一个简单的特殊任务，所以感觉规划控制可以紧密的结合在一块，占用的储存空间并不大，因而可以产生快速的响应，实时性比较强，同时每一层只需要负责系统的某一个行为，整个系统可以方便灵活的实现低层次到高层次的一个过渡，而且如若其中一个模块出现了预料之外的故障，剩下的层次，仍然可以产生有意义的动作，系统的鲁棒性得到了很大的提高，难点在于，由于系统执行动作的灵活性，需要特定的协调机制来解决各个控制回路，同意执行机构争夺之间的冲突，以便得到有意义的结果。 分层递阶式系统的一个结构和反应式体系的结构，都各自有优劣，都难以单独的满足行驶环境复杂多变的使用要求，所以越来越多的行业人士开始研究混合式的体系结构，将两者的优点进行有效的结合，在全局规划的层次上生成面向目标定义的分层式递阶行为，在局部规划的层面上就生成面向目标搜索的反应式体系的行为。 自动驾驶的控制核心技术就是车辆的纵向控制，横向控制，纵向控制及车辆的驱动和制动控制，而横向控制的就是方向盘角度的调整以及轮胎力的控制，实现了纵向和横向自动控制，就可以按给定目标和约束自动控制车运行。 车辆按照纵向控制是在行车速度方向上的控制，即车速以及本车与前后车或障碍物距离的自动控制。巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制器算法结合，构成了各种各样的纵向控制模式。 车辆的横向控制就是指垂直于运动方向的控制，目标是控制汽车自动保持期望的行车路线，并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适和稳定。车辆横向控制主要有两种基本设计方法，一种是基于驾驶员模拟的方法（一种是使用用较简单的动力学模型和驾驶员操纵规则设计控制器；另一种是用驾驶员操纵过程的数据训练控制器获取控制算法）；另一种是给予汽车横向运动力学模型的控制方法（需要建立精确的汽车横向运动模型。典型模型如单轨模型，该模型认为汽车左右两侧特性相同）。 除上述介绍的环境感知、精准定位、决策规划和控制执行之外，自动驾驶汽车还涉及到高精度地图、V2X、自动驾驶汽车测试等关键技术。自动驾驶技术是人工智能、高性能芯片、通信技术、传感器技术、车辆控制技术、大数据技术等多领域技术的结合体，落地技术难度大。除此之外，自动驾驶技术落地，还要建立满足自动驾驶要求的基础交通设施，并考虑自动驾驶方面的法律法规等。 参考文献： 1. 张放. 极限工况下自动驾驶车辆的轨迹规划与运动控制 [博士]: 清华大学; 2018. 2. 陈文强. 基于复杂工况的高精准可预测自动驾驶环境认知方法 [博士]: 清华大学; 2018. 3. 张欣. 无人驾驶感知辅助系统的研究与仿真实现 [硕士]: 北京交通大学; 2019. 4. 陈延真. 无人驾驶环境感知系统及障碍物检测研究 [硕士]: 天津大学; 2018.

《自动驾驶系统设计及应用》百度网盘pdf最新全集下载:链接：