无人驾驶汽车组成模块浅析

摘要：随着当今网络技术以及计算机技术的快速发展，无人驾驶汽车离我们已不再遥远。本文主要介绍无人驾驶汽车的核心组成部分，并对仍然需要改进的不足之处进行高度总结。

1自然环境感知

自然環境感知系统作为无人驾驶汽车重要组成部分之一，就好比驾驶员的“视觉”与“听觉”。车辆在行驶过程中通过一系列的传感器对外界自然环境进行有效的识别，从而能给控制单元提供正确的“信号源”。目前常用的感知技术有视觉、激波、微波传感，这些感知技术通过各种车载传感器、雷达、通信设备等来获取车辆周边环境的二维和三维图像和距离信息，并通过图像分析和距离识别对行驶环境进行感知。

1.1无人驾驶汽车环境感知传感器

1.1.1毫米波雷达

毫米波雷达是一种工作频率在30-300GHz，波长1-10mm的雷达。毫米波雷达自身有很多优点：毫米波的波长比较短，因此拥有较好的探测性能；毫米波的传播速度和光速相同，配合高速信号处理系统，能快速测量所需目标的信息；毫米波的穿透力极强，能在各种恶劣天气中正常工作；毫米波雷达一般在高频段工作，对低频噪声有一定的抗干扰能力。但是毫米波雷达的缺点也是显而易见的：毫米波在空气中传播时，气体的谐振会对毫米波产生选择性吸收和散射，大气传播衰减严重，因此，在实际运用中，应找到毫米波在大气中传播时由气体分子谐振吸收所致衰减为极小值的频率。

车用毫米波雷达根据测量原理不同，分为脉冲和调频连续波两种。脉冲式虽然测量原理比较简单，但由于受技术、硬件结构复杂、元器件成本高昂等影响，在车用领域普遍不采用此种测量方式。目前，绝大多数车用毫米波雷达都采用调频连续波方式，其结构简单、体积小、可以同时得到目标的相对距离和相对速度。当发射的连续调频信号遇到目标时，会产生有一定延时的回波，通过雷达的混频器进行处理，所得的结果和目标的相对距离和相对速度又是相关联的，通过公式计算，便能得出所需要的数据。

1.1.2激光雷达

激光雷达是以发射激光束来探测目标位置的雷达，其功能包括搜索并发现目标；测量距离、速度、角位置等运动参数；测量目标反射率，散射截面和形状等特征参数。

根据激光扫描方式的不同，激光雷达大致可分为单线激光雷达和多线激光雷达。它们大多是靠旋转的反射镜将激光发射出去并通过测量发射光和反射光之间的时间差来完成测距的，而多线激光雷达的反射镜会附加一定范围之内的俯仰角度使之可以构成垂直视野，从而输出高度信息等一系列三维立体数据。

1.1.3视觉传感器

广义的视觉传感器主要由光源、镜头、图像传感器、模数转换器、图像处理器、图像存储器等组成，主要功能是获取足够的机器视觉系统要处理的原始图像。把光源、摄像机、图像处理器、控制与通信的接口集成于一体的视觉传感器称为一个智能图像采集与处理单元，内部程序存储器可存储图像处理算法，并使用PC机，通过特定的算法下载到视觉传感器的程序存储器中，视觉传感器将PC的灵活性、PLC的可靠性、分布式网络技术结合在一起，使得视觉传感器和PLC构成机器视觉系统。狭义的视觉传感器是指图像传感器，它的作用是把通过镜头所得到的像转换为数字或模拟信号输出，是视觉检测的核心部件，主要由CCD和CMOS两种图像传感器。

与雷达相比，视觉系统视场宽，侧向精度高，成本低廉，而且属于被动型传感器，受干扰小，可以提供亮度和深度信息。因此，基于视觉的高效、低成本的环境感知将成为无人驾驶汽车未来产业化发展的主要方向。

1.2驾驶环境的机器视觉识别

驾驶环境的视觉识别主要通过图像传感器识别道路环境参数，包括车道检测、前方车辆检测、前方行人检测、交通标志检测和交通信号灯检测等。

1.2.1车道检测

车道检测的任务是提取车道的几何结构，如车道的宽度、车道线的曲率等；确定车辆在车道中的位置、方向；提取车辆可行使的区域。根据车道的特点可分为结构化车道和非结构化车道两类。根据检测对象的不同，车道检测方法也不尽相同。结构化车道检测一般依据车道线的边界或车道线的灰度与车道明显不同实现检测，而非结构化车道检测则依据车道的颜色或纹理进行检测。目前车道检测的算法大体可分为基于区域分割的识别方法、基于特征的识别方法和基于模型的识别方法。

1.2.2车辆检测

车辆检测是判断安全车距的前提，车辆检测的准确与否不仅决定了测距的准确性，而且决定了是否能够及时发现一些潜在的交通事故。目前用于检测前方运动车辆的方法主要有基于特征的方法、基于机器学期的方法、基于光流的方法和基于模型的方法。

多传感器融合技术是未来车辆检测技术的发展方向。目前，在车辆检测中主要有两种融合技术：视觉和激光雷达传感器的融合技术、视觉和毫米波雷达传感器的融合技术。

1.2.3行人检测

基于视觉传感器的行人检测是利用安装在运动车辆上的摄像机获取车前信息，然后通过视频序列检测出行人的位置。基于视觉的行人检测系统一般包括感兴趣分割和目标识别两个模块。感兴趣区分割的目的是快速确定行人可能出现的区域，缩小搜索空间，目前常用的方法是采用立体摄像机或雷达的基于距离的方法，优点就是速度快。目标识别的目的实在感兴趣区精确检测行人的位置，目前常用的方法主要有基于运动特征的方法、基于形状模型的方法、基于模板匹配的方法以及基于统计分类的方法。

1.2.4交通标志和交通信号的检测

在无人驾驶汽车中，交通标志和交通信号的检测都是通过图像识别系统实现的，主要包括检测和识别两个基本环节。

交通标志的检测先使用车载摄像机获取目标图像，再送入模式分类程序来进行识别。交通标志检测主要有基于颜色信息的交通标志检测、基于形状特征的交通标志检测、基于显著性的交通标志检测、基于特征提取和机器学习的交通标志检测等。交通标志被检测出来以后，如何正确地识别属于什么类别的也有很多方法，目前常见的有统计分类法、模板匹配、神经网络等。

交通信号灯的检测首先是定位交通信号灯，通过摄像机获取复杂的城市道路的图像，根据交通灯的颜色、几何特征等信息，准确定位其位置，获取候选区域，再通过检测算法对已获得交通信号灯的候选区域进行分析和特征提取，運用分类算法，实现对信号灯的识别。

2智能规划决策

无人驾驶汽车的智能规划决策系统就好比驾驶员的大脑，在行驶过程中，驾驶员要找出一条从起始位置到目标位置的路径，通过接收外部实时传递的信息，并在交规的约束中，做出正确的驾驶行为。在这过程中，驾驶员必须时刻注意路面行驶环境的变化，预防突发事件的发生。最后，驾驶员将行驶过程分解为转向、加速、制动等一系列的动作，最终到达规划好的目的地，而无人驾驶汽车所要完成的就是驾驶员所执行的任何操作，达到真正的自主驾驶，因此智能规划决策模块的作用非常重要。

无人驾驶汽车路径规划主要包括两个步骤，一是建立环境模型，将现实的环境进行抽象后建立的相关模型；二是路径搜索，寻找符合条件的最优路径。不同的环境模型对路径搜索方法具有非常明显的影响。

目前，环境模型建立的主要方法有可视图法、栅格法、自由空间法和拓扑法等，而这其中栅格法是公认最成熟的算法，也是安全系数最高的算法。而路径搜索规划的经典算法则有Dijkstra算法、A*算法、D*算法等，并在这些经典算法的基础上衍生出了遗传算法、模拟退火算法、蚁群算法等一系列智能算法。

2.1全局路径规划

全局路径规划的主要任务是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径。全局定位模块接收交通标志标线检测、交通信号灯检测、停车线检测和GPS定位模块的运行结果，并根据这些检测结果判定无人驾驶汽车当前在地图中的位置，并将此位置信息发送给控制模块，控制模块再根据当前车辆的位置信息，结合存储在计算机中的数据库，再将对车辆横向控制和纵向控制的要求发送给局部路径规划进行处理。

2.2局部路径规划

局部路径规划的前提是对周围环境要有一个非常完善实时的深刻理解，由于全局路径规划所生成的路径只能是从起始位置到目的位置的大致路径，无法考虑路径的方向、宽度、曲率、道路交叉以及路障等细节信息，加之无人驾驶汽车在行驶过程中会受到外部环境和自身状态不确定性的影响，很难免会遇到一些突发状况。因此，在无人驾驶汽车行驶过程中，必须以局部环境信息和自身状态信息为基础，规划出一段无碰撞、无障碍的局部路径，这就是局部路径规划。在此规划中，横向控制模块接收相应的信息，并结合定位信息，能对车辆进行横向控制；同时，速度控制模块也能接收相应的信息，并结合自然环境感知模块所得到的检测结果，计算出该车辆符合当前安全行驶标准的车速。最后，局部路径规划再将两者计算得到的数据发送到底层控制系统，从而完成对无人驾驶汽车的控制。

3车辆控制

无人驾驶汽车控制系统主要是为无人驾驶汽车的自然环境感知和智能规划决策提供准确的控制系统，就从目前的发展趋势来看，主要还是要通过加装执行机构来实现。

无人驾驶汽车根据视听觉信息认知计算结果进行行为决策以后，会产生模拟驾驶人的驾驶行为指令来对无人驾驶汽车进行实时的控制，而模拟驾驶人的驾驶行为则由无人驾驶系统中的智能规划决策模块通过驾驶行为指令的形式进行传达。格局驾驶行为指令，无人驾驶汽车的控制系统主要应包括电源、点火、油门、刹车（包括驻车）、转向、变速器和灯光这7个主要部分，并为之配备相应的控制装置。所有车辆控制装置的开发须遵循以下原则：

（1）要适应不同车辆，无须对原车结构进行较大改变就能进行无人驾驶系统的改装；

（2）结构要紧凑轻便，方便在车内进行安装布置；

（3）要具备较高的可靠性，保证能在各种较差的环境下正常工作；

（4）应具备紧急停止功能，使车辆在紧急状态下能及时回到安全的行驶状态，保证车辆行驶的安全性。

4个人观点

就目前无人驾驶汽车发展状况而言，在诸多方面还是存在技术难题需要去突破的。

无人驾驶汽车面临的最核心的问题的就是对自然环境的感知。车辆需要对车辆周边的实时动态环境、各类交通信号、行人以及其他车辆行驶状态的识别，识别过程需要相对应的传感器，这些传感器就好比驾驶员的“眼睛”和“耳朵”。但各传感器都有各自的优缺点，因此我们可以看到目前能行驶上路的无人驾驶车辆上装满了各种大大小小的传感设备，设想一下，我们是否能扬长避短，将各类感知传感器的优点相结合，整合成一个单独独立的传感器，在减小体积的同时又能控制成本，还能在任何工况下正常稳定的工作。目前，以机器视觉能力为主的解决方案成本更容易被市场接受。但只要不利因素影响，哪怕是风中飞舞的塑料袋都可能被系统误认为是障碍物，无法进行精准的建模。采用当前精准测距但是价格高昂的激光雷达，无人车的整体研发成本将大大增加，而市场上更小型更低成本的纯固态激光雷达还未能见到成熟产品。

精准的导航定位技术是保证无人驾驶汽车能按正确路线完成自主导航、控制任务的关键，但是就目前民用的GPS而言，定位的精度并不是非常理想，需要地图来进行匹配校正，很难保证能实时获取较高的定位精度。目前常用的定位方法有惯性导航定位、卫星定位、航位推算等，但均有各自的优点和局限性，在未来的发展过程中，我们可以将这些不同的定位定向技术加以有效组合，让他们各自发挥自身的优势，来提高定位系统的精度和可靠性。

车辆控制技术是我国的弱项，主要核心零部件严重依赖国外进口。随着研发投入不断的增大，相关的研究技术也在不断成熟中，针对于车辆控制模块，我们可以从细节处进行优化，比如：针对我国错综复杂的实时交通环境，无人驾驶车辆将现有的车辆控制器所采用的算法进行优化改进，从而提高控制器的工作效率，有效缩短反应时间，降低错误动作发生的概率。

而在法律层面，世界各国均出台了一系列法律法规，现阶段我国对于无人驾驶问题的法律法条依然处于研究状态，而且这个问题对于每个国家来说都是一个难题。

5结语

目前，包括我国在内的许多国家都在无人驾驶的研究领域加大了研发力度，相关技术也在不断的发展和完善中。受限于当今相关法律法规的不完善、实车试验场地的限制和错综复杂的路面交通环境，能真正上路并完全实现自主行驶的无人驾驶汽车数量还是少之又少。但是相信在不久的将来，路上行驶的车辆中有很大一部分是拥有成熟技术的无人驾驶汽车，届时，城市的交通状况也会变得更加智能与通畅，让我们共同期待那一天的到来。

参考文献：

[1]姜岩，赵熙俊，龚建伟，熊光明，陈慧岩.简单城市环境下地面无人驾驶系统的设计研究[J].机械工程学报，2012，48（20），103-112.

[2]陈旭梅.智能运输系统[M].北京：电子工业出版社，2007.

[3]熊和金.智能汽车系统研究的若干问题.交通运输工程学报，2001，2：37-40.

[4]R.Bishop，“Intelligent vehicle applications worldwide，”IEEE Intelligent Systems and Their Applications，vol.15，NO.1，pp.78-81，2000.

[5]龔毅.一种无人驾驶车辆路径跟踪控制方式研究[D].南京：南京理工大学，2014.

[6]Tobias Hesse and Thomas Sattel，“An Approach to Integrate Vehicle Dynamics in Motion Planning for Advanced Driver Assistance Systems，”Proceedings of the 2007 IEEE Intelligent Vehicles Symposium，Istanbul，Turkey，June 13-15，2007.

[7]崔胜民.现代汽车系统控制技术[M].北京：北京大学出版社，2008.

[8]黄耀.基于栅格法的汽车路径规划[D].华中科技硕士学位论文，2008.

[9]孙振平.自主驾驶汽车智能控制系统[D].长沙：国防科学技术大学，博士学位论文，2004.

[10]赵盼.城市环境下无人驾驶车辆运动控制方法的研究[D].中国科学技术大学，2012.

[11]陈龙.城市环境下无人驾驶智能车感知系统若干关键技术研究[D].武汉大学，2013.

[12]冯学强，张良旭，刘志宗.无人驾驶汽车的发展及可行性[J].山东工业技术，2015，04：50.

作者简介：方凌涛，男，24岁，江苏无锡人，西南林业大学（650224）汽车与交通学院，交通运输工程专业硕士研究生