RM新时代网站-首页

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

兩方面對自動駕駛車輛運動規(guī)劃技術(shù)進行了綜述

ml8z_IV_Technol ? 來源:未知 ? 作者:李倩 ? 2018-06-07 10:24 ? 次閱讀

文章從策略實現(xiàn)的不同,將智能車運動規(guī)劃算法分為圖搜索、采樣法、插值法和數(shù)值優(yōu)化法,綜合敘述了四種算法的演化以及優(yōu)缺點。作者還以時間軸的形式,對世界范圍內(nèi)智能交通系統(tǒng)研究單位所采用和實現(xiàn)的運動規(guī)劃算法進行的調(diào)研。對運動規(guī)劃算法的未來發(fā)展,文章認為主要有兩大趨勢:考慮感知和運動不確定性;融入駕駛員的大閉環(huán)。本篇文章綜合性強,詳盡地闡述了所有主流規(guī)劃算法以及應(yīng)用這些算法的主流產(chǎn)品,巨細靡遺,值得推薦給大家

摘要:利用諸如基礎(chǔ)設(shè)施和其他車輛的信息(V2I和車聯(lián)網(wǎng)技術(shù)),車輛可以通過車載傳感器通信網(wǎng)絡(luò)實時獲取環(huán)境信息。借助于這些環(huán)境信息,不同的運動規(guī)劃與控制技術(shù)能夠在復(fù)雜環(huán)境下促進自動駕駛的實現(xiàn)。當前運動規(guī)劃的研究重心集中在提升安全性、舒適性與經(jīng)濟性。然而,動態(tài)環(huán)境下的避障、自動與半自動駕駛車輛的協(xié)同等在現(xiàn)實環(huán)境中的實現(xiàn)仍是挑戰(zhàn),需進一步的研究。本文是對自動駕駛文獻中運動規(guī)劃技術(shù)的綜述,也介紹了各研究團隊所采取的運動規(guī)劃方法與所做的貢獻,文章還對未來的研究方向與應(yīng)用進行展望。

【運動規(guī)劃】

90年代以前,由于投資的減少,智能車輛領(lǐng)域發(fā)展十分有限。得益于適用于車輛自動化信息技術(shù)的發(fā)展,形成了智能交通系統(tǒng)的概念。世界范圍內(nèi)諸多研究中心(比如加利福尼亞的Path團隊,帕爾馬大學(xué)等等)的投入,為智能車輛系統(tǒng)的提升注入了源源不斷的力量。第一輛自動駕駛概念車的歷史可追溯到80年代末期90年代初。當時,為了提升公路系統(tǒng)的服務(wù)能力,Shladover等人提出了一種車輛的縱向控制系統(tǒng)(包括車輛的跟隨控制,車間通信,及與其他技術(shù)的比較)和橫向控制系統(tǒng)(考慮橫向動力學(xué)和磁力傳感器作為路徑引導(dǎo)物,并未涉及路徑規(guī)劃)。而Behringer等人則提出VaMoR-L車輛中集成的自動駕駛概念——通過視覺和路徑生成,車輛可以自動駕駛(來源自其普羅米修斯項目)。

隨后,自動駕駛衍生出許多控制架構(gòu)。如圖1所示,感知,決策和控制是主要的三大塊。本文主要介紹決策當中的運動規(guī)劃技術(shù)。

圖1自動駕駛控制架構(gòu)

在近幾十年,運動規(guī)劃開始作為移動機器人的一個研究分支。研究學(xué)者也將運動規(guī)劃劃分為全局規(guī)劃和局部規(guī)劃。大量的路徑規(guī)劃技術(shù)從移動機器人當中遷移到自動駕駛車輛領(lǐng)域,并根據(jù)所面臨的道路網(wǎng)絡(luò)與駕駛規(guī)則要求得以改進。這些規(guī)劃技術(shù)按照實現(xiàn)方法,大致可以分為四大類——圖搜索,采樣法,插值法和數(shù)值優(yōu)化。

圖搜索

對自動駕駛而言,其基本思想是從A點到B點遍歷一個狀態(tài)空間。這個狀態(tài)空間多用占有柵格或晶格表示。自動駕駛當中實現(xiàn)的方法有:

Dijkstra算法

這是在圖表中找到單源最短路徑的圖搜索方法。搜索空間近似為一個離散的單元格,晶格[22,23]。具體描述和實現(xiàn)可見文獻[24,25]。在自動駕駛方面,文獻[26]實現(xiàn)了該算法在多車場景的仿真,Little Ben 自動駕駛車[27] 和Victor Tango團隊 [28] 上都有該算法實現(xiàn)。文獻[29]實現(xiàn)了該算法在城市工況下的應(yīng)用。

A*算法

其核心是節(jié)點權(quán)重該如何確定。它適合具有先驗知識的車輛進行空間搜索,但又太消耗存儲和計算速度[30]。在移動機器人領(lǐng)域的一些應(yīng)用被自動駕駛采用,并作為基礎(chǔ)進行改進。例如dynamicA* (D*) [31],F(xiàn)ield D* [32],Theta* [33],Anytimerepairing A* (ARA*) 以及 Anytime D*(AD*) [34]等等。Ziegler等人在Voronoi地圖表征的非結(jié)構(gòu)化空間和泊車點實現(xiàn)了A*算法[35]。文獻[36]和文獻[37]分別是hybrid A*和A*在Junior和AnnieWay自動駕駛車輛上的應(yīng)用。BOSS自動駕駛車使用的是AD*算法[16]。

狀態(tài)晶格算法

采用由狀態(tài)網(wǎng)格組成離散的規(guī)劃空間。這些網(wǎng)格被稱為狀態(tài)晶格,并在基于此進行搜索規(guī)劃[46]。路徑搜索是基于局部一系列的狀態(tài)晶格查詢或是包含所有可行特征的查詢,它允許車輛從一個初始狀態(tài)轉(zhuǎn)移到其他狀態(tài)。代價函數(shù)確定了狀態(tài)晶格地圖的最佳路徑。A*[47]和D*[48]在該方法中都有實現(xiàn)。Howard和Kelly將狀態(tài)晶格應(yīng)用到了輪式移動機器人在崎嶇路面的運動規(guī)劃當中[49],仿真表明該方法具有全局和局部比較好的結(jié)果。文獻[39]和文獻[50]采用了時間維度和速度維度的狀態(tài)晶格。

采樣法

這一類方法是為了解決時間的約束(在高維空間規(guī)劃)。這一過程包含在特征空間或狀態(tài)空間的隨機采樣,并尋找采樣點在這個空間里面的連接[21]。缺點在于結(jié)果的次優(yōu)性。在無人車當中使用最為廣泛的是快速隨機擴展樹(RRT)[94]。

RRT適用于在線的路徑規(guī)劃,通過在導(dǎo)航區(qū)域執(zhí)行隨機搜索,可以在半結(jié)構(gòu)化空間實現(xiàn)快速搜索[94]。它還可以考慮非完整性約束。文獻[21]和文獻[95]對該方法進行了闡述。在自動駕駛方面,MIT團隊實現(xiàn)了該算法[61],但是結(jié)果并不是最優(yōu),而且路徑曲率不連續(xù)。Karaman等人提出了一種RRT*[96]的改進方法,它可以得到最優(yōu)路徑,但存在其他同樣的弊端。文獻[64]也對其有描述。

插值法

對于給定一系列路點,計算機輔助幾何技術(shù)(CAGD)在路徑平滑方面有很廣泛的應(yīng)用[73]。它可以考慮諸如可執(zhí)行、舒適性、車輛動力學(xué)以及其他參數(shù)的約束來規(guī)劃軌跡。

插值是在預(yù)先給定一系列點的情況下構(gòu)造和插入一系列新的數(shù)據(jù)點的過程。這表明算法需要預(yù)先給定一系列節(jié)點,然后生成一系列有助于軌跡連續(xù)、滿足車輛約束和動態(tài)環(huán)境的導(dǎo)航軌跡[97]。在面對障礙物時,它能夠產(chǎn)生避障的新路徑(局部路徑),并重新回到先前規(guī)劃的路徑(全局路徑)。

直線段和圓弧法

已知路網(wǎng)可以進行分段,在已知路徑點插入直線或圓弧節(jié)點,使整段路徑用直線段和圓弧代替。在輪式車輛的路徑規(guī)劃方面,這是一種簡單的數(shù)學(xué)方法[41,98]。

回旋曲線法

這一類曲線是定義在Fresnel坐標下(菲涅耳積分)[73]。由于該方法的曲率對應(yīng)于弧長變化,所以回旋曲線可以定義軌跡按曲率線性變化;可以實現(xiàn)直線段和曲線段在曲率上平滑過渡[42]?;匦€在高速、軌交和類車機器人的運動規(guī)劃中同樣使用,能夠?qū)崿F(xiàn)[99]。VIAC項目對回旋曲線的實現(xiàn)進行了測試。文獻[69]中,當前曲率從轉(zhuǎn)向輪的位置上獲取,其他參數(shù)則考慮根據(jù)動力學(xué)約束(比如擺尾)或者物理約束(比如轉(zhuǎn)向輪轉(zhuǎn)角)獲得。

多項式曲線法

這一類曲線通常用來滿足插入點的所需求的約束,在位置擬合、轉(zhuǎn)角和曲率約束等方面比較適用。起點和終點的期望值以及約束決定了曲線的系數(shù)。為了計算多項式曲線的系數(shù),可以參考文獻[76,77,79]。

研究車輛-基礎(chǔ)設(shè)施-駕駛員之間交互的實驗室(LIVIC)在換道場景中實現(xiàn)了這類算法[77]。四次多項式曲線用以滿足縱向的約束,五次多項式曲線用以滿足側(cè)向的約束。文獻[75]使用三次多項式曲線生成超車所需的安全軌跡。文獻[43]在狀態(tài)晶格中實現(xiàn)三次多項式曲線和四次多項式曲線的規(guī)劃。

貝塞爾曲線

這種參數(shù)化曲線的形狀由控制點決定。貝賽爾曲線的核心是伯恩斯坦多項式。由于曲線受控制點決定,這一方法的優(yōu)點是計算量小。通過正確的放置控制點,起始點和終點的曲線約束可以得到滿足[81,100]。

文獻[100]展示了貝賽爾曲線的一個很好的模塊化和可擴展的例子,文獻[102]設(shè)計了一個滿足曲率連續(xù)的圓形和貝賽爾曲線相連接曲線軌跡。這些曲線常用以近似回旋曲線[103,104],或者是快速規(guī)劃時替代嚴格的貝塞爾曲線[85,86]。文獻[81,83,44]在自動駕駛上實現(xiàn)了三階和四階貝賽爾曲線,并評估了不同場景(轉(zhuǎn)向、迂回、換道、避障等等)的最佳操作曲線。

樣條曲線

是分段多項式參數(shù)曲線,分段曲線可以是多項式曲線[28,76],B樣條曲線[88,89],貝賽爾曲線[105]或者是回旋曲線[99]。分段曲線的連接點叫節(jié)點,它一般具有高度平滑性的約束。一個B樣條帶變節(jié)點的例子如文獻[45]所示。

數(shù)值優(yōu)化

這一方法的目的在對帶約束的目標函數(shù)進行最優(yōu)求解,多用于計算平滑計算前的軌跡[54]或是計算滿足運動學(xué)約束的軌跡[5]。函數(shù)最優(yōu)化是為了找到目標函數(shù)的實根(最小化輸出)。文獻[106]利用改進勢場法實現(xiàn)了在移動機器人狹窄空間避障的C1連續(xù)曲線規(guī)劃。文獻[5,38]也利用最小化考慮了位置、速度、加速度、加加速度的目標函數(shù)尋找C2連續(xù)曲線。

圖2展示以上所提運動規(guī)劃技術(shù)的效果,表格1和2對運動規(guī)劃技術(shù)以及優(yōu)劣進行整理。

圖2 文獻中的運動規(guī)劃方法

表1 自動駕駛不同場景下應(yīng)用的運動規(guī)劃技術(shù)分類

表2 運動規(guī)劃技術(shù)的優(yōu)劣對比

【世界范圍內(nèi),智能交通系統(tǒng)研究團隊所推動的運動規(guī)劃技術(shù)】

智能汽車的概念雖然可追溯到1939年紐約世博會,但是,其實現(xiàn)卻花費了數(shù)十年。圖3以時間軸的形式展示了自動駕駛汽車的重要發(fā)展節(jié)點。

圖3 重要無人駕駛車輛及其運動規(guī)劃技術(shù)隨時間的發(fā)展

自1987年到1994年間,歐洲的尤里卡普羅米修斯項目是智能車研究的先鋒,這其中,來自戴姆勒和沃爾沃等工業(yè)合作伙伴的不同汽車都是自動駕駛。彎曲部分路徑用螺旋線實現(xiàn)以輔助控制系統(tǒng)實現(xiàn)循跡[14]。

在與通用汽車的合作下,PATH項目在加州圣地亞哥展示了其作為Demo’97部分內(nèi)容的隊列駕駛。隊列由8輛行駛在專用車道上的汽車組成,車間間距6米??▋?nèi)基梅隆大學(xué)也參與其中,并演示了Navlab車輛[113]。同年,一份來自荷蘭的報告介紹了首次應(yīng)用于史基浦機場的CTS服務(wù)[114],所解決的是最后一英里問題——提供上門服務(wù)以及按需服務(wù)[115]。在上述系統(tǒng)中,環(huán)境反應(yīng)控制和車路協(xié)同要優(yōu)于路徑規(guī)劃技術(shù)進行考慮。

首次嘗試路徑規(guī)劃技術(shù)的項目中,VisLab的ARGO算是其中一個[76]?;谝曈X系統(tǒng),規(guī)劃將五次多項式樣條曲線調(diào)整到前視相機檢測標定到的車道當中。之后,DARPA PerceptOR項目進行了越野車的自動導(dǎo)航仿真[116][117],它是由DARPA挑戰(zhàn)賽(Grand and Urban challenge)所完成的,這促進了自動化導(dǎo)航系統(tǒng)的研究,推動了路徑規(guī)劃技術(shù)發(fā)展(如圖2所示)。

自2009年谷歌車輛進入市場,谷歌在諸多場合展示其自動駕駛能力,獲得超過了700000英里無事故的行駛里程。谷歌也在推動這項技術(shù)的立法,并于2012年5月獲得自動駕駛車輛的首個許可(兩個月后,內(nèi)達華州頒布了首個自動駕駛汽車的法令)[118]。然而,并沒有谷歌自動駕駛中運動規(guī)劃和控制方面的技術(shù)公布。

2010年舉行的視覺實驗室國際自動駕駛挑戰(zhàn)賽(VISC),車輛以自動模式從意大利(帕爾馬)到中國(上海)行駛13000公里,規(guī)劃當中主要考慮的是螺旋線生成的代價函數(shù)。同年及2012年,現(xiàn)代汽車在韓國本土舉辦了自動駕駛汽車挑戰(zhàn)賽。2010年的挑戰(zhàn)賽任務(wù)集中在循跡和避障。2012年的挑戰(zhàn)賽任務(wù)集中在城市駕駛場景的理解與信號燈的檢測[17]。涉及的運動規(guī)劃技術(shù)包括螺旋線[18],[119],RRT[120]及其他技術(shù)。

2011年,歐洲舉辦的協(xié)同駕駛挑戰(zhàn)賽(GCDC)以縱向控制開發(fā)為主[143]。然而,一些團隊也開發(fā)了路徑規(guī)劃策略(例如AnnieWAY的狀態(tài)格子[131])。接下來的2016GCDC挑戰(zhàn)賽,隊列的橫向控制,擁擠道路條件下的并道和城市道路環(huán)境也將考慮進去。

最近,奧迪聯(lián)合斯坦福[42][144]開發(fā)了高性能的車輛控制,實現(xiàn)了螺旋曲線的規(guī)劃。參與的演示包括:2010年的派克峰攀登,2012年的雷山賽馬場的一圈跑圈,2014年F1賽車速達150邁,2015年從硅谷到拉斯維加斯真實場景下自動駕駛。也就是在2015年,德爾福自動駕駛首次實現(xiàn)了從美國東海岸到西海岸,長達9天,從舊金山到紐約。表3列舉了國際研究團隊的情況。

表3 國際智能交通系統(tǒng)研究團隊

【總結(jié)】

智能規(guī)劃算法的開發(fā)是機器人研究領(lǐng)域的一大關(guān)鍵技術(shù)[20][21]。延伸到自動駕駛汽車,相關(guān)的約束包括交通規(guī)則,車速,道路條件,以及時間限制(復(fù)雜條件下規(guī)劃到指定區(qū)域)等。本文從以下兩方面對自動駕駛車輛運動規(guī)劃技術(shù)進行了綜述:一,對比分析了四大類運動規(guī)劃技術(shù)(如表1所列),包括圖搜索、采樣法、插值法和數(shù)值優(yōu)化的方法;二,調(diào)研了世界范圍內(nèi)主要智能交通系統(tǒng)研究單位所實現(xiàn)的運動規(guī)劃算法(如表3所列)。

近年來為研究團隊實車實現(xiàn)的兩大主要算法分別是:

1、插值法。近年來,自動駕駛車輛所采用的規(guī)劃算法有螺旋線(奧迪、帕爾馬/VisLab,斯坦福),貝塞爾曲線(INRIA)和多項式曲線(戴姆勒,INRIA)。這是基于結(jié)構(gòu)化道路環(huán)境下對地圖信息的豐富——可以提供所需的加州道路交通路點的數(shù)據(jù)。此外,出于舒適性、安全性、車輛幾何與動力學(xué)約束考慮,軌跡生成還需經(jīng)過曲線優(yōu)化這一步。

2、圖搜索。狀態(tài)格子是應(yīng)用最廣泛的方法之一,例如CMU、KIT、GMC等研究單位都有實現(xiàn)。在考慮到舒適性、安全性、車輛幾何與動力學(xué)約束時,該算法可以快速搜索到最優(yōu)路徑,盡管該算法只具備解析完備性。

【未來研究重點】

運動規(guī)劃現(xiàn)在所面臨的挑戰(zhàn)是動態(tài)環(huán)境下的實時規(guī)劃問題。城市道路場景下,存在眾多的交通參與者(比如,行人,騎自行車的人,其他車輛等),這要求對所規(guī)劃出來的軌跡進行不斷的評估。如何在有限的時間內(nèi)實現(xiàn)多動態(tài)障礙無環(huán)境下的無碰撞軌跡生成是一個尚未解決的難題。難點主要在于耗時的環(huán)境感知[145]大大降低了運動規(guī)劃的決策時間窗。目前所實現(xiàn)的算法還不足以克服這個限制。

由于規(guī)劃是感知和控制之間的紐帶,當前的新規(guī)劃算法開發(fā)多考慮感知的不確定性以及控制的約束。在動態(tài)環(huán)境數(shù)據(jù)采集過程中,路徑規(guī)劃的最新發(fā)展目標是正確處理數(shù)據(jù)采集過程中的不確定性。這在實時的情況下會有更好的環(huán)境感知效果,并指導(dǎo)規(guī)劃過程。通過考慮感知階段的不確定性來提高防止危險情況的能力。從控制的角度來看,需考慮多目標,包括車輛的運動學(xué)約束和乘客的舒適性等。近年來,研究通過軌跡的平滑和可執(zhí)行性來考慮這些控制約束。接下來的研究將可能是考慮控制約束的同時,融合感知的不確定性。KIT和CMU在這一方面已開始研究。

另一個趨勢是增加駕駛員的大控制環(huán),類似于ADAS的功能,通過HMI實現(xiàn)軌跡與駕駛員的交互。在確保軌跡安全、平滑與可執(zhí)行的條件下,感知不確定性,控制約束,駕駛員知識的多融合將是一個新的極具挑戰(zhàn)性的研究。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 傳感器
    +關(guān)注

    關(guān)注

    2550

    文章

    51000

    瀏覽量

    752963
  • 智能交通
    +關(guān)注

    關(guān)注

    12

    文章

    802

    瀏覽量

    43452
  • 自動駕駛
    +關(guān)注

    關(guān)注

    784

    文章

    13779

    瀏覽量

    166350

原文標題:自動駕駛汽車的運動規(guī)劃技術(shù)綜述

文章出處:【微信號:IV_Technology,微信公眾號:智車科技】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    自動駕駛真的會來嗎?

    自動駕駛和背后技術(shù)有了更廣泛地討論、更深刻地認知;另一方面則是讓不少風投看到了機會,認為傳感器芯片為代表的硬件研發(fā),以及計算機視覺為支撐的軟件技術(shù),將會迎來更大的關(guān)注度。特斯拉的aut
    發(fā)表于 07-21 09:00

    自動駕駛的到來

      傳統(tǒng)汽車廠商更趨向于通過技術(shù)的不斷積累,場景的不斷豐富,逐步從輔助駕駛過渡到半自動駕駛,進而在將來最終實現(xiàn)無人駕駛;某些高科技公司則希望通過各種外部傳感器實時采集海量數(shù)據(jù),處理器經(jīng)
    發(fā)表于 06-08 15:25

    AI/自動駕駛領(lǐng)域的巔峰會議—國際AI自動駕駛高峰論壇

    已經(jīng)滲透到了社會生活的方方面面。人工智能在自動駕駛領(lǐng)域?qū)φ麄€汽車出行領(lǐng)域產(chǎn)生顛覆性變革。汽車的人工智能技術(shù)和數(shù)據(jù)后端的最新突破使自動駕駛成為可能。深度學(xué)習(xí)、高級數(shù)字助理和動態(tài)電子視野
    發(fā)表于 09-13 13:59

    硅谷組建團隊、L3產(chǎn)品落地,想法多多的騰訊自動駕駛

    就已經(jīng)開始在無人駕駛領(lǐng)域布局,并成立自動駕駛實驗室,進行了高精度地圖、融合定位、高精度地圖等方面技術(shù)開發(fā)。并且在繼今年5月獲得深圳
    發(fā)表于 11-13 11:33

    UWB主動定位系統(tǒng)在自動駕駛中的應(yīng)用實踐

    3萬美元以上,相當于一輛中級車的價格。自動駕駛四大核心技術(shù)分別為環(huán)境感知、高精度定位、路徑規(guī)劃、控制執(zhí)行。其中環(huán)境感知技術(shù)是最基礎(chǔ)、最重要的一環(huán)。通過環(huán)境感知,可實時、可靠且準確地識別
    發(fā)表于 12-14 17:30

    中國自動駕駛行業(yè)前景看好,國產(chǎn)技術(shù)迅速發(fā)展

    系統(tǒng)、定位導(dǎo)航系統(tǒng)、路徑規(guī)劃系統(tǒng)、中央處理單元、輔助駕駛系統(tǒng)與運動控制系統(tǒng)六大系統(tǒng)。當各家企業(yè)全力競爭時,無法忽視一個最基礎(chǔ)的事實就是:自動駕駛的產(chǎn)業(yè)鏈很長,任何一家公司都不可能獨舞。
    發(fā)表于 04-03 05:36

    如何讓自動駕駛更加安全?

    ,可在種模式間隨時切換,以保證駕駛員可以隨時接管車輛。自動駕駛研發(fā)專家表示,針對不同的場景和不同的交通狀況,自動駕駛
    發(fā)表于 05-13 00:26

    無人駕駛汽車的關(guān)鍵技術(shù)是什么?

    無人駕駛汽車開發(fā)的關(guān)鍵技術(shù)主要有兩個方面:車輛定位和車輛控制技術(shù)。這
    發(fā)表于 03-18 09:02

    UWB高精度定位在自動駕駛中的應(yīng)用前景

    自動駕駛的實現(xiàn)高度依賴環(huán)境感知、控制執(zhí)行、高精度定位、路徑規(guī)劃方面的核心技術(shù)。其中通過環(huán)境感知,實時準確地識別出車輛行駛路徑周邊對其安全行
    發(fā)表于 10-26 16:41

    UWB定位可以用在自動駕駛

    的價格。自動駕駛四大核心技術(shù)分別為環(huán)境感知、高精度定位、路徑規(guī)劃、控制執(zhí)行。其中環(huán)境感知技術(shù)是最基礎(chǔ)、最重要的一環(huán)。通過環(huán)境感知,可實時、可靠且準確地識別出
    發(fā)表于 11-18 14:15

    網(wǎng)聯(lián)化自動駕駛的含義及發(fā)展方向

    了3GPP R16 5G-V2X在自動駕駛業(yè)務(wù)方面帶來的技術(shù)優(yōu)化,并對現(xiàn)階段通信技術(shù)中存在的問題進行了分析和展望。與此同時,闡述了通信
    發(fā)表于 01-12 15:42

    自動駕駛車輛中AI面臨的挑戰(zhàn)

    自動駕駛車輛中采用的AI算法自動駕駛車輛中AI面臨的挑戰(zhàn)
    發(fā)表于 02-22 06:39

    汽車自動駕駛產(chǎn)業(yè)鏈深度研究報告:自動駕駛駛向何方 精選資料分享

    (報告出品方/作者:國金證券,翟煒)報告綜述產(chǎn)業(yè)鏈與市場空間:當前我國自動駕駛正處于 L2 向 L3 級別轉(zhuǎn)化的階段,預(yù) 計 2025 年 L2.5 級別自動駕駛車輛滲透率為 50%,
    發(fā)表于 08-27 07:21

    自動駕駛技術(shù)的實現(xiàn)

    的帶寬有了更高的要求。從而使用以太網(wǎng)技術(shù)及中央域控制(Domain)和區(qū)域控制(Zonal)架構(gòu)是下一代車載網(wǎng)絡(luò)的發(fā)展方向。然而對于自動駕駛技術(shù)的實現(xiàn),涉及到感知、規(guī)劃、執(zhí)行三個層面。
    發(fā)表于 09-03 08:31

    從硬軟件兩方面自動駕駛這個龐大而且復(fù)雜的工程所涉及的技術(shù)

    駕駛是一個龐大而且復(fù)雜的工程,涉及的技術(shù)很多,大部分答主僅從軟件方面進行了介紹,而且太過細致。我從硬件和軟件兩方面談一談
    的頭像 發(fā)表于 07-03 09:58 ?3271次閱讀
    RM新时代网站-首页