e-works数字化企业网  »  文章频道  »  基础信息化  »  网络与安全

无人驾驶硬件平台解析

2017/5/28    来源:极客头条    作者:唐洁  刘少山      
关键字:无人驾驶  无人驾驶硬件  
本文是无人驾驶技术系列的第十篇,着重介绍无人驾驶硬件平台设计。无人驾驶硬件系统是多种技术、多个模块的集成,主要包括:传感器平台、计算平台、以及控制平台。本文将详细介绍这三个平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。
    无人驾驶: 复杂系统
 
    无人驾驶技术是多个技术的集成,如图1所示,一个无人驾驶系统包含了多个传感器,包括长距雷达、激光雷达、短距雷达、车载摄像头、超声波、 GPS、 陀螺仪等。每个传感器在运行时都不断产生数据,而且系统对每个传感器产生的数据都有很强的实时处理要求。比如摄像头需要达到60 FPS的帧率,意味着留给每帧的处理时间只有16毫秒。但当数据量增大了之后,分配系统资源便成了一个难题。例如,当大量的激光雷达点云数据进入系统,占满CPU资源,就很可能令摄像头的数据不能得到及时的处理,导致无人驾驶系统错过交通灯的识别,造成严重后果。因此,合理地选择计算平台完成实时的大规模传感数据处理,进行实时的驾驶预警与决策,对无人驾驶的安全性、可靠性、持续性至关重要。在提供高性能的数据处理支持的同时,计算平台还需要兼顾功耗、散热、硬件体积等问题,这对于持续的安全行驶同样重要。因此,在现有无人车计算平台中,各种硬件模块都有相关集成解决方案。不同的计算单元通过Switch或PCIe Switch相连,进行数据交换,完成协同运算。无人驾驶中除了需要对智能驾驶相关的传感器数据进行计算与决策,还需要传统汽车中各个机械部件进行配合控制,完成驾驶操作的执行与转换。这就需要控制平台:ECU与通信总线的协助。ECU从用途上讲是汽车专用微机控制器,它使用一套以精确计算和大量实验数据为基础的固定程序,不断地比较和计算各个机械部件传感器的数据,然后发出指令,完成机械控制。通信总线如CAN、USB3.0、LIN等则是在这个过程中实现汽车数据共享以及指令的有效传达。 
 
无人驾驶硬件平台范例
 
图1 无人驾驶硬件平台范例
 
    传感器平台
 
    目前现有的车载传感器包括超声波雷达、激光雷达、毫米波雷达、车载摄像头、红外探头等。目前主流的无人驾驶传感平台以激光雷达和车载摄像头为主,并呈现多传感器融合发展的趋势。基于测量能力和环境适应性,预计激光雷达和车载摄像头会持续传感器平台霸主的地位,并不断与多种传感器融合,发展出多种组合版本。完备的无人驾驶系统应该如图2所示,各个传感器之间借助各自所长相互融合、功能互补、互为备份、互为辅助。 
 
各种传感器在无人驾驶中的应用
 
图2 各种传感器在无人驾驶中的应用
 
    激光雷达
 
    激光雷达的工作原理是利用可见和近红外光波(多为950nm波段附近的红外光)发射、反射和接收来探测物体。激光雷达可以探测白天或黑夜下的特定物体与车之间的距离。由于反射度的不同,也可以区分开车道线和路面,但是无法探测被遮挡的物体、光束无法达到的物体,在雨雪雾天气下性能较差。
 
    1.激光雷达在无人驾驶运用中拥有两个核心作用。3D建模进行环境感知。通过雷射扫描可以得到汽车周围环境的3D模型,运用相关算法比对上一帧和下一帧环境的变化可以较为容易的探测出周围的车辆和行人。
 
    2.SLAM加强定位。3D雷射雷达另一大特性是同步建图(SLAM),实时得到的全局地图通过和高精度地图中特征物的比对,可以实现导航及加强车辆的定位精度。
 
    激光雷达分类与产品
 
    LIDAR以单线/多线及距离两大因素为标准,价格从几百美金到几万美金不等。单线激光雷达的应用在国内已经相对较广,像扫地机器人使用的便是单线激光雷达。单线激光雷达可以获取2D数据,但无法识别目标的高度信息。而多线激光雷达则可以识别2.5D甚至是3D数据,在精度上会比单线雷达高很多。目前在国际市场上推出的主要有4线、8线、16线、32线和64线。随着线数的提升,其识别的数据点也随之增加,所要处理的数据量也非常巨大。比如,Velodyne的HDL-32E 传感器每秒能扫描70万个数据点,而百度无人车和Google无人车配备的Velodyne HDL-64E通过64束的雷射束进行垂直范围26.8度,水平360度的扫描,每秒能产生的数据点则高达130万。Velodyne HDL-64E的内部结构如图3,主要由上下两部分组成。每部分都发射32束的雷射束,由两块16束的雷射发射器组成,背部是包括信号处理器和稳定装置。 
 
激光雷达结构图
 
图3 激光雷达结构图
 
    激光雷达雷射发射器线束越多,每秒采集的云点就越多。然而线束越多也就代表雷射雷达的造价就更加昂贵,以Velodyne的产品为例,64线束的雷射雷达价格是16线束的10倍。HDL-64E单个定制的成本在8万元左右。目前,Velodyne公司已经开发出了相对便宜的LiDAR传感器版本HDL-32E和HDL-16E。其中HDL-16E是由16束雷射取代64束雷射,支持360度无盲区扫描,牺牲一定的数据规模云点,每秒钟只提供30万个数据点,但是售价仍高达售价8千美元。 
 
Velodyne激光雷达详细数据
 
表1 Velodyne激光雷达详细数据
 
Velodyne激光雷达
 
图4 Velodyne激光雷达
 
    如果激光雷达要想在无人车上普及首先就应该降低价格。有两种解决办法:其一,采用低线数雷达配合其他传感器,但需搭配拥有极高计算能力系统的无人车;其二,采用固态激光雷达。激光雷达最贵的就是机械旋转部件,固态激光雷达无需旋转部件,采用电子设备替代,因而体积更小,方便集成在车身内部,系统可靠性提高,成本也可大幅降低。但由于缺乏旋转部件,水平视角小于180°,所以需要多个固态雷达组合一起配合使用才行。
 
    在CES2016上展出的两款重量级产品,其一是来自Quanergy的“固态”Solid State雷射雷达S3,采取相控阵技术,内部不存在任何旋转部件,仅为一盒名片大小,单个售价初步定在250美元,量产后可能降至100美元;其二是由Velodyne与福特共同发布的混合固态雷射雷达VLP-16 PUCK,2020年计划量产价为500美元,2025年计划把成本控制在200美金以内。奥迪的无人驾驶汽车A7 Piloted Driving就采用了Ibeo和Valeo合作的Scala混合固态雷射雷达,在外观上看不到旋转部件,但内部仍靠机械旋转实现雷射扫描。此前国内雷达制造商速腾聚创宣布完成的16线激光雷达采用的也是混合固态的形式。固态雷达雷达产品则由于采用电子方案去除了机械旋转部件,因此具有低成本(几百美元级别)和体积小、可集成至传统车辆外观中的特点。行业对固态雷达的出现仍处观望态度,主要因为:首先,对成本是否能有如此大幅下降抱有疑问;其次,激光特性在大雾等天气仍然并不适用。
 
    国内外制造现况
 
    目前,激光雷达已被应用在某些无人驾驶试验车中:
 
    1.Google和百度的无人驾驶试验车均采用了Velodyne的64线雷射雷达;
 
    2.福特的混动版蒙迪欧安装了Velodyne的32线雷射雷达,第三代自动驾驶车辆Fusion Hybrid配置了2台Velodyne的混合固态雷射雷达;
 
    3.日产LEAF搭载了6个Ibeo的4线雷射雷达,测试了其高级驾驶辅助系统;
 
    4.奥迪的无人驾驶汽车A7 Piloted Driving采用了Ibeo和Valeo合作的Scala混合固态雷射雷达;
 
    5.德尔福无人驾驶汽车配备了4台由Quanergy研发的固态雷射雷达;
 
    6.大众的一款半自动驾驶汽车搭载了Scala,该雷射雷达隐藏在保险杠内,用于取代毫米波雷达做AEB的测距模块。
 
    国外激光雷达研发厂商比较有代表性的有 Velodyne、Ibeo和Quanergy,并且他们都背靠巨头。Velodyne成立于1983年,位于加州硅谷。当年美国举办的世界无人车挑战赛获得第一名和第二名的高校卡耐基梅隆大学和斯坦福大学,使用的就是Velodyne的激光雷达。目前其已有包括 Velodyne16、32、64线激光雷达三个系列。Ibeo 是无人驾驶激光雷达供应商,成立于1998年, 2010年和法雷奥合作开始量产可用于汽车的产品 ScaLa,其目前主要供应4线和8线的激光雷达。Quanergy位于加州硅谷硅谷中心,成立于2012 年,虽然相对“年轻”,但它造出了全球第一款固态激光雷达。
 
    国内在激光雷达研发的企业则主要有北醒光子、思岚科技、镭神智能、速腾聚创、禾赛科技。其中,北醒光子目前的产品有三大系列:单线环境雷达DE-LiDAR 1.0、多线长距雷达DE-LiDAR 2.0 和固态雷达DE3.0系列(多线长距雷达目前正在研发,可做到8到32线);镭神智能成立于2015年初,是一家提供中远距离脉冲测距激光雷达等产品及解决方案的公司;速腾聚创刚宣布完成其混合固态的16线激光雷达研发。 
 
 Velodyne和Ibeo产品规格对比
 
表2 Velodyne和Ibeo产品规格对比
 

责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐