미국자동차공학회에서는 차량 지능 정도에 따라 자율주행을 L0~L5의 6단계로 분류합니다.
자율 차량의 소프트웨어 및 하드웨어 아키텍처는 그림 2에 나와 있으며, 주로 환경 인식 계층, 의사 결정 및 계획 계층, 제어 계층 및 실행 계층으로 구분됩니다. 환경 인식(인식) 레이어는 주로 레이저 레이더, 밀리미터파 레이더, 초음파 레이더, 차량 카메라, 야간 투시 시스템, GPS, 자이로스코프 등의 센서를 통해 차량의 환경 정보 및 차량 상태 정보를 획득합니다. 구체적으로는 차선이 포함됩니다. 감지, 신호등 인식, 교통 표지판 인식, 보행자 감지, 차량 감지, 장애물 인식 및 차량 위치 확인 등의 의사 결정 및 계획 계층은 설정된 경로 계획을 기반으로 작업 계획, 행동 계획 및 궤도 계획으로 구분됩니다. 그리고 환경과 차량 자체의 상태를 바탕으로 다음 구체적인 주행 작업(차선 유지, 차선 변경, 추월, 추월, 충돌 회피 등), 행동(가속, 감속, 회전, 제동 등) 및 경로( 주행 궤적) 제어 계층 및 실행 계층은 차량 동역학 시스템 모델을 기반으로 차량 주행, 제동, 조향 등을 제어하여 차량이 지정된 주행 궤적을 따르도록 합니다.
본 글에서는 주로 환경 인지 기술, 고정밀 측위 기술, 의사결정 및 계획 기술, 제어 및 실행 기술을 소개합니다.
환경 인식이란 장애물의 종류, 도로 표지판 및 표시, 주행 차량 감지, 교통 정보 및 기타 데이터의 언어 분류 등 환경의 장면을 이해하는 능력을 말합니다. 포지셔닝은 인식 결과의 후처리로, 포지셔닝 기능을 통해 차량이 주변 환경과 관련된 자신의 위치를 이해하는 데 도움이 됩니다. 환경 인식은 센서를 통해 많은 양의 주변 환경 정보를 획득하여 차량 주변 환경을 정확하게 이해하고 이를 기반으로 적절한 계획과 의사 결정을 내리는 것이 필요합니다.
자율 차량에 일반적으로 사용되는 환경 인식 센서에는 카메라, 라이더, 밀리미터파 레이더, 적외선 및 초음파 레이더 등이 있습니다. 카메라는 자율주행차용 환경 인식 센서의 인간 눈 이미징 원리에 가장 일반적으로 사용되며 가장 간단하고 가장 가깝습니다. CV 기술은 차량 주변 환경을 실시간으로 포착해 포착된 이미지를 분석해 차량 및 보행자 감지, 차량 주변 교통 표지판 인식 등의 기능을 구현하는 데 사용된다.
카메라의 주요 장점은 고해상도와 저렴한 비용입니다. 그러나 밤, 비, 눈, 안개 등 악천후에서는 카메라 성능이 급격히 저하됩니다. 또한, 카메라의 시야거리가 제한되어 있어 장거리 관찰에는 좋지 않습니다.
밀리미터파 레이더는 자율주행차에 흔히 사용되는 센서이기도 합니다. 밀리미터파 레이더는 밀리미터파 대역(파장 1~10mm, 주파수 영역 30~300GHz)에서 작동하는 레이더를 말합니다(시간). 비행) 대상 물체가 감지되었습니다. 밀리미터파 레이더는 밀리미터파 신호를 외부로 지속적으로 보내고, 목표물이 반환한 신호를 수신하여 신호 송수신 간의 시간차를 기반으로 목표물과 차량 사이의 거리를 결정합니다. 따라서 밀리미터파 레이더는 사각지대 감지, 장애물 회피 보조, 주차 보조, 적응형 순항 등 자동차와 주변 물체 간의 충돌을 피하기 위해 주로 사용됩니다. 밀리미터파 레이더는 강력한 간섭 방지 능력을 갖고 있으며, 빗물, 모래, 먼지, 연기, 플라즈마를 투과하는 능력이 레이저나 적외선보다 훨씬 강력하고 전천후로 작동할 수 있습니다. 그러나 신호 감쇠가 크고 건물이나 인체 등에 의해 차단되기 쉽고 전송 거리가 짧고 해상도가 낮으며 이미징이 어렵다는 단점도 있습니다.
Lidar는 ToF 기술을 사용하여 대상 위치와 거리도 결정합니다. LiDAR는 레이저 빔을 방출하여 표적을 감지하며 감지 정확도와 감지 범위가 더 넓습니다. 그러나 LiDAR는 공기 중 비, 눈, 안개 등의 간섭에 더 취약하고 높은 비용도 제한됩니다. 그 적용의 주된 이유. 차량 탑재형 라이더는 방출되는 레이저 빔 수에 따라 싱글 라인, 4라인, 8라인, 16라인, 64라인 라이더로 구분됩니다. 다음 표(표 1)를 사용하여 주류 센서의 장점과 단점을 비교할 수 있습니다.
자율주행 환경 인식은 일반적으로 "약한 인식 + 초지능"과 "강한 인식 + 강력한 지능"이라는 두 가지 기술적 경로를 채택합니다. '약한 인식 + 초지능' 기술은 주로 카메라와 딥 러닝 기술을 사용하여 환경 인식을 달성하며 LiDAR에는 의존하지 않습니다. 이 기술은 인간이 한 쌍의 눈으로 운전할 수 있고 자동차도 카메라를 사용하여 주변 환경을 명확하게 볼 수 있다고 믿습니다. 초지능이 일시적으로 달성하기 어렵다면 자율주행을 구현하기 위해서는 인지 능력을 강화하는 것이 필요하다. 이른바 '강한 지각+강한 지능' 기술 루트다.
"약한 인식 + 초지능" 기술 루트에 비해 "강한 인식+강한 지능" 기술 루트의 가장 큰 특징은 LiDAR 센서를 추가하여 인식 능력이 크게 향상된다는 점입니다. Tesla는 "약한 지능 + 초지능" 기술 경로를 채택하고 Google Waymo, Baidu Apollo, Uber, Ford Motor 및 기타 인공 지능 회사, 여행 회사 및 기존 자동차 회사는 모두 "강한 인식 + 강력한 지능" 기술 경로를 채택합니다.
측위의 목적은 자율주행차의 필수 기반인 외부 환경에 대한 자율주행차의 정확한 위치를 얻는 것입니다. 복잡한 도시 도로에서 주행할 때 위치 정확도는 10cm 이하의 오차가 필요합니다. 예를 들어, 차량과 교차로 사이의 거리를 정확하게 알아야만 차량의 위치를 정확하게 파악하여 보다 정확한 예측과 준비를 할 수 있습니다. 위치 오차가 크면 완전한 교통사고로 이어질 수 있습니다.
GPS는 현재 가장 널리 사용되는 위치 확인 방법입니다. GPS 정확도가 높을수록 GPS 센서 가격이 더 비쌉니다. 그러나 현재 상용 GPS 기술의 위치 정확도는 미터 수준에 불과하며 터널 방해나 신호 지연과 같은 요인에 의해 쉽게 방해를 받습니다. 퀄컴은 이 문제를 해결하기 위해 GNSS 글로벌 내비게이션, 카메라, IMU 관성 내비게이션, 휠 속도 센서 등 여러 자동차 부품의 정보를 통합하는 VEPP(Vision Enhanced High Precision Positioning) 기술을 개발했습니다. 차선에 정확한 글로벌 실시간 위치 확인을 달성하기 위한 융합입니다.
결정 계획은 먼저 다중 센서 정보를 융합한 다음 운전 요구에 따라 작업 결정을 내린 다음 기존 장애물을 피할 수 있습니다. 특정 제약 조건을 고려하여 두 지점 사이에서 선택할 수 있는 여러 개의 안전한 경로를 계획하고, 이러한 경로 중에서 최적의 경로를 차량의 주행 궤적으로 선택하는 것이 계획입니다. 다양한 분할 수준에 따라 글로벌 계획과 로컬 계획의 두 가지 유형으로 나눌 수 있습니다. 글로벌 계획은 획득된 지도 정보를 사용하여 특정 조건에서 충돌 없는 최적의 경로를 계획합니다. 예를 들어 상하이에서 베이징까지 가는 도로는 많다. 하나를 운전 경로로 계획하는 것이 전체적인 계획이다.
그리드 방식, 시각적 다이어그램 방식, 토폴로지 방식, 자유 공간 방식, 신경망 방식 등의 정적 경로 계획 알고리즘 지역계획은 글로벌 계획을 바탕으로 일부 지역의 환경정보를 바탕으로 알 수 없는 장애물과의 충돌을 피하고 최종적으로 목표지점에 도달할 수 있는 과정이다. 예를 들어, 상하이에서 베이징까지 전 세계적으로 계획된 경로에 다른 차량이나 장애물이 있을 수 있습니다. 이러한 장애물이나 차량을 피하려면 차선을 회전하고 조정해야 합니다. 로컬 경로 계획 방법에는 인공 전위 필드 방법, 벡터 도메인 히스토그램 방법, 가상 힘 필드 방법, 유전 알고리즘 및 기타 동적 경로 계획 알고리즘이 포함됩니다.
의사결정 및 계획 계층은 자율주행 시스템으로, 지능을 직접적으로 반영하며 차량의 주행 안전에 결정적인 역할을 하며, 일반적인 의사결정 계획 아키텍처에는 계층적 진보가 포함됩니다. 반응성이 있고 둘의 하이브리드입니다.
계층적 진보적 아키텍처는 직렬 시스템의 구조입니다. 이 시스템에서는 이전 모듈의 출력이 다음 모듈의 입력이 됩니다. 지각 계획 행동 구조라고 합니다. 그러나 이 구조의 신뢰성은 높지 않아 특정 모듈에서 소프트웨어나 하드웨어에 장애가 발생하면 전체 정보 흐름에 영향을 미치고 전체 시스템이 붕괴되거나 마비될 가능성이 높습니다.
반응형 아키텍처는 병렬 구조를 채택합니다. 제어 계층은 센서 입력을 기반으로 직접 결정을 내릴 수 있습니다. 따라서 생성되는 동작은 감지된 동작의 특성을 강조할 수 있는 감각 데이터의 결과입니다. 완전히 낯선 환경에 적합합니다. 리액티브 아키텍처의 많은 동작은 주로 단순한 특수 작업을 포함하므로 계획과 제어가 긴밀하게 통합될 수 있고 차지하는 저장 공간이 크지 않아 빠른 응답과 강력한 실시간 성능을 생성할 수 있습니다. 동시에 각 단일 레이어는 시스템의 특정 동작만 담당하면 됩니다. 전체 시스템은 낮은 수준에서 높은 수준으로의 전환을 편리하고 유연하게 실현할 수 있습니다. 또한 모듈 중 하나에 예상치 못한 오류가 발생하면 나머지는 이를 수행합니다. 레이어는 여전히 의미 있는 결과를 생성할 수 있지만 시스템의 견고성은 크게 향상되었습니다. 어려운 점은 시스템의 작업 실행의 유연성으로 인해 다양한 제어 루프 간의 충돌을 해결하고 합의하는 데 특정 조정 메커니즘이 필요하다는 것입니다. Actuator의 논쟁을 통해 의미 있는 결과를 얻을 수 있습니다.
계층 시스템의 구조와 리액티브 시스템의 구조는 모두 장점과 단점이 있으며 복잡하고 변화하는 운전 환경의 요구 사항을 단독으로는 충족하기 어렵기 때문에 점점 더 많은 업계 사람들이 두 가지의 장점을 효과적으로 결합하고 글로벌 계획 수준에서 정의된 목표 지향 계층적 동작을 생성하고 로컬 계획 동작 수준에서 목표 지향 검색을 생성하는 하이브리드 아키텍처를 연구하기 시작했습니다. 반응 시스템의.
자율주행의 핵심 제어 기술은 차량의 종방향 제어, 횡방향 제어, 종방향 제어, 차량 주행 및 제동 제어이며, 횡방향 제어는 스티어링 휠 각도 조절과 타이어 힘 제어로 종방향, 횡방향 자동 제어가 구현되며, 주어진 목표와 제약에 따라 차량 운행을 자동 제어할 수 있습니다.
차량의 종방향 제어는 주행속도 방향의 제어 즉, 차량의 속도와 앞차 또는 뒷차와의 거리를 자동으로 제어하는 것입니다. 장애물. 크루즈 제어와 비상 제동 제어는 모두 자율 주행의 종방향 제어의 전형적인 예입니다. 이러한 제어 문제는 모터 드라이브, 엔진, 변속기 및 제동 시스템의 제어로 인해 발생할 수 있습니다. 다양한 모터-엔진-변속기 모델, 차량 작동 모델 및 제동 프로세스 모델이 다양한 컨트롤러 알고리즘과 결합되어 다양한 종방향 제어 모드를 형성합니다.
차량 측면 제어는 이동 방향에 수직으로 제어하는 것을 의미하며, 다양한 차량 속도, 하중, 바람 저항 및 도로 조건에서 원하는 주행 경로를 자동으로 유지하고 좋은 승차감과 안정성을 달성하도록 자동차를 제어하는 것이 목표입니다. 차량 측면 제어를 위한 두 가지 기본 설계 방법이 있습니다. 하나는 운전자 시뮬레이션을 기반으로 합니다. 하나는 더 간단한 동역학 모델과 운전자 조작 규칙을 사용하여 컨트롤러를 설계하는 것이고, 다른 하나는 운전자의 조작 프로세스를 사용하는 것입니다. 데이터 훈련 컨트롤러는 제어 알고리즘), 다른 하나는 자동차의 횡방향 운동 역학 모델에 부여된 제어 방식이다(정확한 자동차 횡방향 운동 모델의 확립이 필요하다. 대표적인 모델은 좌측 및 좌측의 특성을 고려한 단일 트랙 모델이다.
위에 소개된 환경 인식, 정확한 위치 파악, 의사 결정 계획 및 제어 실행 외에도 자율주행차에는 고정밀 지도와 같은 핵심 기술도 포함됩니다. , V2X 및 자율주행차 테스트. 자율주행 기술은 인공지능, 고성능 칩, 통신 기술, 센서 기술, 차량 제어 기술, 빅데이터 기술 등 다분야 기술이 결합된 기술로 구현이 어렵다. 또한, 자율주행 기술 구현을 위해서는 자율주행 요구사항을 충족하는 기본 교통시설을 구축하고, 자율주행 관련 법규를 고려하는 것이 필요하다.
위 내용은 자율주행 핵심 기술난점 연구의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
