I.低速無人駕駛車輛平臺架構

• 整車控制系統

車輛控制技術是無人駕駛汽車的，主要包括速度控制和方向控制等幾個部分。無人駕駛就是用電子技術控制汽車進行的仿人駕駛。通過對駕駛員的駕駛行為進行分析可知，車輛的控制是一個典型的預瞄控制行為，駕駛員找到當前道路環境下的預瞄點，根據預瞄點控制車輛的行為。目前*常用的方法是PID算法，例如模糊PID、神經網絡PID 等。

車內控制系統通過CAN總線連接到各個控制單元，接受指令完成車的速度、轉角等控制。

VCU（ Vehicle Control Unit 整車控制單元） 其一通過采集控踏板部件等信號分析特出汽車狀態，將信息反饋給信號接收系統;其二接受系統指令，控制各部件的電氣信號進而控制車輛的行駛狀態。

• 感知系統

環境感知系統通過攝像頭、超聲波雷達、陀螺儀、車輪編碼器、激光雷達、GPS等。由于低速無人駕駛道路結構較為簡單，我們使用攝像頭為主、激光雷達輔助的多傳感器融合方案。其中攝像頭使用1920*1024分辨率、30fps幀率變可以達到實時控制要求；激光雷達1個安裝在車頂用于輔助攝像頭定位，1個安裝在車輛保險杠前方用于檢測障礙物。信息處理平臺需要有較強的處理能力和方便開發的環境，通過傳感器采集數據，我們采用雙核denver2處理器和四核ARM Cortex-A57架構的Jetson TX2處理器。

Jetson TX2是由一個GPU和一個CPU集群組成。CPU集群由雙核denver2處理器和四核ARM Cortex-A57組成，通過高性能互連架構連接。擁有6個CPU和一個GPU，可以不必自行運行所有性能、功耗來測量的運行狀態，因為NVIDIA新的命令行工具Nvpmodel提供5種模式，可以方便地讓用戶配置CPU狀態，以**限度地提高不同場景下的性能和能耗。

Ⅱ雙目SLAM算法

首先提取具有尺度不變性的特征點；然后借鑒ＯＲＢ算法構建特征描述子；立體匹配計算出無人車位姿序列、推算出無人車的二維空間位姿并完成建圖。同時為閉環檢測和位姿地圖優化，提供了圖像特征點和特征描述點。

其次，采用視覺里程計與建圖己經構建好的特征描述子和BOW（模型進行閉環檢測。首先聚類特征描述子實現類中心；為了使視覺特征分層量化，所以遞歸生成叉樹的BOW；再采用逐層計算圖像之間相似性增量的Ａ：叉樹得分匹配方法；為了形成更好地候選閉環和剔除候選閉環的中錯誤閉環；采用了時間和匹配約束。通過對視覺SLAM閉環檢測研宄，不僅提髙了閉環檢測的準確性，也擴展了基于場景外觀方法在SLAM系統中的應用，同時豐富了計算機視覺和圖像處理等領域的BOW方法研宄。

然后，構建了基于圖的無人車SLAM后端非線性優化結構，采用髙斯-牛頓迭代算法優化位姿預測數據與位姿觀測數據之間的誤差，計算出誤差*小情況下的無人車位姿和路標節點**配置。優化了無人車定位與環境模型，從而指導無人車自主導航。

Ⅲ道路分析

• 基于攝像頭和雷達的道路邊緣檢測

低速非結構化道路環境下的檢測方法，使用攝像頭采集車輛前方道路圖像，通過色彩空間變換還有直線檢測可以獲得候選道路邊緣形態。接著使用斜向下檢測的激光雷達分析道路情況，然后融合兩種測試結果，得到在同一坐標下的道路邊緣位置。

• 基于激光雷達障礙物避讓

通過對道路模糊檢測選取基點，進而對雷達數據進行 擬合獲得對道路信息的模糊描述。基于 VFH+算法障礙物躲避，對道路進行柵格劃分，分析格內障礙物密度，判定智能車機械特性以獲得行駛路線。

• 基于多傳感器的地圖導航

基于電子地圖和磁場針進行道路的實時檢測、校正，繼而 通過 GPS 和 DＲ 系統組合定位，獲得準確穩定的實時位置信息。如為較為復雜路口，需要結合攝像頭和激光雷達進行更精確的路徑規劃。

Ⅳ遠程監控系統架構

車載終端設備與整車VCU通過CAN連接，車載終端設備通過4G通信模塊與服務器平臺的數據服務器通信，Web服務器與數據服務器通過JDBC數據庫通信。Web服務器的信息系統軟件基于B/S架構開發，可通過瀏覽器在不同的PC終端登錄該系統。

該設備采用飛思卡爾IMX56處理器和安卓操作系統，提供CAN接口與整車控制器( vehicle control unit，VCU) 進行連接，車速、加速度、電池、電機等駕駛狀態參數與故障診斷信息可通過CAN采集并通過內置的移動硬盤進行數據存儲。與當前非無人駕駛新能源汽車遠程監控系統相比，無人駕駛對信息系統的定位精度與安全性要求更高，因此該設備通過串口集成了北斗高精度定位系統，同時外設四路攝像頭接口監測車身四周的道路環境視頻，所有數據可通過 Wi-Fi /4G 無線通信模塊傳輸至后臺遠程監控信息系統。

后臺遠程監控信息系統由前端界面功能模塊軟件、后臺功能模塊軟件以及服務器信息系統安全軟件組成。Web服務器的信息系統軟件基于B/S架構開發，結構如下：

Ⅵ車輛遠程數據傳輸與采集

車載終端采集的車輛狀態信息、地理位置信息以及圖像信息通過4G網絡傳輸至后臺信息系統，結構如下：

車載終端通過實時傳輸協議( reliable transport protocol，PTP) 向服務器發送視頻流，服務器收到后通過一個跨平臺的視頻和音頻流方案程序 ( fast forward moving picture experts group， FFMPEG)將PTP協議轉為路由選擇表維護協議 ( routing table maintenance protocol，RTMP) 。協議在Red5流媒體服務器中存儲Red5服務器將視頻流發送到用戶電腦。車載通過自擬定協議向服務器發送車輛狀態參數與地理位置參數，同時服務器向車載終端發送控制命令。

• 遠程啟停控制

針對研究車輛，俞佳偉提出了一種基于高精度定位系統的無人駕駛車輛軌跡跟蹤方法，可實現車輛的無人駕駛循跡控制。但由于無人駕駛車輛尚需大量試驗測試驗證，為防止環境感知系統探測失效或其他車輛故障導致駕駛危險， 需要對車輛進行遠程啟停控制來抉擇車輛前方障礙物是清掃還是避讓。對此本文基于主動安全技術提出基于時間的危險預估方法，即：

通過TTA計算可粗略估計監控后臺預警時間，從而提前控制無人清掃車的啟停。

Ⅶ無人駕駛實驗

通過三種不同的實驗環境一步一步論述低速環境下無人駕駛技術的真確性和適用性。

• 個是在虛擬環境下，模擬各種道路環境和傳感器數據，此為較為理想環境下的測試實驗。
• 第二個是在路錐環境下，該實驗重點在于雷達對障礙物的檢測是否及時與正確，躲避障礙物的過程是否有效，同時考驗了智能車的機械特性。
• 第三個是在校園的低速環境下，通過真實的道路環境對智能車進行考驗，綜合對道路、障礙物檢測，避讓與自主導航等多項無人駕駛的關鍵技術進行測試。

Ⅷ總結與展望

通過本文理論與實際測試，細化了低速環境下智能車的無人駕駛技術的優缺點和方法的選擇，并具體分析了智能車的平臺架構，提出了一種用攝像頭、雷達、多傳感器等基礎設備，實 現智能車的行駛、避讓和道路規劃，繼而驗證了無人駕駛技術 實現的可行性。對于日后的發展，我們一致認為，在道路邊緣檢測方面由于色彩基準值的選擇范圍有限，還有Hough直線檢測法對彎路處檢測并不理想，因此需要探索更可靠的道路邊緣檢測的方法。同樣，在其他方面還需要簡化操作流程，提高對復雜道路檢測的正確性。