自动驾驶核心技术
自动驾驶等级划分
- L0：无自动化
- L1：原始驾驶员辅助系统，像自适应巡航、防抱死制动
- L2:：部分自动化，像紧急制动、车道保持、碰撞预警
- L3：有条件的全自动化，在正常操作期间，驾驶员可以专注于除驾驶以外的其他任务,紧急情况需要快速响应接管车辆（目前国产自动化驾驶）
- L4：在天气条件许可，基础设施完善的情况下，完全不需要驾驶员
- L5：无论在任何场景下，都不需要驾驶员，目前尚无实现L4级别及以上的自动驾驶车辆
自动驾驶经典架构-感知层、决策规划层、控制层
我理解自动驾驶架构离不开算法的加持，感知层使用感知识别算法 ，决策规划层使用自主定位、规划决策算法 ，控制层使用自主控制算法。
感知层
传感器（摄像头、雷达、激光雷达）提供了原始数据流 ，但这些数据本身只是一堆像素点、一簇距离点或一组电磁波信号。感知识别算法的任务，就是像人类大脑一样，从这些数据中提取出有意义的、结构化的信息。(识别过程中必不可少的应该就是数据集，这些数据集由数据标注而来)
常见的传感器：
- 摄像头
- 原理：模仿人眼，通过CMOS/CCD采集光线，形成2D图像。
- 优势：分辨率高，能识别颜色、纹理、文字（交通标志）、信号灯状态，成本相对较低。
- 劣势：受光照（逆光、夜间）、天气（雨雾）影响极大；获取的是2D信息，测距不精准。
- 原理：通过卷积神经网络提取图像特征 → 生成可能包含物体的候选框 → 对候选框进行分类和位置精修。
- 激光雷达
- 原理 ：主动发射激光束，测量反射时间，生成周围环境的高精度三维点云。
- 优势：测距精度极高（厘米级），能生成真实3D模型，不受光照影响。
- 劣势：成本高昂；在极端雨雪、浓雾天气性能下降；难以识别颜色和纹理信息。
- 毫米波雷达
- 原理 ：发射无线电波，利用多普勒效应探测物体的距离和相对速度。
- 优势：测速极准；穿透性强，基本不受雨、雾、灰尘影响；探测距离远。
- 劣势：分辨率低，无法识别物体细节和形状。
多传感器融合解决了单一传感器的根本局限：
- 摄像头 ：能识别"是什么 "，但不知"有多远"。
- 激光雷达 ：能测量"在哪里、多精确 "，但不知"是什么"。
- 毫米波雷达 ：能知道"有东西在动、多快 "，但不知其具体身份。
- 融合后 ：形成 "前方15.3米处有一个静止的停止标志" 的完整、可靠环境认知。
核心传感器特性对比表
| 传感器 | 探测维度 | 测距精度 | 测速能力 | 恶劣天气适应性 | 成本 | 关键信息 |
|---|---|---|---|---|---|---|
| 摄像头 | 2D图像 | 低（依赖估算） | 低 | 差 | 低 | 颜色、纹理、语义 |
| 激光雷达 | 3D点云 | 极高（厘米级） | 中 | 中（受大雨雪影响） | 极高 | 精确3D轮廓、距离 |
| 毫米波雷达 | 距离、速度 | 高 | 极高 | 极好 | 中 | 距离、速度（尤其径向） |
决策规划层
如果说感知层是"看清世界"，决策规划层就是"思考如何行动"。它首先需要确切地知道 "我在哪里"（自主定位） ，然后才能决定 "要去哪、怎么走" ，最终规划出具体、平滑的行驶路线。
决策规划层可以细分为三个核心阶段：定位、决策、规划。它们环环相扣。
| 阶段 | 核心问题 | 关键技术/算法 | 作用与输出 |
|---|---|---|---|
| 1. 自主定位 | "我在哪里？" | GNSS/RTK 、SLAM、惯性导航、高精地图匹配 | 确定车辆在全局坐标系中的厘米级精确位姿（位置、朝向）。 |
| 2. 行为决策 | "现在该干什么？" | 基于规则/状态机、博弈论、深度强化学习 | 根据定位、感知信息，输出高层驾驶策略指令，如：跟车、变道、超车、停车。 |
| 3. 运动规划 | "具体该怎么走？" | 路径搜索（A*） 、轨迹优化（MPC） | 将决策指令转化为一条平滑、安全、可执行的具体轨迹（未来几秒内每个时刻的位置、速度）。 |
核心任务分解：
- 全局路径规划（路由） ：规划从A点到B点的最优宏观路线 ，类似手机导航。（核心算法：A*算法、Dijkstra算法）。
- 行为决策 ：根据实时路况（周围车、人、规则），决策驾驶策略，如：跟车、变道、超车、让行。（实现方法：基于规则、基于学习/强化学习）。
- 运动规划 ：将行为决策转化为一条平滑、安全、可执行的具体轨迹 （未来几秒内每个时刻的位置、速度）。（主流方法：模型预测控制，即"走一步，看三步"）。
特点与挑战：
- 拟人化：需要像人一样预判他车意图，进行安全博弈。
- 安全性 ：必须处理罕见但危险的"长尾场景"（如突然滚出的轮胎）。
- 舒适性：规划的轨迹需平顺，避免急刹、猛拐。
控制层
控制层是系统的"手脚 "，它接收规划层下发的"理想轨迹 "，通过精确调节方向盘转角、油门和刹车，让车辆稳定、精准地沿着这条轨迹行驶。
核心控制任务：
- 横向控制 ：控制方向盘，使车辆准确跟踪期望的行驶路径（如保持车道、过弯）。
- 纵向控制 ：控制油门和刹车，使车辆达到并保持期望的速度，同时与前车保持安全距离。
核心技术：
- PID控制
- 核心思想 ：基于当前误差进行即时反应。就像你用手保持木棍直立，眼睛看到棍子往哪边倒（误差），手就立刻往反方向调整。
- 工作原理 ：
- P（比例）：误差越大，调整力度越大。（倒得越厉害，手推得越用力）
- I（积分）：消除历史累计的稳态误差。（如果一直有一个小角度的偏差，就慢慢加大力度修正它）
- D（微分）：预测误差变化趋势，抑制振荡。（看到棍子倒得越来越快，就提前加大力度"刹车"）
- 在自动驾驶中的应用 ：
- 优点：简单、稳定、计算量小，广泛应用于基础巡航控制。
- 缺点 ：像是"近视眼"，只关心当前瞬间的误差，无法提前预见未来变化，也难以处理复杂的车辆动力学耦合（如高速过弯时，横向和纵向控制会互相影响）。
- 模型预测控制
- 核心思想 ：滚动优化，反馈校正 。这是目前高阶自动驾驶的主流和前沿。
- 工作原理（四步循环） ：
- 预测 ：基于车辆动力学模型和当前状态，预测未来一段时域内多条可能的轨迹。
- 优化 ：从这些轨迹中，选择一条综合成本最低的（成本函数考虑：跟踪精度、乘坐舒适、能耗、安全性等）。
- 执行 ：只将这条最优轨迹的第一步控制指令发送给执行器。
- 滚动 ：下一时刻，基于新的实际车辆状态，重新开始预测-优化-执行的循环。
- 在自动驾驶中的绝对优势 ：
- 预见性：能提前考虑未来路径曲率变化、限速变化等，做出更平顺的决策。
- 处理约束：能直接将物理限制（如方向盘转角极限、轮胎摩擦圆）作为优化问题的约束，保证控制指令永远可行、安全。
- 多目标协同：天然地将横向和纵向控制统一在一个优化框架内处理，实现更好的协同。
执行基础：线控底盘
- 是什么 ：传统汽车的油门、刹车、方向盘通过机械/液压与驾驶员相连。线控底盘 则将其改为电子信号控制，为自动驾驶的指令执行提供了直接的物理接口。
- 重要性：没有线控底盘，自动驾驶的"大脑"就无法直接"指挥"车辆行动。
技术架构总结
| 架构层级 | 核心比喻 | 输入 | 核心任务/算法 | 输出 |
|---|---|---|---|---|
| 感知层 | 眼睛与耳朵 | 传感器原始数据 | 感知识别、多传感器融合 | 环境结构化模型（目标、车道、信号灯） |
| 决策规划层 | AI老司机（大脑） | 环境模型、目的地 | 路径搜索(A*)、行为决策、轨迹规划(MPC) | 一条平滑、安全的未来行驶轨迹 |
| 控制层 | 精准的手脚 | 期望轨迹、车辆状态 | 横向/纵向控制(PID, MPC) | 方向盘转角、油门/刹车开度 |
| 执行层 | 强健的躯体 | 控制指令 | 线控底盘执行 | 车辆的实际运动 |
关键闭环：数据驱动的迭代
整个系统运行中产生的数据（尤其是感知错误、规划不足的**"Corner Cases"）会被收集、标注，用于 重新训练和优化算法模型**，形成"数据闭环"，驱动系统持续进化。