自动驾驶发展与关键技术综述

随着汽车电子化和高级辅助驾驶技术的快速发展,自动驾驶作为辅助驾驶技术的高级阶段,俨然成为未来解决交通出行的重要方式,已成为全球范围内的一个新的技术研究热点和重点。尤其近年来,自动驾驶在人类交通发展史上取得了里程碑式的进步。简述了自动驾驶的发展和关键技术的相关内容,在此基础上回顾了自动驾驶通过传感器进行环境感知的研究水平以及前沿人工智能技术在自动驾驶中的使用情况,涉及环境智能感知、传感器融合、高级规划、控制等关键技术的相关陈述,最后综述了自动驾驶系统当前所存在的问题,并展望了自动驾驶技术的未来发展方向。     

自动驾驶软件测试技术研究综述

自动驾驶系统（autonomous driving system,ADS）是一种集成高精度传感器、人工智能和地图导航系统等模块的信息—物理融合系统。该类系统中的自动驾驶软件完成了从高级辅助驾驶到无人驾驶任务中关键的感知、定位、预测、规划和控制任务。随着深度学习和强化学习等人工智能技术的发展和车载硬件设备的不断升级,高级别的自动驾驶软件已经逐渐应用于多种安全攸关的场景中,保障其运行稳定性与可靠性的测试技术逐渐成为学术界和产业界的研究重点。本文在广泛调研国内外文献基础上,对自动驾驶软件测试技术进行了深入分析与梳理。结合自动驾驶软件的架构特点及系统特征,讨论了面向自动驾驶系统的仿真测试和实景测试,以及面向组件的测试技术。其中,在仿真方法方面,分析了软件仿真、半实体仿真和在环仿真等技术;在仿真对象方面,讨论了静态环境仿真、动态场景仿真、传感器仿真和车辆动力学仿真等。同时,本文介绍了当前实景测试的进展与情况,重点分析了实景测试案例中的得失优劣。在面向自动驾驶软件组件的测试技术方面,重点讨论了当前数据驱动技术在感知组件、决策规划组件,以及控制组件测试方面的进展。最后,本文总结分析了自动驾驶软件测试当前面临的挑战,并对未来自动驾驶软件测试技术的研究方向和研究重点进行了展望。     

基于平行测试的认知自动驾驶智能架构研究

在大数据、云计算和机器学习等新一代人工智能技术的推动下, 自动驾驶的感知智能在近年来得到显著的提升与发展. 然而, 与人类驾驶过程中隐含的以自我目的实现为引导的自探索性和自主性相比, 现阶段自动驾驶技术主要以辅助驾驶功能为主, 还停留在以被动感知、规划与控制为主的初级智能自动驾驶阶段. 为实现车辆智能从数据驱动的环境感知、辅助决策、被动规划到知识驱动的场景认知、推理决策、主动规划的提升, 亟需增强车辆自身对复杂外界信息归纳提炼、推理决策、评价估计等类人能力. 首先回顾自动驾驶关键技术演化及其应用发展历程; 随后分析测试对车辆智能评估的效用; 然后基于平行测试理论, 提出自动驾驶车辆认知智能训练、测试与评估空间的构建方法, 并设计基于平行测试的认知自动驾驶智能训练框架. 该项研究工作预期能为推动自动驾驶从感知智能向认知智能的升级提供可行的技术支撑与实现路径.     

基于深度强化学习的单目视觉自动驾驶决策系统

人工智能和自动驾驶的发展如火如荼,人工智能技术在自动驾驶技术中的应用也越来越多、越来越深入,因此本文提出一种基于深度强化学习的单目视觉自动驾驶决策系统,可以让自动驾驶车辆通过相机作为传感器输入,实现端到端的自动驾驶决策,并且通过设置奖励函数和训练使得车辆的学习效率越来越高,可以在车道内保持直线行驶。     

自动驾驶出租车调度系统研究综述

人工智能和大数据科学的发展带来了新一代产业革命。基于人工智能、大数据、车联网等技术的自动驾驶出租车调度系统将成为下一代交通系统的重要组成部分。文中从车联网环境下的自动驾驶调度系统的数学建模问题和系统构建两个方面对现有的文献进行了梳理和讨论。针对乘客出行需求的动态不确定性的共享问题,着重讨论了自动驾驶出租车在不同路径共享模式下的路径规划,以及共享合乘定价和智能调度系统构建的关键技术。最后,总结了自动驾驶出租车在解决交通拥堵和减少资源浪费方面的优势,并指出了自动驾驶出租车系统的技术难点和发展趋势。     

智能驾驶路径规划技术综述

随着5G通信系统和人工智能技能快速发展，汽车产品的智能化和联网化已是大势所趋。人们追求更加方便快捷的出行方式，智能汽车朝着人员辅助驾驶到汽车实现无人辅助自动驾驶以及单车独自智能驾驶到多车协同智能驾驶等方向发展。目前汽车智能驾驶前景广阔，智能驾驶技术已成为汽车产品功能研究领域的热门研究方向。智能驾驶路径规划分为局部路径规划和全局路径规划。在路径规划技术中需要用到环境感知技术来实现智能汽车自主避障，因此，介绍智能驾驶研究概况，结合算法对环境感知、路径规划等智能驾驶技术的发展进行分析和梳理，并对智能驾驶汽车的未来进行展望。     

汽车自动驾驶及其发展

自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。自动驾驶技术是汽车产业与人工智能产业、物联网技术、高度智能化计算机等新一代信息技术紧密结合而形成的产物,是当前全球汽车与交通出行产业智能化与物联网系统的重点方向。笔者主要针对汽车自动驾驶及其发展进行研究。     

关于无人驾驶汽车存在问题的拟解决方案

无人驾驶汽车是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车.虽然完全实现自动驾驶的道路是漫长而曲折的,充满了危险性,但是随着人工智能、控制技术的发展以及各国政府政策的扶持,无人驾驶必将迎来蓬勃发展.无人驾驶不仅只是节约人类花费在驾驶上的精力并且提高生活品质及效率,最终目标是建立智慧城市、智能交通的规划.介绍了目前国内外无人驾驶汽车的主要应用情况,总结了无人驾驶汽车所面临的技术难点与存在问题,提出了未来无人驾驶汽车的可能应用场景及技术和伦理道德问题的解决途径.     

强化学习的自动驾驶控制技术研究进展

自动驾驶车辆的本质是轮式移动机器人,是一个集模式识别、环境感知、规划决策和智能控制等功能于一体的综合系统。人工智能和机器学习领域的进步极大推动了自动驾驶技术的发展。当前主流的机器学习方法分为：监督学习、非监督学习和强化学习3种。强化学习方法更适用于复杂交通场景下自动驾驶系统决策和控制的智能处理,有利于提高自动驾驶的舒适性和安全性。深度学习和强化学习相结合产生的深度强化学习方法成为机器学习领域中的热门研究方向。首先对自动驾驶技术、强化学习方法以及自动驾驶控制架构进行简要介绍,并阐述了强化学习方法的基本原理和研究现状。随后重点阐述了强化学习方法在自动驾驶控制领域的研究历史和现状,并结合北京联合大学智能车研究团队的研究和测试工作介绍了典型的基于强化学习的自动驾驶控制技术应用,讨论了深度强化学习的潜力。最后提出了强化学习方法在自动驾驶控制领域研究和应用时遇到的困难和挑战,包括真实环境下自动驾驶安全性、多智能体强化学习和符合人类驾驶特性的奖励函数设计等。研究有助于深入了解强化学习方法在自动驾驶控制方面的优势和局限性,在应用中也可作为自动驾驶控制系统的设计参考。     

浅谈5G车路协同自动驾驶技术的应用

自动驾驶成为当前社会热点,也是人工智能以及自动化技术创新发展的重要方向.自动驾驶的实现对于计算机信息技术同样也提出了较高要求,基于5G技术发展的创新优化极为必要.5G车路协同自动驾驶技术就是现阶段的研究重点,确实也表现出了极强的作用价值,成为未来发展趋势.文章即重点围绕着5G车路协同自动驾驶技术的应用,在简要介绍该技术...     

Towards an autonomous underwater vehicles test range: At-sea experimentation of bearing-only tracking algorithms

Underwater navigation performance of Autonomous Underwater Vehicles (AUVs) strongly affects the quality of the collected data. Scientific literature extensively addresses the AUV tracking and self-localisation problems. However, no standard evaluation methods for vehicle navigation exist. Therefore, the authors’ visionary perspective is to develop and implement an Underwater Test Range (UTR) to certify the vehicle compliance with long-term underwater navigation. This paper describes a first step along this research path represented by an in field validation of such conceived measurement network. Experiments are soundly based on extensive simulation analysis presented in previous works. In particular, an underwater network composed of acoustic modems with Ultra Short BaseLine capabilities is deployed as measurement rig. This setup, through bearing-only measurements, allows the tracking of an Autonomous Surface Vehicle (ASV) equipped with Differential GPS as position ground truth. Results show how the proposed methodology performs in a real marine scenario with challenging conditions due to shallow waters and magnetically noisy environment.     

ARV水下机器人水面操作控制系统设计

自治缆控水下机器人（autonomous remotely-operated vehicle,ARV）是一种全新概念的水下机器人,它既有遥控水下机器人（remotely operated vehicle,ROV）的特点,又有自治水下机器人（autonomous underwater vehicle,AUV）的特点.它很好地结合了两种水下机器人的优点,代表了水下机器人未来的一个重要发展方向.基于用户数据报协议（User Datagram Protocol,UDP）、网络通信协议及RS-485通信协议,针对“海事一号”ARV水下机器人开发了上位机与下位机系统之间的操控终端.该操控终端通过上位机系统与可编程逻辑控制器（Programmable Logic Controller,PLC）采集系统的程序设计,实现了“海事一号”ARV上位机与下位机的实时通信与控制,效果良好,传输效率较高.     

Modelling and Control Strategies in Path Tracking Control for Autonomous Ground Vehicles: A Review of State of the Art and Challenges

Autonomous vehicle field of study has seen considerable researches within three decades. In the last decade particularly, interests in this field has undergone tremendous improvement. One of the main aspects in autonomous vehicle is the path tracking control, focusing on the vehicle control in lateral and longitudinal direction in order to follow a specified path or trajectory. In this paper, path tracking control is reviewed in terms of the basic vehicle model usually used; the control strategies usually employed in path tracking control, and the performance criteria used to evaluate the controller’s performance. Vehicle model is categorised into several types depending on its linearity and the type of behaviour it simulates, while path tracking control is categorised depending on its approach. This paper provides critical review of each of these aspects in terms of its usage and disadvantages/advantages. Each aspect is summarised for better overall understanding. Based on the critical reviews, main challenges in the field of path tracking control is identified and future research direction is proposed. Several promising advancement is proposed with the main prospect is focused on adaptive geometric controller developed on a nonlinear vehicle model and tested with hardware-in-the-loop (HIL). It is hoped that this review can be treated as preliminary insight into the choice of controllers in path tracking control development for an autonomous ground vehicle.     

Two-step gradient-based reinforcement learning for underwater robotics behavior learning

This article proposes a field application of a Reinforcement Learning (RL) control system for solving the action selection problem of an autonomous robot in a cable tracking task. The Ictineu Autonomous Underwater Vehicle (AUV) learns to perform a visual based cable tracking task in a two step learning process. First, a policy is computed by means of simulation where a hydrodynamic model of the vehicle simulates the cable following task. The identification procedure follows a specially designed Least Squares (LS) technique. Once the simulated results are accurate enough, in a second step, the learnt-in-simulation policy is transferred to the vehicle where the learning procedure continues in a real environment, improving the initial policy. The Natural Actor–Critic (NAC) algorithm has been selected to solve the problem. This Actor–Critic (AC) algorithm aims to take advantage of Policy Gradient (PG) and Value Function (VF) techniques for fast convergence. The work presented contains extensive real experimentation. The main objective of this work is to demonstrate the feasibility of RL techniques to learn autonomous underwater tasks, the selection of a cable tracking task is motivated by an increasing industrial demand in a technology to survey and maintain underwater structures.     

Autonomous control of a prototype solar-powered offshore autonomous underwater vehicle servicing platform via a low-cost embedded architecture

This paper describes the design, implementation, and field-testing of a low-cost autonomous control system on the Platform for Expanding Autonomous Underwater Vehicles (AUV) exploRation to Longer ranges (PEARL). PEARL is a floating, solar-powered platform designed as a servicing station for AUVs. This paper describes the field testing of a prototype system currently without the ability to dock and recharge AUVs. In this prototype, autonomous operations are realized through the open-source MOOS-IvP marine robotics software running on an embedded architecture including a Raspberry Pi microcomputer, Arduino microcontroller, and onboard inertial measurement unit and GPS sensors. A solar charge controller monitors energy system statistics in real-time. Field tests included station-keeping and waypoint missions in a freshwater pond in Orleans, MA. An RMS tracking error of 0.9–2.2 m was achieved during waypoint pattern executions, with an average battery usage of 13% per hour. Net power consumption rate will change due to variations in currents and winds, as well as variations in solar irradiance. The implementation of an autonomous sun-tracking mode to maximize solar panel flux while station-keeping is also evaluated. The field testing results will inform the design of a full-scale PEARL capable of docking with AUVs. This research helps pave the way for autonomous solar-powered service stations in the ocean that can connect the underwater world with space.     

考虑后视效应和多前车信息的跟驰模型

网联车跟驰模型的研究可为未来实施大规模的实地测试提供模型参考,已成为交通流及智能交通领域的研究热点.为了更好地研究智能网联车的跟驰特性,在MVD模型的基础上,提出了一种考虑后视效应和多前车信息的跟驰模型(BL-MVDAM),利用线性稳定性分析方法推导出BL-MVDAM模型的交通流稳定性判断依据,并分别分析了模型中各参数对系统稳定性的影响,给出分析结果并进行了数值仿真实验.仿真实验选取在环形道路上给行驶过程中的车队施加轻微扰动,并根据跟驰车对后车的关注程度P和前车数量k设计数值模拟实验,当其他条件一致时,本文模型相比FVD,MVD,OMVC和BLVD模型,BL-MVDAM模型中车队的速度波动率较小,尤其是当P=0.8,k=3 时,车队速度平均波动率最小可以达0.24％,实验分析结果表明,所提出模型在引入后视效应和多前车信息后,具备更优的稳定区域,能较好地吸收扰动且有利于增强车队行驶的稳定性.     

机器人自主感知模型在网络机器人中的应用

基于机器人自主感知模型(RAPM)构建了机器人系统,该系统可通过网络自主感知获得动态网络信息,实时建立路径,使机器人完成超出其视野范围的任务．机器人自主感知模型具有很强的扩展能力和合理的构架,突破了以往移动机器人仅使用自身传感器或使用网络固定传感器的局限,对提高基于Internet的机器人智能及其行为能力有重要意义．实验结果证明了机器人自主感知模型的可行性和有效性．     

基于蓝牙的矿山车辆胎压监控系统①

矿山车辆胎压监测是以无损检测技术为基础,通过研究车辆胎压的实时信号,了解矿山车辆的轮胎气压的变化特性,从而达到矿山车辆安全监控提供依据。描述了以LPC2132为核心构成的胎压的监控装置的研究。通过带有蓝牙的传感器模块采集车辆胎压信号,经过调理电路后进行比较计算,若超过规定值就报警,并将数据发送到车载CAN总线上。在此基础上设计了一套基于蓝牙的胎压监控装置,硬件系统主要由传感器、LPC2132处理器,信号调理电路,蓝牙模块和报警模块等组成。软件系统由固件程序,数据收发模块等构成。     

技术开发生态系统对持续提升自动驾驶安全至关重要

导读:自动驾驶已走向现实,自动驾驶车辆的核心是感知技术。推进技术开发生态系统有助于促进自动驾驶的进步,并证明其是安全性、高效性和可行性。自动驾驶发展如今,自动驾驶汽车(AV)正迅速从炒作走向现实。Emeij[1]最近的报告记载了11家最大的汽车厂商计划,其中本田、丰田和雷诺、日产最早将于明年开展计划。然而,显而易见的是,部署批量生产的自动驾驶汽车比传统汽车有更多的要求。     

Towards integrated autonomous underwater operations for ocean mapping and monitoring

The NTNU Centre for Autonomous Marine Operations and Systems (NTNU AMOS) is as a ten-year research program, 2013-2022, addressing research challenges related to autonomous marine operations and systems applied in e.g. maritime transportation, oil and gas exploration and exploitation, fisheries and aquaculture, oceans science, offshore renewable energy and marine mining. Fundamental knowledge is created through multidisciplinary theoretical, numerical and experimental research within the knowledge fields of hydrodynamics, structural mechanics, guidance, navigation, control and optimization. This paper gives an overview of the research at NTNU AMOS related to mapping and monitoring of the seabed and the oceans. Associated definition and requirements related to autonomy are also addressed. Results and experience from selected field trials carried out in the Norwegian coastal and Arctic waters will be presented. Integrating different sensors and sensors platforms such as Autonomous Underwater Vehicles (AUV), Remotely Operated Vehicles (ROVs), and ship-based systems will be shown.