智能网联汽车环境感知技术 课件 0绪论

绪论目录01智能网联汽车环境感知技术概述02环境感知技术国内外研究现状03环境感知技术存在的问题及发展方向智能网联汽车（IntelligentConnectedVehicle，ICV）是指搭载先进的车载传感器、控制器、执行器等装置，融合现代通信与网络技术，在V2X（VehicletoEverything）之间进行智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现汽车安全、高效、舒适、节能行驶，并最终替代人来操作的新一代汽车。智能网联汽车涉及整车零部件、信息通信、智能交通、地图定位等多领域技术，是一个高度复杂的系统。2020年11月，世界智能网联汽车大会上发布的《智能网联汽车技术路线图2.0》将智能网联汽车的技术架构划分为“三横两纵”，如图0-1所示。其中，“三横”是指车辆关键技术、信息交互关键技术与基础支撑关键技术，“两纵”是指支撑智能网联汽车发展的车载平台与基础设施。图0-1智能网联汽车的“三横两纵”技术架构由图0-1可知，环境感知技术是智能网联汽车其他技术的数据基础，为智能决策和控制执行提供了依据，是智能网联汽车实施自动驾驶的第一步。在行驶过程中，智能网联汽车通过智能传感器或V2X通信技术获取道路、车辆、行人、交通标志标牌和信号灯等信息，并将这些信息传输给车载计算单元进行处理，作出合理的决策，最终控制本车的加减速和转向，保障智能网联汽车安全、准确地到达目的地。环境感知技术相当于智能网联汽车的“眼睛和耳朵”，它的性能将决定智能网联汽车能否适应复杂多变的交通环境。随着自动化程度的不断提高，对环境感知的要求也越来越高。2021年8月20日，《汽车驾驶自动化分级》（GB/T40429—2021）推荐性国家标准发布，并于2022年3月1日起实施。该标准给出了驾驶自动化等级与划分要素的关系，见表0-1。从表0-1可知，随着等级的不断提高，智能网联汽车逐渐由辅助驾驶向完全自动驾驶升级，从只能应对有限制的简单场景，到可以适应所有复杂场景，最终实现完全解放驾驶员。在这一进程中，对智能网联汽车的感知系统提出了更高的要求，感知系统要能更全面、更准确、更高效地获取周边环境的信息。PART

1智能网联汽车环境感知技术概述0.1.1交通参与者信息感知技术驾驶场景中的交通参与者可以大致分为4类，分别是机动车、非机动车、行人和障碍物，涉及的传感器主要有相机、激光雷达、毫米波雷达、超声波雷达等，不同传感器对交通参与者信息感知的优缺点各不相同。相机采集的图像数据包含的信息最丰富，其能感知颜色，便于识别出具体的交通参与者类型，且成本较低。但是，目前的图像处理算法计算量较大，对计算芯片的依赖性较强。受限于计算速度，相机的感知频率较低，在高速场景下难以满足实时性要求。为解决实时性的问题，目前的智能网联汽车上往往安装三种不同焦距的相机，分别处理近程、中程和远程的图像信息。除此之外，相机对环境较敏感，雨雪、雾霾等恶劣天气和光照都会对相机的感知产生较大影响。虽然相机能感知不同类型的障碍物，但是无法直接测量目标物体与自身的相对距离，间接方法估算的目标距离不确定性较大。此外，尽管可以采用双目相机或深度相机来直接检测距离，但会大大增加成本，且双目相机的视差计算非常消耗计算资源，配置和标定也较繁琐。激光雷达通过发射激光束来生成环境的点云数据，直接得到目标与自身的相对距离、方位和速度，且精度非常高，可以实现厘米级的测距。相比于相机，激光雷达对不同光照的适应性更强，在夜间也可以正常工作。但是在雨雪、雾霾等天气中，激光束可能会被空气中的微粒反射，从而影响激光雷达的感知性能。目前的激光雷达售价仍然居高不下，且随着激光雷达线数的增加，售价也不断倍增，64线的激光雷达售价高达数十万元。而低线数的激光雷达（如16线激光雷达）能够采集到的点云较稀疏，对远程的障碍物而言，很容易出现漏检的情况。相比于传统的机械式激光雷达，固态激光雷达虽然不能实现360°感知，但是能够以较低的成本实现等效的上百线数，从而满足智能网联汽车对点云密度的需求。毫米波雷达和超声波雷达分别是利用电磁波与机械波感知交通参与者，成本均较低。其中，毫米波雷达主要用于感知车辆前方和侧后方中远程的交通参与者，可以同时得到目标的相对距离、相对速度和相对角速度信息。毫米波雷达探测范围较广，中远程毫米波雷达的最大探测距离可以达到100~250m，水平视野大致有15°~30°，而专门用于探测侧后方交通参与者的角雷达水平视野甚至可以达到180°。相比于相机和激光雷达，毫米波雷达对环境的适应性极强，毫米波可以穿透雨雪和烟尘，且不受光照条件的影响。但其侧向感知精度不高，并且会出现漏识别的情况，当两个交通参与者相距较近时，毫米波雷达难以分辨。超声波雷达主要用于感知近程的交通参与者，由于其检测距离较短且成本较低，通常在车身四周都有布置。0.1.2道路信息感知技术道路中的信息可分为车道线、可行驶区域、交通信号灯和标志标牌等。其中，车道线的识别往往依赖于相机。虽然也有一些关于激光雷达识别车道线的研究，但目前仍然处于探索阶段，识别精度和鲁棒性较差。基于视觉的车道线检测，主流的方法有以下几种：基于霍夫变换的车道线检测、基于俯视图变换的车道线检测、基于拟合的车道线检测。基于霍夫变换的车道线检测是传统的车道线检测方法，应用较广泛，算法运行速度快，但是检测精度一般。基于俯视图变换的车道线检测将前方图像的路面通过仿射变换为俯视图，在俯视图中将车道线提取出来。这种方法的优点是可以找到多条车道线，实时效果也较好，缺点是在复杂路况的稳定性较差，且受周边物体遮挡的影响严重，不适用于路况复杂和摄像头视角较小的前方视野。基于拟合的车道线检测原理是根据车道线和路面存在稳定的灰度梯度差，通过设定合理的阈值，将车道线的边缘提取出来，再用函数对其进行拟合。这种方法的优点是可以拟合带有曲率的车道线，缺点是环境适应性差，受光照干扰较大，稳定性差。可行驶区域的检测建立在交通参与者检测的基础上，确定车道范围后，再检测出车道上的其他交通参与者，即可得到最终的可行驶区域。与交通参与者感知所用的传感器类似，可行驶区域的检测主要以相机或激光雷达为主传感器，以毫米波和超声波雷达为辅助传感器。交通信号灯和标志标牌的检测也是以相机为主，检测过程可分为定位和识别两部分。常用的交通信号灯、标志标牌的定位方法有：基于颜色的方法、基于形状的方法、基于多特征融合的方法和基于深度学习的方法。基于深度学习的方法具有较明显的优势。常用的交通信号灯、标志标牌的识别方法有：基于模板匹配的方法、基于机器学习的方法、基于深度学习的方法。从准确率方面来说，基于深度学习的方法识别率更高一些。0.1.3车路协同信息感知技术车路协同信息感知技术是基于5G通信和新一代互联网等技术，全方位实施车—车、车—路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上，开展车辆协同安全控制和道路协同管理，充分实现人、车、路的有效协同，保证交通安全，提高通行效率，形成安全、高效和环保的道路交通系统。车路协同信息感知技术需要获取的信息既有来自车载传感器（激光雷达、毫米波雷达、摄像头、GPS）的各种数据（位置、状态、周围目标的位置、速度），也有来自外部传感器（他车GPS、路侧设备）的数据（周边目标的位置、速度、特征、状态），通过5G终端利用无线通信技术进行信息的传输，与传统传感器相比，车路协同的优势如图0-2所示。虽然车路协同信息感知技术相比于传统传感器有很多优势，但在其技术方面，比如数据融合定位与通信精度，以及路侧单元的遍布仍是亟待解决的问题。V2X与传感器一样，同样是获取信息的渠道，虽然通信距离比传感器更远，但是两者肯定也有重合的地方，因而V2X与传感器之间的数据融合是必须的。定位精度取决于定位技术，高精度定位技术当前还无法得到量产应用，而通信精度则取决于无线通信的可靠性与实时性，以V2X作为感知，是与传感器进行互补，V2X的通讯范围一般能够达到300m，远大于传感器的有效作用距离，因而它的作用表现在，提前了解更远处的情况，让车辆可以预先作出反应。在路侧单元部署数量不足的时候，V2X还只是作为一个对驾驶员的额外警示渠道。图0-2车路协同技术的优势0.1.4驾驶员信息感知技术除了上述车外信息的感知，智能网联汽车环境感知技术还包括了车内驾驶员信息感知技术，可大致分为基于驾驶员生理信号感知技术和基于车辆运行状态感知技术两种技术路线。基于驾驶员生理信号感知技术从驾驶员自身特征出发，通过某种设备获取驾驶员生理信号特征或者利用驾驶员不同驾驶状态特征模式的差异，由视觉传感器采集驾驶员面部各种器官特征，相应的模式识别技术分类获取驾驶状态信息。具体采集信息包括利用摄像头的面部识别技术识别驾驶员面部表情、眼睛特征、嘴部活动以及头部位置，或通过专业设备检测驾驶员相关生理信号，如脑电图（EEG）、心电图（ECG）、肌电图（EMG）、眼电图（EOG）等。基于驾驶员生理信号感知技术的优点是客观性强，利用生理参数检测仪器和实时图像处理技术，能比较准确地反映人体的驾驶状态，检测精度较好。但缺点是检测识别算法较复杂，且检测结果受光线变化和个体生理状况的影响较大。基于车辆运行状态感知技术根据车辆的状态参数间接获取驾驶员驾驶状态信息，这种方法从驾驶员对车辆的操控情况以及采集到的车辆运行状态参数来推断驾驶员驾驶状态信息，具体采集信息包括通过转向盘转角传感器检测驾驶员转向盘转动情况，利用GPS及惯导系统对车辆行驶速度、航向角进行检测，借助前视摄像头系统实时检测驾驶员行车轨迹与车道线的距离。基于车辆运行状态感知技术的优点是信号容易提取，不需要增加任何硬件设备，不会导致成本增加，不会对驾驶员产生干扰。缺点是精度低于前者，且由于车辆运行状态不仅与驾驶员操作有关，还与车辆特性、操作技能、道路环境、驾驶经验、驾驶条件、行驶速度、道路等环境因素相关，因此难以界定安全驾驶与非安全驾驶。PART

2环境感知技术国内外研究现状0.2.1基于激光雷达的环境感知技术国内外研究现状自1960年美国科学家梅曼研制出第一台红宝石激光器，到车载激光雷达实现量产甚至成为许多智能驾驶车辆环境感知的标配，国内外激光雷达发展极其迅速。相比于其他传感器，激光雷达具有测距精度高，受环境影响较小，实时性好的特点，因此激光雷达被广泛应用于高级别的智能网联汽车上。早在2007年，美国国防高级研究计划局（DARPA）举办的第3届无人车城市挑战赛中，卡内基梅隆大学、斯坦福大学等多个车队就采用了基于激光雷达的环境感知技术。谷歌公司研制的Waymo无人车在车顶安装了64线激光雷达，牛津大学与日产汽车合作研制的无人车RobotCar采用了2D激光雷达，百度的阿波罗无人车分别在车头、车顶和车尾安装了激光雷达。图0-3所示为国内外研究团队搭载激光雷达的智能网联汽车。图0-3国内外研究团队搭载激光雷达的智能网联汽车0.2.1基于激光雷达的环境感知技术国内外研究现状目前实现车载激光雷达设备商业化的国外公司有美国的Velodyne公司、法国的TopoSys公司、德国的IBEO公司等。其中Velodyne公司的产品性能和精度处于国际领先地位，几乎成为自动驾驶行业激光雷达选型的黄金标准，其16线、32线、64线的产品被广泛应用在自动驾驶车辆上。不论是国际高校间的自动驾驶比赛，还是参与自动驾驶研究的企业（如谷歌、百度等），其研发出的自动驾驶车辆上都能看到Velodyne激光雷达的身影。Velodyne公司作为车载激光雷达的龙头企业，旗下的HDL-64E机械激光雷达曾被广泛应用于自动驾驶车辆的测试中，不过其高价格和低生产率也说明了车载激光雷达的低成本化和量产化的关键性，这也正是Tesla公司一直不采用“3D激光雷达”方案，而坚持采用“超声波雷达+摄像头”方案的原因之一。但目前Velodyne激光雷达已经推出成本更低、线数更多的128线机械激光雷达VLS-128，这意味着这款激光雷达有更高的分辨率、安全性以及更低的成本，并且可以实现量产。而且“3D激光雷达+高精度导航地图+云计算”被认为是未来理想的综合性解决方案。不过，在Velodyne推出VLS-128之前，整体车载激光雷达市场都向低线束化、固态化发展，既向减少激光雷达线束发展，同时也从机械型转为固态型，比如Quanergy公司在2016年CES展会上推出了与Delphi公司共同研发的全球首款固态激光雷达S3，为了降低成本，Velodyne公司推出混合与纯固态的低线束激光雷达，但该技术需要通过增加数量来弥补线数的不足，这也体现出未来的技术路线未定。0.2.1基于激光雷达的环境感知技术国内外研究现状对国外车载激光雷达技术现状进行分析后可知，激光雷达低成本化、固态化、量产化是统一趋势，但是Velodyne公司推出更高线束的激光雷达和其他科技厂商推出低线束的激光雷达并不矛盾，他们的整体方向依然是实现激光雷达的更高分辨率和精准度，进一步保证无人驾驶的安全性，只不过前者倾向于使用更强大的设备，后者倾向于使用多激光雷达耦合并降低成本。同时，低线束激光雷达可以对高线束激光雷达起补充作用。相对于国际研究，我国对激光雷达技术的研究起步较晚。2007年以前，国内高校及研究院所在激光技术层面虽然有不错的积累，但是在激光产品上没有做到商业化、产品化，因此，主要激光应用场景基本依赖进口产品。2007年以后，国内激光雷达产品才开始逐渐被大规模应用。随着国内无人驾驶行业的发展，国内也涌现出一些激光雷达厂商。其中以速腾聚创、北科天绘、镭神智能、思岚科技、禾赛科技等创业公司为代表的国产激光雷达产品逐渐获得市场认可，并在智能汽车中使用。表0-2展示了国内激光雷达研发与生产的主要厂商的雷达产品。0.2.1基于激光雷达的环境感知技术国内外研究现状0.2.1基于激光雷达的环境感知技术国内外研究现状在基于激光雷达感知技术方案的研究与运用方面，国内公司也有一些成果。（1）速腾聚创提出成熟可靠的RS-P1低速自动驾驶激光雷达感知方案，该方案使用RS-LiDAR-16激光雷达，一站式解决了从感知、决策到控制的难题，并开发了感知软件单元RS-Cube，能够实现障碍物检测、分类、识别以及动态障碍物跟踪等功能。（2）北科天绘基于激光雷达的环境感知方案应用于中高、低速自动驾驶等场景。低速自动驾驶方面的应用如东风Sharing-VAN移动出行服务平台的开发、京东物流车、搭载了两颗机械式激光雷达的中国移动无人送货小车、无人环卫清扫车等；中高速自动驾驶方面的应用如与一汽红旗合作开发的在车顶搭载3颗机械激光雷达的全场景自动驾驶汽车、与清华大学苏州汽车研究院共同合作开发的在车顶搭载2颗机械激光雷达的自动驾驶汽车，另外还应用于军事越野车以及公交车、重型货车等自动驾驶。（3）雷神智能将基于激光雷达的环境感知技术应用于大车盲区检测系统的开发，该方案针对货车、拖拉机以及各种大型工程车辆的盲区，通过加装激光雷达实现盲区全覆盖探测，精准感知车周盲区是否有车辆和行人，并及时给予驾驶员危险警告；另外还将激光雷达应用于低速无人车、乘用车、商用车的多传感器融合环境感知系统开发，提高了自动驾驶安全冗余性，该方案结合摄像头、激光雷达、毫米波雷达，通过多传感器功能互补和领先的神经网络算法确保自动驾驶安全冗余性，其中激光雷达主要用于车辆与行人以及障碍物的检测，另外还用于3DSLAM中创建高精点云地图，实现精准定位与自主导航。（4）禾赛科技与百度智行科技公司合作开发无人配送车，该车使用激光雷达Pandar40P及车身共计8个摄像头，可以在模拟道路环境中，完成红绿灯识别、行人识别、自动变道以及自主通过四向停车路口等操作。综上所述，国内外基于激光雷达的环境感知技术主要运用于特殊场景、中低速无人车环境感知方案的开发，将激光雷达与其他传感器结合，走多传感器融合的路线成为了近年来的研发与运用主流。0.2.2基于视觉的环境感知技术国内外研究现状车载摄像头是智能网联汽车的主要视觉传感器，是最为成熟的车载传感器之一。由镜头采集图像后，摄像头内的感光组件电路及控制组件对图像进行处理并转化为计算机能处理的数字信号，从而实现对车辆周边路况的感知。车载摄像头可以实现描绘物体的外观和形状、识别车道线以及读取交通信号灯标识等功能，这些功能是其他传感器无法做到的。基于视觉的环境感知主要体现对车辆周围障碍物的检测和对相关交通信息的识别。由于摄像头价格低廉，因而应用较广泛，国内外很多学者和机构早已开展了对摄像头环境感知的研究。国外方面，NguyenVD等人提出一种可以进行障碍物检测、识别、跟踪的通用框架，该框架使用先进的深度学习算法，同时结合多种局部特征进行目标检测和识别。首先使用U—V视差法对沿路行驶的车辆与行人进行检测，然后将这些数据传入车辆与行人识别系统，结合R—CNN对不同目标进行分类，最后利用跟踪与验证模型框架完成目标跟踪。MinoruA和TakamaroT根据双目立体视觉原理，实时计算目标图像的雅各比矩阵，该系统不需要相机的标定参数，仅使用图像对比静态参考指标，就可以实现对未知物体目标的自适应追踪。ChenX等人提出了将红外雷达与单目视觉传感器相融合的障碍物检测算法，该方法可以获得更好的检测效果。Kanade和Schneiderman提出了建立车辆特征的分类器训练法对不同视角下的车辆进行检测，分类器是根据目标车辆和非目标车辆外观特征的直方图建立的。0.2.2基于视觉的环境感知技术国内外研究现状国内方面，吉林大学王荣本等提出了一种适用于非结构化道路的双目视觉障碍物检测技术，通过坐标变换，消除地形影响，然后使用Harris角点检测和RANSAC方法提高了立体匹配的实时性，最后通过线性插值方法构建车辆前方环境，通过大量行车实验验证了算法的可行性。为了提高夜间行车的安全性，郭君斌等人提出了一种基于单目视觉的夜间前方车辆检测算法，根据HSV颜色空间颜色阈值和OTSU阈值提取尾灯信息，在跟踪区域根据车辆位置和抽取的尾灯进行估计，实现车辆检测，实验表明该算法有较低的误检率。吉林大学金立生等人提出基于毫米波雷达和机器视觉相融合的夜间车辆检测，通过对两个传感器的融合，得到车辆的感兴趣区域，利用D—S证据理论对表征尾灯信息进行融合，检验目标有效性。齐小燕提出基于V—视差法的障碍物检测方法，将得到的V—视差图利用Hough变换的直线检测方法，通过视差相近理论确定障碍物大致区域。唐佳林等人采用帧差法，通过提取疑似车辆的感兴趣区域进行车辆检测。种衍文等人提出了依据Adaboost和支持向量机的两阶段检测算法，该算法可以检测复杂背景下不同姿态的行人，精度优于以往Adaboost算法。智能网联汽车的快速发展，直接带动了车载摄像头产业链的完善和发展。据统计，一套完整的ADAS系统一般至少包括6个摄像头，高端智能汽车的摄像头可达8~13个。Yole研究报告称，全球平均每辆汽车搭载摄像头将由2018年的1.7颗增加至2023年的3颗，且随着自动驾驶的升级，这一数量将进一步增加。显然，随着5G商用正式开启，智能驾驶技术必然会不断走向成熟，车载摄像头作为ADAS的关键传感器，市场空间将获得极大的拓展。0.2.2基于视觉的环境感知技术国内外研究现状目前车上搭载的车载摄像头，根据安装位置主要分为前视摄像头、环视摄像头、后视摄像头、侧视摄像头以及内置摄像头五种类别。手机摄像以成像高质量为目的，而车载摄像头对帧率、可靠性以及稳定性等要求较高，车规级的认证周期可长达3~5年。目前模组市场依然由Tier1厂商主导，以博世、大陆、德尔福、麦格纳、采埃孚为代表的Tier1厂商提供一系列前视、环视产品，供货给奥迪、奔驰、吉利、广汽等众多车企。未来随着镜头厂商经验的积累以及客户关系的稳定，有向车企供给模组的趋势，当前车载摄像头主要厂商产品比较见表0-3。此外，手机模组及镜头厂商也开始积极参与，车载模组新品呈现百花齐放的现象。国内舜宇光学、欧菲光等厂商在手机镜头模组领域市占率较高，拥有一定的工程经验，在车载模组同样布局良多。舜宇光学模组产品种类较全面，仅前视单目模组就有6种类别，分辨率在1~8MP，视场角在15°~120°，HDR参数维持在120dB左右，能够实现较多ADAS功能。同时舜宇光学还推出了多目模组，双摄光轴精度高，震动变形小，成像清晰，且温度漂移小。世高光和Entron作为英伟达的摄像头模组供应商，目前其产品也都包括了HDR功能和夜视功能，图像分辨率维持在1~2MP的水平。Entron向英伟达供应的F008前视摄像头模组达到了8.3MP，且都具有防潮的能力，能实现ADAS、全景影视、E—Mirror等功能。0.2.3基于超声波雷达的环境感知技术国内外研究现状相对于其他智能网联汽车的传感器，超声波雷达的技术简单，并不是研究的热点。但是，超声波雷达在当前条件下仍有耗能少、穿透性强、测距简单、成本低的优点，无论是在低级别还是高级别的自动驾驶传感器方案中，都有超声波雷达的参与。超声波雷达大致有4种类型，分别是：模拟式、四线式数位、二线式数位、三线式主动数位。4种超声波雷达的信号干扰能力逐渐提升，但技术难度、装配及价格也呈递进趋势。现在市面上常见的超声波雷达仍是模拟式，其优点为产品价格低廉，但是其缺点在于容易受外界噪声干扰而产生误报警。先进的厂家已经开始采用数位式超声波雷达，这种超声波雷达将讯号的放大回路以及传感器的驱动回路放置于传感器中，其优点在于不易于受外界噪声干扰，并且讯号传输线可采用一般线组，但目前的工艺水平只能将讯号源和驱动回路电源分开，并且多数采取四线式做法。图0-4为各种超声波雷达的系统框架图。图0-4各种超声波雷达的系统框架图0.2.3基于超声波雷达的环境感知技术国内外研究现状超声波雷达的主要生产商有：博世、法雷奥、日本村田、尼塞拉、电装、三菱、松下、台湾同致电子、航盛电子、豪恩、辉创、上富、奥迪威等。传统的超声波雷达多用于倒车雷达，这部分市场基本被博世、法雷奥占据，国内厂商很多，但能进入前装市场的寥寥无几。博世是全球超声波雷达市场占有率最大的企业，其超声波雷达已研发到第六代，如图0-5所示，其可以很好地识别第五代产品无法识别的低矮物体。博世车用超声波传感器的检测范围为15~550cm，具有测量范围广、测量频率可控、体积小和功耗低等优点，详细技术参数见表0-4。图0-5博世公司第六代超声波雷达产品0.2.3基于超声波雷达的环境感知技术国内外研究现状法雷奥已经有超过10年的超声波雷达量产经验，短距超声波雷达覆盖范围为2~4m，其客户有路虎、起亚、大众途安等众多OEM厂商。同致电子主要生产汽车倒车雷达、遥控中控、后视摄像头、智能车内后视镜等产品，是上汽通用、上汽大众、东风日产、上海汽车、神龙汽车、奇瑞汽车、吉利汽车等国内各大汽车厂的主要供应商，也是目前亚洲倒车雷达OEM市场第一供应商。广州奥迪威主营UPA等超声波传感器。2017年，奥迪威销售超声波传感器近3000万支，中国汽车市场占有率达到近30%，全球汽车倒车雷达传感器市场占有率约9.59%。当前，超声波雷达在技术原理上本身没有太大的难度，国内外厂商之间的差距主要在于传感器实现上的稳定性和可靠性。超声波雷达参与的应用场景基本上可以分为3类。第1类是用于简单的泊车辅助和预警，配置的超声波雷达一般是4个左右；第2类是基于超声波雷达的自动泊车，配置的超声波雷达一般是10个左右；第3类是作为高级自动驾驶的辅助传感器，主要用于探测车辆周边的障碍物，配置的超声波雷达一般是12个左右。超声波传感器被广泛应用于泊车位检测中。2008年，超声波雷达开始被应用于车位检测，之后人们开始尝试使用大量程超声波雷达，并采用霍夫变换进行车位空间大小计算。目前，基于超声波雷达的泊车位检测主要是利用雷达经过车位时产生的跳变识别车位的上下边缘，对不同的泊车位（平行车位、垂直车位和斜车位）设计了各自的识别算法。通过对传感器特性的研究与对实际测量误差的分析，人们总结出了各种车位识别的补偿公式，最终将泊车位检测误差控制在5%以内。0.2.4基于毫米波雷达的环境感知技术国内外研究现状毫米波雷达早在20世纪40年代就已经出现了，但受限于各种原因，该技术并未快速发展。直至20年后，有关毫米波雷达的研究才开始在一些发达国家中广泛开展。又经过20年的技术发展，毫米波雷达最先在军事领域进行应用。有关车载毫米波雷达的研究最早开始于1987年的《欧洲高效安全交通系统计划》。丰田、日产和本田分别于1989年、1993年和1994年将毫米波雷达搭载在部分样车上，用于侧方盲点的探测。在20世纪90年代初期，通用汽车也开始了车载毫米波雷达的试制，但由于最终的产品成本太高且体积庞大，没能实现量产化。1999年，梅赛德斯—奔驰公司在S级轿车上安装了前向毫米波雷达（图0-6a），可以实现对前方150m内的车辆进行跟踪。同年秋季，捷豹汽车也推出了基于前向毫米波雷达的自适应巡航系统（图0-6b），可以实现在车辆以80km/h的速度行驶时，与前车保持45m以上的安全距离。图0-6早期车载毫米波雷达的应用0.2.4基于毫米波雷达的环境感知技术国内外研究现状在此之后，伴随着集成电路技术和雷达技术的不断发展，毫米波雷达射频前端开始逐步集成，体积缩小至厘米级，毫米波雷达的成本也由原来的过万元降至千元级别，为后续车载毫米波雷达的大规模应用奠定了基础。2003年，博世公司研制出了77GHz频段的毫米波雷达（图0-7a），并将其投入市场，相比于24GHz频段，77GHz毫米波雷达的探测距离提升至100~200m，测速和测距精度提高了3~5倍。2009年，美国加州大学伯克利分校研制了基于硅基CMOS工艺的毫米波雷达，将60GHz频段硅基模拟收发电路与数字基带处理电路集成在一块90nm工艺的CMOS芯片上（图0-7b），解决了传统毫米波雷达前端锗硅（SiGe）技术设计复杂、体积较大的问题，提高了前端的集成度和探测精度，并将功耗降至SiGe工艺的1/4，约为138mW，芯片尺寸也减小到2.5mm×2.75mm。2015年，博世公司又对77GHz的中长距毫米波雷达展开了进一步的研究，推出了探测距离可达250m的长距离毫米波雷达。图0-7高频段毫米波雷达0.2.4基于毫米波雷达的环境感知技术国内外研究现状我国的车载毫米波雷达发展较晚，且受到国外的技术封锁，发展进程缓慢。直至2013年，24GHz的毫米波雷达才进入市场。国内的厂商受限于开发技术，对毫米波雷达的研究也主要集中于24GHz频段。截至2016年，我国的毫米波雷达产量首次突破了100万大关，其中24GHz毫米波雷达占到了63.8%。2018年开始，国内的行易道、德赛西威等企业也开始逐步实现77GHz毫米波雷达的量产。目前，美国、德国、日本在车载雷达技术研究方面处于领先地位，博世、大陆、海拉、富士通天、电装、德尔福等传统汽车零部件巨头占据了大部分市场份额。图0-8所示为大陆的两款77GHz毫米波雷达产品。图0-8大陆77GHz毫米波雷达产品0.2.4基于毫米波雷达的环境感知技术国内外研究现状两款毫米波雷达的详细技术参数见表0-5，两款毫米波雷达的性能侧重点各有不同。其中，ARS408毫米波雷达的探测范围更广，但距离精度更低，功耗也更大。ARS404毫米波雷达的探测范围较小，但距离分辨率和精确度更高，功耗也更低。0.2.4基于毫米波雷达的环境感知技术国内外研究现状我国对24GHz的毫米波雷达研究已经发展了较长时间，技术相对成熟。但是，77GHz毫米波雷达的核心零部件射频收发芯片与信号处理芯片目前主要来自恩智浦、英飞凌、德州仪器等国外厂商，基本已被垄断，国内企业并没有成熟的替代产品。近年来，国内的豪米波、隼眼科技、行易道等企业正在大力开展毫米波雷达技术研发，并与整车厂合作占有了部分国内市场份额，其中森思泰克77GHz毫米波雷达产品已全面搭载红旗全新HS5。表0-6为国内外主要毫米波雷达厂商。0.2.4基于毫米波雷达的环境感知技术国内外研究现状毫米波雷达主要应用于目标检测。2003年，Miyahara等人提出了一种基于毫米波雷达区分前方有效目标车辆出入弯道和换道的方法，该方法成为了后续相关研究的基础。作者将毫米波雷达探测到的前方车辆速度、距离和角度值代入判定函数，并设定判断条件。当计算结果在条件范围内时，则判定目标车辆换道，否则判定目标车辆进入弯道。在此研究的基础上，张德兆和李克强等人利用相关系数检验法对目标车辆进出弯道及换道工况进行了更深入的研究，得出相应的拟合回归方程，用于拟合优度检验，引入了具有明确物理意义的区分标准作为判断条件。在检测到目标后，为了保证目标的连续性，还需要对目标进行跟踪。尚秉旭等人利用卡尔曼滤波器，根据前一时刻目标车辆的运行状态估算出下一时刻该车的运动状态，与毫米波雷达实际探测到的值进行对比，排除错误帧的干扰。刘志峰等人为解决路面颠簸对雷达数据的影响，在卡尔曼滤波后增加了有效目标的生命周期法，该方法大大减少了复杂环境中雷达信号的丢失与跳变。马国成等人通过毫米波雷达，对前方多个车道的目标信息识别处理，对识别到的目标进行区域检测。滤除无效目标，采用滑动窗口采样、门限值法及同车道最近原则完成有效目标的判定。除了用于目标的检测与跟踪，毫米波雷达还可以用于目标的分类。2005年，杨万麟等人利用基于核函数的模式识别方法对毫米波雷达探测到的目标一维距离像进行分类，实现了三类目标的分类识别。文亮波等人利用货车、摩托车和人三种道路目标的RCS特征信息对目标进行了分类。在此基础上，韩星等人提取了道路目标RCS序列的特征参数，并利用模糊逻辑系统建立判别模型，对汽车和行人两类目标进行了分类识别，提高了利用RCS信息识别的准确率。冀振元等人提取了货车、坦克两类目标的雷达回波信号在多普勒频谱上的分特征，利用神经网络模型对两类目标进行了分类识别。0.2.5基于车联网通信的环境感知技术国内外研究现状智能交通的车路协同和汽车产业变革的自动驾驶等都离不开车联网。车联网是指按照约定的通信协议和数据交互标准，在“人—车—路—云”之间进行信息交换的通信网络。车联网产业是汽车、电子、信息通信、道路交通运输等行业深度融合的新型产业，是全球创新的热点和未来发展的制高点。车联网标准体系可分为无线通信和应用两大部分。目前，国际上主流的车联网无线通信技术包括由电气和电子工程师协会（InstituteofElectricalandElectronicsEngineers，IEEE）主导标准化的IEEE802.11p和由3GPP主导标准化的C-V2X两条技术路线，而应用层标准则由各国家和地区根据区域性的应用定义进行制定。V2X通信面临车辆移动引起的网络拓扑高度动态性与时空复杂性、无线传播环境复杂快时变、高密度下的低时延和高可靠通信难题等新科学问题。2010年，美国主导完成了车联网无线通信标准IEEE802.11p，其在IEEE802.11a的基础上进行改进，支持运动环境下的车车和车路间的直连通信，但存在隐藏终端问题，且有着连续化覆盖差、车辆密集时通信时延大和可靠性低等缺点。蜂窝通信具有容量大、覆盖广、移动性好等优势，能支持车辆远程信息服务和娱乐信息服务，但4G通信平均端到端时延超过100ms，难以满足道路安全和行驶安全的低时延、高可靠通信要求。可见，基于Wi-Fi升级的车联网通信或蜂窝通信有各自的优缺点，但均无法满足车联网的通信需求。大唐团队于2012年开始研究基于TD-LTE4G的车联网技术，2013年5月17日（国际电信日）首次提出LTE-V（即LTE-V2X）车联网核心技术与标准化推进设想，该技术是首个融合蜂窝移动通信和直连通信两种模式的车联网通信技术，确立了C-V2X的基本系统框架和关键技术原理。从2015年开始，大唐团队联合LG电子和华为等企业推进LTE-V2X车联网国际标准制定。作为基于蜂窝的V2X通信技术，C-V2X基于3GPP全球统一标准，包括基于4GLTE的LTE-V2X以及基于5G新空口（NewRadio，NR）的NR-V2X技术。0.2.5基于车联网通信的环境感知技术国内外研究现状早在2018年，大唐移动便在厦门开展了国内首个BRT快速公交车路协同系统（图0-9），并发布了四项应用：实时车路协同、超视距防碰撞、安全精准停靠、最优车速策略。大唐移动与大唐信通共同在杭州开展首个开放道路智慧公交出行系统（图0-10），包括“聪明的车、智慧的路、全能的站”。2019年12月5日正式发布六大应用，受到浙江省当地政府和业主部门的高度认可。目前，杭州的智慧公交车辆已经正式上路运营。同时，大唐移动开发出具有完全自主知识产权的5G车载融合网关和路侧融合网关，目前两款设备均已实现规模化量产，并在杭州和厦门等实际项目中规模部署应用。图0-9国内首个BRT快速公交车路协同系统图0-10国内首个开放道路智慧公交出行系统0.2.5基于车联网通信的环境感知技术国内外研究现状C-V2X通过构建“人—车—路—云”协同的车联网产业生态体系，将交通参与要素有机地联系在一起，一方面可支撑车辆获得比单车感知更多的有效信息，促进自动驾驶技术的发展；另一方面通过构建智慧交通系统，提升交通效率、提高驾驶安全、降低事故发生率、改善交通管理与减少污染等，促进汽车和交通服务的新模式、新业态发展。目前我国已将车联网产业上升到国家战略高度，产业政策持续利好。车联网技术标准体系已经在国家标准层面完成顶层设计。我国车联网产业化进程逐步加快，围绕LTE-V2X，形成了通信芯片、通信模组、车载终端、路侧设备、整车制造运营服务、测试认证、高精度定位及地图服务等较完整的产业链生态。为推动C-V2X产业尽快落地，工业和信息化部、交通运输部、公安部等积极与地方政府合作，形成车联网测试先导区和示范区多地部署的积极格局，为后续大规模产业化及商业化奠定了基础。PART

3环境感知技术存在的问题及发展方向0.3.1现有环境感知技术存在的问题

——0.3.1.1感知算法计算量问题随着神经网络技术的不断发展，深度学习在环境感知技术中得到了广泛应用，除了常见的图像识别神经网络算法，众多研究者也将神经网络技术应用在激光雷达点云数据的处理中。神经网络算法在智能网联汽车感知技术中的大量应用对车载芯片的计算性能提出了更高要求，传统的车规级芯片已经难以满足这种大计算量需求，需要研发专门的车规级神经网络计算芯片。0.3.1现有环境感知技术存在的问题——0.3.1.2网络安全问题由于不需要与外部进行通讯，传统汽车不存在网络安全问题。但是，智能网联汽车上普遍搭载了GPS和V2X终端，需要实时与外部进行通信。如果遭遇恶意攻击，将会造成极其严重的交通事故。因此，随着汽车的智能化和网联化发展，相关的网络安全问题也必须得到解决。0.3.1现有环境感知技术存在的问题——0.3.1.3环境适应性问题车用传感器需要做到全天时、全天候工作并保持优秀的探测能力，而相机、激光雷达等光学传感器受天气影响较大，在雨雪、雾霾等恶劣天气下