学习笔记24--自动驾驶汽车硬件平台

本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！
此专栏是关于《自动驾驶技术概览》书籍的笔记。

1.自动驾驶汽车硬件平台

自动驾驶硬件平台直接决定了系统的感知能力、运算能力、功耗强度、可靠性等；自动驾驶硬件平台分为传感器平台、计算平台、线控车辆平台3部分；

1.1 传感器平台

自动驾驶常用车载传感器包括：雷达、车载摄像头、定位定姿传感器等；

1.1.1 激光雷达

激光雷达(LiDAR)具有较高的距离、角度、速度分辨率，抗干扰能力强，点云信息丰富，不易受光照条件影响，可用于全天工作，激光雷达多用于三维环境建模和同步定位与建图；
激光雷达分为：单线雷达和多线雷达；
1. 单线雷达：获取二维数据，但无法获得高度信息；
2. 多线雷达：可以获取三维数据，精度高于单线雷达；
3. 主流的多线雷达：4线、8线、16线、32线、64线；

1.1.2 毫米波雷达

毫米波雷达的探测距离远，测速、测距精度高，可全天候工作，成本较低；毫米波雷达常用于驾驶辅助功能，如：自适应巡航控制、前方碰撞预警、紧急辅助制动等；

1.1.3 车载摄像头

车载摄像头分类：单目和双目摄像头；
1. 单目摄像头：主要基于机器学习，对图像数据进行训练和学习，用于环境感知；
2. 双目摄像头：基于视差原理测量驾驶环境，测距精度较高；
摄像头应用。
1. 前置摄像头：一般安装在前挡风玻璃上方，感知行车前方环境、检测目标；
2. 后摄像头；一般布置在车尾；
3. 环视摄像头：一般安装在车辆前、后、左、右侧，实现360°环境感知；

1.1.4 GNSS系统

GNSS信号容易受到楼宇、树荫等影响，导致定位漂移；
GNSS更新频率低(10Hz)，在车辆快速行驶时难以给出精准的实时定位；
惯性传感器(IMU)可以在短时间内提供稳定的位置更新，但是定位误差会随时间累积；
GNSS通常辅助以惯性传感器用来增强定位的精度；这两种传感器通过卡尔曼滤波技术实现实时融合，可以实现导航设备的优势互补，提高定位精度和适用范围；

1.2 计算平台

自动驾驶系统各模块实时运行过程中，产生大量的数据；需要选择性能强劲的计算平台完成实时大规模数据处理任务，计算平台的性能对自动驾驶的安全性、可靠性、实时性很重要；目前主流的计算平台包括：基于GPU、DSP、FPGA、ASIC等方案的计算平台。

基于GPU的自动驾驶计算平台。
英伟达公司(NVIDIA)的PX平台是基于GPU的自动驾驶计算平台，支持多路摄像头、激光雷达、超声波雷达、定位等感知设备输入；Drive PX Pegasus基于英伟达的CUDA GPU，内置4个AI处理器，其中：两个为Xavier SoC芯片，两个为独立GPU，用于强化深度学习和计算机视觉；
基于DSP的自动驾驶计算平台
德州仪器公司的TDA2x SoC是基于DSP的自动驾驶计算平台；该计算平台有两个浮点DSP内核C66x和4个专为视觉处理设计的完全可编程的视觉加速器，可实现各摄像头应用同步运行，用于车道保持、自适应巡航、目标检测等驾驶功能；同时，该计算平台可用于摄像头、雷达等感知传感器的数据融合处理；
基于FPGA的自动驾驶计算平台
Altera公司的Cyclone V Soc是基于FPGA的自动驾驶计算平台，集成了基于ARM处理器的硬件处理器系统，具有有效的逻辑综合功能；该方案可为传感器融合提供优化，可结合分析来自多个传感器的数据以完成高度可靠的物体检测；
基于ASIC的自动驾驶计算平台
Mobileye公司的Mobileye EyeQ5是基于ASIC的自动驾驶视觉芯片，Mobileye EyeQ5芯片装备了8枚多线程CPU内核，同时搭载了18枚Mobileye的视觉处理器；EyeQ5 SOC装备有4种异构的全编程加速器，对计算机视觉、信号处理和机器学习等算法进行了优化；

1.3 线控车辆平台

线控车辆平台包括：车辆线控和通信总线；

线控技术的主要特征：执行机构与操纵机构没有直接的机械连接，驾驶意图将转换成对应的电信号驱动执行机构精确运动；
基于线控技术，自动驾驶控制器可以通过通信总线发送响应驾驶动作指令，完成机械控制；
通信总线如：CAN、USB3.0、LIN等，用于实现数据和指令的有效传递；