전통문화대전망 - 전통 미덕 - 자동 운전 및 핵심 기술적 어려움
자동 운전 및 핵심 기술적 어려움
자동차 지능화 정도에 따라 미국 자동차 엔지니어 협회는 자동 운전을 6 등급으로 나눕니다. L0 은 자동화 없음 (NA), 즉 기존 자동차이며 운전자는 회전, 제동, 가속, 감속 또는 주차와 같은 모든 조작 작업을 수행합니다. L 1 운전보조자 (DA) 는 운전대를 지원하거나 속도를 늦추는 것과 같은 운전 경고나 보조자를 제공하고 나머지는 운전자가 조작한다. L2 는 부분 자동화 (PA) 입니다. 차량은 스티어링 휠의 많은 작동과 가속 및 감속을 위한 운전을 제공하고 운전자는 다른 운전 작업을 담당합니다. L3 는 조건 자동화 (CA) 입니다. 즉, 대부분의 운전 작업은 자동운전 시스템에 의해 이루어지며, 비상시에는 운전자가 집중해야 합니다. L4 는 높은 자동화 (HA) 로 모든 운전 작업은 차량에 의해 수행됩니다. 운전자는 주의력을 집중할 필요가 없고 도로와 환경 조건을 제한한다. L5 는 완전 자동화 (FA) 입니다. 모든 도로 및 환경 조건에서 모든 운전 작업은 자동 운전 시스템에 의해 수행되므로 운전자가 집중할 필요가 없습니다.
자동운전차의 하드웨어 및 소프트웨어 아키텍처는 그림 2 와 같이 주로 환경인식층, 의사 결정 계획층, 제어층, 실행층으로 나뉜다. 환경 인식층은 주로 라이더, 밀리미터 웨이브 레이더, 초음파 레이더, 차량용 카메라, 야시시스템, GPS, 팽이 등의 센서를 통해 차량의 환경 정보와 차량 상태 정보를 얻는다. 여기에는 차선 탐지, 신호등 인식, 교통 표지 인식, 보행자 감지, 차량 탐지, 장애물 인식 및 차량 위치 지정이 포함됩니다. 의사 결정 계획 계층은 임무 계획, 행동 계획 및 궤적 계획으로 나뉩니다. 설정된 경로 계획, 환경 및 차량 자체의 상태에 따라 다음 구체적인 운전 임무 (차선 유지, 차선 변경, 차와의 추월, 충돌 방지 등) 가 있습니다. ), 행동 (가속, 감속, 회전, 브레이크 등. ) 및 경로 (주행 경로) 를 계획합니다. 제어층과 실행층은 차량 역학 시스템 모델을 기준으로 차량의 주행, 제동 및 회전을 제어하여 차량이 정해진 주행 궤적에 따라 주행할 수 있도록 합니다.
자동운전 기술은 많은 핵심 기술을 포함한다. 이 문서에서는 환경 인식 기술, 고정밀 포지셔닝 기술, 의사 결정 및 계획 기술, 제어 및 실행 기술에 대해 설명합니다.
환경 인식은 장애물 유형, 도로 표시 및 표시, 차량 탐지, 교통 정보 및 기타 데이터 언어 분류와 같은 장면 환경에 대한 이해 능력입니다. 포지셔닝은 인식 결과에 대한 사후 처리로 위치 지정 기능을 통해 차량이 환경에 상대적인 위치를 알 수 있도록 도와줍니다. 환경 인식은 센서를 통해 주변 환경에 대한 대량의 정보를 얻어서 차량 주변 환경에 대한 정확한 인식을 보장하고 이를 바탕으로 적절한 계획과 결정을 내려야 한다.
자동 운전 차량의 일반적인 환경 센서로는 카메라, 라이더, 밀리미터 웨이브 레이더, 적외선 및 초음파 레이더가 있습니다. 카메라는 자동운전 차량에 가장 많이 사용되고, 가장 간단하며, 사람의 눈 이미징 원리에 가장 가깝다. 차량 주변 환경을 실시간으로 촬영하고 CV 기술을 이용해 촬영한 이미지를 분석해 차량과 행인 감지 및 차량 주변 교통표지 인식 기능을 제공합니다. 이런 카메라의 주요 장점은 해상도가 높고 비용이 낮다는 것이다. 하지만 야간, 비와 눈, 스모그 등 악천후에서는 카메라 성능이 빠르게 떨어진다. 또한 카메라가 관찰할 수 있는 거리가 제한되어 장거리 관찰에는 좋지 않다. 밀리미터 파 레이더는 자동 운전 차량에 일반적으로 사용되는 센서이기도 하다. 밀리미터 웨이브 레이더는 밀리미터 밴드 (파장 1- 10 mm, 주파수 영역 30-300GHz) 에서 작동하는 ToF 기술을 기반으로 대상 물체를 감지하는 레이더입니다. 밀리미터 웨이브 레이더는 끊임없이 외부에 밀리미터 웨이브 신호를 보내고, 대상에서 반환된 신호를 수신하고, 신호가 송수신되는 시간차에 따라 표적과 차량의 거리를 결정합니다. 따라서 밀리미터 웨이브 레이더는 주로 사각 지대 탐지, 장애물 회피, 주차 보조, 어댑티브 순항 등과 같은 주변 물체와의 자동차 충돌을 방지하는 데 사용됩니다. 밀리미터 웨이브 레이더는 전파 방해 방지 능력이 강하여 강우 먼지 스모그 플라즈마에 대한 침투 능력이 레이저와 적외선보다 훨씬 뛰어나 하루 종일 일할 수 있다. 그러나 신호 감쇠가 커서 건물과 인체에 잘 가려지고 전송 거리가 짧고 해상도가 낮으며 영상이 어렵다는 단점도 있다. 라이더는 또한 ToF 기술을 사용하여 대상의 위치와 거리를 결정합니다. 라이더는 레이저 빔을 발사하여 목표물을 탐지하고, 탐사 정확도와 감도가 더 높고, 탐사 범위가 더 넓다. 그러나 라이더는 공중 비와 눈 안개에 더 취약하며, 비용이 많이 드는 것도 그 응용을 제한하는 주요 원인이다. 차량 라이더는 발사된 레이저 빔의 수에 따라 단선, 4 선, 8 선, 16 선 및 64 선 라이더로 나눌 수 있습니다. 아래 표 (표 1) 를 통해 메인스트림 센서의 장단점을 비교할 수 있습니다.
자동 운전 환경 인식은 일반적으로 "약한 인식+초지능" 과 "강한 인식+강력한 지능" 의 두 가지 기술 경로를 사용합니다. 여기서' 약한 인식+초지능' 기술은 주로 라이더가 아닌 카메라와 심도 있는 학습 기술에 의존하여 환경 인식을 실현하는 것을 말한다. 이 기술은 인간이 한 쌍의 눈으로 운전할 수 있기 때문에 자동차도 카메라로 주위를 볼 수 있다고 생각한다. 슈퍼지능이 잠시 달성하기 어렵다면 무인운전을 하려면 지각력, 즉' 강감지+강지능' 기술노선을 강화해야 한다. "약한 인식+초지능" 기술 노선에 비해 "강한 인식+강력한 지능" 기술 노선의 가장 큰 특징은 라이더 센서를 추가하여 인식 능력을 크게 높였다는 것이다. 테슬라는' 지적 장애+초지능' 의 기술노선을 채택하고 있으며 구글 와이모, 바이두아폴로, 우보, 포드 자동차 등 인공지능기업과 전통차업체들은' 강감지+강지능' 의 기술노선을 채택하고 있다.
포지셔닝의 목적은 외부 환경과 관련하여 자동 주행 차량의 정확한 위치를 얻는 것입니다. 이는 자동 주행 차량의 필수 근거입니다. 도시의 복잡한 도로를 주행할 때 위치 정확도 오차가 10 cm 를 초과하지 않도록 해야 합니다. 예를 들어, 차량과 길목의 거리를 정확히 알아야 더 정확한 예측과 준비를 할 수 있다. 차량을 정확하게 배치해야 차량이 있는 차선을 판단할 수 있다. 위치 오차가 크면 심각할 때 완전한 교통사고를 초래할 수 있다. GPS 는 현재 가장 널리 사용되는 포지셔닝 방법입니다. GPS 의 정확도가 높을수록 GPS 센서가 더 비쌉니다. 그러나 현재 상용 GPS 기술의 위치 정확도는 충분하지 않으며 정확도는 몇 미터에 불과하며 터널 폐색, 신호 지연 등의 요인에 쉽게 방해를 받을 수 있습니다. 이 문제를 해결하기 위해 고통은 시각적 향상을 기반으로 한 VEPP (고정밀 포지셔닝) 기술을 개발했습니다. 이 기술은 GNSS 글로벌 네비게이션 위성, 카메라, IMU 관성 항법 및 휠 속도 센서 정보를 통합하고 센서 간의 상호 보정 및 데이터 융합을 통해 차선까지 정확한 글로벌 실시간 위치 지정을 가능하게 합니다.
의사 결정 계획은 자동 운전의 핵심 부분 중 하나입니다. 먼저 다중 센서 정보를 융합한 다음 운전 수요에 따라 작업 결정을 내립니다. 그런 다음 기존 장애물을 피하면서 몇 가지 특정 제약 조건을 통해 두 점 사이에 선택할 수 있는 여러 개의 안전 경로를 계획하고 이러한 경로 중 하나의 최적 경로를 차량 트랙으로 선택할 수 있습니다. 이것이 계획입니다. 계층 구조에 따라 글로벌 계획과 로컬 계획으로 나눌 수 있습니다. 전역 계획은 획득한 지도 정보에서 특정 조건 하에서 무충돌 최적 경로를 계획하는 것입니다. 예를 들어, 상해에서 북경으로 가는 길은 매우 많은데, 하나의 주행로를 계획하는 것이 바로 전체적인 계획이다. 그리드 방법, 가시성 방법, 토폴로지 방법, 자유 공간 방법, 신경망 방법 등의 정적 경로 계획 알고리즘 로컬 계획은 전체 계획 및 로컬 환경 정보를 기반으로 합니다. 알 수 없는 장애물과의 충돌을 방지하고 결국 대상점에 도달하는 과정입니다. 예를 들어 상해에서 베이징까지의 전체 계획 노선에는 다른 차량이나 장애물이 있을 것이다. 이런 장애물이나 차량을 피하려면, 모퉁이를 돌려 차선을 조정해야 한다. 이것은 로컬 경로 계획입니다. 로컬 경로 계획 방법에는 인공 전위 필드 방법, 벡터 필드 히스토그램 방법, 가상 힘 필드 방법, 유전 알고리즘 등의 동적 경로 계획 알고리즘이 포함됩니다.
의사결정기획층은 자동운전 시스템 지능화의 직접적인 구현으로, 운전안전과 차량 정비에 결정적인 역할을 한다. 일반적인 의사 결정 계획 아키텍처에는 계층 적 프로그레시브, 반응성 및 혼합이 포함됩니다.
계층 적 점진적 아키텍처는 일련의 시스템 구조입니다. 이 시스템에서 스마트 운전 시스템의 각 모듈은 명확한 순서를 가지고 있으며, 이전 모듈의 출력은 다음 모듈의 입력이므로 인식 계획 동작 구조라고도 합니다. 그러나 이 구조의 신뢰성은 높지 않다. 소프트웨어 또는 하드웨어에서 모듈에 장애가 발생하면 전체 정보 흐름이 영향을 받아 전체 시스템이 충돌하거나 마비될 가능성이 높습니다.
반응식 아키텍처는 병렬 구조를 사용하며, 제어층은 센서의 입력을 기준으로 직접 결정을 내릴 수 있으므로 생성된 동작은 인식 데이터의 직접적인 작용의 결과이며, 인식 동작의 특징을 강조하여 완전히 낯선 환경에 적용할 수 있습니다. 반응식 아키텍처의 많은 동작은 주로 간단한 특수 임무가 되는 것을 포함하므로 계획과 제어가 밀접하게 결합될 수 있고 스토리지 공간도 적게 차지하므로 빠른 응답, 실시간성이 강할 수 있습니다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 반응명언) 또한 각 계층은 시스템의 특정 동작만 담당하면 전체 시스템을 하위 수준에서 상위 수준으로 쉽고 유연하게 전환할 수 있습니다. 또한 모듈 중 하나가 예기치 않게 실패하면 나머지 레이어는 여전히 의미 있는 작업을 생성할 수 있으며 시스템의 견고성이 크게 향상됩니다. 어려움은 시스템이 동작을 수행할 수 있는 유연성으로 인해 제어 루프 간의 충돌을 해결하고 의미 있는 결과를 얻기 위해 실행자 간의 경쟁에 동의하는 특정 조정 메커니즘이 필요하다는 것입니다.
계층 시스템의 구조든 반응식 시스템의 구조든 각각 장단점이 있어 단독으로 사용하면 복잡하고 다양한 운전 환경의 사용 요구 사항을 충족하기가 어렵다. 이에 따라 점점 더 많은 업계 인사들이 혼합 아키텍처를 연구하고, 이 두 가지 장점을 효과적으로 결합하여 글로벌 계획 수준에서 목표 정의를 위한 계층 동작을 생성하고, 로컬 계획 수준에서 목표 검색 반응 시스템을 대상으로 하는 동작을 생성하기 시작했습니다.
자동운전제어의 핵심 기술은 차량의 세로방향 제어, 가로방향 제어, 세로방향 제어, 구동 및 제동제어이고 가로방향 제어는 스티어링 휠 각도의 조정과 타이어력의 제어입니다. 세로 및 가로 방향의 자동 제어를 통해 주어진 목표 및 제약 조건에 따라 차량을 자동으로 제어할 수 있습니다.
차량의 세로 방향 제어는 주행 속도 방향의 제어입니다. 즉, 차량 속도와 차량과 앞뒤 차량 또는 장애물 사이의 거리를 자동으로 제어합니다. 순항 제어와 비상 제동 제어는 모두 자동운전의 전형적인 수직제어 사례이다. 이러한 제어 문제는 모터 구동, 엔진, 변속기 및 제동 시스템의 제어로 귀결될 수 있습니다. 다양한 모터-엔진-전동 시스템 모델, 자동차 주행 모델 및 제동 프로세스 모델을 서로 다른 컨트롤러 알고리즘과 결합하여 다양한 세로 제어 모드를 형성합니다.
차량의 측면 제어는 운동 방향에 수직인 제어로, 차량이 원하는 주행 경로를 자동으로 유지하고 다양한 속도, 하중, 바람 저항 및 도로 조건에서 좋은 승차감과 안정성을 갖는 것을 목표로 합니다. 차량 측면 제어의 기본 설계 방법은 두 가지가 있습니다. 하나는 운전자 시뮬레이션을 기반으로 하고, 다른 하나는 간단한 역학 모델과 운전자 제어 규칙을 사용하여 제어기를 설계하는 것입니다. 다른 하나는 운전자 조작 프로세스의 데이터 훈련 컨트롤러로 제어 알고리즘을 얻는 것입니다. 또 다른 방법은 자동차의 측면 운동 역학 모델을 제공하는 제어 방법입니다 (정확한 자동차 측면 운동 모델을 구축해야 함). 모노레일과 같은 전형적인 차종은 차의 좌우 특징이 같다고 생각한다.
위에서 설명한 환경 인식, 정확한 위치 지정, 의사 결정 계획 및 제어 실행 외에도 자동 운전 자동차에는 고정밀 지도, V2X, 자동 운전 자동차 테스트와 같은 핵심 기술이 포함됩니다. 자동 운전 기술은 인공지능, 고성능 칩, 통신 기술, 센서 기술, 차량 제어 기술, 빅 데이터 기술 등 여러 분야의 결합으로 착지 기술이 어렵다. 또한 자동 운전 기술이 착지할 때 자동 운전 요구 사항을 충족하는 인프라 교통 시설을 구축하고 자동 운전에 관한 법률 및 규정을 고려해야 합니다.
참고 자료:
1. 장방. 극단적인 작업 조건에서 자동 운전 차량의 궤적 계획과 운동 통제 [박사]: 칭화대; 20 18.
2. 진문강. 복잡한 작업 조건에 기반한 고정밀 예측 가능한 자동 운전 환경 인식 방법 [박사]: 칭화대; 20 18.
3. 장신. 무인 인식 보조 시스템 연구 및 시뮬레이션 [석사]: 베이징 교통대학; 20 19.
4. 진염진. 무인 환경 인식 시스템 및 장애물 탐지 연구 [석사]: 천진대학교; 20 18.