一些方案
- 基于gps/imu融合的定位
- 基于视觉的定位
- 基于点云的定位
- 基于视觉的物体识别与跟踪
- 基于lidar的物体识别与跟踪
基于点云的定位
简化概率问题：已知t_0 时刻的点云信息，以及t_1时刻，无人车位置的先验概率分布，求无人车位置的概率分布。
贝叶斯法则:
$$ P(X_t) = P(Z_t | X_t ) \cdot \ \vec(P(X_t)) $$
$\vec(P(X_t))$ 是汽车当前位置的概率分布； $P(Z_t | X_t)$ 是当前位置下观察的点云概率分布。
ROS based system
ROS是基于消息传递通信的、分布式多进程框架。Topic发布、接受是一种异步通信方式； Service服务是一种利用同步通信请求/回复交互的分布式系统。
传感器
Lidar
- 环境感知： 通过雷达扫描汽车周围的环境3d模型。运用相关算法比对上一帧和下一帧，从而匹配环境中的其他车辆或行人
- slam定位：实时扫描地图，与高精地图中的特征物比对，实现导航及精准定位。
- 供应商： Velodyne
毫米波雷达
可用工作频段 24ghz、77ghz, 波长 1 ～ 10 mm。77ghz物体分辨率较24ghz提高2～4倍，测速和测距精度提高3~5倍。电磁波频率越高，距离和速度的检测解析度越高。
供应商
射频芯片：24ghz成熟供应（博世、飞思卡尔）； 77ghz没有对中国开放
雷达数据处理芯片：恩智浦，意行半导体
摄像头
- 高动态
- 中低像素
- 适合温度范围 -40 ～ 80 度
- 防磁抗振
- 寿命长
计算平台
计算单元与计算负载
GPU执行卷积任务最有效，DSP执行特征提取最有效。
移动端soc架构
I/O子系统与前端传感器交互；DSP负责图像处理流以进行特征提取；由GPU进行目标识别和其他深度学习任务；由一个多核CPU完成规划、控制和互动的子任务；由FPGA进行动态重构以分时共享的方式完成传感器数据压缩上传，物体跟踪和流量预测等。计算部件和I/O部件之间通过共享内存进行数据通信。
系统安全
安全问题：强磁场干扰IMU；假大功率的gps信号；干扰激光雷达，在无人处周围放置强反光物；干扰高精地图的更新； ros系统劫持、通信修改。obd-2入侵， 充电桩入侵，车载cd入侵，蓝牙入侵。
Spark与ROS的分布式模拟平台
基于合成数据的模拟；基于真实数据回放的模拟。