无人驾驶汽车的核心技术是什么（什么是无人驾驶汽车？无人驾驶汽车的关键技术）

大家好，今日小车来聊聊一篇关于无人驾驶汽车的核心技术是什么，什么是无人驾驶汽车无人驾驶汽车的关键技术的文章，现在让我们往下看看吧！

无人车又称智能汽车、无人自动驾驶汽车、自主导航汽车或轮式移动机器人，是室外移动机器人在交通领域的重要应用。无人车系统是集环境感知、规划决策和多级辅助驾驶功能于一体的综合系统。它是充分考虑车路一体化、协调规划的车辆系统，也是智能交通系统的重要组成部分。

无人驾驶汽车利用传感器技术、信号处理技术、通信技术和计算机技术，通过集成视觉、激光雷达、超声波传感器、微波雷达、GPS、里程表、磁罗盘等车载传感器，对汽车所处的环境和状态进行识别，并根据获得的道路信息、交通信号信息、车辆位置和障碍物信息进行分析判断，将所需的控制发送给主控计算机，控制汽车的转向和速度，实现无人驾驶汽车可以根据自身情况控制转向速度。

总的来说，无人驾驶技术是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等诸多前沿学科的综合。根据无人驾驶汽车的功能模块，无人驾驶汽车的关键技术包括环境感知、导航定位、路径规划、决策控制等。

1.环境感知技术

环境感知模块相当于无人驾驶汽车的眼睛和耳朵。无人驾驶汽车可以通过环境感知模块识别周围的环境信息，为其行为决策提供信息支持。环境感知由两部分组成：无人驾驶汽车自身姿态感知和周围环境感知。单个传感器只能测量被测对象的某一方面或某一特征，不能满足测量的需要。因此，需要使用多个传感器同时测量某一被测对象的一个或几个特征量，测量数据经过数据融合处理后，才能提取出可靠性高的有用信号。根据环境感知系统测量的对象不同，我们采用两种方法进行检测：

无人驾驶汽车的自身姿态信息主要包括汽车本身的速度、加速度、倾角、位置等信息。这种信息很容易测量，主要通过驱动电机、电子罗盘、倾斜传感器、陀螺仪等传感器来测量。

无人驾驶汽车的周围环境感知以雷达等主动测距传感器为主，被动测距传感器为辅，通过信息融合实现。因为激光、雷达、超声波等主动测距传感器的组合更能满足复杂恶劣条件下执行任务的需要，最重要的是处理的数据量小，实时性好。同时，在规划路径时，可以在不知道障碍物具体信息的情况下，直接利用激光返回的数据进行计算。

视觉作为环境感知的重要手段，目前在恶劣环境的感知方面存在一些问题，但在目标识别、道路跟踪、地图创建等方面具有不可替代的重要性。在野外环境中，视觉也是植物分类、水域和淤泥检测中必不可少的手段。

2.导航和定位技术

无人驾驶汽车的导航模块用于确定自身的地理位置，是无人驾驶汽车路径规划和任务规划的支撑。导航可以分为自主导航和网络导航。

自主导航技术是指除了定位辅助之外，不需要其他外部辅助就能独立完成导航任务。自主导航技术将地理空间数据存储在本地，所有计算都在终端完成，在任何情况下都可以实现定位。然而，自主导航设备的计算资源有限，导致计算能力较差，有时无法提供准确、实时的导航服务。现有的自主导航技术可以分为三类：

相对定位：主要依靠里程表和陀螺仪等内部本体感觉传感器来确定无人车的当前位置

组合：综合采用相对定位和绝对定位方法，弥补单一定位方法的不足。组合方案一般有GPS地图匹配、6PS航位推算、GPS航位推算地图匹配、GPS GLONASS惯性导航地图匹配等。网络导航可以通过无线通信网络和交通信息中心随时随地交换信息。移动设备连接到通过移动通信网络直接连接到互联网的WebGIS服务器。服务器执行地图存储和复杂计算等功能，用户可以从服务器下载地图数据。网络导航的优点是没有存储容量的限制，计算能力强，可以存储任何精细的地图，地图数据始终是最新的。

3.路径规划技术

路径规划是无人驾驶汽车信息感知和智能控制的桥梁，是自动驾驶的基础。路径规划的任务是在有障碍物的环境中，按照一定的评价标准，寻找一条从初始状态(包括位置和姿态)到目标状态的无碰撞路径。

路径规划技术可以分为全局路径规划和局部路径规划。全局路径规划是在地图已知的情况下，利用已知的局部信息，如障碍物位置、道路边界等，确定可行的最优路径。它很好地结合了优化和反馈机制。局部路径规划是在全局路径规划生成的可行驶区域的指引下，根据传感器感知的局部环境信息，决定无人平台前方当前道路的轨迹。全局路径规划适用于周围环境已知的情况，而局部路径规划适用于环境未知的情况。

路径规划算法包括可见性法、网格法、人工势场法、概率路标法、随机搜索树算法、粒子群优化算法等。

4.决策控制技术

决策控制模块相当于无人驾驶汽车的大脑，主要作用是根据感知系统获得的信息做出决策，进而对下一步的行动做出决策，进而控制车辆。决策技术主要包括模糊推理、强化学习、神经网络和贝叶斯网络。

决策系统的行为可以分为三种方案：反应控制、反射控制和综合控制。反应式控制是一个反馈控制的过程，根据车辆当前位置与期望路径的偏差不断调整转角和速度，直至到达目的地。反射控制是低级的。

　　综合式控制在反应层中加入机器学习模块，将部分决策层的行为转化成基于传感器的反应层行为，从而提高系统的反应速度。

无人驾驶汽车的研究，可以归纳为3个方面：高速公路环境、城市环境和特殊环境下的无人驾驶系统。就具体研究内容而言，3个方面相互重叠，只是技术的侧重点不同。

　　1.高速公路环境下的无人驾驶系统

　　这类系统将使用在环境限定为具有良好标志的结构化高速公路上，主要完成道路标志线跟踪、车辆识别等功能。这些研究把精力集中在简单结构化环境下的高速自动驾驶上，其目标是实现进入高速公路之后的全自动驾驶。尽管这样的应用定位有一定的局限性，但它的确解决了现代社会中最为常见、危险、也是最为枯燥的驾驶环节的驾驶任务。

　　2.城市环境下的无人驾驶系统

　　与高速环境研究相比，城市环境下的无人驾驶由于速度较慢，因此更安全可靠，应用前景更好。短期内，可作为城市大容量公共交通(如地铁等)的一种补充，解决城市区域交通问题，例如大型活动场所、公园、校园、工业园、机场等。但是，城市环境也更为复杂，对感知和控制算法提出了更高的要求。城市环境中的无人自动驾驶将成为下一阶段研究重点。例如，美国国防部“大挑战”比赛2007年将采用城市环境。目前这类环境的应用已经进入到小范围推广阶段，但其大范围应用目前仍存在一定困难，例如可靠性问题、多车调度和协调问题、与其它交通参与者的交互问题、成本问题、商业模型等。

　　3.特殊环境下的无人驾驶系统

　　无人驾驶汽车研究走在前列的国家，一直都很重视其在军事和其他一些特殊条件下的应用。但其关键技术和基于高速公路和城市环境的车辆是一致的，只是在性能要求上的侧重点不一样。例如，车辆的可靠性、对恶劣环境的适应性是在特殊环境下考虑的首要问题，也是在未来推广应用要重点解决的问题。

发达国家从20世纪70年代开始进行无人驾驶汽车研究，目前在可行性和实用性方面，美国和德国走在前列。美国是世界上研究无人驾驶车辆最早、水平最高的国家之一。早在20世纪80年代，美国就提出自主地面车辆(ALV)计划，这是一辆8轮车，能在校园的环境中自主驾驶，但车速不高。美国其它一些著名大学，如卡耐基梅隆大学、麻省理工学院等都先后于20世纪80年代开始研究无人驾驶车辆。然而，由于技术上的局限和预期目标过于复杂，到20世纪80年代末90年代初，各国都将研究重点逐步转移到问题相对简单的高速公路上的民用车辆的辅助驾驶项目上。1995年，一辆由美国卡耐基梅隆大学研制的无人驾驶汽车Navlab.V，完成了横穿美国东西部的无人驾驶试验。在全长5000km的美国州际高速公路上，整个实验96%以上的路程是车辆自主驾驶的，车速达50～60km/h。尽管这次实验中的Navlab.V仅仅完成方向控制，而不进行速度控制(油门及档位由车上的参试人员控制)，但这次实验已经让世人看到了科技的神奇力量。丰田汽车公司在2000年开发出无人驾驶公共汽车。这套公共汽车自动驾驶系统主要由道路诱导、车队行驶、追尾防止和运行管理等方面组成。安装在车辆底盘前部的磁气传感器将根据埋设在道路中间的永久性磁石进行导向，控制车辆行驶方向。

　　2005年，美国国防部“大挑战”比赛上，最终由美国斯坦福大学工程师们改装的一辆大众途锐多功能车经过7个半小时的长途跋涉完成了全程障碍赛，第一个到达了终点。在赛道上，无人驾驶汽车需要穿越沙漠、通过黑暗的隧道、越过泥泞的河床并需要在崎岖险峻的山道上行使，整个行程无人驾驶汽车需要绕过无数个障碍。在无人驾驶技术研究方面位于世界前列的德国汉堡Ibeo公司，最近推出了其研制的无人驾驶汽车。这辆无人驾驶智能汽车由德国大众汽车公司生产的帕萨特2.0改装而成，外表看来与普通家庭汽车并无差别，但却可以在错综复杂的城市公路系统中实现无人驾驶。行驶过程中，车内安装的全球定位仪随时获取汽车所在准确方位的信息数据。隐藏在前灯和尾灯附近的激光扫描仪是汽车的“眼”，它们随时“观察”汽车周围约183m内的道路状况，构建三维道路模型。除此之外，“眼”还能识别各种交通标识，如速度限制、红绿灯、车道划分、停靠点等，保证汽车在遵守交通规则的前提下安全行驶。最后由无人驾驶汽车的“脑”——安装在汽车后备厢内的计算机，将两组数据汇合、分析，并根据结果向汽车传达相应的行驶命令。多项先进科技确保这款无人驾驶汽车能够灵活换档、加速、转弯、刹车甚至倒车。在茫茫车海和人海中，它能巧妙避开建筑、障碍、其他车辆和行人，从容前行。

本文到此结束，希望对大家有所帮助。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！