广告
测试智能网联和无人驾驶汽车中的定位、导航和授时
2019-03-18 17:35:32· 来源：卫星导航事业部 思博伦通信
无人驾驶车辆如何知道自己在哪里、要做什么？在自动化程度较高且可自主驾驶的车辆中，读取道路信息和执行驾驶决策的任务都落到了高级驾驶员辅助系统（ADAS）或车
无人驾驶车辆如何知道自己在哪里、要做什么？
在自动化程度较高且可自主驾驶的车辆中，读取道路信息和执行驾驶决策的任务都落到了高级驾驶员辅助系统（ADAS）或车载控制系统的肩上。这种高级软件应用可以从多种传感器中获得输入信息，通过合成方式了解车辆所处的环境，根据了解到的信息实时采取行动。
在此过程中，车辆对其具体位置的理解至关重要。为实现这一目标，一辆智能网联的无人驾驶车辆需要依赖来自多种传感器的数据。这些传感器可能包括：
GPS/GNSS：用于确定车辆的绝对地理位置，确定行动和通信的具体时机，并且为导航决策提供协助
激光雷达、雷达、声纳、计算机视觉：用于探测和判定环境中的对象，并且读取标志，为制动、车道变换和碰撞规避的决策提供依据
惯性测量单元（加速度计、陀螺仪）：用于测量速度、运动和方向，并且使用此前已知位置进行航迹推算协助确定当前的位置
WiFi和蜂窝（5G、LTE）：用于与基础设施和其它联网车辆通信，并协助确定位置，尤其是在GNSS信号不可用的地点，例如隧道和地下停车场等位置
RTK/PPP：用于从GPS/GNSS获得位置的精度提高到厘米级，适用于车道保持等高精度定位应用
通过将这些输入信息组合在一起，可以为自动化驾驶决策提供指导，也是实时数据采集、合成和处理的一项复杂工程，不容有任何的失误。如果驾驶决策不正确或判断的时机有误，后果不仅会涉及车辆及其乘员的安全，还有可能对其它车辆和道路设备造成危害。
传感器、传感器融合算法和自动驾驶功能必须经过严格测试
在网联无人驾驶车辆与人类驾驶员共同上路之前，车辆必须经过彻底、严格的测试。制造商必须了解车辆在众多条件和场景下的实际表现，也就是车辆可能在几百万英里的路途中遭遇的各种情况。
系统设计师、OEM厂商和供应商需要对车辆传感器的效能进行测试，包括独立状态和与其它设备协同时的状态。需要了解每种独立的传感器是否能够在车辆中保持最佳状态，输出的数据是否精确、可靠，以及将数据组合并创建完整环境认知的传感器融合算法是否可以有效发挥作用。
还需要了解多种驾驶条件下传感器的表现如何，以及传感器融合算法的响应能力，包括存在干扰时或是车辆遭受故意网络攻击时的表现。
真实世界的测试并不充分，模拟必不可少
测试所需的规模和严格程度远远超出人们的想象，这也意味着这些测试不可能完全在真实世界中执行。然而，任何测试车辆都不可能行驶数亿英里并经历验证安全和可靠性能所需的全部条件，至少在开发的早期阶段是不可能实现的。OEM厂商都在努力于2020年中实现无人驾驶的上路行驶，时间也不允许到路上去执行所有的测试。
更重要的是，超乎寻常的案例场景，例如公交车没有给Google自主驾驶车辆让道导致意外碰撞，或许在真实世界的试驾中并不会出现。但即使如此，此类事故也很难完美重现，因此也就谈不上对控制系统中的任何更新进行测试。
正因如此，制造商才求助于包含物理和虚拟模型的基于实验室的模拟，寻求一种以快速、可靠、可重复和经济上可承受的方式，累积数百万（有些情况下可达数十亿）真实驾驶里程的惟一办法。
执行网联无人驾驶车辆中PNT测试的四个关键方面
要想为我们的世界创建出一个足够真实的副本，所要模拟的不仅仅是道路，还包括完整的驾驶环境，包括其它的道路使用者、道路中的障碍、周围的3D地景（例如山坡、树木和建筑物）、天气，以及RF频谱中的活动。
作为位置、导航和授时测试领域的领导者，思博伦一直在与智能网联和无人驾驶行业密切合作，提供在实验室中测试此类能力所需的各类模拟器、软件和专业能力。
本周，我们将在一系列的文章中与大家分享经验，共同探讨如何测试CAV系统中位置、导航和授时有效性的四个关键方面：
测试硬件闭环条件下的PNT能力
模拟GNSS多径和遮挡的效应
使用微波暗室进行的空口RF信号模拟
测试RTK和PPP的效能，协助生成精确的位置
在自动化程度较高且可自主驾驶的车辆中，读取道路信息和执行驾驶决策的任务都落到了高级驾驶员辅助系统（ADAS）或车载控制系统的肩上。这种高级软件应用可以从多种传感器中获得输入信息，通过合成方式了解车辆所处的环境，根据了解到的信息实时采取行动。
在此过程中，车辆对其具体位置的理解至关重要。为实现这一目标，一辆智能网联的无人驾驶车辆需要依赖来自多种传感器的数据。这些传感器可能包括：
GPS/GNSS：用于确定车辆的绝对地理位置，确定行动和通信的具体时机，并且为导航决策提供协助
激光雷达、雷达、声纳、计算机视觉：用于探测和判定环境中的对象，并且读取标志，为制动、车道变换和碰撞规避的决策提供依据
惯性测量单元（加速度计、陀螺仪）：用于测量速度、运动和方向，并且使用此前已知位置进行航迹推算协助确定当前的位置
WiFi和蜂窝（5G、LTE）：用于与基础设施和其它联网车辆通信，并协助确定位置，尤其是在GNSS信号不可用的地点，例如隧道和地下停车场等位置
RTK/PPP：用于从GPS/GNSS获得位置的精度提高到厘米级，适用于车道保持等高精度定位应用
通过将这些输入信息组合在一起，可以为自动化驾驶决策提供指导，也是实时数据采集、合成和处理的一项复杂工程，不容有任何的失误。如果驾驶决策不正确或判断的时机有误，后果不仅会涉及车辆及其乘员的安全，还有可能对其它车辆和道路设备造成危害。
传感器、传感器融合算法和自动驾驶功能必须经过严格测试
在网联无人驾驶车辆与人类驾驶员共同上路之前，车辆必须经过彻底、严格的测试。制造商必须了解车辆在众多条件和场景下的实际表现，也就是车辆可能在几百万英里的路途中遭遇的各种情况。
系统设计师、OEM厂商和供应商需要对车辆传感器的效能进行测试，包括独立状态和与其它设备协同时的状态。需要了解每种独立的传感器是否能够在车辆中保持最佳状态，输出的数据是否精确、可靠，以及将数据组合并创建完整环境认知的传感器融合算法是否可以有效发挥作用。
还需要了解多种驾驶条件下传感器的表现如何，以及传感器融合算法的响应能力，包括存在干扰时或是车辆遭受故意网络攻击时的表现。
真实世界的测试并不充分，模拟必不可少
测试所需的规模和严格程度远远超出人们的想象，这也意味着这些测试不可能完全在真实世界中执行。然而，任何测试车辆都不可能行驶数亿英里并经历验证安全和可靠性能所需的全部条件，至少在开发的早期阶段是不可能实现的。OEM厂商都在努力于2020年中实现无人驾驶的上路行驶，时间也不允许到路上去执行所有的测试。
更重要的是，超乎寻常的案例场景，例如公交车没有给Google自主驾驶车辆让道导致意外碰撞，或许在真实世界的试驾中并不会出现。但即使如此，此类事故也很难完美重现，因此也就谈不上对控制系统中的任何更新进行测试。
正因如此，制造商才求助于包含物理和虚拟模型的基于实验室的模拟，寻求一种以快速、可靠、可重复和经济上可承受的方式，累积数百万（有些情况下可达数十亿）真实驾驶里程的惟一办法。
执行网联无人驾驶车辆中PNT测试的四个关键方面
要想为我们的世界创建出一个足够真实的副本，所要模拟的不仅仅是道路，还包括完整的驾驶环境，包括其它的道路使用者、道路中的障碍、周围的3D地景（例如山坡、树木和建筑物）、天气，以及RF频谱中的活动。
作为位置、导航和授时测试领域的领导者，思博伦一直在与智能网联和无人驾驶行业密切合作，提供在实验室中测试此类能力所需的各类模拟器、软件和专业能力。
本周，我们将在一系列的文章中与大家分享经验，共同探讨如何测试CAV系统中位置、导航和授时有效性的四个关键方面：
测试硬件闭环条件下的PNT能力
模拟GNSS多径和遮挡的效应
使用微波暗室进行的空口RF信号模拟
测试RTK和PPP的效能，协助生成精确的位置
- 下一篇：【载荷数据处理-幅值域分析方法】雨流计数
- 上一篇：自动驾驶中的激光雷达目标检测
广告 
广告
最新资讯
-
荷兰Zepp氢燃料电池卡车-Europa
2024-12-22 10:13
-
NCACFE -车队油耗经济性报告（2024版）
2024-12-22 10:11
-
R54法规对商用车轮胎的要求（上）
2024-12-22 10:10
-
蔚来ET9数字架构解析
2024-12-22 09:53
-
4G/5G网络新时代的高效紧急呼叫系统NG-eCal
2024-12-20 22:33
广告
广告
