广告
MATLAB 的自动驾驶之路
2019-05-10 23:46:48· 来源：MathWorks
自动驾驶是目前比较热门的话题，包含的技术领域五花八门，例如：雷达、摄像头、汽车电控、激光雷达、物体识别、高精度地图、导航技术等等。小编特邀 MathWorks
自动驾驶是目前比较热门的话题，包含的技术领域五花八门，例如：雷达、摄像头、汽车电控、激光雷达、物体识别、高精度地图、导航技术等等。小编特邀 MathWorks 行业技术专家来聊一聊 MathWorks 这几年的自动驾驶之路，分享最新的技术投入和应用亮点。
MathWorks 对自动驾驶技术的投入可以总结为以下几个阶段：
2015：SCANIA AEB 系统
2015 年，瑞典著名的重卡生产商 SCANIA 发布了用 MATLAB/Simulink 设计的 AEB（自动紧急刹车）系统，看动画：
在这个案例中，SCANIA 利用 MATLAB/Simulink 做了两件大事：
一是设计了数据融合（Sensor Fusion）系统。AEB 把摄像头和雷达采集的数据进行整合，同时使用车辆前部安装的雷达和摄像头来扫描前方区域的物体。系统利用每个传感器的独特优势获取更精确的环境模型。
雷达的优势在于确定物体的距离、相对速度，但在确定物体的形状或横向位置方面较弱。摄像头主要优势在于辨识物体类别，主要缺点在于在黑暗环境下难以工作，以及对速度估计不准确。SCANIA 构建了一个传感器融合系统，可将两个传感器中的数据进行匹配合并。传感器融合系统一旦在主道上发现物体，会将该物体的位置和预计路径传递给 AEB，AEB 将确定何时警告驾驶员或采取制动措施。
二是设计了整个回放测试系统。SCANIA 的车队在超过 150 万公里的驾驶里程中，所记录的实际交通数据超过了 80TB。这 150 万公里的实测数据，为每次更新发布的新功能提供了海量测试场景和数据。
为了进一步提高仿真运行速度，研发团队编写了 MATLAB 脚本，在服务器集群进行多核并行计算和仿真，最多同时可以运行300个仿真实例。通过这一方法，将仿真 150 万公里交通数据的时间减少到 12 小时。在仿真中发现值得关注的新场景时，会在 Simulink 中重新运行仿真并进行深度分析。
2016：传感器融合示例
坦率地讲，SCANIA 的这个案例激发了 MathWorks 的开发灵感。2016 年在波士顿的年度大会上，来自美国底特律的应用工程师展示了他用 MATLAB 脚本开发的一个前车碰撞预警（FCW）的演示案例。这个演示案例就是后来 ADST（自动驾驶工具箱）的原型。这个原型中包含的 2 个关键点：可视化、数据融合，都成了 ADST 的产品亮点。
还有一家公司——德国大陆集团（Continental）——用 MATLAB 也是炉火纯青。MATLAB 既然是好工具，我就用工具来代替大量人工重复劳动。2014 年，Continental 在研发一款自动驾驶摄像头的时候，使用 MATLAB 来自动化标注物体和道路标志，这些自动化的方法显著地提高了摄像头的机器学习效率。这一灵感也最终由 MathWorks 工程师实现在 ADST 的功能中：GroundTruth Labelling （真值标定）。
R2017a：ADST - 自动驾驶系统工具箱
2017 年 3 月，MathWorks 在 MATLAB R2017a 发布了 ADST（自动驾驶系统工具箱），包括 3 个核心功能点：
- 可视化- 数据融合
- 真值标定
行业技术专家强调：可视化是数据分析的第一步。
大家先一起看看汽车雷达和摄像头的数据长什么样。以雷达为例：下面两个数据表格显示了在什么时间戳，有多少个识别物体，物体的方位、速度等数据信息。
让我们看一段 MATLAB 处理数据并实现可视化的动画：
通过 MATLAB 自带的 API 和函数，用户可以比较容易地将雷达和摄像头的传感器数据，进行人眼可视化。上图左边是原始的摄像头画面，右边蓝色的三角代表摄像头识别的目标，红颜色代表雷达识别的目标。通过可视化，人眼可以看到雷达和摄像头的信号有一定的偏差，那么自然就会问另外一个问题，车载电子设备到底以哪个为准呢？这就自然引入 ADST 的另外一个功能 – Sensor Fusion（传感器融合）。
理解传感器融合有几个关键词：多目标追踪（Multi-ObjectTracking），卡尔曼滤波器（KalmanFilter）和代价矩阵（CostMatrix）。
上图简单介绍了一个传感器融合的过程——从传感器的捕获（detection）到最终被确认为追踪物体（track）：
- 物体被传感器（视觉、雷达等）捕获，形成 detection
- Track manager 先为该detection分配一个 track
- Tracking filter 通过卡尔曼滤波器不断估计 detection 的 track
- Track manger 通过代价矩阵将 detection 分配更新到 track
- 目标 detection 消失后，track 被删除
MATLAB 自带的多目标追踪，可以追踪最多 120 个运动中的目标。每个目标的最终的 track 可能既不是雷达的位置，也不是视觉的位置，而是最终 track 算出来的位置。下图展示了代价矩阵的示意图，将 detection 分配到 track 的过程用到了 Hungarian Assignment Algorithm。
MATLAB 自带了前向碰撞告警（FCW）例子可以帮助用户理解传感器融合的使用。
上图为 FCW 的数据融合处理流程，基本的逻辑是将雷达杂波信号滤除后，进行多目标的追踪和更新，在识别到最关键目标（Most important Object）后，根据前向距离进行刹车告警。
让我们看看该样例的运行动画：
蓝色三角形的视觉识别目标和红色圆形的雷达识别目标，在消除了雷达杂波（大部分为只有红色圆型的目标，以及在其他车道的目标）后，通过数据融合形成目标追踪。看到的灰色方框即为运动物体的追踪。
上图左边的视频录像是一个实际路况的采集视频，样例还提供了相应的视觉和雷达的object list。有人会问：在数据融合设计早期的时候，我只有一个 idea，还没有具体的 object list ，那如何才能验证我的算法呢？MATLAB 还提供了另外一个 Sensor Fusion 的样例，看动图：
这个样例和上面有实际环境的样例有几点不同：
- 车辆和道路都是可以像搭积木一样，通过 MATLAB 脚本快速搭建测试场景
- 在这个模拟环境中可以模拟雷达（radarDetectionGenerator）和视觉（visionDetectionGenerator）的传感器。
好处不言而喻：快速验证idea。
随着自动驾驶工具箱发布的，还有一个广受欢迎的功能——真值标定（ground truth labelling）。
首先给出定义：在机器学习中 ground truth 表示有监督学习的训练集的分类准确性，用于证明或者推翻某个假设。很多视觉识别算法是用的机器学习。机器学习的认知基础就是真值。真值标定的功能有两点：
- 采用大量真值来训练机器学习算法
- 利用真值来检验现有的识别算法
真值标定的输入一般是视频文件。真值标定既可以手动一帧一帧地标定，也可以半自动化标定后再手工修正，最终可以将结果保存成真值数据库。让我们看一段半自动标定的动画：
最终标定出来的真值数据如下图所示：就像电影的字幕类似，几分几秒，在画面的什么方位，是什么物体：
ADST 在发布后，受到汽车电控工程师和自动驾驶研发人员的广泛使用。MathWorks 工程师在和他们交流后发现，他们有一个共同的兴趣点：ADST 的功能大部分集中于前端（可视化、真值标定、传感器融合），有没有将前端的识别和融合结果和后端的汽车电控结合起来的案例？其实这也反映了市场热点从 ADAS（高级驾驶辅助系统）向 AD（自动驾驶）过渡。ADAS 侧重于告警，而 AD 侧重于控制。
R2017b：闭环控制示例
随着 MATLAB R2017b 的发布，MathWorks 推出了一个自适应巡航（ACC）的案例，包括：
- Simulink 模型：包含传感器融合、传感器模型、可视化、控制器模型、车辆模型、模拟道路场景和环境模型
- 控制器引入了两种参考设计：PID 和 MPC（Model Predictive Control）
- 代码自动生成
让我们看一下运行的动画：由于紫车车辆强行并线到蓝色车辆（被控车辆），在 ACC 的作用下蓝色车辆的速度下降直到紫色车辆离开本车道。
这里用到的速度控制是经典的 PID 控制。众所周知，PID 的好处是简单、易懂、占用资源少，但是在自动驾驶的复杂环境下，想要对车辆进行精准控制，可以考虑更加复杂的先进控制方法，比如 MPC（ModelPredictive Control）。从另外一个角度来看，MPC 过去没有流行的原因之一就是受限于硬件资源和成本。目前，在自动驾驶技术和需求的推动下，汽车控制器必须变得越来越强大，使得 MPC 变得可能。下图给出了在 ACC 的环境下，使用 PID 和 MPC 的对比：MPC 比 PID 控制的更加精准、快速。
有了 ACC 这个例子，用户可以在 MATLAB/Simulink 统一平台下做如下事情：传感器融合、传感器模型、可视化、控制器设计和代码生成、车辆模型、模拟道路场景和环境模型。但在实践中发现，用户对模拟道路场景和环境模型要求其实很高：
- MATLAB 虽然可以创建道路场景，但是必须用脚本编程，比较麻烦。
- 更希望看到虚拟现实场景。
R2018a：unreal 集成
2018 年 3 月，针对第一点，MATLAB R2018a 推出了 Driving Scenario Designer的 App，直接可以画道路、车辆和简单传感器模型：
针对第二点需求，MATLAB R2018a 推出的 Vehicle Dynamics Blockset 可以和 unreal 游戏引擎集成，并自带了一个免费版的 unreal。当然 Vehicle Dynamics Blockset 主要功能是提供了车辆横向动力学的模块，免费版 unreal 只是用于 3D 显示。相信对于自动驾驶控制器设计人员，在设计例如 ACC（自适应巡航），LKA（自动车道保持）等自动驾驶功能时候，Vehicle Dynamics Blockset 一定能发挥强大的作用。
◆ ◆ ◆ ◆
让我们再回头看看 MATLAB 的自动驾驶之路：从用户案例中的启发，到推出自动驾驶工具箱；通过和用户的沟通逐步加入的车辆控制部分和 unreal 集成。
当然，自动驾驶永远在路上，MATLAB/Simulink 也在激光雷达点云处理、驾驶路径规划和跟随等方面持续推出更多的功能和应用案例，例如：
实时车辆数据融合和显示。通过和用户的深入交流，技术专家了解到用户的兴趣点多集中于：车辆上安装了摄像头和雷达后，在实时运行的同时，如何实现数据融合并显示结果？
MathWorks 工程师通过 Automated Driving System Toolbox、Vehicle Network Toolbox、Instrument Control Toolbox、MATLAB Coder、Embedded Coder 等工具箱，已经实现在车辆上做实时驾驶的数据融合和数据显示：
你对自动驾驶感兴趣吗？
广告
广告
最新资讯
-
重磅新车抢先看！懂车帝广州车展举办独家新
2024-11-15 10:30
-
MathWorks和恩智浦（NXP）推出基于模型的BM
2024-11-15 09:42
-
曼恩（MAN）展示电池解决方案
2024-11-15 09:42
-
奔驰eActros 600长途纯电动卡车电驱桥投产
2024-11-15 09:40
-
是德科技 FieldFox 手持式分析仪配合 VDI
2024-11-15 09:40
广告
广告
