广告
自主驾驶车辆：分层方案与端到端方案的对比与展望
自主驾驶车辆被认为将对汽车行业产生巨大的正面影响，包括提高道路安全性、缓解道路拥堵、降低燃料消耗并解放人类驾驶员。工业界和学术界正在进行硬件和算法研究，以不断改进自主驾驶技术。目前，流行的自主驾驶范式有分层方案和端到端方案。本文将对这两种方案进行比较，并重点探讨分层方案的研究进展和挑战。
自主驾驶车辆的分层方案是在过去的二十年中得到广泛研究的方法之一。这种方案将自主驾驶问题分解为多个独立的部分，例如环境感知、路径规划和运动控制。卡内基梅隆大学率先提出了BOSS自主驾驶汽车，在2007年DARPA城市挑战赛中获得了胜利。BOSS车通过GPS、激光雷达、雷达和摄像头等车载传感器感知环境，然后采用了一个三层规划系统，包括任务、行为和运动规划。在约4小时内，BOSS车成功完成了96公里的城市环境自主驾驶。
类似地，斯坦福大学也在DARPA挑战赛中开发了自主驾驶车辆Junior。它主要由感知模块和导航模块组成。导航模块利用有限状态机(FSM)，拥有13个状态，包括车道保持和停车场导航。许多研究者进一步从不同角度引入了各种改进的分层方案。例如，Furda等人采用了多个标准的决策制定来选择最合适的驾驶操作过程，实现了在一些典型的城市交通中的安全自主驾驶。Akai等人则采用了三维正态分布变换(NDT)扫描匹配进行精确的定位和模型预测控制器进行车辆运动控制，他们的自主驾驶系统在崎岖的公路上取得了成功。
尽管分层方案已经研究多年，取得了一些重要的进展，但其结构本质上非常复杂，需要在每个部分进行精心设计，这可能是一个相当大的项目。这也导致了一个突出的缺点，即容易出现错误传播的问题，就像特斯拉车祸案例中的一例。特斯拉的感知模块错误地将一辆白色拖车分类为天空，导致了危险的规划和控制。
为了克服分层方案的一些挑战，学术界和工业界正在探索端到端方案。端到端方案的主要思想是直接从原始输入数据（如摄像头图像）到驾驶操作输出，通过深度学习和神经网络技术实现全自动驾驶。这种方法的优势在于简化了整个系统的设计和开发过程，但也面临着数据需求量大、可解释性差和系统安全性的挑战。
综上所述，分层方案是自主驾驶技术发展过程中的重要里程碑，它取得了一些显著的成就。然而，分层方案仍然存在一些挑战和限制，特别是在复杂的交通环境中。端到端方案作为一种新兴的方法，为自主驾驶技术的进一步发展提供了潜在的机会和挑战。随着技术的不断进步和研究的深入，我们可以期待自主驾驶车辆在未来的实际应用中发挥更大的作用，为我们的出行带来更多的便利和安全。
广告
广告
编辑推荐
最新资讯
-
汽车动力电池系统试验综述
2024-11-16 08:25
-
汽车可靠性前沿技术研讨会在重庆成功召开
2024-11-16 07:33
-
一文讲清AEB误触发的原因及法规要求
2024-11-16 07:30
-
HEAD acoustics下线检测：最高级别的质量保
2024-11-15 17:09
-
新能源公司与哈尔滨理工大学联合研究中心揭
2024-11-15 17:07
广告
广告
