能力模塊一
掌握車身硬件的搭建方法

任務一 認知車身組件

學習目標

知識索引

情境導入

獲取信息

自動駕駛汽車的發展歷史

自動駕駛汽車并非一個全新的概念。早在1886年，汽車誕生后不久，自動駕駛的夢想就出現在科幻小說中，在一些科幻電影里自動駕駛更是司空見慣，從虛構的小說場景到實驗室研究再到工業開發，以及首先實現量產的部分自動駕駛功能，自動駕駛如今已經為很多人所熟知了。

1925年8月，美國的街上首次出現了一輛名為“美國奇跡”的汽車（圖1-1-1），該車由一位名叫Francis P. Houdina的美國陸軍電子工程師發明，可通過無線電遙控的方式，來實現車輛轉向盤、離合器、制動器等部件的遠程操控。這種操控方式雖然與真正意義上的“自動駕駛”相距甚遠，但這是人類歷史上第一輛有證可查的自動駕駛汽車。

1939年，美國通用公司在一場名為“建設明天的世界”的博覽會中，表達了他們對20世紀60年代的“未來汽車”的幻想，并預言“未來的美國人乘坐的車將是一種全靠按鈕操作，而不需要人駕駛的新式汽車”。

1956年，通用公司正式展出了Firebird II概念車（圖1-1-2），這是世界上第一輛配備了汽車安全及自動導航系統的，神似火箭的概念車。1971年，英國道路研究實驗室展示了一段視頻，視頻里的工程師正在測試一輛自動駕駛汽車，車子里僅有的一個人坐在后排，轉向盤一直在自動“抖動”來調整方向。在車子的前保險杠位置上有一個特制的接收單元。計算機控制的電子脈沖信號通過這個單元傳遞給車子，以此來控制轉向，此次試驗之后，他們表示這種駕駛功能將為公路和鐵路帶來更安全的駕駛條件。隨后，《新科學家和科學之旅》雜志里指出這種系統要比人類駕駛汽車的安全性高出100倍。

1977年，日本的筑波工程研究實驗室開發出了第一個基于攝像頭感知環境的自動駕駛汽車（圖1-1-3）。這輛車配備了兩個攝像頭，并用模擬計算機技術進行信號處理。時速能達到30km，但需要高架軌道的輔助。

在20世紀七八十年代，德國慕尼黑聯邦國防軍大學的航空航天教授Ernst Dickmanns開創了“動態視覺計算”的研究項目，并成功開發出了多輛自動駕駛原型汽車。Ernst Dickmanns團隊在1993～1994年之間，成功改裝了一輛奔馳S500轎車（圖1-1-4），而且為了實時監測道路周圍的環境和反應，他們還為這輛車配備了攝像頭和多種傳感器。當時，這輛奔馳S500成功地在普通交通環境下自動駕駛了超過1000km。

1998年，依托ARGO項目（意大利帕爾馬大學視覺實驗室VisLab在EUREKA資助下完成的項目）改裝的汽車（圖1-1-5）利用立體視覺系統和計算機制定的導航路線進行了2000km的長距離實驗，其中94%路程使用自主駕駛，平均時速為90km，最高時速123km。

2004年，DARPA（美國國防先進研究項目局）對自動駕駛汽車組織了有史以來最重要的挑戰賽。2005年，來自斯坦福大學的一輛改裝的大眾途銳（圖1-1-6）完美完成了挑戰。這輛車不僅攜帶了攝像頭，同時還配備了激光測距儀、雷達遠程視距、GPS傳感器以及英特爾奔騰M處理器。

2009年，谷歌的一輛改裝的豐田普銳斯（圖1-1-7）在太平洋沿岸自動行駛了22500km，歷時一年多。這臺普銳斯使用了攝像頭、毫米波雷達和激光雷達作為傳感裝置。

2010年，VisLab團隊（就是當年的ARGO項目團隊）開啟了自動駕駛汽車的洲際行駛挑戰。四輛自動駕駛汽車從意大利帕爾馬出發，穿越9個國家，最后成功到達了中國上海（圖1-1-8）。

2014年12月中下旬，谷歌對外發布了完全自主設計的自動駕駛原型車成品，該車可全功能運行。2015年5月，谷歌該款自動駕駛原型車在加利福尼亞州山景城的公路正式上路測試，如圖1-1-9所示。

近年來，國內外許多傳統汽車廠商也開始進行自動駕駛汽車的研發，比如奔馳在2021年12月，在新一代S級以及EQS純電動車上推出的Drive Pilot（圖1-1-10）功能正式被批準在德國高速公路上以低于60km/h的速度激活使用。這是全球首個真正意義上獲得政府許可，并大規模上市的L3自動駕駛汽車。

在國內，背靠長城汽車發展自動駕駛技術的毫末智行科技有限公司旗下業務發展迅速，并在2022年初獲得數億元的A+輪融資。截至2021年底，毫末智行已推出的產品如圖1-1-11所示。

此外，國內不少互聯網企業也宣布進入自動駕駛領域。如百度于2021年8月18日，在百度世界大會上發布了全新升級的自動駕駛出行服務平臺——蘿卜快跑。2021年11月25日，在取得服務許可之后，當天便接到了第一單生意，隨后陸續在長沙、滄州、北京、廣州、重慶和上海面向大眾全面開放了無人駕駛服務。到2021年第三季度，蘿卜快跑已向市場提供了11.5萬次乘車服務，百度也成為全球最大的自動駕駛出行服務提供商。圖1-1-12是目前市面上正在運行的基于蘿卜快跑平臺的自動駕駛汽車。

作為一種前沿技術，自動駕駛的存在形式多種多樣。如今，國內外無數的科學家們都在不斷地探索自動駕駛的技術潛力，自動駕駛能夠提高公路安全性、緩解交通擁堵、減少空氣污染，掌握自動駕駛的技術優勢就能引領未來的潮流。

自動駕駛系統框架的使用

自動駕駛是非常復雜的系統，由傳感、感知、決策、車輛控制等部分組成，每個部分又包含了若干個模塊，它們之間有著大量數據需要實時傳輸和處理。如何把這么多功能各異、非常復雜的模塊集成到一起，組成一個完整的自動駕駛系統來完成自動駕駛的任務，是一個非常大的挑戰。因此，現階段自動駕駛技術的應用，需要使用一個合適的自動駕駛系統框架來實現。自動駕駛系統框架需要滿足以下需求。

一、提供高效的開發支持

自動駕駛技術處于快速迭代和快速發展過程中，無論感知算法、決策算法還是整體技術開發，無論以2D為主的視覺方案還是以3D為主的方案，對快速地構建系統和功能驗證有非常高的要求。通過使用框架開發，算法工程師能夠將更多精力放在算法功能的研發上，而諸如配置管理、部署運行、底層通信等功能由框架來統一提供，這樣可以快速地構建系統原型，驗證算法和功能。

二、靈活配置自動駕駛系統

傳感、感知、決策等系統本身包含了若干個功能相對獨立的自動駕駛算法模塊（圖1-1-13），模塊之間只有數據依賴關系。對于框架來說，需要能夠在開發階段減少各個模塊之間的耦合，而在車上運行階段能夠將各個模塊組合串聯起來，按模塊需求靈活配置自動駕駛系統。

三、支持可視化工具的應用

由于自動駕駛系統涉及大量圖像識別、定位算法，因此調試過程對各種可視化工具有非常強烈的需求，比如障礙物檢測算法，需要看圖像識別障礙物框得準不準，規劃路徑是否合理，定位算法也需要看調試時車是不是在正確位置上。

自動駕駛的關鍵技術

自動駕駛的關鍵技術主要體現在自動駕駛系統的感知、決策和控制三個環節。

感知，即通過攝像頭、激光雷達、毫米波雷達、超聲波傳感器、陀螺儀、加速度計等多種傳感器獲取信息，并進行綜合處理，讓自動駕駛系統感知周圍的環境和車輛狀態信息。感知環節主要工作包括定位、物體識別和追蹤（圖1-1-14）。

其中環境信息包括道路的形狀、方向、曲率、坡度、車道、交通標志、信號燈，其他車輛或行人的位置、大小、前進方向和速度等；車輛狀態信息包括車輛的前進速度、加速度、轉向角度、車身位置及姿態等。

無論定位、物體識別還是追蹤工作，都依賴于多傳感器信息融合技術。它能將多種傳感器獲得的環境信息進行比對，并根據算法輸出融合結果。比如攝像頭和激光雷達感知到的同一車輛的大小、位置、前進方向和速度信息進行融合，保證同一車輛上不同傳感器中的時間和空間的一致性。多傳感器信息融合技術是感知環節的關鍵技術之一。

決策，在整個自動駕駛系統中扮演著“駕駛員大腦”的角色，主要完成行為預測、路徑規劃和安全避障工作（圖1-1-15）。它具體包括：選取哪條車道、是否換道、是否跟車行駛、是否繞行、是否停車等。這個環節需要用到強化學習等關鍵技術。

控制，主要通過對轉向、驅動、制動系統的控制，實現決策單元下發的目標線速度和角速度。這個環節的關鍵是PID反饋控制等技術，PID反饋控制技術算法原理如圖1-1-16所示。

ROS智能車的整體架構

機器人操作系統（Robot Operating System，ROS）最早是一個用于編寫機器人軟件的靈活框架，它集成了大量的工具、庫、協議，提供了類似操作系統所提供的功能，包括硬件抽象描述、底層驅動程序管理、共用功能的執行、程序間的消息傳遞以及程序發行包管理，可以極大簡化機器人平臺下的繁雜多樣的復雜任務創建與穩定行為控制工作。ROS后來被各知名學術研究機構和多家自動駕駛技術公司采用，已經成為自動駕駛研究領域重要的系統框架。通過對ROS的學習和應用，可以更好理解自動駕駛技術。

本教材選用了行云橋智慧貓ROS智能車作為學習載體，它使用了機器人操作系統作為自動駕駛框架。智慧貓線控底盤的電機編碼器信號可以轉換為里程計信息，并利用深度攝像頭獲取深度信息，完成環境感知。激光雷達的深度信息經過SLAM算法的處理，可以實現當前環境地圖的構建。在導航的時候，自主定位功能包（amcl）通過里程計信息或里程計+IMU等方式，實現當前車的定位（感知）。當給定小車一個目標位置后，導航路徑規劃功能包（move_base）則調用構建后的地圖，以及當前小車的位姿，并結合攝像頭獲取的障礙物信息來實現小車導航過程中最優路徑規劃（決策）。并將運動控制信息發送給底盤控制器（底盤控制單元），完成控制環節的任務（圖1-1-17）。

一、智慧貓整體結構認知

智慧貓ROS智能車（圖1-1-18）的硬件使用了當前自動駕駛技術中常用的深度攝像頭、單目攝像頭、單點激光雷達、單線激光雷達、IMU等多種傳感器。這些傳感器可以借助相應功能包完成環境感知。智慧貓線控底盤則使用了控制精度較高的驅動電機，可以根據決策單元下發的信號，準確執行自動駕駛任務。

ROS智能車由線控底盤、感知單元、決策單元以及功能模塊組成。其中線控底盤包括底盤控制單元（也稱下位機）、電機驅動模塊、驅動電機、車輪和外殼等部件；感知單元包括單線激光雷達、單點激光雷達、單目攝像頭、深度攝像頭和IMU等部件；決策單元也稱上位機，安裝在線控底盤內部。ROS智能車整體結構如圖1-1-19所示，其線控底盤內部結構如圖1-1-20所示。

二、智慧貓整體控制框架認知

智慧貓ROS智能車依靠感知單元完成環境感知，并將獲取的信息傳輸到決策單元。決策單元預裝了自動駕駛操作系統，通過該系統調用對應的功能包，形成控制指令（控制線控底盤運動的線速度和角速度）。底盤控制單元接收到控制指令后，通過電機驅動模塊控制驅動電機旋轉。同時，底盤控制單元還將采集四個驅動電機的轉速信號，并上傳反饋給決策單元。整體控制框架如圖1-1-21所示。

任務分組

工作計劃

按照前面所了解的知識內容和小組內部討論的結果，制定工作方案，落實各項工作負責人，如任務實施前的準備工作、實施中主要操作及協助支持工作、實施過程中相關要點及數據的記錄工作等。

進行決策

1.各組派代表闡述資料查詢結果。

2.各組就各自的查詢結果進行交流，并分享技巧。

3.教師結合各組完成的情況進行點評，選出最佳方案。

任務實施

評價反饋

1.各組代表展示匯報PPT，介紹任務的完成過程。

2.以小組為單位，請對各組的操作過程與操作結果進行自評和互評，并將結果填入綜合評價表中的小組評價部分。

3.教師對學生工作過程與工作結果進行評價，并將評價結果填入綜合評價表中的教師評價部分。