一、无人驾驶架构
一个系统，架构是比较重要的。架构的好坏直接决定了系统是否稳健、后续是否容易扩展等问题。无人驾驶系统，一般分层的架构。如下图所示，是一个无人驾驶系统的分层架构，整个系统分为感知层、规划层、控制层。
二、感知层
在无人驾驶系统中，算法就相当于是一个人类驾驶员，感知就相当于是人类的眼睛和耳朵，用来感受外部的环境。感知层需要做的工作是环境感知和高精定位。环境感知解决的是本车周围都有什么东西的问题；高精定位解决的是本车在什么位置的问题。这两部分对于无人驾驶车来说都是非常重要的信息。
首先，为了保证无人驾驶车的安全，无人驾驶车要对周围的物体有充分的感知能力。目前，常用的感知传感器有激光雷达、毫米波雷达、相机、V2X等。这些传感器将本车周围的障碍物的类型、位置、大小、速度、运动方向等信息输出，用于后续的本车行为和运动的规划。
激光雷达是无人车使用的非常重要的传感器，它采用激光作为探测介质，通过内部的激光发射器向外部不断发射激光脉冲，遇到物体反射之后，激光雷达对反射的激光脉冲进行接收，计算激光的飞行时间可以计算物体的距离，最终形成3D点云。无人驾驶的感知层通过算方法对原始点云进行离群点滤波、下采样滤波、去地面、聚类、跟踪、特征识别，最终输出障碍物的位置、速度、形状、类型等信息。
毫米波雷达是比较成熟的传感器，以毫米波作为探测介质，对周围的障碍物进行探测，通过雷达内部的处理逻辑对接收到的反射波进行滤波、聚类、跟踪等处理，直接给无人车输出目标的位置、速度、加速度等信息。
相机也是无人驾驶车使用的重要传感器，他可以输出周围环境的图像信息，信息比较丰富。无人驾驶车的感知层采用深度学习或传统算法对周围环境进行识别，可以输出车道线、车辆、行人、信号灯、交通牌等信息。
GPS+IMU的作用是用来定位，GPS模块接收卫星信号，并进行解算，可以计算出无人车的经纬度、航向、速度等信息。通过对GPS进行差分定位可以实现厘米级精度的定位。IMU可以与GPS信号进行融合定位，融合之后信号更加平顺，并可以提高定位信号的输出频率，在丢失GPS信号和差分信号的情况下，还可以实现短时间的高精度定位。
V2X是V2N、V2V、V2I等通讯方式的统称，它也是无人车感知系统的重要组成部分，可以使无人车接收到云平台、其他车辆、路边设备等发送来的信息。
单一的GPS+IMU定位在有些情况下会失效或出异常，这对于无人驾驶车来说是致命的。定位功能让无人车知道自己在哪里，如果这个信息出问题了，会导致无人车出现危险。为了提高无人车的定位可靠性，可以采用轮速计、激光SLAM、视觉SLAM结合高精地图与GPS+IMU进行融合定位，在某个定位传感器出现异常时，依然可以输出可靠的定位信息。
三、规划层
规划层相当于人类驾驶员的大脑，对感知层的信息进行分析计算，得到如何对无人车进行控制的输出。
规划层首先要做的是任务规划，他解决的是沿什么路径行驶的问题，任务规划根据设定的起始点和终点，采用Dijkstra、A*等算法规划出由起点到终点的路径，用于导引无人车行驶。
行为规划的作用是对无人车在智行任务时的各种行为进行规划。行为规划一般采用有限状态机进行规划，状态机把无人车划分成若干状态，每个状态下对应不同的行为，如停车等待状态、正常行驶状态、超出状态状等状态，态机中还包含了不同状态之间切换的条件，如下图所示是有限状态机的一个图示。
运动规划是对行为规划出来的行为的实现过程进行规划，无人车需要规划出一系列的动作，来实现行为规划的结果，比如说在停车等待的状态，运动规划的结果为期望车速为0、转向回正、期望档位为空档、期望驻车制动为启动状态等。
四、控制层
控制层相当于人类驾驶员的手和脚，用来直接控制线控的无人车。他解决的是规划层输出的期望值如何实现的问题。
纵向控制用来控制无人车的车速，他的输入是期望车速、实际车速、以及路面的坡度、车辆的状态等信息，根据计算输出油门踏板和制动踏板的控制量，使无人车的车速能够跟随期望车速。
横向控制用来控制无人车的转向，他根据车辆与期望形式轨迹的偏差来计算方向盘的转向角度，使无人车对期望轨迹进行跟随。
其他控制用来对无人车的档位、驻车制动、车灯、喇叭等部件进行控制，他根据无人车的行为对这些不仅进行控制。
五、总结
无人驾驶的分层结构由来已久，并且一直沿用至今。
版权声明：本文为CSDN博主「fxfreefly」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/bhniunan/article/details/109783518
