作者：rys
学校：山东大学
班级：计算机技术
学号：XXXXXX
摘要
基于云平台的无人驾驶汽车是现在有些人在研究的基于机器学习的自动驾驶汽车和移动云平台的有机结合，可以使道路交通的效率和安全性大大提高，并且使人们对汽车的操控更加简单。基于云平台的无人驾驶汽车是对大数据技术的典型应用和扩展。首先结合GPS定位、全景地图、图像分析等技术首先实现了对路上跑的每一辆车的精准定位，在此基础上利用大规模分布式集的超强计算能力实现实地场景在计算机上的精确模拟。通过以上这些技术的应用可以让每一辆车通过和云平台的交互掌握全局的交通信息，从而可以避免车辆碰撞，也可
以有效的减轻交通拥堵。同时用户操作更简单，可以支持传统操作、通过模拟场景操作和设定了起点、终点等条件时的完全无人驾驶。
关键词：大数据，分布式集，机器学习，模拟场景
一． 研究意义
汽车与人们的生活息息相关，随着我国人民生活水平的提高，道路上的汽车越来越多。汽车的增多有时会给我们的生活带来很大的不便，比如交通拥堵愈发严重，车祸数量也在增加，每年都有很所人在车祸中受伤甚至丧失生命。同时目前汽车操作还是比较复杂，很多人为了学车花费大量的时间和精力，同时由于其操作复杂度所以很多在路上开车的人并不是很熟练，这就又增加了安全隐患。为了解决上面这些问题，未来的汽车（也有可能是其他能源的车）首先发展方向就是要降低操作难度，所以无人驾驶汽车必然会成为以后的趋势。传统的无人驾驶汽车通过机器学习的方法，汽车能根据摄像头捕捉到的道路、障碍物等信息自动改变行驶方向和速度，虽处于试验阶段，也基本实现了无人操控的效果。可是传统的无人驾驶汽车没用联网，汽车本身不可能掌握全局的信息，不管是汽车还是车上的人都不能判断出自己视觉之外的障碍物，并且没有全局信息的车和人无法预知道路拥堵
情况，无法避免拥堵。所以我们需要通过一个云平台来支持对全局信息的掌控，协助进行车辆的控制、道路的选择。云平台的建设通过分布式集来实现。
二． 发展历史
无人自动驾驶车辆的研究可大致分为三个阶段：军事用途、高速公路环境和城市环境。
2.1 军事用途
无人自动驾驶车辆的研究已经有20多年的历史，它最早起源于军事领域的研究。早在80年代初期，美国国防部大规模资助自主陆地车辆ALV (Autonomous Land Vehicle)的研究。进入21世纪，从2004年起美国国防部连续三年举办大挑战(Grand Challenge)比赛活动，第一名可获得数百万美金的奖励。在2004年的比赛中，13支参加决赛的车辆没有一辆能够到达终点。在2005年的比赛中，共有5支队伍顺利到达终点 [4]。德国军方于2006年在德国也组织了类似的比赛ELROB(European Land-Robot Trial)，穿越240公里的沙漠，共有来自5个国家的20支队伍参赛。明年的比赛将在瑞士举行，并允许民间队伍参赛。我国在“八五”、“九五”、“十五”国防重点预研中也一直在资助无人车辆方面的研究工作。
2.2 高速公路环境
随着冷战的结束，无人驾驶车辆的研究也逐步转向了民用。第一个成功应用的是结构化较高的高速公路环境，这期间比较有代表性的有：
2）美国卡内基梅隆大学的NavLab-5系统，该系统使用RALPH视觉系统进行导航，于1995年6月进行了横穿美国的实验（No Hands Across America）。全程4587公里，其中自主驾驶部分占98.2％，最长自主驾驶距离为111公里，全程平均速度为每小时102.72公里。
3) 意大利帕尔马大学的ARGO系统：该系统使用GOLD视觉系统进行导航，于1998年6月进行了2000公里的长距离实验，其中94％路程使用自主驾驶，平均时速为90公里，最高时速123公里[8]。 4) 清华大学的THMR-V系统：该系统是我国第一辆智能车，于2003年3月在公路上进行了视觉导航实验，车道线自动跟踪平均时速100公里，最高时速150公里。
4）清华大学的THMR-V系统：该系统是我国第一辆智能车，于2003年3月在公路上进行了视觉导航试验，车道线自动跟踪平均时速100公里，最高时速150公里。
5) 一汽红旗CA7460自主驾驶轿车：该系统采用国防科技大学研制的视觉系统，于2003年6月在湖南长沙进行高速公路试验，自主驾驶最高时速130公里
这些针对高速公路的系统大都采用视觉导航，并获得了很大的成功。随着IT技术的不断发展，早期一直困扰研究者的硬件处理速度问题已经基本解决，即算法的实时性基本能够满足。但是，视觉系统在实际演示中仍存在一定的可靠性和鲁棒性问题，例如，目前系统都只能达到95%左右的正确率。产生该问题的一个主要原因是室外环境光照复杂，现有的视觉传感器无法适应环境光照的剧烈变化。
通用自动驾驶汽车为此，不少专家预测，无人自动驾驶汽车在10-20年内无法真正实现产品化。不过，这并没有阻碍无人驾驶车辆研究的进一步发展。相反，越来越多的汽车厂商开始加入到研究队伍中，他们的研究重点是相对比较成熟的汽车辅助驾驶系统，典型应用包括车道偏离报警、车速自适应控制、Stop&Go等。随着技术的不断发展，不少公司已经在市场上推出了相应的产品，例如德国Daimler-Chrysler公司、瑞典Volvo公司、意大利Fiat公司、日本丰田公司
、以列Mobileye公司等。美国通用汽车公司也计划于2008年开始量产无人自动驾驶车辆。近年来，国内一些高等院校和研究机构也开展了类似的研究，取得很大的进展，例如西安交通大学的Springrobot 智能车，国家ITS中心的新疆扫雪车，中科院自动化研究所等。
2.3 城市环境
在以汽车厂商为主导研究汽车辅助驾驶的同时，一些欧洲研究人员开始转向了更为复杂的城市环境下的无人自动驾驶研究，开拓了一个崭新的研究领域。其中，代表性研究项目包括CARSENSE项目、第五框架的CyberCars和CyberMove项目、第六框架的CyberCars-2项目等。经过几年的研究，已经获得了初步的成功，部分系统已经投入实际运行，打破了此前专家的预言。例如，Frog公司于1997年底，在荷兰阿姆斯特丹国际机场，实现了世界上第一套无人载客系统——ParkShuttle系统，并进行了24小时不间断的实际运营，从而在技术上证明了无人驾驶系统的可行性，类似的系统在荷兰鹿特丹也得到了成功的应用；欧洲Yamaha公司在2002年荷兰园艺博览会上使用25辆CyberCab车接送游客，6个月时间内运输了30万人次，回收75%投资，不仅在技术上证明了可行性，还证明了商业运作上的可行性。此外，在法国、瑞士、葡萄牙等国也已经存在了类似的应用或演示系统。
日本一直与欧洲研究机构保持着密切的联系，因此在这方面的研究工作也起步较早。在2005年日本爱知世博会上，丰田公司成功演示了ITMS无人驾驶公交系统。美国在这方面的研究则起步较晚，目前与欧洲和日本仍存在一定差距。 我国的少数高校也已经开始了这方面的研究成果，并已经取得了初步的成果。例如，上海交通大学和吉林大学分别研制出第一代样车。其中，上海交通大学目前主持了欧盟CyberC3项目，计划研制4辆无人驾驶车辆，并在上海进行面向公众的大规模演示。与高速环境研究相比，城市环境下的无人驾驶由于速度较慢，因此更安全可靠，应用前景更好。短期内，可作为城市大容量公共交通（如地铁等）的一种补充，解决城市区域交通问题，例如大型活动场所、公园、校园、工业园、机场等。但是，城市环境也更为复杂，对感知和控制算法提出了更高的要求。
三． 整体描述
基于云平台的无人驾驶汽车有三种操控方式。
第一种是传统操控，只是比传统汽车多了全路况展示，在车内有一个类似于现在车内导航一样的显示器，不仅显示你所在的位置，周围的建筑，周围障碍物，还会显示你周围，甚至包括视觉看不见的地方的车辆行驶情况（就像放视频一样），可以让司机很好的判断哪
儿有车，以及车速，拥堵情况，以此来做出相应调整。
第二种操控方式是在看到动画式的路况时就跟在汽车竞速类的游戏里面操控一辆一车一样，单纯的通过操控模拟场景里的汽车的行驶方向，行驶速度等完成对实地汽车的操控。这种操控方式操控人员可以在车里也可以在家里通过联网的电脑操控，就像在打游戏一样就控制了一辆实际在路上行驶的汽车。
第三种是通过选定起点、终点、最大速度等条件，汽车自动选择路线。这种方式是在第二种方式的基础上由计算机自动计算，自动操控，是真正的无人驾驶。同样后台只是提供供客户决策的信息，控制汽车、选择路线这些程序在汽车上运行。
通过上面的描述可以对基于云平台无人机是汽车有一个大致的了解，即分布式云后台收集并计算出全局信息。汽车本身作为一个终端负责把自身信息发往云数据中心，并从云端获取全局信息用来决策。决策方式有两大类：人决策，机器决策。其中人决策又有两种交互方式，传统控制和简化了的控制。以上这些就是基于云平台无人驾驶汽车的整体愿景。
四． 关键技术
以上介绍了传统无人驾驶汽车的发展，接下来讨论一下基于云平台无人驾驶汽车所需要的关键技术。
定位技术：
GPS技术，由于我们需要对汽车进行定位然后才能在计算机中精确模拟出实际道路上的场景。目前GPS技术已经非常成熟，定位精度也越来越好，所以首选GPS技术来对汽车定位。即我们的每一个无人驾驶汽车都装一个GPS定位设备。
实景地图技术和图像分析。只通过GPS技术有以下问题：1.定位精确度的问题，虽然GPS技术定位已很准确，可是汽车在路上行驶，半米的误差都可能造成车祸的发生，所以我们对定位精度要求特别高。所以定位时应该通过实景地图和图像分析结合的技术，首先我们要在机器上安装摄像头，捕捉道路上的视觉信息。然后把路况以照片的形式传到后台，结合GPS进行粗定位的信息和后台的实景地图结合分析完成精确的定位（实景地图也会根据车上回传的照片进行实时更新）。
模拟实地场景相关的技术：
微型雷达技术。鉴于不可能所有的车都是文中描述的这种基于云的无人驾驶汽车，所以对汽车自身对于周围情况的获取非常重要。对于普通的汽车或者自行车或者行人等云平台自身掌握不到的消息（通过对汽车回传的图片的分析能获得一些信息，但是视觉以外的信息就获取不到了），可以通过汽车自身雷达来弥补。雷达获取的信息也传到云平台用于模拟场景的构建。
海量数据分析处理技术。从上面介绍的实景地图和图像分析就可以看出，后台需要处理的数据量非常大（图片、雷达数据的实时回传会带来难以估量的海量的数据），并且需要对这些数据的实时处理、实时分析，模拟的场景中和实地情况的时间误差需要在秒级以内。目前的实时处理技术如Spark stream、Strom、S4等在处理速度上基本可以满足要求，不过实时流处理系统的可用性问题依然需要进一步解决。不过就目前的发展速度来看，五年的时间这些问题都能解决，或者会有更新的更好的处理框架推出。
可视化和人机交互技术。在上面介绍的三种操控方式中都需要很好的信息展示方法，和优秀的交互能力。尤其是第二种操控方式中由于本身就是实际行驶中的汽车，所以和游戏中后台模拟的场景有很大不同，需要计算机模拟和接收实际汽车反馈相结合。此外还要很好
的展示出周围的环境，其他汽车的方向、速度，不同路段的拥堵情况的，能直观的反映给用户其所需要的所有重要信息。
发布评论