Im Bereich des autonomen Fahrens stehen Autos vor beispiellosen Veränderungen. Diese Änderung steht nicht nur in großem Zusammenhang mit den im Fahrprozess erforderlichen Funktionsaktualisierungen, sondern beinhaltet auch wesentliche Änderungen im Architekturdesign des gesamten Fahrsystementwicklungsprozesses. Darunter wird auch die hochpräzise Karte als wichtiger Aspekt ihrer Positionierung und Navigation große Designänderungen erfahren. Dies spiegelt sich vor allem in den folgenden wichtigen Aspekten wider:
1) Die Bereitstellung von Straßenkarten erfordert eine stärkere Unterstützung durch staatliche Infrastrukturabteilungen, einschließlich eines V2I-ähnlichen Internets der Fahrzeuge, der Bereitstellung eines V2X-Szenenrendering-SDK, der Unterstützung benutzerdefinierter Renderstile und der Realisierung personalisierter V2X-Anwendungen im Fahrzeug. Mithilfe des Roadside Information Path (PC5) kann das Problem der Auswirkung toter Winkel auf den Kartendienst aufgrund der Mobilfunknetzabdeckung gelöst werden.
2) Die Echtzeitverteilung von Karten wurde ebenfalls von der ursprünglichen zweiten Ebene auf die Millisekundenebene aktualisiert. Die hochpräzisen Kartenaktualisierungs- und Verteilungsfunktionen werden in der Regel am Rande eingesetzt und realisieren Kartenaktualisierungen in Echtzeit und Datenverteilungsdienste auf Millisekundenebene mit dem Ziel, die Echtzeitleistung der Datenübertragung zu verbessern.
3) Auch die Echtzeit-Hochpräzisionskartenplattform im autonomen Fahrsystem geht schrittweise vom ursprünglichen verteilten System zum zentralisierten System über. Die hochpräzise Karten-Engine kann hochpräzise Kartenanwendungsdienste in Echtzeit für das automatische Fahrsystem bereitstellen und die Anwendung automatisch fahrender Fahrzeuge unterstützen.
4) Karten müssen mehr selbstlernende Mechanismen einrichten, einschließlich der Einrichtung selbstlernender Karten im Schattenmodus, und die Erkennung und das Lernen der Umgebung durch die Karte ständig aktualisieren.
5) Definieren Sie die automatische Fahrfunktion durch die optimierte Karte neu. Bei diesem Prozess handelt es sich tatsächlich um einen Prozess der Iteration der automatischen Fahrfunktion basierend auf der Karte.
6) Bereitstellung vielfältiger grundlegender Kartendienste
In Zukunft wird HD Map durch kontinuierliche Optimierung und Aktualisierung über entsprechende Verwaltungsdienste und technische Vorteile verfügen, einschließlich perfekter Funktionsiteration, Systemdatensicherheit, Unterstützung mehrerer Datentypen, Unterstützung von Autorisierungen für mehrere Terminals sowie eines hochwertigen Service- und Betriebs- und Wartungssystems und Daten online. Verschiedene Aspekte des Upgrade-Service.
Zu den Indikatoren für vollständige Funktionen gehören unter anderem: Datenverteilung, Sammlung, Abonnement, Benachrichtigungsfunktionen, dynamische Daten-Online-Zusammenstellung, visuelle Online-Anzeigebearbeitung, Kampagne, Map-Learning-Crowdsourcing-Update, Datensimulationsplattform usw.
Die Unterstützung mehrerer Daten umfasst: statische Versionsschicht, effektive Unterstützung dynamischer Daten, Unterstützung für Streaming-Daten, Unterstützung für benutzerdefinierte OSO-Daten, inkrementelle Datenfreigabeaktualisierung, Sicherung der Kartendatenintegrität.
Die Systemdatensicherheit umfasst: vollständige Netzwerksicherheitskonfiguration, Firewall, VPC, mehrstufige Systemberechtigungsverwaltung, Benutzer, Rollen, Berechtigungen, Ressourcen, https-Zwei-Wege-Verschlüsselung, Datensignatur und HSM-Geräteintegration.
7) Hochpräziser V2X-Kartendienst, der Edge Computing unterstützt
Zukünftig wird sich die Entwicklung des autonomen Fahrens hauptsächlich in zwei Hauptrichtungen bewegen: Intelligenz und Netzwerkanbindung. Für die Bereitstellung hochpräziser Karten sind die wichtigsten Punkte eine Reihe von Upgrades und Änderungen in der Cloud, auf der Straße und im Fahrzeug. Unter diesen umfasst die Cloud-Transformation hauptsächlich hochpräzise Kartendienste, fragmentierte Datenaggregation, Datenkantenverbindung und Datenfragmentierung. Das Straßenterminal umfasst hauptsächlich mehrere Aspekte wie Crowdsourcing-Aktualisierung von Shard-Karten, Kartenversionsverwaltung, Kartenuntervergabe, Optimierung dynamischer Informationen am Straßenrand und Kartennachrichtendienst. Bei der Anwendung auf der Fahrzeugseite ist es erforderlich, die an Subunternehmer vergebene Datenfusion, die V2X-Szenenwiederherstellung und die hochpräzise Karten-Engine zu aktualisieren.
Der obige iterative Aktualisierungsprozess der Karte kann angewendet werden, um die unbemannte Fahrfunktion auf L4/L5-Ebene zu realisieren, den entsprechenden Robotersteuerungsmodus zu generieren, und kann auch bei der Realisierung von Nutzfahrzeugen verwendet werden, um schließlich unbemanntes und sogar ferngesteuertes Fahren zu realisieren.
Massenproduktionsorientierte hochpräzise Fusionspositionierungslösung
Um eine präzise Positionierung und kontinuierliche Erweiterung zur Verbesserung der Funktionsleistung der hochpräzisen Karte zu erreichen, muss diese natürlich durch kontinuierliche Optimierung des eigenen Fusionspositionierungsschemas erhalten werden. Dieser Prozess besteht aus zwei Hauptsoftwarealgorithmen. Eine davon besteht darin, den vollständig zustandserweiterten Kalman-Filter zur dynamischen optimalen Schätzung der Fahrzeughaltung zu verwenden. Die andere besteht darin, visuelle Sensoren zu verwenden, um semantische Informationen über die Straßenumgebung zu erhalten und durch genaue Kartenabgleichsalgorithmen genaue Standorte zu ermitteln. Darüber hinaus besteht Bedarf an einer Verbesserung der Wirtschaftlichkeit, Passform und Gesamtleistung. Durch Auswahl und Konfiguration des industrietauglichen Fahrzeugterminals RTK: Verwendung eines leistungsstarken 32-Bit-Prozessors in Industriequalität, integrierter hochpräziser RTK-Karte; Einrichten eines Kanals mit der Qianxun-Plattform über 3G/4G/5G, Senden von GGA-Informationen an den Differenzialserver und Empfangen von Differenzialdaten. Nachdem die Informationen empfangen wurden, werden die genauen Standortinformationen über RS232 ausgegeben.
Durch die Auswahl von Verbrauchersensoren, also Sensoren, die im Auto installiert wurden (z. B. Kameras, die für intelligente Fahrsysteme geeignet sind, Lidar-Radar usw.), zur Positionierungsfusion (z. B. visuelles SLAM, Laser-SLAM), verbessern Sie die Positionierungsleistung. Für die Lösung mit hoher Anpassungsfähigkeit werden hauptsächlich eine einzigartige Hardware-Anpassungsschicht (z. B. ein unabhängiges Domänencontrollersystem) und eine Software-Anpassungsschicht (z. B. eine Standard-C-Sprachschnittstelle) verwendet, um Plattformabhängigkeit zu vermeiden. Bei Hochleistungsanforderungen handelt es sich hauptsächlich um die Ausgabe von Anforderungen sowohl für die horizontale als auch für die vertikale Positionierung. Im Allgemeinen muss der seitliche Positionierungsfehler 20 cm betragen, der Längspositionierungsfehler muss 1 m betragen und der Kurswinkelpositionierungsfehler beträgt 0.5°. Gleichzeitig sollte die Signalverlustrate für GNSS im Längspositionierungsfehler weniger als 0.3 % betragen. Darüber hinaus sind eine externe IMU, die 1000 Hz unterstützt, und eine Kameraeingangslösung mit einer Frequenz von 50 Hz erforderlich.
Zusätzlich zu den allgemeinen Architektureinstellungen der Karte erfordert der Datenveröffentlichungsmodus auch minimale Verkehrskosten, um die hochpräzise Kartenaktualisierung abzuschließen und die inkrementelle Streaming-Veröffentlichung zu unterstützen. Dieser Prozess umfasst das Streamen einer angemessenen Anzahl von Kacheln, das inkrementelle Aktualisieren von Daten, das Durchsuchen umfangreicher Datensätze und das Unterscheiden von Katalogen, Ebenen und Kacheln, um hierarchische Abfragen zu ermöglichen. Schließlich können die Cloud-Verlaufsdaten bei Bedarf abgerufen und etwaige Versionsinformationen jederzeit zurückverfolgt werden.
Kartenverteilung und vertikale Kartenverpackung
Der wichtigste Prozess hochpräziser Karten ist die Sammlung und Verteilung von Karten per Crowdsourcing. In Bezug auf die Sammlung von Crowdsourcing-Kartendaten kann es tatsächlich so verstanden werden, dass die vom Benutzer über die eigenen Sensoren des selbstfahrenden Fahrzeugs oder andere kostengünstige Sensorhardware gesammelten Straßendaten zur Datenfusion an die Cloud übertragen werden und die Daten wird durch Datenaggregation verbessert. Genauigkeit zur Vervollständigung der Erstellung hochpräziser Karten. Der gesamte Crowdsourcing-Prozess umfasst tatsächlich die Berichterstattung über physische Sensoren, den Abgleich von Kartenszenen, die Clusterbildung von Szenen sowie die Änderungserkennung und -aktualisierung.
Wohin wird die neue Architektur des autonomen Fahrens auf Basis der Kartenentwicklung führen?
Die hochpräzise Kartenarchitektur des aktuellen autonomen Fahrsystems ist immer noch auf verteilte Weise ausgerichtet. Zu ihren Schlüsselelementen gehören Karten-Crowdsourcing, die Analyse der Originalinformationen der hochpräzisen Karte durch die Kartenbox und die Art und Weise, wie die Karte integriert wird die Eingangsdaten anderer Sensoren. Hier stellen wir fest, dass sich die zukünftige Systemarchitektur für autonomes Fahren weiter von einer verteilten Entwicklungsmethode zu einer zentralisierten entwickeln wird. Der zentralisierte Ansatz kann als drei- oder zweistufiger Prozess betrachtet werden:
Schritt 1: Vollständig zentralisiertes Steuerungssystem im Bereich des intelligenten Fahrens
Das heißt, das intelligente Fahr-ADS und das intelligente Park-AVP-System werden vollständig zentral gesteuert, und eine Reihe zentraler Vorverarbeitungsgeräte werden verwendet, um die von den beiden Systemen angeforderten Informationen zu integrieren, vorherzusagen und zu planen. Die Verarbeitungsmethoden aller Sensor- und Dateneinheiten im Zusammenhang mit intelligentem Fahren und intelligentem Parken (hochpräzise Karten, Lidar, vollständig verteilte Kameras, Millimeterwellenradar usw.) werden entsprechend in die zentrale Domänensteuereinheit integriert.
Schritt 2: Vollständig zentralisierte Steuerungslösung für den intelligenten Fahrbereich und den intelligenten Cockpitbereich
Dieser Ansatz ist die zweite Stufe der Verwirklichung eines vollständig zentralisierten und verteilten Ansatzes, d. h. der Entwicklung aller vom intelligenten Fahrdomänencontroller abgedeckten Funktionen (z. B. automatisches Fahren, automatisches Parken) und der Entwicklung aller vom intelligenten Cockpit abgedeckten Funktionen Domäne (einschließlich Fahrerüberwachungs-DMS, Audio- und Video-Unterhaltungssystem iHU, Instrumentenanzeigesystem IP) für eine integrierte Abdeckung.
Schritt 3: Vollständig zentralisiertes Steuerungsschema der intelligenten Fahrzeugdomäne
Hier handelt es sich um eine vollständig integrierte Steuerungsmethode, die intelligentes Fahren, intelligentes Cockpit und intelligente Fahrwerksdomänen umfasst. Das heißt, die drei Hauptfunktionen werden in die zentrale Steuereinheit des Fahrzeugs integriert und die spätere Verarbeitung der Daten führt zu höheren Leistungsanforderungen (Rechenleistung, Bandbreite, Speicher usw.) an den Domänencontroller.
Hier konzentrieren wir uns auf die Entwicklung einer hochpräzisen Kartenpositionierung, die in Zukunft stärker auf zentralisiertes Design ausgerichtet sein wird. Wir werden ins Detail gehen.
Die obige Abbildung zeigt den Entwicklungstrend der Architektur für hochpräzise Karten bei der Steuerung zukünftiger autonomer Fahrsysteme. Zukünftig wird sich das autonome Fahrsystem auf die Integration der Wahrnehmungseinheit, der Entscheidungseinheit und der Kartenpositionierungseinheit in die zentrale Domänensteuereinheit konzentrieren, um die Abhängigkeit von der hochpräzisen Kartenbox von unten zu verringern. Das Design seines Domänencontrollers berücksichtigt vollständig die vollständige Integration des AI-Computing-Chips SOC, des Logic-Computing-Chips MCU und der hochpräzisen Kartenbox.
Die obige Abbildung zeigt die entsprechende hochpräzise Kartenerfassungsdatenerfassung, das Datenlernen, das KI-Training, den hochpräzisen Kartendienst, die Simulation und andere Dienste im Rahmen der gesamten Cloud-Steuerungslogik. Dynamische Datenwahrnehmung, Kartenzielwahrnehmung, Positionierung, Pfadplanung und andere Inhalte aktualisieren ständig Kartendaten und laden OTA in die Cloud hoch, um die gesamten Crowdsourcing-Daten zu aktualisieren.
Der Prozess zur Generierung hochpräziser Kartendaten, die von der autonomen Fahrsteuerung verarbeitet werden können, wurde oben beschrieben. Wir wissen, dass es sich bei den von der hochpräzisen Karte verarbeiteten Rohdaten um EHP-Daten handelt. Die Daten enthalten tatsächlich die folgenden Hauptdatenträger:
1: Externe GPS-Standortinformationen empfangen;
2: Die Standortinformationen werden mit der Karte abgeglichen;
3: Informationen zur Straßennetztopologie ermitteln;
4: Daten über CAN senden;
5: Einige Navigationsdaten integrieren;
Die Daten werden im Allgemeinen direkt von der HDMap-Sensorseite über Gigabit-Ethernet verarbeitet und dann in die Zentraleinheit für hochpräzise Karten eingegeben, die wir als „hochpräzise Kartenbox“ bezeichnen. Die weitere Verarbeitung der Daten durch die Kartenbox (dieser eigentliche Verarbeitungsprozess wird in den folgenden Artikeln ausführlich erläutert) kann in EHR-Daten (eigentlich CanFD) umgewandelt werden, die von der automatischen Fahrsteuerung verarbeitet werden können.
Für das autonome Fahrsystem der nächsten Generation sind wir bestrebt, die Informationen der hochpräzisen Karte zur Gesamtverarbeitung in den Domänencontroller für autonomes Fahren zu integrieren. Dieser Prozess bedeutet, dass unser Domänencontroller für autonomes Fahren alle Daten verbinden muss, die von der Kartenbox ausgeführt werden sollen. Analysearbeit, dann müssen wir uns auf die folgenden Punkte konzentrieren:
1) Kann der KI-Chip des Domänencontrollers für autonomes Fahren alle Sensordaten verarbeiten, die für die Einbeziehung hochpräziser Karten erforderlich sind?
2) Verfügt die logische Operationseinheit der hochpräzisen Positionierungskarte über genügend Rechenleistung, um die Fusion von Sensordateninformationen durchzuführen?
3) Erfüllt das gesamte zugrunde liegende Betriebssystem die Anforderungen an die funktionale Sicherheit?
4) Welche Verbindungsmethode wird zwischen dem AI-Chip und dem Logikchip verwendet, um die Zuverlässigkeit der Datenübertragung zu gewährleisten, Ethernet oder CanFD?
Um die obige Frage zu beantworten, müssen wir analysieren, wie der in der Abbildung unten gezeigte Controller mit den hochpräzisen Kartendaten umgeht.
Als KI-Chip des autonomen Fahrsystems ist SOC hauptsächlich für die grundlegende Verarbeitung von Sensordaten in der zukünftigen hochpräzisen Kartendatenverarbeitung verantwortlich, einschließlich Kameradaten, Lidar-Daten, Millimeterwellendaten usw. Zusätzlich zu den Basisdaten Punktwolkenfusion und Clustering, die angewandte Verarbeitungsmethode umfasst auch häufig verwendete Deep-Learning-Algorithmen, und der ARM-Kern wird im Allgemeinen für die zentrale Rechenverarbeitung verwendet.
Als logische Operationseinheit des Domänencontrollers für autonomes Fahren übernimmt die MCU anschließend alle logischen Berechnungen, die für die ursprüngliche hochpräzise Kartenbox erforderlich sind. Einschließlich Front-End-Vektoraggregation, Sensorfusionspositionierung, Erstellung einer Straßennetzkarte und der wichtigsten Funktion zum Ersetzen der ursprünglichen Kartenbox, der Umwandlung von EHP-Informationen in EHR-Signale (für die Zentraleinheit MCU, wie EHP-Informationen effektiv in EHR-Informationen umgewandelt werden können). (wird in einem späteren Artikel ausführlich beschrieben) mit effizienter Signalisierung über die Can-Leitung. Schließlich wird AutoBox, eine logische Operationseinheit, für die Pfadplanung, Entscheidungskontrolle und andere Operationen verwendet.
Künftig wird das autonome Fahren dazu neigen, alle von der hochpräzisen Karte verarbeiteten Dateninformationen aus der ursprünglichen Kartenbox in den Domänencontroller für autonomes Fahren zu integrieren, mit dem Ziel, als Integration eine echte zentrale Verarbeitungsfusion mit dem Domänencontroller des gesamten Fahrzeugs zu etablieren Einheit. . Diese Methode spart nicht nur mehr Rechenressourcen, sondern ermöglicht auch eine bessere Anwendung von KI-Datenverarbeitungsalgorithmen für die hochpräzise Positionierung, wodurch die Konsistenz der Umgebungserkennung beider sichergestellt wird. In Zukunft müssen wir der wichtigen Richtung der hochpräzisen Sensordatenfusion mehr Aufmerksamkeit schenken und mehr Anstrengungen in den Bereichen Chip-Rechenleistung, Schnittstellendesign, Bandbreitendesign und Design der funktionalen Sicherheit unternehmen.
Die "Königshelm" wurde ursprünglich von der Golden Navigator Company registriert. Golden Navigation ist ein Direktvertriebshersteller von GPS Antennes und Beidou Antennes. Es hat ein sehr hohes Ansehen und einen guten Ruf in der Beidou GPS-Navigations- und Positionierungsbranche. Seine Forschungs- und Entwicklungsprodukte werden häufig in den Bereichen BDS-Satellitennavigation und -positionierung, drahtlose Kommunikation usw. eingesetzt. Zu den Hauptprodukten gehören: RJ45-RJ45-Netzwerk, Netzwerkschnittstelle Stecker, RF Stecker Adapterkabel, Koaxialkabel Stecker, Typ C Stecker, HDMI-Schnittstelle Typ-C-Schnittstelle, Stiftleiste, SMA, FPC, FFC-Antenne Stecker, Antenne Signalübertragung wasserdicht Stecker, HDMI-Schnittstelle, USB Stecker, Klemmenleiste, Klemmenleiste, Klemmenblock, RFID-Etikett mit Radiofrequenz, Positionierung und Navigation Antenne, Kommunikation Antenne Antenne Kabel, Klebestift Antenne Saugnapf Antenne, 433 Antenne 4G Antenne, GPS-Modul Antenne, usw. Weit verbreitet in der Luft- und Raumfahrt, Kommunikation, im Militär, in der Instrumentierung und Sicherheit, in der Medizin und anderen Branchen.
Der Inhalt stammt aus dem Netzwerk/der Erhebung und Kartierung akademischer Informationen. Auf dieser Website werden nur Nachdrucke angeboten. Die Meinungen, Positionen, Technologien usw. dieses Artikels haben nichts mit dieser Website zu tun. Wenn es einen Verstoß gibt, kontaktieren Sie uns bitte, um ihn zu löschen!
