无人驾驶技术是多个技术的集成，如图1所示，一个无人驾驶系统包含了多个传感器，包括长距雷达、激光雷达、短距雷达、摄像头、超声波、GPS、陀螺仪等。每个传感器在运行时都不断产生数据，而且系统对每个传感器产生的数据都有很强的实时处理要求。比如摄像头需要达到60FPS的帧率，意味着留给每帧的处理时间只有16毫秒。但当数据量增大之后，分配系统资源便成了一个难题。例如，当大量的激光雷达点云数据进入系统，占满CPU资源，就很可能使得摄像头的数据无法及时处理，导致无人驾驶系统错过交通灯的识别，造成严重后果。 如图2所示，无人驾驶系统整合了多个软件模块（包括路径

摘要：高精度地图作为无人驾驶应用中辅助驾驶的重要手段，在高精度定位、辅助环境感知、控制决策等方面发挥着重要作用。边缘计算将计算、存储、共享能力从云端延伸到网络边缘，使用“业务应用在边缘，综合管理在云端”的模式，非常适合于部署更新频率高、实时服务延迟低、覆盖面积广的高精地图服务。结合众包的边缘地图服务已经成为高精地图更新的主要方式，有着重要的应用前景。

AutoX自创立之初便聚焦自动驾驶平台与车企、运营商“三位一体”的战略，致力打 造无人驾驶汽车AI大脑平台：将单点自动驾驶技术上升至“轻资产”的平台模式；  三位一体具体指：自动驾驶平台、车企和运营商 。 自动驾驶平台指：Auto X提供自动驾驶平台； 车企指：将Auto X的自动驾驶平台用于车企中；  运营商指：Auto X与运营商合作，共同建立无人驾驶的物流运营平台； 商业落地：出行服务以Robo Taxi为主；物流服务新进入Robo Truck领域。 公司致力成为自动驾驶行业的“Windows”，打造无人驾驶汽车AI大脑平台：  AutoX希望自研的自动驾驶系统及产品能够适配每一辆汽车

超全无人驾驶行业研究报告!无人驾驶汽车主要利用传感器技术、信号处理技术、通讯技术和计算机技术等，通过集成视觉、激光雷达、超声传感器、微波雷达、GPS、里程计、磁罗盘等多种车载传感器来辨识汽车所处的环境和状态， 并根据所获得的道路信息、交通信号的信息、车辆位置和障碍物信息做出分析和判断，向主控计算机发出期望控制，控制车辆转向和速度，从而实现无人驾驶车辆依据自身意图和环境的拟人驾驶，是典型的高新技术综合体。

自动驾驶和自动停车技术综述

(1)定速巡航的速度控制算法 速度控制算法起初用于定速巡航的控制技术中。PID算法是一个传统的具有 反馈环节的控制算法，因其原理简单易用得到广泛的推广。很多学者将PID与其 他算法进行结合成功改善了对速度控制的精确度，文献[28]使用模糊控制的方法 对PD的比例．微分参数进行实时在线调整，建立了汽车恒定速度控制的模糊PD 控制算法。所提出的模糊PD控制算法具有较好的控制性能，与传统PID控制方 法相比可以在较短时间内实现车辆的定速巡航，并且偏差与超调量都很小。高振 海等人【29~30】采用将非线性系统局部线性化的描述方法，应用预瞄跟随理论提出了 新颖的速度控制方法，通过优化多目标的评价函数决策出理想纵向加速度，并对 其进行微分校正，充分考虑了驾驶员反应滞后以及汽车动力学滞后的响应特性。 该方法精准有效地实现了对目标速度的跟随控制，为无人驾驶汽车速度控制的研 究打开了一个新的思路。高锋等人[31】通过辨识获得节气门开度到车速的传递函数， 从而对汽车纵向动力学进行了描述，在此基础上应用鲁棒控制理论设计了多模型 分层切换控制系统，实现了当模型存在较大不确定性时能够对车速快速准确得控 制。陈刚[321采用改进BP神经网络设计了一种驾驶机器人车速跟踪神经网络控制 方法，其收敛速度高于梯度下降法的收敛速度，且达到的控制精度也更高。 (2)自适应巡航的速度控制算法 速度控制驾驶员模型也常用于车辆自适应巡航控制的研究中，萝莉华【33】应用 多目标MPC算法实现了汽车自适应巡航控制策略，较传统PID算法具有多目标 优化的功能，改善了跟车性、舒适性以及燃油经济性。管欣[34】基于驾驶员操作汽 车的行为特性，将驾驶员建模理论．稳态预瞄动态校正假说【35】应用于汽车自适应 巡航控制系统的理论研究中，构建了基于驾驶员最优预瞄加速度模型的车辆自适 应巡航控制算法。仿真实验结果表明基于驾驶员操纵行为特性的分析，应用驾驶 员操纵行为建模理论来研究汽ACC系统的控制过程为车辆ACC控制系统的开发 提供了一个可行的研究途径。文献[36]根据模糊神经网络控制理论，研究了自适 应巡航控制跟随模式下的距离控制，构造了五层的模糊神经网络，推导出了相应 BP算法公式，并对汽车自适应巡航控制跟随模型进行了仿真实验。经过输入实际 样本数据进行训练后，自适应巡航跟随控制模型具有较高的控制精度，并且减少 了踏板角度的波动，基于模糊神经网络模型的自适应巡航控制跟随模型能够取得 良好的效果。 虽然这些算法取得了良好的效果，但基本上是围绕着定速巡航与跟车巡航展 开的研究，并不能应对突然的变道或转弯所带来的高速失稳的危险。本文基于多 点预瞄的思想，运用二次规划的方法提出自适应避险的速度规划功能，并结合评 价函数最优化的方法对目标速度进行实时跟随，这样车辆在巡航时可避免因突然 万方数据

无人驾驶，环境感知，图像处理，激光雷达，深度学习，论文摘要。

3.4 小角度假设下的车辆动力学模型 通过结合车辆空间状态方程和轮胎模型，可以建立非线性状态空间表达式， 但对于模型预测控制器的设计来说过于复杂，因此需要对其进行简化。由轮胎模 型纵向力-滑移率，侧向力-侧偏角和纵向力组合工况，侧向力组合工况曲线可知， 在侧偏角和纵向滑移率较小的时候，轮胎力可以采用线性函数近似描述。在侧向 加速度小于 0.4g 的情况下对常规轮胎具有较高的拟合精度，在这个范围内，可以 用式 3.1 和式 3.2 表示轮胎纵向力和侧向力。 在之前所建立的非线性模型中，存在较多的三角函数，增大了模型简化的难 度。因此在轮胎力的计算中，在小角度假设条件下，满足近似条件： cos 1,sin , tan       （3.23） 式中 可以表示为前轮转角，前、后轮轮胎侧偏角等。 通过简化，轮胎侧偏角的计算式可以表示为： f f y a x       （3.24） r y b x     （3.25） 根据轮胎侧偏角计算公式和线性轮胎模型，前、后轮侧向力计算公式为： ( ) cf cf f cr cr y a F C x b y F C x         （3.26） 前、后轮胎纵向力表达式为： , lf lf f lr lr r F C s F C S  （3.27） 将以上化简结果代入状态空间方程后，得到基于前轮小偏角和线性轮胎模型 假设的车辆动力学非线性模型： cr r cr 2[C ( ) C ] 2[C C ( ) C s ] 2[ ( ) C ] sin cos cos sin cf f lf f cf f lr z cf f y a b y my mx x x y a mx my s x y a b y I aC b x x Y x y X x y                                      （3.28） 在本文控制系统的预测模型中，状态量为  , , , , , T = y x Y X   ，控制量为 f   。 本论文以已有研究成果为基础，将 MPC（Model Predictive Control）算法应用 万方数据

随着人工智能（Artificial Intelligence AI 高速 发展与应用，计算机技术已 经进入以人工智能为代表的新信息技术时代 ——智能技术时代 。 近两年来 人 工智能在中国已经被提升到了国家发展战略的高度。本文探讨了人工智能的起 源与发展，分析了中国 人工 智能 的发展历程 。 用数据说话，从专家、论文和专利 三方面分析了中国人工智能的科研现状，列举了中国 AI在语音识别、人脸识别、 自动驾驶和无人机等方面的实践应用 。 AI和汽车研究领域的交叉发展给我们的交通带来了革命性的变化。了解和 掌握汽车领域人工智能的研究和进展，发现未来的研究趋势，了解全球顶尖的 研究学者和机构，洞察先机，掌握未来。

本文的多传感器融合是建立在读懂《Quaternionkinematicsfortheerror-stateKalman?lter》基础上的，是一种相机和IMU融合的理论，里面讲解了IMU的误差状态运动方程构建。误差状态四元数，是有开源的程序的，但是它是集成在rtslam里面的，不方便提取出来使用。但还有另外一个开源的程序，ETH的MSF，可以比较方便地用在自己的工程里面，并且它的理论与误差状态四元数很接近，稍微有点不同，所以MSF开源程序就成了一个不错的选择。所以本人研究了ETH的两篇文章：《VisionBasedNavigationforMicroHelicopters》和《ARobusta