到底什么是智能网联汽车？？第一期——感知

引言

目前，我国汽车技术正朝着电动化、智能化、网联化、共享化的“四化”方向发展，这给汽车工业的发展带来了巨大的挑战和机遇。智能网联汽车不仅可提供更安全、更舒适、更节能、更环保的驾驶方式，还会带来汽车产品和技术的升级，从而重塑汽车及相关产业全业态和价值链体系。

本文首先对智能网联汽车技术进行综述性介绍，然后分别介绍视觉传感器在智能网联汽车中的应用、雷达在智能网联汽车中的应用、高精度定位与号航系统、智能网联汽车路径规划与决策控制、汽车总线及车载网络技术、智能网联汽车通信技术、高级驾驶辅助系统(Advanced Driver Assistance Systems，ADAS)与智能网联汽车的应用，最后简要介绍智能网联汽车的操作系统与应用平台。

什么是智能网联汽车？

1. 智能网联汽车（ICV）的定义

智能网联汽车即车联网与智能驾驶汽车技术相结合的产物。

2. 智能网联汽车的组成

智能交通+智能汽车+车联网=智能网联汽车

3. 智能网联汽车的关键技术

环境感知层：依靠（如视觉、雷达、高精导航、车内网、4G/5G无线通讯技术）实现车内外

动静信息的提取和收集，并向智能决策层传递信息。

智能决策层：可以通过识别到的信息（如道路、行人、交通标志、交通信号）去理解驾驶环境，分析判断所需采取的驾驶模式和决策操作，并向执行层传输指令。是智能网联车各项功能实现的核心。

控制执行层：根据决策层的指令执行操作和控制车辆，主要依赖车辆底盘（转向、制动、驱动等）线控和车身电子器件（车门，车灯，仪表等）实现车辆自动控制。

4. 自动驾驶等级划分

表1 美国汽车工程师学会的自动驾驶等级划分

等级	描述
L0	无自动驾驶
L1	辅助驾驶
L2	部分自动驾驶
L3	有条件自动驾驶
L4	高度自动驾驶
L5	完全自动驾驶

表2 我国汽车智能化分级

等级	描述
DA	驾驶辅助
PA	部分自动驾驶
CA	有条件自动驾驶
HA	高度自动驾驶
FA	完全自动驾驶
DA	驾驶辅助

表3 网联化分级

等级	描述
1	网联辅助信息交互
2	网联协同感知
3	网联协同决策与控制

视觉传感器在智能网联汽车中的运用

视觉传感器的原理与作用：

CCD表面涂层捕获光子产生光生电子，聚集在CCD下的绝缘图层，由控制电路串行输出到模拟电路再通过成像电路（如DSP）进行传输形成图像。通过各类图像处理算法从图像中提取并跟踪相关特征，实现车辆周围路况识别，为决策系统提供有效的环境感知信息。

1. 单目视觉传感器

• 原理：先识别后测距，通过建立数据库由算法学习图片特征，在实际应用中用特征识别目标。
• 优点：成本低，帧速率高，信息丰富，检测距离远。
• 缺点：易受光照，气候等环境影响，缺乏目标距离等深度信息，对目标速度的测量也有一定影响。
• 特点：视角越宽，精确检测距离越近；视角越窄，精确检测距离越远；可结合其他种类传感器取长补短。

图1 单目视觉传感器（图源网络）

2. 双目视觉传感器

• 原理：模拟人眼，分别闭上左右眼产生的位移，通过位移大小测量目标物体的距离；识别物体的方式与单目一致。
• 优点：精度高，距离测量精准，环境感知强
• 缺点：安装难度高，调试难度高，测量距离短。
• 特点：通过视觉计算原理可实现三维空间位置感知，比单目更精准。

                                           图2 双目视觉传感器（图源网络）

3. 红外夜视传感器

• 原理：与视觉传感器一致，通过强弱不等的辐射信号转换成电信号，经放大等一系列处理，形成人可观察的视频图像。
• 特点：有主动和被动两种技术路线

主动：向外发射红外线，再由物镜接收，在红外热成像管的光电阴极表面形成红外图像。

被动：接收物体自身反射的红外线，在红外热成像管的光电阴极表面形成红外图像。

• 作用：可作为光照不足条件下对视觉传感器的补充

图3 红外夜视视觉传感器（图源网络）

4. 多个视觉传感器组合

例：3个单目传感器组成3个视场，分别为25°视场，50°视场，150°视场

其中25°视场最远，150°最近。三段可有效覆盖道路，行人，交通灯信息。

5. 视觉传感器在智能网联汽车中的实际应用

• 车道偏离警告
• 车道保持辅助系统
• 汽车防碰撞系统
• 交通标志识别系统
• 换道辅助系统
• 驾驶人监控系统
• 泊车辅助系统
• 红外夜视系统
• 全景环视系统
• 电子后视镜
• 智能照明系统

智能网联汽车领域图像处理方法

1. 传统识别过程

图像输入→预处理→特征提取→特征分类→匹配和完全识别

在传统的图像算法中，需要人工设计图像中的典型特征，下面举例介绍几种典型的人工图像特征：

1. SIFT特征：尺度不变特征变换，在不同的尺度空间搜索特征点及其方向，获取图像中的特征目标。（检测边缘点、角点等不因光照仿射变换和噪声等影响的特征点）
2. HOG特征：方向梯度直方图，特征通过计算和统计图像局部区域达到梯度方向直方图哎构成特征。（行人检测优秀）
3. Haar-like特征：由边缘特征，线性特征，中心特征和对角线特征构成，这三类特征组合成特征模板。（反应图像灰度变化情况）

优点：直观，可分析。

缺点：需要对图像中的结构化信息有深入了解，并能构建可直观区分又能通过数字处理方法提取的特征，但对于计算机算法来说，以上特征是非必须的，在一定程度上影响了图像识别效率。

2. 多层神经网络训练特征识别

1. 人工神经网络：逐层提取图像矩阵中的数学特征，层间递进地组合为全局特征，最终实现面向计算的特征提取。通过数据集训练后的神经网络，学习得到目标包含的典型特征，构成强大的特征提取器。
2. 卷积神经网络（CNN）：首先，通过对网络结构超参数的设计，确定网络的结构；然后，将样本图像提供给网络进行自学习，确定网络中各项参数；最后，就可以使用确定好各项参数的网络对实时获取的图像进行处理，从而获得已经训练后的环境/目标特征。

图4 卷积神经网络提取图像特征示意图（图源网络）

目前基于人工神经网络的目标检测与识别算法大致有三类：

• 基于区域建议的目标检测和识别算法；
• 基于回归的目标检测与识别算法；
• 基于搜索的目标检测与识别算法。

人工神经网络可以模拟人类思维，实现自我学习，消除了图像处理过程中人工特征设计、提取、预处理等步骤，简化了图像输入输出的步骤，使得视觉系统能快速理解环境。

3. 图像识别算法在智能网联汽车的典型应用

• 车道检测
• 语义分割
• 立体视觉与场景流
• 视觉里程计算法
• 目标跟踪

雷达在智能网联汽车中的应用

1. 超声波雷达（f＞20kHz）

• 原理：利用超声波发生器产生超声波，然后接收探头接收障碍物反射的超声波，并根据超声波反射接收的时差，计算出与障碍物的距离。计算公式s=（t×340）/2

• 结构：压电超声发生器，超声波传感器

常用的频率有：40kHz，48kHz，58kHz。频率越高灵敏度越高，但水平与垂直方向探测角度越小。目前广泛使用40kHz的超声波探头。

• 主要指标：
• 工作频率：频率越高灵敏度越高，但水平与垂直方向探测角度越小。目前广泛使用40kHz的超声波探头。
• 工作温度：取决于应用的条件，小功率雷达工作温度相对较低，能长期工作而不故障。有些则会产生大量的热，需进行主动冷却
• 灵敏度：超声波雷达工作过程中需要反复将机械能转变为电能，或将电能转变为机械能。其中能力转变的程度用机电耦合系数表示，系数越大，灵敏度越高。灵敏度与晶片的制造有关。

实际应用中还需考虑多普勒效应，温度影响，噪声干扰，线性驱动干扰，机械特性等。在有效探测范围内，误差在±5cm。

• 种类：超声波传感器主要分为UPA和APA两大类，UPA为短程超声波传感器，APA是原创超声波传感器，UPA一般置于车身前后，APA置于车身侧面。

图5  UPA超声波传感器（图源网络）

图6  APA超声波传感器（图源网络）

• 超声波雷达在智能网联汽车中的应用：倒车辅助系统；自动泊车系统。

2. 毫米波雷达

• 结构：天线，收发芯片，信号处理芯片等
• 原理：通过发射和接收毫米波段的电磁波来测量车辆与车辆之间的距离，角度和相对速度。
• 特点：具有全天候工作能力，智能网联汽车领域主要用来目标识别和跟踪。毫米波波长短，分辨率高，穿透力强，但传播损耗大，传输距离短。

毫米波雷达天线以高频印刷电路板的方式设计，集成在基板上，技术要求高。

雷达收发芯片一般用硅锗（SiGe）双极晶体管，互补金属氧化物半导体（CMOS）等。

图7  毫米波雷达（图源网络）

早期硅锗晶体管77GHz占用大量集成电路的空间，且成本较高。

CMOS成本较低，可在低压下工作，且功耗较低。

车载运用一般为调频连续波（FMCW）雷达。既可以测距，也可以测速。在近距离测量方面有很大优势。

毫米波雷达主要测量目标的距离，速度和方位角

毫米波雷达可分为长距离雷达（LRR）、中距离雷达（MRR）、短距离雷达（SRR）。

实际应用中，LRR和MRR一般置于车前方，SRR一般置于车辆四角

智能网联汽车领域中，中短距离以24GHz频段为主，长距离以77GHz为主。

77GHz被认为是未来主流，其优点为：

• 探测距离远，77GHz毫米波带宽大，天线小，功率集中。
• 独特频段，24GHz与射电天文信号为同频段，有干扰。而77GHz则是汽车领域专属频段。
• 尺寸小，容易实现小型化。

毫米波雷达在智能网联汽车的应用

• 自适应巡航系统（ACC）
• 自动紧急制动系统（AEB）
• 换道辅助系统，包括盲点检测（BSD），换道辅助（LCA），后碰撞预警（RCW）

3. 激光雷达

• 原理：通过发射激光光束来扫描环境，并接收反射回来的光束获取检测数据，利用飞行时间测量获取激光发射器到物体的距离。即在t1时刻发射一道激光，在t2时刻接收到漫反射的光线，即可通过（t2-t1)×c/2得到距离。通过机械，电子等处理式控制激光光束，实现多条光束对环境的扫描，产生的数据经处理可获得环境中物体的点云，实现对环境精确三维测量。

• 优势：通过激光雷达获得的点云可以准确获取空间环境信息，精度可达厘米级。
• 特点：

1.  高分辨率，可实现极高的角度，范围和速度分辨率
2. 隐蔽性好，抗干扰能力强
3. 低空探测性好，但由于地面回波，有盲区
4. 体积小，重量轻

• 缺点：受气候天气影响大，在大雨，浓烟，浓雾工况激光损失急剧加大。
• 分类：

1. 按发射波形：连续型，脉冲型。
2. 按探测方式：直接探测，相干探测
3. 按光束控制：机械式，固态式
4. 按工作介质：半导体激光雷达，固体激光雷达，气体激光雷达
5. 按照线数：单线激光雷达，多线激光雷达
6. 按照载荷平台的不同：车载激光雷达，机载激光雷达，星载激光雷达

车载领域主要分为 多线旋转式雷达和固态激光雷达两大类

（1）多线旋转式激光雷达

• 结构：由激光发射器，光学接收器，伺服电动机，光学旋转编码器，倾斜镜等构成。
• 原理：激光发射器将电脉冲转为光脉冲发射出去，光学接收器再将从目标反射回来的光脉冲还原成电脉冲，将连续获取的360°环境信息进行处理，得到点云的信息

图8  多线旋转式激光雷达（图源网络）

激光束越多，扫描频率越快，获取轮廓就越全面，通过进一步对点云进行信息处理可以分辨出环境中的目标类型，运动形态，三维尺度等全面信息。

常见的一般分为16线，32线，64线，128线，高频激光器可以在1s内获得1×10^6~7数量级的点云信息。除了位置信息，还可以通过激光反射率来区分不同材质。（如车道线）

（2）固态激光雷达的结构和工作原理

• 原理：依靠电子元件控制激光光束发射角度，可以实现扫描范围的动态调整。
• 优点：不需要旋转部件，可以压缩雷达尺寸，提高使用寿命，降低成本。可通过软件进行调节以适配不同车辆，降低了标定难度。采集速度快，分辨率高，对温度和振动适应性强。
• 缺点：只能探测特定范围，要实现全方位扫描，需多个配合使用。
• 种类（按调整光束的方式分类）：

1. 相控阵（OPA）：通过相控阵原理，调整发射阵中各发射单元的相位差来改变激光的出射角，实现探测范围的调整。也称为电子扫描技术。无机械固件，扫描快，精度高，但容易形成旁瓣，影响光线作用距离和角分辨力。

图9  OPA固态激光雷达（图源网络）

2. FLASH：大面积的激光发射和接收阵列，同时照射并接收反射光，快速生成高分辨率的三维图像。稳定性成本都很好，但探测距离近，技术可靠性存在一些问题。

3. MEMS：微电子机械系统，通过微振镜的摆动实现环境扫描。将所有机械部件都集成到微电子机械系统中，消除了大型的机械旋转结构，降低了成本。

图10  MEMS 固态激光雷达（图源网络）

（3）激光雷达在智能网联汽车中的应用

可用于车道线检测，目标分类与运动跟踪，通过环境特征匹配进行的SLAM高精度定位等感知系统。

车载激光雷达的应用首先应保证成本，其次是环境适应性和强抗干扰能力。

固态激光雷达率先在量产车中应用。

能力高度集中的光束有可能对人体造成损害，故车载激光雷达必须达到规定的安全等级，如应按FDA或IEC标准进行标注。

 

总结

以上便是智能网联汽车实现智能网联的第一步——感知。没有这一步接下来的一切都将寸步难行，下一期我们就来聊一聊决策和控制层。