大話自動駕駛

第1篇 硬件那些事兒
01 雷達 2
1.1 “鏡子”，激光雷達撬起前裝量產的支點 2
1.1.1 機械旋轉式激光雷達 3
1.1.2 混合固態激光雷達 5
1.2 激光雷達，揭秘面具下隱藏的真實面目 10
1.2.1 面具掩蓋下的真實面目 10
1.2.2 去偽存真的導入流程 15
1.2.3 去粗取精的驗證方法 16
1.3 4D毫米波雷達，“割韭菜第二快的刀” 20
1.3.1 “刀”的誕生——多普勒效應 20
1.3.2 “刀”的鍛造——發展簡史 21
1.3.3 “刀”的秘密——工作原理 22
1.3.4 “刀”的重生——3D變4D 26
1.3.5 “刀”的款式——各家主流產品參數 29
1.4 本章小結 30
02 相機 31
2.1 車載單目相機，自動駕駛的“眼睛” 31
2.1.1 作用 31
2.1.2 原理 32
2.1.3 組成 33
2.2 車載雙目相機，老兵的二次出徵 41
2.2.1 概述 41
2.2.2 工作原理 43
2.2.3 關鍵性能 51
2.2.4 成名路上的阻礙 52
2.3 車載魚眼相機，備戰科考的“寒門書生” 53
2.3.1 成像原理 54
2.3.2 成像模型 56
2.3.3 畸變校正 59
2.3.4 行業進展 60
2.4 車載紅外相機，一顆冉冉升起的新星 61
2.4.1 工作原理 61
2.4.2 作用 63
2.4.3 實測結果 65
2.4.4 面臨挑戰 67
2.4.5 主要玩家 68
2.5 本章小結 69
03 定位 70
3.1 GNSS，自動駕駛定位團隊的“保護傘” 70
3.1.1 定義及組成 71
3.1.2 衛星信號結構 72
3.1.3 車載GNSS接收機 73
3.1.4 作用及原理 75
3.1.5 誤差來源 80
3.1.6 差分定位 81
3.1.7 多星多頻接收技術 83
3.2 IMU，自動駕駛定位團隊“小而美”的隊員 86
3.2.1 基本介紹 87
3.2.2 加速度計原理 87
3.2.3 陀螺儀測量原理 89
3.2.4 應用價值 92
3.3 松、緊、深耦合，高精度組合導航中的姻緣 93
3.3.1 GNSS、RTK和INS介紹 94
3.3.2 高精度組合導航的組成 96
3.3.3 三種耦合方式介紹 97
3.3.4 三種耦合方式比較 99
3.3.5 主流廠商現狀 101
3.3.6 發展趨勢 102
3.4 UWB，短距定位屆的“制勝法寶” 103
3.4.1 技術特點 103
3.4.2 發展歷程 105
3.4.3 測距方法 106
3.4.4 定位方法 108
3.4.5 系統方案 109
3.5 本章小結 111
04 芯片 112
4.1 AI芯片，自動駕駛中的“水滸卡” 112
4.1.1 躥紅背景 113
4.1.2 比拼指標 113
4.1.3 明星個人 114
4.1.4 明星團隊 121
4.2 安全核，“霸道總裁”身邊的“灰姑娘” 123
4.2.1 安全機制 124
4.2.2 主流安全核 129
4.3 PCIE，中央計算平臺片內通信的“骨乾” 130
4.3.1 PCIE簡介 130
4.3.2 PCIE拓撲結構 133
4.3.3 PCIE分層體系 135
4.3.4 汽車領域應用案例 137
4.4 本章小結 138
05 線控底盤 139
5.1 線控制動，一位忠於自動駕駛且身手敏捷的“保鏢” 140
5.1.1 什麽是線控制動 141
5.1.2 EMB系統優勢及應用前景 146
5.2 線控轉向，自動駕駛稱霸路上的“左膀右臂” 147
5.2.1 傳統轉向系統 148
5.2.2 線控轉向系統 153
5.3 線控懸架，“可甜可鹽”也遭嫌 155
5.3.1 定義及組成 155
5.3.2 懸架分類 157
5.4 本章小結 163
第2篇 軟件那些事兒
06 算法 166
6.1 SLAM，喜歡開拓陌生環境的“勇士” 166
6.1.1 用戶故事 167
6.1.2 解決方案 167
6.1.3 產品功能 167
6.2 卡爾曼濾波算法，自動駕駛公司的“護城河” 172
6.2.1 誕生背景 172
6.2.2 原理的直觀理解 173
6.2.3 算法的理論分析 176
6.2.4 卡爾曼濾波算法在自動駕駛中的應用 177
6.3 點雲配準，自動駕駛中的“尋親記” 178
6.3.1 定義 179
6.3.2 作用 180
6.3.3 方法 180
6.3.4 初值獲取 185
6.4 決策規劃，自動駕駛“安全、舒適、效率”的擁護者 186
6.4.1 自動駕駛系統分類 186
6.4.2 決策規劃分層架構 190
6.4.3 決策規劃常用算法 193
6.5 本章小結 216
07 系統 217
7.1 高精地圖，自動駕駛的“天眼” 217
7.1.1 定義 217
7.1.2 組成 218
7.1.3 作用 220
7.1.4 採集方式 223
7.1.5 採集資質 224
7.1.6 數據格式 226
7.1.7 製作流程 231
7.2 時間同步，自動駕駛中的“花好月圓” 233
7.2.1 時間同步背景 233
7.2.2 時間同步技術 234
7.2.3 全域架構下的時間同步系統方案 238
7.3 gPTP，自動駕駛時間同步中的“有趣靈魂” 239
7.3.1 TSN的前情回顧 240
7.3.2 gPTP的精彩呈現 240
7.3.3 gPTP與PTP之間的差異 245
7.3.4 gPTP在自動駕駛領域中的應用 246
7.4 交換機，智駕域的“紅娘” 247
7.4.1 冗餘架構為什麽需要交換機 248
7.4.2 網絡分層模型 248
7.4.3 交換機的工作原理 250
7.4.4 交換機典型功能簡介 251
7.5 Hypervisor，艙駕融合路上的“務虛公子” 255
7.5.1 什麽是Hypervisor 256
7.5.2 汽車領域為什麽會擁抱Hypervisor 259
7.5.3 車載Hypervisor的技術要求 261
7.5.4 車載主流Hypervisor產品介紹 262
7.6 復雜工況和惡劣天氣，檢驗自動駕駛能力的“試金石” 263
7.6.1 復雜工況 264
7.6.2 惡劣天氣 266
7.7 系統設計，不同級別駕駛自動化系統誕生的第一步 270
7.7.1 回歸到本源 270
7.7.2 本源處求真 276
7.7.3 求真後妄語 278
7.8 本章小結 279
08 功能 280
8.1 ODC，自動駕駛法力邊界 280
8.1.1 ODC的作用 281
8.1.2 組成元素之ODD 282
8.1.3 組成元素之車輛狀態 289
8.1.4 組成元素之駕乘人員狀態 290
8.2 AEBS，自動駕駛演藝圈中喜歡喊“卡”的導演 291
8.2.1 法規、標準要求 291
8.2.2 技術要求 292
8.2.3 試驗要求 295
8.2.4 關鍵參數 299
8.3 泊車，後退即前進的自動駕駛哲學 302
8.3.1 L2自動泊車輔助 302
8.3.2 L2+遙控泊車輔助 303
8.3.3 L3記憶泊車輔助 304
8.3.4 L4自主代客泊車 306
8.3.5 L5的極致享受 308
8.4 遠程駕駛，自動駕駛全無人考捲上的一道“大題” 309
8.4.1 遠程駕駛作用 310
8.4.2 遠程駕駛架構 311
8.4.3 行業進展 314
8.5 編隊行駛，自動駕駛江湖的“共同富裕” 316
8.5.1 法規和標準 317
8.5.2 系統架構 317
8.5.3 功能場景 320
8.5.4 功能作用 322
8.5.5 技術難點 324
8.5.6 行業進展 324
8.6 單踏板模式，是天才設計還是瘋子挑釁 326
8.6.1 單踏板模式 326
8.6.2 動能回收系統 328
8.7 本章小結 332
第3篇 行業那些事兒
09 行業雜談 334
9.1 批評在左，敬畏在右 334
9.1.1 “圍牆”的批評 335
9.1.2 “敬畏”的思考 337
9.2 成本，自動駕駛身上的“遮羞布” 339
9.2.1 關於成本的兩種觀點 340
9.2.2 兩家低成本量產方案代表 341
9.2.3 成本競爭的影響 343
9.3 H2H模式，乾線物流自動駕駛的“局部最優解” 344
9.3.1 傳統的倉到倉模式 345
9.3.2 全新的H2H模式 347
9.3.3 H2H模式的踐行者 349
9.4 港口自動駕駛，是偽自動駕駛商用場景嗎 351
9.5 強雲強車，會是港口自動駕駛的終局嗎 358
9.5.1 港口自動駕駛的終局技術路線是什麽 358
9.5.2 港口自動駕駛是賠本賺吆喝，還是悶聲發大財 363
9.6 Argo AI，自動駕駛“拔苗助長”的一個悲劇 365
9.6.1 Argo AI的經歷 365
9.6.2 Argo AI的貢獻 368
9.6.3 Argo AI的教訓 370
9.7 重感知、輕地圖，是“師夷長技以制夷”嗎 371
9.7.1 重感知、輕地圖誕生的背景 372
9.7.2 重感知、輕地圖踐行者的眾生百態 374
9.8 架構妄語，來自食物鏈頂端的電子電氣架構工程師 378
9.8.1 “分久必合”的演進 379
9.8.2 電子電氣架構工程師的職責 380
9.8.3 “不負責任”的雜談 381
9.9 本章小結 382