无人行车重要考虑因素

目标跟踪可用于跟踪附近的车辆或道路上的行人，以确保无人行车汽车在行驶时不会与其他移动物体发生碰撞。近年来，与传统的计算机视觉技术相比，深度学习技术显示出极大的优势。通过使用辅助的自然图像，离线训练过程可以从中学习图像的共同属性，以避免视点和车辆位置的变化引起的偏差。离线训练的模型直接应用于在线对象跟踪。

车辆驾驶的主要测试是驾驶员如何应对其他驾驶车辆的可能行为。这种预判直接影响到驾驶员自身的驾驶决策，尤其是在多车道环境或红绿灯变化时，驾驶员的预判决定了下一秒行车的安全性。因此，在向无人行车系统过渡的过程中，决策模块如何根据周围车辆的行驶状况来决定下一秒的行驶行为是非常重要的。为了预测其他车辆的驾驶行为，可以使用随机模型来生成这些车辆的可到达位置集合，并且可以使用概率分布方法来预测每组可到达位置的关联概率。

动态环境下无人行车的路径规划是一件非常复杂的事情，尤其是当车辆全速行驶时，不正确的路径规划可能会导致致命的伤害。路径规划中采用的一种方法是使用完全确定性模型，该模型搜索所有可能的路径并通过成本函数确定最佳路径。然后，完全确定模型对计算的要求很高，很难在导航过程中实现实时效果。为了避免计算复杂度并提供实时路径规划，使用概率模型已成为主要优化方向。

安全是无人行车中重要的考虑因素，我们会使用至少两级的避障机制来保证车辆在行驶过程中不会与障碍物发生碰撞。第一层次是基于交通状况预测的前瞻性层次。交通状况预测机制根据拥堵、车速等现有交通状况，估计碰撞发生时间、最短预测距离等参数。基于这些估计，将激活避障机制以执行局部路径重新规划。如果前瞻层预测失败，第二级实时反应层将再次使用雷达数据进行局部路径重新规划。一旦雷达检测到路径前方的障碍物，它将立即避开它。

无人行车雷达将电磁波的能量发空间中的某个方向，该方向的物体反射电磁波，雷达接收反射波提取物体的一些相关信息，包括目标雷达的对象。距离、距离或径向速度的变化率、方位、高度等。雷达和声纳系统是避障的最后保证。来自雷达和声纳的数据用于表示在汽车行驶方向上到最近障碍物的距离。一旦系统检测到前方不远处有障碍物，就有很大的碰撞危险，无人车会启动紧急刹车，完成避障。因此，雷达和声纳系统生成的数据不需要大量处理，通常可以直接由控制处理器使用，无需主计算管道的干预，从而实现转向、制动或座椅预紧等紧急功能腰带。