圖1 無人駕駛系統架構圖

　　算法子系統從傳感器原始數據中提取有意義的信息以了解周遭環境情況，并根據環境變化做出決策。Client子系統融合多種算法以滿足實時性與可靠性的要求。舉例來說，傳感器以60HZ的速度產生原始數據，Client子系統需要保證最長的流水線處理周期也能在16ms內完成。云平臺為無人車提供離線計算以及存儲功能。通過云平臺，我們能夠測試新的算法、更新高精度地圖并訓練更加有效的識別、追蹤、決策模型。

　　無人駕駛算法

　　算法系統由幾部分組成：第一，傳感并從傳感器原始數據中提取有意義信息；第二，感知，以定位無人車所在位置以及感知現在所處的環境；第三，決策，以可靠安全抵達目的地。

　　傳感

　　通常來說，一輛無人駕駛汽車裝備有許多不同類型的主傳感器。每一種類型的傳感器都各有優劣，因此，來自不同傳感器的傳感數據應該有效地進行融合。現在無人駕駛中普遍使用的傳感器包括以下幾種。

　　GPS/IMU：通過高達200Hz頻率的全球定位和慣性更新數據以幫助無人車完成自我定位。GPS是一個相對準確的定位用傳感器，但是它的更新頻率過低，僅僅有10HZ，不足以提供足夠實時的位置更新。IMU的準確度隨著時間降低，在長時間內并不能保證位置更新的準確性，但是，它有著GPS所欠缺的實時性，IMU的更新頻率可以達到200HZ或者更高。通過整合GPS與IMU，我們可以為車輛定位提供既準確又足夠實時的位置更新。

　　LiDAR：激光雷達可被用來繪制地圖、定位以及避障。雷達的準確率非常高，因此在無人車設計中雷達通常被作為主傳感器使用。激光雷達是以激光為光源，通過探測激光與被探測無相互作用的光波信號來完成遙感測量。激光雷達可以用來產生高精度地圖，并針對高精地圖完成移動車輛的定位；以及滿足避障的要求。以Velodyne 64-束激光雷達為例，它可完成10HZ旋轉并每秒可達到130萬次讀數。

　　攝像頭：被廣泛使用在物體識別以及物體追蹤等場景中，像是車道線檢測、交通燈偵測、人行道檢測中都以攝像頭為主要解決方案。為了加強安全性，現有的無人車實現通常在車身周圍使用至少八個攝像頭，分別從前、后、左、右四個維度完成物體發現、識別、追蹤等任務。這些攝像頭通常以60HZ的頻率工作，當多個攝像頭同時工作時，將產生高達1.8GB每秒的巨數據。

　　雷達和聲吶：雷達通過把電磁波能量射向空間某一方向，處在此方向上的物體反射碰到的電磁波；雷達再接收此反射波，提取有關該物體的某些信息（目標物體至雷達的距離，距離變化率或徑向速度、方位、高度等）。雷達和聲吶系統是避障的最后一道保障。雷達和聲吶產生的數據用來表示在車的前進方向上最近障礙物的距離。一旦系統檢測到前方不遠有障礙物出現，則有極大的相撞危險，無人車會啟動緊急剎車以完成避障。因此，雷達和聲吶系統產生的數據不需要過多的處理，通常可直接被控制處理器采用，并不需要主計算流水線的介入，因為可實現轉向，剎車、或預張緊安全帶等緊急功能。

　　感知

　　在獲得傳感信息之后，數據將被推送至感知子系統以充分了解無人車所處的周遭環境。在這里感知子系統主要做的是三件事：定位、物體識別以及物體追蹤。

　　圖2 基于GPS/IMU的定位

　　定位

　　GPS以較低的更新頻率提供相對準確的位置信息；IMU則以較高的更新頻率提供準確性偏低的位置信息。我們可使用卡爾曼濾波來整合兩類數據各自的優勢，合并提供準確且實時的位置信息更新。如圖2所示，IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。所幸的是，每100ms可以得到一次GPS數據更新，以幫助我們校正IMU積累的誤差。因此，我們最終可以獲得實時并準確的位置信息。然而，我們不能僅僅依靠這樣的數據組合以完成定位工作。原因有三：其一，這樣的定位精度僅在一米之內；其二，GPS信號有著天然的多路徑問題將引入噪聲干擾；其三，GPS必須在非封閉的環境下工作，因此在諸如隧道等場景中GPS都不適用。