冗余度:谁都不希望把自己的生命交付给一个/种传感器,万一它突然失效了呢?所谓的冗余度,也可以划分为硬件冗余,或软件冗余。
如图1中,前方的障碍物有4类传感器覆盖,这样*大程度上保证前方障碍物检测不会漏检或者虚警。这属于硬件冗余。
再比如车道线检测。现阶段大量的对车道线的检测均是基于视觉(此处不讨论基于激光的传感器),对它的冗余则遵循3选2,或少数服从多数的选择。通过多支算法来保证识别的正确性。
算法设计上用到Sensor Fusion,下图是CMU的多传感器融合的障碍物检测/跟踪框架[2]:
图5:CMU的障碍物检测、跟踪框架。主要分为两层,Sensor Layer负责收集各个传感器测量,并将其抽象为公共的障碍物特征表示;Fusion Layer接收障碍物特征表示,输出*终的障碍物结果(位置、速度、类别等)。
除了要保证覆盖和冗余度,当然在实际安装中,还要符合每个传感器和车辆的安装条件。比如把激光雷达放置在高处,增大了扫描的面积。
智能驾驶车辆的传感器中,以需要考虑因素较多的毫米波雷达布置为例进行介绍。
(1)正向毫米波雷达
正向毫米波雷达一般布置在车辆中轴线,外露或隐藏在保险杠内部。雷达波束的中心平面要求与路面基本平行,考虑雷达系统误差、结构安装误差、车辆载荷变化后,需保证与路面夹角的*大偏差不超过 5°。
另外,在某些特殊情况下,正向毫米波雷达无法布置在车辆中轴线上时,允许正 Y 向*大偏置距离为 300 mm,偏置距离过大会影响雷达的有效探测范围。
(2)侧向毫米波雷达
侧向毫米波雷达在车辆四角呈左右对称布置,前侧向毫米波雷达与车辆行驶方向成 45° 夹角,后侧向毫米波雷达与车辆行驶方向成 30° 夹角,雷达波束的中心平面与路面基本平行,角度*大偏差仍需控制在 5° 以内。
图 6:毫米波雷达位置