无人车介绍--斯坦福的stanley

斯坦福的无人车Stanley是DARPA(the Defense Advanced Research Projects Agency) 2005挑战赛的冠军， 本文是Stanley论文[1]的归纳和简要分析, 包括系统的设计原则、模块组成，以及可预期的改进。

无人车是机器人的一种，同人一样需要感知、学习、规划、控制。DARPA 2005无人车挑战赛全长100多英里，包含多种地形地况，和现实道路驾驶不同的是，参与挑战赛的无人车都会有一份全局路线图，并提供静态环境(超车时被超车辆将被暂停)。

车辆组成

Stanely四轮驱动，车顶有5个不同倾角的激光测距器(用于25m内的地面检测)，1个彩色摄相机(用于长距路面检测)，2个测距雷达(用于长距障碍物检测,200m内)，一个GPS信号接收器，一个惯性测量单元(IMU)。车内若干计算机。

系统设计原则

1, 异步和去中心化。每个模块独立并同时工作，不同模块之间的消息通信以发布-订阅方式传播，减少死锁和响应延迟；
2, 有限状态管理；
3, 状态安全监控；
4, 模块调试独立化。

系统模块组成

如下图，系统包括:
1, 传感器接口(Sensor Interface, 包括所有系统输入:激光测距器、摄像机、测距雷达、车辆CAN、GPS信息);
2, 感知模块(Perception, 可行驶区域检测、障碍物检测、地面评测、车辆状态估计);
3, 规划和控制(Planning&Control, 路径规划、转向盘控制、油门/刹车控制);
4, 用户接口(User Interface, 手工驾驶);
5, 车辆接口(Vehicle Interface);
6, 全局服务(Global Service, 日志记录、状态监控)

车辆状态估计

车辆状态(15个变量）包括：位置3个(经纬度、高度)，速度3个，方向3个(滚转,俯仰,偏航:roll, pitch, yaw)，加速度计偏差3个(Accelerometer biases)，陀螺偏差3个(Gyro biases)。
车辆状态通过unscented Kalman filter[2]做非线性估计。

激光地面检测

Stanley通过激光器扫描而成的3D点阵图的近邻高度差来探测近距离的障碍物和可行驶区域。高度差等超参数可通过日志记录分析重演进行调节。

视觉地面检测

为了达到更宽的视野，更高的时速，Stanley将激光检测的可行驶区域延伸至摄像机获取的彩色照片。具体的，在照片近域圈定一块可行驶区域，使用GMM对该区域像素点建模，然后动态扩展至中远距离。这里的动态指GMM参数随着彩色照片内可行驶区域的延伸而动态调整，以适应光线和路面的变化。

道路属性检测

Stanley通过Kalman Filter估计道路边缘，并尽量保持中间行驶。并通过上述估计的车辆状态中的垂直加速度来判断颠簸程度，从而调节最大允许速度。

路径规划

由于比赛已经提供了路线图，Stanley不需要全局规划，但进行了路径平滑和实时避障规划。

实时控制

根据规划路径、速度限制、偏离程度进行速度控制和转向控制。

可预期的改进

Stanley的平均速度约是20英里每小时，中途还存在障碍物误报，定位精度有接近米的误差。由于Stanley是2005年研发的，后续的人工智能进展(如深度学习)可以使感知和定位精度提升。

[1] Thrun S, Montemerlo M, Dahlkamp H, et al. Stanley: The robot that won the DARPA Grand Challenge[J]. Journal of field Robotics, 2006, 23(9): 661-692.
[2] Julier S J, Uhlmann J K. New extension of the Kalman filter to nonlinear systems[C]//AeroSense 97. International Society for Optics and Photonics, 1997: 182-193.