本文是无人驾驶技术系列的第十篇，着重介绍无人驾驶硬件平台设计。无人驾驶硬件系统是多种技术、多个模块的集成，主要包括：传感器平台、计算平台、以及控制平台。本文将详细介绍这三个平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。
图1 无人驾驶硬件平台范例
图2 各种传感器在无人驾驶中的应用
激光雷达的工作原理是利用可见和近红外光波（多为950nm波段附近的红外光）发射、反射和接收来探测物体。激光雷达可以探测白天或黑夜下的特定物体与车之间的距离。由于反射度的不同，也可以区分开车道线和路面，但是无法探测被遮挡的物体、光束无法达到的物体，在雨雪雾天气下性能较差。
激光雷达分类与产品
图3 激光雷达结构图
表1 Velodyne激光雷达详细数据
图4 Velodyne激光雷达
如果激光雷达要想在无人车上普及首先就应该降低价格。有两种解决办法：其一，采用低线数雷达配合其他传感器，但需搭配拥有极高计算能力系统的无人车；其二，采用固态激光雷达。激光雷达最贵的就是机械旋转部件，固态激光雷达无需旋转部件，采用电子设备替代，因而体积更小，方便集成在车身内部，系统可靠性提高，成本也可大幅降低。但由于缺乏旋转部件，水平视角小于180°，所以需要多个固态雷达组合一起配合使用才行。
在CES2016上展出的两款重量级产品，其一是来自Quanergy的“固态”Solid State雷射雷达S3，采取相控阵技术，内部不存在任何旋转部件，仅为一盒名片大小，单个售价初步定在250美元，量产后可能降至100美元；其二是由Velodyne与福特共同发布的混合固态雷射雷达VLP-16 PUCK，2020年计划量产价为500美元，2025年计划把成本控制在200美金以内。奥迪的无人驾驶汽车A7 Piloted Driving就采用了Ibeo和Valeo合作的Scala混合固态雷射雷达，在外观上看不到旋转部件，但内部仍靠机械旋转实现雷射扫描。此前国内雷达制造商速腾聚创宣布完成的16线激光雷达采用的也是混合固态的形式。固态雷达雷达产品则由于采用电子方案去除了机械旋转部件，因此具有低成本（几百美元级别）和体积小、可集成至传统车辆外观中的特点。行业对固态雷达的出现仍处观望态度，主要因为：首先，对成本是否能有如此大幅下降抱有疑问；其次，激光特性在大雾等天气仍然并不适用。
国内外制造现况
目前，激光雷达已被应用在某些无人驾驶试验车中：
国外激光雷达研发厂商比较有代表性的有 Velodyne、Ibeo和Quanergy，并且他们都背靠巨头。Velodyne成立于1983年，位于加州硅谷。当年美国举办的世界无人车挑战赛获得第一名和第二名的高校卡耐基梅隆大学和斯坦福大学，使用的就是Velodyne的激光雷达。目前其已有包括 Velodyne16、32、64线激光雷达三个系列。Ibeo 是无人驾驶激光雷达供应商，成立于1998年， 2010年和法雷奥合作开始量产可用于汽车的产品 ScaLa，其目前主要供应4线和8线的激光雷达。Quanergy位于加州硅谷硅谷中心，成立于2012 年，虽然相对“年轻”，但它造出了全球第一款固态激光雷达。
国内在激光雷达研发的企业则主要有北醒光子、思岚科技、镭神智能、速腾聚创、禾赛科技。其中，北醒光子目前的产品有三大系列：单线环境雷达DE-LiDAR 1.0、多线长距雷达DE-LiDAR 2.0 和固态雷达DE3.0系列（多线长距雷达目前正在研发，可做到8到32线）；镭神智能成立于2015年初，是一家提供中远距离脉冲测距激光雷达等产品及解决方案的公司；速腾聚创刚宣布完成其混合固态的16线激光雷达研发。
表2 Velodyne和Ibeo产品规格对比
毫米波雷达通过发射无线电信号（毫米波波段的电磁波）并接收反射信号来测定汽车车身周围的物理环境信息（如汽车与其他物体之间的相对距离、相对速度、角度、运动方向等），然后根据所探知的物体信息进行目标追踪和识别分类，进而结合车身动态信息进行数据融合，完成合理决策，减少事故发生几率。
毫米波雷达的工作频段为30～300GHz毫米波，毫米波的波长为波长为1～10mm，介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点。雷达测量的是反射信号的频率转变，并计算其速度变化。雷达可以检测30-100米远的物体，高端的雷达能够检测到很远的物体。同时，毫米波雷达不受天气状况限制，即使是雨雪天都能正常运作，穿透雾、烟、灰尘的能力强。具有全天候、全天时的工作特性，且探测距离远，探测精度高，被广泛应用于车载距离探测，如自适应巡航、碰撞预警、盲区探测等。
图5 毫米波雷达应用范围
毫米波雷达分类
图6 中距和短距雷达空间分辨率对比
为完全实现ADAS各项功能一般需要“1长+4中短”5个毫米波雷达，目前全新奥迪A4采用的就是 “1长+4短”5个毫米波雷达的配置。以自动跟车型ACC功能为例，一般需要3个毫米波雷达。车正中间一个77GHz的LRR，探测距离在150-250米之间，角度为10度左右；车两侧各一个24GHz的 MRR，角度都为30度，探测距离在50-70米之间。图7是奔驰的S级车型，采用的是7个毫米波雷达（1长+6短）。
图7 毫米波雷达在无人驾驶中的使用
表3 中长距和短距雷达参数对比
毫米波雷达国内外制造现况
全球汽车毫米波雷达主要供应商为传统汽车电子优势企业，如博世、大陆、Hella、富士通天、电装、TRW、德尔福、Autoliv、法雷奥等传统优势企业。
图8 毫米波雷达主要供应商
其中，博世核心产品是长距离毫米波雷达，主要用于ACC系统；最新产品LRR4可以探测250米外的车辆，是目前探测距离最远的毫米波雷达；市场占有率最高，但客户集中在奥迪和大众。大陆客户分布广，产品线齐全，主力产品为24GHz毫米波雷达，并且在Stop & Go ACC领域占有率极高。Hella在24GHz-ISM领域客户范围最广，24GHz雷达传感器下线1000万片，出货量达650万片，市场占有率全球第一。第四代24GHz雷达传感器将在2017年中投入全球化生产。富士通天和电装主要占据日本市场，其中富士通天略胜一筹。富士通天、松下和电装是未来79GHz雷达市场领域的强者。
图9 国内森思泰克和纳雷科技主要雷达产品
表4 各个主要厂商主要产品毫米波雷达
车载摄像头的大致原理是：首先，采集图像进行处理，将图片转换为二维数据；然后，进行模式识别，通过图像匹配进行识别，如识别车辆行驶环境中的车辆、行人、车道线、交通标志等；接下来，依据物体的运动模式或使用双目定位，以估算目标物体与本车的相对距离和相对速度。
相比于其他传感器，摄像头最为接近人眼获取周围环境信息的工作模式，可以通过较小的数据量获得最为全面的信息，同时因为现在的摄像头技术比较成熟，成本可较低。但是，摄像头识别也存在一定局限性，基于视觉的解决方案受光线、天气影响大；同时，物体识别基于机器学习资料库，需要的训练样本大，训练周期长，也难以识别非标准障碍物；同时，由于广角摄像头的边缘畸变，得到的距离准确度较低。
表5 摄像头的应用场景
根据不同ADAS功能的需要，摄像头的安装位置也有不同。主要分为前视、后视、侧视以及内置。实现自动驾驶时全套ADAS功能将安装6个以上摄像头。
图10 无人车摄像头方位设置
前视摄像头一般采用55度左右的镜头来得到较远的有效距离，有单目和双目两种解决方案。双目需要装在两个位置，成本较单目贵50%。环视使用的是广角摄像头，通常在车四周装备四个进行图像拼接实现全景图，通过辅助算法可实现道路线感知。后视采用广角或者鱼眼镜头，主要为倒车后视使用。侧视一般使用两个广角摄像头，完成盲点检测等工作，也可代替后视镜，这一部分功能也可由超声波雷达替代。内置使用的也是广角镜头，安装在车内后视镜处，完成在行驶过程中对驾驶员的闭眼提醒。其中，前视摄像头可以实现ADAS主动安全的核心功能如车道偏离预警、车辆识别应用、车辆识别、行人识别、道路标识识别等，未来将是自动紧急刹车（AEB）、自适应巡航（ACC）等主动控制功能的信号入口，安全等级较高，应用范围较广，是目前开发的热点。
表6 按功能需求的摄像头划分
车载摄像头在工艺上的首要特性是快速，特别是在高速行驶场合，系统必须能记录关键驾驶状况、评估这种状况并实时启动相应措施。在140km/h的速度，汽车每秒要移动40米。为避免两次图像信息获取间隔期间自动驾驶的距离过长，要求相机具有最慢不低于30帧/秒的影像捕捉速率，在汽车制造商的规格中，甚至提出了60帧/秒和120帧/秒的要求。在功能上，车载摄像头需要在复杂的运动路况环境下都都能保证采集到稳定的数据。具体表现为：
图11 各种无人驾驶应用摄像头
根据IHS Automotive预测，车载摄像头系统出货量有望在2021年达到7400万套/年。国内行业龙头优势地位明显，如舜宇光学车载后视镜头出货量目前居全球第1位，全球市场占有率达30%左右，产品包括前视镜头、后视镜头、环视镜头、侧视镜头、内视镜头等。客户遍及欧美、日韩和国内。具体的型号包括有：4005、4408、4009、4017、4017、4034、4043、4044等。以4005与4043为例，其规格参数见表7。
表7 按功能需求的摄像头划分
GPS在复杂的动态环境中，尤其在大城市，其多路径反射的问题很显著，导致获得的GPS定位信息很容易产生几米的误差。另外，由于GPS的更新频率低（10Hz），在车辆快速行驶时很难给出精准的实时定位。单纯依赖GPS的导航很有可能导致交通事故。因此GPS通常辅助以惯性传感器（IMU）用来增强定位的精度。IMU是检测加速度与旋转运动的高频（1KHz）传感器，但IMU自身也有偏差积累与噪音等问题影响结果。通过使用基于卡尔曼滤波的传感器融合技术，我们可以融合GPS与IMU数据，结合GPS的定位精度高和误差无积累的特点，与IMU的自主性和实时性的优点。一方面可以实现导航设备之间优势互补，增强系统适应动态的能力，并使整个系统获得优于局部系统的精度；另一方面提高了空间和时间的覆盖范围，从而实现真正意义上的连续导航。因此，GPS/IMU组合的优势在于：
IMU惯性器件的标定技术由于加速度计、陀螺仪等惯性器件本身存在缺陷，会产生一些器件误差，如标度因数误差等。另外，在对IMU进行集成的时候，各个器件之间的非正交安装会引起交叉耦合误差。以上这些误差可以通过器件标定来加以补偿,以达到提高其精度的目的。
图12 NovAtel两款GPS/IMU产品
当硬件传感器接收到环境信息后，数据会被导入计算平台，由不同的芯片进行运算。计算平台的设计直接影响到无人驾驶系统的实时性以及鲁棒性。本节将深入了解无人驾驶计算平台。
为了了解无人驾驶计算平台的要点，我们来看一个行业领先的某四级无人驾驶公司现有的计算平台硬件实现。为了了解芯片制造商将如何解决这些问题，我们来看现有的不同芯片制造商所提供的无人驾驶计算解决方案。
这个四级无人驾驶公司的计算平台由两计算盒组成。每个计算盒配备了一颗英特尔至强E5处理器（12核）和四到八颗NVIDIA K80 GPU加速器，彼此使用PCI-E总线连接。CPU运算峰值速度可达400帧/秒，消耗400W的功率。每个GPU运算峰值速度可达8Tops/s，同时消耗300W的功率。因此，整个系统能够提供64.5 TOP/S的峰值运算能力，其功率需求为3000W。计算盒与车辆上安装的十二个高精度摄像头相连接，以完成实时的物体检测和目标跟踪任务。车辆顶部还安装有一个激光雷达装置以完成车辆定位及避障功能。为了保证可靠性，两个计算盒执行完全相同的任务。一旦第一个计算盒失效，第二个计算盒可以立即接管。在最坏的情况下两个计算盒都在计算峰值运行，这意味着将产生超过5000瓦的功耗并急聚大量的热量，散热问题不容忽视。此外，每个计算盒的成本预计为2至3万美元，这是普通消费者根本无法承受的整体解决方案。
接下来，我们将分别介绍现有的针对无人驾驶的计算解决方案。
基于GPU的计算解决方案
图13 NVIDIA PX2
基于DSP的解决方案
图14 TI TDA2
基于FPGA的解决方案
图15 Altera Cyclone V
基于ASIC的解决方案
图16 MobilEye EyeQ5
我们尝试对以下问题形成一些初步认识：
计算单元与计算负载的匹配
我们试图了解哪些计算单元最适合执行卷积和特征提取类应用，这是无人驾驶场景中最计算密集型工作负载。我们在现有的ARM SOC上完成了实验验证，此ARM SOC一个四核CPU、GPU、 DSP组成。为了研究研究各种异构硬件的能耗与性能行为，我们分别在CPU、GPU、DSP实现并优化了特征提取和卷积这两类计算负载，同时测量了芯片级能耗。
首先，我们分别在CPU、GPU、DSP实现了卷积应用，这是在对象识别和目标跟踪任务中最常用、计算也最为密集的阶段。当在CPU上运行时，每次卷积大约需要8毫秒来完成，能耗为20MJ；在DSP上运行时，每次卷积需要5毫秒来完成，能耗为7.5MJ；在GPU运行时，每次卷积只需要2毫秒来完成，能耗也仅需4.5MJ。这表明，无论是性能和能耗表现，GPU是执行卷积任务最有效的计算单元。
接下来，我们实现了分别在CPU、GPU、DSP特征提取应用。特征提取为无人驾驶的定位产生特征点，这是定位阶段计算量最大的工作负载：在CPU上运行时，每个特征提取的任务大约需要20毫秒来完成，耗能50MJ；在GPU上运行时，每个特征提取的任务需要10毫秒来完成，耗能22.5 MJ；在DSP中运行时，每个特征提取的任务仅需要4毫秒，仅消耗6MJ。这些结果表明，从性能和能耗的角度出发，DSP是特征提取最有述分析，这是因为对GPU和DSP这类专注于并行的硬件而言，上述任务侧重于控制逻辑因为得不到高效执行。
移动处理器上的无人驾驶？
图17 无人驾驶的Mobile SOC设计
令人惊讶的是，实验数据证明，无人驾驶系统在ARM SOC上运行的性能并不差。定位流水线每秒可处理25帧图像，图像生成速度为每秒30帧图像，这说明产生的图像大部分可以得到及时处理，不会产生大规模的丢帧。深度学习流水线每秒能够执行2到3个目标识别任务。规划和控制流水线目标是在6MS内完成路径规划。当使用ARM移动端SOC进行无人驾驶时，我们能够以5英里/小时的速度行驶车辆，并且不损失任何定位信息；同时，整个SOC平均功耗为11W。移动SoC的硬件资源有限，能够支持有限范围内的无人驾驶系统确实是非常令人惊喜的发现。这说明如果增加更多的计算资源，硬件平台就能够处理更多的数据，并支持车辆以更快的速度行驶，最终满足产品级无人驾驶系统的需要。
控制平台是无人车的核心部件，控制着车辆的各种控制系统，包括汽车防抱死制动系统（ABS）、汽车驱动防滑转系统（ASR）、汽车电子稳定程序（ESP）、电子感应制动控制系统（SBC）、电子制动力分配（EBD）、辅助制动系统（BAS）、安全气囊（SRS）和汽车雷达防碰撞系统、电控自动变速器（EAT）、无级变速器（CVT）、巡航控制系统（CCS）、电子控制悬架（ECS）、电控动力转向系统（EPS）等等。控制平台主要包括了电子控制单元ECU与通信总线两大部分：ECU主要实现控制算法，通信总线主要实现ECU以及机械部件间的通信功能。接下来我们详细介绍一下控制平台。
ECU（Electronic Control Unit）电子控制单元，俗称“车载电脑”。是汽车专用微机控制器，也叫汽车专用电脑。发动机工作时，ECU采集各传感器的信号，进行运算，并将运算的结果转变为控制信号，控制被控对象的工作。固有程序在发动机工作时，不断地与采集来的各传感器的信号进行比较和计算。把比较和计算的结果控制发动机的点火、怠速、废气再循环等多项参数的控制。它还有故障自诊断和保护功能。存储器也会不停地记录行驶中的数据，成为ECU的学习程序，为适应驾驶习惯提供最佳的控制状态，这叫自适应程序。在高级轿车上，有不止一只ECU，如防抱死制动系统、四轮驱动系统、电控自动变速器、主动悬架系统、安全气囊系统、多向可调电控座椅等都配置有各自的ECU。随着轿车电子化自动化的提高，ECU将会日益增多，线路会日益复杂。宝马、奔驰和奥迪三大车厂各系列高阶车款皆已包含超过一百个电子控制单元（ECU）。ECU的电压工作范围一般在6.5-16V（内部关键处有稳压装置）、工作电流在0.015-0.1A、工作温度在-40~80℃, 能承受1000Hz以下的振动，损坏率非常小。
ECU从用途上讲是汽车专用微机控制器，也叫汽车专用单片机。它和普通的单片机一样，由微处理器（CPU）、存储器（ROM、RAM）、输入/输出接口（I/O）、模数转换器（A/D）以及整形、驱动等大规模集成电路组成。存储器ROM中储存的是一套固定的程序，该程序是经过精确计算和大量实验取的数据为基础。固有程序在发动机工作时，不断地与采集来的各传感器的信号进行比较和计算，然后输出指令，以控制发动机的点火、空燃比、怠速、废气再循环等多项参数的设置，判断是否需要改变的喷油量多少，点火正时是需要提前还是延后，气门开度的大小等 。
详细来说，当发动机启动时，电控单元进入工作状态，某些程序从ROM中取出，进入CPU，这些程序专用于控制点火时刻、控制汽油喷射、控制怠速等等。执行程序中所需的发动机信息，来自各个传感器。这些传感器信号一经采集首先进入输入回路接受处理，如果是模拟信号，则需先经过A/D转换器转换成数字信号。大多数传感器信息将先暂存在RAM内，然后根据程序处理顺序由从RAM送至CPU。接下来是将存储器ROM中的参考数据引入CPU，与传感器输入数据进行比较。CPU在完成对这些数据比较运算后，作出决定并发出指令信号，经I/O接口进行放大，必要的信号还经D/A转换器变成模拟信号，最后经输出回路控制执行器动作。
随着轿车电子化自动化的提高，ECU将会日益增多，目前高端汽车在总计100多个ECU系统中包含多达200个微处理器。这数百个ECU，在汽车内部组成了一个区域网。一个ECU发出的数据包，所有的节点都会接收到，但只有承担该数据包任务的节点，才会去执行命令。举个例子，比如刹车灯。当监控刹车踏板的ECU，监测到踏板行程有变动时，就会通知监测尾灯的ECU。此时，该ECU控制尾灯，并将其通电点亮。这一个简单的操作，其实背后有至少2个ECU的配合。要让所有的这些ECU之间相互配合，就需要采用一种称为多路复用通信网络协议进行信息传递, 控制器区域网（Controllers Area Network，CAN）总线是其中之一。
借助CAN协议，汽车内部的数百个ECU可以组建一个区域网, 有效地解决线路信息传递所带来的复杂化问题。通用、沃尔沃、特斯拉等车型支持远程控制，其原理就是手机发出的指令先到达伺服器，然后被转发到车载通讯模块。车载通讯模块接收到指令后，再通过CAN总线将指令传达到各个ECU。
为了弥补CAN协议在某些方面的不足，汽车工业还研发出了很多其他协议，比如LIN协议。相比CAN，LIN的带宽要更小，承载的数据量更少，但同时成本也更低，适合应用于一些简单的ECU中，比如车窗升降等。随著技术进步，汽车内部的数据量暴增。尤其是大萤幕的普及和流媒体技术的介入，让CAN总线在某些时候“力不从心”，已无法胜任工作。于是，更高级的通讯协议问世了，比如MOST、FlexRay、乙太网等。这些协议标准，拥有更大的带宽与更强的稳定性。其中，MOST是一种高速多媒体传输接口，专门为汽车内部的一些高码率音频、视频提供传输。FlexRay也是一种高速协议，但不仅限于多媒体传输。在自动驾驶的奥迪A7中，位于后备箱的车载CPU（奥迪称之为zFAS）模组，就是依靠FlexRay协议来读取前置摄像头捕捉的数据。
EUC的主要生产厂商包括有博世（BOSCH）、德尔福（DELPHI）、马瑞利（MARELLI）、日立（Hitachi）、大陆（Continental）、日本电装（DENSO）等。主要产品包括有：博世的M7、M7.9.7、M7.9.7.1、ME7、ME7.9.7、ME7.8.8、EDC16、054K0；德尔福的MT20U2、MT20U、MT20、MR140、MT80、ITMS-6F；日立/电装的69J0、69EB、77J0、3601015A28K；西门子SIM2K-34、SIM2k-51.4、SIM2k-D51、SIMK43等系列。
CPU是ECU中的核心部分，它具有运算与控制的功能，发动机在运行时，它采集各传感器的信号，进行运算，并将运算的结果转变为控制信号，控制被控对象的工作。它还实行对存储器（ROM、RAM）、输入/输出接口和其他外部电路的控制。Power Train ECU采用的CPU基本来自于Infineon、ST、Freescale。BOSCH的16位ECU M(E)7系列早期主要使用Infineon C167内核的CPU。之后ST为BOSCH定制了ST10系列CPU，价格上更有优势，因此BOSCH后期的16位ECU都基本上采用ST10系列CPU。BOSCH的32位ECU ME9系列主要使用Freescale的PowerPC内核的CPU MPC55系列。ME9主要在美国市场上销售的MED17系列则使用Infineon的Tricore内核CPU TC17xx。MED17系列ECU有好多分枝，分别使用不同型号的TC17xx CPU。MEDC18系列依然沿用PowerPC路线，选择了选择ST和Freescale两家供应商，使用了Freescale的XPC56系列CPU以及ST的SPC56系列CPU。车身ECU的则选择更多，Infineon、ST、Freescale、NEC和瑞萨电子都提供相关CPU的支持。
图18 车用通信总线
下面我们主要了解下局部互联协议LIN，控制器局域网CAN，以及高速容错网络协议FlexRay。
局部互联协议LIN
LIN是面向汽车低端分布式应用的低成本，低速串行通信总线。它的目标是为现有汽车网络提供辅助功能，在不需要CAN总线的带宽和多功能的场合使用，降低成本。LIN相对于CAN的成本节省主要是由于采用单线传输、硅片中硬件或软件的低实现成本和无需在从属节点中使用石英或陶瓷谐振器。这些优点是以较低的带宽和受局限的单宿主总线访问方法为代价的。LIN采用单个主控制器多个从设备的模式，在主从设备之间只需要1根电压为12伏的信号线。这种主要面向“传感器/执行器控制”的低速网络，其最高传输速率可达20Kb/S，主要应用于电动门窗、座椅调节、灯光照明等控制。典型的LIN网络的节点数可以达到12个。以门窗控制为例，在车门上有门锁、车窗玻璃开关、车窗升降电机、操作按钮等，只需要1个LIN网络就可以把它们连为一体。而通过CAN网关，LIN网络还可以和汽车其他系统进行信息交换，实现更丰富的功能。
图19 LIN总线
控制器局域网CAN
在当前的汽车总线网络市场上，占据主导地位的是CAN总线。CAN总线是德国博世公司在20世纪80年代初为了解决现代汽车中众多的控制与测试仪器之间的数据交换问题而开发的一种串行数据通讯协议。它的短帧数据结构、非破坏性总线性仲裁技术及灵活的通讯方式适应了汽车的实时性和可靠性要求。CAN总线分为高速和低速两种，高速CAN最高速度为1Mbps（C类总线），低速CAN为250Kbps（B类总线）。
图20 CAN总线
CAN总线一般为线型结构，所有节点并联在总线上。当一个节点损坏时，其他节点依然能正常工作。但当总线一处出现短路时，整个总线便无法工作。CAN总线是采用CSMA/CA（Carrier Sense Multiple Access with Collision Avoidance）机制。各节点会一直监听总线，发现总线空闲时便开始发送数据。当多个节点同时发送数据时，会通过一套仲裁机制竞争总线。每个节点会先发送数据的ID，ID越小表示优先级越大，优先级大的会自动覆盖小的ID。当节点发现自己发送的ID被覆盖掉时，就知道有比他优先级更高的消息正在被发送，便自动停止发送。优先级最高的消息获得总线使用权，开始发送数据。当高优先级的数据包发送完后，各节点便又尝试竞争总线。如此反复下去。这样能最大程度的利用总线。弊端是会有时效延迟，优先级越低的数据包，可能需要等待的时间越长。从这点上来讲，CAN总线不是一种实时总线。当CAN总线有节点发现当前发送的数据有误时，会发送错误帧告知总线上的所有节点。发送错误数据的节点会重发。每个节点都有一个错误计数器。当一个节点总是发送或接收错误超过一定次数时，会自动退出总线。
高速容错网络协议FlexRay
图21 FlexRay总线
FlexRay总线用的是TDMA（Time Division Multiple Access）和FTDMA（Flexible Time Division Multiple Access）两种周期通信方法。FlexRay将一个通信周期分为静态部分、动态部分、网络空闲时间。静态部分使用TDMA方法，每个节点会均匀分配时间片，每个节点只有在属于自己的时间片里面才能发送消息，即使某个节点当前无消息可发，该时间片依然会保留（也就造成了一定的总线资源浪费）。在动态部分使用FTDMA方法，会轮流问询每个节点有没有消息要发，有就发，没有就跳过。静态部分用于发送需要经常性发送的重要性高的数据，动态部分用于发送使用频率不确定、相对不重要的数据。当FlexRay总线通信过程中出现数据错误时，该周期里接收到的所有数据都会被丢弃掉，但没有重发机制。所有节点会继续进行下一个周期的通信。FlexRay同样也有错误计数器，当一个节点发送接收错误过多时会被踢出总线。
FlexRay具有高速、可靠及安全的特点。FlexRay在物理上通过两条分开的总线通信，每一条的数据速率是10MBit/s。FlexRay还能够提供很多网络所不具有的可靠性特点。尤其是FlexRay具备的冗余通信能力可实现通过硬件完全复制网络配置，并进行进度监测。FlexRay同时提供灵活的配置，可支持各种拓扑，如总线、星型和混合拓扑。FlexRay本身不能确保系统安全，但它具备大量功能，可以支持以安全为导向的系统（如线控系统）的设计。
宝马公司在07款X5系列车型的电子控制减震器系统中首次应用了FlexRay技术。此款车采用基于飞思卡尔的微控制器和恩智浦的收发器，可以监视有关车辆速度、纵向和横向加速度、方向盘角度、车身和轮胎加速度及行驶高度的数据，实现了更好的乘坐舒适性以及驾驶时的安全性和高速响应性，此外还将施加给轮胎的负荷变动以及底盘的振动均减至最小。
如果说算法是无人驾驶的灵魂，那么硬件平台就是无人驾驶的肉体。一个没有肉体的灵魂也只是孤魂野鬼而已。再高大上的算法也需要实现在硬件平台上才有实用价值。而硬件平台的设计直接决定了无人驾驶对环境的感知能力，计算性能与能耗，鲁棒性，安全性等。而无人驾驶的硬件平台又分为传感器平台、计算平台、以及控制平台三大部分。本文详细介绍这三种平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。
1Localization 高精度定位方案 GPS定位：精度不高（Meter level）；RTK定位：精度较高（10 CM level），但需要在靠近基站的范围内精度才能得到保证（10英里）；由于GPS和RTK都是基于实时计算的方案，所以存在跳变的可能，因此需要加入IMU解决跳变问题。在没有GPS信号的地方需要Point cloud Localization（精度高CM level、成本也高）或...
无人驾驶技术概述（一） L4系统架构 硬件概述 Apollo为例 硬件 1.感知传感器 摄像头，激光雷达，毫米波雷达，超声波 2.定位传感器 IMU，200HZ GNSS（GPS,北斗，伽利略）（分米级），无人车一般使用RTK(载波相位差分技术)定位（两个） ，10HZ 3.车载计算单元（IPC，工控机） 4.线控系统（整个车体） 软件 1）RTOS操作系统（对应到手机linux） 2）frame...
无人驾驶开源仿真平台整理 Carla 介绍 个人体验 项目概况 AirSim 介绍 项目概况 Udacity self-driving-car-sim 介绍 个人体验 项目概况 Apollo 介绍 项目概况 Autoware 介绍 项目概况 盘点几款在无人驾驶研究中可以使用的开源模拟平台，包括Carla、AirSim、Udacity self-driving car simulator、Apoll...
课程简介 课程讲解控制理论以及控制技术在Apollo无人驾驶中的应用、控制技术在目前无人车方案中的限制以及未来的发展，控制技术与无人车其他技术模块的联动。 本次课程的知识点有：控制理论、反馈信息、Planning、时域、频域、控制量。 控制模块根据预测的轨迹和估计的车辆状态向油门、刹车或转向扭矩发送适当的命令。控制模块使汽车尽可能接近计划的轨迹。控制器参数可以通过最小化理想状态和观测状态之间的误差...
无人驾驶传感器之超声波uss篇 1、uss简介 超声波是无人驾驶中最常用到的传感器，即使在目前很多ADAS上或者l1、l2、l2.5的车上也使用了很多，例如我们最常见的倒车雷达，这就是使用了超声波，超声波可以探测到对应方向的最近障碍物距离，且造价相对便宜，是车上最易大规模使用的传感器。广泛用于倒车雷达、自动泊车、盲区检测等功能。 超声波雷达测距的基本原理其实就是通过声音在空气中传输的时间来进行障碍...
无人驾驶路径规划之RRT算法 简介 快速搜索随机树(RRT-Rapidly-ExploringRandom Trees)是一种常见的用于机器人路径规划的方法，他的原始算法思想很简单，以一个初始点作为根节点，通过随机采样增加叶子节点的方式，生成一个随机扩展树，当随机树中的叶子节点包含了目标点或进入了目标区域，便可以在随机树中找到一条由从初始点到目标点的路径。 相对于其它传统的路径规划算法，RRT通过...
RED Board将于下月进入indiegogo众筹。 科技，高端炫酷；创新，新鲜时尚；冒险，安全刺激；娱乐，奇幻乐趣。 如果说有什么东西能将这四个词集为一身，圣创智能科技的创始人&CEO刘圣佳认为，非电动滑板莫属。 年轻的学生创业者，总有着与众不同的兴趣和动力 可以说，刘圣佳是镁客君采访过的最年轻的创业者了，因为目前的她还是一位哈尔滨工业大学物联网工程专业的大四学生。然而，早在刘圣佳大一...
相信大家都知道备份工作文件的重要性，而 macOS 系统中最重要和实用的系统和文件备份功能便是 Time Machine 了，也有很多 Mac 用户直接使用它来进行日常备份。但备份归备份，真出意外时是否能够正常恢复反而成了很多个人用户所忽略的重点。 一般运维工程师或 IT Pro 在设计和实施数据备份解决方案时，通常都会定期做灾难恢复演练，以保证备份数据的可用性和可靠性。但最近被 Gitlab 运...
I am writing a small tool to automate some trivial tasks in SQL Server 2008 R2 (if it matters). One of the features it needs to do is read a csv file of users and passwords, and create logins in SQL S...
Is it possible in Windows Forms to constrain input to is data type. For instance if i want to insert a Date in a Textbox, i be limited to use only this chars [0-9,/] Is there a easy and fast way to do...
I have a little error with a script I wrote in bash and I can't figure out what's I'm doing wrong note that I'm using this script for thousands of calculations and this error happened only a few times...
Hello guys and developers and thanks to be here. I'm making an app for just personal use to wake up the screen of my device when volume buttons are pressed. I actually know how to intercepted the volu...