福建智能驾驶合作商

智能驾驶系统
智能驾驶系统是一个集中运用了先进的信息控制技术，剧本环境感知、多等级辅助驾驶等功能于一体的综合系统。智能驾驶系统作为各国重点发展的智能交通系统中的一部分，仍在不断的探索与实验中 。
系统逻辑结构
按照递阶控制结构理论及交通系统的层次性结构特性，可将基于互联网思维

数据流模型
应用的智能驾驶系统的逻辑框架自下而上划分为：感知层、网络层、分析层和应用层。
（1）感知层具体解释为采集驾驶员的行驶过程中涉及到的驾驶信息。
（2）网络层具体解释为驾驶信息的传输、调度、存储。
（3）分析层具体解释为驾驶信息的后台大数据处理技术。
（4）应用层具体解释为数据分析结果的反馈控制及其应用。
1系统数据流构成及其分析
结合系统上述的逻辑结构，具体对数据流模型进行分析，模型设计如图1所示。
1.1感知层介绍
感知层，即数据采集层，主要由影响驾驶的各要素信息构成，即人、车、路的信息采集及三者信息的相互联系与交叉影响，主要可以分为以下两点：
（1）路况信息的采集，如道路几何构造，路面状况，道路灾害，路网条件及交通状况等，一般可通过GPS或北斗系统等高精度导航系统进行采集。
（2）车辆信息，车辆信息主要包括车辆原始数据，如（车辆型号，车辆理论参数等）以及车辆行驶动态数据，如（行车速度，行车时间、行车轨迹等），一般可通过CAN总线的方式进行数据采集。
1.2网络层介绍
网络层，即数据的传输调度层，路况信息在经过导航系统进行数据采集后通过报文通信的方式进行数据传输，车辆信息有CAN总线进行数据采集后以GPRS通信模块的方式进行数据传输，数据传输至本层后，由本层进行汇总整合后传输至分析层中。
1.3分析层介绍
分析层，即大数据的分析处理层，由于大数据采集与处理的无序性，在已定义的函数模型下，对影响驾驶的数据进行计算处理。处理结果将传送至应用层中，同时将返回至网络层中进行存储与调用，并在网络层中建立行驶数据库。
1.4应用层介绍
应用层，即应用服务层，依据数据采集与处理的结果，通过数据接口的方式可进行跨应用，跨系统之间的信息共享与信息协调。在互联网的大数据应用思维及互联互通的理念下，智能驾驶系统的应用主要为分为三大模块：用户服务系统、交通管理系统、汽车营销系统。
（1）用户服务系统。基于互联网思维的智能驾驶系统以驾驶员的行车安全性、舒适度等为约束，通过互联网的云处理与计算平台，得出建议的车辆安全行驶评定值、预警意见、适宜车速等驾驶控制数据流，由车体通过CAN总线接收数据，自动进行数据信号转换，进行行驶控制与调节，同时提出行驶对策的辅助指导可视化界面，人机交互协调车辆关系，**行车安全，提高人的驾驶愉悦性。
（2）交通管理系统。通过对行驶数据库的调用，交通管理部门可准确、实时地掌握的行驶状况，更好地组织、规划、协调、指挥运输活动，提高道路行驶效率，降低交通损耗率。
（3）汽车营销系统。行驶数据库可为汽车企业提供企业数据服务，提高车体质量，促进企业方向性的发展 [4] 。
系统数据流传输及其分析
数据流的传输主要为路况车辆数据的采集和数据的传输，在此以北斗导航系统、CAN总线与GPRS通信模块路况数据的传输为例进行分析：
1数据采集
北斗导航系统基于覆盖全国的GSM数据蜂窝移动通信网络，北斗导航系统所采集的路况信息可通过GSM通信网络中特有的信令信道与本系统进行双向报文通信传输。
2数据分析
车辆内部网络的一般为总线型网络拓扑结构，用CAN总线与LIN总线进行网络连接。其中CAN总线连接了车辆ECU和几乎所有控制节点、信息节点，可对车辆数据进行采集。数据采集完成后，选择通用分组无线业务（General Packet Radio Service，GPRS）进行无线数据交换，即CAN总线控制器所采集的数据信息以GPRS通信模块的形式，传输到智能驾驶系统中，经过分析层处理后的数据，同样以GPRS通信模块的形式返回到CAN总线控制器上。
系统数据流处理及其分析
在此以采用Google公司提出Map-Reduce技术搭建云计算平台为例进行分析，建立
系统数据流处理模型
系统数据流处理模型
驾驶信息大数据分析处理的并行计算模型，如图2所示，其技术框架主要分为三部分：分布式驾驶文件系统、驾驶信息并行编程模型、并行执行引擎。
1分布式驾驶文件系统
其主要运行在大规模数据集群上，主要实现所采集的驾驶原始数据的集中管理，以及对处理后的指导驾驶的数据的分类存储，以便客户端的访问与调用。
2驾驶信息并行编程模型
驾驶信息并行编程模型主要分为两个阶段，即Map阶段与Reduce阶段。
3并行执行引擎
Map函数处理Key/Value对，即将分布式驾驶文件系统中集中管理的驾驶信息大数据进行分块，可分为速度数据块、行车轨迹数据块、行车时间数据块、车距数据块等，分别带入到相应速度模型、行车轨迹模型、行车时间模型、车距模型等函数计算模型中，得出一系列速度、行车轨迹、行车时间、车距等key/value对。Reduce的函数处理则是识别数据来源，对处理key/value对进行数据整合输出。
系统数据流反馈指导驾驶及其分析
建立信息共享、融合、加工的系统平台可派生出丰富的智能交通的具体应用。例如具有部分驾驶权限的车载终端控制系统，可以传输人-车系统所具有的速度、车间距等信息，结合路况信息，通过云平台的实时计算进行反馈，在危险路段指导驾驶乃至控制驾驶，保证行车安全及交通畅通 。
发展阶段
智能驾驶与无人驾驶是不同概念，智能驾驶包含无人驾驶，而无人驾驶是智能汽车发展的形态。
无人驾驶汽车：是一种智能汽车，它通过智能传感系统感知路况，依靠计算机系统进行自主规划决策，并完成预定行驶目标。
智能汽车：是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术。
智能驾驶发展规划可以划分为五个阶段：L0~L4。
L0指不具备自动驾驶功能的汽车驾驶。
L1指具有特定功能的自动驾驶汽车驾驶，主要代表功能有：ESC、AEB、LKA。主要成果有：高档车辆。
L2指具有组合功能的自动驾驶汽车驾驶，主要代表功能有：ACC、自动泊车等。主要成果有：Mobileye辅助系统、特斯拉、沃尔沃、上汽集团；
L3指受控的自动驾驶汽车驾驶，主要代表功能是高度自动驾驶功能。主要成果有：德尔福横跨美国、长安从重庆到北京；
L4指完全无人驾驶，主要代表功能是完全自动驾驶。主要成果有：谷歌完成200万公里路测、百度完成北京三环路测。
其中，L1~L3阶段以ADAS为主导，从L0到L4阶段，汽车的智能化水平不断提高。
ADAS：高级驾驶辅助系统，是一系列驾驶辅助系统的集合。ADAS以提升驾驶者安全和舒适为目的，通过雷达、摄像头等传感器感知周围环境，运用算法做出行为判断，来提醒驾驶者或直接控制车辆的方式避免碰撞 。


发展前景
智能驾驶是通过人工智能辅助或代替人进行汽车驾驶行为，它可以弥补人类驾驶员会存在的缺陷。经过大量的研究和发展，智能驾驶所需的各种传感器、计算机的性能和技术等方面取得了较大进步，成本也在逐步降低。
从人工智能和汽车驾驶结合的长远发展角度来看，纯智能的无人驾驶应为未来驾驶的主要方式，即使在当前基于贝叶斯、决策树和人工神经网络等机器学习的方法被运用在无人驾驶的行为识别和行为决策的技术环境下，我们也可以考虑设立专门的行驶路线保证无人驾驶汽车的应用推广。在冯诺依曼体系结构下面向驾驶行为的机器学习，一直以来都是智能车领域的“瓶颈”。随着国际“类脑”研究的兴起，我国也上线了“中国脑计划”，但毕竟类脑计算还仅从理论阶段开始向前迈步，类脑计算机仍难以得到实现和应用。
从当前智能驾驶的技术角度来看，相对于无人汽车，脑控汽车的发展可能更加适合。这是因为无人驾驶汽车的计算机系统目前还无法达到类脑计算机体系的高度，因此很难做到像人脑一样思考问题，难以较好处理驾驶过程中各种各样的突发问题和针对无人驾驶做出的阻碍或破坏行为。
因此提高人工智能在辅助方面的全面完善是全面实施无人驾驶的必经之路。现在的家用汽车基本配备雷达辅助系统，该系统可以不断监控周围的交通状况，可以用发声频率提示本车与可能碰撞物体的距离，也可以确定与前车距离以及前车行驶速度，如与前车距离明显低于安全距离，系统会向驾驶者发送听觉警报。目前奔驰的主动式驻车辅助系统能够在主动转向和制动功能干预下自动泊车。并且，在车辆通过自动驻车辅助系统停入平行车位后，该系统也可以在自动转向和制动控制功能的帮助下，让车辆完全自动地驶出平行车位。
在此基础之上，我们可以在扩大自然语言处理等人机交互方式在人为干预下“释放双手”的模式上加大科研力度，如:语音操控、脑控汽车或类似飞机自动与手动驾驶切换等智能驾驶方式。其中语音操控汽车可以通过语言指令如“倒库”“直行”或“开启雨刷”等自然语言实现汽车系统的自动处理并通过车辆配置的传感器和摄像头等硬件付出行动来响应命令的方式来实现语音操控汽车的智能模式。因为有驾驶员的加入会使智能汽车的行驶方式更加灵活多变，适合于当前复杂的交通环境，满足社会法律和伦理观念的接受要求，所以提高人工智能在辅助方面的研究应用的价值更加巨大