智能网联汽车测试题2
测验题2.1： 简述智能网联汽车控制计算平台的硬件和软件主要构成。 答：
传感器 | 激光雷达，毫米波雷达，光学相机，GPS/惯性导航，5V/V2X |
软硬件体系架构 | 感知系统：定位，检测，预测 |
|
规划：路径规划，动作规划 |
控制/执行：横向控制，纵向控制 |
车辆 | 文摘卡转向系统，动力系统，制动系统，其他装置 |
| 手机应急充电器 |
电子电气架构：把汽车中的各类传感器、ECU（电子控制单元）、线束拓扑和电子电气系统完美地整合在一起，完成运算、动力和能量的分配，实现整车的各项智能化功能。
智能网联汽车计算平台是基于高性能芯片和嵌入式实时操作系统构建的整车计算控制核心，能够实现对车辆进行状态判断、行为决策和整车控制，其架构如下图所示：
计算平台结构方案：通过“端、管、云”分布方式，主要包含构件有MCU，GPU，FPGA，ASIC，CPU+GPU。
推杆炉
测验题2.2： 简述智能驾驶决策规划的主要难点和挑战。答：1）基于有限状态机决策模型的状态划分问题。解决方案：引入其他决策理论。
2）基于有限状态机决策模型的复杂场景遍历问题。解决方案：采用状态机与学习算法结合的方法。 3）基于学习算法决策模型的正确性与稳定性问题。解决方案：大量可靠、高质量的试验数据，选择合理的学习算法，配置合理的试验参数，调整网络结构
4）伦理问题。
难点和挑战：
1）从短期来看，首要难点不在于自身，而是预测，也就是如何像人一样可以在有限的信息输入里面，根据“习惯”判断未来3-5s会发生的事情。这背后的逻辑复杂无比，不是单纯通过训练旁车的轨迹就可以做好，同时还需要反推感知和Map fusion，可以获取目标物更多的信息，车灯、交规、人的驾驶习惯，前方路线变化等等；这背后是一次柔性推理的过程。
2）预测的普遍性，并不是只关注车与自己的状态关系，甚至还有其他物体之间互相作用。
3）如何让自动驾驶的决策规划，有类似人的“直觉”。目前来看还没有一种算法可以达到这种水平，从大量数据中，实现仿人的经验决策。
4）次要难点在于如何保证规划曲线是时刻平滑的，换句话说，是不是在一定危险或特殊情况下允许非平滑的存在和求解。做轨迹规划训练的常用cost包含几个方面：舒适性、效率、安全性、动力模型可实现性。但如何在这三者之间矛盾中进行平衡，让乘坐者更满意。
5）从长期来看，决策规划难题在于如何保证你的结果是正确的，数据验证无疑是最好的手段，但这背后近乎无限的元素叠加及长尾问题，是从量变到质变的瓶颈。
点火
测验题2.3： 简述智能驾驶控制系统实现高超驾驶技能的关键要点。
答：高超驾驶技能主要包括：漂移、防侧倾等。
对于漂移，关键要点有：1）车辆质心位置不断变化，难以确定质心位置，导致无法准确表达旋转问题；2）轮胎与地面的作用力复杂，摩擦力不断变化，难以准确求解；且温度的升高影响轮胎的物理特性。
对于防侧倾，关键要点在于用于控制的状态量（侧倾角和侧倾率）难以直接获取，或者直接测量这些状态量的成本高，精度低。
在汽车的执行机构中关键要点有：动力系统，转向系统，制动系统，
汽车控制在纵向控制中关键要点包括：自适应巡航控制，PID速度跟踪算法，MPC速度跟踪算法，模型前馈+ADRC算法；横向控制包括关键要点包括：预瞄控制算法，MPC路径跟踪算法。
控制方面主要的难点包括：1）整车动力学的精确建模。虽然线性二自由度车辆模型在轮胎侧偏角较小时能较好 地模拟车辆侧向和横摆运动特性，但当轮胎侧偏角较大时，侧偏角与侧偏力不再呈线性关 系，因此需要对更高自由度的车辆动力学模型进行精确建模；2）控制模型参数的有效估计。车辆控制模型中参数的不确定性、时变特性及控制算 法调节参数的时变性将极大的影响车辆的控制效果，因此如何快速、准确、有效的对这些 参数进行估计和调节也是横纵向控制未来研究的重点；3）基于学习方法的车辆控制策略。随着大量车辆行驶数据的快速有效获取，未来基于深度学习或者深度强化学习的端到端控制策略愈发成为无人车控制领域新的突破口。
测验题2.4：简述智能驾驶汽车为什么需要人工智能，人工智能在智能驾驶汽车中有何作用？
答：1）城市路况复杂，交通参与要素多：多源信息下的目标识别，轨迹预判；
2）传统基于规则式if-then式编程的驾驶决策，在动态、复杂开放的交通场景下受到限制：人类驾驶决策学习，学习驾驶经验和操作技巧；
3）基于模型的控制需要大量参数标定，不具普适性，而强化学习能够探索学习自动调整标定参数，得到最优控制函数。
金银花绿原酸4）交通安全的约束→汽车主动安全：前碰撞预警、车道偏离预警；车辆油耗的约束→驾驶经验学习：学习驾驶经验、优化驾驶习惯
5）让摄像头像人眼一样实时感知行车周边环境，检测和跟踪视野中的各种物体，能够对可视场景进行像素级的解读。
AI在智能驾驶的典型应用主要有：
1）感知：AI方法有贝叶斯估计、统计决策理论、证据理论、模糊理论、神经网络以及产生式规则等；
2）决策规划：状态机、决策树、贝叶斯网络等AI方法已有大量应用。深度学习与强化学习能通过大量学习实现对复杂工况的决策，并能进行在线学习优化；
3）执行控制：智能控制方法主要有基于模型的控制、神经网络控制和深度学习方法等。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议