皮皮网

1.如何快速入门开源自动驾驶模拟器lgsvl?源码
2.易航智能——专注量产的自动驾驶解决方案供应商
3.开源|HDR-ISP开源项目介绍
4.汽车领域hypervisor
5.Apollo EM中path_assesment_task相关细节的讨论
6.ADAS-干货|一文入门汽车毫米波雷达基本原理

如何快速入门开源自动驾驶模拟器lgsvl?

       LGSVL是由LG电子美国研发实验室构建的自动驾驶模拟器，基于Unity引擎开发，源码支持与百度Apollo、源码Autoware.AI等联合仿真。源码SVL日落计划已于年1月1日启动，源码开发者团队将不再更新版本，源码qt项目作业源码但文档和源代码会维护至6月日。源码SVL适用于L4/L5自动驾驶车辆、源码L2/L3 ADAS/AD系统、源码仓库机器人、源码户外移动机器人、源码未来移动服务、源码自动赛车、源码传感器系统开发、源码汽车安全、源码合成数据生成及实时嵌入式系统开发。

       SVL提供了两种安装方式：一是下载编译好的安装包直接安装；二是下载源代码编译生成可执行文件。本篇指南仅介绍第一种方法。SVL支持Windows和Linux系统。

       在Windows系统中，建议使用svlsimulator-windows-.3版本。确保为Win 位系统，无需安装NVIDIA显卡和驱动（如需感知功能则需安装）。安装Docker，从docker.com/get-started/下载并启动。在SVL官网注册账号，接收并点击确认邮件。下载并解压Windows安装包，双击运行simulator.exe。首次运行时，需点击“LINK TO CLOUD”。新建集群，搜索并添加本地集群，选择本地建好的集群，设置控制模式，最后运行模拟。

       为深入学习和使用SVL，访问其官网和官方文档：svlsimulator.com/和svlsimulator.com/docs/。查阅SVL的开源代码：github.com/lgsvl/simulat...。关注后续文章，solidworks插件源码了解如何搭建SVL开发环境。

易航智能——专注量产的自动驾驶解决方案供应商

       北京易航远智科技有限公司自年成立以来，致力于自动驾驶系统的自主研发，成为中国首批自动驾驶创业公司之一。公司获得了包括经纬中国、源码资本、明势资本等知名创投机构的支持，以及北汽产投、广汽资本和理想汽车等主机厂的战略投资。

       易航智能自年起便涉足自动驾驶Tier1量产项目，至今已拥有万辆整车量产经验，积累了超过亿公里的驾驶数据。公司拥有感知、决策规划控制、软硬件开发、测试标定等全栈自研能力，并率先实现了NOA行泊一体、城市全场景FSD等高阶功能。

       易航智能团队在感知、决策、控制、故障诊断等核心算法方面拥有深厚的技术实力。公司主营自动驾驶解决方案（ADAS、NOA、FSD）、域控制器、摄像头模组、驾驶算法与软件等产品，并在北京、苏州设有研发中心和工厂，固安设有测试基地。主要客户包括理想汽车、北汽集团、江铃雷诺、上汽大通、一汽大众、威马汽车等主机厂。

       易航智能汇集了汽车行业精英和计算机视觉、深度学习领域专家，赚钱手机源码硕士及以上学历人员占比超过一半。团队成员主要来自国内外主机厂、Tier 1供应商、国内外顶尖科研机构和伯克利、剑桥、清华、北大、北航等知名院校。

       苏州平方米的一期生产工厂已建成并投入使用，拥有全球领先的智能化、自动化自动驾驶专用摄像头及域控制器生产线，产品已在多款车型中前装量产。

       公司还建立了全球领先的摄像头调试和测试实验室，产线可进行AA和内参标定，已量产1M、2M、8M前视、侧视、环视摄像头，FOV覆盖°-°。

       易航智能已通过IATF 、ISO、ISO 、ISO等国际认证。

开源|HDR-ISP开源项目介绍

       开源HDR-ISP项目提供了一个用于HDR相机的ISP Pipeline，旨在帮助入门开发者快速学习ISP技术。项目使用C++编写，旨在解决ISP学习资料匮乏的问题，为新手提供一个参考的demo。

       项目默认配置了一个Pipeline，包括支持和准备支持的ISP模块。用户可以通过修改json配置文件来调整ISP模块的基本参数，如sensor参数和rgb gamma等。

       在Linux和Windows系统上，项目提供了详细的开发环境和编译、运行指南。用户可以通过修改json配置文件来调试运行结果，并与fastOpenIsp进行对比，进一步优化ISP性能。thi网站源码

       项目支持HDR相机ISP功能，并提供运行结果示例。通过对比其他ISP，用户可以更好地理解项目的优势和局限性。项目还规划了后续工作，包括支持更多ISP模块和优化性能。

       项目地址：github.com/JokerEyeAdas...

       该项目提供了快速访问GitHub的链接：HDR-ISP。如果您对ADAS感兴趣，欢迎关注公众号“ADAS之眼”，以及知乎、CSDN等平台的同步更新。同时，所有使用的源码都在我的GitHub上进行开源。

       感谢以下仓库及作者，他们的贡献对项目起到了重要作用。

汽车领域hypervisor

       面向未来的汽车架构，使用hypervisor实现车联网自动驾驶等技术，可以减少ECU个数，实现资源隔离和分配。汽车ARM架构算力问题和实时性要求下，选择xen hypervisor而非KVM，使用virtio标准处理IO。汽车领域的hypervisor有Xen、Opensynergy、ACRN、Global、Mentor、QNX、Redbend等，QNX hypervisor较为量产。汽车产品的虚拟化一般指的是硬件虚拟化技术，其开销较小，CPU负载不超过2%，DDR小于MB，EMMC小于MB。hypervisor技术代码量在3万行以内，Xen的代码量较大。使用hypervisor可以降低成本，通过在单个SOC上运行多个不同安全级别的cocos源码网站操作系统实现降本需求，满足车内屏幕数量的增加。智能座舱中运行四个系统，如仪表、信息娱乐系统、L0-L2级的ADAS、以及HUD系统，可能需要运行三个或四个不同系统。VIRTIO标准在汽车嵌入式环境中提供硬件接口标准，支持块存储、SCSI、网络、控制台、加密、GPU、熵、输入、socket、文件服务器、声音等设备类型。标准制定工作在OASIS标准设置组中进行，支持多种操作系统，如Linux、Blackberry的QNX，以及Android。hypervisor硬件支持、安全关键性、overhead、实时性能是Tier1和OEM在选择时需考虑的因素。ACRN hypervisor是针对IOT网络开源的type 1 hypervisor项目，定义了设备管理程序参考堆栈、体系结构和虚拟设备仿真参考框架。在构建时考虑了实时性和安全性，并经过优化。ACRN支持Linux和Android作为用户虚拟机，服务虚拟机在后台运行，用户虚拟机作为post-launched的虚拟机运行。ACRN hypervisor架构利用英特尔虚拟化技术（Intel VT），运行在VMM模式和访客模式中。VMM模式下，服务VM以系统最高的虚拟机优先级运行，用户VM在访客模式中运行。启动顺序从第三方引导加载程序开始，预启动VM和服务VM的引导选项定义在源代码中。ACRN hypervisor支持设备直通和VIRTIO框架架构，提供简单、高效、标准和可扩展的虚拟设备接口，包括前端和后端驱动程序、直接交互方式、批处理操作、标准的virtqueue机制、可扩展的feature bits等。VIRTIO设备在现有总线上运行，鼓励批量操作和延迟通知以实现高性能I/O，所有设备共享一个标准的环形缓冲区和描述符机制。

Apollo EM中path_assesment_task相关细节的讨论

       网上已有关于本task流程的详细注释，本文主要探讨Apollo EM中path_assesment task的内部算法细节。

       首先，我们来看SetPathPointType函数。函数中，ego_center_shift_distance代表车体几何中心距离后轴中心的距离。初始化过程中，以车体后轴中心点为基准获取整个车体Box。ego_box所调用的Shift函数将后轴中心点前移至车体几何中心点并计算box四个角的位置。这样做的原因是，Control使用后轴中心点跟踪每一个pathpoint，而本车SLboundary依据其几何中心点在参考线上进行投影，因此这一步转化是必不可少的。

       Shift函数内所调用的InitCorners()如上图所示，其中cos_heading,sin_heading_,half_length_,half_width_,center_,是在Box2d初始化时进行赋值。简单用图示介绍一下含义：X-Y用于表示地图坐标系，x-y用于表示将地图坐标系平移至车体几何中心点之后的坐标系，[公式] 用于表示heading。特别解释一下：此处的使用 [公式] 来表示长度half_width x[公式]。

       获取到本车box的四个角的坐标之后，再将依靠参考线将box转化到SL坐标系下的boundary。之后遍历SL坐标系下每个pathpoint，计算自车位于每个pathpoint的时候所对应的车体的边界。将边界与车道线比较，判断每个pathpoint的类型（在lane_borrow/lane_change决策下是在旁车道还是本车道）。此处不粘贴源码，直接用图示进行说明各种情况。

       需要注意：由于要在统一的坐标系下进行比较，所以，采用-right_width。所以对应上图的情况，即处于车道边界之外还没换道的情况：start_l>lane_left_width || end_1<-lane_right_width此时type为IN_LANE。对应上图情况，即严格处于本车边界之内的车辆，需要考虑将车道边界添加buffer：所以本车实际处于虚线之内，此时的type为IN_LANE，表示已经换道完成。其它状态下为lane_change的过渡状态，type为OUT_ON_FORWARD_LANE。

       需要注意的是：由于借道其实是拐入别的车道一点点之后再拐回来，所以需要添加动态的迟滞边界in_and_out_lane_hysteresis_buffer，来对pathpoint进行严格地区分。类似的做法在量产ADAS功能中也用到，主要用于对前方动态Target的识别，目的是为了防止障碍车辆沿车道线来回画龙或压线行驶的情况。扯远了~

       如上述，因为借道只是占据旁车道一点点，所以判断条件与lane_change略有不同，此处的判断条件使用end_l与lane_left_width相比较，start_l与-lane_right_width相比较。

       如上图所示，当前一个路径点在车道内（is_prev_point_out_lane = false），即绿点所在位置，则判断lane_borrow的条件：此时，in_and_out_lane_hysteresis_buffer = 0.2；当前一个路径点在车道内（is_prev_point_out_lane = true），即红点所在位置，此时，in_and_out_lane_hysteresis_buffer = 0；

       接下来讨论path与静态障碍物collision的问题：具体流程图参见下图：IsCollidingWithStaticObstacles中流程概述：过滤掉虚拟障碍物，高速运动障碍物等，按照固定距离的pathpoint建立VehBox，所有点转化为Frenet坐标系，调用函数IsPointIn检验所有点是否处于障碍物的内部。

       下面开始详细讲解IsPointIn函数：首先判断本车的Corner点是否在障碍物边界上，如果不在，则进行下一步取Corner点在与轴方向异侧的两个点，分别于Corner点构成向量，之后做叉乘，叉乘结果若大于0，则比较两个点的y值，若y值结果小于0，则看向量正旋转到目标向量的实际角度是否小于度，若小于，则c由零变为1；若y值结果为大于，则看向量正旋转到目标的实际角度是否大于度，若大于，则c由零变为1。同理再构建另外两个向量，若与上述情况相同，则c由1变为2。最后判断C为奇数还是偶数，如果为奇数，则返回true，表示Corner点处于Obstacle内部。如果为偶数，则表示Corner点在Obstacle外部。

       下面举个栗子：对于左图A点的这种情况，0点与3点在Y轴方向上位于A点异侧，0.y<3.y，side>0（即比较向量A-0正旋转到目标向量A-3是否小于度），实际大于度（蓝色箭头），结果为否，则c值仍为0；2点与1点在Y轴方向上位于A点异侧，side<0（即比较向量A-2正旋转到目标向量A-1是否大于度），实际大于度（红色箭头），结果为是，则c值变为1。最终c&1为奇数，表示A点在obstacle之内。

       对于右图A点情况，0点与3点在Y轴方向上位于A点异侧，0.y<3.y，side>0（即比较向量A-0正旋转到目标向量A-3是否小于度），实际小于度（红色箭头），结果为是，c值由0变为1；2点与1点在Y轴方向上位于A点异侧，side<0（即比较向量A-2正旋转到目标向量A-1是否大于度），实际大于度（蓝色箭头），结果为是，则c值变为2。最终c&1为偶数，表示A点在obstacle之外。

       正旋转相关的知识：叉乘几何含义：须注意：本算法所有的坐标系为上图所示，所以正旋转方向为X轴沿绿三色箭头转到Y轴。

       最后依旧借用M星云男神女神镇楼。。

ADAS-干货|一文入门汽车毫米波雷达基本原理

       随着社会对于安全驾驶和智能交通的追求，汽车技术不断进步，其中毫米波雷达作为一种先进的传感器技术，引领着汽车领域的变革。它利用毫米波频段的电磁波感知环境，通过测量反射信号来检测和跟踪目标。相比于红外传感器和激光雷达，毫米波雷达具有穿透恶劣天气的能力，适用于复杂环境下的可靠探测。本文将详细介绍汽车毫米波雷达的基本原理，包括工作频段、探测原理、测距、测速与角度测量方法，以及距离和速度分辨率计算。

       ### 毫米波雷达原理

       毫米波雷达主要基于连续波调频（FMCW）技术工作。FMCW雷达通过连续发射频率随时间线性增加的信号，结合接收信号的相位与频率变化，实现距离、速度和角度的测量。其基本框架包括发射（Tx）与接收（Rx）天线，以及混频器组件。工作流程中，雷达发射信号，通过目标反射后接收，混频器合并信号以提取所需信息。

       ### 测距原理

       通过测量雷达信号的往返时间，结合雷达与目标的距离公式，即可计算目标距离。对于多目标情况，通过分析混频后的信号频谱，可以区分不同目标的距离。距离分辨率计算基于傅里叶变换理论，通过延长信号时长与增加带宽来提高分辨能力。

       ### 测速原理

       雷达通过比较发射信号与接收信号之间的相位差，计算目标的速度。速度计算基于相位差与雷达发射信号的周期关系。考虑到相位的周期性限制，雷达的最大测量速度受到限制。对于多个速度不同的目标，需要通过发射多个线性调频脉冲来实现速度的准确测量。

       ### 角度测量

       角度测量依赖于接收信号的相位差。通过比较两个接收天线接收到的信号相位，可以计算出目标相对于雷达的角度。角度的精准度与相位差的计算密切相关。

       ### 总结与效果

       不同频率的毫米波雷达适用于不同距离的探测，最大探测角度由雷达的配置和天线间隔决定。当前雷达技术通过距离FFT、速度FFT和角度FFT处理信号，获取目标的运动信息，形成雷达图像。最新的3D雷达技术在平面数据基础上提供了速度、距离和角度信息，未来4D雷达将增加高度信息，进一步提升探测精度与应用范围。

       ### 参考文献

       - [1] 毫米波雷达传感器基础知识

       - [2] MIMO Radar

       本文旨在为对ADAS技术感兴趣的读者提供对毫米波雷达基本原理的深入理解。如果您对汽车智能驾驶系统感兴趣，欢迎关注并访问个人博客及GitHub获取更多技术资料与源码。