陕西智能驾驶电话

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 。


研究中的问题
无人驾驶汽车在其优势凸显的同时也更加暴露出其问题。无人驾驶汽车的问题包括局限性高、人文接受程度问题和安全防御性低等。
1.局限性高
无人驾驶汽车在其“视觉能力”方面无法达到人脑的高度，其传感器通过红外摄像和普通摄像两种技术完成道路环境的收集。当车辆在人口密集的楼房建筑区、事故区域或者其他有人通过通用手势信号来指挥车辆在此区域通行时，无人汽车将遇到判断难题。另外，道路存在信号标志老旧变形等情况出现，无人汽车可能产生误识或者漏识，造成不必要的事故。
2.人文接受程度问题
社会对无人驾驶汽车依然存在诸多疑问，如当无人驾驶汽车行驶在这个人口稠密的世界时，发现已经无法避免事故的发生时，智能计算机应该选择冲向马路的行人还是直接撞击迎面而来的车辆？在受到外部虚拟网络攻击后是否还可以维持完全驾驶？未被Google或GPS完全测绘的道路如何行使等。无人驾驶汽车在法律法规方面同样存在较大的挑战。如产品责任，立法和多重管辖权等。无人汽车与有人汽车发生事故责任判定和无人汽车之间发生事故责任判定等。
3.安全防御性低
软件安全公司Security Innovation**科学家乔纳桑·佩蒂特(Jonathan Petit)表示，大部分无人驾驶汽车探测障碍物的激光雷达系统只需一个成本不到60美元的装置即可。佩蒂特表示，通过这一装置，可以在任何位置设置实际并不存在的汽车、行人，或是墙壁，导致无人驾驶汽车的行驶速度放慢，甚至寸步难行。其相关论文已在欧洲黑帽安全大会上发表 。