目录
前面简述了无人车的定义及分级、发展历程、社会影响及所面临的技术挑战。本章将讲述无人车的系统架构，包括硬件架构和软件架构，使读者从系统层面对无人车的体系架构有个宏观的认知，这样对于后续要讲解的各硬件传感器原理、各算法模块的原理、工程系统平台等的理解打下坚实的基础，以便我们能够更加系统全面地对无人车各部件（传感器、软件模块、数据、云端平台、通信系统等）进行评测。
硬件架构
目前业界无人车的硬件架构，一般采用激光雷达作为主要感知传感器，同时结合摄像头、GPS/IMU、毫米波雷达、超声波雷达等，以NVIDIA Drive PX2 或 Xavier作为主要计算平台，在工业PC机上运行各种算法模块，通过线控技术控制车辆行驶。以百度开源自动驾驶系统Apollo公布的架构图为例，如下所示：
车顶部署了一套64线激光雷达，周围部署了多个摄像头，车辆前方部署毫米波雷达，GPS天线在车后方，后备箱存放工业PC机和GPS接收器等设备。其内部各硬件设备型号及连接关系如下图所示：
目前业界大部分的无人车硬件架构，都与上方类似，唯有Google的Waymo采用双备份的硬件架构来增加安全可靠性，但从单一系统来看，总体硬件架构同以上是类似的。
摄像头（Camera） ：主要用于车道线、交通标示牌、红绿灯以及车辆、行人检测，有检测信息全面、价格便宜的特点，但受到雨雪天气和光照的影响较大。 摄像头由镜头、镜头模组、滤光片、CMOS／CCD、ISP、数据传输部分组成。光线经过光学镜头和滤光片后聚焦到传感器上，通过CMOS或CCD集成电路将光信号转换成电信号，再经过图像处理器（ISP， Image Signal Processing）转换成标准的RAW，RGB或YUV等格式的数字图像信号，通过数据传输接口传到计算机端。
激光雷达（LiDAR，Light Detection and Ranging） ：主要用于高精地图制作、障碍物识别和跟踪和自身定位，是目前公认L3级以上自动驾驶必不可少的传感器。激光雷达具有高精度、高分辨率的优势，同时具有建立周边3D模型的前景，但其劣势在于对静止物体（如隔离带、护栏等）的探测较弱且成本高昂（一套64线Velodyne 激光雷达高达70万元）。它由激光发射机、光学接收机、转台和信息处理系统等组成。其工作原理是向目标发射探测信号(激光束)，然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对目标进行探测、跟踪和识别，输出的数据称为“点云”（Point Cloud），目前有PCL（Point Cloud Library）开源库支持这类数据的读写处理。
为了覆盖一定角度范围需要进行角度扫描，从而出现了各种激光雷达扫描原理，主要分为： 同轴旋转、棱镜旋转、MEMS扫描、相位式、闪烁式。目前激光雷达制造商最先进的是以色列的Velodyne，它在激光雷达界的地位，就如芯片界的英特尔、搜索界的谷歌，是绝对的盟主。
毫米波雷达（Radar）：主要用于交通车辆和行人的检测，具有检测速度快、准确，穿透雾、烟、灰尘的能力强，具有全天候(大雨天除外)全天时的特点，但其劣势在于雨、雾和雪等高潮湿环境的信号衰减，以及对树丛穿透能力差和无法检测车道线交通标志等。毫米波雷达工作在毫米波段。通常毫米波是指30～300GHz频段(波长为1～10mm)。毫米波的波长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。
毫米波雷达由芯片、天线、算法共同组成 ，基本原理是发射一束电磁波，观察回波与入射波的差异来计算距离、速度等。成像精度的衡量指标为距离探测精度、角分辨率、速度差分辨率。毫米波频率越高，带宽越宽，成像越精细，主要有77GHz和24GHz两种类型。
定位系统（Localization System）：主要由定位导航卫星、位置接收器（如GPS接收器）和惯性测量单元（IMU， Inertial measurement unit）、基站等组成。GNSS板卡通过天线接收所有可见GPS（Global Positioning System）卫星和RTK（Real Time Kinematic）的信号后，进行解译和计算得到自身的空间位置。当车辆通过遂道或行驶在高耸的楼群间的街道时，这种信号盲区由于信号受遮挡而不能实施导航的风险，就需要融合INS（Inertial Navigation System，即惯性导航系统）的信息，INS具有全天候、完全自主、不受外界干扰、可以提供全导航参数（位置、速度、姿态）等优点，组合之后能达到比两个独立运行的最好性能还要好的定位测姿性能。
超声波传感器（Ultrasonic Sensor）：超声波传感器主要用于近距离和低矮障碍物探测，避免车辆周围近距离感知盲区。超声波具有易于定向发射、方向性好、强度易控制、与被测量物体不需要直接接触的优点，但易受环境温度影响，测量精度不够。虽然目前的超声波测距量程上能达到百米，但测量的精度往往只能达到厘米级。
超声波传感器一般由超声波发射器、超声波接收器、计时器、温度感知器等组成，其测距原理是利用超声波在空气中的传播速度为已知（20℃下为344m/s），测量声波在发射后遇到障碍物反射回来的时间，根据发射和接收的时间差计算出发射点到障碍物的实际距离。由此可见，超声波测距原理与雷达原理是一样的。
测距的公式表示为：L=C×T
式中L为测量的距离长度；C为超声波在空气中的传播速度；T为测量距离传播的时间差(T为发射到接收时间数值的一半)。
软件架构
无人车的硬件架构，各公司大同小异，但做出来的无人车智能程度却千差万别，核心在于无人车的“自动驾驶大脑”的智能程度不一样，算法软件是从事无人车公司的核心竞争力。各公司的无人车软件系统架构，虽然千差万别，但至少感知、定位、决策规划控制等模块不可或缺。下面仍以百度Apollo系统的软件架构为例，来讲解无人车的软件架构及各模块的主要功能。
其中内部软件主要数据和控制流图如下：
上图架构图分类五层，其实核心的自动驾驶系统，只有中间三层，也即硬件层、软件层、云端服务层。
硬件层（Hardware Layer）：主要由计算单元、GPU/IMU、摄像头、激光雷达、毫米波雷达、超声波传感器、HMI（Human Machine Interface）设备、黑匣子等计算或感知设备组成，各设备的工作原理及主要作用，请参考前面硬件架构部分，后续篇章将对各设备的工作原理、关键指标参数、评价测试方法等逐一做详细的讲解，现在只需有个宏观概念即可。
软件层（Software Layer）：该层在Apollo架构上也细分了三层，分别是实时操作系统（RTOS）、运行时框架（Runtime Framework）和各应用算法模块。
- 实时操作系统（Real Time Operating System）：一般是针对自动驾驶定制化的高实时、高并发、低时延的Linux操作系统。
- 运行时框架（Runtime Framework）：基于操作系统层的各算法模块调度框架，主要负责各模块之间的消息通信、资源分配和运行调度等。目前主要的框架有开源的ROS（Robot Operating System），以及百度自研的Cybertron框架。
- 高精地图（Map Engine）：提供车道线拓扑结构、红绿灯位置、交通标志位置和类型、道路限速等信息服务，供感知、决策规划、定位等模块查询使用。
- 定位模块（Localization）：为各算法模块提供厘米级的高精度定位信息，包括车辆的世界坐标、车辆姿态和朝向等信息。
- 感知模块（Perception）：主要功能为检测车道线标志，识别红绿灯状态，检测跟踪识别车辆、行人，交通标识牌识别等。
- 规划模块（Planning）：主要为基于定位信息、感知信息，结合行驶目的地信息，实时对行驶路线做出规划，为自动驾驶车辆提供行驶轨迹点。
- 控制模块（Control）：基于规划路径，对车辆行驶下发控制命令，主要为转向、油门、制动、灯光、喇叭、车内空调等的控制。
- 端到端（End-to-End）：主要为数据采集、车辆状态和软件监控、在线升级客户端等为云端服务的各软件模块集合。
- 人机交互接口（HMI）：主要为乘客或远程控制员，提供与车辆交互的功能，包括规划行驶路径，打开车载娱乐系统，查看车辆行驶状态等。
云端服务层（Cloud Service Layer）：该层主要运行在分布式计算的云端，为无人车提供各种服务，包括软件升级、数据更新、信息安全控制、仿真训练和车辆数据收集等。
- 高精地图（HD Map）：提供高精地图数据，包括静态地图、反射值地图等，供车端高精地图服务引擎查询或更新使用。
- 仿真（Simulation）：提供评测或训练各算法模块的服务平台，可以基于实车采集的数据，不断丰富更新各种测试场景或训练数据，以提高自动驾驶系统的智能和适应性。
- 数据平台（Data Platform）：实时存储从无人车上传来的各种数据，包括感知、车辆状态、行驶轨迹、各软件模块状态、关键log文件等，供云端平台做离线统计、分析、定位问题、训练模型使用。
- 安全（Security）：主要是对车端各种外部请求的认证、鉴权等，保证车端和云端的信息安全，避免遭受黑客攻击。
- 在线升级（OTA， Over The Air）： 提供对无人车的各软件模块的升级、数据更新、证书更新等功能，使得无人车随时保持最新的高精地图数据、配置信息和软件模块。