机器人的角逐
美国国防部高级研究计划署DARPA 比赛用遥控汽车同时让军用和民用车受益
技术分类：
运动控制/自动化
作者：Joseph Ogando 高级技术编辑 发表时间：2008-03-24
公司项目工程师兼Tartan车队成员Michael Darms指出。“但是比赛仍帮助人们认识到要将怎样的新型自动化功能加装到未来辅助驾驶员系统中。”这些性能包括提高刹车、变道、停车以及十字路口安全辅助功能。
Boss车
城市大挑战的一个有趣的地方在于Tartan车队以及其他参赛车队采用的技术，现在可以被用于商业制造或在未来汽车型年能被用于生产。
Boss车采用了Continental公司的各种商业和下一代雷达系统，同时还采用了Velodyne和Sick公司的激光传感器。与其他参赛车一样，Boss车依靠现有的Applanix车辆定位系统结合全球卫星定位以及惯性数据对其他车辆位置进行追踪。系统由10个英特尔处理器支持，Tartan车队的工程师们采用一般软件开发工具。“我们采用很多手边的技术，”Urmson说道。“但是我们使用的方法不同结果会大不一样。”
Urmson指出有两大遥控技术问题值得Tartan车队对自己的参赛车进行改进。一个牵涉到系统集合和控制结构问题。“系统体积有些偏大。”Urmson说道。
“体积大”只是谦虚的描述。Boss车由19个不同的传感器和一个定位系统来收集信息。每次信息反馈时间为0.2秒，这大致与普通的驾驶员反应时间相当。Urmson说任意时间Boss车集散控制系统要通过英特尔处理器处理100条信息。“其中的的一半是历史数据，另外一半涉及决策的制定、行动计划和高级感知。”他说道。全自动技术帮助Boss车每12小时产生一兆兆字节的遥感勘测数据。它的软件含有300,000行代码。“事实上如果了解到我们工作的复杂性，我们会以这300,000行代码为骄傲。”Urmson说道。
第二项无人驾驶车所面临的挑战比Tartan车队单边系统集成要困难的多。车队要让Boss拥有人一样聪明的驾驶技巧。这项任务的目的是要让机器人的传感器感知系统有所突破提高，同时要提高机器的行动计划和行为计算能力。
感知问题在Urmson眼里是个烫手山芋。“了解那里有什么，什么在移动，什么没有移动，车辆位置在哪里，这些都是一个巨大挑战。”他说道。通过补充的传感器收集数据然后变成车辆环境中具体图像，Tartan车队的工程们解决了这个问题。正如Urmson解释的那样，激光设备首先处理远距离感应——大约离无人驾驶车150m的距离——与此同时，激光传感器可以进行近距离感应。一般的，两种传感器一块工作，之间互有交迭，共同识别周围运动的车辆和静止的物体。“单独的激光传感器不能识别远距离车辆是否是罐子或是金属物体。”他说道。“所以在近距离，我们采用激光传感器来确认激光源或者排除错误电极。”
Darms博士白天在Continental公司的工作是关于驾驶辅助技术，同时他所攻读的工程博士也涉及这个领域。他将这个感知系统称为传感器熔炉，同时对系统的争论让Boss车在感知性能角度尤其特别。“这是第一次将这么多不同的传感器成功连接在一辆汽车上。”他说道。
依照行动计划，Tartan车队的工程师们写下复杂的计算法则来保证无人驾驶车在路面和例如停车场这样的窄道上行驶最佳轨道。Urmson说Boss车能够每秒计算1000个轨道。“在路上，我们为无人驾驶车设计出动态可行轨道，保证车辆加速度弹性。然后检查车辆是否和任何物体交叉碰撞。从那些不会碰撞任何物体的轨道中，我们挑选出一条来保证处于赛道的最中间。”他说道。在停车场，他们设计更加复杂的公式来计算车辆横穿开阔空间的所有不同路径。
Boss车的遥控突破点还包括新行为系统，该系统能够支配Urmson所说的“战术驾驶决定”。例如，这个系统帮助Boss车处理非意料中的交叉路口环境，不仅仅是“谁先走”而是“万一错误的车先行驶了”或“万一车辆在交叉路口停下来了”。
这个系统没有出现在Tartan车队比赛用车上，而是被使用于美国国防部高级研究计划署(DARPA)原来的地面挑战赛中。它代替了Boss车一般的感知。Urmson将这个行为系统的描述为“遵循基本法则”基础上加入了其他类型的智能技术。他见证了这个系统帮助车辆应付突如其来的情况做出行为反应：行为没有明确设置在Boss车程序中。“总的来说这是无人驾驶汽车一个非常热门的研究领域，即如何让机器有了人的知觉或者知觉的