Comma.ai 開發了一款駕駛助理 openpilot，它是如何工作的？

300 + 明星創業公司，3000 + 行業人士齊聚全球人工智慧與機器人峰會 GAIR 2017，一同見證 AI 浪潮之巔！目前僅剩少量余票，有需要的朋友抓緊了。

雷鋒網按：近日，「神奇小子」George Hotz 創辦的自動駕駛初創公司 Comma.ai 在 Medium 撰文分享了其開發的一款開源駕駛助理 openpilot。

據雷鋒網了解，Comma.ai 發布的第一款產品 Comma One 因為無法證明其安全性，一個月後被美國公路交通安全管理局叫停。隨後 Hotz 轉換思路，將 Comma.ai 的自動駕駛軟體進行開源，甚至還提供了一份硬體組裝指南，指導極客用戶自己動手打造一個即插即用的輔助駕駛套件。

openpilot 便是這一思路下的產物。具體來說，openpilot 能實現對油門、剎車和方向的自主控制，控制時長最高可達 6 分鐘（使用時駕駛員請注意觀察路況）。我們來看看 openpilot 是如何工作的，也希望業內的行家來評判這種方式是否靠譜。

使用中的 openpilot

如何與汽車交流？

現在的市售車輛中，大多數都是通過多條控制器區域網路（CAN）匯流排將車輛的多個模組連接在一起的。其中一條 CAN 匯流排會連接在汽車自診系統（OBD-II）上，其他的則大多數被隱藏在車輛內部面板之下。

圖 1：panda

openpilot 可以用 NEO 或 panda 作為 CAN 的介面。由於 openpilot 採用開源設計，因此它還能支持 OpenXC、Kvaser 或者 CANBus Triple。

在 openpilot 最先支持的本田思域和 ILX 兩款車上，所有的通訊只需要兩條 CAN 匯流排就能完成，一條是車輛 CAN 匯流排，一條則為雷達 CAN 匯流排。不過，其他車輛可能會有所不同。

汽車能說哪國語言？

其實 CAN 是一種非常簡單的協議，只靠一條匯流排，任何設備都能給區域網路上的其他設備發送信息。信息內會含有標識符，標準的 CAN 協議識別符長度為 11 比特，擴展版則為 29 比特。一條信息最長為 8 位元組。

標準的 CAN 信息

標識符會決定如何解析信息，而 DBC 文件是指定解析方法的標準方式。下面這段代碼就是從參與測試本田思域的 DBC 文件中截取出來的，從中我們可以看出轉向控制包是如何解析的：

BO_ 228 STEERING_CONTROL: 5 ADAS

SG_ STEER_TORQUE_REQUEST : 231@0+ (1,0) [01] "" EPS

SG_ CHECKSUM : 394@0+ (1,0) [015] "" EPS

SG_ COUNTER : 332@0+ (1,0) [03] "" EPS

這段代碼第一行的信息標識符是 228 或 0xE4，其他四行則展示了將四個欄位打包填充進 5 位元組信息的方法。

如果想看到更多解析 CAN 信息的代碼，可以在 GitHub 上搜索 can_parser.py 和 dbc.py。

如何完成精確的轉向？

恐怕你已經注意到，轉向控制包並未指定車輪轉向的精確方位，它控制的是傳導到車輪上的扭矩。這確實是許多車輛轉向時的控制方式，不過這裡還需要額外加入一些控制項來打造閉環控制系統。此外，CAN 匯流排上也已經整合了車輛的轉向角度。

BO_ 330 STEERING_SENSORS: 8 EPS

SG_ STEER_ANGLE : 716@0- (-0.1,0) [-500500] 「deg」 NEO

這樣一來，預定角度、當前角度和扭矩控制都齊全了，很適合打造 PID 迴路。不過，由於扭矩較小，因此只使用 PI 迴路就行。

如果想看到更多 PI 迴路的執行方法，可以在 GitHub 上搜索 latcontrol.py。

ROS 2.0

說了這麼多，我們也該談談 openpilot 的架構。

初看下來，它與 ROS（機器人操作系統）非常相似，不過後者 有些臃腫，而且自定義的消息傳遞系統和輸入系統也不招人喜歡。

在 openpilot 上，開發者用了 ZMQ 發布 / 訂閱模型來處理信息傳遞，輸入上則用到了 cap』n proto。有趣的是，ROS 進化到 2.0 時代後，也會用到相同的解決方案。

車輛抽象層

在設計指出，研發人員就希望 openpilot 能與不同的車輛進行 「交流」。如果想了解車輛抽象層的相關代碼，可以到 GitHub 上搜索 car.capnp。

自適應巡航（縱向）

在 openpilot 中，開發者將油門 / 剎車與轉向進行了分離。縱向控制上與傳統車輛無異，這裡也沒有用到神經網路。

開發者還在 GitHub 上公布了 radard.py 的相關代碼，它可以用來解析車輛雷達傳來的信息。同時，它還與視覺系統進行了基本的融合，最高可以回傳兩輛前車的位置信息。

有了這些信息，自適應巡航系統就能決定行駛時車速的高低了。

視覺系統（橫向）

visiond 負責控制神經網路，不過由於商業模式的原因，這部分採用閉源設計，但 API 是開源的。

struct ModelData {

frameId @0 :UInt32;

path @1 :PathData;

leftLane @2 :PathData;

rightLane @3 :PathData;

lead @4 :LeadData;

...

藉助視覺系統，openpilot 可以順利完成路線規劃，同時對左右車道和前車的方位，它也能了如指掌。

藉助 pathplanner.py 代碼，各種路線選擇被整合到了一起，隨後它會完成最佳方案的選擇。同時，latcontrol.py 代碼還會為車輛設定路途中的目標點，隨後汽車會跟著這些目標點前行。當然，現在這套系統還有很大的進步空間，未來會加入更多複雜的控制策略。

整合

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！