第一章：自动驾驶系统概述

各位同学好，我是你们这门课的老朋友。今天咱们聊聊自动驾驶系统的整体面貌。说实话，我入行那会儿，自动驾驶还是个实验室里的概念。现在呢？满大街的测试车在跑。变化真快。

这一章，我会带大家从三个维度切入：分级标准、系统架构、以及嵌入式实时系统的角色。嗯，这些都是后续所有章节的基石。你想想看，如果连车能干什么、系统长什么样都不清楚，后面谈实时调度、谈功能安全，那都是空中楼阁。

1.1 SAE L0-L5 分级标准

先说说分级。SAE J3016 标准把自动驾驶分成了6个等级。我建议你把这个表格记在心里，面试时经常被问到。

等级	名称	核心特征	典型场景
L0	无自动化	人类全权驾驶，系统仅提供警告	倒车雷达、碰撞预警
L1	驾驶辅助	横向或纵向单一控制	定速巡航、车道保持
L2	部分自动化	横向+纵向同时控制，人类需监控	特斯拉Autopilot、ACC+LKA
L3	有条件自动化	系统负责驾驶，人类需接管	奥迪A8 Traffic Jam Pilot
L4	高度自动化	限定区域内完全自动驾驶	Robotaxi、无人配送车
L5	完全自动化	全场景、全工况，无需人类	理想中的无人驾驶

为什么会这样？因为 L3 的「接管」机制极其复杂。系统需要提前几秒给人类驾驶员发出请求，如果人类没反应怎么办？系统得自己降级到安全状态。这背后是大量的实时性保障和状态机设计。说白了，L3 比 L4 在某些方面更难做。

1.2 系统架构概览：感知-决策-执行

自动驾驶系统，说白了就是三个环节：感知、决策、执行。我习惯把它比作一个人：眼睛看路、大脑判断、手脚操作。

1.2.1 感知层

感知层负责「看」和「理解」。传感器包括摄像头、激光雷达、毫米波雷达、超声波等。每个传感器都有脾气。

• 摄像头：分辨率高，但怕逆光、怕黑夜。我踩过坑——有一次测试车在隧道出口直接「失明」了，因为亮度突变。
• 激光雷达：精度高，但怕雨雪雾。而且贵。嗯，现在固态激光雷达便宜多了，但点云质量还是不如机械式。
• 毫米波雷达：全天候，但分辨率低。静止目标容易漏检。
• 超声波：近距离神器，但只能测距，不能成像。

感知融合是门手艺。我见过不少团队，传感器数据各算各的，最后在决策层打架。我的做法是：在感知层就做深度融合，用卡尔曼滤波把多传感器数据对齐到同一个时空坐标系下。

1.2.2 决策层

决策层负责「想」。它包含三个子模块：

1. 预测模块：其他交通参与者接下来会干什么？比如，前面那辆车会不会变道？
2. 规划模块：路径规划、行为规划、轨迹规划。说白了就是「往哪走、怎么走、走多快」。
3. 控制模块：把规划结果转化为油门、刹车、转向信号。

1.2.3 执行层

执行层负责「动」。线控底盘、转向系统、制动系统、动力系统。这里有个坑：很多执行器是 CAN 总线控制的，而 CAN 的延迟和抖动是随机的。你想想看，如果刹车指令晚到了10ms，在高速上可能就是几米的差距。

我建议在嵌入式层面做两件事：一是给执行器分配独立的实时任务，优先级最高；二是用硬件触发中断，而不是轮询。嗯，这些细节我们后面章节会展开讲。

1.3 嵌入式实时系统的角色与挑战

好了，前面聊了分级和架构。现在说说嵌入式实时系统在这中间扮演什么角色。

说白了，自动驾驶的「大脑」就是嵌入式实时系统。它负责：

• 传感器数据的采集与预处理
• 感知算法的实时运行
• 决策与控制指令的下发
• 功能安全与故障诊断
• 通信与数据记录

我遇到过最头疼的问题是什么？是「确定性」。普通 Linux 系统，你没法保证一个任务在10ms内一定完成。但自动驾驶不行。如果感知任务超时，车可能就撞了。

嵌入式实时系统面临的挑战，我总结为三点：

1. 实时性：任务必须在截止时间前完成。这需要硬实时调度算法，比如 Rate Monotonic 或 Earliest Deadline First。
2. 可靠性：系统不能崩溃。哪怕一个传感器坏了，系统也要能降级运行。这需要冗余设计和故障隔离。
3. 资源受限：嵌入式系统的算力、内存、功耗都有限。你不能像在服务器上那样随便跑模型。得做模型压缩、量化、剪枝。

举个例子。我在做某个 L4 项目时，激光雷达的点云处理需要每帧10ms内完成。但原始算法在 ARM Cortex-A72 上跑了35ms。怎么办？我做了三件事：把算法从 Python 改成 C++、用 NEON 指令集做 SIMD 加速、把点云降采样到原来的1/4。最后跑到了8ms。嗯，这就是嵌入式工程师的日常——在有限资源里榨出性能。

好了，第一章就到这里。下一章我们会深入聊聊嵌入式实时操作系统的选型与内核原理。到时候我会分享一些我在 FreeRTOS 和 QNX 上的实战经验。咱们下章见。

---

公众号:蓝海资料掘金营，微信deep3321