Autonomoose借助XIMEA工业相机在冬季道路上行驶，开创了无人驾驶汽车的新时代

Autonomoose自动驾驶汽车

       对于许多人来说，遥遥无期的未来已经成为少数人的现实：“自动驾驶”是自然科学和工程学等研究领域中最热门的主题之一。 滑铁卢大学和多伦多大学通过在自然科学和工程学两个领域之间的研究合作，创作了一种独特基于机器视觉的自动驾驶汽车Autonomoose。

      Autonomoose配备了XIMEA的高性能工业相机，为车辆提供“眼睛”功能。 此外，雷达扫描仪，声纳，激光雷达，视觉传感器以及具有自动驾驶代码库的先进车载计算机的同步，使得该驾驶即使在恶劣的冬季天气下也很适合驾驶。  

在冬季困难的天气条件下自主驾驶

冬季自动驾驶如何工作？ 

       由于在大范围白色背景下雪的天气中的视觉条件不同，因此在良好天气中收集的数据生成的驾驶算法可能会造成混淆，并且计算错误。因此，研究人员安排一辆装有全套传感器套件的林肯MKZ混合动力车在安大略省的积雪道路上行驶，记录恶劣天气数据，使无人驾驶汽车最终能够适应这些条件。  

       Autonomoose的同步传感器套件包括：

· 8个相机- XIMEA的工业相机型号MQ013CG-E2

· 激光雷达扫描仪-Velodyne VLP-32C， 

· GPS /惯性系统-Novatel OEM638，采用STIM300 MEMS IMU传感器 

· 采用2个IMU（Xsens MTi-300-和30-AHRS），作为高级驾驶员辅助系统（ADAS）的一部分

       该套件每秒记录和标记10张图像。 

       LiDAR与GPS PPS信号和NMEA消息时间同步。  

       每个LiDAR点云都包含完整的360°LiDAR光束扫描，从汽车后方的180°切割角开始，并顺时针旋转。 

       Autonomoose计算机接收GPS PPS信号和NMEA消息。 

       Novatel惯性位置速度扩展姿态（INSPVAX）消息包含最新的位置、速度和方向以及标准偏差。

数据在自动驾驶中的重要性

       多伦多大学应用科学与工程学院航空航天研究所副教授Steven Waslander和滑铁卢大学教授Krzysztof Czarnecki领导团队编写加拿大不利驾驶条件（CADC）的数据集。 同时他们与Scale AI合作，帮助他们对数据进行分类。

       Scale AI首席执行官Alexandr Wang说：“数据是当前机器学习研究中的关键瓶颈。” “没有可靠高质量的数据来捕捉冬季驾驶的现实，就不可能建立能够在这些环境中安全运行的自动驾驶系统。”

       Autonomoose无人驾驶汽车，正在树立高标准并实现更高的目标，尤其是在SEA水平方面。 从条件自动化到高度自动化的转变并非易事，它需要自动驾驶系统来监视驾驶环境，并能够按照该地区适用的交通法规进行操作。 为了达到这一自动化水平，视觉传感器是理解驾驶环境的关键，就像Autonomoose一样，XIMEA的八个MQ013CG-E2相机平均分布在整个车辆上。