无人驾驶综述

(cheyun.com)

自动驾驶芯片，三足鼎立：英特尔+Mobileye、英伟达、高通+NXP。

无人驾驶技术是高精度激光雷达、图像识别、交通标识识别、3D高精度地图、人工智能、深度学习、云计算等技术的结合。

无人驾驶级别

无人驾驶级别由国际自动机工程师学会(SAE interantional)制定，已获全球广泛接受。

级别	简述	描述
L0	无自动化	由驾驶员全权操作汽车，可以得到警告和保护系统的辅助。
L1	驾驶支援	根据驾驶环境对方向盘和加减速中的一项操作提供支援，其他动作由驾驶员操作
L2	部分的自动化	根据驾驶环境对方向盘和加减速中的多项操作提供支援，其他动作由驾驶员操作。先进的驾驶员辅助系统，可以在特定环境下控制方向盘和刹车，但算不上无人驾驶
L3	有条件的自动化	由自动驾驶系统完成所有的驾驶操作，驾驶员根据系统请求提供适当的应答。确实可以驾驶汽车，但只能在有限的情况下发挥作用，需要有司机随时接过汽车的控制权。
L4	高度的自动化	由自动驾驶系统完成所有的驾驶操作，驾驶员根据系统请求不一定提供应答，限定道路和环境条件。在实践中，它可以完成人类司机能够完成的多数任务，但只能在有限的地理区域有效-即地图绘制完善的区域。
L5	完全的自动化	由自动驾驶系统完成所有驾驶操作，驾驶员在可能的情况下接管。不限定道路和环境条件。系统是成熟的无人驾驶系统，可以自动开到任何地方，驾驶技术堪比经验丰富的老司机。

目前自动驾驶的级别是由厂商自己设定的，还没有第三方机构对其进行评估。

无人驾驶政策

联合国：2016年3月生效的法案中，联合国对《维也纳道路交通公约》进行了修改，不再要求驾驶员时刻掌握车辆控制权，而是只要自动驾驶技术具备“可以被驾驶员权限覆盖或接管”的特性即可。

国内：2015年国务院印发了中国制造2025，将智能网联汽车列为，未来十年国家智能制造的重点领域，明确指出到2025年的要掌握自动驾驶总体的技术以及各项相关技术，同年中国智能网联汽车标准体系建设方案出台，2016年10月底，中国智能网联汽车技术方案发布路线图，以引导汽车制造商的研发，以及支持未来政策的制定，2018年3月1日上海市政府发布了《上海市智能网联汽车道路测试管理办法（试行）》，明确了道路测试推进管理机构申请条件，审核流程，事故责任认定，以及处理相关违规操作责任等内容，上汽和蔚来，获得了首批自动驾驶汽车路路侧号牌的一个资格。

无人驾驶技术

从技术角度来说，自动驾驶可分为感知、决策、控制三个部分。

“传感器+高精度地图+云计算”目前被业内认定为最靠谱的自动驾驶方案。传感器是自动驾驶的眼睛，用来观察驾驶时环境的变化；高精度地图为汽车提供全局视野，尤其擅长预告检测范围外的道路情况；云计算保证传感器数据更新上传，让高精度地图始终处于最新版本并下发车辆，云更收集和分析路采数据，以及训练更新决策模型的主要环节。

传感器的配置趋同化：前视多目摄像头，77GHz长距/短距雷达、环视摄像头、十个以上的超声波雷达、几个低线束激光雷达。

感知层面，由于ADAS的大量部署和长时间的技术开发，技术相当成熟。

控制是传统车厂和Tier1非常擅长的领域，做了多年，积累大量经验。

自动驾驶的竞争主要聚焦在决策环节。区别ADAS和自动驾驶系统主要看系统是否有决策部分。决策的两个要求：快、准；快主要靠强悍的计算硬件和高速高带宽的数据总线，准主要靠算法和大量数据。

无人驾驶架构

vehicle_platform -> hardware platform > operating system->

• sensing

  GPS/IMU

  Camera

  Lidar/Radar

• Perception

  Localization

  Navigation

  Environment_Recognition

• Decition

  Prediction

  Planning

  Decision

• Control

  speed

  Steer

  Brake

关键技术

环境感知技术

环境感知包括无人驾驶汽车自身位姿和周围环境感知两部分。

自身位姿信息包括车辆自身的速度、加速度、倾角、位置等信息。这类信息测量较为方便，主要用驱动电机、电子罗盘、倾角传感器、陀螺仪等传感器进行测量。

周围环境感知以雷达等主动型测距传感器为主，被动型测距传感器为辅，采用信息融合的方法实现。

激光、雷达、超声波等主动型测距传感器相结合更能满足复杂、恶劣条件下执行任务的需要，并且处理数据量小、实时性好，同时做路径规划时可以直接利用激光返回的数据进行计算，无需知道障碍物的具体信息。视觉在恶劣环境中感知存在问题，但是目标识别、道路跟踪、地图创建等方面不可替代，在野外环境的植物分类、水域和泥泞检测等方面也必不可少。

每一个传感器都是为了弥补其他传感器不足而设置的。激光雷达无法感知玻璃、雷达主要感知金属、摄像头容易被图像欺骗。

功能	摄像头	激光雷达	毫米波雷达
车道线检测	√	√	x
路沿检测	√	√	x
障碍物相对位置、距离检测	√	√	√
障碍物运动状态判断	√	√	√
障碍物识别、跟踪	√	√	√
障碍物分类	√	x	x
红绿灯、交通标志识别	√	x	x
Slam地图创建及定位	√	√	x

导航定位技术

导航可分为自主导航和网络导航两种。

自主导航：本地存储地理空间位置，所有计算均在终端完成；优点：任何情况均可实现定位；缺点：计算资源有限，计算能力差，有时不能提供准确、实时的导航服务。自主导航技术分类：

• 相对定位：通过里程计、陀螺仪等内部传感器，测量当前位置与初始位置的位移来判断当前位置；
• 绝对定位GPS：主要采用导航信标，主动或被动标讽地图匹配或全球定位系统进行定位。
• 组合定位：GPS+地图匹配、GPS+航迹推算、GPS+航迹推算+地图匹配、GPS+GLONAss+惯性导航+地图匹配等。

网络导航：随时随地通过无线通信网络、交通信息中心进行信息交互。移动端通过移动通信网络与直接连接于Internet的web GIS服务器相连，在服务器执行地图存储和复杂计算。优点：不受本地客户端存储限制、计算能力强；能够存储任意精细地图，且地图始终是最新的。

路径规划技术

可分为全局路径规划和局部路径规划两种。

全局路径规划：针对已知地图及周围环境，利用已知局部信息如障碍物位置和道路边界，确定可行和最优路径，它把优化和反馈机制做的很好。

局部规划：全局路径规划生成的可行驶区域内，依据传感器感知到的局部环境信息来决策无人平台当前前方所要行驶的轨迹，适用于环境未知的情况。

路径规划算法包括可试图法、栅格法、人工势场法、概率路标法、随机搜索树法、粒子群算法等，常见的车辆路径规划算法：

• Dijkstra算法
• Lee算法
• Floyd算法
• 启发式搜索算法——A*算法
• 双向搜索算法
• 蚁群算法

决策控制技术

决策技术主要包括专家控制、隐式马尔科夫模型、模糊逻辑和模糊推理、强化学习、神经网络、贝叶斯网络等技术。

决策控制系统分为反应式、反射式和综合式三种方案。

反应式控制是一个反馈控制的过程、根据车辆当前位姿与期望路径的偏差，不断地调节方向盘转角和车速，直到达到目的地。

面向量产的自动驾驶汽车必须对车辆的传统执行机构进行电子化改造，升级为具有外部控制协议接口的执行部件系统，主要包括线控油门、线控转向、线控制动三个部分。

自动控制技术

自动控制模块主要包括转向、驱动和制动三个系统。

转向控制：对转向电机的控制，根据控制目标的不同，分为角度闭环控制和力矩闭环控制。

驱动控制：车辆加速、匀速、减速的控制。

制动控制：正常制动控制、紧急制动控制。

关键技术点

传感器	优点	缺点	主要供应商
超声波雷达	成本低、数据处理迅速	监测距离短、传输衰减能量较大	壁垒不高、厂家众多
激光雷达	精度高、不依赖光线0-200米测量范围	检测距离短、传输衰减能量较大	Quanneryg、Velodyne、IBEO
毫米波雷达	适应雨、雾、烟层天气，0-200米测量范围、可以测距和测速	视野角度小、侧向精度低、分辨率低	大陆、博世、海拉ZF、电装
摄像头	成本低、获取信息全面	光线影响较大	松下、SONY
夜视系统	环境适应性好、功耗低	成本较高	奥托立夫、博世

ADAS(高级驾驶员辅助系统)

利用安装于车上的各式各样的传感器，第一时间收集车内外的环境数据，进行静、动态物体的辨别、侦测与追踪等技术上的处理，能够让驾驶者在最快的时间内察觉可能发生的危险，以提高安全性的主动安全技术。

ADAS采用的传感器主要有摄像头、雷达、激光和超声波等，可以探测光、热、压力或者其他用于监测汽车状态的变量。

ADAS是由多达9个甚至更多功能的系统组成，包括盲点侦测系统、支持型停车辅助系统、后方碰撞警示系统、偏离车道警示系统、缓解撞击刹车系统、适路性车灯系统、夜视系统、主动车距控制巡航系统、碰撞预防系统、停车辅助系统。

车道偏离报警： 摄像机

自适应巡航控制ACC：雷达

交通标志识别TSR：摄像机

夜视NV：IR或者热成像摄像机

自适应远光控制AHBC：摄像机

行人/障碍物/车辆探测(PD)：摄像机、雷达、IR(红外线摄像头)

驾驶员困倦报警：车内IR摄像机

每套系统主要包括三个程序：

• 信息收集：不同的系统使用不同类型的感测器收集车辆状态信息，并将不断变化的机械运动变成电压参数(电压、电阻、电流)
• ECU：将感测器收集到的信息进行分析处理，再向控制的装置输出控制讯号；
• 执行器：动作执行单元

目前的ADAS的系统都是基于规则的专家系统。优点是精确分析，但是场景复杂多变的时候，规则覆盖就有限。并且添加新的规则，就必须撤销或者重写旧的规则，使系统特别脆弱，且各系统之间的规则组合可能存在矛盾，这会使得ADAS向自动驾驶过度之路变的艰难。

自动决策技术路线的一个重大趋势，就是从相关推理到因果推理。

因果推理范例——贝叶斯网络：

贝叶斯网络是一个概率推理系统，贝叶斯网络在数据处理方面，针对事件发生的概
率以及事件可信度分析上具有良好的分类效果。它具有两个决定性的优势：模块化和透明性。可
以把深度学习的系统作为一个子模块融入到其中，专家系统可以是另一个子模块，也融入其中，
这意味着我们有了多重的冗余路径选择，这种冗余构成了贝叶斯网络的子节点，将有效强化输出
结果的可靠性，避免一些低级错误的发生。

因果推理范例——基于RL的决策系统：

它把一个决策问题看作是一个决策系统跟它所处环境的一个博弈，这个系统需要连续做决
策，就像开车一样。优化的是长期总的收益，而不是眼前收益。

激光雷达

激光雷达是传感器组合中的一个必要元件，对于自动驾驶是核心技术。

激光雷达能很好地在低光和强光下工作，与摄像头不同，并且比雷达或超声波能够提供更详细的
数据。激光雷达最擅长的部分是障碍探测与障碍追踪，被认为是最精准的自主感知手段，其有效
感知范围超过 120 米，而精度可以达到厘米级。但限于之前价格高昂，无法部署在量产车上，但
前景无疑是乐观的。
即使是激光雷达也并非没有缺陷，对于环境颜色信息的区分，激光雷达不够直接、快捷，而这方
面正是摄像头的强项。例如，它不能区分红绿交通信号之间的区别。毫米波雷达可以快速获得速
度信息，并且在雾天衰减率低，穿透性好，这点与激光雷达相比，是其优势。

不同激光雷达的构造存在差别，不过大致由发射系统、接收系统、信息处理等部分组成。

谷歌、百度、Uber 在内的全自动驾驶汽车未来还会承担街景车角色，利用车顶激光雷达绘制高精
度地图，所以他们使用的是车顶的“大花盆”。

和测绘专用的笨重“大花盆”相比，小型激光雷达和汽车更配。激光雷达做成小体积直接嵌入车身，这就意味着要将机械旋转部件做到最小甚至抛弃。因此车用激光雷达没有选用大体积旋转结构，而是在制作工艺上，将旋转部件做到了产品内部。嵌入式安装方式导致的监测范围遮挡，可以用多点布局的方式覆盖整车 360°视角。例如 Ibeo 的激光雷达产品LUX，改为固定激光光源，通过内部玻璃片旋转的方式改变激光光束方向，实现多角度检测的需要。Quanergy 旗下产品 S3 是一款全固态产品，使用了相位矩阵这种新技术，内部不存在任何旋转部件。

毫米波雷达

毫米波雷达具有很强穿透性，即使在恶劣天气情况下（如雨、雪、雾等天气）也不会影响高精定
位层的生成。同时毫米波雷达探测距离较远（长距离雷达 0-250m），能更早地发现车辆前方定位
特征的变化，而摄像头则能够抓取路上的标识，通过与高精度地图进行比对，就能得到非常精准
的定位。

超声波雷达

已经普及的倒车雷达就是一种超声波雷达。用于测距优势在于其方便迅速, 计算简单, 易于做到实
时控制, 是一种非接触检测技术, 并且在测量精度方面能达到工业实用的要求。缺点是受天气情况
影响比较大。
超声波探头可以分为两大类:一类是用电气方式产生超声波,一类是用机械方式产生超声波.目前较
为常用的是压电式超声波发生器.其有两个压电晶片和一个共振板.当它的两极外加脉冲信号,其频
率等于压电晶片的固有振荡频率时,压电晶片将会发生共振,并带动共振板振动,便产生超声波.反之,
如果两电极间未外加电压,当共振板接收到超声波时,将压迫压电晶片作振动,将机械能转换为电信
号,这时它就成为超声波探头了.
倒车雷达测距，是通过倒车雷达探头在某一时刻发出超声波信号，遇到被测物体后反射回来，被
倒车雷达接收到。只要计算出超声波信号从发射到接收到回波信号的时间，知道在介质中的传播
速度，就可以计算出距被测物体的距离。探测距离一般在 2 米内，价格便宜。前后各 4 枚超声波
雷达（探测距离 2 米）+侧面 4 枚超声波雷达（探测距离 5 米）可以实现自动泊车的功能。
超声波雷达，6 米应该算是探测的极限距离了，效果当然是不如毫米波的。

高清地图

脱离高清地图谈无人驾驶就是耍流氓。

高清地图不是普通地图，主要服务对象是无人驾驶车，或者说是机器驾驶员。
高清地图最显著的特点是其表征路面特征的精准性。传统电子地图只需要做到米级精度即可实现
GPS 导航，但高清地图需要达到厘米级精度才能保证无人车行驶安全。高清地图比传统电子地图
有更高的实时性。由于路网每天都有变化，如整修、道路标识线磨损及重漆、交通标示改变等。
这些变化需要及时反映在高清地图上以确保无人车行驶安全。实时高清地图有很高的难度，但随
着越来越多载有多种传感器的无人车行驶在路网中，一旦有一辆或几辆无人车发现了路网的变
化，通过与云端通信，就可以把路网更新信息告诉其他无人车，使其他无人车更加聪明和安全。
它远远超出了逐向导航（turn-by-turn directions）的范畴。一些企业不断升级地图数据，增加车道
标志线、路标、交通信号、洞坑信息，甚至包括路缘的高度，精准度达到厘米等级。有了这样的
地图，汽车就可以进入一个更精准的世界，车上的传感器也会更强大。

分层	信息
基础信息层	车道坡度、倾斜角、航向
	车道个数、方向、宽度
	车道线位置、类型
道路信息层	车道可通行高度
	红绿灯、人行道
	限速等标志牌、隔离带等信息
环境信息层	周围建筑物信息
其他信息层	天气信息
	施工信息
	拥堵、意外事故等信息

许多企业都在开发下一代地图，竞争越来越激烈。谷歌、Uber、福特及其它企业都在研发，想用
无人驾驶汽车的传感器收集高清地图数据。Here 是一家地图企业，提供高清地图，曾经是诺基亚
的分公司。Mobileye 自我定位为一家以 AI、图像识别技术为基础提供自动驾驶所需高精度地图的
技术供应商。福特旗下的 Civil Map 也在研究高清地图。百度高精地图研发工作由百度地图部门于
2013 年底启动。2016 年 10 月 15 日，高德宣布高精度地图免费。
以前，高清地图的绘制大多通过各公司自己的车队。目前的趋势是通过众包的方式，通过所有预
装了图像处理设备和软件的汽车，将把自己的精确位置和道路图像发送到服务器。

摄像头

包括单目，双目，环视摄像头。
单目摄像头，系统结构相对简单，安装方便，且成本较低，缺点在于必须不断更新和维护一个庞
大的数据库，才能保证系统达到较高的识别率，这需要付出较多的时间和金钱。
CMOS sensor 方面，目前已经有 4Mp 像素密度的车规级产品。

AUTOSAR

一辆高档的汽车其内部的代码量差已经超过了 1kw 行，超过上百个 ECU。日益增加的功能需求与
软件复杂度之间似乎有一个不可逾越的横沟。Autosar（AUTomotive Open System ARchitecture）就
是汽车开放式系统架构。这是一个由整车厂，零配件供应商，以及软件、电子、半导体公司合起
来成立的一个组织。自从 2003 年以来，就致力于为汽车电子行业提供一个开放的、标准的软件架
构。现如今由硬件与部件驱动的开发流程正在被由功能与需求的开发方式所取代。作为一个工程
师，不仅优化一个单一组件，而且要在系统级别上优化软件！可是不同的供应商来说，软件架构
往往是不相同的，所以就需要一个可以交换的、升级的标准系统。可是单单以一个公司而言，这
是不可能完成的。所以一群整车厂、供应商等等公司就打算成立一个组织来设计整个标准的软件
架构，其核心思想就是软件组件的重复利用，力求在整体上降低整车软件的复杂度。Autosar 成员
包括四类：Core Partners（核心成员），Premium Partners（高级成员），Development Partners
（开发成员），Associate Partners（一般成员）。核心成员有 9 个，分别为：博世，大陆，大众，
丰田，通用，PSA，福特，宝马，奔驰。最重要的目标就是基本系统功能与函数接口的标准化！
这使得开发合作伙伴可以在车载网络里直接进行数据的整合、交换、传输功能！使得整车 E/E 架
构由传统的基于 ECU 的开发（ECU-based）转变为基于功能的开发（function-based）。据飞思卡
尔统计，在 2016 年全球以 Autosar 架构的 ECU 总数将超过 2.5 亿个，其中每 4 个 ECU 中就有一个
ECU 是采用 Autosar 架构的。

其他

其他自动车涉及的技术还有如下若干，如：
 GPS 技术定位
 后轮位置超声传感器
 车内设备(高度计、陀螺仪和视距仪)
 传感器数据的协同整合
 对交通标志和信号的解析
 路径规划(**)
 适应实际道路行为
 激光测距仪