2016年伊始，通用汽車就斥資10億美元收購了無人駕駛技術創業公司Cruise Automation。今年8月，Uber又花費6.8億美元收購了剛剛成立8個月的無人駕駛卡車創業公司Otto。

　　今年秋天，發生了科技行業歷史上規模第二大的并購——高通斥資390億美元收購恩智浦。這筆收購背后的邏輯顯而易見：高通需要進軍無人駕駛汽車芯片市場。　　

　　各大汽車相關企業都如此關注無人駕駛，可見說2016是無人駕駛的轉折年一點都不為過。

　　無人駕駛發展如火如荼

　　另外，無人駕駛芯片領域還出現了其他令人振奮的現象。作為無人駕駛汽車的關鍵零件供應商，英偉達股價在2016年上漲兩倍多。行業巨頭英特爾也在11月表示，將向無人駕駛汽車領域投資2.5億美元，包括開發車用芯片和車用軟件。

　　除了大筆資金投入外，幾乎每個星期都會出現與無人駕駛汽車相關的重要新聞。很多企業甚至開始邀請普通人試乘無人駕駛汽車。　　

　　Uber無人駕駛試驗車

　　Uber今年秋天就開始讓匹茲堡和舊金山的客戶乘坐無人駕駛沃爾沃專車。波士頓創業公司NuTonomy也開始在新加坡提供無人駕駛出租車。但這些汽車都配備了人類駕駛員，以便在發生故障時奪過車輛控制權。

　　但最大膽的舉措或許還是來自特斯拉。該公司今年10月宣布，其所有車型都將配備全自動駕駛所需的硬件，今后只需開發軟件即可。

　　這項戰略幫助特斯拉收集了車輛數據，之后便可用于訓練無人駕駛汽車。沒有任何一家業內企業能在這方面與特斯拉媲美。

　　一直走在無人駕駛汽車行業前沿的谷歌則將測試城市增加到4個。今年12月，該公司還將其無人駕駛汽車項目剝離為獨立公司Waymo，并歸于母公司Alphabet旗下。該公司的汽車2016年自動行駛了100多萬英里。　　

　　盡管偶有沖突發生，但監管者整體而言還是支持無人駕駛技術。

　　自動駕駛汽車從根本上改變了傳統的“人—車—路”閉環控制方式，將無法用規則嚴格約束的駕駛員從該閉環系統中請出去，從而大大提高了交通系統的效率和安全性，是汽車工業發展的革命性產物。

　　從20世紀80年代開始人類就展開了車輛自主行駛的研究。美國是世界上研究自動駕駛汽車最早、水平最高的國家之一。其中谷歌無人駕駛汽車影響力最為廣泛，也是技術水平最成熟的公司之一。但是能做到如谷歌自動駕駛車技術水平的公司寥寥無幾，可見其關鍵技術門檻是比較高的。

　　下面隨小編一起看看自動駕駛汽車中的三個關鍵技術。

　　無人駕駛關鍵技術

　　一.環境感知

　　傳感器探測環境信息，只是將探測的物理量進行了有序排列與存儲。此時計算機并不知道這些數據映射到真實環境中是什么物理含義。因此需要通過適當的算法從探測得到的數據中挖掘出我們關注的數據并賦予物理含義，從而達到感知環境的目的。

　　比如我們在駕駛車輛時眼睛看前方，可以從環境中分辨出我們當前行駛的車道線。若要讓機器獲取車道線信息，需要攝像頭獲取環境影像，影像本身并不具備映射到真實環境中的物理含義，此時需要通過算法從該影像中找到能映射到真實車道線的影像部分，賦予其車道線含義。　　

　　(▲ 博世自動駕駛傳感器配置方案)

　　自動駕駛車輛感知環境的傳感器繁多，常用的有：攝像頭、激光掃描儀、毫米波雷達以及超聲波雷達等。

　　特斯拉的Autopilot系統通過攝像頭、毫米波雷達與超聲波雷達的融合數據來控制車輛在高速路車道行駛、變道以及根據交通情況調整車速。

　　谷歌的全自動駕駛測試車用的是價格昂貴、結構復雜的遠距傳感系統LiDAR(激光雷達)。

　　豐田透露過他們的高速道路自動駕駛汽車上有12個傳感器：1個藏在內后視鏡里的前攝像頭，5個測量周圍車輛速度的雷達，和6個探測周圍目標位置的激光雷達。

　　盡管也有一些企業另辟蹊徑，希望通過V2X技術來完成環境感知的工作，但是V2X嚴重依賴于基礎設施，而傳感器則不受這個限制。

　　1.激光雷達

　　LiDAR系統使用的是旋轉激光束。寶馬、谷歌、日產和蘋果的無人駕駛試驗車用的就是這項技術。但要想在量產車上應用，價格必須大幅下降。業內普遍認為，再過幾年這個目標就能實現。　　

　　△激光雷達工作原理(圖片來自Velodyne)

　　激光雷達的工作原理是通過發射和接收激光束來實現的。在其內部，每一組組件都包含一個發射單元與接收單元。上圖的Velodyne使用了旋轉鏡面的設計。

　　這套發射/接收組件和旋轉鏡面結合在一起，能掃描至少一個平面。鏡面不只反射二極管發出去的光，而且也能把反射回來的光再反射給接收器。通過旋轉鏡面，能夠實現90到180度的視角，并且大大降低系統設計和制造的復雜度，因為鏡面是這里面唯一的運動機構。

　　脈沖光以前被用于探測距離。探測距離的原理是基于光返回的時間，激光二極管發出脈沖光，脈沖光照射到目標物后反射一部分光回來，在二極管附近安 裝一個光子探測器，它可以探測出返回來的信號，通過計算發射和探測的時間差就可以計算出目標物的距離。脈沖距離測量系統一旦被激活就能收集到大量的點云。

　　如果點云中有目標物，目標物就會在點云中呈現出一個陰影。通過這個陰影可以測量出目標物的距離和大小。通過點云可以生成周圍環境的3D圖像。點云密度越高，圖像越清晰。

　　通過激光雷達來生成周圍環境的3D圖像有幾種不同的方式。

　　一種實現方法是讓發射/接收組件上下移動同時讓鏡面旋轉，有時也叫這種方法為“眨眼點頭”。這種方法能生成高度方向上的點云，但是減少了方位數據點(azimuthdatapoints)，因此點云密度會降低，分辨率也不夠高。

　　另一種方法叫“光掃描激光雷達”(flashLiDAR)。這種方法是使用2D焦平面陣列(FocalPlaneArray，FPA)捕捉像素 距離信息，同時發出激光來照射大塊面積。這類傳感器結構復雜，制造困難，因此還沒有廣泛的商業應用。但是它屬于固態傳感器，沒有運動部件，因此將來有可能 替代現有的機械式傳感器。

　　目前雖然有不同的LiDAR結構可以產生很多形式的3D點云系統，但是還沒有一種系統能達到自動駕駛導航的應用要求。比如說，有很多系統能生成 精致的圖像，但是產生一幅圖像需要花好幾分鐘。這種系統就不適合移動傳感類的應用。還有一些光掃描系統的刷新率很高，但視角和探測距離又太小。另外還有一 些單光束(singlebeam)系統能提供有用的信息，但是如果目標太小或者超出了視角就探測不到了。

　　要想讓LiDAR傳感器的使用最大化，必須要能夠看到周圍所有的地方，也就是所說的需要實現360度視角;最終給用戶輸出的數據要有實時性，因 此必須使數據收集和畫面生成之間的時間延遲最小化。駕駛員的反應時間一般是十分之幾秒，如果我們要實現自動駕駛導航，那么導航電腦的刷新率至少要達到十分 之一秒。視角也不能只看水平方向，還需要有高度方向的視角，否則車就會掉到路上的坑里。垂向視角應該向下盡可能的靠近車輛，以便讓自動駕駛適應路面的顛簸 和陡坡。

　　目前，業內有數家生產制造激光雷達的企業，他們的產品也有著各自的特色。

　　Velodyne擁有高精度激光雷達技術(HDL)，據稱其HDL傳感器能夠提供360度水平視角，26.5度的垂直視角，15Hz的刷新率， 并可以每秒生成一百萬像素的點云。今年Velodyne推出了小型化的32線傳感器，可以實現200米的探測距離，垂直視角28°。　　

　　△Velodyne固態32線UltraPack激光雷達

　　Leddar公司同樣也有具備360°探測能力的激光雷達產品。并且，因為同時提供ADAS解決方案，Leddar同樣也提供傳感器融合技術，把不同傳感器的數據組合在一起，從而形成車輛周邊環境的整體圖像。

　　固態LiDAR——替代攝像頭/雷達或者作為它們的補充，可集成到ADAS以及無人駕駛功能中;

　　為高級別自動駕駛提供高密度點云的LiDAR;

　　可以支持光掃描或者光束測量的LiDAR(例如MEMS鏡面);

　　Ledaar的激光雷達探測距離可達250m，水平視角可達到140度，每秒可生成48萬像素的點云，水平和垂直方向的分辨率可達0.25度。

　　2.視覺圖像傳感器

　　現在一個很廣泛的應用是將2D激光雷達與視覺傳感器相結合，不過相比于激光雷達，視覺傳感器低成本的特性，也讓其成為了在自動駕駛解決方案中不可或缺的存在。

　　通過視覺傳感器的圖像識別技術對周邊環境進行感知，對于自動駕駛而言，除了知道在什么位置存在什么物體/行人之外，進而像車輛發出減速剎車等指令來避免事故這一功能之外，是以圖像識別為基礎，能夠理解當前的駕駛場景，并學會處理突發事件。　　

　　△視覺傳感器工作流程

　　如果說激光雷達的難度在于如何讓其性能能夠滿足自動駕駛導航的需求，那么攝像頭的難度則在于從感知拔高到認知的這一過程。

　　以人眼來進行類比的話，人類駕駛員在看到行人或車輛之后，會基于看到的景象對行人或車輛的下一步行動有個預判，并根據預判來控制車輛。自動駕駛 車同樣需要這個「預判」的過程，而攝像頭就起到觀察的作用。自動駕駛汽車必須能夠對車內人員、車外行人、車附近人們的行為進行觀察、理解、建模、分析和預 測。

　　這個從觀察到預測的過程同樣適用于道路上的其他車輛，不過，如何獲取駕駛場景的整體含義，如何處理突發的場景和目標，如何針對特定目標(行人或車輛)準確進行短時或長時的行為分析，以及如何對周邊的人或車輛進行行為預測并決策，這些技術都有待于進一步的深入研究。

　　當然，自動駕駛的傳感器并不只是激光雷達與攝像頭兩類，毫米波雷達與超聲波雷達，以及目前還并沒有為自動駕駛所用的聲音傳感器，希望以后能和各位一起繼續探討。

　　針對不同的傳感器，采用的感知算法會有所區別，跟傳感器感知環境的機理是有關系的。每一種傳感器感知環境的能力和受環境的影響也各不相同。比如 攝像頭在物體識別方面有優勢，但是距離信息比較欠缺，基于它的識別算法受天氣、光線影響也非常明顯。激光掃描儀及毫米波雷達，能精確測得物體的距離，但是 在識別物體方面遠弱于攝像頭。同一種傳感器因其規格參數不一樣，也會呈現不同的特性。長距離毫米波雷達探測距離長達200米，角度范圍較小(±10度)， 而中距離雷達探測距離為60米，角度范圍較大(±45度)。

　　為了發揮各自傳感器的優勢，彌補它們的不足，傳感器信息融合是未來的趨勢。事實上，已經有零部件供應商做過此事，比如德爾福開發的攝像頭與毫米波雷達組合感知模塊已應用到量產車上。

　　二.行為規劃　　

　　(▲ 變道超車示意圖 )

　　說到行為規劃也許大家會比較陌生，我們可以先從路徑規劃開始講講。路徑規劃的概念在機器人中使用比較普遍，一般定義為：

　　在具有障礙物的環境中，按照一定的評價標準，尋找一條從起始狀態到目標狀態的無碰撞路徑。對于無人車來講，若確定了目標地點的車輛位姿，車輛具體以怎樣一條運動路徑行駛到目標地點，即為路徑規劃。

　　路徑規劃其實包含大范圍不考慮運動細節的全局路徑規劃以及具體到運動軌跡的局部路徑規劃。

　　為了將無人車的局部路徑進行形象地歸類、分析，引入了“行為”的概念。車輛在城市道路自主行駛時，它應具備車道保持、變換車道、路口直行、路口拐彎、掉頭、繞障、智能啟停、自動泊車等駕駛行為。行為的有序排列及有機銜接，方可完成整個自動駕駛任務。

　　“駕駛行為”是局部路徑中細分出來的行駛單元，當然它的劃分應該是多樣性的，主要取決于算法實現。

　　行為與行為之間會保持相對獨立性，但是行為切換時又具有平滑過渡的特征。車輛行駛中，何時采用何種行為，即為行為規劃(也有稱之為行為決策)。

　　單個駕駛行為，其實目前很多整車廠或科研院所做了相當多的工作，甚至有的已經推向市場。如特斯拉的車道保持、自動變道、跟車功能，這些都是駕駛行為的具體實例。但是這些行為如何切換，如何過渡，特斯拉將其交給了人。自適應巡航、車道保持、自動變道，都需要駕駛員手動操作后托管給機器，并隨時準備接管駕駛。

　　人在同樣的工況中駕駛車輛，產生的駕駛行為序列是不一樣的，甚至同一行為的具體執行區別也較大，這跟人的性格、安全意識和當時的心情等有關系。 比如，我們在趕時間時，變道次數會增多，超車的安全系數會降低;新手開車時，變道時機把握不好，經常急剎車等;甚至在面臨事故時，是選擇撞車還是撞旁邊的 人，不同的人可能有不同的選擇。這些很多屬于人的高級思維，也涉及到法律、倫理道德，目前機器還很難達到這個層次。但是人工智能或許是解決這一問題的突破口。

　　三.車輛定位

　　自動駕駛汽車進行全自主行駛時，需要解決三個基本問題：

　　1.車輛在哪;2.往哪兒去;3.怎么去。

　　車輛在哪其實就是對車輛的定位。定位方法有多種，比如衛星定位、地面基站定位、視覺或激光定位以及慣導定位等。目前國內高校無人車使用衛星定位+基站定位方式比較多，后兩種基本沒有涉及到。　　

　　(▲ 衛星定位)

　　每一種定位方式都有其局限性，定位方式融合是趨勢。

　　比如衛星定位系統雖然適用范圍廣、絕對位置精度高，但是其不適用于室內或有遮擋物區域、位置也會隨時間漂移。視覺或激光定位相對位置精度非常高，無位置漂移，但是其受環境影響非常大。

　　將定位技術應用到無人車上時，衛星定位可以解決大范圍絕對位置定位、高速公路定位以及其他開闊空間定位問題，但是當車進入隧道、高建筑物路段或室內時，定位信號會不穩定或丟失。這時需要視覺或慣導等室內定位方式去彌補。

　　車輛定位會直接或間接影響車輛運動控制與行為決策的實現，甚至也是感知環境所需的重要信息。在執行已經規劃出來的運動軌跡時，運動控制算法需要 定位信息不斷反饋實際的運動狀態做實時的調整。在進行行為切換時，切換時機需要充分了解到車輛所處交通環境的位置。感知方面，比如利用SLAM技術構建地 圖，就需要車輛的相對定位信息。　　

　　無人駕駛汽車行為決策系統的結構

　　國內外無人駕駛發展趨勢

　　一.國內發展

　　不同于國外車企以自主研發為主，我國汽車廠商多采取與國內科研院所、高校合作研發無人駕駛技術，其中已經開始相關研究工作的企業有一汽、上汽、北 汽、奇瑞、長安等。其中，2015 年 7 月，長安汽車發布智能化汽車“654”戰略，計劃到 2025 年建立起 1500 人的研發隊伍，累計投入 130 億元提升無人駕駛等智能汽車技術水平，并掌握全自動駕駛技術。

　　

　　國內主要整車企業無人駕駛汽車研發情況

　　我們認為，目前我國無人駕駛汽車技術發展仍以汽車廠商為主導，整體上處于自動駕駛 1 級(個別功能自動)到自動駕駛 2 級(多種功能自動)的過渡階段，發展明顯滯后于國外。為加快提升技術水平，《中國制造 2025》重點領域技術路線圖已經將無人駕駛汽車作為汽車產業未來轉型升級的重要方向之一，未來將不斷加大政策支持力度。同時，隨著 5G 建設的推進，“萬物互聯”將成為可能，從而為智能駕駛汽車的迅速發展奠定網絡基礎條件。

　　二.國外無人駕駛汽車技術發展模式：

　　1.豐田

　　豐田宣布 2020 年左右實現可在“汽車專用道路”上使用的自動駕駛技術，為建立無人駕駛所需的高精度地圖，豐田推出了一套“地圖自動繪制系統”，該系統可以充分利用搭載于 市銷車上的攝像頭及 GPS，自動繪制車輛自動駕駛所必須的高精度地圖，該項技術有望為將來的自動駕駛車輛提供行駛支持，未來還有望擴充應對“一般道路”及“道路障礙物”等方 面的功能。

　　該項技術的基本原理是利用搭載了攝像頭的車輛，在行駛過程中采集路面圖像數據和地理位置數據，并將數據統一反饋到信息中心進行集中處理和調整，進而自動繪制出大范圍高精度的地圖。

　　該系統采用了由豐田中央研究所開發的空間信息自動生成技術“COSMIC”(云空間信息生成)，可利用車輛收集的圖像數據和 GPS 信號繪制高精度地圖。

　　該系統通過市銷車及現有基礎設施收集信息，因此在實現信息實時更新的同時，還能有效控制系統成本。

　　2.沃爾沃

　　作為汽車安全的領導者，沃爾沃提出到 2020 年確保其汽車產品不會出現重大傷亡事故，而發展自動駕駛技術正是這一目標的產物。目前，沃爾沃的車輛已包含有自動緊急剎車、行人和騎車者監測、車道偏移輔助和自適應式巡航控制等技術。

　　目前，沃爾沃已進入“高度自動駕駛”的實質性項目測試和商業化階段，為加快無人駕駛相關技術研發和推廣，2014 年沃爾沃發布了與愛立信打造的 Sensus 智能操作系統，Sensus 智能操作系統基于愛立信的云端服務，提供包括互聯(Connect)、服務(Service)、娛樂(Entertain)、導航(Navi)、控制 (Control)在內的車載互聯功能，以實現安全、便捷、智能、高效的車內外互聯體驗，旨在打造基于車聯網、物聯網和大數據的智能城市交通生態系統。

　　目前，Sensus 智能操作系統在中國的合作伙伴包括百度、聯通、高德、豆瓣等。

　　同時，沃爾沃與蘋果 CarPlay 和谷歌 Android Auto 均已達成合作聯盟，未來沃爾沃車主可通過 Sensus 與目前兩大應用最廣泛的智能手機平臺進行互聯互通。

　　3.寶馬

　　早在 2013 年，寶馬就與汽車零部件供應商大陸集團合作開發無人駕駛汽車，主要目的是為 2020 年之后將自動駕駛技術投入應用作準備。

　　2014 年，寶馬展示了其研發的無人駕駛技術，該技術不僅可以幫助車主在交通狀況擁堵的城市找到便捷暢通的行駛路線，同時并不會奪走駕駛員對汽車的掌控權。寶馬將 其命名為“UR：BAN research”(城市空間)，該技術是以用戶為主的網絡管理和輔助系統，致力于幫助駕駛員避開路上的行人，通過預測交通信號燈的變化方式使出行更加順 暢更加高效。

　　“UR：BAN”項目的研發將會持續到2016年，并將重點放在三個方面的研發上：認知輔助、網絡化交通系統、交通中的人為因素。“認知輔助”系統的目標是，幫助駕駛員時刻關注來往行人的動向。

　　寶馬設想在汽車上安裝類似“認知輔助”系統，對行人進行自動分析，并對車主做出預警，汽車隨時采取自動轉向或自動剎車的措施，避免撞到行人。

　　目前，寶馬已將這一技術在寶馬 5 系上進行試驗，該技術能識別出行人的體形，并通過計算程序估算出行人的位置和將走的路線。

　　寶馬大力推進的另一項目“Urban Roads”著重開發“綠色協調和減速輔助系統”，該系統可計算出紅綠燈的變換時間，并將其結合當前的實時路況信息，之后隨時調整道路和發動機設置，以實現最高效的駕駛狀態。

　　在 2015 年的 CES 展上，寶馬推出了全新的自動駕駛技術，包括 360°預防碰撞系統和多層停車場全自動泊車技術。當存在碰撞危險時，360°預防碰撞系統會通過報警聲向駕駛者發出警告，還可通過自動制動干預以厘米級 精度使車輛停止。同時，通過在試驗車型上安裝了高精度的 GPS 以及傳感器列陣，在分析完大量數據之后，汽車會針對當前路況做出精確判斷。

　　4.Tesla

　　特斯拉 Model S P85D 在發布時，廠商就明確表示其具有各類傳感器，可實現自動駕駛功能。只不過，限于當時的技術條件限制，軟件方面卻沒有全部開放所有的個功能，特別是自動駕駛功能。

　　2015 年 10 月，公司發布 7.0 版本固件，固件中搭載了名為 Autopilot 的自動駕駛功能。用戶通過在線升級廠商推送的固件后即可解鎖自動駕駛功能，特斯拉的自動駕駛功能主要包括自動車道保持、自動變道和自動泊車等功能。

　　與谷歌無人駕駛所不同的是，特斯拉并不是真正意義上的無人駕駛，而是高級自動駕駛(或輔助駕駛)，谷歌的解決方案更多是依靠高精度雷達、高精度傳感器和高精度地圖，而特斯拉的高級自動駕駛則更多地依賴攝像頭，依靠機器視覺進行車道保持、變道等功能。

　　就其理念而言，Google更理想化，直接指向終極解決方案，而Tesla更務實些，現階段的可行性更高。近期，公司發布了最新的 7.1 版本固件。7.1 系統新增加了輔助轉向的安全限制，當車主開著特斯拉 Model S 進入住宅區行駛時，車輛可以通過地圖自動識別道路環境，將車輛限制在一定速度內行駛。

　　此外，7.1 系統還加入了手機召喚功能。借助召喚功能，即使駕駛員在車外，Model S 和 Model X 也能完成泊車和駛離車位的操作，甚至還能根據需要開啟和關閉預編程車庫門。召喚功能是公司邁向全自動駕駛的重要一步，展現了特斯拉在自動駕駛領域的領先地 位。目前，特斯拉被認為是全世界量產車中主動安全和準自動駕駛性能最先進的汽車。

　　值得注意的是，特斯拉的自動駕駛功能也在通過“自主學習”進行不斷完善和優化。目前，遍布 42 個國家的客戶已駕駛 107000 多輛特斯拉汽車累計行駛了近20 億英里。特斯拉自動駕駛功能正在以每天 100 多萬英里的速度進行學習。特斯拉能通過汽車與中央數據庫的無線連接來收集和在車輛間共享詳細行駛數據，這令其在打造可靠體驗方面具備了一個獨特優勢。

　　從目前發展情況看，豐田、沃爾沃、寶馬、tesla 等主流跨國車企無人駕駛技術主要從自動駕駛 1 級(個別功能自動)向自動駕駛 4 級(完全自動駕駛)橫向發展，遵循由易到難，由簡單到復雜的發展路徑，通過車聯網和 ADAS 著手，自建或共建高精度地圖系統，不斷豐富自動駕駛功能及內涵，循序漸進，最終實現真正意義上的無人駕駛。

　　結束語

　　自動駕駛汽車是汽車界與機器人界碰撞、融合的產物，它匯集了機電一體化、環境感知、電子與計算機、自動控制以及人工智能等一系列高科技。汽車作為人類重要的交通工具，隨著這些子技術的融合、發展與突破，必將變得越來越智能，最終實現全天候無人駕駛。