【導讀】本文從工程實踐角度，總結歷屆智能車大賽中無人駕駛技術進展，從幾個潛在的突破點出發探討了自動駕駛/無人駕駛技術的實用化內容，聚焦環境感知技術及車載傳感器、車輛系統集成、V2X和車聯網、高精度定位和地圖技術、深度學習和計算平臺等方面，其內容可供智能車輛研發者參考。
近來，采埃孚（ZF）收購激光雷達公司Ibeo的40%股權，Velodyne旗下激光雷達公司Velodyne LiDAR獲福特汽車和百度聯合注資1.5億美元。Mobileye宣布終止與特斯拉的合作，不再為特斯拉Autopilot系統提供EyeQ系列芯片支持，轉而與英特爾、寶馬共同開發無人駕駛汽車技術和技術平臺。這些智能車圈的熱點事件背后，是自動駕駛技術快速發展道路上的車載傳感器、核心部件、計算平臺等資源的整合，智能車輛研發進入關鍵節點上、面向實用化的技術突破方面的考慮。
1、引言
1.1 從智能車挑戰賽看中國智能車發展情況
從2009開始，在國家自然科學基金委“視聽覺信息的認知計算”重大研究計劃支持下，分別在西安、鄂爾多斯、赤峰、常熟等地舉辦了七屆“中國智能車未來挑戰賽”。智能車挑戰賽是現有的國內外唯一專門面向無人駕駛的賽事，對中國無人駕駛車輛研究起到很大的推動作用。
歷屆中國智能車未來挑戰賽
在前幾屆比賽中，參賽無人車輛行駛還比較慢，需要較多的人工干預。在2013年之后，國內相關研究單位取得了較大進步，參賽無人車輛已能在真實交通環境中進行順暢地自主駕駛，與其他車輛進行交互。在諸多研究單位中，涌現出了清華大學、國防科技大學、同濟大學、上海交大、軍事交通學院、西安交通大學、北京理工、北京聯合大學、南京理工大學、中科院合肥物資研究院、武漢大學、湖南大學等知名團隊。這些團隊已經和一汽集團、上汽集團、廣汽集團、比亞迪和長城汽車等國內眾多車企開展了許多深度合作。
不同年份中國無人駕駛車輛差異對比：
（a）2009年參賽無人車輛
（b）2015年參賽無人車輛
從上圖可以看出，2009年參賽無人車輛都是在現有商用車上經過加裝外置傳感器和外置控制器等設備改裝而成。而在2015年參賽的部分無人車輛則體現了研究單位與車企深度合作的結果，已經將大部分傳感器內置并結合車載總線進行了控制和深度改造。除此之外，國內IT巨頭們也紛紛投入無人駕駛研究，例如樂視已在多處開展研發，百度與寶馬合作的無人駕駛車輛已經在北京的環路上進行了測試，長安汽車從重慶到北京進行了長途無人駕駛測試，這些車輛體現了不同等級智能化程度。在后續能夠集成人工智能研究最新成果，有望引領中國智能汽車發展。
IT企業和車企也投入智能車輛研發
1.2 無人駕駛面臨問題及潛在的突破點
雖然國內外的智能車輛研究取得了極大的進展，但是從近期的谷歌無人駕駛汽車和特斯拉自動駕駛汽車的事故來看，相關技術實用化還面臨多重挑戰。其中，最為關鍵的是如何提高環境感知精確程度，在環境感知能力上突破。在此基礎上，特別是針對許多突發的交通場景，無人車輛需要進行智能決策和處理。
無人駕駛車輛的環境感知
本文探討了無人駕駛技術幾個潛在突破點：
首先，需要面向自動駕駛功能進行傳感感器選擇和優化配置。由于交通環境的復雜性，需要高精度的傳感器進行環境檢測。現階段傳感器均受其工作范圍限制以及氣候環境因素和車輛運動的干擾，無法保證所有情況下的保證安全駕駛的行車要素的準確檢出。以激光雷達為典型的外部傳感器價格昂貴，極大限制了實際大范圍應用。所以，需要面向復雜環境感知需求，集成低價、性能優秀的車內和車外傳感器，發揮各傳感器的優勢，在合適的成本基礎上，按照不同等級的自動駕駛功能需求進行自身姿態和周邊駕駛環境感知的傳感器選擇和優化配置。
其次，需要面向自動駕駛重新設計的車載集成系統。結合全新自動駕駛架構設計，結合集成化控制系統和新型總線分布，對自動駕駛功能進行擴展和集成。通過集成更優秀感知和決策算法的車載軟件，使得自動駕駛系統具備更高安全性和魯棒性。
再次，需要V2X無線網絡支持。通過車聯網絡實現信息共享和傳感器視距和感知范圍擴展。需要高精度GPS定位和高精度的3D地圖支持，降低對高精度環境感知的要求，降低實現高級自動駕駛系統的難度。
此外，需要高性能計算平臺支持。通過集成高性能車載計算平臺，結合深度學習技術，擴展車輛智能化水平。通過接入遠程智能服務實現智能擴展與共享，將人工智能技術的新突破應用于無人駕駛。
2、面向不同等級的自動駕駛進行傳感感器優化配置
現階段常用的外部傳感器，只在某些特定情況下適用，精確感知需要進行多傳感器信息融合。例如，毫米波雷達可以準確檢測前方車輛的距離和速度，具備較強的穿透霧、煙、灰塵的能力；但無法對目標進行細化識別。而相機視覺系統可以獲得車道線、交通信號等目標的顏色和形狀等細節，從而進行深度識別。但是相機視覺系統的測距能力沒有激光雷達精確。激光雷達通過點云來建立周邊環境的3D模型，可以檢測出包括車輛、行人、樹木、路緣等細節。所以，通過激光雷達或毫米波雷達與視覺傳感器進行融合，不僅可以進行目標物體檢測，而且還能進行目標空間測距，目標圖像識別等功能。類似，GPS定位、視覺傳感器和激光雷達進行融合，則可以實現車道保持所需的高精度定位，也能實現多類障礙物目標檢測。
基于激光雷達等傳感器的環境感知模型
近期特斯拉汽車事故說明要做到高級自動駕駛僅靠單類傳感器則難以實現，而是需要多種傳感器融合，特別是關鍵性傳感器不能減配。無人駕駛汽車的車載傳感器配置可作為完整性參考方案。
1、車載傳感器選擇參數
在選擇車載傳感器時，一般需要綜合考慮多個方面的屬性，包括傳感器精度、分辨率、靈敏度、動態范圍、傳感器視角、主動與被動傳感器、時間精度和輸出接口。以及誤報率、溫度適應性、黑暗適應性、不良天氣適應性、硬件成本、信號處理能力等。表1是常見的幾類傳感器綜合指標，包括超聲波雷達、激光雷達、毫米波雷達、攝像頭、紅外探頭等，可以綜合考慮加以選取配置。
注：
（1）傳感器精度：真實值和傳感器的測量值之間的誤差，取決于外部干擾等因素。
（2）傳感器分辨率：兩次測量值之間的最小方差，通常比傳感器的實際精度更低。
（3）傳感器靈敏度：可檢測或測量的最小值。
（4）傳感器的動態范圍：最小以及可以準確地報告最大值。
（5）傳感器視角：描述傳感器可以看到的視場角度。
（6）主動與被動傳感器：有源傳感器主動感測環境，無源傳感器則比較依賴環境條件。
（7）傳感器時間精度：傳感器的刷新速率和測量帶寬變化頻率
（8）傳感器輸出接口：輸出模擬電壓，電流，數字信號，串口或網絡數據流等方式。
（9）低誤報率：由于噪聲、干擾等引起檢測結果誤報的比例。
（10）溫度適應性：是否能在不同溫度條件下正常工作。
（11）黑暗適應性：是否能在不同光照條件下正常工作。
（12）不良天氣適應性：是否能在下雨、揚塵、潮濕等天氣中正常工作。
（13）低成本硬件：傳感器硬件價格成本。
（14）信號處理能力：傳感器數據量。
2、實現不同等級的自動駕駛所需傳感感器
在不同等級的自動駕駛功能實現中，通過對雷達、激光雷達、視覺相機（單目、雙目和紅外）、超聲波等常見傳感器的優劣勢分析，最終形成適當的車載傳感器配置。
表2. 實現不同自動駕駛功能所需傳感器及感知參數分析
如下圖所示，要實現典型的自動駕駛功能，要求車載傳感器能夠覆蓋長、短距檢測、兼顧日夜行駛等需求。典型方案中要求配備毫米波雷達傳感器6個（超長距前窄角1個，中距前窄角1個，后/側面廣角4個）、紅外夜視傳感器1個（長距前窄角）、圖像攝像頭6個（長距前窄角1個，短距廣角后方1個、側面4個）、以及超聲波傳感器4個（前/后側短距廣角）。
實現自動駕駛系統所需的車載傳感器配置
而要實現無人駕駛，除了上述傳感器之外，還需要選配高精度GPS定位系統及高精度測距傳感器，還需要應對復雜路況的各類激光雷達傳感器等。如圖5所示，參加DARPA Urban Challenge比賽的Stanford 大學“Junior”無人車，則在大眾SUV基礎上，配備5個激光雷達（IBEO，Riegl，SICK和Velodyne），1個Applanix GPS慣性導航系統，5個BOSCH毫米波雷達，以及前向相機系統。
Junior無人駕駛車輛及其傳感器配置
Junior無人駕駛車輛定位通過Applanix POS LV 420集成慣性導航系統實現，包括GPS方位航向測量、高性能慣性測量單元、車輪里程計（DMI）和OMNISTAR衛星虛擬基站服務，提供低于100厘米和0.1度的實時位置和方向誤差。2個側向的SICK LMS 291-S14激光雷達和1個前向的RIEGL LMS-Q120激光雷達提供3D道路結構和車道標線檢測，并進行車輛高精度定位。1個車頂64線Velodyne HDL-64E激光雷達用于障礙物和移動車輛檢測，形成水平方向360度和垂直方向30度視域的掃描數據，由車尾的2個SICK LDLRS激光雷達和前保險杠2個 IBEO ALASCA XT激光雷達進行視野補充。5個安裝在前格柵的BOSCH長距離雷達（LRR2）提供周圍移動車輛的檢測信息。由兩個英特爾四核服務器通過一個千兆以太網進行連接來提供傳感器融合等車載計算服務。
3、通過車載傳感器集成與智能化降低整體費用
通過車載傳感器集成與智能化與能夠突破自動駕駛技術所需的環境感知基礎支撐，通過配置優秀和價格低廉的車載傳感器，實現環境感知，推進無人駕駛技術進展。如圖6所示，現有的車載傳感器通過各類總線技術進行集成和配置，再通過傳感器信息的智能化處理，輸出自動駕駛所需的環境感知信息。
車載傳感器集成與智能化
同樣，智能車輛也需要從車身內的傳感器的智能化與集成內容入手，分析實現自動駕駛需要哪些車載傳感器。通過融合車載的IMU、車頭指向設備和GPS等傳感器進行車輛位姿精確感知，實現車輛控制。
現有車輛設計還沒有考慮智能化需求，車身載傳感器的種類較多，分布在各個子系統中，有一些傳感器重復使用。下一階段，更多考慮智能化功能需求，并且通過傳感器的微型化、多功能和智能化、集成化發展。通過MEMS傳感器實現微型化；通過集成多功能、減少車載傳感器數量，提高車輛姿態感知可靠性；通過傳感器與微處理器結合集成智能化處理算法，減少ECU復雜度。通過傳感器總線集成，可以實現車身傳感器信息共享，降低了成本。例如，速度傳感器、加速度傳感器、加速踏板位置傳感器、節氣門位置傳感器、方向盤轉角傳感器等信息，可以智能車輛的各個子控制系統功能模塊中共享。
車載自身姿態感知傳感器方案
3、擴展環境感知能力和降低對傳感器依賴
3.1通過V2X車輛聯網擴展智能車環境感知能力
通過V2X應用可以擴展車載傳感器感知范圍，通過多車之間溝通各自速度、加減速和轉向等信息，提高自動駕駛安全性，為交通的可預測和管控提供基礎。通過V2X應用廣播前車的環境感知結果，使得施工、交通事故、道路異物、坑洞和路滑等情況可以預先告知后車，有效提高自動駕駛安全。使智能車輛的環境感知范圍擴大，不再受限于車載傳感器的視距范圍限制，減少了多變的天氣和復雜環境因素影響。
基于V2X技術擴展智能車輛感知能力
通過V2X網絡互聯到云端，可以獲得更大范圍的環境信息，擴展了實時導航和路徑規劃等服務。在沒有網絡信號的地方，通過本地通訊服務，在幾百米范圍內形成車間局域網絡，形成一個幾公里范圍的視野，更容易實現安全的自動駕駛。
現階段較多采用IEEE802.11P等短距通訊來構建DSRC短程車間網絡，更大范圍的網絡基于LET-V等技術來構建，還包括LTE標準（LTE V2X）技術，通過LTE-Direct （LTE-D）技術能尋找500m內數千車載設備并提供服務，讓最接近的LTE-D設備實現通訊。此外，正在發展中的5G網路技術也可為車載應用構建基礎支撐。DSRC之類短距通訊已經開展并通過了一系列的現場測試，進入實際部署工作；而LTE V2X等新技術還在開發階段，需要制定新標準和開展更多測試。
3.2基于高精度定位和3D高精度地圖支持降低對傳感器依賴
智能車輛都采用GPS或者北斗等全球定位系統進行定位和導航，現階段還需要提高定位系統的精度，提供高精度導航地圖來滿足自動駕駛需求。通過提供厘米級的定位以及應對復雜駕駛環境的精確三維地圖數據，智能車輛獲得最佳行車路線，地形特征，位置映射等，方便進行動態目標檢測和障礙物檢測等，極大降低對傳感器依賴。
1、高精度定位系統
民用級GPS在接收到4個或更多衛星時能提供約為十米級的定位精度,差分GPS(（Differential Global Positioning System)通過在位置已經精確測定的已知點上配備一臺 GPS 接收機作為固定地面參考點，參考點和定位設備間利用廣播等方式增加一步位置修正，可以達到米級定位精度。要實現厘米級精度的定位，還需要將GPS設備和高精度慣性測量單元（IMU）結合起來,GPS提供高精度定位數據，慣性測量單元提供高頻率采集數據。例如，在自動駕駛方案中采用Applanix POS的系統提供多雙頻GPS接收信息實時集成，包括GPS方位航向測量、高性能慣導測量單元（6自由度、安裝靠近后軸處）、車輪里程計（DMI）、OMNISTAR衛星虛擬基站服務等，系統實時位置誤差通常可低于100厘米，方向誤差低于0.1度。這些高精度定位方法成本較貴，限制了實際大范圍應用。后續需要集成基于低功耗、低價、微小型智能定位傳感器，提供高精度定位服務。
Applanix POS LV420系統
2、高精度導航地圖
目前所用導航地圖所提供信息的精細程度還無法滿足自動駕駛要求。通過采用激光雷達獲取三維點云數據，并進行人工標記之后建立路面模型，包含道路上較為全面的交通標志、交通信號燈等信息，還包括車道線位置、數量和寬度等信息，包括道路坡度和斜率等，還包括車道限高、下水道口、障礙物以及其他道路上一些細節。地圖既可以提供當前道路的靜態環境模型，也可以通過預先存儲的點云和圖像特征數據來提供高精度定位。
在高精度地圖技術路線中，一類是谷歌和Here的激光雷達和攝像頭獲取3D點云數據測量的地圖，在點云數據基礎上進而建模分類得到高精度地圖。另外一類是通用、大眾聯手Mobileye的RoadBook眾包地圖，通過車輛攝像頭和GPS，結合本地以及云端軟件來開展高精度地圖服務。
高精度地圖需要使用高精度激光雷達，收集數據后進行人工標記才能使用，比較耗時費力，測繪成本較高，不會頻繁更新數據，實用性下降。采用眾包方式收集數據，通過每輛車載終端得到車道線、各項道路標志以及道路上的基礎交通設施等信息發送云端，雖然精度不如激光雷達測定，但通過增加數據量來提高精度，可以降低成本，并且實時更新地圖。例如，Mobileye通過EyeQ4系統上增加更多檢測設備并整合其軟件系統，結合道路經驗管理系統（RoadExperience Management，REM），利用深度學習技術來對道路上各種行車要素的識別和采集，最后構建Roadbook。REM根據駕駛環境來綜合分析路況，如前車運動軌跡、路邊靜止的物體等信息，得到合適的可行駛路線。所采集信息在本地進行預處理之后得到近處以一維數據為主的表示，結合必要的三維數據，最終讓地圖信息保持較小規模，方便及時上傳與下載更新。通過多車輛的學習和完善，云端系統將會比人類駕駛員更熟練地處理復雜交通場景，有利于克服自主駕駛面臨的困難挑戰。
圖10.Roadbook高精度導航地圖
高精度地圖是實現自動駕駛和無人駕駛不可或缺的基礎支撐，許多企業開始開發定制化地圖，包括Here（奧迪寶馬和戴姆勒）發布的HDLive地圖、Mobileye發布RoadBook、TOMTOM為蘋果、Uber和Bosch提供地圖數據，發布RoadDNA，大陸的RoadDB（RoadDatabase），以及車企如豐田推出的全新地圖繪制技術，國內百度、高德、四維圖新和武漢光庭等公司開發的高精度地圖等。
4、面向自動駕駛的車載集成系統
通過全新的面向智能車輛的架構設計，結合集成化控制系統和新型總線，將傳感器和智能計算單元進行配置和集成，將可為自動駕駛提供基礎架構支撐。
4.1面向自動駕駛的新型車輛總線控制架構
無人駕駛技術離不開車載控制系統的深度集成，由于車企保護做法，許多車輛總線系統還沒對外開放，現在還有許多實現方案是不對原車做任何改動，直接附加一套電機裝置，類似于ADAS測試中使用的ADB機器人，但這種方法安全性極低。自動駕駛車輛的執行器改裝主要分為轉向、制動和油門改裝等部分。由于沒有車企的支持，現有一些自動駕駛方案中還是通過外加轉向機器人、制動機器人和油門機器人的方式來實現對車的控制。由于這類改裝方式，需要外部控制系統，例如剎車采用電機拉動鋼絲繩，鋼絲繩連在剎車踏板上，剎車的反應時間增加，可靠性和實時控制都降低，無法體現無人駕駛的優勢。
設計復雜的自動駕駛機器人
而基于線控技術集成的自動駕駛系統將極大提高智能車輛的可靠性和操控性能。自動駕駛方案中動力、轉向和制動（部分還包括懸掛）三個系統需要X-by-wire線控技術。得到車企和博世等零部件供應商支持的自動駕駛方案中，能夠通過車輛內部CAN通信的方式實現對EPS、ESP等執行機構的準確控制。此外，在純電動或者混動車基礎上改裝具備線控（液壓）剎車的配置，將具有很大的優勢。
基于線控技術的自動駕駛方案
現階段，還需要通過一種可行的通用集成方案，將控制系統集成到CAN總線、Flexray或者快速以太網總線上。通過將決策控制信息與車輛底層控制系統深度集成。CAN FD 1.0作為CAN 2.0的技術升級，可以作為智能車輛車載總線的實現方式。此外，由于智能車輛技術發展，急需滿足更高數據帶寬的車內連接。Tesla在車載信息服務上采用以太網作為總線網絡。例如，基于IEEE802.3bp的1000BASE-T1標準草案設計，滿足汽車系統嚴格的EMI要求，支持車內傳輸多路高清視頻流。單對雙絞線以太網允許選擇輕量型、低成本線束。
4.2、車載高性能集成計算平臺
智能車輛一旦完成車身完整構建，采用傳感器獲得環境感知信息，還需要能夠處理大容量數據，所以處理器芯片對無人駕駛車輛同樣重要。許多移動終端產品芯片供應商已經開始為自動駕駛技術的實現提供圖像處理功能。由于嵌入式平臺計算能力提升，現在智能車輛計算平臺一般采用帶有GPU單元的嵌入式處理器來構建。例如高通、三星也推出了車載嵌入式平臺，高通驍龍602A應用處理器，拓展面向汽車的產品組合，實現多系統支持的感知功能；三星處理器芯片目前主打車機互聯系統、汽車智能硬件等。
在奧迪自動駕駛汽車架構中的駕駛輔助控制器（zFAS）中的傳感器融合單元核心部件是NVIDIATegra K1平臺，極大簡化了車載計算平臺。NVIDIA的TK1有四個ARMCortex-A15核，192Kepler GPU集成CUDA，提供327GFLOPS計算性能，處理CUDA數據時功率小于6W（包括SoC和DRAM）。英偉達Drive PX無人駕駛汽車平臺的兩個Tegra X1處理器，能夠處理來自12個攝像頭的數據流，完成驅動高級駕駛員輔助功能運行。最新的DRIVE PX 2硬件計算平臺，支持12路攝像頭輸入、激光定位、雷達和超聲波傳感器；包括兩顆新一代NVIDIA Tegra處理器，其中包括8個A57核心和4個Denver核心；基于NVIDIA的新一代GPU架構Pascal設計，單精度計算能力達到8TFlops，超越TITAN X的10倍以上的深度學習計算能力。
NVIDIA DRIVE PX 2自動駕駛開發平臺
NVIDIA開發網提供算法庫支持，有助于加速開發。NVIDIA建造NvidiaPX2構建的Drivenet平臺，已在自動駕駛車輛上進行測試。能夠將外部傳感器獲取的圖像數據處理后形成高精度點云，并上傳至云端服務器，經過更高性能的基于DGX-1的服務器處理后，融合成完整高精度地圖。車載計算平臺和云端服務器形成NVIDIA完整的自動駕駛技術平臺解決方案。
流行的深度學習框架如Caffe、Theano、Torch推出CUDA工具庫，大幅提高圖像識別準確率，讓車載計算平臺擁有更強的數據處理能力，通過運行深度學習算法來加強車輛感知能力，對車載各類傳感器數據進行處理與分析，進行駕駛決策。
深度學習的車載嵌入式計算平臺
5、結語
智能車輛研發已經進入關鍵節點，其技術突破的難點已經從算法研究轉移到了面向自動駕駛的車載傳感器、車輛總體架構設計、智能計算平臺集成等實用化技術上。本文結合多年的智能車研發經歷，聚焦在環境感知技術及車載傳感器、車輛系統集成、V2X和車聯網、高精度定位和地圖技術、深度學習和計算平臺等方面上，針對這些可能的突破點進行探討，其中內容可作為智能車輛研發的參考。
【作者簡介:黃武陵，中國科學院自動化研究所副研究員，中國科學院大學博士，主要從事智能車輛研究，參與和主持了多項國家863和973、交通部和自然基金課題，發表SCI/EI論文十多篇，申請和獲得發明專利二十多項。獲北京市科技進步獎、北京市“金橋工程”項目獎、吳文俊人工智能科學技術進步獎、中科院教學成果獎等獎勵。】
參考資料： [1] en.wikipedia.org/wiki/ [2] 新智元公眾號 [3] http://www.cheyun.com [4] www.nvidia.com/object/drive-px.html [5] Jaycil Z. Varghese, Overview of Autonomous Vehicle Sensors and Systems，Proceedings of the 2015 International Conference on Operations Excellenceand Service Engineering [6] Junior: The Stanford Entry in the Urban Challenge, Michael Montemerlo,Jan Becker, .., and Sebastian Thrun. 2008. Junior: The Stanford entry in theUrban Challenge. J. Field Robot. 25, 9 (September 2008), 569-597. [7] C. Urmson, J. Anhalt, D. Bagnell,., , “Autonomous driving in urbanenvironments: Boss and the urban challenge,” J. Field Robot.,vol. 25, no. 1,pp. 425–466, Jun. 2008. [8] W. Huang, D. Wen, J. Geng, N.-N. Zheng, "Task-Specific performanceevaluation of UGVs: Case studies at the IVFC," IEEE Transactions on Intelligent Transportation Systems, vol. 15,no. 5, pp. 1969-1979, 2014. [9] 黃武陵. 無人駕駛汽車帶來的交通便利[J].單片機與嵌入式系統應用,2016,16(6):6-8. [10] 黃武陵.智能車輛環境感知技術與平臺構建[J].單片機與嵌入式系統應用,2016,(7). [11] 黃武陵.智能車輛的道路檢測及其應用[J].單片機與嵌入式系統應用,2016,(8).
推薦閱讀：
