无人驾驶的关键技术分析

摘要：目前，汽车智能化、电子化以及网联化发展趋势明显，无人驾驶是未来汽车发展的重要方向。诸如BBA、特斯拉、谷歌、百度、苹果等公司，无论是传统车企、新造车势力还是互联网大佬，都在加大在无人驾驶领域的投入。大部分车企都预计能在2020年前完全实现L3级别的半自动驾驶技术，到2025年实现L5级别的全自动驾驶技术。那么现在无人驾驶的关键技术究竟如何呢。

目前，无人驾驶汽车中应用的关键技术主要在环境感知、决策与规划、控制与执行等三个关键技术环节。其中环境感知环节多借助于传感器、精准定位、高精地图与V2X系统来实现。

图1 无人驾驶汽车中的三个关键技术环节

环境感知采用多感融合技术

环境感知传感技术可以理解成汽车利用多种传感器对车身周围的动态和静态对象进行3D重构。目前，环境感知技术有两种技术路线，一种是以特斯拉为代表的以摄像机为主导的多传感器融合方案;另一种是以谷歌、百度为代表的以激光雷达为主导，其他传感器为辅助的技术方案。

摄像头方案技术比较成熟、成本低，但获取外界三维信息较难，一般多采用多目摄像头;另一个缺点是摄像头受环境光影响比较大，易产生盲区。激光雷达的优点在于，其探测距离较远，而且能够准确获取物体的三维信息;另外它的稳定性相当高，鲁棒性好。但缺点是激光雷达成本过高、不易量产，如谷歌Waymo无人车装载6-8个16线旋转机械式激光雷达，单价在7500美元左右，最新的16线相控阵固态激光雷达被认为是替代机械式激光雷达的关键技术;另外激光雷达波长短，易受天气影响，在多雾、多雨的情况下，精确度大大降低。精确定位技术是让汽车感知自己所在的物理位置，这就涉及惯性导航系统(IMU)、轮速编码器与航迹推算、卫星导航系统(GPS、Glonass、北斗等)以及SLAM自主导航系统，现在的无人车多采用惯导+GPS的组合方式。同时为了更好的规避潜在风险，帮助车辆预知路面复杂信息，如坡度、曲率、航向等，无人驾驶往往需要结合实时的高精地图，而这种实时性在4G时代传输速率并不能达到，在5G时代就可以通过车联网(V2X系统)来实现。

目前谷歌的无人车Waymo采用的是5个激光雷达+4个毫米波雷达+360度全景摄像头+GPS、IMU导航，百度无人车采用的是顶部64线激光雷达+3个环绕16线激光雷达方案，而特斯拉似乎对激光雷达深恶痛绝，因此一直使用的是8个摄像头+1个毫米波雷达+12个超声波雷达的方案。

自主决策与规划是核心技术

自动驾驶汽车的行为决策与路径规划是指依据环境感知和导航子系统素材信息，根据给定的起始点和和终点，通过一些特定的算法(卷积神经网络、深度学习)及约束规则如无碰撞、安全到达终点等，规划处两点间多雨可选安全路径，并在这些路径中选取一条最优的路径作为车辆行驶轨迹。

决策系统分为两种：基于规则和基于深度学习的决策技术。基于专家规则的行为决策系统算法逻辑清晰、稳定性强、便于建模，但对复杂工况处理及算法性能的提升存在瓶颈。基于学习算法的行为决策系统具备自学性能、便于系统优化及模型训练提升，但模型修正难度大、学习效果依赖数据样本、网络结构不合理可能导致过学习或欠学习等。

目前，市场上无人车决策系统更多的采用规则算法与学习算法结合的方式，顶层采用规则算法，根据场景进行层级遍历;底层采用深度学习算法，基于具体场景分模块应用，发挥学习算法的优势。

图2 决策与规划环节的架构

自动控制与执行技术

车辆控制平台是无人车的核心部件，控制着车辆的各种控制系统。其主要包括电子控制单元(ECU)和通信总线两部分。ECU又称行车电脑，主要用来控制算法，百度无人车的“百度大脑”即是ECU组件;通信总线主要用来实现ECU与控制部件间的通信功能。

车辆控制系统可以分为纵向控制和横向控制两个环节。纵向控制主要通过油门和制动综合控制的方法来实现对预定车速的追踪，各种电机、发动机、传动模型、汽车运行模型和刹车过程模型与不同的控制算法相结合，构成了各种各样的纵向控制模式。横向控制主要是电子助力转向来完成，而其算法有两种不同的方法来实现，一种是基于驾驶员模拟的方法，通过简单的动力学模型、驾驶员操作规则或者驾驶员操作过程数据来设计控制器;另一种是基于车辆动力学模型的方法，建立精确的汽车横向运动模型如单轨模型等。

图3 控制与执行系统的架构

结语

无人驾驶想要实现，主要依靠眼睛+大脑的组合。眼睛主要是各类传感器，而大脑主要是AI芯片和算法，因此无人驾驶和人工智能一样，也受益于大数据、云计算和优秀算法。随着人工智能技术发展的越来越快，传感器技术、大数据、云计算及深度学习也将实现技术突破，相信无人驾驶技术也会迎来质的飞跃。