自動駕駛是人工智能最有前途的應用之一，也是目前復雜度最高的應用。自動駕駛的分享分三個部分：應用情況、技術簡介、由無人駕駛溢出的機會。
技術簡介：包含自動化駕駛的主要技術，這部分只包含技術所需解決的問題，未包含技術方案的介紹。此外還介紹了這個領域主要的派系分歧和挑戰。
技術部分很長、很難啃，但是你還是可以花點時間了解一下——因為，未來你可能在很多地方會遇到這些技術，了解一點背景，你會把它們用的更好。
1、基本過程
自動駕駛是要給非常復雜的系統，所以接下來的技術簡介也比較長。
自動駕駛的基本運行過程，是感知—》決策—》執行的循環。
自動駕駛基本運行過程
傳感器獲取信息。自動駕駛汽車對自身位置和方向、速度的感知，對道路、環境、鄰車、行人、障礙物等的感知，大部分是由車輛上安裝的傳感器提供的、車輛視角的信息。
自動駕駛汽車的成本構成，主要就是傳感器。一輛L4自動駕駛汽車上，少則有30個傳感器，多的可以到50個。即使不特別考慮安全性，只在實驗室實現基本功能，傳感器的成本都在2萬美金以上。目前投入路測的自動駕駛汽車，造價大多在1~2百萬人民幣以上，其中僅僅一個激光雷達的價格就可以高達8萬美金。
因此，傳感器的成本，是自動駕駛技術應用的限制要素之一。
百度自動駕駛汽車
網聯獲取信息。自動駕駛汽車地圖、天氣、對鄰車駕駛意圖、前方施工/學校放學等異常路況、十字路口左右側盲區的車輛和行人等的感知，是從網絡聯接上獲得的、上帝視角的信息。
自動駕駛汽車如果能夠獲得和處理足夠的網聯信信，會有3個好處：
1、 自動駕駛車輛的傳感器可以降低配置、控制價格，推進商用的進程；
2、 可以解決汽車對氣候、時間等環境的適應性問題，盡早實現L5自動駕駛；
3、 上帝視角能夠幫助車輛提前規劃路徑、規避風險，使自動駕駛更智能。
因此，有些學者提出了以“網聯智能為重心發展自動駕駛”。網聯智能雖然有上述好處，但問題也同樣明顯，后面會專門討論。
信息預處理。幾十個傳感器，并不是每個傳感器、全部時間的、所有信息，都對后續的決策環節有用，需要進行預處理，減少信息冗余和噪音。
比如一個小石子從車前20米飛過去，雷達會檢測到，但這個障礙物只存在于一、兩幀的掃描數據里，并不需要車輛對此做出什么反應，這就屬于噪音，需要通過預處理去除。
比如負責觀察行人、車輛、障礙物的攝像頭抓取的信息，只有物體的輪廓、色彩、紋理等信息對后續的識別和決策有作用，預處理就需要先完成提取甚至標記的工作。
現在，信息預處理主要使用深度學習方法實現。
信息在時空維度融合。幾十個傳感器，每個安裝的位置、角度都不同，抓取信息的頻率、時間也不一樣。
圖片來自：新浪科技
路邊安全島上的一個行人，可能好幾個傳感器都掃描到了他的部分信息，雷達知道他的準確位置和行動軌跡、攝像頭知道他的一切外觀特征。想要準確認知這是一個人，他的準確位置在哪里，行動軌跡和意圖如何，就需要把所有傳感器的信息進行融合。
信息融合需要把所有傳感器的信息，在時間和空間坐標上進行統一化處理，最后輸出目標對象3D、多維度的、完整的信息。
現在，信息融合也主要使用深度學習方法實現。
感知層做了什么
現在決策環節的功能，底層都是深度學習技術。
道路、環境識別。這是自動駕駛進行自主決策的基礎。
自動駕駛車輛需要一直到L4級，都對道路類別、氣候、路況、時間等有使用條件的限制，自動駕駛車輛必須能夠自行判斷當前是否滿足條件，防止自動駕駛被錯誤啟動。
自動駕駛車輛想準確的知道“我在哪”，需要把感知信息和高精地圖進行匹配。比如根據車道線和路標、建筑物等，知道自己在哪個路段的哪個車道（精確到厘米）。
行人、車輛、障礙物的識別、跟蹤和行為預測。這是自動駕駛進行自主決策的主要依據。
車輛需要在行駛的過程中時刻判斷“周圍正在發生什么”。需要識別所有的行人、機動車、非機動車、動物、固定/不固定障礙物等，一切有可能出現的物體。跟蹤每一個對象的運動軌跡，并根據軌跡、對象的類別、道路和環境、其他對象等信息，預測對象接下來行為。比如：雨夜，識別一個人在人行道上，一路跑到一個沒有紅綠燈的路口，目前道路上車輛稀少，本車離路口還有20米，就可以預測：有很大概率此人會直接跑過路口。
*道路、環境識別；行人、車輛、障礙物的識別、跟蹤和行為預測——這是自動駕駛這一波發展中，技術更新最快的分支。隨著攝像頭獲取圖像的細節越來越豐富，甚至可以根據光影的細微變化，“看見”物體背后的物體，比如被相鄰車道車輛遮擋的行人
自動駕駛感知&決策
本車行為認知。自動駕駛需要判斷自己“正在做什么”。比如，在哪里、以什么樣的速度在行駛，車身姿態是否正常沒有側傾，（沒有GPS信號的時候）剛剛跑了多少里程，如果維持現狀接下來車輛會怎么運動等。
基于感知地圖的定位和自主導航。這是自動駕駛的常規決策內容。
現在的人工駕駛中，導航的作用主要是做出發點到目的地的總體路徑規劃。
自動駕駛的導航則精細的多，需要知道每一秒鐘車輛應該在哪條路的哪個車道行駛，車速應該是多少等。
感知地圖
現在的普通車載或APP導航，使用的是GPS地圖，地圖提供道路輪廓、車道、道路類別、限速等信息，結合衛星定位系統，車輛可以知道自己的位置，定位的誤差可以在3~5米之內。這就是為什么有時車輛行駛過程中，導航會詢問“目前是否行駛在輔道”。這樣的精度用在自動駕駛是不夠的。
自動駕駛需要的是高精地圖，這個地圖上除了GPS信息，還有車道形狀、方向、道路部件、道路類別、限速等整體信息，還包含道路的坡度、曲率、鋪設材質等信息，以及車道線類型、車道寬度、路邊地標、防護欄、道路邊緣類型等詳細數據，甚至還有擁堵、施工、交通事故等動態交通信息。
自動駕駛的定位，簡單一些理解，是在GPS定位的基礎上，再用“看到”的路標、建筑等的角度、距離等信息，在高精地圖上“查”出精確的車輛定位信息，這個定位精確到了厘米級。
高精地圖，圖片來源：寬凳科技
自動駕駛汽車有了精確的定位，再加上對道路上其他交通參與者、障礙物、交通事件的認知，以及發點到目的地的總體路徑規劃，就可以決策是否應該變換車道、減速或加速了。
異常情況的緊急決策。這是自動駕駛應付突發異常的決策內容。
自動駕駛汽車按照既定規劃把乘客送到目的地，這個功能的實現雖然復雜，但只實現了車輛的20%不到的功能。
自動駕駛絕大部分的功能，都是在處理各種突發、異常的情況，車輛的駕駛策略需要確保無論出現什么狀況，都能保障所有人員的安全。自動駕駛的硬件成本，研發、路測等工作的成本，超過80%都花在了安全性的提升上。
自動駕駛對時延近乎嚴苛的要求，也是處于安全的需要。如果檢測到前方有物體，到識別是行人，最后決策需要緊急剎車，這中間每多0.1秒的時間，車輛就會多跑出去了接近2米，事故的風險會大很多。
自動駕駛對時延（從異常出現到開始采取動作）的要求是0.2秒以內，相當于一個熟練司機的正常反應時間。
決策層做了什么
執行機構需要重新設計。車輛最基礎的執行機構包括動力、制動、轉向三個系統，讓車輛根據需要加速、減速、轉向。
傳統汽車這三個基礎控制的動力來源是人力，是由人根據經驗施加不同大小的力，實現精確的轉向、加減速控制。
自動駕駛這三個基礎控制的動力來源是電機等機電裝置，需要重新適配和設計。這部分的設計直接決定了自動駕駛車輛操控的靈活性、連續性、準確性，這些決定了自動駕駛車輛的舒適性。
自動駕駛的執行機構雖然需要重新設計，但功能實現主要是非常細致、繁瑣的實驗、調整過程，整車廠之前的造車技術和經驗尚可以繼承。執行層全新的挑戰，主要在安全性。
“絕對”安全的挑戰。機動車的安全性要求是“7個9”——連續行駛116天中，允許有1秒鐘車輛處于失控狀態，而這1秒中足夠車輛跑出去10~20米——換成里程大約是每行駛16~33萬公里，允許有1秒的時間，系統無法控制車輛。這幾乎是一個絕對安全的要求，現在自動駕駛的最高水平，和這個要求都還有數量級上的差距。
動力、制動、轉向這三個系統中的任何一個一旦失效，都會直接導致車輛失控。為了達到安全性要求，這三個系統每個都有2~4個冗余備份的設計。
以制動系統為例，制動控制器、ESP（車身穩定系統）、電子手剎是制動系統的一種冗余設計方案。
當制動控制器整體失效，相當于踩剎車沒反應，這時電子手剎就是備份方案。
當制動控制器部分失效，相當于有個別輪子沒剎住，這時ESP就會通過重新分配制動力、降低電機動力等方式，實現車輛的穩定控制和剎車。
對于車輛這種復雜系統，冗余除了帶來更高的可靠性（在汽車行業表現為安全性），也帶來了數倍的復雜性。如果處理不好，冗余可能反而降低可靠性。
還是以制動系統為例，在無需制動的時候，如果由于軟件故障、環境擾動、局部誤判等原因，錯誤的啟動了ESP（車身穩定系統）、電子手剎，車輛會直接陷入失控狀態，非常危險。
決策層和執行層各冗余系統之間的配合，是自動駕駛汽車的挑戰之一。
執行機構的技術迭代。這兩年隨著ADAS的應用，執行機構各系統的技術迭代也比較快。
自動泊車系統（APS）、車道保持系統（LKS）等的應用，推動轉向系統迭代：
自適應巡航系統（ACC）、主動緊急制動（AEB）等的應用，推動制動系統迭代：
執行層做了什么
自動駕駛本身并不是一個新概念，早在上世紀60年代，通用汽車就推出了自動駕駛概念車。它之所以在現在成為可能，主要是幾個基礎條件的變化：
1、 傳感器的成熟，使車輛能夠獲得自動駕駛所需的完整信息。
2、 深度學習解決了感知和感知信息處理、智能決策的問題。
3、 電動汽車、電子控制器的成熟，降低了車輛控制的難度。
自動駕駛的關鍵技術包含：
感知到認知。把傳感器的價格控制在可接受的范圍，用傳感器獲得的豐富數據，形成對車輛運行的近、中、遠距離中，所有交通參與者、道路、環境的認知。
高精地圖。這是自動駕駛實現厘米級精確定位的基礎，也是一個“打呆仗”的力氣活。
駕駛策略。駕駛策略是安全的保障，但這不僅僅是一個技術問題，更是一個倫理和法規的問題。
自動駕駛的挑戰，一言以蔽之：用民用產品的價格、在民用產品的開放性使用環境中，達到遠超民用的安全性標準。
自動駕駛從早期定義，到近幾年成為技術熱點，一直都只有單車智能，從網絡側獲取信息只是補充。去年以來，隨著5G標準的確定，以及各國開始加大5G網絡的建設，網聯智能開始作為自動駕駛的線路之一被擺上了桌面。
單車智能 vs 網聯智能
基本觀點：自動駕駛必然是“單車智能+網聯智能”，因此，這兩個線路之爭，事實上是對整個系統主導權的判斷，而不是二選一。
核心技術&投資重點：兩個線路依賴的技術也幾乎一樣，只是對不同的技術依賴程度不同，因此發展和投資的優先級選擇有所不同。
前提：
單車智能認為，車輛自始至終都是在各種開放道路上行駛，L2~L5的區別只是自動化的程度不同，道路上始終都會有人工駕駛的車輛，以及其他各種物體和障礙物。
網聯智能認為，L5只在理想中存在，非常長的時間（以百年為尺度）內，自動駕駛只在城市的社區、商區、景區、校區、園區、市區比較有價值，其他區域、城市以外，需要維持人工駕駛。而在這些區域，政府能夠協調社會的各種資源，包含市政規劃、交通管理、市政建設、網絡服務提供商、車企等，一起遵循統一的、為自動駕駛制定的規范，共同建設適合自動駕駛的道路環境。
優勢：
單車智能線路下，無論是最終的自動駕駛，還是過程中的輔助駕駛、有條件自動駕駛，車廠推出的一款車型都可以參與全球競爭，不受當地網絡建設水平、道路智能化水平的限制。車企和科技企業可以自主發展。不依賴外部條件，自己選擇技術路線、選擇生態、自主發展。因為現在的電信網絡事實上還無法做到全球通用，每個國家在頻段選擇、優先覆蓋區域、服務質量上的選擇都不同，因此，只利用不依賴網絡，是更多車企選擇。
網聯智能下，網絡實現自動駕駛所需的大部分感知、決策能力，車輛只需要從網絡側獲取加工后的信息，再補充少量車輛視角的信息，就可以實現自動駕駛。所需的開發工作量減少，短期就可以落地。一些成本特別高的傳感器安裝到了道路上，運算量大的計算放到云端，單點投資可以為更多車輛提供服務，一次性投入雖然大，但長期綜合成本比較低。
挑戰：
單車智能的挑戰，首先是成本高，不僅是研發、路測階段需要投入巨大的成本，量產以后生產單個產品的邊際成本也較高。其次，L4級自動駕駛路測的復雜性超出預期，商用仍遙遙無期。
網聯智能的挑戰，首先是安全性的技術難度被低估。網聯方案中感知、決策的各個部分之間依賴網絡通信，5G雖然有高帶寬、低時延的優點，但互聯網的架構總的說來對帶寬和時延沒有保障。而且網聯系統中節點數量和類型眾多，這些對自動駕駛的安全性都是巨大的挑戰，很可能需要從網絡架構開始重新設計自動駕駛的網聯方案。其次，在網聯方案中，單車仍需自行處理緊急狀況，單車成本和技術門檻降低的比較有限。
掣肘：
單車智能目前尚在技術爬坡期，當技術問題被解決之后，很可能會被倫理和法規問題困擾，比如：剎車失靈時，是由車主承擔風險找一個固定障礙物撞上去？還是由路人承擔風險，找個上坡路段開過去？
網聯智能的掣肘則近在眼前，目前V2X并沒有完整、統一的規范體系。
*車路協同（V2X）。V2X包含車與車、車與交通設施、車與人、車與云端服務平臺的聯接。自動駕駛通過V2X獲得路面、交通參與者、環境等方面，可視范圍以外的信息。
V2X可以讓車輛提前預知行駛路段的高發風險，提前采取措施防范風險。V2X可以讓車輛根據幾公里范圍內的交通狀況，進行線路選擇和車速控制，使道路通行更有效率。V2X還可以為車輛提供其他遠程的增值服務。
小HUI本人認為，未來的很長時間，自動駕駛的技術發展都將以單車智能為主，網聯為輔。作為一個用戶，買車的目的是兩個：工作日通勤&節假日擴大活動范圍。過多的使用路段限制，會嚴重打擊我對自動駕駛的付費意愿。就像5G網絡沒有達到一定覆蓋，很難撬動大部分人換機一樣。
7、線路之爭——視覺主導 vs激光雷達主導
在感知層的傳感器應用上，存在視覺主導和激光雷達主導的線路之爭。小HUI沒有現場聆聽過兩派觀點的爭論，這個話題只能粗略介紹。
都是對多種傳感器的不同組合。
兩條線路都用到了攝像頭、激光雷達（特斯拉甚至連低成本激光雷達都不用）、毫米波雷達、超聲波雷達等主要的傳感器。不同的是把主要的投資放在哪里。
自動駕駛使用的傳感器
激光雷達主導，因為雷達會直接輸出高精度的3D模型，主要投資放在雷達硬件就好，對攝像頭精度和圖像處理的要求比較低。
視覺主導，依賴攝像頭抓取的圖像，分析得到主要的距離、角度、輪廓、色彩、紋理等完整信息，主要投資放在計算機視覺的實現上。
激光雷達主導的方案，量產以后生產單個產品的邊際成本較高，但現階段難度較小。
視覺主導方案一旦成熟，量產以后的邊際成本幾乎沒有，但是現階段難度非常大。
兩個方案誰能勝出，最后可能是制造成本的競賽。
爭奪的主要是中、遠距離感知的主導權。
30~50米內的近距離感知，主要由毫米波雷達、超聲波雷達與攝像頭配合，這個范圍內的傳感器方案沒有多少歧義。
30~150米的中距離，以及100米以上的遠距離感知，激光雷達、毫米波雷達、攝像頭各有優勢。短時間內，誰也無法完全替代誰。
*近、中、遠距離的量化劃分，沒有公認的標準，這里只是為了形成感性認知采用了一種劃分。
激光雷達、毫米波雷達、攝像頭優勢對比
雖然從功能上看，視覺主導和激光雷達主導，二者是勢均力敵的關系。但是目前自動駕駛有一個重要的工作：搜集盡可能多的實際道路數據，用于在實驗室訓練自動駕駛系統，因為路測的成本太高、風險太大。
高精度攝像頭+毫米波雷達的方案，因為成本足夠低，除了可以在路測車輛上搭載，也可以在正式發布的商用車型上安裝，獲取實際道路數據的效率更高。同時，這個方案獲取的信息足夠完整，損失和失真非常小，能夠讓實驗室訓練的仿真程度大大提高。
所以小HUI認為，無論當前的商用側重哪個線路，都不應該放棄視覺方案的研發。
8、路測結果
自動駕駛車輛不僅自身是一個復雜系統，它的工作環境也是開放的，這意味著自動駕駛最終上市前，必須在真實環境中對可能的情況進行駕駛安全的驗證。
目前通行的做法，政府設置專門的自動駕駛試驗場。有些試驗場是封閉的，可以在不危害其他交通參與者的前提下做早期產品的測試，或者測試特定場景、危險場景。有些試驗場是特定區域的城市公共道路，用于測試真實環境中的功能和安全性。
在城市公共道路的路測，目前投入的都是L2（車上有安全員）自動駕駛車輛。
自動駕駛試驗場最多的國家是美國和中國，美國已經建成60多座試驗場，包含模擬駕駛、封閉試驗區、半封閉城區、開放城區、交通走廊各種形態。中國建成和在建20多座，以封閉試驗區、半封閉城區為主。
各家公司自動駕駛的技術對比，看的是路測結果。主要包括：
1、 場景覆蓋率。在試驗場中完成了哪些道路條件、危險情況、安全駕駛行為的路測。比如通過人行道、學校路段、坡道起停等。
2、 路測里程。考察的是完成路測的量，里程越高，意味著對路面各種情況的覆蓋越成熟。
3、 人工接管前里程（MPI）。考察的是平均自動駕駛多少公里，需要人工接管一次。這是自動駕駛最重要的指標，越高距離商用越近。
自動駕駛有科技企業、傳統車企、造車新勢力三個陣營。
自動駕駛競爭力排名（NavigantResearch，美國）
科技企業起步較早，上路測試的里程、積累的路面數據都更多。
科技企業中技術最成熟的是谷歌。從2009年發布Waymo至今，已經完成了2000萬公里的路測，為10萬人次提供了出租車服務。從美國加州的測試數據看，Waymo的車輛每行駛17000+公里才需要人工接管一次，應該可以比較快跨越到L3自動駕駛。
國內自動駕駛的龍頭是百度，目前已經完成200萬公里的路測，從北京市發布的路測結果看，MPI（人工接管前里程）評分比Waymo低很多，安全性還有比較大提升空間。
國內科技企業中，小馬智行在美國加州和中國北京的路測中，MPI上的表現是最好的，但和Waymo仍有數量級上的差距。
科技企業雖然自動駕駛技術更領先，但自動駕駛的主體是汽車，絕大部分自動駕駛科技企業，必須尋求與傳統車企的合作，才能打通最后的汽車控制部分，使自動駕駛真正落地。
傳統車企在自動駕駛方面相對保守，但也早已通過收購、合作開始了自動駕駛的探索和實驗。今年，凱迪拉克、沃爾沃、尼桑、寶馬、奔馳等都發布了L2級自動駕駛的量產車型。
在自動駕駛上，國內車企和國際車企有3~5年的差距，一汽、上汽、金龍等基本上是選擇和科技企業合作，目前都在早期路測階段，測試結果還不理想。
造車新勢力，特斯拉、蔚來汽車等，無論是從自動駕駛的功能完整性，還是可靠性/安全性上，目前都還落后于主流科技企業和傳統車企，屬于第三梯隊。
美國智庫蘭德公司 2016 年的一份報告認為：一輛自動駕駛汽車需要積累約200億公里的路測數據才能驗證其安全性。路測過程中，平均16~33萬公里發生一次人工接管，才算滿足汽車安全性的要求。
從這個標準看，無論哪個陣營，離L4自動駕駛都還很遠。
自動駕駛提出來已經有10年，但是對于“完全自動駕駛”到底什么時候到來，最樂觀的判斷是10~15年，Garter技術成熟度曲線中判斷L4級自動駕駛的成熟還需要10年以上，有些業內人士的判斷，甚至認為“遙遙無期”。原因有：
1、 L2只需要具備功能，L3對可靠性要求極高。
L2（部分自動駕駛）的車輛，機器已經具備了全部的汽車操控能力，看上去離L3（無需駕駛員人工干預）應該很近了。
但是L2到L3其實非常遙遠，比如自動駕駛車輛需要能夠自動通過學校區域，但是如果在上下學時間段，L2允許駕駛員人工干預，L3則基本上不允許。車輛需要自行等候過馬路的學生，躲避見縫插針的電動車和家長，還要根據交通義工的指揮行進，盡可能不堵路。
L2到L3，要解決的是各種復雜條件下的可靠性問題，需要投入至少10倍于L2的工作量才可能達成。
2、 目前的自動駕駛路測結果，有非常強的地域限制。
美國的道路條件，和中國的差別很大；北京完成的測試結果，也沒法證明車輛在貴州、重慶也能有相同表現；廣東要求機動車必須禮讓行人，其他地方就未必；有些地方行人只走斑馬線，有些地方路上除了有隨意亂穿的人，還有各種大小動物。
要想造出全球發布的車型，就需要在全世界所有道路上進行路測，這幾乎是不可能完成的任務。
這意味著，消費者現在買的車，只能在有限的區域自動駕駛，出了這些區域就只能人工駕駛。自動駕駛很長時間都是在城市公交、貨運等有固定線路的領域更可行，車輛也不太可能放棄剎車、油門、方向盤。
自動駕駛正在試圖：用民用產品的價格、在民用產品的開放性使用環境中，達到遠超民用的安全性標準。
這個過程中：
會創造出高精度、高可靠性、全工況、低成本的攝像頭、激光雷達、毫米波雷達等傳感器；
會倒逼物聯網提升可靠性和性能，促進物--物相連標準的發展；
會激勵地圖和定位技術的更新換代，達到更高的精度和速度；
會給專用芯片的發展提供契機；
也會催生出一批有別于互聯網時代的，適合硬科技和工業需要軟件技術人員群體。
自動駕駛是硬科技創新的龍頭之一，產生的技術創新會在其他的硬科技創新應用中發揮價值。
粵公網安備 44030502007885號