科幻電影里的自動駕駛技術讓大家心馳神往，近幾年，隨著人工智能的技術提升，無人駕駛汽車從我們的幻想成為了現實。車企、互聯網企業紛紛涌入這個全新領域。

然而，曾經的Uber的撞人事故中為什么傳感器沒能檢測到行人？無人駕駛汽車又是怎么樣的一個技術解決方案呢？我們來了解一下。

無人駕駛技術

無人駕駛汽車是一種智能汽車，也可以稱之為輪式移動機器人，主要依靠車內的以計算機系統為主的智能駕駛儀來實現無人駕駛。無人駕駛汽車是通過車載傳感系統感知道路環境，自動規劃行車路線并控制車輛到達預定目標的智能汽車。

它是集自動控制、體系結構、人工智能、視覺計算等眾多技術于一體，是計算機科學高度發展的產物，也是衡量一個國家科研實力和工業水平的一個重要標志。

通過給車輛裝備智能軟件和多種感應設備，包括車載傳感器雷達 以及攝像頭等，實現車輛的自主安全駕駛，安全高效地到達目的地并達到完全消除交通事故的目標 美國 (美國國家公路交通安全管理局)分級定義汽車的自動化等級。

0級：由駕駛員駕駛；

1級：具備1 種以上自動化控制功能(如自適應巡航和車道保持系統等) ；

2級：以汽車為主體執行多種操作功能；

3級：當以汽車為主體的駕駛行不通時可指示駕駛員切換為手動駕駛；

4級：完全可以無人駕駛。

無人駕駛技術主要有以下幾種技術組成：

1、車道保持系統

公路行駛時，該系統能探測到左右兩根車道線，如果發生偏航時，車道保持系統會通過振動提示駕駛者，然后自動修正方向，輔助回正車輛使其一直保持在路中間行駛。

2.、ACC自適應巡航系統or激光測距系統

自適應巡航控制(ACC)是一個允許車輛巡航控制系統通過調整速度以適應交通狀況的汽車功能。

安裝在車輛前方的雷達用于檢測在本車前進道路上是否存在速度更慢的車輛。若存在速度更慢的車輛，ACC系統會降低車速并控制與前方車輛的間隙或時間間隙。若系統檢測到前方車輛并不在本車行駛道路上時將加快本車速度使之回到之前所設定的速度。此操作實現了在無司機干預下的自主減速或加速。ACC控制車速的主要方式是通過發動機油門控制和適當的制動。

3、夜視系統

夜視系統是一種源自軍事用途的汽車駕駛輔助系統。在這個輔助系統的幫助下，駕駛者在夜間或弱光線的駕駛過程中將獲得更高的預見能力，它能夠針對潛在危險向駕駛者提供更加全面準確的信息或發出早期警告

4、精確定位/導航系統

自動駕駛汽車依賴于非常精確的地圖來確定位置，因為只是用 GPS 技術會出現偏差。在自動汽車上路之前，工程師會駕車收集路況數據，因此，自動汽車能夠將實時的數據和記錄的數據進行比較，這有助于它將行人和路旁的物體分辨開來。

無人駕駛汽車的傳感器系統

無人駕駛汽車的實現需要大量的科學技術支持，而其中最重要的就是大量的傳感器定位。核心技術是包括高精度地圖、定位、感知、智能決策與控制等各個模塊。其中有幾個關鍵的技術模塊，包含精確GPS定位及導航、動態傳感避障系統、機械視覺三個大部分，其他的如只能行為規劃等不屬于傳感器范疇，屬于算法方面，不做過多設計。傳感器系統如圖所示。

精確GPS定位及導航

無人駕駛汽車對GPS定位精度、抗干擾性提出了新的要求。在無人駕駛時GPS導航系統要不間斷的對無人車進行定位。在這個過程之中，無人駕駛汽車的GPS導航系統要求GPS定位誤差不超過一個車身寬度。

無人駕駛汽車面臨的另一個問題面臨的另一個挑戰，是需要確保他們又完美的導航功能，實現導航的主要技術是現在生活中已經使用非常廣泛的GPS技術。由于GPS無積累誤差、自動化測量的特點，因此十分適合用于無人駕駛汽車的導航定位。

為了大幅提高GPS測量技術的精度，本系統采用位置差分GPS測量技術。相較于傳統的GPS技術，差分GPS技術會在一個觀測站對兩個目標的觀測量、兩個觀測站對一個目標的觀測量或者一個測站對一個目標的兩次測量之間求差，目的在于消去公共誤差源，包括電離層和對流層效應等。

位置差分原理是一種最簡單的差分方法，任何一種GPS接收機均可改裝和組成這種差分系統。

安裝在基準站上的GPS接收機觀測4顆衛星后便可進行三維定位，解算出基準站的坐標。由于存在著軌道誤差、時鐘誤差、SA影響、大氣影響、多徑效應以及其他誤差，解算出的坐標與基準站的已知坐標是不一樣的， 存在誤差。基準站利用數據鏈將此改正數發送出去，由用戶站接收，并且對其解算的用戶站坐標進行改正。

最后得到的改正后的用戶坐標已消去了基準站和用戶站的共同誤差，例如衛星軌道誤差、 SA影響、大氣影響等，提高了定位精度。以上先決條件是基準站和用戶站觀測同一組衛星的情況。位置差分法適用于用戶與基準站間距離在100km以內的情況。其原理如圖所示。

高精度的汽車車身定位是無人駕駛汽車行駛的先決條件，以現有的技術，利用差分GPS技術可以完成無人駕駛汽車的精確定位，基本滿足需求。

動態傳感避障系統

無人駕駛汽車作為一種陸地輪式機器人，既與普通機器人有著很大的相似性，又存在著很大的不同。首先它作為汽車需保證乘員乘坐的舒適性和安全性，這就要求對其行駛方向和速度的控制更加嚴格；另外，它的體積較大，特別是在復雜擁擠的交通環境下，要想能夠順利行駛，對周圍障礙物的動態信息獲取就有著很高的要求。國內外很多無人駕駛汽車研究團隊都是通過分析激光傳感器數據進行動態障礙物的檢測。

斯坦福大學的自主車“Junior”利用激光傳感器對跟蹤目標的運動幾何特征建模，然后用貝葉斯濾波器分別更新每個目標的狀態；卡耐基 ? 梅隆大學的 “BOSS”從激光傳感器數據中提取障礙物特征，通過關聯不同時刻的激光傳感器數據對動態障礙物進行檢測跟蹤。

在實際應用中，3 維激光傳感器因為數據處理工作量較大，存在一個比較小的延時，這在一定程度上降低了無人駕駛汽車對動態障礙物的反應能力，特別是無人駕駛汽車前方區域的運動障礙物，對其安全行駛構成了很大的威脅；而普通的四線激光傳感器雖然數據處理速度較快，但是探測范圍較小，一般在 100°～ 120°之間；另外，單個的傳感器在室外復雜環境中也存在著檢測準確率不高的現象。

針對這些問題，提出一種利用多激光傳感器進行動態障礙物檢測的方法，采用 3 維激光傳感器對無人駕駛汽車周圍的障礙物進行檢測跟蹤，利用卡爾曼濾波器對障礙物的運動狀態進行跟蹤與預測，對于無人駕駛汽車前方準確性要求較高的扇形區域，采用置信距離理論融合四線激光傳感器數據來確定障礙物的運動信息，提高了障礙物運動狀態的檢測準確率，最終在柵格圖上不僅對無人駕駛汽車周圍的動、靜態障礙物進行區別標示，而且還根據融合結果對動態障礙物的位置進行了延時修正，來消除傳感器處理數據延時所帶來的位置偏差。

其流程圖如圖所示，最終這些信息都顯示在人機交互界面上。

動態避障系統的流程結構

首先對Veloadyne數據進行柵格化處理得到一張障礙物占用柵格圖，對不同時刻的柵格圖進行聚類跟蹤可以獲取障礙物的動態信息，將動態的障礙物從柵格圖中刪除并存儲在動態障礙物列表中，這個刪除了動態障礙物占用信息的柵格圖也就是一張靜態障礙物柵格圖，然后將動態障礙物列表中的動態障礙物信息和Ibeo獲取的無人駕駛汽車前方區域內的動態障礙物信息進行同步融合得到一個新的動態障礙物列表，最后將這個新的列表中的動態障礙物合并到靜態障礙物柵格圖中得到一張動靜態障礙物區別標示的柵格圖。障礙物檢測模塊是通過分析處理各種激光雷達返回的數據，將這些激光雷達數據進行柵格化處理，投影到512*512的柵格地圖中，從而實現對環境中障礙物的檢測。

最終，多傳感器信息融合與環境建模模塊則是將不同傳感器獲取的環境信息進行融合、建立道路模型并最終用柵格地圖進行表示，這些環境信息包括：標識信息、路面信息、障礙物信息以及定位信息等。

最后，對獲得的環境信息信號進行處理，得到一張動態的標志了障礙物的柵格圖，從而達到避障的效果，采用融合 Velodyne 和 Ibeo 信息得到運動目標狀態的方式相比于只用 Velodyne 處理結果的方式，檢測結果的準確率和穩定性都得到了較大的提升。

機械視覺機構

機械視覺也可以稱作為環境感知，是無人駕駛汽車最重要也是最復雜的一部分。無人駕駛車輛的環境感知層的任務是針對不同的交通環境，對傳感器進行合理的配置、融合不同傳感器獲取的環境信息、對復雜的道路環境建立模型。無人駕駛系統的環境感知層分為交通標志識別、車道線的檢測與識別、車輛檢測、道路路沿的檢測、障礙物檢測以及多傳感器信息融合與環境建模等模塊。

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。

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。

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。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。因此本系統設計將多個感知模塊結合去識別各種環境實物。

1、交通識別模塊

交通標識識別模塊又分為交通標志牌識別和交通信號燈識別。其中，交通標志牌識別主要由以下幾部分組成：

（1）圖像/視頻輸入；

（2）交通標識檢測；

（3）交通標識識別；

（4）識別結果輸出；

（5）實驗數據庫和訓練樣本數據庫。

交通信號燈識別主要由以下幾部分組成：

（1）圖像/視頻輸入；

（2）交通信號燈檢測；

（3）交通信號燈狀態識別；

（4）識別結果輸出。

交通標識識別模塊系統框圖如圖所示。

交通標志牌識別系統框圖

交通信號燈識別系統框

2、車道線檢測與識別模塊

車道線檢測模塊是通過對傳感器圖像進行車道線檢測和提取來獲取道路上的車道線位置和方向，通過識別車道線，提供車輛在當前車道中的位置，能夠幫助無人車遵守交通規則，為無人駕駛車輛的自主行駛提供導向，提高無人車的行車穩定性。智能車道線檢測和識別模塊的處理流程主要是：

對采集的圖像進行預處理，主要是圖像的平滑；

對圖像進行二值化，為了適應光照分布的不均勾，采用了自適應閾值二值化方法；

對二值化圖像進行分析，得出該路段屬于哪種路況；

對不同路況運用不同算法進行檢測和識別在圖像預處理階段，運用高斯平滑模板對圖像進行平滑，去除圖像噪聲的干擾。在圖像二值化上，利用S*S大小的均值模板對圖像進行卷積，將圖像中車道線的區域信息提取出來，然后通過逆透視投影變換，通過路況判斷，識別出車道線，通過透視投影原理，將車道線映射到原始圖像上。

3、車輛檢測模塊

車輛檢測模塊則是通過對相機圖像進行處理將環境中的車輛檢測出來，為了保證圖像中任意尺寸的車輛都能檢測到，本設計采用滑動窗口的目標檢測：在輸入圖像的多尺度空間中，對圖像進行放縮，然后在每一個尺度上，通過平行移動滑動搜索窗口，可以獲得不同尺度和不同坐標位置的子圖。其次對所獲得子框圖的類別進行判別，整合各個子框圖的類別信息，輸出檢測得到的結果。其檢測采用的是基于區域的Haar特征描述算子和Adaboost級聯分類器。

4、決策規劃層

無人駕駛車輛決策規劃層的任務是根據路網文件(RNDF)、任務文件(MDF)以及定位信息生成一條全局最優路徑，并在交通規則的約束下，依靠環境感知信息實時推理出正確合理的駕駛行為，最終生成安全可行駛的路徑發送給控制執行系統。決策規劃層分為全局規劃、行為決策和運動規劃三個模塊。

全局規劃模塊首先讀取網文件和任務文件，遍歷路網文件中的所有路點，生成所有路點之間的連通性，然后根據任務文件來設定起點、任務點和終點，計算出最優路徑，最終將這條最優路徑的路點序列發送給行為決策模塊。

行為決策模塊針對車輛所處的不同交通場景、任務要求以及環境特征，將無人駕駛車輛行為分為多個狀態，并延展為不同的亞態和子態。

運動規劃模塊的任務則是根據行為決策模塊發送的局部目標點以及環境感知信息，實時規劃出安全可行駛的路徑，并將路徑的軌跡點序列發送給控制執行。

無人駕駛技術的展望

目前無人駕駛技術的實現主要是基于激光傳感技術或者是超聲雷達技術等，經過十余年的研究探索，許多機構和公司都已經推出了自己的無人駕駛汽車，但基本都存在不足，并不能實現真正意義的“無人駕駛”。

解決無人駕駛汽車的關鍵技術主要在于兩個方面，一方面是算法的設計，另一方面便是傳感器的設計。傳感器的精度和響應速度直接關系到無人駕駛汽車的安全性問題，而安全性正是無人駕駛技術最基本也是最關鍵的部分。將來無人駕駛技術的發展方向也應該是改善算法和選擇更合適精度更高的傳感器。

面對無人駕駛的首例Uber撞人致死事故，禾賽科技CEO李一帆表示，我們不愿意接受的不是交通死亡事故本身，而是由于新技術帶來的新增的、本來不一定會發生的死亡事故。從這個角度說，自動駕駛這個行業還遠沒有成熟，我們應該抱著一顆敬畏的心，用性能最好、最穩定的傳感器來盡可能增加系統冗余，遵守最成熟的開發方法和測試流程。一切試圖走捷徑的低成本傳感器方案，人肉小白鼠眾包都是無稽之談，是犯罪。

將來自動駕駛的路很長，后面可能還有更加糟糕的狀況，但這些都不能掩蓋自動駕駛對社會發展的價值。

責任編輯：lq