科幻電影里的自動駕駛技術(shù)讓大家心馳神往，近幾年，隨著人工智能的技術(shù)提升，無人駕駛汽車從我們的幻想成為了現(xiàn)實(shí)。車企、互聯(lián)網(wǎng)企業(yè)紛紛涌入這個(gè)全新領(lǐng)域。

剛結(jié)束的兩會，百度董事長李彥宏樂觀地表示明年，百度和合作伙伴推出的L3級別自動駕駛量產(chǎn)車就可以開上高速，今后在高速公路上也可以“吃著火鍋唱著歌”了。

Uber的撞人事故

然而間隔沒幾天，美國東部時(shí)間3月19日晚間10時(shí)許（北京時(shí)間3月20日），一輛Uber自動駕駛車在亞利桑那州坦佩市（Tempe）向北行進(jìn)時(shí)，以65公里的時(shí)速撞上了當(dāng)時(shí)一位推著自行車，突然穿越斑馬線的49歲女子，女子在送往醫(yī)院后不治身亡。事發(fā)時(shí)，雖有駕駛者在車上，但車輛以自動駕駛模式行進(jìn)。

根據(jù)警方發(fā)言人描述，死者Elaine正從西向東行走， 而該車沒有明顯的減速跡象。在聲明中，警方未公布當(dāng)行人橫穿馬路時(shí)距離測試車有多遠(yuǎn)。

坦佩市警察局局長Sylvia Moir說：“很明顯，由于她（死者）是從陰暗的地方躥到大路上的，這起事故不論是對人還是對自動駕駛系統(tǒng)都是難以避免的，”

Moir還表示，根據(jù)在車內(nèi)的司機(jī)所言，行人就像閃電一樣出現(xiàn)在他眼前，而他的還沒反應(yīng)過來就聽到了這起車禍的撞擊聲，“我初步懷疑，Uber應(yīng)該不是這起事故的責(zé)任方。”她說。事故發(fā)生道路限速35英里/小時(shí)（約56公里/小時(shí)），而當(dāng)時(shí)自動駕駛車車速為38英里/小時(shí)（約61公里/小時(shí)），事實(shí)上已經(jīng)超速。

盡管這起悲劇有可能是行人的責(zé)任，但Uber的自動駕駛技術(shù)仍難辭其咎。人們希望自動駕駛是萬無一失的，但是它似乎沒有識別出橫穿馬路的行人。

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(gè)技術(shù)解決方案呢？我們來了解一下。

無人駕駛技術(shù)

無人駕駛汽車是一種智能汽車，也可以稱之為輪式移動機(jī)器人，主要依靠車內(nèi)的以計(jì)算機(jī)系統(tǒng)為主的智能駕駛儀來實(shí)現(xiàn)無人駕駛。無人駕駛汽車是通過車載傳感系統(tǒng)感知道路環(huán)境，自動規(guī)劃行車路線并控制車輛到達(dá)預(yù)定目標(biāo)的智能汽車。

它是集自動控制、體系結(jié)構(gòu)、人工智能、視覺計(jì)算等眾多技術(shù)于一體，是計(jì)算機(jī)科學(xué)高度發(fā)展的產(chǎn)物，也是衡量一個(gè)國家科研實(shí)力和工業(yè)水平的一個(gè)重要標(biāo)志。

通過給車輛裝備智能軟件和多種感應(yīng)設(shè)備，包括車載傳感器雷達(dá) 以及攝像頭等，實(shí)現(xiàn)車輛的自主安全駕駛，安全高效地到達(dá)目的地并達(dá)到完全消除交通事故的目標(biāo) 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(yīng)巡航和車道保持系統(tǒng)等) ；

2級：以汽車為主體執(zhí)行多種操作功能；

3級：當(dāng)以汽車為主體的駕駛行不通時(shí)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(shù)主要有以下幾種技術(shù)組成：

1、車道保持系統(tǒng)

公路行駛時(shí)，該系統(tǒng)能探測到左右兩根車道線，如果發(fā)生偏航時(shí)，車道保持系統(tǒng)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(yīng)巡航系統(tǒng)or激光測距系統(tǒng)

自適應(yīng)巡航控制(ACC)是一個(gè)允許車輛巡航控制系統(tǒng)通過調(diào)整速度以適應(yīng)交通狀況的汽車功能。

安裝在車輛前方的雷達(dá)用于檢測在本車前進(jìn)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(tǒng)會降低車速并控制與前方車輛的間隙或時(shí)間間隙。若系統(tǒng)檢測到前方車輛并不在本車行駛道路上時(shí)將加快本車速度使之回到之前所設(shè)定的速度。此操作實(shí)現(xiàn)了在無司機(jī)干預(yù)下的自主減速或加速。ACC控制車速的主要方式是通過發(fā)動機(jī)油門控制和適當(dāng)?shù)闹苿印?/p>

3、夜視系統(tǒng)

夜視系統(tǒng)是一種源自軍事用途的汽車駕駛輔助系統(tǒng)。在這個(gè)輔助系統(tǒng)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(yù)見能力，它能夠針對潛在危險(xiǎn)向駕駛者提供更加全面準(zhǔn)確的信息或發(fā)出早期警告

4、精確定位/導(dǎo)航系統(tǒng)

自動駕駛汽車依賴于非常精確的地圖來確定位置，因?yàn)橹皇怯?GPS 技術(shù)會出現(xiàn)偏差。在自動汽車上路之前，工程師會駕車收集路況數(shù)據(jù)，因此，自動汽車能夠?qū)?shí)時(shí)的數(shù)據(jù)和記錄的數(shù)據(jù)進(jìn)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(tǒng)

無人駕駛汽車的實(shí)現(xiàn)需要大量的科學(xué)技術(shù)支持，而其中最重要的就是大量的傳感器定位。核心技術(shù)是包括高精度地圖、定位、感知、智能決策與控制等各個(gè)模塊。其中有幾個(gè)關(guān)鍵的技術(shù)模塊，包含精確GPS定位及導(dǎo)航、動態(tài)傳感避障系統(tǒng)、機(jī)械視覺三個(gè)大部分，其他的如只能行為規(guī)劃等不屬于傳感器范疇，屬于算法方面，不做過多設(shè)計(jì)。傳感器系統(tǒng)如圖所示。

精確GPS定位及導(dǎo)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(shí)GPS導(dǎo)航系統(tǒng)要不間斷的對無人車進(jìn)行定位。在這個(gè)過程之中，無人駕駛汽車的GPS導(dǎo)航系統(tǒng)要求GPS定位誤差不超過一個(gè)車身寬度。

無人駕駛汽車面臨的另一個(gè)問題面臨的另一個(gè)挑戰(zhàn)，是需要確保他們又完美的導(dǎo)航功能，實(shí)現(xiàn)導(dǎo)航的主要技術(shù)是現(xiàn)在生活中已經(jīng)使用非常廣泛的GPS技術(shù)。由于GPS無積累誤差、自動化測量的特點(diǎn)，因此十分適合用于無人駕駛汽車的導(dǎo)航定位。

為了大幅提高GPS測量技術(shù)的精度，本系統(tǒng)采用位置差分GPS測量技術(shù)。相較于傳統(tǒng)的GPS技術(shù)，差分GPS技術(shù)會在一個(gè)觀測站對兩個(gè)目標(biāo)的觀測量、兩個(gè)觀測站對一個(gè)目標(biāo)的觀測量或者一個(gè)測站對一個(gè)目標(biāo)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(yīng)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(jī)均可改裝和組成這種差分系統(tǒng)。

安裝在基準(zhǔn)站上的GPS接收機(jī)觀測4顆衛(wèi)星后便可進(jìn)行三維定位，解算出基準(zhǔn)站的坐標(biāo)。由于存在著軌道誤差、時(shí)鐘誤差、SA影響、大氣影響、多徑效應(yīng)以及其他誤差，解算出的坐標(biāo)與基準(zhǔn)站的已知坐標(biāo)是不一樣的， 存在誤差。基準(zhǔn)站利用數(shù)據(jù)鏈將此改正數(shù)發(fā)送出去，由用戶站接收，并且對其解算的用戶站坐標(biāo)進(jìn)行改正。

最后得到的改正后的用戶坐標(biāo)已消去了基準(zhǔn)站和用戶站的共同誤差，例如衛(wèi)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(zhǔn)站和用戶站觀測同一組衛(wèi)星的情況。位置差分法適用于用戶與基準(zhǔn)站間距離在100km以內(nèi)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(xiàn)有的技術(shù)，利用差分GPS技術(shù)可以完成無人駕駛汽車的精確定位，基本滿足需求。

動態(tài)傳感避障系統(tǒng)

無人駕駛汽車作為一種陸地輪式機(jī)器人，既與普通機(jī)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(yán)格；另外，它的體積較大，特別是在復(fù)雜擁擠的交通環(huán)境下，要想能夠順利行駛，對周圍障礙物的動態(tài)信息獲取就有著很高的要求。國內(nèi)外很多無人駕駛汽車研究團(tuán)隊(duì)都是通過分析激光傳感器數(shù)據(jù)進(jìn)行動態(tài)障礙物的檢測。

斯坦福大學(xué)的自主車“Junior”利用激光傳感器對跟蹤目標(biāo)的運(yùn)動幾何特征建模，然后用貝葉斯濾波器分別更新每個(gè)目標(biāo)的狀態(tài)；卡耐基 ? 梅隆大學(xué)的 “BOSS”從激光傳感器數(shù)據(jù)中提取障礙物特征，通過關(guān)聯(lián)不同時(shí)刻的激光傳感器數(shù)據(jù)對動態(tài)障礙物進(jìn)行檢測跟蹤。

在實(shí)際應(yīng)用中，3維激光傳感器因?yàn)閿?shù)據(jù)處理工作量較大，存在一個(gè)比較小的延時(shí)，這在一定程度上降低了無人駕駛汽車對動態(tài)障礙物的反應(yīng)能力，特別是無人駕駛汽車前方區(qū)域的運(yùn)動障礙物，對其安全行駛構(gòu)成了很大的威脅；而普通的四線激光傳感器雖然數(shù)據(jù)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(gè)的傳感器在室外復(fù)雜環(huán)境中也存在著檢測準(zhǔn)確率不高的現(xiàn)象。

針對這些問題，提出一種利用多激光傳感器進(jìn)行動態(tài)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(jìn)行檢測跟蹤，利用卡爾曼濾波器對障礙物的運(yùn)動狀態(tài)進(jìn)行跟蹤與預(yù)測，對于無人駕駛汽車前方準(zhǔn)確性要求較高的扇形區(qū)域，采用置信距離理論融合四線激光傳感器數(shù)據(jù)來確定障礙物的運(yùn)動信息，提高了障礙物運(yùn)動狀態(tài)的檢測準(zhǔn)確率，最終在柵格圖上不僅對無人駕駛汽車周圍的動、靜態(tài)障礙物進(jìn)行區(qū)別標(biāo)示，而且還根據(jù)融合結(jié)果對動態(tài)障礙物的位置進(jìn)行了延時(shí)修正，來消除傳感器處理數(shù)據(jù)延時(shí)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(jī)交互界面上。

動態(tài)避障系統(tǒng)的流程結(jié)構(gòu)

首先對Veloadyne數(shù)據(jù)進(jìn)行柵格化處理得到一張障礙物占用柵格圖，對不同時(shí)刻的柵格圖進(jìn)行聚類跟蹤可以獲取障礙物的動態(tài)信息，將動態(tài)的障礙物從柵格圖中刪除并存儲在動態(tài)障礙物列表中，這個(gè)刪除了動態(tài)障礙物占用信息的柵格圖也就是一張靜態(tài)障礙物柵格圖，然后將動態(tài)障礙物列表中的動態(tài)障礙物信息和Ibeo獲取的無人駕駛汽車前方區(qū)域內(nèi)的動態(tài)障礙物信息進(jìn)行同步融合得到一個(gè)新的動態(tài)障礙物列表，最后將這個(gè)新的列表中的動態(tài)障礙物合并到靜態(tài)障礙物柵格圖中得到一張動靜態(tài)障礙物區(qū)別標(biāo)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(dá)返回的數(shù)據(jù)，將這些激光雷達(dá)數(shù)據(jù)進(jìn)行柵格化處理，投影到512*512的柵格地圖中，從而實(shí)現(xiàn)對環(huán)境中障礙物的檢測。

最終，多傳感器信息融合與環(huán)境建模模塊則是將不同傳感器獲取的環(huán)境信息進(jìn)行融合、建立道路模型并最終用柵格地圖進(jìn)行表示，這些環(huán)境信息包括：標(biāo)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(huán)境信息信號進(jìn)行處理，得到一張動態(tài)的標(biāo)志了障礙物的柵格圖，從而達(dá)到避障的效果，采用融合 Velodyne 和 Ibeo 信息得到運(yùn)動目標(biāo)狀態(tài)的方式相比于只用 Velodyne 處理結(jié)果的方式，檢測結(jié)果的準(zhǔn)確率和穩(wěn)定性都得到了較大的提升。

機(jī)械視覺機(jī)構(gòu)

機(jī)械視覺也可以稱作為環(huán)境感知，是無人駕駛汽車最重要也是最復(fù)雜的一部分。無人駕駛車輛的環(huán)境感知層的任務(wù)是針對不同的交通環(huán)境，對傳感器進(jìn)行合理的配置、融合不同傳感器獲取的環(huán)境信息、對復(fù)雜的道路環(huán)境建立模型。無人駕駛系統(tǒng)的環(huán)境感知層分為交通標(biāo)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(huán)境建模等模塊。

傳感器探測環(huán)境信息，只是將探測的物理量進(jìn)行了有序排列與存儲。此時(shí)計(jì)算機(jī)并不知道這些數(shù)據(jù)映射到真實(shí)環(huán)境中是什么物理含義。因此需要通過適當(dāng)?shù)乃惴◤奶綔y得到的數(shù)據(jù)中挖掘出我們關(guān)注的數(shù)據(jù)并賦予物理含義，從而達(dá)到感知環(huán)境的目的。

比如我們在駕駛車輛時(shí)眼睛看前方，可以從環(huán)境中分辨出我們當(dāng)前行駛的車道線。若要讓機(jī)器獲取車道線信息，需要攝像頭獲取環(huán)境影像，影像本身并不具備映射到真實(shí)環(huán)境中的物理含義，此時(shí)需要通過算法從該影像中找到能映射到真實(shí)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(huán)境的傳感器繁多，常用的有：攝像頭、激光掃描儀、毫米波雷達(dá)以及超聲波雷達(dá)等。

針對不同的傳感器，采用的感知算法會有所區(qū)別，跟傳感器感知環(huán)境的機(jī)理是有關(guān)系的。每一種傳感器感知環(huán)境的能力和受環(huán)境的影響也各不相同。比如攝像頭在物體識別方面有優(yōu)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(dá)，能精確測得物體的距離，但是在識別物體方面遠(yuǎn)弱于攝像頭。同一種傳感器因其規(guī)格參數(shù)不一樣，也會呈現(xiàn)不同的特性。為了發(fā)揮各自傳感器的優(yōu)勢，彌補(bǔ)它們的不足，傳感器信息融合是未來的趨勢。事實(shí)上，已經(jīng)有零部件供應(yīng)商做過此事，比如德爾福開發(fā)的攝像頭與毫米波雷達(dá)組合感知模塊已應(yīng)用到量產(chǎn)車上。因此本系統(tǒng)設(shè)計(jì)將多個(gè)感知模塊結(jié)合去識別各種環(huán)境實(shí)物。

1、交通識別模塊

交通標(biāo)識識別模塊又分為交通標(biāo)志牌識別和交通信號燈識別。其中，交通標(biāo)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(biāo)識檢測；

（3）交通標(biāo)識識別；

（4）識別結(jié)果輸出；

（5）實(shí)驗(yàn)數(shù)據(jù)庫和訓(xùn)練樣本數(shù)據(jù)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(tài)識別；

（4）識別結(jié)果輸出。

交通標(biāo)識識別模塊系統(tǒng)框圖如圖所示。

交通標(biāo)志牌識別系統(tǒng)框圖

交通信號燈識別系統(tǒng)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(jìn)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(dāng)前車道中的位置，能夠幫助無人車遵守交通規(guī)則，為無人駕駛車輛的自主行駛提供導(dǎo)向，提高無人車的行車穩(wěn)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(jìn)行預(yù)處理，主要是圖像的平滑；

對圖像進(jìn)行二值化，為了適應(yīng)光照分布的不均勾，采用了自適應(yīng)閾值二值化方法；

對二值化圖像進(jìn)行分析，得出該路段屬于哪種路況；

對不同路況運(yùn)用不同算法進(jìn)行檢測和識別在圖像預(yù)處理階段，運(yùn)用高斯平滑模板對圖像進(jìn)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(jìn)行卷積，將圖像中車道線的區(qū)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(jī)圖像進(jìn)行處理將環(huán)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(shè)計(jì)采用滑動窗口的目標(biāo)檢測：在輸入圖像的多尺度空間中，對圖像進(jìn)行放縮，然后在每一個(gè)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(biāo)位置的子圖。其次對所獲得子框圖的類別進(jìn)行判別，整合各個(gè)子框圖的類別信息，輸出檢測得到的結(jié)果。其檢測采用的是基于區(qū)域的Haar特征描述算子和Adaboost級聯(lián)分類器。

4、決策規(guī)劃層

無人駕駛車輛決策規(guī)劃層的任務(wù)是根據(jù)路網(wǎng)文件(RNDF)、任務(wù)文件(MDF)以及定位信息生成一條全局最優(yōu)路徑，并在交通規(guī)則的約束下，依靠環(huán)境感知信息實(shí)時(shí)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(fā)送給控制執(zhí)行系統(tǒng)。決策規(guī)劃層分為全局規(guī)劃、行為決策和運(yùn)動規(guī)劃三個(gè)模塊。

全局規(guī)劃模塊首先讀取網(wǎng)文件和任務(wù)文件，遍歷路網(wǎng)文件中的所有路點(diǎn)，生成所有路點(diǎn)之間的連通性，然后根據(jù)任務(wù)文件來設(shè)定起點(diǎn)、任務(wù)點(diǎn)和終點(diǎn)，計(jì)算出最優(yōu)路徑，最終將這條最優(yōu)路徑的路點(diǎn)序列發(fā)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(wù)要求以及環(huán)境特征，將無人駕駛車輛行為分為多個(gè)狀態(tài)，并延展為不同的亞態(tài)和子態(tài)。

運(yùn)動規(guī)劃模塊的任務(wù)則是根據(jù)行為決策模塊發(fā)送的局部目標(biāo)點(diǎn)以及環(huán)境感知信息，實(shí)時(shí)規(guī)劃出安全可行駛的路徑，并將路徑的軌跡點(diǎn)序列發(fā)送給控制執(zhí)行。

無人駕駛技術(shù)的展望

目前無人駕駛技術(shù)的實(shí)現(xiàn)主要是基于激光傳感技術(shù)或者是超聲雷達(dá)技術(shù)等，經(jīng)過十余年的研究探索，許多機(jī)構(gòu)和公司都已經(jīng)推出了自己的無人駕駛汽車，但基本都存在不足，并不能實(shí)現(xiàn)真正意義的“無人駕駛”。

解決無人駕駛汽車的關(guān)鍵技術(shù)主要在于兩個(gè)方面，一方面是算法的設(shè)計(jì)，另一方面便是傳感器的設(shè)計(jì)。傳感器的精度和響應(yīng)速度直接關(guān)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(shù)最基本也是最關(guān)鍵的部分。將來無人駕駛技術(shù)的發(fā)展方向也應(yīng)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(shù)帶來的新增的、本來不一定會發(fā)生的死亡事故。從這個(gè)角度說，自動駕駛這個(gè)行業(yè)還遠(yuǎn)沒有成熟，我們應(yīng)該抱著一顆敬畏的心，用性能最好、最穩(wěn)定的傳感器來盡可能增加系統(tǒng)冗余，遵守最成熟的開發(fā)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(fā)展的價(jià)值。