一、“智能無人駕駛技術”現在發展到什么階段了？

到目前為止，無人車發展可以分為三個階段。

階段一：UGV 軍方背景時代：2001 - 2007

2001年，因為戰爭中的大量傷亡，美國國防部出臺法案：到2015年，美軍1/3的地面作戰車輛必須為無人駕駛。 (Section 220 of the FY2001 defense authorization act)。 自此，DARPA （美國的國防科工委）成為無人車輛科研的先驅。當時無人車的英文名稱為Unmanned-Ground Vehicle (UGV) 一聽就充滿了軍事的味道。

2004年，為促進無人車發展，DARPA組織了第一屆無人車拉力挑戰賽Grand Challenge，賽程穿越加州到內華達沙漠，全程150英里。參賽隊伍包括斯坦福，卡內基梅隆大學等頂尖高校，然而，沒有一個參賽隊完成比賽。就連表現最好的卡內基梅隆隊，也只是行駛了約7.3英里。

2005年，僅僅1年之后，由我導師的導師Sebastian Thrun領軍的斯坦福大學隊Stanley就完成了拉力賽全部路程，并奪得第一名。卡內基梅隆大學屈居第二。

（我和無人車技術先驅Sebastian）

今天我想就無人車的核心技術談一談我的看法和認識。

二、無人車涉及的核心技術

無人車是一個非常完備的系統，從技術上，可以分為以下幾個模塊：

1、perception Perception指的是無人車如何能夠識別周邊的環境，例如街道范圍，信號燈、路標等，知道應該停止還是 前進。如果交通標志非常清晰、易讀，那么無人車相對比較好識別。

但難點在于，如何識別模糊的標志呢？

比如，芝加哥一到冬天，風就特別大，還飄著雪花，能把整個stop sign全都遮蓋掉。駕駛員都難以分辨那 是個stop sign還是別的標志。那在這種極端情況下，無人車如何能夠正確安全的駕駛？ 這里主要用到的技術就是computer vision，machine learning等技術。隨著深度學習的技術的普及和 深入，Perception 這幾年有了很大的進展，整個路標、路況識別的準確率有了質的提高。這為無人車安全 行駛提供了非常堅實的基礎。但Andrew Ng在一次硅谷的論壇上透露，目前無人車還無法精確識別小范圍動作，例如手指頭指揮車輛前進還是后退。

2、sensor fusion & localization不管是激光、聲納還是雷達傳感器、傳回來的信號都是帶有大量的noise和不確定性的。如何過濾這些無用 信息，將客觀世界進行3D甚至4D還原，就是sensor fusion和localization的這一步。

那么，如何在有大量noise的、不確定的情況下，去定位車的位置呢？

比較常用的方法有Particle Filter、 Kalman Filter等等。 從硬件的角度講，前些年，無人車主要使用雷達或者聲納作為傳感器，但最近比較流行的是LIDAR(light detection and ranging)系統，就是用激光束在不同的時間和空間進行照射，獲取信息。 激光的好處非常多，比如穿透率高、速度快、準確率高。但激光系統普遍成本較高。如果無人車要量產的 話，激光系統昂貴的造價是一個阻礙。 那么LIDAR系統具體怎么運作呢？ 激光束打到物體上，形成反射的信號，系統通過信號的距離和深度，形成一個個的數據點。

第一步，clustering。把點的外形和profile定義出來；

第二步，用機器學習做classification，識別該物體到底是灌木叢、磚塊還是人；

第三步，modeling和prediction。理解和預測該物體的運動形態、速度和不確定性。 通過這些步驟，對外界環境進行3D或者4D的還原。

3、motion planning and decision making Motion planning和decision making就是無人車的大腦，也是我博士期間主要的一個研究方向。

這一步就是在sensor fusion做完之后，在不確定的、動態的環境下，如何讓無人車做出正確的判斷和計劃。比如 從A和B點，全程100公里，如何確定遠程、中程和近程計劃？

Motion Planning & Decision Making的難點主要在兩點： 第一，運算量非常大，search space指數型增長。

舉一個簡單的例子，一個10個關節的機器臂，每個關節都有180度的活動空間，如果每一度都是一個自由度的，那這個復雜度呈指數級增長的，高達180的10次方。從無人車實踐的角度講，這個復雜度會比機器 臂高很多, 尤其是在不確定未知環境下。

第二，不確定的因素很多，整個motion planning和搜索出來的結果，要不斷隨著你的信息的變化而變 化。 比如，在戰場上，某個作戰車輛要通過某個橋，按照GPS信號和地圖，這個橋是完好無損的，但車輛開到 該地點的時候，發現橋被炸掉了，這時就需要快速的更新計劃。

或者，在高速上，無人車沿著一個車道行駛，突然發現有一頭鹿橫穿馬路。這時候，如何在毫秒級別的時 間里，把之前規劃的路線和速度，進行最安全的調整。這是一個非常艱巨的也是非常關鍵的技術。

這里用到的主要技術有Incremental Search-Based algorithm，sampling based planning algorithm等等。

Incremental search based algorithm。在motion planning領域，主要指的就是如A*，D*，D* Lite， MT-D* Lite等算法。我和我導師之前在研究的moving target D* Lite，也屬于這一部分。這一算法就是解決在未知、不確定、動態的環境下，如何從A點到達B點。從實現上，就是通過新的信息，更新search space，在更短的時間里，維持那些不需要更改的信息和計劃，只是局部的把那些危害到生命健康的計劃進 行修改。

Sampling based planning algorithm（RRT sacrifice of optimality）。簡單來講，這種算法就是通 過抽樣，把比較復雜的search space進行簡化，加快搜索和運算的速度。但是這個算法的問題是會犧牲最 優性。 這兩種search都在不同的系統有應用。 這里舉一個例子，講一講motion planning真正在現實中的應用。無人車過去10年的應用主要在軍方和航天上，比如說火星探測器。

對于火星探測器來說，motion planning的算法面臨著兩個大問題： 第一個是power of computing，要節能。在當時，節能這么重要主要是因為火星探測器的太陽能板功能 比較弱。當時只有在陽光垂直照射，偏差不超過十幾度的情況下，火星探測器有足夠的功率前進。

所以， 不可能把所有功率放在CPU上去運算路徑，這個算法必須非常節能。 另一個是efficiency，運算要快。火星地面不比城市路面，如果每次遇到什么情況的時候，比如有個坑、 大石頭之類的，火星車都要停下來，運算完了再走，那這個火星車運行效率就太低了。 為了解決這兩個問題，motion planning的算法也有了長足的進步。（NASA的火星探測器用的就是我導師寫的D* Lite的優化變種，加拿大宇航局的系統里也在使用過我和我導師研發的D* Lite, GAA* 的優化版 本）

4、Control 和System Integration 如何在一個復雜的系統里，把各個元器件集成起來，能夠和諧的工作，沿著規劃的路線、速度等進行安全的行駛。