自动驾驶是人工智能最有前途的应用之一，也是目前复杂度最高的应用。自动驾驶的分享分三个部分：应用情况、技术简介、由无人驾驶溢出的机会。
技术简介：包含自动化驾驶的主要技术，这部分只包含技术所需解决的问题，未包含技术方案的介绍。此外还介绍了这个领域主要的派系分歧和挑战。
技术部分很长、很难啃，但是你还是可以花点时间了解一下——因为，未来你可能在很多地方会遇到这些技术，了解一点背景，你会把它们用的更好。
1、基本过程
自动驾驶是要给非常复杂的系统，所以接下来的技术简介也比较长。
自动驾驶的基本运行过程，是感知—》决策—》执行的循环。
自动驾驶基本运行过程
2、感知，是让车“看到”。
传感器获取信息。自动驾驶汽车对自身位置和方向、速度的感知，对道路、环境、邻车、行人、障碍物等的感知，大部分是由车辆上安装的传感器提供的、车辆视角的信息。
自动驾驶汽车的成本构成，主要就是传感器。一辆L4自动驾驶汽车上，少则有30个传感器，多的可以到50个。即使不特别考虑安全性，只在实验室实现基本功能，传感器的成本都在2万美金以上。目前投入路测的自动驾驶汽车，造价大多在1~2百万人民币以上，其中仅仅一个激光雷达的价格就可以高达8万美金。
因此，传感器的成本，是自动驾驶技术应用的限制要素之一。
百度自动驾驶汽车
网联获取信息。自动驾驶汽车地图、天气、对邻车驾驶意图、前方施工/学校放学等异常路况、十字路口左右侧盲区的车辆和行人等的感知，是从网络联接上获得的、上帝视角的信息。
自动驾驶汽车如果能够获得和处理足够的网联信信，会有3个好处：
1、 自动驾驶车辆的传感器可以降低配置、控制价格，推进商用的进程；
2、 可以解决汽车对气候、时间等环境的适应性问题，尽早实现L5自动驾驶；
3、 上帝视角能够帮助车辆提前规划路径、规避风险，使自动驾驶更智能。
因此，有些学者提出了以“网联智能为重心发展自动驾驶”。网联智能虽然有上述好处，但问题也同样明显，后面会专门讨论。
信息预处理。几十个传感器，并不是每个传感器、全部时间的、所有信息，都对后续的决策环节有用，需要进行预处理，减少信息冗余和噪音。
比如一个小石子从车前20米飞过去，雷达会检测到，但这个障碍物只存在于一、两帧的扫描数据里，并不需要车辆对此做出什么反应，这就属于噪音，需要通过预处理去除。
比如负责观察行人、车辆、障碍物的摄像头抓取的信息，只有物体的轮廓、色彩、纹理等信息对后续的识别和决策有作用，预处理就需要先完成提取甚至标记的工作。
现在，信息预处理主要使用深度学习方法实现。
信息在时空维度融合。几十个传感器，每个安装的位置、角度都不同，抓取信息的频率、时间也不一样。
图片来自：新浪科技
路边安全岛上的一个行人，可能好几个传感器都扫描到了他的部分信息，雷达知道他的准确位置和行动轨迹、摄像头知道他的一切外观特征。想要准确认知这是一个人，他的准确位置在哪里，行动轨迹和意图如何，就需要把所有传感器的信息进行融合。
信息融合需要把所有传感器的信息，在时间和空间坐标上进行统一化处理，最后输出目标对象3D、多维度的、完整的信息。
现在，信息融合也主要使用深度学习方法实现。
感知层做了什么
3、决策，是让车自主的判断“发生了什么”，并决定“怎么做”。
现在决策环节的功能，底层都是深度学习技术。
道路、环境识别。这是自动驾驶进行自主决策的基础。
自动驾驶车辆需要一直到L4级，都对道路类别、气候、路况、时间等有使用条件的限制，自动驾驶车辆必须能够自行判断当前是否满足条件，防止自动驾驶被错误启动。
自动驾驶车辆想准确的知道“我在哪”，需要把感知信息和高精地图进行匹配。比如根据车道线和路标、建筑物等，知道自己在哪个路段的哪个车道（精确到厘米）。
行人、车辆、障碍物的识别、跟踪和行为预测。这是自动驾驶进行自主决策的主要依据。
车辆需要在行驶的过程中时刻判断“周围正在发生什么”。需要识别所有的行人、机动车、非机动车、动物、固定/不固定障碍物等，一切有可能出现的物体。跟踪每一个对象的运动轨迹，并根据轨迹、对象的类别、道路和环境、其他对象等信息，预测对象接下来行为。比如：雨夜，识别一个人在人行道上，一路跑到一个没有红绿灯的路口，目前道路上车辆稀少，本车离路口还有20米，就可以预测：有很大概率此人会直接跑过路口。
*道路、环境识别；行人、车辆、障碍物的识别、跟踪和行为预测——这是自动驾驶这一波发展中，技术更新最快的分支。随着摄像头获取图像的细节越来越丰富，甚至可以根据光影的细微变化，“看见”物体背后的物体，比如被相邻车道车辆遮挡的行人
自动驾驶感知&决策
本车行为认知。自动驾驶需要判断自己“正在做什么”。比如，在哪里、以什么样的速度在行驶，车身姿态是否正常没有侧倾，（没有GPS信号的时候）刚刚跑了多少里程，如果维持现状接下来车辆会怎么运动等。
基于感知地图的定位和自主导航。这是自动驾驶的常规决策内容。
现在的人工驾驶中，导航的作用主要是做出发点到目的地的总体路径规划。
自动驾驶的导航则精细的多，需要知道每一秒钟车辆应该在哪条路的哪个车道行驶，车速应该是多少等。
感知地图
现在的普通车载或APP导航，使用的是GPS地图，地图提供道路轮廓、车道、道路类别、限速等信息，结合卫星定位系统，车辆可以知道自己的位置，定位的误差可以在3~5米之内。这就是为什么有时车辆行驶过程中，导航会询问“目前是否行驶在辅道”。这样的精度用在自动驾驶是不够的。
自动驾驶需要的是高精地图，这个地图上除了GPS信息，还有车道形状、方向、道路部件、道路类别、限速等整体信息，还包含道路的坡度、曲率、铺设材质等信息，以及车道线类型、车道宽度、路边地标、防护栏、道路边缘类型等详细数据，甚至还有拥堵、施工、交通事故等动态交通信息。
自动驾驶的定位，简单一些理解，是在GPS定位的基础上，再用“看到”的路标、建筑等的角度、距离等信息，在高精地图上“查”出精确的车辆定位信息，这个定位精确到了厘米级。
高精地图，图片来源：宽凳科技
自动驾驶汽车有了精确的定位，再加上对道路上其他交通参与者、障碍物、交通事件的认知，以及发点到目的地的总体路径规划，就可以决策是否应该变换车道、减速或加速了。
异常情况的紧急决策。这是自动驾驶应付突发异常的决策内容。
自动驾驶汽车按照既定规划把乘客送到目的地，这个功能的实现虽然复杂，但只实现了车辆的20%不到的功能。
自动驾驶绝大部分的功能，都是在处理各种突发、异常的情况，车辆的驾驶策略需要确保无论出现什么状况，都能保障所有人员的安全。自动驾驶的硬件成本，研发、路测等工作的成本，超过80%都花在了安全性的提升上。
自动驾驶对时延近乎严苛的要求，也是处于安全的需要。如果检测到前方有物体，到识别是行人，最后决策需要紧急刹车，这中间每多0.1秒的时间，车辆就会多跑出去了接近2米，事故的风险会大很多。
自动驾驶对时延（从异常出现到开始采取动作）的要求是0.2秒以内，相当于一个熟练司机的正常反应时间。
决策层做了什么
4、执行，是让车辆按照决策结果行动。
执行机构需要重新设计。车辆最基础的执行机构包括动力、制动、转向三个系统，让车辆根据需要加速、减速、转向。
传统汽车这三个基础控制的动力来源是人力，是由人根据经验施加不同大小的力，实现精确的转向、加减速控制。
自动驾驶这三个基础控制的动力来源是电机等机电装置，需要重新适配和设计。这部分的设计直接决定了自动驾驶车辆操控的灵活性、连续性、准确性，这些决定了自动驾驶车辆的舒适性。
自动驾驶的执行机构虽然需要重新设计，但功能实现主要是非常细致、繁琐的实验、调整过程，整车厂之前的造车技术和经验尚可以继承。执行层全新的挑战，主要在安全性。
“绝对”安全的挑战。机动车的安全性要求是“7个9”——连续行驶116天中，允许有1秒钟车辆处于失控状态，而这1秒中足够车辆跑出去10~20米——换成里程大约是每行驶16~33万公里，允许有1秒的时间，系统无法控制车辆。这几乎是一个绝对安全的要求，现在自动驾驶的最高水平，和这个要求都还有数量级上的差距。
动力、制动、转向这三个系统中的任何一个一旦失效，都会直接导致车辆失控。为了达到安全性要求，这三个系统每个都有2~4个冗余备份的设计。
以制动系统为例，制动控制器、ESP（车身稳定系统）、电子手刹是制动系统的一种冗余设计方案。
当制动控制器整体失效，相当于踩刹车没反应，这时电子手刹就是备份方案。
当制动控制器部分失效，相当于有个别轮子没刹住，这时ESP就会通过重新分配制动力、降低电机动力等方式，实现车辆的稳定控制和刹车。
对于车辆这种复杂系统，冗余除了带来更高的可靠性（在汽车行业表现为安全性），也带来了数倍的复杂性。如果处理不好，冗余可能反而降低可靠性。
还是以制动系统为例，在无需制动的时候，如果由于软件故障、环境扰动、局部误判等原因，错误的启动了ESP（车身稳定系统）、电子手刹，车辆会直接陷入失控状态，非常危险。
决策层和执行层各冗余系统之间的配合，是自动驾驶汽车的挑战之一。
执行机构的技术迭代。这两年随着ADAS的应用，执行机构各系统的技术迭代也比较快。
自动泊车系统（APS）、车道保持系统（LKS）等的应用，推动转向系统迭代：
自适应巡航系统（ACC）、主动紧急制动（AEB）等的应用，推动制动系统迭代：
执行层做了什么
5、自动驾驶功能小结
自动驾驶本身并不是一个新概念，早在上世纪60年代，通用汽车就推出了自动驾驶概念车。它之所以在现在成为可能，主要是几个基础条件的变化：
1、 传感器的成熟，使车辆能够获得自动驾驶所需的完整信息。
2、 深度学习解决了感知和感知信息处理、智能决策的问题。
3、 电动汽车、电子控制器的成熟，降低了车辆控制的难度。
自动驾驶的关键技术包含：
感知到认知。把传感器的价格控制在可接受的范围，用传感器获得的丰富数据，形成对车辆运行的近、中、远距离中，所有交通参与者、道路、环境的认知。
高精地图。这是自动驾驶实现厘米级精确定位的基础，也是一个“打呆仗”的力气活。
驾驶策略。驾驶策略是安全的保障，但这不仅仅是一个技术问题，更是一个伦理和法规的问题。
自动驾驶的挑战，一言以蔽之：用民用产品的价格、在民用产品的开放性使用环境中，达到远超民用的安全性标准。
6、线路之争——单车智能 vs网联智能
自动驾驶从早期定义，到近几年成为技术热点，一直都只有单车智能，从网络侧获取信息只是补充。去年以来，随着5G标准的确定，以及各国开始加大5G网络的建设，网联智能开始作为自动驾驶的线路之一被摆上了桌面。
单车智能 vs 网联智能
单车智能认为，车辆自始至终都是在各种开放道路上行驶，L2~L5的区别只是自动化的程度不同，道路上始终都会有人工驾驶的车辆，以及其他各种物体和障碍物。
网联智能认为，L5只在理想中存在，非常长的时间（以百年为尺度）内，自动驾驶只在城市的社区、商区、景区、校区、园区、市区比较有价值，其他区域、城市以外，需要维持人工驾驶。而在这些区域，政府能够协调社会的各种资源，包含市政规划、交通管理、市政建设、网络服务提供商、车企等，一起遵循统一的、为自动驾驶制定的规范，共同建设适合自动驾驶的道路环境。
单车智能线路下，无论是最终的自动驾驶，还是过程中的辅助驾驶、有条件自动驾驶，车厂推出的一款车型都可以参与全球竞争，不受当地网络建设水平、道路智能化水平的限制。车企和科技企业可以自主发展。不依赖外部条件，自己选择技术路线、选择生态、自主发展。因为现在的电信网络事实上还无法做到全球通用，每个国家在频段选择、优先覆盖区域、服务质量上的选择都不同，因此，只利用不依赖网络，是更多车企选择。
网联智能下，网络实现自动驾驶所需的大部分感知、决策能力，车辆只需要从网络侧获取加工后的信息，再补充少量车辆视角的信息，就可以实现自动驾驶。所需的开发工作量减少，短期就可以落地。一些成本特别高的传感器安装到了道路上，运算量大的计算放到云端，单点投资可以为更多车辆提供服务，一次性投入虽然大，但长期综合成本比较低。
单车智能的挑战，首先是成本高，不仅是研发、路测阶段需要投入巨大的成本，量产以后生产单个产品的边际成本也较高。其次，L4级自动驾驶路测的复杂性超出预期，商用仍遥遥无期。
网联智能的挑战，首先是安全性的技术难度被低估。网联方案中感知、决策的各个部分之间依赖网络通信，5G虽然有高带宽、低时延的优点，但互联网的架构总的说来对带宽和时延没有保障。而且网联系统中节点数量和类型众多，这些对自动驾驶的安全性都是巨大的挑战，很可能需要从网络架构开始重新设计自动驾驶的网联方案。其次，在网联方案中，单车仍需自行处理紧急状况，单车成本和技术门槛降低的比较有限。
*车路协同（V2X）。V2X包含车与车、车与交通设施、车与人、车与云端服务平台的联接。自动驾驶通过V2X获得路面、交通参与者、环境等方面，可视范围以外的信息。
V2X可以让车辆提前预知行驶路段的高发风险，提前采取措施防范风险。V2X可以让车辆根据几公里范围内的交通状况，进行线路选择和车速控制，使道路通行更有效率。V2X还可以为车辆提供其他远程的增值服务。
小HUI本人认为，未来的很长时间，自动驾驶的技术发展都将以单车智能为主，网联为辅。作为一个用户，买车的目的是两个：工作日通勤&节假日扩大活动范围。过多的使用路段限制，会严重打击我对自动驾驶的付费意愿。就像5G网络没有达到一定覆盖，很难撬动大部分人换机一样。
7、线路之争——视觉主导 vs激光雷达主导
在感知层的传感器应用上，存在视觉主导和激光雷达主导的线路之争。小HUI没有现场聆听过两派观点的争论，这个话题只能粗略介绍。
都是对多种传感器的不同组合。
两条线路都用到了摄像头、激光雷达（特斯拉甚至连低成本激光雷达都不用）、毫米波雷达、超声波雷达等主要的传感器。不同的是把主要的投资放在哪里。
自动驾驶使用的传感器
激光雷达主导，因为雷达会直接输出高精度的3D模型，主要投资放在雷达硬件就好，对摄像头精度和图像处理的要求比较低。
视觉主导，依赖摄像头抓取的图像，分析得到主要的距离、角度、轮廓、色彩、纹理等完整信息，主要投资放在计算机视觉的实现上。
激光雷达主导的方案，量产以后生产单个产品的边际成本较高，但现阶段难度较小。
视觉主导方案一旦成熟，量产以后的边际成本几乎没有，但是现阶段难度非常大。
两个方案谁能胜出，最后可能是制造成本的竞赛。
争夺的主要是中、远距离感知的主导权。
30~50米内的近距离感知，主要由毫米波雷达、超声波雷达与摄像头配合，这个范围内的传感器方案没有多少歧义。
30~150米的中距离，以及100米以上的远距离感知，激光雷达、毫米波雷达、摄像头各有优势。短时间内，谁也无法完全替代谁。
*近、中、远距离的量化划分，没有公认的标准，这里只是为了形成感性认知采用了一种划分。
激光雷达、毫米波雷达、摄像头优势对比
虽然从功能上看，视觉主导和激光雷达主导，二者是势均力敌的关系。但是目前自动驾驶有一个重要的工作：搜集尽可能多的实际道路数据，用于在实验室训练自动驾驶系统，因为路测的成本太高、风险太大。
高精度摄像头+毫米波雷达的方案，因为成本足够低，除了可以在路测车辆上搭载，也可以在正式发布的商用车型上安装，获取实际道路数据的效率更高。同时，这个方案获取的信息足够完整，损失和失真非常小，能够让实验室训练的仿真程度大大提高。
所以小HUI认为，无论当前的商用侧重哪个线路，都不应该放弃视觉方案的研发。
8、路测结果
自动驾驶车辆不仅自身是一个复杂系统，它的工作环境也是开放的，这意味着自动驾驶最终上市前，必须在真实环境中对可能的情况进行驾驶安全的验证。
目前通行的做法，政府设置专门的自动驾驶试验场。有些试验场是封闭的，可以在不危害其他交通参与者的前提下做早期产品的测试，或者测试特定场景、危险场景。有些试验场是特定区域的城市公共道路，用于测试真实环境中的功能和安全性。
在城市公共道路的路测，目前投入的都是L2（车上有安全员）自动驾驶车辆。
自动驾驶试验场最多的国家是美国和中国，美国已经建成60多座试验场，包含模拟驾驶、封闭试验区、半封闭城区、开放城区、交通走廊各种形态。中国建成和在建20多座，以封闭试验区、半封闭城区为主。
各家公司自动驾驶的技术对比，看的是路测结果。主要包括：
1、 场景覆盖率。在试验场中完成了哪些道路条件、危险情况、安全驾驶行为的路测。比如通过人行道、学校路段、坡道起停等。
2、 路测里程。考察的是完成路测的量，里程越高，意味着对路面各种情况的覆盖越成熟。
3、 人工接管前里程（MPI）。考察的是平均自动驾驶多少公里，需要人工接管一次。这是自动驾驶最重要的指标，越高距离商用越近。
自动驾驶有科技企业、传统车企、造车新势力三个阵营。
自动驾驶竞争力排名（NavigantResearch，美国）
科技企业起步较早，上路测试的里程、积累的路面数据都更多。
科技企业中技术最成熟的是谷歌。从2009年发布Waymo至今，已经完成了2000万公里的路测，为10万人次提供了出租车服务。从美国加州的测试数据看，Waymo的车辆每行驶17000+公里才需要人工接管一次，应该可以比较快跨越到L3自动驾驶。
国内自动驾驶的龙头是百度，目前已经完成200万公里的路测，从北京市发布的路测结果看，MPI（人工接管前里程）评分比Waymo低很多，安全性还有比较大提升空间。
国内科技企业中，小马智行在美国加州和中国北京的路测中，MPI上的表现是最好的，但和Waymo仍有数量级上的差距。
科技企业虽然自动驾驶技术更领先，但自动驾驶的主体是汽车，绝大部分自动驾驶科技企业，必须寻求与传统车企的合作，才能打通最后的汽车控制部分，使自动驾驶真正落地。
传统车企在自动驾驶方面相对保守，但也早已通过收购、合作开始了自动驾驶的探索和实验。今年，凯迪拉克、沃尔沃、尼桑、宝马、奔驰等都发布了L2级自动驾驶的量产车型。
在自动驾驶上，国内车企和国际车企有3~5年的差距，一汽、上汽、金龙等基本上是选择和科技企业合作，目前都在早期路测阶段，测试结果还不理想。
造车新势力，特斯拉、蔚来汽车等，无论是从自动驾驶的功能完整性，还是可靠性/安全性上，目前都还落后于主流科技企业和传统车企，属于第三梯队。
9、道路长且阻
美国智库兰德公司 2016 年的一份报告认为：一辆自动驾驶汽车需要积累约200亿公里的路测数据才能验证其安全性。路测过程中，平均16~33万公里发生一次人工接管，才算满足汽车安全性的要求。
从这个标准看，无论哪个阵营，离L4自动驾驶都还很远。
自动驾驶提出来已经有10年，但是对于“完全自动驾驶”到底什么时候到来，最乐观的判断是10~15年，Garter技术成熟度曲线中判断L4级自动驾驶的成熟还需要10年以上，有些业内人士的判断，甚至认为“遥遥无期”。原因有：
1、 L2只需要具备功能，L3对可靠性要求极高。
L2（部分自动驾驶）的车辆，机器已经具备了全部的汽车操控能力，看上去离L3（无需驾驶员人工干预）应该很近了。
但是L2到L3其实非常遥远，比如自动驾驶车辆需要能够自动通过学校区域，但是如果在上下学时间段，L2允许驾驶员人工干预，L3则基本上不允许。车辆需要自行等候过马路的学生，躲避见缝插针的电动车和家长，还要根据交通义工的指挥行进，尽可能不堵路。
L2到L3，要解决的是各种复杂条件下的可靠性问题，需要投入至少10倍于L2的工作量才可能达成。
2、 目前的自动驾驶路测结果，有非常强的地域限制。
美国的道路条件，和中国的差别很大；北京完成的测试结果，也没法证明车辆在贵州、重庆也能有相同表现；广东要求机动车必须礼让行人，其他地方就未必；有些地方行人只走斑马线，有些地方路上除了有随意乱穿的人，还有各种大小动物。
要想造出全球发布的车型，就需要在全世界所有道路上进行路测，这几乎是不可能完成的任务。
这意味着，消费者现在买的车，只能在有限的区域自动驾驶，出了这些区域就只能人工驾驶。自动驾驶很长时间都是在城市公交、货运等有固定线路的领域更可行，车辆也不太可能放弃刹车、油门、方向盘。
自动驾驶正在试图：用民用产品的价格、在民用产品的开放性使用环境中，达到远超民用的安全性标准。
这个过程中：
会创造出高精度、高可靠性、全工况、低成本的摄像头、激光雷达、毫米波雷达等传感器；
会倒逼物联网提升可靠性和性能，促进物--物相连标准的发展；
会激励地图和定位技术的更新换代，达到更高的精度和速度；
会给专用芯片的发展提供契机；
也会催生出一批有别于互联网时代的，适合硬科技和工业需要软件技术人员群体。
自动驾驶是硬科技创新的龙头之一，产生的技术创新会在其他的硬科技创新应用中发挥价值。
粤公网安备 44030502007885号
