自动驾驶

以下干货来自于四维图新副总裁李昭宏的微课。

关于无人驾驶。硬件主要包括摄像头、雷达、激光雷达等；软件则包括控制系统、视觉算法等等。

由于汽车市场本身的体量，而自动驾驶又是未来的发展方向，所以这个领域的市场发展空间是巨大的。根据据罗兰贝格预测，至2030年自动驾驶市场规模达500亿美元左右。而BCG（波士顿咨询）则预测至2035年自动驾驶渗透率可达25%，市场规模达770亿美元。高盛公司预计到2050年市场规模会到达300亿美元。

目前的分类系统主要是以美国国家公路交通安全管理局和美国汽车工程师学会定义的。NHTSA分类中的五级分别代表了无自动化、驾驶支持、部分自动化、有条件自动化和高度自动化即无人驾驶，SAE对高度自动化进行了细分，分成了高度自动化和完全自动化。
不同Level对与车辆驾驶主体的控制、观察和支持有不同的要求，比方说Level1 实现了主动刹车控制，解放了驾驶员的双脚，做到 Feet Off；Level2，系统接着控制了车辆方向，解放了驾驶员的双手，做到Hands OFF；Level3 在特定条件下，系统能够掌控环境感知，这时解放了驾驶员的眼睛,做到Eyes Off；到了level4 ，进入无人驾驶，驾驶员可以完全不关心驾驶，做到Minds Off。如果人类驾驶员没有达到所使用自动驾驶技术等级的要求，就有可能出现事故。
不同Level所实现自动驾驶功能也是逐层递增的。Level0 中实现的功能仅能够进行传感探测和决策报警，比如夜视系统、交通标识识别、行人检测、车道偏离警告等。Level1实现单一控制类功能，如支持主动紧急制动、自适应巡航控制系统等，只要实现其中之一就可达到level1。Level2 实现了多种控制类功能，如具有AEB和LKA等功能的车辆。Level3实现了特定条件下的自动驾驶，当超出特定条件将由人类驾驶员接管驾驶。SAE中的L4是指在特定条件下的无人驾驶，如封闭园区固定线路的无人驾驶等，例如百度在乌镇景区运营的无人驾驶服务。而SAE中的L5就是终极目标，完全无人驾驶。

Telsa在国外和国内的两次伤亡事故，都是因为Autopilot本是Level2级别的技术，在这个级别的层面上，驾驶员还是车辆的掌管者，系统只是辅助功能，驾驶员需要对环境进行监控，车主不能把驾驶判断能力完全交给车辆。 

不同等级的驾驶技术从开始市场化到全面实现需要一个逐步渗透的过程，按照高盛的预测，Level4级别的完全自动驾驶其市场化开始可能会在2025年左右，等到2060年会全面实现。从各个厂家Level4的开发计划来看，开始市场化的时间点有可能会提前。

感知部分主要通过不同的传感器作为数据源来获取周边的环境信息。目前使用的传感器包括激光雷达，毫米波雷达和摄像头。


激光雷达，能够生成数字搞成模型。它的工作过程包括，LiDAR以一定的角速度匀速转动，在这个过程中不断地发出激光并收集反射点的信息，计算出所有反射点的坐标。LiDAR每旋转一周收集到的所有反射点坐标的集合就形成了该时刻的点云（point cloud）。


LiDAR获取的点云数据与现有的数据库中的模型进行对比，可以识别出探测到的物体类别，甚至是交警的手势。这方面需要用到大数据处理技术、机器学习和人工智能等方面的技术。由于激光传感器成本高昂（目前需要40-50万人民币），目前降低激光雷达成本的基本方向，是让激光雷达从“机械”往“固态”的路线走。“固态激光雷达”能够通过电子部件实现360°发射从而实现对周围环境360°的扫描，而不需要依靠内部机械部件的旋转。


毫米波雷达也是在自动驾驶中广泛使用的传感器，它的穿透力非常强，主要的应用场景就是测量距离，探测无人车周边的环境。毫米波雷达的微波遇到车辆之后被反射回来，被雷达测速计接收，在短时间内就能计算出所测车辆的车速。


摄像头由于成本低、分辨率高、也是唯一可获得外观信息的传感器，在目前技术条件下成为主要的传感器硬件。摄像头有单目、双目、甚至多目的解决方案。单目摄像头在测距等应用中需要维护大量样本进行训练，而双目和多目由于采用了立体视觉的技术，可以不再依赖大量样本数据但需要复杂的算法和大量的实时计算才能得出。


镜头的角度、有效识别距离、分辨率三者之间是矛盾的。比如 ADAS 系统对摄像头的要求是纵深方向的视野要好、低像素、高感光度(给机器用的)。而行车记录仪（给人用的）要求大广角，像素要高得多（即使只有 200万像素），因此，现在一些市面上的行车记录仪也可实现ADAS 中如FCW的一些功能，这种方式从传感器上本身就有缺陷。


高精度地图在精确定位 、基于车道模型的碰撞避让、障碍物检测和避让、智能调速、 转向和引导等方面都可以发挥重要作用。在高精度定位方面，商用定位系统的精度仅有5米左右，而高精度地图与传感器协同工作，可将车辆的位置定位精确厘米级（TomTom/Google/Here都达到10-20厘米）。在获取静态环境信息方面，通过从高精度地图模型中提取，可将车辆位置周边的道路、交通、基础设施等对象以及对象之间的相对关系提取出来。


按照对数据感知、理解的不同方式，自动驾驶技术路线可以大致分为两个基本路线。一个是储存/比对为主，主要技术路线包括对传感器环境与数据库匹配以确定车辆的位置、依赖高精度地图、通过已知物体数据库与传感器输入来探测障碍，需要通过云端提供所需数据服务。


另一个是以感知、理解为主，通过传感器收集信息，建立实时环境模型，以高精度地图作为传感器的补充甚至可以不需要高精度地图支持，通过深度学习等方式判断障碍，不需要云端提供所需的数据服务。在自动驾驶发展过程中，高精度地图、人工智能技术、云计算应用越来越广泛，未来自动驾驶将是两种路线的综合体。

参考链接：https://mp.weixin.qq.com/s/DS3q0EqzcKU5PiTD0JODKw