權威發布: 中國人工智慧學會自動駕駛入門秘籍

10月12日，中國人工智慧學會發布中國人工智慧系列白皮書，雷鋒網作為邀請媒體見證了白皮書的發布。本文將對《中國人工智慧系列白皮書——智能駕駛》進行介紹和精編。

智能汽車是新一輪科技革命背景下的新興技術，集中運用了現代感測技術、信息與通信技術、自動控制技術、計算機技術和人工智慧等技術，代表著未來汽車技術的戰略制高點，是汽車產業轉型升級的關鍵，也是目前世界公認的發展方向。

智能汽車在減少交通事故、緩解交通擁堵、提高道路及車輛利用率等方面具有巨大潛能。在此大背景下，中國人工智慧學會出台《中國人工智慧系列白皮書——智能駕駛2017》，概述汽車智能化發展，分析國內外技術發展現狀，從安全性、經濟性、互聯性、行業性方面具體闡述智能駕駛的社會效益與影響，並詳細介紹智能駕駛的技術，包括感測感知技術、定位與導航技術、V2X網聯通信技術、決策規劃技術結構體系、感測信息融合、任務決策、規劃規劃、異常處理這些關鍵決策規劃的關鍵環節。此外，本白皮書還系統地介紹了自動駕駛控制的核心技術組成部分，包括車輛的縱向控制、橫向控制、自動駕駛的控制方法、自動駕駛控制技術方案。除了詳細技術介紹之外，該白皮書還介紹了模擬模擬技術，包括需求分析、技術方案、並預期未來發展的技術挑戰和趨勢。

本白皮書是中國人工智慧學會理事長、中國工程院院士李德毅、科大訊飛執行總裁胡郁、重慶郵電大學教授王國胤、中國科學院院士譚鐵牛等產學研的專家撰寫而成，引用了104篇國內外論文、著作等。

以下為白皮書的精編內容：

開篇

自20世紀80年代，在美國國防部先進研究項目局（DARPA，Defense Advanced Research Projects Agency）的支持下掀起了智能車技術研究熱潮。1984年由卡耐基梅隆大學研發了全世界第一輛真正意義的智能駕駛車輛，該車輛利用激光雷達、計算機視覺及自動控制技術完成對周邊環境的感知，並據此做出決策，自動控制車輛，在特定道路環境下最高時速可達31km/h。

汽車智能駕駛技術的內涵

汽車智能駕駛具有「智慧」和「能力」兩層含義，所謂「智慧」是指汽車能夠像人一樣智能地感知、綜合、判斷、推理、決斷和記憶；所謂「能力」是指智能汽車能夠確保「智慧」的有效執行，可以實施主動控制，並能夠進行人機交互與協同。自動駕駛是智慧和能力的有機結合，二者相輔相成，缺一不可。

為實現「智慧」和「能力」兩方面內容，自動駕駛技術一般包括環境感知、決策規劃和車輛控制三大部分。類似於人類駕駛員在駕駛過程中，通過視覺、聽覺、觸覺等感官系統感知行駛環境和車輛狀態，自動駕駛系統通過配置內部感測器和外部感測器獲取自身狀態及周邊環境信息。內部感測器主要包括車輛速度感測器、加速感測器、輪速感測器、橫擺角速度感測器等；主流的外部感測器包括攝像頭、激光雷達、毫米波雷達以及定位系統等。通過這些感測器提供海量的全方位行駛環境信息。不同感測器的量測精度、適用範圍都有所不同，為有效利用這些感測器信息，需要利用感測器融合技術將多種感測器在空間和時間上的獨立信息、互補信息以及冗餘信息按照某種準則組合起來，從而提供對環境綜合的準確理解。決策規划子系統代表了自動駕駛技術的認知層，包括決策和規劃兩個方面。決策體系定義了各部分之間的相互關係和功能分配，決定了車輛的安全行使模式；規劃部分用以生成安全、實時的無碰撞軌跡。車輛控制子系統用以實現車輛的縱向車距、車速控制和橫向車輛位置控制等，是車輛智能化的最終執行機構。 「感知」和「決策規劃」對應於自動駕駛系統的「智慧」；而「車輛控制」則體現了其「能力」。

汽車智能駕駛技術分級

美國高速公路安全管理局（NHTSA）將汽車智能化水平分成五個等級：無自主控制；輔助駕駛；部分自動駕駛；有條件自動駕駛；高度自動駕駛。

《中國製造2025》將智能汽車分為DA，PA，HA，FA四個等級，並劃分了各自的界限。其中，DA指駕駛輔助，包括一項或多項局部自動功能，如ACC，AEB，ESC等，並能提供基於網聯的智能提醒信息；PA指部分自動駕駛，在駕駛員短時轉移注意力仍可保持控制，失去控制10秒以上予以提醒，並能提供基於網聯的智能引導信息；HA指高度自動駕駛，在高速公路和市內均可自動駕駛，偶爾需要駕駛員接管，但是有充分的移交時間，並能提供基於網聯的智能控制信息；FA指完全自主駕駛，駕駛權完全移交給車輛。

自動駕駛VS無人駕駛

自動駕駛是指可以幫助駕駛員轉向和保持在車道內行駛，實現跟車、制動以及變道等操作的一種輔助駕駛系統，駕駛員可以隨時介入對車輛的控制，並且系統在特定環境下會提醒駕駛員介入操控。同自動駕駛汽車相比，無人駕駛汽車也配備有各類感測器和相應的控制驅動器，但是取消了方向盤、加速踏板和制動踏板，汽車在沒有人為干預的情況下自主完成行駛任務。

1921年World Wide Wireless期刊上出版的一篇論文中提出，通過無線通信技術實現無人駕駛技術。1955年美國Barret Electronics公司研製出了第一台自動引導車輛系統AGVS(Automated Guided Vehicle System)。

期後的半個世紀，慕尼黑聯邦國防軍大學、美國俄亥俄州立大學、德國聯邦國防軍大學都在推進無人駕駛的研究。

除高校在自動駕駛領域的積極研究外，眾多汽車廠商也相繼開展了相關研究計劃。其中以特斯拉最廣為人知，特斯拉開發了自動駕駛系統Autopilot，並安裝在了8萬輛Model S上。

此外，以谷歌為代表的IT公司在自動駕駛領域的表現也十分活躍，谷歌公司於2009年開始研發無人駕駛技術。2013年，蘋果公司也開始想汽車領域進軍，開發了智能車載系統CarPlay。CarPlay能夠支持「電話」、「音樂」、「地圖」、「信息」和第三方音頻應用程序。

相比之下，國內在自主駕駛方面研究的起步稍晚。從80年代末開始，國防科技大學先後研製出基於視覺的CITAVT系列智能車輛。後來清華大學在國防科工委和國家「863計劃」的資助下從1988年開始研究開發THMR系列智能車。吉林大學、重慶大學也在自主駕駛方面取得一定的成果。國內一汽集團、上汽集團、長安汽車等車企也紛紛涉足自動駕駛。

國內互聯網百度公司也在2013年開始了百度無人駕駛汽車項目，其技術核心是「百度汽車大腦」，包括高精度地圖、定位、感知、智能決策與控制四大模塊。

其中公開性智能駕駛比賽也對智能駕駛發展具有重要的推動作用，比如美國國防部先進研究局所舉辦的DARPA挑戰賽，，掀起了智能駕駛技術研發的熱潮。

汽車自動駕駛產業概述

進入了21世紀後，自動駕駛產業得到了足夠的重視和發展。傳統的車企傾向於從輔助駕駛到自動駕駛的逐步遞進方案。圖為我國學者於2012年調研得到的輔助駕駛系統的消費認知度情況。

智能駕駛的社會效益

2012年我國平均每天約 280人因交通事故傷亡，相當於一次重大空難。同時，駕駛員是導致交通事故的主要因素。

智能駕駛不受人的心理和情緒干擾，遵守交通法規，按照規劃路線行駛，可以有效減少人為所造成的交通事故和擁堵。同時，智能駕駛汽車能夠比人類更加精準地計算和使用路權，通過車聯網共享交通資源信息，可以最大化利用城市的道路資源。

此外，智能駕駛可以有效地促進節能減排，可以更合理地操控和切換駕駛模式，控制車輛的提速和減速，避免由於駕駛員的不良駕駛習慣導致的車輛能源消耗和尾氣排放等問題。

倘若智能駕駛汽車與智能交通、雲計算相結合，將可以構建城市智能車指揮調度服務中心，共享交通資源，實現最優的交通出行，將會大大地減少汽車的保有量，從而達到節能減排的效果。

智能駕駛將帶來汽車下游產業鏈的巨大變革，比如汽車駕校的低迷、陪練市場的萎縮、計程車行業的失業、代駕行業的徹底消失、汽車維修行業和保險行業的改變等。

智能汽車從根本上改變了傳統的「人一車一路」閉環控制方式，將不可控的駕駛員從該閉環系統中請出去，減少了人為影響因素，由機器駕駛腦實現精確的機器控制，從而大大提高了交通系統的效率和安全性。

國內外相關政策

由於智能駕駛是新興的技術，各國政策也在研究甚至出台智能駕駛的相關政策。

美國內華達州一直領導著允許智能駕駛汽車上路的立法工作。2011年，內華達州立法委員會通過了美國第一部允許測試智能駕駛汽車的法案。

歐盟在頂層設計、重大研發規划上做了很多工作，未來交通研究計劃中強調了車車、車路通信，強調了人車路一體化和道路安全。

法國已於2016年年底前實現全國數千公里道路的聯網，並推動道路交通法律法規的修訂，滿足無人駕駛汽車上路要求。此外，還將向全球汽車生產商開放道路進行無人駕駛汽車的試驗。英國政府已表示2017年首次允許無人車在高速公路及重要道路上進行試駕。為迎接無人駕駛汽車的到來，英國還將修改相關的道路交通法規，目前已由英國科學部與交通部開始著手研究。

日本國土交通省則決定最早將於2017年秋季制定有關在高速公路同車道行駛的自動駕駛安全法規。

目前，我國由工信部組織起草的智能網聯汽車標準體系方案已形成標準框架體系，該標準體系框架包括基礎、通用規範、產品與技術應用、相關標準四個主要部分。

環境感知

智能駕駛的核心不在車而在人，是物化駕駛員在長期駕駛實踐中，對「環境感知-決策規劃-控制執行」過程的理解、學習和記憶。環境感知作為第一環節，處於智能駕駛車輛與外界環境信息交互的關鍵位置，其關鍵在於使智能駕駛車輛更好地模擬人類駕駛員的感知能力，從而理解自身和周邊的駕駛態勢。

相機、雷達、定位導航系統等為智能駕駛車輛提供了海量的周邊環境及自身狀態數據，這些以圖像、點雲等形式呈現的數據包含了大量與駕駛活動無關的信息。選擇性注意作為人類自然感知的重要特徵，可以幫助智能駕駛車輛聚焦當前駕駛行為，確保智能駕駛的安全性和實時性。環境感知需要遵照近目標優先、大尺度優先、動目標優先、差異性優先等原則，採用相關感知技術對環境信息進行選擇性處理。

智能駕駛車輛上安裝的每類感測器也都有自身的感知盲區。智能駕駛過程中，通過組合使用多類感測器和運用時序關聯的感知技術，可以縮小感知盲區的範圍，一般不會影響正常駕駛。

環境感知功能系統構成

智能駕駛車輛獲取和處理環境信息，主要用於狀態感知和V2X網聯通信。V2X（即Vehicle to Everything，車輛同所有交通參與者）網聯通信強調了車輛、道路、使用者三者之間的聯繫， 主要利用RFID（Radio Frequency Identification，射頻識別）、拍照設備、雲伺服器等獲得實時路況、道路信息、行人信息等一系列交通信息，從而提高駕駛安全性和駕駛效率。

狀態感知主要通過車載感測器對周邊及本車環境信息進行採集和處理，包括交通狀態感知和車身狀態感知。V2X網聯通信是利用融合現代通信與網路技術，實現智能駕駛車輛與外界設施和設備之間的信息共享、互聯互通和控制協同。

按照獲取交通環境信息的途徑，可將這些感測器分為兩類：1）被動環境感測器，主要包括相機等視覺感測器和麥克風陣列等聽覺感測器2）主動環境感測器，主要指激光雷達、毫米波雷達和超聲波雷達。

系統硬體配置方案

可用於智能駕駛環境感知的硬體設備有很多，主要包括相機、激光雷達、毫米波雷達、超聲波雷達、GPS、BDS、INS等。目前智能車上採用的配置方案往往是多種型號或多種類型設備的組合。如下圖

• 相機

無論是單目相機、雙目相機，還是多目相機、深度相機，無論像素再清晰、採樣速率再高，也無法解決所有圖像採集和處理的難題。由於道路環境、天氣環境的多樣性、複雜性以及智能駕駛車輛本身的運動特性，相機容易受到光照、視角、尺度、陰影、污損、背景干擾和目標遮擋等諸多不確定因素的影響。

• 雷達

雷達對光照、色彩等干擾因素具有很強的魯棒性，但是無論安裝多少數量/種類的雷達、選取多高的採樣速率，都不可能徹底解決凹坑反射、煙塵干擾和雨、雪、霧等惡劣天氣條件下的探測難題。

• 定位系統

定位導航系統為智能駕駛提供了高精度、高可靠定位、導航和授時服務，RTK（Real-Time Kinematic，載波相位差分技術） + INS組合更是為實時精準定位和位置精度保持奠定了重要基礎。但是無論位置服務公共平台多好、陀螺精度多高，還是存在採樣頻率不夠、地理環境過於複雜、初始化時間過長、衛星信號失效等問題，因此定位導航系統總是存在缺陷。

感測感知技術

感知功能的實現既需要合適的感知設備，也離不開相應的感知技術。按照感測器獲取的信號類型，可分為相機視覺、雷達感測和聽覺感測。

• 相機視覺

在智能駕駛中，相機取代人類視覺系統作為交通環境感知的感測器之一。相較於其他感測器，視覺感測器安裝使用的方法簡單、獲取的圖像信息量大、投入成本低、作用範圍廣，並且近些年更是得益於數字圖像處理技術的快速發展和計算機硬體性能的提高。但是在複雜交通環境下，視覺感測器依然存在目標檢測困難、圖像計算量大、演算法難以實現的問題，視覺感知技術在應對道路結構複雜、人車混雜的交通環境時也還存在很多不足。

視覺感知技術主要包括三種：

• 1）單目視覺技術，即通過單個相機完成環境感知任務，具有結構簡單、演算法成熟並且計算量較小的優點，但是感知範圍有限、無法獲取場景目標的深度信息；
• 2）立體視覺技術，基本原理是採用2個（或多個）相機從不同視點觀察同一目標，並通過計算圖像像素間位置偏差恢復三維場景，難點在於尋找多個相機圖像中匹配的對應點；
• 3）全景視覺技術，成像視野較寬，但圖像畸變較大、解析度較低。
• 雷達感測

在國內外智能駕駛車輛開發過程中，感測感知技術研究的重點除了視覺就是雷達。雷達通過對目標發射電磁波並接收目標回波來獲得目標的距離、方位、距離變化率等信息。

（1）雷達感測器

雷達感測器一般由發射機、發射天線、接收機、接收天線、顯示器、處理部分以及電源設備、數據錄取設備、抗干擾設備等輔助設備構成。按照電磁波的波段，雷達分為三類：激光雷達、毫米波雷達、超聲波雷達。

雷達受外界環境影響小，獲取的深度信息可靠性高，測距範圍和視角大、準確度高。另外，雷達每幀接收的點雲數據量遠小於相機記錄的圖像信息，更能滿足智能駕駛對實時性的需求。雷達的最大缺點在於製造工藝複雜、成本很高，在一定程度上使其廣泛應用受到限制。

目前激光雷達常用的感知技術主要有：

1. 障礙物檢測與跟蹤，關鍵在於同一時刻障礙點的聚類和不同時刻障礙物的匹配，基於深度學習的雷達障礙物檢測逐漸成為近年來的研究熱點，雷達與圖像融合的障礙物檢測技術研究也取得了一定成果；
2. 路面檢測，主要是為了區分路面和道路上的其他目標障礙物，還可以通過檢測路面材質和坡度為智能駕駛車輛決策和控制提供數據參考；
3. 定位與導航，基於激光雷達的SLAM在智能車定位中可以發揮重要作用，智能車通過檢測路邊障礙物位置判斷道路走向並實現基於雷達的自主導航；
4. 三維重建，利用激光雷達獲取的深度信息即可以實現智能車周圍環境的三維場景重建。

目前大部分智能駕駛車輛僅依靠視覺感知和雷達感知，已經能夠完成絕大多數交通環境感知任務，因此往往忽略了聽覺感知。交通環境中有許多聲音也會攜帶重要信息，例如喇叭、警笛等智能駕駛車輛同樣需要對環境中的聲音有所感知並做出反應。

• 聽覺感測器

按照相對於智能車輛位置區域的範圍，聽覺感知能力可分為三類：1）個域聽覺感知2）局域聽覺感知3）廣域聽覺感知。

聽覺感知系統主要涉及三種關鍵技術：聲源定位技術、音頻識別技術和軟體無線電技術。

目前常用的聲源定位技術按其定位原理可分為三大類：

1. 基於最大輸出功率的可控波束形成技術，關鍵在於對接收的信號的濾波及加權求和，並控制陣列波束指向最大輸出功率對應的方向；
2. 基於高解析度譜估計的定位技術，通過求解所接收信號與陣列間的相關矩陣確定信號源方向和位置；
3. 基於聲達時間差的定位技術，主要是利用聲源信號到每個麥克風陣元的時間差估計來實現測向和測距。

定位與導航技術

智能駕駛的基礎是自主導航，不僅需要獲取車輛與外界環境的相對位置關係，還需要通過車身狀態感知確定車輛的絕對位置，因此定位與導航也是環境感知的關鍵技術之一。

• 感知態勢的基準

智能駕駛車輛的位置數據不可能脫離感知態勢的基準，目前在智能駕駛中常用的基準包括：大地坐標系（WGS-84/ CGCS 2000）、攝像機坐標系、圖像坐標系、雷達坐標系、駕駛員認知坐標系等。

目前主要有GPS、北斗衛星導航系統、GLONASS和GALILEO四大全球衛星導航系統，我國常用的為GPS和北斗衛星導航系統。

衛星導航定位技術按照定位方式分為單點定位技術和相對定位技術。

相對定位又分為靜態定位和動態定位兩種類型，其中實時動態定位RTK技術是一種新的常用的衛星定位測量方法。RTK是一種基於載波相位觀測值的定位技術，利用了參考站和移動站之間觀測誤差的空間相關性。與以前的靜態定位和動態定位不同，RTK無需事後結算即可在野外實時得到厘米級的定位精度，成為衛星定位應用的重大里程碑。

（2）慣性導航系統

慣性導航系統（簡稱慣導）由陀螺儀和加速度計構成，通過測量運動載體的加速度和角速率數據，並將這些數據對時間進行積分運算，從而得到速度、位置、姿態和航向。

慣性導航系統能夠提供包括水平姿態、方位、速度、位置、角速度和加速度等的全面的導航信息，而且數據更新率高、連續性好、噪點低、短期精度和穩定性高。慣導也存在其固有缺陷：定位誤差會隨時間而增大，數據的長期精度較低，而且無法獲取時間信息。另外，慣導在每次使用之前需要較長時間的初始化，在智能駕駛過程中如果出現斷電等突髮狀況，往往需要重新初始化。

交通環境複雜多變，單一的導航系統往往會受限於自身的不足而無法確保精準定位和導航，因此當前的智能駕駛車輛大多採用GPS/BDS + INS的組合導航方式。

• 姿態和狀態感知

智能駕駛車輛環境感知系統對車體的感知包括兩部分：車身姿態感知和車身狀態感知。

（1）車身姿態感知：主要指對車輛航向角、側傾角和俯仰角的感知，一般通過慣導或者陀螺儀來獲取這些參數。

（2）車身狀態感知：主要包括對車輛行駛速度、縱向加速度、發動機轉速、方向盤轉角、節氣門開度、制動主缸壓力等車輛狀態信息的感知。

測試技術

智能駕駛對定位導航系統的性能有一定的要求，需要通過測試得到性能指標數值作為衡量依據。

測試指標一般包括：

1）首次定位時間，用於測試接收終端搜索信號的速度；

2）定位測速精度，一般包括水平和高程定位精度；

3）失鎖重捕時間，能夠反應接收終端在信號失鎖後恢復定位的快慢；

4）跟蹤靈敏度，主要評估定位狀態下接收機維持定位精度所需的最小信號功率；

5）捕獲靈敏度，代表了失鎖狀態下接收機捕獲弱信號的能力。

實際駕駛時，車輛在不同場景下對導航系統的定位性能需求不同，因此導航系統的性能測試一般會有針對性地設置特定場景。地圖也包括數字地圖、駕駛地圖等兩種形式。

• V2X網聯通信技術

近年來，隨著物聯網、大數據、「互聯網+」等新技術的興起，智能交通系統（ITS，Intelligent Transport System）在智能網聯、車聯網方面也有了長足發展。

V2X網聯是基於物聯網，運用D2D（Device to Device，終端直通）以及信息通信等技術實現車輛與外界互聯的無線通信技術。2017年9月19日，我國首部V2X應用層團體標準《合作式智能交通系統 車用通信系統應用層及應用數據交互標準》正式發布。

智能駕駛對V2X網聯通信提出了以下幾點技術要求：網路接入時間短、傳輸時延低、傳輸可靠性高、干擾性低、信息安全性高、頻譜可再利用。另外，還需要對海量數據進行分析與處理，這就要求V2X技術可以合理藉助各類感知感測器，並從獲取的數據中探索規律進行有效表示。

V2X技術的實現一般基於RFID、拍照設備、車載感測器等硬體平台。V2X網聯通信產業分為DSRC（Dedicated Short Range Communication，專用短程協議）和LTE-V2X兩個標準和產業陣營。

DSRC的設備組成包括車載單元(OBU，On Board Unit)、路邊單元（RSU，Road Side Unit）、控制中心等。DSRC的優勢在於技術成熟可靠，能夠保證低時延和安全可靠性，因此依然是當下市場主流的V2X標準。DSRC能夠支持的最高車速為200km/h，數據傳輸速率一般為12Mbps，反應時間為100ms以內，低時延達到20ms。另外也存在一些不足，包括覆蓋範圍小、傳輸速率低、易受到建築物遮擋、處理大量數據較慢、建設成本較高等。

目前，DSRC在不停車收費（ETC系統）、車隊管理、出入控制、信息服務等領域已經有廣泛應用。

LTE-V2X

LTE-V2X基於現有蜂窩移動通信支持（3G/4G），擁有自主知識產權。

工信部、發改委和科技部等政府部門和高通、華為等公司也在大力推動LTE-V2X技術的產業化發展。LTE-V2X技術按照通信方式分為集中式（LTE-V-Cell）和分散式（LTE-V-Direct）兩種，如圖2-6所示。LTE-V-Cell以基站為分布中心，需要現有蜂窩網路的支持，具有帶寬大、覆蓋廣的通信特點，能免實現遠距離通信；LTE-V-Direct獨立於蜂窩網路，是一種車輛與周邊環境節點直接通信的技術，具有低時延、高可靠的優勢。

目前，LTE-V2X仍在研發測試階段，但是已形成可運營的完整網路體系，能夠在高頻段（5.9GHz）、高車速（250km/h）、高車流量的環境下提供可靠的通信能力，並且在大容量、低時延、抗干擾性以及可管理性等方面更為成熟。

決策規劃

決策規劃是自動駕駛的關鍵部分之一，決策規劃按照劃分的層面不同可分為全局規劃和局部規劃兩種。

全局規劃是由獲取到的地圖信息，規划出一條在一些特定條件下的無碰撞最優路徑；局部規劃則是根據全局規劃，在一些局部環境信息基礎上，能避免撞上未知的障礙物，最終到達目標點的過程。

軌跡規劃是智能汽車自主駕駛行為必須涉及到的一項研究，運動軌跡規劃是在靜態路徑規劃的基礎上考慮時間因素和車輛的運動學、動力學約束條件，並根據車輛當前的位姿以及感測器收集到周圍環境的狀態信息，考慮智能汽車的內在約束條件( 如非完整約束) 和車輛的運動學、動力學約束條件對軌跡生成的影響，規划出可行的參考軌跡。最後將軌跡以控制量的方式供給到後續的控制系統，使得車輛可以沿著相應的軌跡行駛，避免碰撞。

決策規劃技術結構體系

決策規劃技術結構體系包括分層遞階式體系結構、反應式體系結構、混合式體系結構。以下的三張圖為三種體系結構的圖解。

決策規劃系統的關鍵環節

智能駕駛決策規劃系統的開發和集成基於遞階系統的層次性特徵，可分為四個關鍵環節，分別是信息融合、任務決策、軌跡規劃和異常處理。

感測信息融合是將多個感測器的輸出信息統一在車輛坐標系下，建立具有時間標記的數據關聯和融合，以保證場景數據信息的連貫性和適用性。任務決策作為智能駕駛的智能核心部分，接收到感測感知融合信息，通過智能演算法學習外界場景信息，從全局的角度規划具體行駛任務，從而實現智能車輛擬人化控制融入整個交通流。軌跡規劃是根據局部環境信息、上層決策任務和車身實時位姿信息，在滿足一定的運動學約束下，為提升智能汽車安全、高效和舒適性能，規劃決斷出局部空間和時間內容車輛期望的運動軌跡，包括行駛軌跡、速度、方向和狀態等。

異常處理作為預留的智能駕駛系統安全保障機制，一方面是在遇到不平及複雜路面易造成車輛機械部件鬆動、感測部件失效等問題時，通過預警和容錯控制維持車輛安全運行；另一方面是決策過程某些演算法參數設置不合理、推理規則不完備等原因導致智能汽車在行為動作中重複出現某些錯誤並陷入死循時，能夠建立錯誤修復機制使智能汽車自主的跳出錯誤死循環，朝著完成既定任務的方向繼續前進，以減少人工干預來解決問題，這是提高車輛智能化水平的必需。

決策規劃技術方法

決策規劃是智能汽車導航和控制的基礎，從軌跡決策的角度考慮的，可分為全局規劃和局部規劃兩個層次。

• 全局規劃方法

(1)基於狀態空間的最優控制軌跡規劃方法

在狀態空間進行軌跡規劃的方法主要有最優控制方法。最優控制方法是指通過最優控制理論找到可行的控制量 ，使得系統 能夠沿著可行軌跡 行駛，該軌跡能夠使得評價函數 最小。將評價函數和系統的狀態方程聯繫起來，只有系統狀態方程的約束條件滿足，評價函數才能置零，求得可行的軌跡 。

(2)基於參數化曲線的軌跡規劃方法

B樣條曲線由一組稱作控制點的向量來確定，這些控制點按順序連接形成一個控制多邊形，B樣條曲線就是逼近這個控制多邊形。通過確定控制點的位置，可以控制曲線的形狀。由於B樣條曲線具有曲率連續的優點，在相鄰曲線段的節點處曲率也是連續的[31]，且具有局部支撐性等特點，如果軌跡局部的約束條件不滿足，可以通過調整相應控制點的方法來對軌跡進行修正，而不影響其它的軌跡段，具有應用性強的特點。

(3)基於基於系統特徵的軌跡規劃方法

微分平坦法是基於系統特徵的一種軌跡規劃方法。微分平坦是指可以找到一組系統輸出，使得所有狀態變數和輸入變數都可以由這組輸出及其導數決定(不需積分)。不過該方法在規劃軌跡的過程中沒有考慮最大麴率和最大麴率變化率的約束條件。文獻針對路徑規劃給定的路徑函數信息，通過微分平坦的方法規划出系統輸入及狀態的時間相關的軌跡函數，在滿足車輛側向加速度約束的情況下使得系統的某性能指標最優。

• 局部規劃方法

局部路徑規劃的方法主要包括以下兩個關鍵部分：（1）建立環境模型，即將智能汽車所處現實世界抽象後，建立計算機可認知的環境模型；（2）搜索無碰路徑，即在某個模型的空間中，在多種約束條件下，選擇合乎條件的路徑搜索演算法。

• 路權分配技術

路權（Right of Weight，ROW），是指道路使用者依據法律規定，在一定的時間對一定的道路空間使用的權力。在智能駕駛中，路權可以用來描述滿足車輛當前安全行駛所需要的道路空間。

路權與車速強相關，可分為期望路權和實際路權，當兩者不一致時，就需要進行調節來解決衝突。自主駕駛是智能汽車在任意時刻對路權的檢測和使用，多車交互是車群在任意時刻對路權的競爭、佔有、放棄等協同過程。自主駕駛的不確定性，體現在車輛行駛中擁有的路權在不停地發生變化。

控制工程篇

智能駕駛的整個流程歸結起來有三個部分，首先，是通過雷達、像機、車載網聯繫統等對外界的環境進行感知識別；然後，在感測感知融合信息基礎上，通過智能演算法學習外界場景信息，規劃車輛運行軌跡，實現車輛擬人化控制融入交通流中；其次，跟蹤決策規劃的軌跡目標，控制車輛的油門、剎車和轉向等駕駛動作，調節車輛行駛速度、位置和方向等狀態，以保證汽車的安全性、操縱性和穩定性。如果能夠默契地進行，那麼整個智能駕駛流程就算完成了。

智能駕駛的系統將駕駛認知形式化，利用駕駛認知的圖表達語言，設計通用的智能駕駛軟體架構。在這一架構中，智能決策模塊基於多感測器的感知信息、駕駛地圖和車聯網通信等先驗信息綜合形成的駕駛態勢完成自主決策。智能駕駛試驗平台軟體的架構如圖所示。

自動駕駛控制核心技術組成

自動駕駛控制的核心技術是車輛的縱向控制和橫向控制技術。縱向控制，即車輛的驅動與制動控制；橫向控制，即方向盤角度的調整以及輪胎力的控制。實現了縱向和橫向自動控制，就可以按給定目標和約束自動控制車運行。

• 縱向控制

車輛縱向控制是在行車速度方向上的控制，即車速以及本車與前後車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制器演算法結合，構成了各種各樣的縱向控制模式，典型結構如圖所示。此外，針對輪胎作用力的滑移率控制是縱向穩定控制中的關鍵部分。

• 橫向控制

車輛橫向控制指垂直於運動方向上的控制，對於汽車也就是轉向控制。目標是控制汽車自動保持期望的行車路線，並在不同的車速、載荷、風阻、路況下有很好的乘坐舒適性和穩定性。車輛橫向控制主要有兩種基本設計方法，一種是基於駕駛員模擬的方法；另一種是給予汽車橫向運動力學模型的控制方法。

自動駕駛控制方法

傳統的汽車控制方法主要有：PID控制、模糊控制、最優控制、滑模控制等，這些演算法應用都較為廣泛。相對於傳統的控制方法，智能控制方法主要體現在對控制對象模型的運用和綜合信息學習運用上，主要有基於模型的控制、神經網路控制和深度學習方法等，目前這些演算法已逐步在汽車控制中廣泛應用。

• 基於模型的控制

基於模型的控制,一般稱為模型預測控制（Model predictive control，MPC）,又可稱為滾動時域控制（Moving horizon control，MHC）和後退時域控制（Receding horizon control，RHC），它是一類以模型預測為基礎的計算機優化控制方法，在近些年來被廣泛研究和應用的一種控制策略。其基本原理可概括為：在每個採樣時刻，根據當前獲得的當前測量信息，在線求解一個有限時域的開環優化問題1，並將得到的控制序列的第一個元素作用於被控對象，在一個採樣時刻，重複上述過程，再用新的測量值刷新優化問題並重新求解。在線求解開環優化問題獲得開環優化序列是模型預測控制與傳統控制方法的主要區別。預測控制演算法主要由預測模型、反饋校正、滾動優化、參考軌跡四個部分組成，最好將優化解的第一個元素（或第一部分）作用於系統。

• 神經網路控制

神經控制是研究和利用人腦的某些結構機理以及人的知識和經驗對系統的控制[60]。利用神經網路，可以把控制問題看成模式識別問題，被識別的模是映射成「行為」信號的「變化」信號。神經控制最顯著的特點是具有學習能力。它是通過不斷修正神經元之間的連接權值，並離散存儲在連接網路中來實現的。它對非線性系統和難以建模的系統的控制具有良好效果。一般情況下，神經網路用於控制系統有兩種方法：一種是用其建模，主要利用神經網路能任意近似任何連續函數和其學習演算法的優勢，存在前饋神經網路和遞歸神經網路兩種類型；另一種是直接作為控制器使用。

• 深度學習方法

深度學習源於神經網路的研究，可理解為深層的神經網路]。通過它可以獲得深層次的特徵表示，免除人工選取特徵的繁複冗雜和高維數據的維度災難問題。 深度學習在特徵提取與模型擬合方面顯示了其潛力和優勢。對於存在高維數據的控制系統，引入深度學習具有一定的意義，近年來, 已有一些研究關注深度學習在控制領域的應用。目前較為公認的深度學習的基本模型包括基於受限玻爾茲曼機 (Restricted Boltzmann machine，RBM)的深度信念網路 (Deep belief network，DBN)、基於自動編碼器 (Autoencoder，AE)的堆疊自動編碼器 (Stacked autoencoders, SAE)、卷積神經網路 (Convolutional neural networks， CNN)、遞歸神經網路 (Recurrent neural networks，RNN)。無人駕駛系統需要盡量減少人的參與或者沒有人的參與，深度學習自動學習狀態特徵的能力使得深度學習在無人駕駛系統的研究中具有先天的優勢。如何充分利用和發揮深度學習在無人駕駛系統中的優勢並發展深度學習在環的無人駕駛系統控制是目前的研究方向。

自動駕駛控制技術方案

根據從行駛環境到駕駛動作的映射過程，自動駕駛控制技術可以分為間接控制和直接控制兩種不同方案。

• 基於規劃-跟蹤的間接控制方法

自動駕駛間接控制是一類基於規劃-跟蹤的主流智能駕駛車輛控制方法。根據當前車輛行為需求，在滿足車輛自身運動學和動力學約束條件下規划出一條空間上可行且時間上可控的無碰撞安全運動軌跡，然後設計適當的控制律跟蹤生成的目標軌跡，從而實現自主駕駛。如下圖所示

• 基於人工智慧的直接控制方法

自動駕駛的直接控制是一類基於人工智慧的智能駕駛車輛自主控制決策方法。自動駕駛直接控制方法採用人工智慧等手段，建立了從行駛環境到駕駛動作的直接映射過程，具體講是在認知的範疇內試圖建立一種先進的駕駛員模型以完成實際複雜駕駛過程，此外控制過程無需建立被控對象的數學模型，具有較強的機動性和實時性。

基於人工智慧決策控制模型本質上是模擬人腦對外界環境信息和車體本身信息的感知（圖 4-7），同時由駕駛經驗並同在線學習機制來獲得持續穩定輸出的過程。

人機交互系統

人機交互系統作為智能駕駛的關鍵技術之一，對於智能汽車發展和應用有著十分重要的作用和意義，包括：進一步提高智能汽車的可靠性和安全性；擁有更強的實用性和更加出色的用戶體驗；增強智能汽車的靈活性和機動性；提高智能汽車的任務執行力。

智能汽車人機交互系統發展現狀目前世界上比較主流的人車交互系統主要有以下幾種：奧迪MMI、賓士COMMAND、寶馬iDrive、豐田G-BOOK、蘋果CarPlay等人機交互系統。

人機交互系統的核心技術人機界面技術的研究主要針對駕駛員和車輛駕駛信息的交互。

人機交互的核心技術

駕駛員信息交互的研究開始於1970s，但直到1990s車輛導航系統的出現才真正應用到商業產品中。在過去十年間，人們通過駕駛員負荷測量技術研究了駕駛員在利用HMI信息時的精神負擔，這方面的研究結果對HMI的設計起到十分重要的作用，並且進一步推動了相關標準和設計準則的制定。

• 人機共駕技術

人機共駕技術的研究主要面向先進駕駛輔助系統。對於輔助駕駛系統，人機交互是其中很重要的一環。隨著越來越多的輔助駕駛系統進入產品化的階段，系統對於車輛的控制權變得越來越大，越來越複雜。因此，如何將多個輔助駕駛系統和駕駛員之間進行集成已經成為當前的一個研究熱點。ADAS系統本身就被定義為輔助駕駛系統，這就不可避免的需要考慮到和駕駛員行為之間的交互關係。如果輔助駕駛系統不考慮駕駛員的操縱行為反而會增加車輛行駛過程中的危險性。

• 駕駛行為特性研究

駕駛員在真實道路中的駕駛行為研究是人機共駕技術中十分重要的一部分，也是智能輔助系統的研究的基礎。計算機圖形學和計算性能的發展使得道路結構和交通車行為的虛擬建模成為可能，這就使得駕駛模擬器可以模擬更為廣泛的道路和交通狀況。再加上處理器處理能力的發展和成本的下降，駕駛模擬器再次成為駕駛員行為特性研究的有力工具。和真實道路試驗相比，駕駛模擬器具有可重複性好，工況設定更為靈活，耗時少，效率高，風險低等優點。儘管駕駛模擬器現在被廣泛的應用於駕駛員特性研究中，但是對於通過駕駛模擬器獲得的駕駛員特性數據和真實道路試驗獲得的駕駛員特性數據相比，其可靠性仍然需要進一步的驗證。

人機交互系統的發展趨勢

通過對目前人機交互系統的研究現狀的分析，未來有關人機界面，人機交互和人機共駕可能的發展趨勢包括：

在人機交互設計過程中，需要考慮不同人群的需求，這也是未來HMI設計標準和準則的制定方向。

車輛中和駕駛員操縱輸入密切相關的部分，如轉向盤力感，踏板腳桿，座椅舒適度，體感等，依然會是未來的研究方向之一。更適合駕駛員的操縱輸入和身體感知將是一個需要持續努力的研究方向。

對於ADAS系統，駕駛員在獲得輔助駕駛的同時，也會分散注意力增加駕駛負擔，這是ADAS系統面臨的一個重要問題。如何協調好駕駛員基本操縱行為和輔助駕駛系統之間的關係需進一步研究。

未來車輛以及交通領域不僅僅是駕駛員和車之間關係的研究，這一領域所面臨的問題可能會是更為廣泛的社會問題，需要更多領域的研究人員參與進來，如城市規劃師，社會學家，人類學家等。

目前各國雖然都獲得大量的駕駛員行為信息的資料庫，但是如何將這些數據應用於工程系統中仍有待研究。

測試驗證

自動駕駛將歷經4至5個階段才能進入完全無人駕駛的時代。目前可以實用化的技術是高級輔助駕駛（ADAS），而高級自動駕駛、完全無人駕駛等技術正在實驗室和封閉、半封閉測試區緊鑼密鼓的進行。只有經過長期的測試驗證，自動駕駛車輛才能為大眾提供安全可靠的出行服務。具體的講，自動駕駛測試包括軟體在環（SIL）、硬體在環（HIL）、車輛在環（VIL）、場測、路測等環節，測試內容包括感測器、演算法、執行器、人機界面等等各個環節，測試目的從應用功能、性能、穩定性和魯棒性、功能安全、形式認證等等。

自動駕駛汽車的開發測試，需要大量的訓練數據採集和標註工作。如何有效採集數據，以及如何標記數據，是當前自動駕駛領域的一個熱門話題。測試數據的簡單標註可以自動化，複雜標註仍然需要大量人力。首先要有標記和訓練學習的工作，把環境關鍵因素提取出來，然後要用圖像處理等方式提取與環境其他要素之間的時空關係，這樣形成的數據就可以拿來分析建模，包括後續的演算法開發和功能測評都可以用。除了訓練數據採集，一個全面的評測數據集和合理的評測指標也非常關鍵。對於不同的任務，不同的技術階段，需要有不同的評測指標和方法。

在智能駕駛領域，技術的每一步發展都必須以保障個人安全為丈量，於是它的發展除了將帶給人們歡喜鼓舞的便利之外，也引發了對其安全性的擔憂。自動駕駛汽車的實際道路測試有很大的局限性，需要用模擬模擬測試來彌補。谷歌、特拉斯、Zoox等很多公司藉助模擬模擬的方法力圖使無人駕駛車的行駛里程儘快達到十億英里。從軟體到硬體的模擬模擬被合理建模時，就會為公司實驗和測試他們的無人駕駛汽車模式提供了可能性。它包括各種各樣的應用場景，實時交通、司機行為、天氣以及道路環境等。

技術方案

Waymo的自動駕駛模擬模擬軟體Carcraft

最初開發Carcraft是作為一種「回放」無人車在公共道路行駛經歷場景的方式，之後慢慢發展成了模擬，並在Waymo自動駕駛項目中發揮了重大作用。Waymo可以在一天內沿著一條特別複雜的道路模擬行駛數十萬次，總行駛里程達到800萬英里左右。2016年，與谷歌IRL自動駕駛汽車在實際公共道路上運行的300多萬英里相比，Waymo已經行駛了25億英里的虛擬路程。

模擬測試是Waymo自動駕駛汽車研發中的一部分，模擬將Waymo自動駕駛原型車在實際道路中的測試與中央谷地一個叫做「城堡」（Castle）的秘密基地進行的「結構化測試」項目緊密結合在了一起。Waymo 此前從未公布過「城堡」的內部運作細節。在實際公共道路上進行的測試能夠讓開發人員知道需要在哪種地形進行額外訓練。隨後他們將這種地形在秘密基地「城堡」中復刻，使得測試車輛能夠在不同的場景中進行訓練。在這兩種實體測試中，Waymo的自動駕駛原型車捕獲了足夠數據，未來可以在任何時候進行全數字化的模擬模擬測試。

未來發展的技術挑戰和趨勢

對於模擬的里程效用真的有用嗎？大家所持觀點不一。支持一方認為，模擬可以用來模擬罕見情況和基線數據，罕見的情況是指難以重現或足夠隨機的場景。如果無人駕駛能夠提供99%的可靠性，因為大部分場景已經通過模擬得以優化。而AI或ML的一些未來技術迭代則允許我們在沒有事先數據預備的情況下，對極端情況做出反應。排除特殊情況之外，模擬對於構建基礎數據集也非常有用，並且在此基礎上不斷進行進一步的測試。反對一方則認為與此相對應的是：模擬環境不夠好以至於不能高效地生成模型。通常，這是一個環境與車輛交互的場景，並且很難在現實場景中復現。此外，還存在著圖像保真度過低的情景等等。

為了幫助解決有關數據質量的一些問題，研究人員正在測試將虛擬圖像輸入轉化為現實模型的可能性，以改進模擬實驗。谷歌曾放出消息，雖然許多政府機構還不願意將模擬英里數作為規定中的自主駕駛測試所需里程的一部分，但隨著對模擬的監管變得更加明確，這種情況可能會發生變化。

如果精確度足夠高，那麼模擬是有價值的。誠然，模擬可能不會解決的最後1%的自主駕駛問題。但如果技術可靠，那麼在未來可以讓模型完成更好的場景識別或應對更大範圍的場景。許多公司對此表示贊同，包括特斯拉，Zoox，Comma.ai，Drive.ai等。

模擬模擬技術的使用還能夠擴展到無人駕駛領域之外。比如，我們可以藉此理解無人機如何感知周圍的世界，也能更好地明白交通、駕駛行為，甚至是行人行為的潛在邏輯。一個模擬環境中，存在足夠多的特定模型和動態生命，因此我們還可以更好地理解機器人，它們將與我們的真實世界和數字世界發生交互。

本文作者：Dude

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。