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。車企、互聯(lián)網(wǎng)企業(yè)紛紛涌入這個全新領域。

然而，曾經(jīng)的Uber的撞人事故中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器人，主要依靠車內(nèi)的以計算機系統(tǒng)為主的智能駕駛儀來實現(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預定目標的智能汽車。

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

通過給車輛裝備智能軟件和多種感應設備，包括車載傳感器雷達 以及攝像頭等，實現(xiàn)車輛的自主安全駕駛，安全高效地到達目的地并達到完全消除交通事故的目標 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：當以汽車為主體的駕駛行不通時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，該系統(tǒng)能探測到左右兩根車道線，如果發(fā)生偏航時，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自適應巡航系統(tǒng)or激光測距系統(tǒng)

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

安裝在車輛前方的雷達用于檢測在本車前進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將加快本車速度使之回到之前所設定的速度。此操作實現(xiàn)了在無司機干預下的自主減速或加速。ACC控制車速的主要方式是通過發(fā)動機油門控制和適當?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見能力，它能夠針對潛在危險向駕駛者提供更加全面準確的信息或發(fā)出早期警告

4、精確定位/導航系統(tǒng)

自動駕駛汽車依賴于非常精確的地圖來確定位置，因為只是用 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)崟r的數(shù)據(jù)和記錄的數(shù)據(jù)進行比較，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)

無人駕駛汽車的實現(xiàn)需要大量的科學技術(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模塊。其中有幾個關鍵的技術(shù)模塊，包含精確GPS定位及導航、動態(tài)傳感避障系統(tǒng)、機械視覺三個大部分，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，不做過多設計。傳感器系統(tǒng)如圖所示。

精確GPS定位及導航

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GPS導航系統(tǒng)要不間斷的對無人車進行定位。在這個過程之中，無人駕駛汽車的GPS導航系統(tǒng)要求GPS定位誤差不超過一個車身寬度。

無人駕駛汽車面臨的另一個問題面臨的另一個挑戰(zhàn)，是需要確保他們又完美的導航功能，實現(xiàn)導航的主要技術(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，因此十分適合用于無人駕駛汽車的導航定位。

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)會在一個觀測站對兩個目標的觀測量、兩個觀測站對一個目標的觀測量或者一個測站對一個目標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接收機均可改裝和組成這種差分系統(tǒng)。

安裝在基準站上的GPS接收機觀測4顆衛(wèi)星后便可進行三維定位，解算出基準站的坐標。由于存在著軌道誤差、時鐘誤差、SA影響、大氣影響、多徑效應以及其他誤差，解算出的坐標與基準站的已知坐標是不一樣的， 存在誤差。基準站利用數(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進行改正。

最后得到的改正后的用戶坐標已消去了基準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器人，既與普通機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格；另外，它的體積較大，特別是在復雜擁擠的交通環(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隊都是通過分析激光傳感器數(shù)據(jù)進行動態(tài)障礙物的檢測。

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

在實際應用中，3 維激光傳感器因為數(shù)據(jù)處理工作量較大，存在一個比較小的延時，這在一定程度上降低了無人駕駛汽車對動態(tài)障礙物的反應能力，特別是無人駕駛汽車前方區(qū)域的運動障礙物，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，單個的傳感器在室外復雜環(huán)境中也存在著檢測準確率不高的現(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行檢測跟蹤，利用卡爾曼濾波器對障礙物的運動狀態(tài)進行跟蹤與預測，對于無人駕駛汽車前方準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)來確定障礙物的運動信息，提高了障礙物運動狀態(tài)的檢測準確率，最終在柵格圖上不僅對無人駕駛汽車周圍的動、靜態(tài)障礙物進行區(qū)別標示，而且還根據(jù)融合結(jié)果對動態(tài)障礙物的位置進行了延時修正，來消除傳感器處理數(shù)據(jù)延時所帶來的位置偏差。

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)進行柵格化處理得到一張障礙物占用柵格圖，對不同時刻的柵格圖進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)障礙物信息進行同步融合得到一個新的動態(tài)障礙物列表，最后將這個新的列表中的動態(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返回的數(shù)據(jù)，將這些激光雷達數(shù)據(jù)進行柵格化處理，投影到512*512的柵格地圖中，從而實現(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)境信息進行融合、建立道路模型并最終用柵格地圖進行表示，這些環(huán)境信息包括：標識信息、路面信息、障礙物信息以及定位信息等。

最后，對獲得的環(huán)境信息信號進行處理，得到一張動態(tài)的標志了障礙物的柵格圖，從而達到避障的效果，采用融合 Velodyne 和 Ibeo 信息得到運動目標狀態(tài)的方式相比于只用 Velodyne 處理結(jié)果的方式，檢測結(jié)果的準確率和穩(wěn)定性都得到了較大的提升。

機械視覺機構(gòu)

機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雜的一部分。無人駕駛車輛的環(huán)境感知層的任務是針對不同的交通環(huán)境，對傳感器進行合理的配置、融合不同傳感器獲取的環(huán)境信息、對復雜的道路環(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行了有序排列與存儲。此時計算機并不知道這些數(shù)據(jù)映射到真實環(huán)境中是什么物理含義。因此需要通過適當?shù)乃惴◤奶綔y得到的數(shù)據(jù)中挖掘出我們關注的數(shù)據(jù)并賦予物理含義，從而達到感知環(huán)境的目的。

比如我們在駕駛車輛時眼睛看前方，可以從環(huán)境中分辨出我們當前行駛的車道線。若要讓機器獲取車道線信息，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環(huán)境中的物理含義，此時需要通過算法從該影像中找到能映射到真實車道線的影像部分，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、毫米波雷達以及超聲波雷達等。

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)境的機理是有關系的。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，能精確測得物體的距離，但是在識別物體方面遠弱于攝像頭。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，彌補它們的不足，傳感器信息融合是未來的趨勢。事實上，已經(jīng)有零部件供應商做過此事，比如德爾福開發(fā)的攝像頭與毫米波雷達組合感知模塊已應用到量產(chǎn)車上。因此本系統(tǒng)設計將多個感知模塊結(jié)合去識別各種環(huán)境實物。

1、交通識別模塊

交通標識識別模塊又分為交通標志牌識別和交通信號燈識別。其中，交通標志牌識別主要由以下幾部分組成：

（1）圖像/視頻輸入；

（2）交通標識檢測；

（3）交通標識識別；

（4）識別結(jié)果輸出；

（5）實驗數(shù)據(jù)庫和訓練樣本數(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。

交通標識識別模塊系統(tǒng)框圖如圖所示。

交通標志牌識別系統(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：

對采集的圖像進行預處理，主要是圖像的平滑；

對圖像進行二值化，為了適應光照分布的不均勾，采用了自適應閾值二值化方法；

對二值化圖像進行分析，得出該路段屬于哪種路況；

對不同路況運用不同算法進行檢測和識別在圖像預處理階段，運用高斯平滑模板對圖像進行平滑，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圖像進行處理將環(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，本設計采用滑動窗口的目標檢測：在輸入圖像的多尺度空間中，對圖像進行放縮，然后在每一個尺度上，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位置的子圖。其次對所獲得子框圖的類別進行判別，整合各個子框圖的類別信息，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)劃層的任務是根據(jù)路網(wǎng)文件(RNDF)、任務文件(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)境感知信息實時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、行為決策和運動規(guī)劃三個模塊。

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

運動規(guī)劃模塊的任務則是根據(jù)行為決策模塊發(fā)送的局部目標點以及環(huán)境感知信息，實時規(guī)劃出安全可行駛的路徑，并將路徑的軌跡點序列發(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)的實現(xiàn)主要是基于激光傳感技術(shù)或者是超聲雷達技術(shù)等，經(jīng)過十余年的研究探索，許多機構(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，并不能實現(xiàn)真正意義的“無人駕駛”。

解決無人駕駛汽車的關鍵技術(shù)主要在于兩個方面，一方面是算法的設計，另一方面便是傳感器的設計。傳感器的精度和響應速度直接關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)最基本也是最關鍵的部分。將來無人駕駛技術(shù)的發(fā)展方向也應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。從這個角度說，自動駕駛這個行業(yè)還遠沒有成熟，我們應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)展的價值。

原文標題：無人駕駛技術(shù)離我們有多遠？

文章出處：【微信公眾號：中科院半導體所】歡迎添加關注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq