關于自動駕駛的全面解析

車輛定位

自動駕駛中車輛精確定位的方法主要有3種：

第一種是通過高精度的差分GPS+慣性導航IMU來完成，GPS定位精度高，但是刷新速度較慢，IMU刷新速度快，但是存在累積誤差，兩者配合使用剛好可以獲得快速且精確的位置信息。

第二種是通過激光雷達+高精度地圖來定位，將激光雷達掃描周圍環境所獲得的點云與高精度地圖進行比對和匹配，從而獲得位置信息。

第三種是通過攝像頭圖像數據+視覺地圖來定位，將攝像頭在行駛過程中拍攝到的圖像數據，包括圖像靜態信息和圖像間的移動信息，與視覺地圖進行比對和匹配，可以獲得位置信息?；蛘邚膱D像中提取一些關鍵目標及其精確的幾何特征(如車道線、地面標記、交通標牌、紅綠燈等)，將其和高精度地圖中存儲的信息進行對應和匹配，完成定位功能。

環境理解

包括物體識別和物體追蹤，比如行人識別、車輛識別、車道識別、交通標識識別、行駛中車輛的追蹤、行動中行人的追蹤等。深度學習在這些應用中展現出了比傳統計算機視覺技術更好的性能，從而被廣泛應用。

行為預測

人類智能在駕駛中體現在可以根據動態變化的環境實時調整駕駛策略，同樣機器也需要對車輛周邊的人、車、物的行為進行預測，從而做出安全駕駛決策。

行動規劃

根據車身狀態數據、局部環境數據做出當下最優的行動選擇，包括加速、剎車、變換車道、轉彎等。

路徑規劃

從出行需求出發，在高精度地圖的基礎之上，根據全局路網數據和宏觀交通信息，繪制一條從出發點到目標點的最優行車路徑。

實事求是地說，國內真正進入到決策層的企業不多，有做園區、機場擺渡車的馭勢科技，做高速公路貨運的圖森互聯，還有做園區無人車和干預輔助類高級ADAS系統的智行者。你們聽說過的那些單目、雙目、環視視覺ADAS公司實現的大多是預警提示類功能，如碰撞預警、盲點監測等，只是停留在感知層面，沒有涉及到決策。相比之下國外在決策層探索的企業就很多了，Drive.ai，Comma.ai，nuTonomy，zoox，Faraday，Cruise，Otto，Navya等等。國內的路況確實比國外復雜得多，再加上中國政府還不允許自動駕駛車輛上路路測，這些都制約著國內企業在決策層發力。

識別算法業內有KITTI(用于評測目標檢測、目標跟蹤、語義分割等)和Cityscapes(用于評測像素級場景分割和實例標注等)等公開數據集進行評測，但是對決策質量和規劃能力的好壞還沒有統一評價標準，因而無從判斷各家技術能力的強弱，只能從公布的Demo中窺測一二。

執行層

自動駕駛的執行層離不開和車載控制系統的深度集成，可惜車廠和Tier1出于自我保護，不愿意對外開放車輛控制總線，一些創企無法對原車做改動，不得已只能另外附加一套電機裝置，通過電機拉動鋼絲繩，鋼絲繩再拉動油門、制動、轉向等裝置完成執行動作。這種做好確實非常笨拙，操控性和可靠性很差，根本無法體現自動駕駛的優勢。真正的自動駕駛必須要將決策控制信息與車輛底層控制系統深度集成，通過線控技術完成執行機構的電控化，達到電子制動、電子驅動和電子轉向。

歸根結底，自動駕駛的落腳點在“駕駛”不在“自動”，“大腦”再發達也要靠“雙腳”來行走。不把人工智能算法落地到車輛的控制執行，你永遠不知道有多少dirty work要做。例如車的轉向、制動、加速，你究竟要把方向盤打多大何時回輪、剎車踩多大、

歸根結底，自動駕駛的落腳點在“駕駛”不在“自動”，“大腦”再發達也要靠“雙腳”來行走。不把人工智能算法落地到車輛的控制執行，你永遠不知道有多少dirty work要做。例如車的轉向、制動、加速，你究竟要把方向盤打多大何時回輪、剎車踩多大、驅動給多少，人類司機是憑經驗來執行的，但是對自動駕駛系統來說，需要很多汽車動力學的knowhow才能完成。如果你只是單純地在計算機上跑幾個Demo，沒有實打實地上車路測過，哪家車廠敢用你的算法?真上路還不得撞得人仰馬翻?那些單靠幾個博士弄個算法跑個測試集刷刷榜就想出來融資的初創都是耍流氓。業內人打趣說，做自動駕駛只要撞死個人，公司就可以直接倒閉了，融的那點錢還不夠賠償費呢!大家所熟知的國內計算機視覺領域四大獨角獸，都未染指自動駕駛(商湯只是聲稱可以提供算法支持，和真正做自動駕駛還差得遠呢)，視覺算法在人臉識別、安防監控領域落地相對比較容易，但是在自動駕駛領域要實實在在做車的話還是有很多坑的，這就是為什么國內涉及決策層和控制層的企業這么少的原因。

中國人要想碰執行層確實非常難，國內在線控技術上仍處在研發初始階段，技術底子薄，積累時間不足。國外車廠和Tier1壟斷了自動駕駛控制執行部分，同時它們在感知和決策部分也在不遺余力地投入研發，憑借多年積累的工程能力、產品化能力和汽車經驗，已有符合車規的產品成熟量產，對國內企業來說確實是不小的壓力。創業企業可以通過和國產車廠、國產供應商合作研發，共同抵制國外廠商，也可以和深諳執行器改裝的團隊合作，介入執行層，總之未來的競爭不會是單個企業實力的比拼，而是生態聯盟間的合縱連橫。

自動駕駛的基本技術架構

關于自動駕駛的全面解析

上圖是我畫的自動駕駛基本技術架構，由車載系統+云端系統組成。

車載部分

感知層各種類型的傳感器采集、接收的數據，通過總線進行集成，再通過數據的融合和智能化處理，輸出自動駕駛所需的環境感知信息。車載傳感器的優化配置，可以在保證精度和安全性的基礎上，降低整體成本。

主控系統由硬件部分高性能車載集成計算平臺和軟件部分智能車載操作系統組成。計算平臺融合了傳感器、高精度地圖、V2X的感知信息進行認知和決策計算，硬件處理器可以有GPU、FPGA、ASIC等多種選擇，它們各自的優缺點可以參見小研以前的分析文章《AI時代，我的中國“芯”》。智能車載操作系統融合了車內人機交互、運營服務商、內容服務商的數據，為乘客提供個性化服務，真正把智能車變成下一個“互聯網入口”，目前的主流操作系統包括Android、Linux、Windows、QNX、YunOS(阿里云提供)等。