鋰電世界網訊，現如今，無人駕駛技術通常被分為環境感知與定位、決策規劃和運動控制3個部分。

環境感知與定位負責確定汽車周圍哪里有汽車或者行人，前面是紅燈還是綠燈，即確定環境和汽車的狀態。

決策規劃負責該汽車該怎么辦，是跟著走還是繞過去，加速還是減速，走一條什么樣的線路既安全又有效率并且還相對舒適等。

運動控制須對傳統汽車的執行機構進行電子化改造。決策指令和軌跡下達給控制器之后，執行器比如電機、轉向、制動等要盡量快速并且小偏差地跟上規劃的軌跡，就好比健壯的身體才能完成頭腦的指令。

環境感知是無人駕駛的“眼睛”

在無人駕駛汽車上，傳感器組成了感知模塊替代了駕駛員的感受器官，快速、精準地獲取包括，障礙物的距離，前方紅綠燈的指示，限速標志上的數字等的環境狀態信息，以及車輛位置、車速等自車狀態，是實現車輛安全行駛的保證。常用的探測環境狀態的傳感器有攝像頭、激光雷達，毫米波雷達、超聲波傳感器等，確定自車狀態的傳感器有GPS/慣導、輪速傳感器等。

無人駕駛汽車需要多傳感器分工協同工作

攝像頭可以根據物體的特征對障礙物進行分類，如果需要得出障礙物的深度信息，則需要兩個攝像頭，一般稱為雙目立體視覺。雙目的兩個攝像頭保持著一定的距離，如同人類的雙眼視差，通過三角測量原理計算出像素之間的偏移來獲取物體的三維信息。除了可以幫助汽車確定自己的位置以及行進速度之外，雙目攝像頭更主要的功能是識別道路上的信號燈和信號標志，保證自主行車遵循道路交通規則。但雙目相機受天氣狀況和光照條件變化的影響很大，并且計算量也相當大，對計算單元的性能要求非常高。

無人車上常用的雷達有激光雷達，毫米波雷達，激光雷達主要是通過發射激光束，來探測目標的位置、速度等特征量。激光雷達探測范圍更廣，獲得距離和位置的探測精度更高，因此它廣泛應用于障礙物檢測、環境三維信息的獲取、車距保持、車輛避障中。但是激光雷達容易受天氣影響，雨雪霧天氣下性能較差。另外，激光發射器的線束越多，每秒采集的點云就越多，探測性能也就更強。然而線束越多也代表著激光雷達的造價更昂貴，64線束的激光雷達價格是16線束的10倍。目前百度和谷歌無人駕駛汽車車身上裝載的是64線激光雷達。

激光雷達點云示意圖

毫米波雷達波束窄，分辨率高，抗干擾能力強，導引頭穿透霧、煙、灰塵的能力強，相對激光雷達具有較好的環境適應性，下雨、大霧或黑夜等天氣狀況對毫米波的傳輸幾乎沒有影響。另外，其引導頭具有體積小、質量輕和空間分辨率高的特點。隨著單片微波集成電路技術的發展，毫米波雷達的價格和外型尺寸都有很大的下降。然而，探測距離受到頻段損耗的直接制約，也無法感知行人，無法對周邊所有障礙物進行精準的建模。

超聲波傳感器的數據處理簡單、快速，主要用于近距離障礙物檢測，一般能檢測到的距離大約為1到5米，但檢測不出來詳細的位置信息。此外，當汽車高速行駛時，使用超聲波測距無法跟上汽車車距的實時變化，誤差較大。另一方面，超聲波散射角大，方向性較差，在測量較遠距離的目標時，其回波信號會比較的弱，影響測量精度。但是，在低速短距離測量中，超聲波測距傳感器具有非常大的優勢。

超聲波傳感器

GPS/慣導和輪速傳感器主要是用來確定汽自身的位置，通常會對他們的數據進行融合提高定位精度。

多傳感器融合是環境感知模塊非常常見的算法。它可以減小誤差，舉個例子，圖像的邊緣往往發生在深度不連續的地方，把兩維圖像(通過相機獲得)邊緣提取出來和激光雷達給出的深度信息做共點影射(co-point mapping)匹配，可以把兩維透視圖像中道路的消失點和三維雷達信息匹配，這樣就可以更準確地劃分出路面在哪里，周圍的建筑在哪里。

此外，高精度地圖也是自動駕駛有力的支撐，如果有非常精準的地圖信息，就可以直接用地圖一次規劃到車道線，這樣可以減少視覺識別車道線的任務量。

決策與規劃是無人駕駛的“大腦”

看看顯卡大廠NVIDA是如何做無人駕駛的行為決策？

目前主流的決策框架分為基于專家算法的決策和基于機器學習的決策兩種算法，而后者越來越被重視和研究。例如NVIDIA用卷積神經網絡(CNN)將車前部攝像頭捕捉到的原始像素圖通過訓練過的卷積神經網絡輸出汽車的方向操控命令，其無人駕駛汽車可以在非結構化道路例如山路、工地等道路上行駛，而這些路況是很難窮舉的，因此靠傳統的專家算法用條件判斷去劃分多變的情境是不現實的。

NVIDIA的學習框架如下：

訓練數據包括從視頻中采樣得到的單幀視頻，以及對應的方向控制命令。把預測的方向控制命令與理想的控制命令相比較，然后通過反向傳播算法調整CNN模型的權值使得預測值盡可能接近理想值。訓練得到的模型可以用正前方的攝像機的數據生成方向控制命令。

其中最關鍵的卷積神經網絡(CNN)結構如下：

輸出是轉彎半徑的倒數，輸入是圖像。

在五層卷積之后又接了三個全連接層(Fully-connected layer)，模擬大腦神經作出決策。

卷積層(Convolutional feature map)是用來提取特征的，模擬視覺神經分辨不同物體。

網絡的第一層(Mormalized input planes)對輸入圖像做歸一化。在網絡模型中進行歸一化可以使得歸一化過程根據網絡結構調整，而且能用GPU加速處理過程。

NVIDIA的技術方案，從圖像輸入到控制(方向盤轉角)輸出的端到端的決策方法是一個黑箱系統，如果出現問題，不能像專家算法那樣找出導致這個錯誤決策的原因。

所以更為可行的方案就是用神經網絡來做環境感知和認知，比如識別紅綠燈，人和汽車的姿態、山間小路的可行駛區域等等，再將這些處理過的環境信息發給決策做判斷。環境信息的類型可以是一張融合了各種障礙物信息的地圖，也可以是一張駕駛態勢圖(即只給出哪個區域相對安全或者危險，而不用具體給出所有障礙我的信息)，這中間可供嘗試的方案有很多。

選擇哪條路去走？路徑規劃很重要！

路徑規劃是智能車輛導航和控制的基礎，是從軌跡決策的角度考慮的，可分為局部路徑規劃和全局路徑規劃。

全局路徑規劃的任務是根據全局地圖數據庫信息規劃出自起始點至目標點的一條無碰撞、可通過的路徑，但只是從起始點到目標點的粗略路徑。在無人車實際行駛過程中，會受到路徑的方向、寬度、曲率、道路交叉以及路障等因素影響，加上局部環境和自車狀態的不確定性，因此會遇到各種不可測的情況。必須以局部環境信息和自車狀態信息為基礎，規劃出一段無碰撞的理想局部路徑，這就是局部路徑規劃。

局部路徑規劃相當于無人駕駛汽車的“大腦”，它從感知系統獲取道路、障礙物等環境信息，并且得到上層決策給出的起始點與目標點的位姿信息，經過處理后實時生成安全平緩的行車軌跡。由于車輛的路徑是帶有時間屬性的一條軌跡，因此軌跡規劃通常分為路徑規劃和速度規劃，路徑規劃常用樣條曲線擬合滿足避障、最大曲率以及曲率連續約束的路徑，而速度規劃則是沿著擬合的路徑生成滿足最大速度、最大加速度等約束的速度分布。最終規劃以轉向角和車速的數據形式傳輸給底盤控制系統，從而使車輛實現車道跟隨和避障的功能。

所有都決定好后，就剩下車輛的動作！

相對傳統的控制器和執行器，無人駕駛車輛更希望使用線控執行器，例如線控轉向、線控制動、線控驅動，這樣能夠實現精準地控制。

在局部路徑規劃中，自動駕駛汽車綜合考慮周邊環境、自車狀態等約束條件后，規劃出一條理想的換道路徑，并且將指令傳達給相關執行機構。如果執行器無法跟上路徑對車輛轉角的要求，就會偏離規劃路徑。所以運動控制的算法也至關重要。

無人駕駛未來發展趨勢如何？

現在無人車的技術路線主要分為兩種，一是本文所介紹的基于自車傳感器來獲取各種信息，另外一種是基于5G通訊技術，通過車間通訊、車與基礎設施通訊來獲取環境信息的方案。比較而言，前者不依賴基礎設施的改造和市面上其他汽車是否智能化的前提，因此更易于實現。雖然無人駕駛已經能夠相對安全地駕馭99%的路況，但剩下的1% 卻需要花費工程師99%的精力去解決。就2020年之前，智能汽車應該還是以ADAS的形式展現給消費者。