【导语】无人驾驶作为一项革命性的科技越来越火，尤其以Google无人驾驶为标杆。但是自动驾驶背后有哪些关键性技术？这些技术发展的现状和难点有哪些？文中将解答以上问题。

（▲ 无人驾驶停泊车辆）

自动驾驶汽车又称无人驾驶汽车，它实际是一种轮式移动机器人。自动驾驶汽车从根本上改变了传统的“人——车——路”闭环控制方式，将无法用规则严格约束的驾驶员从该闭环系统中请出去，从而大大提高了交通系统的效率和安全性，是汽车工业发展的革命性产物。

从20世纪80年代开始人类就展开了车辆自主行驶的研究。美国是世界上研究自动驾驶汽车最早、水平最高的国家之一。其中谷歌无人驾驶汽车影响力最为广泛，也是技术水平最成熟的公司之一。谷歌宣称其无人驾驶汽车已经在公路上安全行驶160多万公里，期间没有发生过任何严重的碰撞事故。但是能做到如谷歌自动驾驶车技术水平的公司寥寥无几，可见其关键技术门槛是比较高的。

下面谈谈自动驾驶汽车中几个关键技术。

传感器探测环境信息，只是将探测的物理量进行了有序排列与存储。此时计算机并不知道这些数据映射到真实环境中是什么物理含义。因此需要通过适当的算法从探测得到的数据中挖掘出我们关注的数据并赋予物理含义，从而达到感知环境的目的。

比如我们在驾驶车辆时眼睛看前方，可以从环境中分辨出我们当前行驶的车道线。若要让机器获取车道线信息，需要摄像头获取环境影像，影像本身并不具备映射到真实环境中的物理含义，此时需要通过算法从该影像中找到能映射到真实车道线的影像部分，赋予其车道线含义。

（▲ 博世自动驾驶传感器配置方案）

自动驾驶车辆感知环境的传感器繁多，常用的有：摄像头、激光扫描仪、毫米波雷达以及超声波雷达等。

针对不同的传感器，采用的感知算法会有所区别，跟传感器感知环境的机理是有关系的。每一种传感器感知环境的能力和受环境的影响也各不相同。比如摄像头在物体识别方面有优势，但是距离信息比较欠缺，基于它的识别算法受天气、光线影响也非常明显。激光扫描仪及毫米波雷达，能精确测得物体的距离，但是在识别物体方面远弱于摄像头。同一种传感器因其规格参数不一样，也会呈现不同的特性。长距离毫米波雷达探测距离长达200米，角度范围较小（±10度），而中距离雷达探测距离为60米，角度范围较大（±45度）。

为了发挥各自传感器的优势，弥补它们的不足，传感器信息融合是未来的趋势。事实上，已经有零部件供应商做过此事，比如德尔福开发的摄像头与毫米波雷达组合感知模块已应用到量产车上。

（▲ 变道超车示意图 ）

说到行为规划也许大家会比较陌生，我们可以先从路径规划开始讲讲。路径规划的概念在机器人中使用比较普遍，一般定义为：

在具有障碍物的环境中，按照一定的评价标准，寻找一条从起始状态到目标状态的无碰撞路径。对于无人车来讲，若确定了目标地点的车辆位姿，车辆具体以怎样一条运动路径行驶到目标地点，即为路径规划。

路径规划其实包含大范围不考虑运动细节的全局路径规划以及具体到运动轨迹的局部路径规划。

为了将无人车的局部路径进行形象地归类、分析，引入了“行为”的概念。车辆在城市道路自主行驶时，它应具备车道保持、变换车道、路口直行、路口拐弯、掉头、绕障、智能启停、自动泊车等驾驶行为。行为的有序排列及有机衔接，方可完成整个自动驾驶任务。

“驾驶行为”是局部路径中细分出来的行驶单元，当然它的划分应该是多样性的，主要取决于算法实现。

行为与行为之间会保持相对独立性，但是行为切换时又具有平滑过渡的特征。车辆行驶中，何时采用何种行为，即为行为规划（也有称之为行为决策）。

单个驾驶行为，其实目前很多整车厂或科研院所做了相当多的工作，甚至有的已经推向市场。如特斯拉的车道保持、自动变道、跟车功能，这些都是驾驶行为的具体实例。但是这些行为如何切换，如何过渡，特斯拉将其交给了人。自适应巡航、车道保持、自动变道，都需要驾驶员手动操作后托管给机器，并随时准备接管驾驶。

人在同样的工况中驾驶车辆，产生的驾驶行为序列是不一样的，甚至同一行为的具体执行区别也较大，这跟人的性格、安全意识和当时的心情等有关系。比如，我们在赶时间时，变道次数会增多，超车的安全系数会降低；新手开车时，变道时机把握不好，经常急刹车等；甚至在面临事故时，是选择撞车还是撞旁边的人，不同的人可能有不同的选择。这些很多属于人的高级思维，也涉及到法律、伦理道德，目前机器还很难达到这个层次。但是人工智能或许是解决这一问题的突破口。

自动驾驶汽车进行全自主行驶时，需要解决三个基本问题：1.车辆在哪；2.往哪儿去；3.怎么去。

车辆在哪其实就是对车辆的定位。定位方法有多种，比如卫星定位、地面基站定位、视觉或激光定位以及惯导定位等。目前国内高校无人车使用卫星定位+基站定位方式比较多，后两种基本没有涉及到。

（▲ 卫星定位）

每一种定位方式都有其局限性，定位方式融合是趋势。

比如卫星定位系统虽然适用范围广、绝对位置精度高，但是其不适用于室内或有遮挡物区域、位置也会随时间漂移。视觉或激光定位相对位置精度非常高，无位置漂移，但是其受环境影响非常大。

将定位技术应用到无人车上时，卫星定位可以解决大范围绝对位置定位、高速公路定位以及其他开阔空间定位问题，但是当车进入隧道、高建筑物路段或室内时，定位信号会不稳定或丢失。这时需要视觉或惯导等室内定位方式去弥补。

车辆定位会直接或间接影响车辆运动控制与行为决策的实现，甚至也是感知环境所需的重要信息。在执行已经规划出来的运动轨迹时，运动控制算法需要定位信息不断反馈实际的运动状态做实时的调整。在进行行为切换时，切换时机需要充分了解到车辆所处交通环境的位置。感知方面，比如利用SLAM技术构建地图，就需要车辆的相对定位信息。

（注：以上内容参考百度百科“路劲规划”；谷歌无人驾驶新闻；乔维高,徐学进. 无人驾驶汽车的发展现状及方向.2007；Delphi ESR 毫米波雷达）