梳理史上最全自动驾驶系统解析.docx

1、梳理史上最全自动驾驶系统解析书山有路勤为径；学海无涯苦作舟【梳理】史上最全自动驾驶系统解析1.自动驾驶的分级不同组织对自动驾驶的分级标准各有不同：美国国家公路交通安全管理局（NHTSA）把自动驾驶分为五个级别，而国际自动机械工程师学会（SAE）的标准分为 L0L5共六个级别，两者的 L0、L1、L2的分类都是相同的，不同之处在于 NHTSA的 L4被 SAE 细分为 L4和 L5。国内采用 SAE标准较多。L0：完全人类驾驶。L1：辅助驾驶，增加了预警提示类的 ADAS功能，包括车道偏离预警（LDW），前撞预警（FCW），盲点检测（BSD）等。L2：部分自动驾驶，具备了干预辅助类的 ADAS功

2、能，包括自适应巡航（ACC），紧急自动刹车（AEB），车道保持辅助（LKA）等。L3：有条件自动驾驶，具备了综合干预辅助类功能，包括自动加速、自动刹车、自动转向等。从 L2到 L3发生了本质的变化，L2及以下还是由人来观测驾驶环境，需要驾驶座上有驾驶员，遇到紧急情况下直接进行接管；L3级及以上则由机器来观测驾驶环境，人类驾驶员不需要坐在驾驶座上手握方向盘，只需要在车内或车外留有监控计算机即可，紧急情况下通过计算机操作进行认知判别干预。L4：高度自动驾驶，没有任何人类驾驶员，可以无方向盘、油门、刹车踏板，但限定区域（如园区、景区内），或限定环境条件（如雨雪天、夜晚不能开）。专注下一代成长，为了孩

3、子书山有路勤为径；学海无涯苦作舟L5：完全自动驾驶，是真正的无人驾驶阶段，司机位置无人，也没有人的车内或车外的认知判别干预；无方向盘和油门、刹车踏板；全区域、全功能。现在有很多公司可以实现在特定园区内的无人驾驶，宣称已经达到了 L4级别，那幺是不是现阶段的无人驾驶技术水平真的有那幺高了呢？这个是有一定迷惑性的。在封闭环境内固定路线 L4 级别的无人驾驶，和北京城区内 L2 级别的自动驾驶，哪个技术难度更高呢？想必不言而喻。所以是不是 L4 就一定比 L2、L3 先进，一定要具体看自动行驶的区域（封闭、开放；区域大小、复杂程度）、功能，以及环境条件（气候、时间段）。2.自动驾驶的实现路径自动驾驶

4、风口来袭，科技公司、初创企业、新兴电动车企、传统车企、一级供应商争相涌入，各显神通。目前主要有两条典型的技术路径：一是以跨界科技企业、初创企业为代表的一步到位型，跨过中间级别，直指 L4和 L5 级无人驾驶，先不考虑成本，等技术方案成熟后成本下降，再大规模商业化。还有一类是以传统车企、Tier1 为代表的循序渐进型，它们在可接受的成本内推动辅助驾驶功能的商用化，然后随着 ADAS 功能的完善和升级，逐渐过渡到无人驾驶。第一条路径的问题在于科技企业没有量产车的能力，靠测试车收集的数据量自然没有每辆车都安装 ADAS 系统那幺多；而第二条路径的问题在于各项 ADAS 功能的拼接，是否能组成一个完整

5、的无人驾驶系统。科技公司的强项在人工智能技术优势，但是在汽车工程上缺乏经验。造车的门槛很高，传统车企保有全产业链优势，产品安全可靠性更高，且消费者对其品牌认可度较高，汽车产业不会被科技公司完全颠覆。传统车企拥有丰富的整车经验和完善的后市场，但随着电动车和自动驾驶大潮的来专注下一代成长，为了孩子书山有路勤为径；学海无涯苦作舟临，传统车企的危机感很强，生怕沦为代工厂。自动驾驶的研发基本都是基于新能源汽车平台，绕开发动机、变速箱等壁垒，采用电动车的电机、电池、电控核心系统，动摇了传统车企在“动力总成”的竞争优势。两大阵营各有优劣势，互相不可替代，目前越来越多地以合作和投资的形式走向开放联姻。3.自动

6、驾驶系统概览自动驾驶系统的三个层级自动驾驶系统分为三个层级：感知层，决策层，执行层。感知层感知层用来完成对车辆周围环境的感知识别。自动驾驶用到了各种各样的传感器，包括：摄像头、毫米波雷达、激光雷达、超声波雷达、红外夜视，以及用于定位和导航的 GPS（全球定位系统）和 IMU（惯性测量单元）。还有一类技术虽然不是主动式的探测元件，但是属于协同式的全局数据辅助，可以扩展智能车的环境感知能力，在感知层同样扮演着不可或缺的角色，包括高精度地图、V2X 车联网技术。每种类型的感知技术都有自己的优势和弊端，它们相互补充融合，最终使智能车达到驾驶场景下非常高的安全性要求。国内企业在这一层做文章的非常多，后续

7、小研会专门写一篇文章解析自动驾驶传感器的技术路线，欲知详情请听下回分解。决策层决策层是人工智能真正发挥威力的部分，和人类驾驶员一样，机器在做驾驶决策时需要回答几个问题，我在哪里？周边环境如何？接下来会发生什幺？我该做什幺？决策层具体来说分为两步，第一步认知理解，根据感知层收集的信息，对车辆自身的精确定位，对车辆周围的环境的准确理解，专注下一代成长，为了孩子书山有路勤为径；学海无涯苦作舟第二步决策规划，包含对接下来可能发生情况的准确预测，对下一步行动的准确判断和规划，选择合理的路径达到目标。车辆定位自动驾驶中车辆精确定位的方法主要有 3 种：第一种是通过高精度的差分 GPS+惯性导航 IMU 来

8、完成，GPS 定位精度高，但是刷新速度较慢，IMU 刷新速度快，但是存在累积误差，两者配合使用刚好可以获得快速且精确的位置信息。第二种是通过激光雷达+高精度地图来定位，将激光雷达扫描周围环境所获得的点云与高精度地图进行比对和匹配，从而获得位置信息。第三种是通过摄像头图像数据+视觉地图来定位，将摄像头在行驶过程中拍摄到的图像数据，包括图像静态信息和图像间的移动信息，与视觉地图进行比对和匹配，可以获得位置信息。或者从图像中提取一些关键目标及其精确的几何特征（如车道线、地面标记、交通标牌、红绿灯等），将其和高精度地图中存储的信息进行对应和匹配，完成定位功能。环境理解包括物体识别和物体追踪，比如行人识

9、别、车辆识别、车道识别、交通标识识别、行驶中车辆的追踪、行动中行人的追踪等。深度学习在这些应用中展现出了比传统计算机视觉技术更好的性能，从而被广泛应用。行为预测人类智能在驾驶中体现在可以根据动态变化的环境实时调整驾驶策略，同样机器也需要对车辆周边的人、车、物的行为进行预测，从而做出安全驾驶决策。行动规划根据车身状态数据、局部环境数据做出当下最优的行动选择，包括加速、刹车、变换车道、转弯等。专注下一代成长，为了孩子书山有路勤为径；学海无涯苦作舟路径规划从出行需求出发，在高精度地图的基础之上，根据全局路网数据和宏观交通信息，绘制一条从出发点到目标点的最优行车路径。实事求是地说，国内真正进入到决策层

10、的企业不多，有做园区、机场摆渡车的驭势科技，做高速公路货运的图森互联，还有做园区无人车和干预辅助类高级 ADAS 系统的智行者。你们听说过的那些单目、双目、环视视觉 ADAS 公司实现的大多是预警提示类功能，如碰撞预警、盲点监测等，只是停留在感知层面，没有涉及到决策。相比之下国外在决策层探索的企业就很多了，Drive.ai，Comma.ai，nuTonomy，zoox，Faraday，Cruise，Otto，Navya等等。国内的路况确实比国外复杂得多，再加上中国政府还不允许自动驾驶车辆上路路测，这些都制约着国内企业在决策层发力。识别算法业内有 KITTI（用于评测目标检测、目标跟踪、语义分割

11、等）和 Cityscapes（用于评测像素级场景分割和实例标注等）等公开数据集进行评测，但是对决策质量和规划能力的好坏还没有统一评价标准，因而无从判断各家技术能力的强弱，只能从公布的 Demo 中窥测一二。执行层自动驾驶的执行层离不开和车载控制系统的深度集成，可惜车厂和Tier1 出于自我保护，不愿意对外开放车辆控制总线，一些创企无法对原车做改动，不得已只能另外附加一套电机装置，通过电机拉动钢丝绳，钢丝绳再拉动油门、制动、转向等装置完成执行动作。这种做好确实非常笨拙，操控性和可靠性很差，根本无法体现自动驾驶的优势。真正的自动驾驶必须要将决策控制信息与车辆底层控制系统深度集成，通过线控技术完成执行机构的电控化，达到电子制动、电子驱动和电子转向。归根结底，自动驾驶的落脚点在“驾驶”不在“自动”，“大脑”再发达专注下一代成长，为了孩子