国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

★同濟大學李欣然，李修賢，李莉

1 引言

隨著硬件精度的不斷提高、控制器計算能力的不斷提升以及互聯網技術的飛速發展，智能駕駛、無人汽車等概念廣受關注，無人駕駛技術研究不斷深入，其應用落地也越來越成為可能。由于無人駕駛車輛具有提升駕駛安全性、乘車舒適性以及減少交通事故等特點，因此，近年來無人駕駛技術已成為自動化智能發展中備受關注的方向之一^[1-3]。

2 無人駕駛發展現狀

無人駕駛技術的落地與應用已成為國際公認的未來發展方向和關注焦點之一，美、歐、日、中等國家都將駕駛自動化技術作為交通領域的重點發展方向，并從國家層面進行戰略布局。德國在2017年發布的《道路交通法第八修正案》中規定在特定時間和條件下，高度或全自動化駕駛系統可以接管駕駛人對汽車的控制，并在2021年發布的《自動駕駛法》中提出允許被頒發運營許可證的自主駕駛功能操作機動車在主管部門根據國土法批準的特定操作范圍內使用以及參與公共道路交通；日本在2021年發布的《面向實現和普及自動駕駛的措施報告與方針》中提出，到2025年在混合其他交通元素的空間中部署L4級自動駕駛車輛；美國在2021年發布的《自動駕駛汽車綜合計劃》中提出優化交通監管環境，簡化自動駕駛技術推行的行政豁免程序，修改現有法規支持創新并籌建適合自動駕駛的交通環境。近些年，我國也在不斷推行無人駕駛相關政策，在2020年發布的《智能汽車創新發展戰略》中提出：到2025年實現有條件自動駕駛的智能汽車達到規模化生產，實現高度自動駕駛的智能汽車在特定環境下的市場化應用，并在2021年發布的《國家車聯網產業標準體系建設指南》中提出了對智能交通、車聯網、無人駕駛等的進一步要求。

國內外很多企業及高校同樣積極關注和支持無人駕駛技術的發展，并在無人駕駛方向投入了大量研究。2015年谷歌提交至機動車輛管理局的報告中顯示，其無人駕駛車輛在自動模式下已完成130萬余英里的行程；同年，百度無人車完成首次路測，實現國內混合路況下的全自動駕駛。除了企業的研究投入，自2005年DARPA開啟無人車挑戰賽的先河以來，諸多自動駕駛汽車挑戰賽也在不斷推進這一領域的發展：歐洲陸基機器人競賽（ELROB）自2006年舉辦至今，促進了無人駕駛數據采集與導航決策等多方面的發展；VisLab洲際無人車挑戰賽，對無人車在不同環境下的適應性提出了更高的要求；歐盟于2011年和2016年舉行的協同駕駛挑戰賽（GCDC），通過道路上車間通訊提升了駕駛安全性并緩解了交通擁堵問題。

此外，近年來越來越多的科技企業與互聯網巨頭進入無人駕駛行業，并與傳統車企、應用場景方開展戰略合作，加速無人駕駛技術的迭代與應用落地。2020年傳統車企持續布局智能網聯與車路協同，逐步構建無人駕駛生態圈；同年，互聯網與出行企業開展智能網聯技術應用，發展云端業務，百度Apollo、小馬智行等開啟商業化試點服務；此外，一些自動駕駛科技公司如Waymo、文遠智行等開始與傳統車企展開合作，加速無人駕駛的技術落地與量產；小米、華為、微軟、字節跳動等科技大廠也于2021年起逐步進入無人駕駛領域開啟大廠造車模式。截至2023年，國內多個低速無人駕駛項目已進入常態化運營模式，且在此基礎上，僅今年上半年全國各級各部門就公示了近30條無人駕駛產業相關政策，以全方位推動無人駕駛應用落地，為無人駕駛行業的發展提供了明確的發展方向與生產經營環境。

3　無人駕駛的設計架構

無人駕駛技術通過內外部傳感器采集外部環境信息與車輛內部數據，隨后計算設備處理融合數據信息傳遞至規劃系統，并根據輸出信息執行運動控制具體內容，以此完成感知、決策、執行全部流程，達到車輛自主控制的目的。基于此，無人駕駛系統架構可以概述為感知、規劃、控制三個單元，如圖1所示，其中感知單元收集并分析處理環境信息，規劃單元針對環境信息進行進一步的任務規劃以及行為決策，控制單元在此基礎上執行最終無人駕駛行為并與交通環境進行實際交互。

圖1 無人駕駛系統架構

感知單元具有無人駕駛系統從環境中收集并提取相關知識的能力。感知單元以多種傳感器數據與地圖信息數據作為輸入，經過一系列計算處理對無人駕駛車輛周圍環境進行感知分析，其作為自動駕駛的輸入模塊為下游模塊提供豐富的交通環境信息。其中環境感知特指對于環境信息的理解能力，例如確定障礙物位置、形狀、類別、速度信息等，以及對環境的語義理解與分類，如信號燈識別、道路標記檢測、行人車輛檢測等。此外，無人駕駛車輛定位模塊也是感知單元的組成部分之一，其作用是確定無人駕駛車輛相對于環境的位置，以滿足后續車輛路徑規劃等任務需求。

規劃單元負責無人駕駛車輛為了達到某一目標而做出的帶有目的性的決策行為。在無人駕駛中該目標一般指駕駛目的地，其中包含出行最終目的地以及階段性駕駛行為目的地，如交通路口、車輛匯入匯出口、車輛變道超車目標位置等。規劃單元的主要任務是在優化駕駛軌跡避免碰撞障礙物等基礎安全性需求之上，進一步達到優化乘客乘車舒適性、提升交通流效率等高級駕駛目標。這就要求無人駕駛車輛可以實時檢測周圍交通環境，并高效完成環境信息處理任務以滿足無人駕駛車輛與交通環境中的障礙物以及其他交通參與者的實時交互需求。

控制單元具有幫助無人駕駛車輛精準執行系統規劃軌跡及動作的能力，從而最終完成無人駕駛任務。控制單元主要應用傳統自動化控制相關方法，將無人駕駛車輛操控系統與規劃單元的輸出相連接，并依據規劃單元發出的總線指令精準控制車輛的加速、制動、轉向等行為，以實現車輛的自主駕駛。控制單元作為無人駕駛技術的最底層模塊，其運動控制的實現依賴于對復雜的交通環境信息（例如交通路面信息、道路曲率等）的準確捕捉與分析。由此可見，環境信息處理是無人駕駛技術應用落地的基礎，對于無人駕駛系統各個單元都有決定性意義。

4　環境信息處理關鍵技術及發展

4.1　環境感知傳感器及其應用

為了保證無人駕駛車輛安全高效地進行交通活動，車輛配備了多種類的環境感知傳感器用以滿足對環境信息的實時捕捉及響應處理需求。常見無人駕駛車輛感知傳感器包括激光雷達、攝像頭、毫米波雷達、超聲波雷達傳感器等，如圖2所示。

圖2 常見無人駕駛車輛感知傳感器

激光雷達具有實時感知以及高分辨率建圖功能，其感知范圍可達數十米至數百米^[4]，感知角度范圍基于不同的硬件結構，可以達到25度至150度（固態式及混合固態式）^[5]或25度至360度（機械式）^[6]。通常情況下，機械式激光雷達傳感器被安裝在無人駕駛車輛頂部，以保證全方位無遮擋進行周圍交通環境的檢測以及定位建圖；固態式或混合固態式傳感器多被配置在車輛的前部，以保證車輛行駛方向的交通安全。激光雷達傳感器具有較好的魯棒性，在光照條件較差、能見度較低的交通環境中依然可以保持較高感知精確度。

攝像頭傳感器是無人駕駛技術中最常使用的外部感知傳感器之一。得益于其直觀的環境數據采集特性以及相對低廉的價格，攝像頭傳感器多用來檢測百米級距離的障礙物、分辨環境信號數據等，在目標檢測、環境分割等無人駕駛功能模塊中均有重要應用^[7]。無人駕駛配置的攝像頭傳感器多被安裝在車輛的前擋風玻璃與車輛后視鏡之間，以監測車行前方較遠距離障礙物，實現碰撞提醒、信號燈檢測等功能；或被安裝在車輛周圍，如左右后視鏡、保險杠等位置，以提供環境全景檢測，為自動泊車等低速駕駛功能提供環境數據。除了普通單目攝像頭傳感器外，其他具有特殊功能的攝像頭傳感器在無人駕駛中也有較多應用，如雙目攝像頭傳感器，用以引入距離信息，可以實現20至30米內的距離測量^[8]，低廉的價格使得其在一定程度上成為激光雷達傳感器的替代選擇；紅外攝像頭傳感器常在光照環境較差、環境可見度較低的場景中應用，以達到對于駕駛方向障礙物的檢測^[9]。

毫米波雷達傳感器是最早應用于無人駕駛研究中的外部感知傳感器^[10]，常應用于距離測量以及相對速度檢測模塊。依據傳感器測量范圍及精度可以將毫米波雷達傳感器分類為長距離檢測傳感器、中距離檢測傳感器以及近距離檢測傳感器。長距離檢測傳感器多被安裝在車輛的保險杠中間，其最遠測量距離可以達到200米，以保證車輛在高速行駛的過程中對駕駛方向上障礙物的實時檢測和車輛碰撞提醒。中距離檢測傳感器的檢測范圍為百米級內，一般對稱安裝在車燈位置下方，主要應用在車輛較低速行駛場景中，完成如高密度城市交通環境中的行人及障礙物檢測等任務^[11]。近距離檢測傳感器檢測范圍在米至十米級別，相較于前兩種毫米波雷達，近距離毫米波雷達具有相對更大的檢測角度范圍，其一般被安裝在車輛保險杠兩端以及車身側方，以用于自動泊車等駕駛場景中避免車輛與障礙物的碰撞^[12]。毫米波雷達傳感器具有價格低廉、對環境魯棒性較好等優點。

超聲波雷達傳感器一般應用在近距離障礙物檢測任務中，其感知范圍在十米以內，因此其應用場景主要是低速泊車環境^[13]。此外，得益于其低廉的價格優勢，無人駕駛汽車中常在車身周圍配備較多的超聲波雷達傳感器以減少環境檢測死角。但受限于超聲波傳感器單一的檢測角度以及相對較長的反應時間，其較少被單獨應用在某一無人駕駛模塊中，需要與其他無人駕駛外部感知傳感器配合使用^[14]。

4.2　環境信息構建及地圖信息

無人駕駛單車上的外部傳感器信息采集及融合系統受限于傳感器物理精度特性以及駕駛當天天氣環境影響，無法完整、實時、高清地感知交通道路實況以及道路環境特點，因此對于環境信息的超視距先驗感知以及基于高精度數據的地圖信息構建在無人駕駛技術中變得尤為重要。

高精地圖是除無人駕駛車輛自身傳感器感知數據外另一種服務于無人駕駛技術的環境信息數據來源。其利用多種高精度傳感器對交通道路信息進行厘米級數據采集以及特征融合，隨后對交通元素進行分類提取，將不同元素進行矢量化構建并存儲封裝為離線數據以支撐其他模塊需求。高精地圖信息的引入有利于拓展無人駕駛車輛傳感器檢測精度邊界，并提供了豐富的環境語義信息，從而減少了無人駕駛車輛控制器實時數據處理壓力，是無人駕駛的核心組成部分之一^[15]。

相較于傳統導航地圖，高精地圖數據具有高精度、高動態、多維度等特點。其中高精度是指地圖定位精度更高，得益于高精地圖采集車種類豐富且配置性能高的外部感知傳感器，高精度地圖能達到厘米量級的精度，為無人駕駛車輛行駛提供了更高的安全保障^[16]；高動態是指高精地圖具有更好的實時性，由于交通環境、道路信息的復雜多變，高精地圖需要具有更高的更新頻率，及時對無人駕駛車行環境中的變化進行迭代更新，以保證無人駕駛車輛能夠應對交通環境中的道路變化并為其他突發情況做準備^[17]；多維度是指高精地圖包含數據更加豐富，擁有更多信息圖層，相較于其他地圖類型僅能提供一般道路級別數據，高精度地圖對路網進行了厘米級精度的描述，比如車道相關屬性（如車道線類型、車道寬度、車道中心線等），甚至包含了道路隔離帶位置、材質等其他道路環境信息^[18]。

圖3 地圖信息類型及發展

雖然高精地圖具有信息豐富、可靠性高等特點，但其冗余的環境信息同樣會給無人駕駛實時處理帶來較大的計算挑戰。因此，“重感知、輕地圖”的去高精化也是當下無人駕駛技術的一個發展方向。基于無人駕駛車輛自身配置的傳感器，一些無人駕駛解決方案僅需要輔助以精度較低的地圖信息即可實現無人駕駛任務需求。常見低精度地圖類型包括占位柵格地圖、拓撲地圖等。占位柵格圖使用幾何結構將地圖道路信息分割為大小一致的單元格，然后基于道路單元格構建占用網格，在無人駕駛車輛周圍生成網格信息并將交互障礙物信息附加在網格上，隨后以網格單元為最小單位進行軌跡規劃預測^[19]。拓撲地圖則僅僅保留地圖內不會發生變化的拓撲信息，例如道路分岔口、相鄰可變車道等，為無人駕駛車輛行駛提供基本道路信息^[20]。地圖信息類型及發展變化如圖3所示。

4.3　端到端感知處理及無人駕駛技術

隨著算力的不斷增加以及AI技術的不斷發展，端到端技術應用在無人駕駛領域越來越成為可能^[21]。目前的自動駕駛技術被分割成多個串行模塊并進一步被細分為目標檢測、場景分割、在線建圖、軌跡預測等一系列駕駛子任務，但隨之而來就面臨著多任務誤差累積、任務協調分配等問題。端到端無人駕駛技術通過采集環境信息數據和車輛狀態信息直接輸出車輛控制信號，減少了中間環節的其他任務設計，具有簡潔高效、避免累積任務誤差等優勢。傳統無人駕駛模型與端到端無人駕駛模型結構比較如圖4所示。

圖4 無人駕駛模型結構比較

最早的端到端無人駕駛嘗試可以追溯到ALVINN模型^[22]。該模型構建了一個三層的全連接網絡以輸出車輛行駛方向，其輸入包括前方攝像頭數據、激光測距數據以及基于攝像頭圖像的強度反饋數據。該模型最終成功實現了以0.5米每秒的速度行駛通過一段400米長道路。除了早期的利用神經網絡方法訓練端到端模型的嘗試，通過模仿學習直接獲取環境信息輸入到控制信號輸出的映射關系也是獲得無人駕駛端到端模型的一種可能方法^[23-24]；強化學習方法則通過環境交互信息學習訓練數據中的駕駛行為策略，以最大化行為獎勵，同樣可以實現無人駕駛端到端模型的構建^[25]。隨著近年來設備計算能力的提升，有研究嘗試將端到端技術與大模型結合以實現無人駕駛需求。UniAD模型^[26]將當前無人駕駛感知、預測、決策模塊按照對最終控制單元的影響重新排序組合，并將控制單元的上游任務進行整合包裝，協調各子模塊之間的特征分配以及優化任務，從而輸出信號對無人駕駛車輛進行最終運動控制，以完成無人駕駛需求。

當然，基于端到端大模型的無人駕駛技術應用落地同樣面臨著一定困難，例如，僅使用有限的外部環境傳感器感知原始信號作為無人駕駛系統輸入，并直接輸出以無人駕駛軌跡或駕駛控制信號，這樣的端到端黑盒模型可解釋性弱，且其實際應用安全性也有待進一步驗證，尤其是在復雜城市道路環境場景中；由于端到端模型更多的是基于數據進行模型訓練，以模仿實際人類駕駛員的行為動作，因此對駕駛員的駕駛行為邏輯以及實際駕駛規則缺乏了解，在面對現實交通環境中的其他駕駛行為風格以及一些極端駕駛行為存在難以應對的風險；此外，數據驅動模型訓練學習的是全部數據的“平均”控制信號，而由于駕駛行為具有維度高、數據分布不均勻的特點，因此對于無人駕駛汽車的“平均”控制信號極有可能不是實際交通環境場景中的正確控制信號。

由此可見，目前端到端無人駕駛技術的真正商業落地與應用還為時尚早，但端到端無人駕駛技術具有簡潔高效、算力需求較低、與人類駕駛員駕駛行為風格接近等特點，是無人駕駛技術十分具有發展潛力的一個研究方向。隨著深度學習技術的不斷發展，模型的可解釋性、泛化能力會進一步提高，以有效解決當前端到端無人駕駛模型面臨的問題，對端到端駕駛模型的最終應用落地將產生巨大影響。

5 結論與展望

無人駕駛技術的逐步應用落地有利于構建一個更加安全、高效、舒適的交通環境，是未來汽車發展的重要方向之一。作為無人駕駛的第一個環節，并考慮到實際交通駕駛場景的復雜多變，環境信息的實時感知以及準確分析是無人駕駛技術中的一個關鍵課題，在很大程度上影響和決定著無人駕駛的最終實現效果。然而，受到感知傳感器的物理精度約束、計算單元實時處理計算能力限制以及交通環境的隨機特性影響，僅依賴傳感器采集信息以及地圖數據信息完成無人駕駛任務依舊面臨一定的安全性挑戰。因此，推進相關無人駕駛政策、加速智能交通環境建設以落實車聯網技術落地、提升車路協同控制能力有助于為無人駕駛技術提供更好的保障。

★基金項目：國家自然科學基金(72171172，62088101，92367101)

作者簡介：

李欣然（1998-），湖南長沙人，同濟大學在讀博士生，主要從事自動駕駛、深度學習、博弈等方向的研究。

李修賢（1986-），山東棗莊人，教授，博士，現就職于同濟大學，主要從事分布式控制和優化、算法、博弈、機器學習，以及在無人機和無人車等領域應用方面的研究。

李　莉（1975-），遼寧撫順人，教授，博士，現就職于同濟大學，主要從事基于數據的建模與優化、復雜制造系統調度、計算智能及應用方面的研究。

參考文獻：

[1] 張守武, 王恒, 陳鵬等. 神經網絡在無人駕駛車輛運動控制中的應用綜述[J]. 工程科學學報, 2022, 44 (2) : 235 - 243.

[2] 錢玉寶, 余米森, 郭旭濤, 等. 無人駕駛車輛智能控制技術發展[J]. 科學技術與工程, 2022, 22 (10) : 3846 - 3858.

[3] Li X, Lin K Y, Meng M, et al. A survey of adas perceptions with development in china[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23 (9) : 14188 - 14203.

[4] 高明. 無人駕駛汽車ADAS系統激光雷達介紹與應用[J]. 時代汽車, 2023 (2) : 159 -161.

[5] Poulton C V, Yaacobi A, Cole D B, et al. Coherent solid-state LIDAR with silicon photonic optical phased arrays[J]. Optics letters, 2017, 42 (20) : 4091 - 4094.

[6] 黨亞南, 田照星, 郭利強. 車載激光雷達點云數據處理關鍵技術[J]. 計算機測量與控制, 2022,30 (1) : 234 - 238, 245.

[7] Li G, Fan W, Xie H, et al. Detection of road objects based on camera sensors for autonomous driving in various traffic situations[J]. IEEE Sensors Journal, 2022, 22 (24) : 24253 - 24263.

[8] Cheng J, Zhang L, Chen Q, et al. A review of visual SLAM methods for autonomous driving vehicles[J]. Engineering Applications of Artificial Intelligence, 2022, 114: 104992.

[9] Vivacqua R, Vassallo R, Martins F. A low cost sensors approach for accurate vehicle localization and autonomous driving application[J]. Sensors, 2017, 17 (10) : 2359.

[10] Patole S M, Torlak M, Wang D, et al. Automotive radars: A review of signal processing techniques[J]. IEEE Signal Processing Magazine, 2017, 34 (2) : 22 - 35.

[11] Galvani M. History and future of driver assistance[J]. IEEE Instrumentation & Measurement Magazine, 2019, 22 (1) : 11 - 16.

[12] Preussler S, Schwartau F, Schoebel J, et al. Photonically synchronized large aperture radar for autonomous driving[J]. Optics Express, 2019, 27 (2) : 1199 - 1207.

[13] Feng D, Haase-Schütz C, Rosenbaum L, et al. Deep multi-modal object detection and semantic segmentation for autonomous driving: Datasets, methods, and challenges[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22 (3) : 1341 - 1360.

[14] Rhee J H, Seo J. Low-cost curb detection and localization system using multiple ultrasonic sensors[J]. Sensors, 2019, 19 (6) : 1389.

[15] 孟立秋. 自主導航地圖的昨天、今天和明天[J]. 測繪學報, 2022, 51 (6) : 1029 - 1039.

[16] 李必軍, 郭圓, 周劍, 等. 智能駕駛高精地圖發展與展望[J/OL]. 武漢大學學報(信息科學版), 2023 : 1-18. [DOI:10.13203/j.whugis20230287.

[17] 應申, 蔣躍文, 顧江巖, 等. 面向自動駕駛的高精地圖模型及關鍵技術[J/OL]. 武漢大學學報(信息科學版), 2023 : 1 - 12. DOI:10.13203/ j.whugis20230227.

[18] 張攀, 劉經南. 通用化高精地圖數據模型[J]. 測繪學報, 2021, 50 (11) : 1432 - 1446.

[19] 段建民, 鄭凱華, 周俊靜. 多層激光雷達在無人駕駛車中的環境感知[J]. 北京工業大學學報, 2014, 40 (12) : 1891 - 1898.

[20] 王永勝, 羅禹貢, 黃晨, 等. 基于拓撲地圖的自主泊車路徑協調與優化策略[J].中國公路學報, 2021, 34 (1) : 177 - 187.

[21] 張新鈺, 高洪波, 趙建輝, 等. 基于深度學習的自動駕駛技術綜述[J]. 清華大學學報(自然科學版), 2018, 58 (4) : 438 - 444.

[22] Pomerleau D A. Alvinn: An autonomous land vehicle in a neural network[J]. Advances in neural information processing systems, 1988 : 1.

[23] Hawke J, Shen R, Gurau C, et al. Urban driving with conditional imitation learning[C]. 2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020 : 251 - 257.

[24] Codevilla F, Santana E, López A M, et al. Exploring the limitations of behavior cloning for autonomous driving[C]. Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019 : 9329 - 9338.

[25] Toromanoff M, Wirbel E, Moutarde F. End-to-end model-free reinforcement learning for urban driving using implicit affordances[C]. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2020 : 7153 - 7162.

[26] Hu Y, Yang J, Chen L, et al. Planning-oriented autonomous driving[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023 : 17853 - 17862.

摘自《自動化博覽》2023年12月刊