1.2　自动驾驶的实现

1.2.1　自动驾驶的核心问题

自动驾驶仍未实现大规模部署，主要因为目前的自动驾驶技术还不足以完全替代驾驶员的角色，无法承担车辆行驶过程所需闭环控制中枢的全部职能，特别是无法应急处置很多突发情况。那么，驾驶员具体担负了哪些职能？如何替代这些职能？在技术上如何实现？这些都成为实现自动驾驶的核心问题。

除了直接对车辆进行操控之外，驾驶员还要结合车辆自身状态判断路况信息并做出合理的决策。驾驶员驾驶车辆会产生两方面的消耗：一是操控车辆时在体力上的消耗；二是处理信息时在脑力上的消耗。近代车辆发展的重要方向之一是为驾驶员减轻负担：①不断改善操控装置，例如为减轻操作力量而加装的转向助力器、刹车辅助增压泵等；②不断提升驾驶舒适度，例如对座椅增加减震、调温及可调靠背设计，在车内安装高品质音响设备并主动降低噪声影响等；③不断增强驾驶安全性，例如加装宽视野防眩光后视镜、超声波倒车雷达等。这些传统的减负手段显然是针对减少驾驶员体力消耗而设计的，而对于减少驾驶员脑力消耗所发挥的作用并不明显。驾驶员的脑力消耗主要在应对、处理行驶过程中的各类信息上，这些信息主要来自车辆的交互界面和外部的行驶环境。发展自动驾驶技术的重要意义在于使用自动化系统替代驾驶员应对处理车辆内外部的信息，真正减少驾驶员的脑力消耗并大幅提升社会的整体出行效率，最终实现对驾驶员的完全替代。因此，自动驾驶的核心问题是通过自动化系统完全替代驾驶员来处理行驶过程中的相关信息，即对车辆行驶信息进行自动化处理。

车辆行驶过程中的信息处理十分复杂，其基本流程包括信息采集、信息传输、信息识别、信息决策和信息输出等环节。而在处理这些信息之前，需要知道的相关信息具体包括哪些？车辆行驶闭环控制系统中的基本参量是车辆的位置，位置参量是系统所需的主要信息，其他信息还包括车辆自身的显性参量和行驶环境的显性参量，以及车辆内部的隐性参量和环境的隐性参量。显性参量一般指驾驶员能够直接观测和感受到的信息，例如车速、车体方向、车内温度、附近的路面标线、红绿灯、行人、其他车辆等；隐性参量一般指驾驶员不能直接观测和感受到的信息，例如车内机电装置的状态、车辆轮胎的损耗情况、车外的风向和风速、超出视线等感知范围外的路况信息以及其他无法实时获取的环境信息等。

传统车辆行驶过程中，一般由驾驶员负责处理这些信息，例如驾驶员观察道路情况，根据车辆自身状况，按照规划路线操控车辆，最终完成车辆位置的变动。如图1.7所示，驾驶员直接参与对位置及其他显性参量的处理：驾驶员的感官负责信息的采集，驾驶员的身体和大脑负责信息的传输、识别和决策，驾驶员的四肢负责信息输出，最后借助车辆驾驶装置实现对闭环系统的稳定控制，即驾驶车辆。此外，有些导航辅助装置可以帮助驾驶员间接获取一些隐性信息（例如远方道路拥堵情况等），这些信息也会辅助驾驶员，为其提供决策参考，使部分隐性信息显性化。

从信息处理的角度划分，实现自动驾驶的自动化系统可以达到三个不同的层次：第一个层次是运用计算替代驾驶员处理车辆驾驶的相关信息，即替代驾驶员；第二个层次是将驾驶员接触不到的隐性参量信息也纳入计算过程之中，即超越驾驶员；第三个层次是突破传统的车辆构造和行驶方式，重新定义驾驶的含义，即颠覆现有车辆的形态。目前相关的产业技术研究和行业标准制定仍处于第一个层次，仍然在围绕着如何替代驾驶员的问题开展研究，而业界对车联网、车路协同方面的探索正在引导技术逐步进入第二个层次，第三个层次仅在科幻艺术作品中初露端倪，距离现实的生活仍遥不可及。

1.2.2　自动驾驶的技术实现

自动驾驶系统是以实现自动驾驶功能为目的的自动化系统，其关键是形成车辆行驶过程中稳定的闭环控制中枢。解决自动驾驶系统相关技术问题的主要路径是计算。目前业界普遍认为：人工智能计算是解决自动驾驶相关问题的关键，其在具体实现上存在着不同的路径，例如“端到端”的一体化路径和“非端到端”的模块化路径等。路径虽有不同，但都充分借鉴和参照驾驶员处理车辆行驶信息的流程，目前自动驾驶技术所涉及的主要问题都包含在下面的五个环节之中。

（1）信息采集：自动驾驶系统中替代驾驶员的感官收集信息的是传感器。通过传感器将车辆行驶中的显性参量和部分隐性参量转换为数据信息，部分隐性参量是车辆或者道路环境中设备所产生的中间数据，不需要再次经过传感器的转换。信息采集的过程就是对这些数据信息的生成和收集过程。

（2）信息传输：不同于驾驶员通过自身神经系统向大脑传送信息的方式，传感器采集的数据需要利用通信技术向处理器传输。数据信息所产生的位置和被处理的位置通常都是不同的，所使用的通信技术也有所不同，因此自动驾驶的信息传输相对复杂，包括车辆自身内部、车辆与行驶环境、车辆与云端服务器、车辆与车辆等数据的传输。自动驾驶系统的信息传输主要依托于车载通信技术和底盘通信技术。

（3）信息识别：很多传感器产生的数据单独分析起来并没有什么意义，例如图像传感器传入的图像中存在一些亮点数据，这些亮点可能是远方的灯光，也可能是近处障碍物的反光，仅仅分析这些单一的数据并无法形成准确的判断，因此需要结合其他数据信息进行综合解析，这构成了信息识别的主要过程。对于驾驶员而言，可能很容易就分辨出前方是否有障碍物，而自动驾驶系统识别障碍物却需要进行大量的计算，其计算一般采用模式识别等方法。信息识别是目前自动驾驶技术实现的瓶颈之一，信息识别的准确率和实时性是保障自动驾驶安全的重要前提。

（4）信息决策：目前车辆所处的行驶环境是以人类习惯和社会通则为基础构建的，因此驾驶员能据此快捷地做出准确的决策，以应对行驶过程中的各类问题。自动驾驶过程中，传感器所获取的数据经过信息识别后将重新组织为类似于驾驶员所感受到的环境参量（例如道路、行人、红绿灯等），这样自动驾驶系统就能充分借鉴驾驶员的经验常识做出类似的决策判断。现有人工智能技术中对决策算法有大量的研究，这些算法能够帮助自动驾驶系统为车辆行驶提供“合理”的路径规划和处置决策。

（5）信息输出：驾驶员将大脑中的决策通过四肢的动作进行表达，从而实现对车辆的操控，这个过程就是信息输出的环节。信息输出同样是自动驾驶系统中决策信息的外部展现或执行环节，不同于驾驶员的操控之处在于：自动驾驶系统可绕过方向盘和脚踏板等驾驶装置，直接将信息输出给车辆的基础装置。由于驾驶员在装置操控的灵敏度上存在着生物属性方面的上限，所以自动驾驶系统的信息输出环节能够更轻易地突破人类驾驶员对车辆控制灵敏度的极限。

如图1.8所示，各个信息处理环节和作为受控对象的车辆共同构成了具有反馈回路的闭环控制系统，虚线框内的信息处理流程展现出自动驾驶系统对车辆的操控几乎与驾驶员的操控完全相同。

当前自动驾驶技术的进展主要体现在对环境感知、车路协同、路径规划、轨迹预测、精准控制等具体问题的研究上。这些研究将具体场景或处理特性进行了归类、综合或简化，根据实际需要采用了模块化的方式，以此为基础解决信息处理相关环节中的聚焦性问题。

（1）环境感知：此类问题涉及车辆行驶中对原生信息进行采集、传输和识别等多个环节，但根据数据信息来源或者所针对场景功能的不同又形成了各自相关的具体问题。如图1.9所示，车辆采用毫米波雷达、激光雷达、摄像头、超声波传感器、全球卫星导航、加速度计、陀螺仪等传感器获取信息数据，基于底盘通信、车载通信和卫星通信等多种协议汇集数据，通过传感器处理芯片、车载计算机或者云服务器等计算平台进行识别，形成车辆所处位置、自身状态及周边路况环境等综合信息，为后续决策提供必要的环境感知数据作为依据。

（2）车路协同：为弥补部分车载传感器对环境感知精度、速度和范围等方面的不足，通过在行驶环境中（特别是道路上）加装辅助传感器以提供更多参考信息，通过这种方法构成车路协同。车路协同所提供的数据信息中包含大量隐性信息（例如路面冰滑、前方事故等），这些信息超越了驾驶员自身感官的感知范围和精确度，自动驾驶系统将这些隐性信息纳入计算过程后将大幅提升车辆的行驶性能。

（3）路径规划：此类问题分为全局路径的静态规划（全局规划）和局部路径的动态规划（局部规划）。全局规划侧重依赖高精度地图数据以求解抵达目的地最优路径为目标，局部规划侧重对环境的感知以决策当前行动为目标，二者主要涉及信息的传输、识别与决策等环节。路径规划目前主要有基于采样的算法、基于搜索的算法、基于插值拟合轨迹生成的算法和用于局部的最优控制算法等。而在路径规划策略上，还要顾及使用者的不同偏好，例如时间优先、速度优先、里程优先、舒适度优先和途经地优先等采取不同的选择策略，从而产生不同的路径规划结果。

（4）轨迹预测：轨迹预测是影响车辆行驶中当前路线设计的关键技术，其中包括对车辆自身行进轨迹以及障碍物运动轨迹的预测，主要涉及信息采集、传输与识别等环节，在识别环节中一般会保留目标物的运动参量，为后续决策持续提供依据。轨迹预测的准确率和实时性对车辆的行驶安全有重要影响。

（5）精准控制：自动驾驶的性能最终体现在对车辆的精准控制上。车辆精准控制的前提是信息决策准确和及时，还需要受控车辆具有较高的运动控制精度和响应速度，并且需要车辆行驶闭环控制系统具备相当的灵敏度和稳定性。当前车辆的电动化已成为汽车的发展趋势，电动汽车在运动精度和控制响应等方面比传统燃油车辆至少高一个数量级。精准控制不仅是对传统车辆的技术升级，也是提升能源效率和驾乘体验的关键，有利于自动驾驶技术的普及应用。

除了以上列举的这些技术问题外，目前尚有许多新问题亟待解决，也还有许多技术瓶颈需要面对，如果这些问题完全得以解决，就意味着自动驾驶技术的真正成熟。随着自动驾驶技术的逐步发展，自动驾驶系统作为车辆行驶的闭环控制中枢也将逐步替代甚至超越驾驶员。

1.2.3　自动驾驶的研发流程

在工业界中，实际的自动驾驶研发流程相当复杂。自动驾驶的研发流程就像从沙子里淘出金子，需要借助复杂的步骤从原始的数据中提取出高价值的信息。自动驾驶的研发流程大致如图1.10所示。

自动驾驶的研发流程中各环节的要点介绍如下。

（1）路采规划：该环节主要是对路采进行详细的路径规划，例如在全国哪些省市进行路采，采集什么样的路况和场景，有哪些代表性的天气状况需要采集，以及车队的人员配备和管理。

（2）测试车改装：该环节涉及测试车的功能规划，传感器的选择、安装、标定，数据获取系统（包括传感器记录仪、预标注系统、存储系统、车载电源等）的安装调试。

（3）裸数据采集：该环节需要注意相关法规的监管。在中国，公开道路上的地理信息数据的采集行为受《中华人民共和国测绘法》的约束，需要有地理信息勘测甲级资质的图商监管。

（4）数据上传：采集好的数据需要从路测场地通过物流的方式运输回数据中心上传，物流的过程同样也需要接受图商的监管。到达数据中心后，需要快速地将数据上传到数据中心的数据湖中存储，并将存储介质数据清除后通过物流送回路测场地循环使用。

（5）海量数据存储：根据不同的项目目标和规划，每天采集的数据量可能从数太字节（terabyte，TB）到数百太字节不等，由于数据量巨大，因此数据中心的数据上传应尽量采用自动化手段实现。数据中心侧应部署支持海量数据规模的数据湖存储设备接收每日上传的路采裸数据，同时应部署元数据库对路采裸数据的元数据进行管理（数据治理）。

（6）数据清洗＋预处理：一旦有新的裸数据进入数据湖，系统就可以开始数据处理的流程。先由图商对数据做脱敏（去除车牌等敏感信息）操作以及坐标系的偏转操作，再通过高性能计算集群对数据进行清洗（去除镜头被遮挡等的图像数据）和相应的预处理（亮度调节、对比度调节等）。

（7）数据标注：对于需要进行深度学习（deep learning，DL）训练的数据，通过手动或半自动的标注平台进行标注（labeling），以生成监督学习需要的真值数据。

（8）自动驾驶产品规划：由自动驾驶的产品经理对自动驾驶的功能进行产品规划，并针对不同功能的自适应巡航控制（adaptive cruise control，ACC）系统、自动紧急制动（autonomous emergency braking，AEB）系统、车道偏离警示（lane departure warning，LDW）系统等制定不同的测试方案。

（9）算法模型训练：利用传感器数据进行物体识别、语义分割、实例分割等基于卷积神经网络的深度学习训练，将达到训练精度的模型用于推理，从传感器数据中抽取出各种场景要素。

（10）仿真场景库：使用抽取出来的场景要素生成场景库，业界比较权威的场景库是基于自动化及测量系统标准协会（association for standardization of automation and measuring systems，ASAM）规定的OpenDrive和OpenScenario场景库。在后期的虚拟仿真中，此环节生成的场景库将用于为数字仿真模型车生成虚拟的仿真场景。

（11）虚拟仿真：通过Simulink、Prescan、Carsim等虚拟仿真工具对算法进行“软件在环（SiL）”虚拟仿真，在仿真环节中仿真道路路面、交通参照物、车辆、行人以及天气条件下的环境信息（例如雨雾或者夜间照明时的路面信息）。通过对各种基本要素的排列组合形成各种复杂的场景，尽可能多地覆盖各种罕见场景（corner case），让数字仿真模型车在这些复杂场景中做各种测试并记录结果。每次测试完成后利用测试结果对数字仿真模型车的算法和参数进行优化，循环往复，直到得到满足自动驾驶分级功能要求的结果。

（12）硬件仿真：对SiL仿真过程中达到功能标准的算法进行“硬件在环（HiL）”仿真验证。在SiL仿真过程的代码跑通后，再基于必要的硬件在环平台，检测代码在传感器、计算单元等硬件系统上运行中的错误和兼容性问题。然后进行“车辆在环（ViL）”仿真，将相关的软硬件系统集成到车辆平台上，在封闭场地中完成相关测试，检测代码是否出现问题。

（13）道路测试：基于“司机在环（DiL）”，在测试场地和政府允许的公开道路进行场地测试，检测自动驾驶系统的运行情况，获得司机的主观评价及验证人机交互等功能。

（14）量产：以上各项测试都通过后，就可以进入量产阶段，在汽车成品中进行大量部署。 8f5oEwtaSuZHgYrYmC1qe1LHOWJRO7oV56cOf3bjsJBGYcmTRnZIp4rqAWUFWbRi