下载掌阅APP，畅读海量书库
立即打开
为了了解SLAM技术在自动驾驶领域中的应用现状，我们先简单介绍一下SAE（Society of Automotive Engineers，美国汽车工程师学会）所定义的自动驾驶等级，如表1—1所示。
表1—1 SAE自动驾驶等级
（1）L0：无自动化
· 特点：纯人工驾驶，对汽车的所有控制和动作都来自人工操作，未应用任何自动驾驶技术。
· 产品：早些年生产的燃油车大部分是人工驾驶的。
（2）L1：辅助驾驶
· 特点：车载系统能够帮助驾驶员完成某些辅助任务，驾驶员需要监控驾驶环境并准备随时接管。常见的车载系统如车道保持系统、定速巡航系统等。
· 产品：别克君威、荣威550、广汽传祺、奇瑞艾瑞泽、吉利缤瑞等汽车型号就属于L1级。
（3）L2：部分自动化
· 特点：自动驾驶系统能同时控制车速和车道，驾驶员需要关注驾驶环境并准备随时接管。
· 产品：长安CS55（国内自主品牌里首款实现L2级自动驾驶的量产车型）、吉利博瑞GE、宝马7系、特斯拉Model S（使用特斯拉研发的Autopilot系统，属于L2级）、凯迪拉克CT6等车型就属于L2级。
（4）L3：有条件自动化
· 特点：在特定条件下，车辆可以完成所有的驾驶动作并提醒驾驶者关注相关信息。驾驶者可以分心去处理别的事情，但需要确保在收到车辆的提醒后能够接管车辆，以帮助人工智能系统处理异常。
· 产品：奥迪A8、特斯拉Model 3、小鹏P5等车型就属于L3级。
（5）L4：高度自动化
· 特点：在特定的场景下能实现不需要驾驶员的完全自动驾驶。
· 产品：部分港口出现的无人驾驶车辆、无人驾驶巴士阿波龙（百度Apollo和金龙客车合作的产品）等车型属于L4级。
（6）L5：完全自动化
· 特点：在任何场景中都可以完全自动驾驶的车辆。
· 产品：业界尚无L5级的车辆出现。
（1）L1～L2的难点
· 汽车横向控制和纵向控制配合操作时的舒适性。单独的横向控制（车道保持系统）或纵向控制（自适应巡航控制系统等）技术已经十分成熟，但二者同时工作的时候，如何将舒适性调整到最优是存在挑战的。
· 通知驾驶员接管车辆的时机选择。L2级系统仍需要驾驶员实时监控并适时接管，那么如何以最友好的人机交互方式通知驾驶员接管车辆而不影响驾驶员的体验，则需要在人机交互上做出努力。
（2）L2～L3的难点
· 传感器感知技术。根据NTSB（National Transportation Safety Board，美国国家运输安全委员会）发布的相关信息，部分车型发生交通致死事故的主要原因是传感器感知的功能存在不足，导致系统未能准确识别路况，进而引发了交通事故。
· 法规。目前我国尚未允许自动驾驶车辆在开放性高速道路上进行测试，在相关法规正式发布之前，自动驾驶车辆只能在封闭、测试场地或指定的有限测试场景中进行测试。
（3）L3～L4的难点
· 传感器的性能和成本。在性能方面，摄像头容易出现的误差（包括光的反射和折射造成的偏差）直接影响传感器，导致系统最终获取外界信息的性能不足。在成本方面，车规级的多线激光雷达的成本比较高。这些都限制了L4级自动驾驶的大面积普及。
· 具有极高鲁棒性的自动驾驶算法及稳定的计算平台。L4级自动驾驶算法的精度和鲁棒性需要达到甚至超越人类驾驶员的水平，并且需要在稳定的计算平台上运行，以确保自动驾驶汽车能够应对各种突发情况。
· 高精地图采集。采集的高精点云地图是推动自动驾驶技术迅速发展的重要资源。是否拥有大量的高精地图，以及能否保证这些地图的实时性，将直接影响一个自动驾驶公司的成败。
· 普通民众的接纳度。人们对于没有方向盘、大部分时间都在自动行驶的汽车天然抱有一些担忧，使其对自动驾驶从抵触转变到接受需要一定的时间，因此需要积极培养与普通民众之间的信任关系。
SLAM技术是实现未知环境下移动机器人或移动车辆的定位和建图的关键。在无人驾驶领域中，SLAM技术可以帮助车辆感知周围环境，从而更好地完成导航、避障、路径规划等任务。道路上出现的车辆和行人等都会影响无人驾驶算法的决策。而要实现真正的无人驾驶，就需要实时感知周围环境，实现动态响应。这仅靠提前构建的高精地图是不够的，还需要采用完整的SLAM方案来实现。
SLAM技术之所以成为无人驾驶的关键技术，有一定的背景因素。
1）SLAM本身是个很复杂、庞大的系统，已经在自动机器人、无人机、无人驾驶、AR等领域应用得越来越广泛。SLAM系统所实现的定位和建图的精准度、环境地图信息的丰富度（包含更多有效的语义信息）、场景识别/回环检测的准确度，都会直接影响自动驾驶功能的最终体验。
2）SLAM在一些不能直接定位的场景（如GPS信号丢失的环境）或者高精地图无法覆盖的环境中发挥着重要作用。
3）自动驾驶应用了SLAM技术的其他细节。例如，高精地图的建图过程仍然依赖SLAM技术，单靠传统的GPS是不足以建立高精地图的。因此，在利用SLAM技术建立大规模的高精地图的过程中，业界正在攻克超大规模优化、多机器人建图与子图合并，以及在不同时间尺度上建图与合并等技术挑战。而深入研究SLAM技术中的定位和重定位，将使自动驾驶车辆在预置地图上进行定位变得更加容易。所有无人驾驶方案都要求车辆具备一定的SLAM能力，以确保在地图失效的情况（如没有地图、预置地图无法使用以及其他未知情况）下仍然能够正常实现无人驾驶。