下载掌阅APP，畅读海量书库
立即打开
智能驾驶最早被应用于20世纪90年代的美国军事领域，产业化开始于21世纪谷歌Moonshot计划中的无人车项目。而说起车辆的智能驾驶，不得不提的就是美国国防部高级研究计划局（Defense Advanced Research Projects Agency，DARPA）举办的无人驾驶挑战赛（DARPA Grand Challenge），虽然这个比赛起初是为了帮助军方打造可批量生产的智能车，但它也第一次实现了真正意义上的智能驾驶，是智能驾驶迅速发展的一大主要推动力。
追溯到2004年3月，第一届DARPA无人驾驶挑战赛在美国莫哈维沙漠地区举行，车辆在比赛途中不但会遇到急弯、隧道、下坡、路口、沟壑和遍布全程的仙人掌，还要识别可能突然出现的动物和火车等。这场比赛一共收到了106支队伍的参赛报名表，在预选赛时有25支车队通过了安全和技术测试，然后在加利福尼亚州的高速公路上进行了1英里（约为1.6km）的自主导航与障碍测试的资格赛。有15支车队进入了决赛，但最终没有任何一支队伍完成比赛。卡内基梅隆大学Red Team的赛车Sandstorm（改装的悍马车）行驶的距离最长，完成了11.78km的路程，但也不到全程的5%。
2005年10月，第二届DARPA无人驾驶挑战赛举行，这次有23支队伍进入了决赛。第二届DARPA无人驾驶挑战赛虽然同样在美国莫哈维沙漠地区举办，但越野环境道路相比于上届更加恶劣，道路更陡、更窄，曲线赛道的数量更多。但让人没想到的是，2005年DARPA无人驾驶挑战赛成了智能驾驶发展史上的“临界点”。这一次，5支队伍带领着他们的智能驾驶车辆，跑完了全部赛道，这5辆车分别是Stanley、Sandstorm、H1ghlander、Kat-5和Terramax，其中斯坦福大学的Stanley以不到7小时的成绩获得冠军，图1-6为斯坦福大学的冠军车辆Stanley。
图1-6 DARPA 2005冠军车辆——斯坦福大学Stanley
如果说2005年DARPA无人驾驶挑战赛中，智能驾驶只征服了静态环境，那么2007年DARPA城市挑战赛，智能驾驶则提升到了可以在动态交通流中完成互动的高度。这次比赛包括复杂的双向交通道路、蜿蜒的公路、十字路口等场景，同时要求设计者设计出能够遵守所有交通规则的车辆，并能够在赛道上检测和避开其他参与者，车辆必须基于其他车辆的动作实时做出“智能”决策与规划，这其实和人类真实的驾驶环境已经非常类似了。最终在53支报名车队中，有11支通过了资格测试，6支跑完了全程，卡内基梅隆大学的车辆Boss以4小时10分钟29秒获得冠军。而这也是DARPA最后一次举办与智能驾驶汽车相关的比赛。这次比赛已经证明智能驾驶技术拥有像人类一样驾驶车辆的潜力，后续要做的就是等待资金入场并持续优化了。
2007年DARPA无人驾驶挑战赛之后，诸如谷歌（Google）等一大批大大小小的公司开始进入智能驾驶行业，随着智能驾驶的快速发展，2014年1月，国际自动机工程师学会（SAE International）第一次制定了J3016自动驾驶分级标准，按自动化的程度分为6个等级：L0～L5（LEVEL 0～LEVEL 5）。经过几次修改，2021年4月第4次更新，依然划分为6个等级：
L0：无驾驶自动化；L1：驾驶员辅助；L2：部分驾驶自动化；L3：有条件驾驶自动化；L4：高度驾驶自动化；L5：完全驾驶自动化。
第4次更新明确了驾驶自动化水平是根据主要行为者在实施动态驾驶任务（dynamic driving task，DDT）和/或DDT后备支援中所起的具体作用来确定的（图1-7）。
图1-7 SAE J3016对智能驾驶等级的划分
目前智能驾驶技术更多还是应用于类似DARPA无人驾驶挑战赛中的形式，通过给车辆加装摄像头、毫米波雷达、激光雷达等高精度传感器，搭配高精地图一同搭建车辆的感知系统。基于感知系统提供的环境信息，通过一系列的判断，规划出一条可行驶路线，并控制车辆按照规划出来的路线行驶 ［6］ 。
感知是指智能驾驶系统从环境中收集信息并从中提取相关知识的过程，感知模块广义上包含环境感知和自定位两部分。其中，环境感知的功能又可以归结为目标识别和运动分析。目标可以分为静态目标（路面、车道线、路沿、交通信号灯、道路标志、施工标志等）和动态目标（车辆、行人）。对目标的识别主要是基于卷积神经网络的深度学习方法。针对图像可以分为基于候选区域、基于回归和基于增强学习的方法。
目标的运动分析则主要是对目标的三维运动属性进行识别，最基础的包括静止目标和运动目标的区分，针对运动目标，需要准确得到其运动速度、加速度、运动方向以及未来一段时间内的预测轨迹，最近的研究也逐渐扩充到对目标的行为意图进行判别，如判断目标是否存在切入、横穿、避让等意图。基础的运动分析方法主要使用卡尔曼滤波的方式，通过不同的运动模型（恒定速度模型、恒定加速度模型、恒定转率和速度模型以及恒定转率和加速度模型）对目标的运动状态（位置、朝向、速度、加速度等）进行估计。目标轨迹预测及意图分析则多采用基于数据驱动的方式，针对目标的历史轨迹推导出未来一定时间内目标的行为及意图。
在智能驾驶技术体系中，环境感知模块负责通过传感器以及定位设备为车辆提供道路结构、交通信息、其他交通参与者状态等。结合以上信息，决策规划模块进行量化分析，然后对底层的执行控制模块传递相应的规划轨迹。根据SAE的自动驾驶分级制度，L0以预警为主，L1和L2为辅助驾驶，L3及以上为车辆智能驾驶。随着等级的提高，在车辆行驶过程中的主责以及决策权会逐渐从司机转移到汽车本身。自主决策规划技术也正是智能驾驶功能开发过程中面临的一大难点。
智能驾驶车辆往往运行在复杂的动态环境中，因此需要一些技术来应对像城市道路这样难以预测的环境，达到同人类驾驶水平一样的可靠性和安全性。智能驾驶车辆做出一个良好决策的前提是拥有精准的感知结果，然而即使是目前最先进的机器视觉系统也很难保证一个较低的误检率，这也对决策规划模块的鲁棒性
提出了更高的要求。
位于智能驾驶系统最底层的是执行控制模块。该模块根据底盘和定位反馈的车辆实际状态，以及规划模块生成的参考轨迹来计算能直接作用于对应的执行结构的控制信号，保证智能驾驶汽车能平稳、低误差地跟踪规划路线。
总体来说，目前智能驾驶汽车还是以单车智能路线为主。受制于法律法规和权责归属问题，市场上的主要汽车制造商都在研发L3级别以下的辅助驾驶车辆，其中海外的特斯拉，国内的小鹏、蔚来、理想、华为等公司，都已经研发出了L2++级别的乘用车，可实现脱离手脚操作的高速领航驾驶功能，并在努力研发城市领航驾驶功能。另一大阵营属于科技公司，他们大多采用高举高打的方式，希望率先攻克L4级别智能驾驶，而后再降维实现L0～L3级别的智能驾驶，其中代表公司为谷歌、AutoX安途、小马智行、文远知行、百度等。
从2007年至今，智能驾驶经过10余年的行业发展，无论是在L2级别还是在L4级别，都有很多公司有了成熟的产品，但依然没有任何一家公司敢说什么时候可以实现L5级别智能驾驶。长尾效应在智能驾驶行业同样适用，因为总有解决不完的边界场景等待智能驾驶技术去解决。因此，在未来，对于L2级别的智能驾驶汽车，依然需要人类随时接管；而对于L4级别的智能驾驶汽车，可能需要通过远程接管的方式，来应对运行设计域（operational design domain，ODD）范围外的场景或事件。
此外，随着5G技术的普及，车路协同技术也将更好地辅助智能驾驶汽车解决一些问题。总而言之，智能驾驶未来将长期处于人机共驾的阶段，需要不断地完善、优化，使智能驾驶车辆可以应对越来越多的场景。