前言

​ 近几年来，自动驾驶技术的发展不断在各种媒体中刷屏，不断冲击着人们的眼球和丰富着人们对于未来出行的想象。似乎要马上从实验室走向市场。然而市场上成熟的自动驾驶车辆并没有出现，仅仅是让驾驶员能够打一局游戏的自动驾驶技术也没有得到商业化应用。当然，面对车辆自动驾驶这一新技术，相关的法律法规也没有跟进，导致虽然有些情况技术可以办到，可是法律却是不允许的。下面我就从车辆自动驾驶技术的研究背景，核心问题，和未来预期三个来简要介绍一下车辆自动驾驶技术的现状和未来展望。

研究背景

自动驾驶汽车的定义

​ 在深入了解车辆自动驾驶技术之前，首先我们对自动驾驶车辆进行定义，这里引用维基百科的定义：自动驾驶汽车，又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是无人地面载具的一种，具有传统汽车的运输能力。作为自动化载具，自动驾驶汽车不需要人为操作即能感测其环境及导航。完全的自动驾驶汽车仍未全面商用化，大多数均为原型机及展示系统，部分可靠技术才下放至量产车型，但有关于自驾车逐渐成为现实，已经引起了很多有关于道德的讨论 。

自动驾驶汽车的优点

​ 真正意义上的自动驾驶汽车出现在卡内基美隆大学推动的Navlab计划与ALV计划。但是直到21世纪，自动驾驶技术才开始迅猛发展。人们之所以研究自动驾驶车辆，是因为其存在在许多优势。具体如下：

1. 较少的交通事故，因为自动驾驶汽车不像人类驾驶一样只有有限的环境感知能力，而可以使用主动与被动感测器（如光学雷达与雷达）持续做大范围的感测（如可见光、红外线与超音波之类的声波等），具有360度视野，因此可以对潜存危机做出安全的反应，且其反应能较人类驾驶更为迅速。
2. 避免因为行车距离过近、分心驾驶及危险驾驶等人为因素而导致之交通事故。
3. 减少所需安全间隙，并且更好管理交通流量，进而增加道路通行能力，及减低交通壅塞。
4. 减轻车辆乘客驾驶与导航之工作。
5. 自动驾驶汽车能具有更高的车速限制。
6. 免除乘客状况之限制－在自动驾驶汽车里，不需在意乘客是否未足岁、过老、无驾照、眼盲、精神不济、酒醉等等。
7. 缓解停车位短缺的问题，因为汽车可以让乘客下车后，停到有足够停车位的场所，并在需要时返回搭载乘客。
8. 增加汽车共享，减少车辆总量，因为自动驾驶汽车可以在一处让乘客下车后，到另一处搭载另一位乘客。
9. 减少停车所需之物理空间。
10. 免除多余的乘客－自动驾驶汽车可以不需要有人在车上，自动行驶至所需之处所，如搭载乘客或进行维护。这对货车、计程车与汽车共享服务，尤其相关。]
11. 减少对交通警察的需求，以及汽车保险费用。
12. 减少实体的道路指示标志－自动驾驶汽车能以电子方式接收必要之通讯（虽然对人类驾驶来说，仍需要实体标志）。
13. 更平稳的行驶。
14. 因为车辆感测能力的提升，可减少车辆失窃。
15. 移除方向盘与其他驾驶界面，可节省座舱空间，并允许不需乘客坐在驾驶座的座舱设计。

核心问题

自动驾驶技术等级

​ 车辆的自动驾驶有着十分可观的前景，不过作为一个正在发展中的技术，在各个方面，其发展都存在着阻碍。在具体分析其研究的核心问题前，首先了解一下关于自动驾驶技术等级的划分：

​ 在美国，美国国家公路交通安全管理局（NHTSA）已提出正式的自动驾驶五等级分类系统（2016年版本）：

- 等级0：即无自动。驾驶随时掌握著车辆的所有机械、物理功能，仅配备警报装置等等无关主动驾驶的功能也算在内。

- 等级1：驾驶人操作车辆，但个别的装置有时能发挥作用，如电子稳定程式（ESP）或防锁死刹车系统（ABS）可以帮助行车安全。

- 等级2：驾驶人主要控制车辆，但系统阶调地自动化，使之明显减轻操作负担，例如主动式巡航定速（ACC）结合自动跟车和车道偏离警示，而自动紧急煞停系统（AEB）透过盲点侦测和汽车防撞系统的部分技术结合。

- 等级3：驾驶人需随时准备控制车辆，自动驾驶辅助控制期间，如在跟车时虽然可以暂时免于操作，但当汽车侦测到需要驾驶人的情形时，会立即回归让驾驶人接管其后续控制，驾驶必须接手因应系统无力处理的状况。

- 等级4：驾驶人可在条件允许下让车辆完整自驾，启动自动驾驶后，一般不必介入控制，此车可以按照设定之道路通则（如高速公路中，平顺的车流与标准化的路标、明显的提示线），自己执行包含转弯、换车道与加速等工作，除了严苛气候或道路模糊不清、意外，或是自动驾驶的路段已经结束等等，系统并提供驾驶人“足够宽裕之转换时间”，驾驶应监看车辆运作，但可包括有旁观下的无人停车功能。（有方向盘自动车）

- 等级5：驾驶人不必在车内，任何时刻都不会控制到车辆。此类车辆能自行启动驾驶装置，全程也不须开在设计好的路况，就可以执行所有与安全有关之重要功能，包括没有人在车上时的情形，完全不需受驾驶意志所控，可以自行决策。（无需方向盘自动车）

​ 这是根据国际自动机工程师学会（SAE International）依据这五个不同程度（从驾驶辅助至完全自动化系统）发布另一种分类系统而编修而成，设计理念是‘谁在做，做什么’的分类法。

​ 在国际上普遍以这一套标准为参考。现阶段大多自动驾驶技术都在level2 到level 3 之间。现阶段研究的阻碍主要分为两个方面，一个是在硬件方面，采用激光雷达这一方案的主要问题是激光雷达的成本过高，而高度依赖计算机视觉算法的解决方案面对的问题则是精确度不够高。

基于激光雷达的方案

​ 激光雷达的工作原理与雷达非常相近，以激光作为信号源，由激光器发射出的脉冲激光，打到地面的树木、道路、桥梁和建筑物上，引起散射，一部分光波会反射到激光雷达的接收器上，根据激光测距原理计算，就得到从激光雷达到目标点的距离，脉冲激光不断地扫描目标物，就可以得到目标物上全部目标点的数据，用此数据进行成像处理后，就可得到精确的三维立体图像。

​ 激光雷达与普通雷达相比有分辨率高，隐蔽性好、抗有源干扰能力强，低空探测性能好，体积小、质量轻。但由于传统激光雷达难以量产导致的高昂成本，现在人们开始在研发成本低廉的固态激光雷达。

​ 眼下，研究人员拿出了三种主要的固态激光雷达解决方案：

​ 第一种是基于微机电系统（MEMS），整套系统只需一个很小的反射镜就能引导固定的激光束射向不同方向。由于反射镜很小，因此其惯性力矩并不大，可以快速移动，速度快到可以在不到一秒时间里跟踪到 2D 扫描模式。

​ 现在研发 MEMS 激光雷达的主要有 Luminar 和 Innoviz 两家公司。此外，名为 Infineon 的激光雷达公司最近收购了 Innoluce，后者就是一家 MEMS 激光雷达新创公司。去年 10 月，国产激光雷达厂商速腾聚创公布了固态激光雷达 MEMS（微机电系统）和 OPA （相控阵）固态激光雷达最新研发进展。

​ MEMS 激光雷达的一大优势是传感器可以动态调整自己的扫描模式，以此来聚焦特殊物体，采集更远更小物体的细节信息并对其进行识别，这是传统机械激光雷达无法实现的。

​ 第二种激光雷达采用相控阵设计，它搭载的一排发射器可以通过调整信号的相对相位来改变激光束的发射方向。如果发射器同步发射激光，激光则会射向同一个方向。不过，如果左侧发射器相位处在右侧之后，激光则会发射向左边，向右发射同理。虽然原理简单易懂，但大多数相控阵激光雷达现在依然待在实验室里。Efficient Power Converter 公司 CEO Alex Lidow 表示：“我不得不说，相控阵激光雷达属于未来，现在我们还停留在旋转式或 MEMS 激光雷达的时代，前者更是处于统治地位。”

​ 说到相控阵激光雷达，就不得不提 Quanergy，这家新创公司是 Strobe 公司的关键技术顾问，而去年 10 月份，Strobe 被通用收归门下，因此通用可能也在攻关这项技术。

​ 第三种是 Flash LiDAR，它运行起来更像摄像头。激光束会直接向各个方向漫射，因此只要一次快闪就能照亮整个场景。随后，系统会利用微型传感器阵列采集不同方向反射回来的激光束。

​ Flah LiDAR 的一大优势是它能快速记录整个场景，避免了扫描过程中目标或激光雷达移动带来的各种麻烦。不过，这种方式也有自己的缺陷。

​ “像素越大，你要处理的信号就越多。将海量像素塞进光电探测器，必然会带来各种干扰，其结果就是精度的下降。”卡耐基梅隆大学机器人专家 Sanjiv Singh 解释。

#### 基于计算机视觉的方案

​ 关于计算机视觉算法方面，可以被分为非监督和监督算法.它们两者的区别在于学习的方式。

- 监督学习算法使用训练数据集学习，并且能够持续学习直到达到设定的置信水平（最小化出错概率）。监督学习算法分为回归、分类和异常检测以及数据降维。

- 无监督学习算法，则尝试挖掘有限数据的价值。这意味着，算法会在可用数据内建立关系，以检测模式或者将数据集分成子类（取决于之间的相似度）。从广义上，无监督算法可以可分为关联规则学习和聚类。

- 增强学习算法是另外一种机器学习算法，介于非监督学习和监督学习之间。对于所有训练的例子，监督学习中有目标标签，无监督学习中却完全没有标签。强化学习有延迟的、稀疏的标签——未来的奖励。

​ 根据这些奖励，智能体学习做出恰当行为。去理解算法的局限性和优点，开发更加高效的学习算法，是增强学习的目标。增强学习可以解决大量实际应用，从AI的问题到控制工程或操作研究——所有这些都与开发自动驾驶汽车相关。这可以被分为间接学习和直接学习。

​ 在独自动驾驶汽车上，机器学习算法的一个主要任务是持续渲染周围的环境，以及预测可能发生的变化。这些任务可以分为四个子任务：目标检测, 目标识别或分类, 目标定位,运动预测.

​ 机器学习算法可以简单地分为4类：决策矩阵算法、聚类算法、模式识别算法和回归算法。可以利用一类机器学习算法来完成两个以上的子任务。例如，回归算法能够用于物体定位和目标识别或者是运动预测。

​ 就整体而言，现阶段的机器视觉算法水平而难于达到肉眼的精度。离实际运用仍有一定距离。

未来预期

​ 关于自动驾驶的未来，根据现阶段的发展，可能会出现如下趋势：

趋势一：自动驾驶技术如能实现，将带来巨大的经济和客户价值

• 自动驾驶将提升个人安全系数，可减少90%以上的事故。

• 自动驾驶平均每天可为司机节约50分钟的时间。

• 自动驾驶可帮助不会驾驶的人（如残疾人及老年人等）实现自主出行。

• 与租赁或购买汽车相比，自动驾驶带来的新出行模式可以降低每公里的成本。

• 由于事故减少，堵车成本和医疗开支也相应降低。

趋势二：自动驾驶若能在中国落地生根，前景将十分广阔。

• 到2030年，自动驾驶将占到乘客总里程（PKMT）的约13%，到2040年将达到约66%。

• 到2030年，自动驾驶乘用车将达到约800万辆；到2040年，将达到约1350万辆。

• 到2030年，自动驾驶汽车总销售额将达到约2300亿美元，到2040年将达到约3600亿美元。

• 到2030年，基于自动驾驶的出行服务订单金额将达到约2600亿美元，到2040年将达到约9400亿美元。

趋势三：汽车数字化有利于成本下降，使得自动驾驶的大规模推广更易于实现。

​ 据预测，2025-2027年将是自动驾驶的拐点。基于对自动驾驶底层技术成本曲线的估算，此时将是自动驾驶与人力驾驶的经济平价点。换句话说，自动驾驶每公里的总成本将与司机驾驶传统汽车的成本大致持平。在此拐点之后，市场对自动驾驶的需求将稳步上升。

趋势四：自动驾驶的推广将和出行服务同步增长。

​ 中国正在快速推广出行服务。用于出行服务的车辆目前占中国汽车销售总额的10%左右。私人用车仍占主导地位。目前，90%的PKMT来自私人乘用车辆，其余的则来自出租车和车辆共乘等其他出行服务。麦肯锡预测，至2030年，出行服务提供商部署的自动驾驶车辆将占PKMT的11%，私人拥有的自动驾驶车辆将占2%。至2040年，出行服务提供商对PKMT的占比将占高达55%，私人拥有的自动驾驶车辆仅占11%

趋势五：中国消费者对自动驾驶兴趣浓厚。

​ 一项近期调研显示，49%的中国消费者认为全自动驾驶“非常重要”，另有49%的中国消费者认为它“可有可无”。这一结果与德国及美国消费者形成鲜明对比：仅16%的德国和美国消费者认为全自动驾驶“非常重要”，另有53%的德国和美国消费者认为它“可有可无”。中国消费者愿意为购买自动驾驶车辆支付高达4600美元的溢价，而美国和德国则分别为3900美元和2900美元。