“汽车为什么会自己跑？自动驾驶不神秘”

本篇文章4410字，读完约11分钟

【领域频道】什么样的车自己行驶？ 当然是无人车！

但是，在实现真正的无人驾驶之前，有一个更广泛的概念——自动驾驶。 相信大家也听说过，自动驾驶按等级划分，应用最广泛的是sae国际汽车工程师协会制定的，将自动驾驶分为l0-l5六个等级。

l0当然没有自动驾驶功能，自动驾驶水平从l1到l5依次上升。 请看这张图。 我对自动驾驶分级有大致的了解。

那只有l5能叫无人驾驶吗？ 不是的，低一点级别的自动驾驶应用程序即使是有点特殊的场景，其实完全没有人的介入也没关系。 例如，现在已经在少量道路上的外卖、快递配送车； 港口、矿山内的无人搬运车用地内的有人观光无人车和微型巴士等。

但是，我们谈论的最多的其实是能够在开放式道路上行驶的自动驾驶车。

需要注意的是，目前国内上路的所有自动驾驶车包括特斯拉在内仍然是l2级，驾驶主体是人。 发生交通事故时负责的也是驾驶员本人。

奥迪a8等据说实现了l3级自动驾驶的量产车，现在在国内不开放该功能的同时，大部分市场都不开放。

首要原因是法律法规的限制。 因为等级l3一旦实现，在特定的场景下驾驶主体将变为车，事故发生的责任的定义需要通过更多庞杂的法律法规来完善。 所以，现在采用自动驾驶功能时，必须保持观察力。

让我们把这些弄清楚，看看自动驾驶车是如何工作的。

现在想想我们是怎么开车的吧。 首先仔细观察周围的道路状况，评价是转弯、加速还是停止，控制方向盘、刹车、油门。

应对自动驾驶车的方法是决定感知-计划-控制。

感知分为环境感知和车辆运动，一个是了解周围的环境，另一个是了解自己的状态。

如果是现在等级l2这样的低等级自动驾驶，还需要驾驶员的监控。

/ S2/&巴尔； 驾驶员监测

驾驶员的监控很容易理解，车内的摄像头可以监控驾驶员是否犯困没有睡觉，是否长期解决了别的事件。

方向盘上的生物电传感器还可以监视司机是否握着方向盘，并能感知司机的状态和感情。 但是，有些车监控着方向盘的扭矩。

/ S2/&巴尔； 车辆运动

感知车辆的移动是要知道你在哪里。 最基础的当然是gps全球定位系统，当然也包括北斗系统。

但是，卫星信号在隧道、大楼之间、树荫下也有可能断开，所以为了在短时间内持续评估你的位置，需要惯性导航。

惯性制导是用车辆的加速度来评价车辆的速度、偏航角等新闻，对应导航坐标系实现定位，所以不需要依赖外界的信号，但持续时间和精度有限。 特别是大量生产的车，是价格受到限制的惯导系统。

另外，自动驾驶车需要速度传感器和角传感器等，以感知车辆当前的运动状态。

/ S2/&巴尔； 照相机

在感知系统中，对环境的感知比较多且复杂。 虽然对环境的感知需要传感器，但是最容易思考的当然是与人眼最相似的照相机。

但是，这并不是人眼能够更快地变焦和旋转，目前的技术无法应对车载摄像机的频繁变焦和由此生成的大量数据。 所以车载摄像机的焦点是固定的，所以可以注意的视距受到了限制。

再加一个摄像头，让他的视距更远，这就是双目摄像头。 一个人有责任广泛看待，一个人有责任远远看待。 另外，还可以通过像人眼一样有间隔的两个摄像机的图形差分值，更好地评价距离。

但是，双目摄像机需要重叠两组图像以便系统能够识别，需要专用的校准。 但是，热胀冷缩等影响了标定的精度，给后期的融合带来了麻烦。

同样地，3只眼睛的摄像机可以覆盖3个不同的视距，但校准也变得更加麻烦。

不仅要向前看，高级自动驾驶车还需要看侧面和后面，为此车体周围需要增加摄像头。

照相机的特点可以看到越来越多的细节，如车道线、信号灯、刹车灯等。 但是评价距离的精度很差，雾、雨雪、逆光、夜晚等都会影响他的识别。 这需要雷达。

/ S2/&巴尔； 毫米波雷达

我们平时用的倒车雷达是超声波雷达，能发出声波，只能到达音速。 超声波雷达虽然体积小、价格低，但探测精度差、范围小，同时在高速运动时的影响力，在自动驾驶中应用并不多。

应用较多的是毫米波雷达，发出电磁波，以光速传播。 主要的毫米波雷达有24ghz和77ghz两种。

24ghz频率低、带宽窄、精度相对较低，主要用于盲点监测、自动停车等。

另一方面，77ghz的精度非常高，在能够更准确地检测距离的同时，天气等对他的影响很小。 通过与照相机融合，可以很好地认识环境。

但是，毫米波雷达能够感知距离，以正确的方法感知物体的具体形状，或者前方两个体的间隔等，检测到的噪声也很多。 例如，在没有空的道路上，细小的起伏和路面的粒子等也会成为反射干扰毫米波雷达的评价。

/ S2/&巴尔； 激光雷达

雷达能很好地处理这些问题，他的精度能达到厘米级。

激光雷达上的各激光发生器代表一线，常用的机械旋转式激光雷达有10线、64线、128线等。

激光雷达每次发射光线都集中在周围环境的一点具体位置，每转一周，周边环境360°； 生成的点云。 由此，可以生成越来越详细的立体空之间。 通过与摄像头拍摄的图形融合，可以生成有颜色、有细节、有具体位置的周边环境。 不仅可以用于自动驾驶汽车，还可以用于高精度地图的绘制。

我知道光也是波。 最常用的激光雷达有波长905nm和1550nm两种。

硅可以吸收905nm波长的光子，但1550nm的接收机需要使用铟砷化镓，因此905nm的激光雷达更便宜。

但是，905nm的波长接近可见光，需要限制功率，以免意外伤害人眼，检测距离也因此受到限制。 1550nm可以用更高的功率检测更远的距离。

但是激光雷达也有很多限制:

首先是价格。 因此，原激光雷达只用于测绘、军事等少数行业，精度要求高，产量诉求低，因此价格非常高。 许多自动驾驶测试小组购买的激光雷达很快就会变成几十万到几百万。

另外，因为以前传来的激光雷达非常重，需要感知周围环境的选项。 所以需要安装在屋顶上，但这样沉重的设备会影响车辆的重心、抗风等的影响力。 如果发生碰撞，这种重型设备带来的风险也非常大。

但是，如果自动驾驶形成产业，我相信激光雷达的价格和重量是可以很好地控制的。

以前流传下来的旋转式激光雷达需要不断旋转，因此机械损耗和故障是不可避免的。 目前出现了棱镜激光雷达、固体激光雷达、相控阵激光雷达等多种方案，有些是满足车的规格级要求量产的，而奥迪全新的a8车型则配备了量产车的规格级激光雷达。

棱镜激光雷达以电磁波控制许多棱镜的立场反射激光实现点云覆盖，而电磁波控制则是棱镜在较大的晃动中位移容易影响精度； 虽然单纯面向一侧的固体激光雷达不需要机械工作，就像用激光拍照一样，但现在的探测距离很短。相控阵激光雷达根据衍射光栅的原理偏转激光进行扫描，但技术的成熟度和价格仍然受到限制。

正如我们在物理教科书中所学到的，长波可以绕过障碍物，短波容易反射。 波长较短的激光在遇到雾、雾霾、雨雪天气等天气时，雨雾、雾霾粒子会反射激光，从而禁用激光雷达。 相反，波长较长的毫米波不受影响。

相对于摄像机，激光雷达无法识别颜色，无法识别信号、车道线等。

/ S2/&巴尔； 数据融合

因此，通过一个模块融合三个数据，可以生成比较完善的周围环境的具体状态。

因为车在动，环境中的物体也在动，所以为了明确环境的实时状态，需要对每组数据标记准确的时间戳。 为此，需要更多复杂的算法。

但3个传感器的方案也不是绝对的，比如特斯拉只重复应用摄像头+毫米波雷达，实现了更高级的自动驾驶。 马斯克主张只要升级算法，就可以完全自动驾驶。 理论上该方案确实可行，但目前的人工智能水平还没有达到。

在感知层面上，还有传感器根据高精度地图、高精度定位增加v2x的其他途径，这将在后面叙述。

/ S2/&巴尔； 视觉算法

以上，只是通过所见所闻的要求，让车辆知道又是一个难题。

车是机器，车的ai也是机器。 ai人工智能进行数学运算，怎么让ai弄清楚道路上的各种东西？

简单来说，就是识别物体的特征，将这些特征转换成ai能够理解的数字信号进行比对。

例如要让ai认识金毛，可以告诉ai金毛是褐色的，但ai把秋田、狐狸、书包、沙滩或者别的奇怪的东西当作金毛。

那个输入有越来越多的特征吗？ ai可能把泰迪熊和饼干做成金毛……。

有更好的方法吗？ 有！ 可以向ai展示100张、1000张，甚至越来越多的金毛照片，让他自己认识特征。 这是机器学习的基本原理。

由此，新的职业数据标记负责人也诞生了。 就是给图像加上各种各样的标签，用于ai学习。

理论上海量的数据可以让视觉算法识别路上的所有东西，实现完全的自动驾驶，但是目前的技术还没有达到。 同时受到芯片计算力的限制，ai需要对识别出的物体简化方便的运算。

比如我们看到的细节丰富的十字路口，特斯拉现在最新的算法，也需要如下图简化理解。

这也是越是高度的自动驾驶，对计算能力的要求也越高的重要理由。

了解周围的环境，也了解自己的状态，下一步要决定怎么走。

例如，在最简单的车道维护中，ai将车道简化为一个点来决定。 进入弯道时，如果车辆认为右边的点太近，则向左拐。 左边太近了，往右拐。 这么晃来晃去，没人想坐这样的车。

这需要对算法进行优化。 例如，如果将连接两点的直线换算成平滑的曲线，转向装置带来的加速度就会变小，经过更多繁杂的优化，车可以沿着车道画出平滑的弧。

同样地，刹车油门的控制也进行了优化，不像新手司机那样紧急加速紧急刹车，也能进行更拟人的动作。 这还是基本的部分。

评估遇到前方慢车需要减速、变更车道超车、相邻车道是否有足够的安全间隔、后方车辆是否快速接近，以决定变更行进路线的安全性。

在混乱的障碍物之间，如何找到最短且畅通的路径通过呢？ 当然，也有必须遵守的规则等。

这些是决定计划的难点。

这些行为的背后有一行代码

/ S2/&巴尔； 自动运行芯片

运算代码需要芯片。

现在测试的自动驾驶车辆大多数实际上使用的是通用的gpu等芯片。 测试中的自动驾驶车辆，很多情况下计算单元可以塞满整个行李箱。

但是，算法明确后，可以开发专用芯片，在占有的空期间可以对汽车无视而不进行计数。

自动驾驶对性能和计算能力要求较高，更先进的制造技术可以实现更好的性能，但车辆芯片必须满足车规水平的要求。

车的限制水平要求简单来说，需要满足远远高于手机等昂贵的电子产品的防水、防尘、防振、高低温防止等性能。 例如最低-40℃、最高80℃，同时在最低温下直接切换到最高温也没有问题。

而且，要满足性能和车的规定水平的要求，价格很难控制！

因此，一般会降低制作精度，优先考虑安全，进行2系统的冗余设计。 例如，如果一个芯片出现问题，另一个芯片将立即无缝接管业务，出现问题的芯片将通过自检重新启动，但乘员无法感知。

我看到手机前已经大量采用了7nm制，5nm制也开始采用了。 但是，车用芯片可能还在24至48纳米之间制造。 这并不奇怪。

同样地，许多手机等电子产品已经被采用，有些过时的技术，刚刚被汽车采用，其实已经取得了很大的进步。

感知到了，决定了计划。 就好像我们在开车的时候看清了道路状况，决定了下一个操作方法一样。 其次转动方向盘，踩油门、刹车是关键。

自动驾驶车的ai不是物理机器人，想要完成车辆的控制就不能进行物理操作。

这需要车辆有线控系统。 简单来说，我们以前传来的方向盘、油门、刹车是物理按钮，线控是虚拟触摸按钮，对车辆的操作是电信号，不是物理传递。

目前，大多数车辆没有线控系统。 就像无限q50的线控转向机一样，即使有安全考虑，也会有物理传导备份。 目前，汽车中物理传递被大幅取消的主要是换挡机构(电子手柄等)和手刹)电子手刹、auto hold等)。 传说因此巡航不能取消，踩刹车也没有反应的事情是不存在的。

如果有线控装置，也需要对应的控制算法。 控制是自动驾驶中非常重要、困难但比较成熟的技术，目前主流有pid (积分微分控制)、LQR ( MPC )模型预测控制)几个成熟的方案，这里对算法不多做论述。

只有具备感知-规划决策-控制能力，一辆车才能具备自动驾驶能力。 但是，能实现什么程度的自动驾驶水平，还取决于各技术的先进程度。

虽然感知传感器可以重叠，可以制造大量的冗余，但是物理限制依然存在的ai算法可以通过大量的测试和大量的数据进行深度学习，但是目前ai人工智能还是有很大的进步空之间

虽然自行车自动驾驶水平的提高还需要突破很多限制，但外部力量也能使他进步得更快。

/ S2/&巴尔； 高精度图

我们开车在日常上班下班熟悉的路线上开车更好，在陌生的地区要小心。

如何让自动驾驶车也能像老司机一样习惯道路？ 答案是高精度地图。

我们现在用的导航变得很方便了。 有确定的路线指引和实时堵车情况等。 但是，你曾经走错车道错过了十字路口吗？ 高精度地图的差异就在这里，可以正确把握车道和路面的虚线实线等。

通过计算制动器的距离、系统的反应时间等，可以确保当前自动驾驶车(轿车)的感知距离达到150m时的安全。

当然这是对障碍物的感知，对道路的感知其实更短。 通过高精度的地图，自动驾驶车可以事先掌握感知范围外的道路状况，事先规划路线。

目前，也有利用道路上行驶的自动驾驶车的感知传感器实时进入道路数据的技术路线。 通过这种众包的方法，得到了越来越多的路段高精度地图，效率更高，也得到了各条道路的实时高精度路况。

但是，目前这个方案在我国还不能实行。 由于准确的地图数据也关系到国家安全，所以包括中国在内的很多国家对地图的收集绘制都有严格的限制。

进行地图数据的收集、测绘必须具备相应的国家测绘资格。 目前，国内收集的地图数据无法通过互联网传输。 必须将数据留在硬盘上，由相关机构进行不可逆的偏离加密。

目前我们采用的导航地图，有些路段实际上可能有几米的位置偏移，但这显然不适用于高精度地图。

幸运的是，我国非常支持自动驾驶和高精度地图等，百度、高德等图商的高精度地图纷纷落地。 未来和小鹏的高速导航功能分别利用百度和高德的高精度地图实现。

/ S2/&巴尔； v2x

前文谈到感知时，他说，人开车不仅需要眼睛，也需要耳朵。 但是，自动驾驶车的感知传感器没有收音的相关设备。 为什么？

开车的时候最听什么？ 周边车辆的喇叭、救护车、消防车、警车等的警笛等。 也就是说，其他车和你之间的交流。

与特殊车辆相比，当然可以通过视觉识别并回避，但是似乎没有提到自动驾驶车与其他车辆的交流。

其实，有比鸣响警笛更有效的交流方法。 不仅仅是其他车。 这就是v2x。

在自行车智能实现l4级、l5级自动驾驶的软硬件条件遇到瓶颈的情况下，中国将出现车与车( v2v )、车与路) v2i )、车与人) v2p )、车与云) v2n )等新闻的

以前，也有很多团队想要快速发展v2x技术，如通过wifi信号等进行信息表达等，但是通信延迟和带宽存在瓶颈，高速移动的汽车也不稳定。

5g落地为v2x开门，低延迟高带宽，且能很好地应对高速移动。 5g的应用上了年纪不仅是自动驾驶，但似乎天生就是自动驾驶汽车道路协同准备的大手。

普通道路(包括信号灯、交通标志&hellip )； &hellip； 在中，安装了全套智能路边设备( rsu、激光雷达、毫米波雷达、相机、mec、5g cpe以及智能锥筒&hellip； &hellip； ，在5g的加拿大下车连接v2x平台后可以大显身手。

方向盘的轨迹、位置、速度等新闻指路； 路边通过多维度的感知和协同计算，将相关的碰撞新闻、警告新闻等副本传递给车上。

目前，杭州萧山区已建成中国第一条连接绍兴、宁波两地的超高速公路，也是国内第一条开通自动驾驶专用道设计的高速杭绍甬智惠高速公路。 融合汽车道路合作、云控制平台、5g通信互联网等新技术，可以实现车道级自主管控、自动派单救援、恶劣环境智能引导报警、交通服务新闻定制推送等。

自动驾驶还处于快速发展的初期阶段，许多技术初步成型，但技术细节和未来方向还有很多不明确之处。 这是因为无论是相关的专业论文还是领域内的人员和公司都有可能出现评价错误。 关于正文，当然有很多浅薄和疏漏，但请原谅。 但是，自动驾驶已经成为一种很有潜力的快速发展趋势，我只是希望通过简单的文案对自动驾驶有一个基本的认识。

目前，自动驾驶存在着单车智能与车道协同的路线之争，特斯拉、谷歌等海外企业品牌以单车智能为第一着力点，但中国坚定地走上了车道协同的路线。

车路协同需要巨大的基础设施投资，这就是被称为基础设施狂热的中国最擅长的行业。 据悉，快速发展汽车道路协同将影响公司提高自行车智能的动力和精力，在相关基础设施尚未覆盖的地区，特别是海外市场，竞争力将受到损害。

作为公司，无法推进这样大规模的基础设施建设，特斯拉和谷歌等自然选择了自行车智能的路线。 但是，公路协同快速发展的不仅仅是智慧之路，更是智慧之城，更是未来万物互联互通的基础。

正如100年前无法想象现在的轿车糟糕的通过性有什么价值一样，现在行驶的高速公路网也是100年前无法想象的奇迹。 汽车道路协同有巨大的市场，也涉及许多技术标准，能够率先实现领先，出口标准，将成为中国崛起的重要一步。 (文:郭睿) )。