Part 2
——人工智能系列研究之無人駕駛深度研究
一、無人駕駛汽車：輪式智能機器人，眼疾腦快是核心
二、識別技術和深度學習算法的突破使無人駕駛成為可能
智能感知：傳感器技術和模式識別技術突破瓶頸
駕駛腦：深度學習算法讓“駕駛腦”成為信得過的“老司機”
高精地圖：夜空中最亮的星
三、無人駕駛技術將是人類社會一次重大的變革
四、無人駕駛的產業化路線——商用車先于乘用車、雙駕雙控過度到無人駕駛
五、重點上市公司分析
智能汽車作為一個機器人系統，所涉及到的機器人技術主要有感知（perception）、路徑規劃（planning）和控制（control）三大塊內容。無人駕駛技術可抽象為“環境探測-自動決 策-控制響應”，其發展主要依賴于三方面技術的成熟：智能感知技術是前提，智能決策和控制技術是核心，高精度地圖及智能交通設施等是重要支撐。
以一種易于理解的方式看待無人駕駛技術：試想一個駕駛員在駕駛過程中的作用：
1、眼看耳聽大腦想：駕駛過程中，司機不斷觀察（1）行人、行車；（2）交通指示；并思考這些信息的含義。
2、根據所獲取信息對車輛實施控制：根據所觀察到的信息，根據交通規則、導航、周圍行人和行車狀況，決定駕駛動作。
3、適當的導航。
4、通過手和腳實現駕駛反饋。
接著，我們可以思考如何用人工智能的技術取代司機的功能：
1、智能的探測器并識別信息的含義：激光雷達（可以判斷較遠物體的相對距離）、毫米波雷達（能監測較近距離障礙物）、攝像頭（獲取交通指示牌、車道線）。
2、能夠理解交通情況并作出判斷的“駕駛腦”：在獲取了交通狀況之后，還要試圖理解車輛所處的情況并作出判斷。
3、導航：高精度地圖。
4、通過控制器實現駕駛反饋。
通過以上的分析，自動駕駛包括 4 大模塊（高精度地圖、感知、定位、智能決策與控制），底層為高精度地圖、中間層為感知、定位，最高層為智能決策與控制。
>>>（一）智能感知：傳感器技術和模式識別技術突破瓶頸
智能識別及決策技術就想智能汽車的中樞神經，是自動駕駛技術成熟的核心及瓶頸。為實現自動駕駛，必須得先完成智能識別及決策系統的安全可靠性檢測。目前，計算機系統決策已經存在成熟的模型，但模型輸出結果的準確性極大程度上決定于系統參數及閾值的設定。過去，參數及閾值設定基本基于統計學結果，往往不可避免存在誤差；而在大數據時代，更具廣度和深度的數據統計能帶來更為精確的結果，但需依靠人工智能來實現。
傳感器所感知到的信息池需要通過適當的模式識別技術來映射到真實環境，從而達到感知環境的目的。模式識別的兩個重要方面：光學信息識別和聲學信息識別。對應到自動駕駛中，光學信息識別包括對路況、行人等做出的判斷；聲學信息識別在與實現車與車之間的智能溝通。例如：在駕車過程中，駕駛員通過觀察前方就能輕易分辨出車道線的信息。若智能汽車需獲取車道線信息，首先需要通過攝像頭獲取道路影像，但其本身并不具備映射到真實環境的物理含義。只有通過適當的算法從影像資料中提取能反映車道線的影像部分，并進行映射。不同的傳感器由于環境感知原理的差異，識別算法上也存在著不同。
智能識別及決策技術是連接環境感知和智能控制的橋梁。基于感知識別到的分類信息，判斷行駛的外部環境狀況及車輛狀態，進而做出行車決策，并將命令傳達至汽車智能控制系統， 以實現自動駕駛動作。該技術要解決的核心問題便是完成駕駛行為的規劃：不同行為之間保持相對獨立；同時，行為間切換需能實現平滑過渡。智能識別及決策技術的實現方式主要為將決策算法植入集成芯片，如視覺識別技術龍頭以色列企業 Mobileye 的核心技術之一就是基于感知信息分析和識別，提供算法進行行駛決策智能預判。
除了激光雷達（避障），還有有毫米波雷達（探測）、GPS（定位）、里程計（定位）、陀螺儀（定位）、視覺系統（檢測、避障）、數傳電臺（監控）等等。就不說很多小細節的進步了，但是上述的傳感器都是必須的，所以無人車的第一個難點是傳感器。
1、基于 LiDAR（激光雷達測量）的感知系統。
Google 上用到的 LIDAR，LIDAR 被認為是用在無人駕駛汽車上最佳的技術，因為精度高并 且可以使汽車在地圖上面準確地定位。谷歌使用的 Velodyne HDL-64E Lidar，即 Velodyne 公司 64 線激光雷達是目前世界上最先進，體積最小，單位能量密度最高，采集數據最豐富的專業激光傳感器。 集成了 64 束激光發射器和 64 個激光接收器。360 度的旋轉，最高 15Hz 的轉動頻率， 每周 4000 個點的采集頻率，HDL-64E 采用創新的激光陣列技術，相比較其它導航和繪圖傳感器， 系統可達到 2°到-24.8°的垂直視場角。專利技術的旋轉頭設計，在水平 360°視場角內持續旋轉。它每秒可輸出高達 1.333 百萬個測量點，測量范圍可達 120m。
圖 17：出于安全性考慮，谷歌和百度均選擇了效果最佳、價格最貴的 64 線激光雷達
激光雷達能夠即時構建周圍 100 米左右的三維模型，相當于無人駕駛汽車的眼。圖 18 里的 三維場景雖然足夠密和詳盡，但是汽車本身并不知道場景的表示和涵義。也就是說，它僅僅知道有物體在某個位置，但物體究竟是建筑？還是樹木？還是路標？僅僅通過這個圖還并不知道。 算法需要通過視覺信息檢測到動態物體，包括汽車、人、自行車等。
圖 18：LiDAR 實時構建的三維模型
圖 19：“駕駛腦”計算機對三維模型進行建模分析
2、基于相機/雷達的感知系統。
Mobileye 作為全球計算機視覺技術和 ADAS 系統開發的龍頭，代表著智能感知識別領域的技術前沿。其產品能實現諸如前碰撞預警（FCW）、行人探測與防撞預警（PCW）、車道保持及危險預警（HMW）等功能。同時，公司主張的單目攝像頭-單芯片的感知識別模式，具有低成本和易集成等優勢；但在遠距離測距和橫向視野方面存在不足。其在視覺算法市場中的占有率接近壟斷地位，超過 90%。
2016CES 上， 通用汽車公司宣布其將與智能行車技術公司 Mobileye 合作，使用眾包方式，建立高精度的持續更新地圖。在一個比人類視角更廣、精度更高的情境下，自動駕駛也將會更安全。大眾汽車將與圖像自動化處理領域的技術引領者——Mobileye 建立戰略合作關系。為此， 雙方在 CES 上簽署了一份意向書，合資公司的研發重點是基于攝像頭的實時圖像處理技術。同時，該技術以及高精度數字化地圖是實現自動駕駛的關鍵所在。
圖 20：Mobileye 攝像頭的功能示例
3、毫米波雷達：測距
毫米波它波長是 10 毫米到 1 毫米，頻段 30-300GHz，毫米波穿透力非常強，這種媒介它用在車輛上做傳感器非常適合，主要的應用場景就是測量距離，探測無人車周邊的環境。尤其車載傳感器對于全天候適應性的要求的時候，毫米波頻段是比較適合的。這也是為什么在車載傳感器里面，除了視頻、紅外以及激光之外，毫米波雷達在自動駕駛和無人駕駛里面是必不可少的傳感器，這個是一個非常主要的原因。
>>>>（二）駕駛腦：深度學習算法讓“駕駛腦”成為信得過的“老司機”
深度學習云平臺讓每一個新上路的“新駕駛腦”都像“老司機”那樣，擁有豐富的駕駛經驗。谷歌現在約擁有 50 量無人車，累計行駛里程已經超過 160 萬公里，每一量無人車行駛過 程中遇到各式各樣的交通情景和突發狀況將產生大量的數據，這些大數據被傳回云平臺用作深度學習的訓練樣本，經過大量樣本訓練學習的“駕駛腦”，不僅僅獲得了自身行駛的駕駛經驗， 同時也獲得了其他車輛的“學習、訓練成果”，隨著樣本訓練的不斷增加，“駕駛腦”的駕駛技術將呈現級數式的增長，就像人類中的“老司機”一樣令人放心，更令人興奮的是，每一輛剛上路的“新手”都是一位有著百萬公里駕駛經驗的“老司機”，這一學習、分享、復制的方式，將大幅度提升無人駕駛技術的進步，同時提高無人駕駛汽車的安全性。
圖 21：深度學習算法通過多層迭代通過特征抽象進行模式識別的學習
智能控制技術就好比智能汽車的運動中樞神經，是自動駕駛技術發展的核心之一。依據智能識別及決策系統傳達的行車命令，智能控制系統執行自動駕駛。智能控制技術的實現主要依靠汽車電控組件，包括電子穩定控制系統 ESP、輔助駕駛系統 ADAS 等，其基礎技術已較為成熟，國內外已有非常好的諸如英飛凌等供應商，能協助車廠實現相關功能。全球領先半導體供 應商英飛凌聚焦駕駛智能化。英飛凌 AURIX 微控制器具有優良的實時處理性能、嵌入式安全功能和最高靈活性，是整個車內網絡架構的信任錨，能夠支持自動駕駛汽車內的不同高級駕駛輔助系統?；谠摦a品，英飛凌與伊萊比特、NVIDIA 合作研發同類中首款自動駕駛平臺。同 時，英飛凌基于其 3D 圖像傳感器芯片與科世達合作推出了攝像頭駕駛員輔助系統，是實現汽車自動駕駛的重要里程碑。公司生產的 SPT9 是用于汽車電子的高度集成系統解決方案，應用領域廣泛，比如汽車電動機的智能控制、電動車窗升降器、雨刷、天窗、電動座椅和風機/鼓風機控制、油泵和水泵、安全氣囊、音響功放等。
芯片巨人 NVIDIA 推出了新一代針對自動駕駛開發的深度學習的車載超級電腦——DRIVE PX 2；Drive PX2 可以用作自動駕駛汽車的超級大腦，以深度學習算法來加強車輛的感知能力，識別出車輛行駛環境周圍的其他所有物體，包括行人、車輛、路標、車道線、建筑設施等等，對車輛各類傳感器收集到的數據進行處理與分析，進而進行判斷，再做出決策?？傆?12 個 CPU， 每秒能夠進行 24 萬億次深度學習的運算。為了適應車上的工作環境，配有水冷裝置，最高工作溫度可達到 80℃。Drive PX2 能夠最多對接車輛上 12 個視頻攝像頭，外加激光雷達傳感器、 雷達傳感器以及超聲波傳感器。
圖 22：英偉達的云端-車端深度學習平臺構想
圖 23 ：PX 2 與可樂瓶大小相仿，計算能力相當 150 臺 MacBook pro
當前，智能控制技術難點在于：如何與決策系統更好地連接從而提高控制的精確度。在大數據和云計算時代，智能控制技術需依托深度學習，才能實現自動駕駛所要求的安全性和精確度。深度學習是人工智能的一門學科，是通過計算機算法在機器上模擬神經網絡，讓機器具備學習的能力。百度 IDL 不但是百度的第一個基礎技術研發部門，事實上，也是中國第一家從事深度學習的研發機構。百度欲憑借自家強大的地理信息服務、云計算能力和人工智能服務，旨在為汽車打造“百度大腦”。但要實現汽車的自動駕駛，就得讓車輛安全高效且舒適精確地控制自己；而整車廠在車輛控制上具有得天獨厚的優勢。因此，百度要和寶馬進行合作。寶馬向 百度開放車輛的底層控制接口，并傳授相應的車輛控制指令。
圖 24：百度無人駕駛車的控制單元
>>>>（三）高精地圖：夜空中最亮的星
作為自動駕駛發展成熟的重要支撐，高精度、全信息地圖是不可或缺的。進行超出傳感器感知范圍及能力的駕駛行為時，則必須依靠高精度地圖。目前地圖提供信息的精細程度是無法滿足自動駕駛在準確性和安全性方面的要求。當前普通地圖導航能實現的精確度以 m 為計量，而自動駕駛 所要求的高精地圖需達到 cm 級的精確度（10-20cm）。且高精地圖在道路數據采集的量級上也更大。 自動駕駛用地圖不僅要實現較高的精度，還要包含全面的交通指示和限制的信息，如：車道限制的 精確高度、車道線的位置、下水道口、障礙物以及在日常道路上能看到的每一個細節。
諾基亞 HERE 地圖是全球范圍內領先的高精地圖服務提供商。在過去的 15 個月中，HERE 已在 6 大洲，30 個國家利用 400 輛測繪車完成約 2 百萬公里（120 萬英里）的高精度道路數據繪制，且數據庫仍在持續擴充。為了實現 10-20 厘米的地圖精度，HERE 地圖應用 LiDAR 技術獲取數十億的三維點云數據以建立路面模型，既包括車道數量和寬度等基本信息，也涵蓋道路坡度和斜率，車道 標記，以及路標等細節。目前，HERE 地圖已為美國的硅谷地區和密歇根州，以及法國和德國的部 分地區的特定公路提供高精度地圖數據。
圖 25：Here 高精度地圖示例
各方力量積極布局高精度地圖，爆發前夜跑馬圈地。目前高精度地圖的技術路線大約有兩大技術路線：一是，谷歌和德系三強收購 Here 的激光雷達移動測量車的路線，他們使用激光雷達和攝像頭獲取點云數據，進而建模分類得到高精度地圖。另一技術路線是，通用、大眾聯手 Mobileye 布局眾包地圖，還有豐田推出的高精度地圖采集系統，主要通過車輛的攝像頭 GPS、豐田自主開發的軟件以及云端。目前，大多數高精度地圖需要使用激光雷達。激光雷達雖然精度很高，但非常貴， 只有在收集到數據后對其進行標記才能使用。由于高精度地圖測繪成本很高，所以高精地圖不能頻繁更新數據，其實用性下降。如果每輛車都能收集數據，即使精度不如 LIDAR，那么也能夠降低成本，增加數據量。目前高精地圖測繪依靠 LIDAR 的測繪車，如果普通的車會通過攝像頭，捕捉限速標志、車道線等道路信息。所有收集到的數據，都會通過豐田「自動云端空間信息生成技術」來處理。通過處理所有車輛上傳的地圖數據，就能夠得到整體上精度較高的地圖。
圖 26：here 的激光雷達采集車
圖 27：通過眾包云平臺的方式制作高精度地圖
TomTom 與德國汽車供應商博世集團合作發力，共同研發適用于高度自動化駕駛的高精度地圖。合作協議顯示：TomTom 將負責地圖設計，博世則基于其在系統工程方面的技術經驗，制定地圖設計及繪制的規范要求，提高精確度，并且使其能無縫處理汽車傳感器采集的數據。
圖 28：實時地圖更新流程
國內的上市公司四維圖新、高德導航正大力研發高精度地圖，且有前裝導航地圖 65%-70%的市場份額優勢。中海達擁有移動激光測量技術，是高精度地圖的基礎。四維圖新是中國領先的數字地圖內容、動態交通信息服務及基于位置的大數據垂直應用服務提供商，與寶馬、大眾、奔馳、通用、沃爾沃、福特、上汽、豐田、日產、現代、標致等主流車廠建立合作，領航中國前裝車載導航市場 13 年。目前，公司借助自主研發的專屬于 HAD 地圖二、三維編輯平臺，提供絕對精度達到 20 厘米的高精度地圖。
圖 29：中海達搭載移動激光掃描的測量車
下期，將帶來該報告第三部分：
無人駕駛技術將是人類社會一次重大的變革
出行更經濟、交通更高效、出行更安全
無人駕駛將推動法規、交通指示、保險對自動駕駛的適應
自動駕駛將車輛共享推向更高層次
▼ 掃描下方二維碼，查看更多內容&報告資料。 如需下載，請聯系我們！
自動駕駛是“26維自媒體聯盟”的成員，長期為讀者提供自動駕駛、車聯網、無人車等領域的發展趨勢、業內分析、行業動態、調查報告
自動駕駛
