二、自動(dòng)駕駛軟件

感知：感知模塊分析原始傳感器數(shù)據(jù)，輸出自動(dòng)駕駛汽車(chē)所處于的環(huán)境理解。這個(gè)過(guò)程類(lèi)似于人類(lèi)的視覺(jué)認(rèn)知。感知模塊主要包括對(duì)象（自由空間、車(chē)道、車(chē)輛、行人、道路損壞等）檢測(cè)與跟蹤、三維世界重建（利用運(yùn)動(dòng)結(jié)構(gòu)、立體視覺(jué)等）等。最先進(jìn)的感知技術(shù)可以分為兩大類(lèi)：基于計(jì)算機(jī)視覺(jué)和基于機(jī)器學(xué)習(xí)。前者一般通過(guò)顯式射影幾何模型來(lái)解決視覺(jué)感知問(wèn)題，并使用最優(yōu)化方法尋找最佳解�；�于機(jī)器學(xué)習(xí)的技術(shù)通過(guò)使用數(shù)據(jù)驅(qū)動(dòng)的分類(lèi)／回歸模型（如卷積神經(jīng)網(wǎng)絡(luò)）來(lái)學(xué)習(xí)給定感知問(wèn)題的最佳解決方案。SegNet和UNet在語(yǔ)義圖像分割和對(duì)象分類(lèi)方面取得優(yōu)秀的成績(jī)。這種神經(jīng)網(wǎng)絡(luò)具有極高的易用性，可以很容易地用于其他類(lèi)似的感知任務(wù)，如遷移學(xué)習(xí)。多傳感器信息融合的感知可以產(chǎn)生更好的理解結(jié)果。

定位和地圖：利用傳感器數(shù)據(jù)和感知輸出，本地化映射模塊不僅可以估計(jì)自動(dòng)駕駛汽車(chē)位置，還可以構(gòu)建和更新三維世界地圖。自從同步定位和地圖（SLAM）的概念在1986年引入以來(lái)，就得到了業(yè)內(nèi)人士的普遍關(guān)注。最先進(jìn)的SLAM系統(tǒng)通常分為基于過(guò)濾器的SLAM和基于優(yōu)化的SLAM。基于過(guò)濾的SLAM系統(tǒng)是由貝葉斯濾波得到的，通常通過(guò)增量集成傳感器數(shù)據(jù)，迭代估計(jì)自動(dòng)駕駛汽車(chē)姿態(tài)并更新三維環(huán)境地圖。最常用的濾波器有擴(kuò)展卡爾曼濾波器（EKF）、無(wú)跡卡爾曼濾波器（UKF）、信息濾波器（IF）和粒子濾波器（PF）。另一方面，基于優(yōu)化的SLAM方法首先通過(guò)尋找新觀測(cè)值與地圖之間的對(duì)應(yīng)關(guān)系來(lái)識(shí)別問(wèn)題約束。然后，計(jì)算和改進(jìn)自動(dòng)駕駛汽車(chē)的姿勢(shì)，并更新3D地圖�；�于優(yōu)化的SLAM方法可以分為兩個(gè)主要分支：Bundle Adjustment （BA）和graph SLAM。前者利用高斯－牛頓法、梯度下降等優(yōu)化技術(shù)，通過(guò)最小化誤差函數(shù)，聯(lián)合優(yōu)化三維地圖和攝像頭姿態(tài)。后者將定位問(wèn)題建模為一個(gè)圖形表示問(wèn)題，并通過(guò)尋找不同車(chē)輛姿態(tài)的誤差函數(shù)來(lái)求解。

預(yù)測(cè)：預(yù)測(cè)模塊分析其他交通代理的運(yùn)動(dòng)模式，預(yù)測(cè)自動(dòng)駕駛汽車(chē)未來(lái)的運(yùn)動(dòng)軌跡，使自動(dòng)駕駛汽車(chē)能夠做出合適的導(dǎo)航?jīng)Q策。目前的預(yù)測(cè)方法主要分為兩大類(lèi)：基于模型的預(yù)測(cè)方法和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法。前者根據(jù)基本的物理系統(tǒng)運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)，通過(guò)傳播其運(yùn)動(dòng)狀態(tài)（位置、速度和加速度）來(lái)計(jì)算自動(dòng)駕駛汽車(chē)未來(lái)的運(yùn)動(dòng)。例如，奔馳的運(yùn)動(dòng)預(yù)測(cè)組件使用地圖信息作為約束來(lái)計(jì)算自動(dòng)駕駛汽車(chē)的下一個(gè)位置�？�爾曼濾波在短期預(yù)測(cè)方面表現(xiàn)良好，但在長(zhǎng)期預(yù)測(cè)方面表現(xiàn)不佳，因?yàn)樗�忽略了周�(chē)�的環(huán)境，比如道路和交通規(guī)則。在此基礎(chǔ)上，建立了基于引力和斥力的行人運(yùn)動(dòng)預(yù)測(cè)模型。近年來(lái)，隨著人工智能和高性能計(jì)算的發(fā)展，許多數(shù)據(jù)處理技術(shù)，如隱馬爾可夫模型（HMM）、貝葉斯網(wǎng)絡(luò)（BNs）和高斯過(guò)程（GP）回歸，用來(lái)預(yù)測(cè)自動(dòng)駕駛汽車(chē)狀態(tài)。近年來(lái)，研究人員利用逆強(qiáng)化學(xué)習(xí)（IRL）對(duì)環(huán)境進(jìn)行建模，比如，采用逆最優(yōu)控制方法對(duì)行人路徑進(jìn)行預(yù)測(cè)。

規(guī)劃：規(guī)劃模塊根據(jù)感知、定位、映射以及預(yù)測(cè)信息確定可能的安全自動(dòng)駕駛汽車(chē)導(dǎo)航路徑。規(guī)劃任務(wù)主要分為路徑規(guī)劃、機(jī)動(dòng)規(guī)劃和軌跡規(guī)劃。路徑是自動(dòng)駕駛汽車(chē)應(yīng)該遵循的幾何路徑點(diǎn)列表，以便在不與障礙物碰撞的情況下到達(dá)目的地。最常用的路徑規(guī)劃技術(shù)有：Dijkstra、動(dòng)態(tài)規(guī)劃、A＊、狀態(tài)格等。機(jī)動(dòng)規(guī)劃是一個(gè)高層次的自動(dòng)駕駛汽車(chē)運(yùn)動(dòng)表征過(guò)程，因?yàn)樗�同時(shí)考慮了交通規(guī)則和其他自動(dòng)駕駛汽車(chē)狀態(tài)。在找到最佳路徑和機(jī)動(dòng)規(guī)劃后，必須生成滿足運(yùn)動(dòng)模型和狀態(tài)約束的軌跡，這樣才能保證交通的安全性和舒適性。

控制：控制模塊根據(jù)預(yù)測(cè)的軌跡和估計(jì)的車(chē)輛狀態(tài)向油門(mén)、剎車(chē)或轉(zhuǎn)向扭矩發(fā)送適當(dāng)?shù)拿�令。控制模塊使汽車(chē)盡可能接近計(jì)劃的軌跡。控制器參數(shù)可以通過(guò)最小化理想狀態(tài)和觀測(cè)狀態(tài)之間的誤差函數(shù)（偏差）來(lái)估計(jì)。比例積分導(dǎo)數(shù)（PID）控制、線性二次調(diào)節(jié)器（LQR）控制和模型預(yù)測(cè)控制（MPC）是最常用的最小化誤差函數(shù)的方法。PID控制器是一種利用比例項(xiàng)、積分項(xiàng)和導(dǎo)數(shù)項(xiàng)使誤差函數(shù)最小的控制回路反饋機(jī)構(gòu)。當(dāng)系統(tǒng)動(dòng)力學(xué)用一組線性微分方程表示，成本用二次函數(shù)表示時(shí)，利用LQR控制器使誤差函數(shù)最小化。MPC是一種基于動(dòng)態(tài)過(guò)程模型的先進(jìn)過(guò)程控制技術(shù)。這三種控制器各有優(yōu)缺點(diǎn)。自動(dòng)駕駛汽車(chē)控制模塊一般采用上述方法的混合模式。例如，初級(jí)自動(dòng)駕駛汽車(chē)使用MPC和PID來(lái)完成一些低級(jí)反饋控制任務(wù)，例如應(yīng)用變矩器來(lái)實(shí)現(xiàn)所需的車(chē)輪轉(zhuǎn)角。百度Apollo采用了這三種控制器的混合的模式：PID用于前饋控制、LQR控制輪角、MPC對(duì)PID和LQR控制器參數(shù)進(jìn)行優(yōu)化。

三、開(kāi)源數(shù)據(jù)集

在過(guò)去的十年中，已經(jīng)公布了很多開(kāi)源數(shù)據(jù)集，這為自動(dòng)駕駛研究做出了巨大貢獻(xiàn)。小編搜集了幾種使用最多的數(shù)據(jù)集，并簡(jiǎn)要說(shuō)明各種數(shù)據(jù)集的用途。Cityscapes包含一個(gè)大規(guī)模的數(shù)據(jù)集，可以用于像素級(jí)和實(shí)例級(jí)的語(yǔ)義圖像分割。ApolloScape可用于各種自動(dòng)駕駛汽車(chē)感知任務(wù)，如場(chǎng)景解析、汽車(chē)實(shí)例理解、車(chē)道分割、自定位、軌跡估計(jì)以及目標(biāo)檢測(cè)和跟蹤。此外，KITTI提供了用于立體和流量估計(jì)、目標(biāo)檢測(cè)和跟蹤、道路分割、里程估計(jì)和語(yǔ)義圖像分割的可視化數(shù)據(jù)集。6D－vision使用立體攝像機(jī)感知三維環(huán)境，提供立體、光流和語(yǔ)義圖像分割的數(shù)據(jù)集。

四、行業(yè)領(lǐng)導(dǎo)者

最近，投資者開(kāi)始把錢(qián)投向自動(dòng)駕駛系統(tǒng)商業(yè)化競(jìng)賽潛力股。自2016年以來(lái)，特斯拉的估值一直在飆升。這使得承銷(xiāo)商推測(cè)，該公司將在幾年內(nèi)產(chǎn)生一支自動(dòng)駕駛車(chē)隊(duì)。此外，自2017年報(bào)道通用汽車(chē)計(jì)劃制造無(wú)人駕駛汽車(chē)以來(lái)，該公司股價(jià)已經(jīng)上漲了20％。截止2018年7月，Waymo已經(jīng)在美國(guó)對(duì)其自動(dòng)駕駛汽車(chē)進(jìn)行了800萬(wàn)英里的測(cè)試。在2018年度，通用汽車(chē)和Waymo事故最少：通用汽車(chē)在212公里以上發(fā)生了22次碰撞，而Waymo在563公里以上只發(fā)生了3次碰撞。除了行業(yè)巨頭，世界一流大學(xué)也加快了自主駕駛的發(fā)展。這些大學(xué)都很好地開(kāi)展了產(chǎn)學(xué)研相結(jié)合的模式。這使高校更好地為企業(yè)、經(jīng)濟(jì)和社會(huì)做出貢獻(xiàn)。

應(yīng)用場(chǎng)景：自動(dòng)駕駛技術(shù)可以應(yīng)用于任何類(lèi)型的車(chē)輛，如出租車(chē)、長(zhǎng)途汽車(chē)、旅游巴士、貨車(chē)等。這些交通工具不僅可以使人們從勞動(dòng)密集型和單調(diào)乏味的工作中解脫出來(lái)，而且可以確保他們的安全。例如，配備自動(dòng)駕駛技術(shù)的道路質(zhì)量評(píng)估車(chē)輛可以修復(fù)檢測(cè)到的道路損傷。此外，使用自動(dòng)駕駛技術(shù)，道路參與者可以相互溝通，公共交通將更加高效和安全。

五、現(xiàn)存挑戰(zhàn)

盡管自動(dòng)駕駛技術(shù)在過(guò)去的十年中發(fā)展迅速，但仍然存在許多挑戰(zhàn)。例如，感知模塊在惡劣的天氣和／或光照條件下或在復(fù)雜的城市環(huán)境中表現(xiàn)不佳。此外，大多數(shù)感知方法通常是計(jì)算密集型的，不能在嵌入式和資源有限的硬件上實(shí)時(shí)運(yùn)行。此外，由于長(zhǎng)期不穩(wěn)定性，目前SLAM方法在大規(guī)模實(shí)驗(yàn)中的應(yīng)用仍然有限。另一個(gè)重要的問(wèn)題是如何融合自動(dòng)駕駛汽車(chē)傳感器數(shù)據(jù)，以快速、經(jīng)濟(jì)的方式創(chuàng)建更準(zhǔn)確的三維語(yǔ)義詞。此外，人們何時(shí)才能真正接受自動(dòng)駕駛和自動(dòng)駕駛汽車(chē)，仍然是一個(gè)值得討論話題，由此也引發(fā)了嚴(yán)重的倫理問(wèn)題的探討。

參考文獻(xiàn)：

［1］ J． Jiao， Y． Yu， Q． Liao， H． Ye， and M． Liu， “Automatic calibration of multiple 3d lidars in urban environments，” arXiv preprint arXiv：1905．04912， 2019．

［2］ H． Ye， Y． Chen， and M． Liu， “Tightly coupled 3d lidar inertial odometry and mapping，” in 2019 IEEE International Conference on Robotics and Automation （ICRA）． IEEE， 2019．

［3］ R． Fan， M． J． Bocus， Y． Zhu， J． Jiao， L． Wang， F． Ma， S． Cheng， and M． Liu， “Road crack detection using deep convolutional neural network and adaptive thresholding，” arXiv preprint arXiv：1904．08582， 2019．

［4］ C． Coberly， “Waymo’s self－driving car fleet has racked up 8 million miles in total driving distance on public roads，” https：／／www．techspot．com／news／75608－waymo－self－driving－car－fleetracks－up－8．html， accessed： 2019－04－21．

［5］ D． Welch and E． Behrmann， “Who’s winning the self－driving car race？” https：／／www．bloomberg．com／news／features／2018－05－07／whos－winning－the－self－driving－car－race， accessed： 2019－04－21．