日前，中國人工智能學(xué)會發(fā)布中國人工智能系列白皮書。本文將對《中國人工智能系列白皮書——智能駕駛》進(jìn)行介紹和精編。

智能汽車是新一輪科技革命背景下的新興技術(shù)，集中運用了現(xiàn)代傳感技術(shù)、信息與通信技術(shù)、自動控制技術(shù)、計算機(jī)技術(shù)和人工智能等技術(shù)，代表著未來汽車技術(shù)的戰(zhàn)略制高點，是汽車產(chǎn)業(yè)轉(zhuǎn)型升級的關(guān)鍵，也是目前世界公認(rèn)的發(fā)展方向。

智能汽車在減少交通事故、緩解交通擁堵、提高道路及車輛利用率等方面具有巨大潛能。在此大背景下，中國人工智能協(xié)會出臺《中國人工智能系列白皮書——智能駕駛2017》，概述汽車智能化發(fā)展，分析國內(nèi)外技術(shù)發(fā)展現(xiàn)狀，從安全性、經(jīng)濟(jì)性、互聯(lián)性、行業(yè)性方面具體闡述智能駕駛的社會效益與影響，并詳細(xì)介紹智能駕駛的技術(shù)，包括傳感感知技術(shù)、定位與導(dǎo)航技術(shù)、V2X網(wǎng)聯(lián)通信技術(shù)、決策規(guī)劃技術(shù)結(jié)構(gòu)體系、傳感信息融合、任務(wù)決策、規(guī)劃規(guī)劃、異常處理這些關(guān)鍵決策規(guī)劃的關(guān)鍵環(huán)節(jié)。此外，本白皮書還系統(tǒng)地介紹了自動駕駛控制的核心技術(shù)組成部分，包括車輛的縱向控制、橫向控制、自動駕駛的控制方法、自動駕駛控制技術(shù)方案。除了詳細(xì)技術(shù)介紹之外，該白皮書還介紹了模擬仿真技術(shù)，包括需求分析、技術(shù)方案、并預(yù)期未來發(fā)展的技術(shù)挑戰(zhàn)和趨勢。

本白皮書是中國人工智能學(xué)會理事長、中國工程院院士李德毅、科大訊飛執(zhí)行總裁胡郁、重慶郵電大學(xué)教授王國胤、中國科學(xué)院院士譚鐵牛等產(chǎn)學(xué)研的專家撰寫而成，引用了104篇國內(nèi)外論文、著作等。

以下為白皮書的精編內(nèi)容：

一、開篇

自20世紀(jì)80年代，在美國國防部先進(jìn)研究項目局（DARPA，Defense Advanced Research Projects Agency）的支持下掀起了智能車技術(shù)研究熱潮。1984年由卡耐基梅隆大學(xué)研發(fā)了全世界第一輛真正意義的智能駕駛車輛，該車輛利用激光雷達(dá)、計算機(jī)視覺及自動控制技術(shù)完成對周邊環(huán)境的感知，并據(jù)此做出決策，自動控制車輛，在特定道路環(huán)境下最高時速可達(dá)31km/h。

1. 汽車智能駕駛技術(shù)的內(nèi)涵

汽車智能駕駛具有“智慧”和“能力”兩層含義，所謂“智慧”是指汽車能夠像人一樣智能地感知、綜合、判斷、推理、決斷和記憶差分gps的分類；所謂“能力”是指智能汽車能夠確保“智慧”的有效執(zhí)行，可以實施主動控制，并能夠進(jìn)行人機(jī)交互與協(xié)同。自動駕駛是智慧和能力的有機(jī)結(jié)合，二者相輔相成，缺一不可。

為實現(xiàn)“智慧”和“能力”兩方面內(nèi)容，自動駕駛技術(shù)一般包括環(huán)境感知、決策規(guī)劃和車輛控制三大部分。類似于人類駕駛員在駕駛過程中，通過視覺、聽覺、觸覺等感官系統(tǒng)感知行駛環(huán)境和車輛狀態(tài)，自動駕駛系統(tǒng)通過配置內(nèi)部傳感器和外部傳感器獲取自身狀態(tài)及周邊環(huán)境信息。內(nèi)部傳感器主要包括車輛速度傳感器、加速傳感器、輪速傳感器、橫擺角速度傳感器等；主流的外部傳感器包括攝像頭、激光雷達(dá)、毫米波雷達(dá)以及定位系統(tǒng)等。

通過這些傳感器提供海量的全方位行駛環(huán)境信息。不同傳感器的量測精度、適用范圍都有所不同，為有效利用這些傳感器信息，需要利用傳感器融合技術(shù)將多種傳感器在空間和時間上的獨立信息、互補信息以及冗余信息按照某種準(zhǔn)則組合起來，從而提供對環(huán)境綜合的準(zhǔn)確理解。決策規(guī)劃子系統(tǒng)代表了自動駕駛技術(shù)的認(rèn)知層，包括決策和規(guī)劃兩個方面。決策體系定義了各部分之間的相互關(guān)系和功能分配，決定了車輛的安全行使模式；規(guī)劃部分用以生成安全、實時的無碰撞軌跡。車輛控制子系統(tǒng)用以實現(xiàn)車輛的縱向車距、車速控制和橫向車輛位置控制等，是車輛智能化的最終執(zhí)行機(jī)構(gòu)。 “感知”和“決策規(guī)劃”對應(yīng)于自動駕駛系統(tǒng)的“智慧”；而“車輛控制”則體現(xiàn)了其“能力”。

2. 汽車智能駕駛技術(shù)：分級

美國高速公路安全管理局（NHTSA）將汽車智能化水平分成五個等級：無自主控制；輔助駕駛；部分自動駕駛；有條件自動駕駛；高度自動駕駛。

《中國制造2025》將智能汽車分為DA，PA，HA，F(xiàn)A四個等級，并劃分了各自的界限。其中，DA指駕駛輔助，包括一項或多項局部自動功能，如ACC，AEB，ESC等，并能提供基于網(wǎng)聯(lián)的智能提醒信息；PA指部分自動駕駛，在駕駛員短時轉(zhuǎn)移注意力仍可保持控制，失去控制10秒以上予以提醒，并能提供基于網(wǎng)聯(lián)的智能引導(dǎo)信息；HA指高度自動駕駛，在高速公路和市內(nèi)均可自動駕駛，偶爾需要駕駛員接管，但是有充分的移交時間，并能提供基于網(wǎng)聯(lián)的智能控制信息；FA指完全自主駕駛，駕駛權(quán)完全移交給車輛。

A. 自動駕駛VS無人駕駛

自動駕駛是指可以幫助駕駛員轉(zhuǎn)向和保持在車道內(nèi)行駛，實現(xiàn)跟車、制動以及變道等操作的一種輔助駕駛系統(tǒng)，駕駛員可以隨時介入對車輛的控制，并且系統(tǒng)在特定環(huán)境下會提醒駕駛員介入操控。同自動駕駛汽車相比，無人駕駛汽車也配備有各類傳感器和相應(yīng)的控制驅(qū)動器，但是取消了方向盤、加速踏板和制動踏板，汽車在沒有人為干預(yù)的情況下自主完成行駛?cè)蝿?wù)。

1921年World Wide Wireless期刊上出版的一篇論文中提出，通過無線通信技術(shù)實現(xiàn)無人駕駛技術(shù)。1955年美國Barret Electronics公司研制出了第一臺自動引導(dǎo)車輛系統(tǒng)AGVS(Automated Guided Vehicle System)。

期后的半個世紀(jì)，慕尼黑聯(lián)邦國防軍大學(xué)、美國俄亥俄州立大學(xué)、德國聯(lián)邦國防軍大學(xué)都在推進(jìn)無人駕駛的研究。

除高校在自動駕駛領(lǐng)域的積極研究外，眾多汽車廠商也相繼開展了相關(guān)研究計劃。其中以特斯拉最廣為人知，特斯拉開發(fā)了自動駕駛系統(tǒng)Autopilot，并安裝在了8萬輛Model S上。

此外，以谷歌為代表的IT公司在自動駕駛領(lǐng)域的表現(xiàn)也十分活躍，谷歌公司于2009年開始研發(fā)無人駕駛技術(shù)。2013年，蘋果公司也開始想汽車領(lǐng)域進(jìn)軍，開發(fā)了智能車載系統(tǒng)CarPlay。CarPlay能夠支持“電話”、“音樂”、“地圖”、“信息”和第三方音頻應(yīng)用程序。

相比之下，國內(nèi)在自主駕駛方面研究的起步稍晚。從80年代末開始，國防科技大學(xué)先后研制出基于視覺的CITAVT系列智能車輛。后來清華大學(xué)在國防科工委和國家“863計劃”的資助下從1988年開始研究開發(fā)THMR系列智能車。吉林大學(xué)、重慶大學(xué)也在自主駕駛方面取得一定的成果。國內(nèi)一汽集團(tuán)、上汽集團(tuán)、長安汽車等車企也紛紛涉足自動駕駛。

國內(nèi)互聯(lián)網(wǎng)百度公司也在2013年開始了百度無人駕駛汽車項目，其技術(shù)核心是“百度汽車大腦”，包括高精度地圖、定位、感知、智能決策與控制四大模塊。

其中公開性智能駕駛比賽也對智能駕駛發(fā)展具有重要的推動作用，比如美國國防部先進(jìn)研究局所舉辦的DARPA挑戰(zhàn)賽，，掀起了智能駕駛技術(shù)研發(fā)的熱潮。

3. 汽車自動駕駛產(chǎn)業(yè)概述

進(jìn)入了21世紀(jì)后，自動駕駛產(chǎn)業(yè)得到了足夠的重視和發(fā)展。傳統(tǒng)的車企傾向于從輔助駕駛到自動駕駛的逐步遞進(jìn)方案。圖為我國學(xué)者于2012年調(diào)研得到的輔助駕駛系統(tǒng)的消費認(rèn)知度情況。

4. 智能駕駛的社會效益

2012年我國平均每天約 280人因交通事故傷亡，相當(dāng)于一次重大空難。同時，駕駛員是導(dǎo)致交通事故的主要因素。

智能駕駛不受人的心理和情緒干擾，遵守交通法規(guī)，按照規(guī)劃路線行駛，可以有效減少人為所造成的交通事故和擁堵。同時，智能駕駛汽車能夠比人類更加精準(zhǔn)地計算和使用路權(quán)，通過車聯(lián)網(wǎng)共享交通資源信息，可以最大化利用城市的道路資源。

此外，智能駕駛可以有效地促進(jìn)節(jié)能減排，可以更合理地操控和切換駕駛模式，控制車輛的提速和減速，避免由于駕駛員的不良駕駛習(xí)慣導(dǎo)致的車輛能源消耗和尾氣排放等問題。

倘若智能駕駛汽車與智能交通、云計算相結(jié)合，將可以構(gòu)建城市智能車指揮調(diào)度服務(wù)中心，共享交通資源，實現(xiàn)最優(yōu)的交通出行，將會大大地減少汽車的保有量，從而達(dá)到節(jié)能減排的效果。

智能駕駛將帶來汽車下游產(chǎn)業(yè)鏈的巨大變革，比如汽車駕校的低迷、陪練市場的萎縮、出租車行業(yè)的失業(yè)、代駕行業(yè)的徹底消失、汽車維修行業(yè)和保險行業(yè)的改變等。

智能汽車從根本上改變了傳統(tǒng)的“人一車一路”閉環(huán)控制方式，將不可控的駕駛員從該閉環(huán)系統(tǒng)中請出去，減少了人為影響因素，由機(jī)器駕駛腦實現(xiàn)精確的機(jī)器控制，從而大大提高了交通系統(tǒng)的效率和安全性。

5. 國內(nèi)外相關(guān)政策

由于智能駕駛是新興的技術(shù)，各國政策也在研究甚至出臺智能駕駛的相關(guān)政策。

美國內(nèi)華達(dá)州一直領(lǐng)導(dǎo)著允許智能駕駛汽車上路的立法工作。2011年，內(nèi)華達(dá)州立法委員會通過了美國第一部允許測試智能駕駛汽車的法案。

歐盟在頂層設(shè)計、重大研發(fā)規(guī)劃上做了很多工作，未來交通研究計劃中強調(diào)了車車、車路通信，強調(diào)了人車路一體化和道路安全。

法國已于2016年年底前實現(xiàn)全國數(shù)千公里道路的聯(lián)網(wǎng)，并推動道路交通法律法規(guī)的修訂，滿足無人駕駛汽車上路要求。此外，還將向全球汽車生產(chǎn)商開放道路進(jìn)行無人駕駛汽車的試驗。英國政府已表示2017年首次允許無人車在高速公路及重要道路上進(jìn)行試駕。為迎接無人駕駛汽車的到來，英國還將修改相關(guān)的道路交通法規(guī)，目前已由英國科學(xué)部與交通部開始著手研究。

日本國土交通省則決定最早將于2017年秋季制定有關(guān)在高速公路同車道行駛的自動駕駛安全法規(guī)。

目前，我國由工信部組織起草的智能網(wǎng)聯(lián)汽車標(biāo)準(zhǔn)體系方案已形成標(biāo)準(zhǔn)框架體系，該標(biāo)準(zhǔn)體系框架包括基礎(chǔ)、通用規(guī)范、產(chǎn)品與技術(shù)應(yīng)用、相關(guān)標(biāo)準(zhǔn)四個主要部分。

二、 環(huán)境感知

智能駕駛的核心不在車而在人，是物化駕駛員在長期駕駛實踐中，對“環(huán)境感知-決策規(guī)劃-控制執(zhí)行”過程的理解、學(xué)習(xí)和記憶。環(huán)境感知作為第一環(huán)節(jié)，處于智能駕駛車輛與外界環(huán)境信息交互的關(guān)鍵位置，其關(guān)鍵在于使智能駕駛車輛更好地模擬人類駕駛員的感知能力，從而理解自身和周邊的駕駛態(tài)勢。

相機(jī)、雷達(dá)、定位導(dǎo)航系統(tǒng)等為智能駕駛車輛提供了海量的周邊環(huán)境及自身狀態(tài)數(shù)據(jù)，這些以圖像、點云等形式呈現(xiàn)的數(shù)據(jù)包含了大量與駕駛活動無關(guān)的信息。選擇性注意作為人類自然感知的重要特征，可以幫助智能駕駛車輛聚焦當(dāng)前駕駛行為，確保智能駕駛的安全性和實時性。環(huán)境感知需要遵照近目標(biāo)優(yōu)先、大尺度優(yōu)先、動目標(biāo)優(yōu)先、差異性優(yōu)先等原則，采用相關(guān)感知技術(shù)對環(huán)境信息進(jìn)行選擇性處理。

智能駕駛車輛上安裝的每類傳感器也都有自身的感知盲區(qū)。智能駕駛過程中，通過組合使用多類傳感器和運用時序關(guān)聯(lián)的感知技術(shù)，可以縮小感知盲區(qū)的范圍，一般不會影響正常駕駛。

1. 環(huán)境感知功能系統(tǒng)構(gòu)成

智能駕駛車輛獲取和處理環(huán)境信息，主要用于狀態(tài)感知和V2X網(wǎng)聯(lián)通信。V2X（即Vehicle to Everything，車輛同所有交通參與者）網(wǎng)聯(lián)通信強調(diào)了車輛、道路、使用者三者之間的聯(lián)系， 主要利用RFID（Radio Frequency Identification，射頻識別）、拍照設(shè)備、云服務(wù)器等獲得實時路況、道路信息、行人信息等一系列交通信息，從而提高駕駛安全性和駕駛效率。

狀態(tài)感知主要通過車載傳感器對周邊及本車環(huán)境信息進(jìn)行采集和處理，包括交通狀態(tài)感知和車身狀態(tài)感知。V2X網(wǎng)聯(lián)通信是利用融合現(xiàn)代通信與網(wǎng)絡(luò)技術(shù)，實現(xiàn)智能駕駛車輛與外界設(shè)施和設(shè)備之間的信息共享、互聯(lián)互通和控制協(xié)同。

按照獲取交通環(huán)境信息的途徑，可將這些傳感器分為兩類：1）被動環(huán)境傳感器，主要包括相機(jī)等視覺傳感器和麥克風(fēng)陣列等聽覺傳感器2）主動環(huán)境傳感器，主要指激光雷達(dá)、毫米波雷達(dá)和超聲波雷達(dá)。

2. 系統(tǒng)硬件配置方案

可用于智能駕駛環(huán)境感知的硬件設(shè)備有很多，主要包括相機(jī)、激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)、GPS、BDS、INS等。目前智能車上采用的配置方案往往是多種型號或多種類型設(shè)備的組合。如下圖

A. 相機(jī)

無論是單目相機(jī)、雙目相機(jī)，還是多目相機(jī)、深度相機(jī)，無論像素再清晰、采樣速率再高，也無法解決所有圖像采集和處理的難題。由于道路環(huán)境、天氣環(huán)境的多樣性、復(fù)雜性以及智能駕駛車輛本身的運動特性，相機(jī)容易受到光照、視角、尺度、陰影、污損、背景干擾和目標(biāo)遮擋等諸多不確定因素的影響。

B. 雷達(dá)

雷達(dá)對光照、色彩等干擾因素具有很強的魯棒性，但是無論安裝多少數(shù)量/種類的雷達(dá)、選取多高的采樣速率，都不可能徹底解決凹坑反射、煙塵干擾和雨、雪、霧等惡劣天氣條件下的探測難題。

C. 定位系統(tǒng)

定位導(dǎo)航系統(tǒng)為智能駕駛提供了高精度、高可靠定位、導(dǎo)航和授時服務(wù)，RTK（Real-Time Kinematic，載波相位差分技術(shù)） + INS組合更是為實時精準(zhǔn)定位和位置精度保持奠定了重要基礎(chǔ)。但是無論位置服務(wù)公共平臺多好、陀螺精度多高，還是存在采樣頻率不夠、地理環(huán)境過于復(fù)雜、初始化時間過長、衛(wèi)星信號失效等問題，因此定位導(dǎo)航系統(tǒng)總存在缺陷。

3. 傳感感知技術(shù)

感知功能的實現(xiàn)既需要合適的感知設(shè)備，也離不開相應(yīng)的感知技術(shù)。按照傳感器獲取的信號類型，可分為相機(jī)視覺、雷達(dá)傳感和聽覺傳感。

A. 相機(jī)視覺

在智能駕駛中，相機(jī)取代人類視覺系統(tǒng)作為交通環(huán)境感知的傳感器之一。相較于其差分gps的分類他傳感器，視覺傳感器安裝使用的方法簡單、獲取的圖像信息量大、投入成本低、作用范圍廣，并且近些年更是得益于數(shù)字圖像處理技術(shù)的快速發(fā)展和計算機(jī)硬件性能的提高。但是在復(fù)雜交通環(huán)境下，視覺傳感器依然存在目標(biāo)檢測困難、圖像計算量大、算法難以實現(xiàn)的問題，視覺感知技術(shù)在應(yīng)對道路結(jié)構(gòu)復(fù)雜、人車混雜的交通環(huán)境時也還存在很多不足。

視覺感知技術(shù)主要包括三種：

1）單目視覺技術(shù)，即通過單個相機(jī)完成環(huán)境感知任務(wù)，具有結(jié)構(gòu)簡單、算法成熟并且計算量較小的優(yōu)點，但是感知范圍有限、無法獲取場景目標(biāo)的深度信息；

2）立體視覺技術(shù)，基本原理是采用2個（或多個）相機(jī)從不同視點觀察同一目標(biāo)，并通過計算圖像像素間位置偏差恢復(fù)三維場景，難點在于尋找多個相機(jī)圖像中匹配的對應(yīng)點；

3）全景視覺技術(shù)，成像視野較寬，但圖像畸變較大、分辨率較低。

B. 雷達(dá)傳感

在國內(nèi)外智能駕駛車輛開發(fā)過程中，傳感感知技術(shù)研究的重點除了視覺就是雷達(dá)。雷達(dá)通過對目標(biāo)發(fā)射電磁波并接收目標(biāo)回波來獲得目標(biāo)的距離、方位、距離變化率等信息。

雷達(dá)傳感器一般由發(fā)射機(jī)、發(fā)射天線、接收機(jī)、接收天線、顯示器、處理部分以及電源設(shè)備、數(shù)據(jù)錄取設(shè)備、抗干擾設(shè)備等輔助設(shè)備構(gòu)成。按照電磁波的波段，雷達(dá)分為三類：激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)。

雷達(dá)受外界環(huán)境影響小，獲取的深度信息可靠性高，測距范圍和視角大、準(zhǔn)確度高。另外，雷達(dá)每幀接收的點云數(shù)據(jù)量遠(yuǎn)小于相機(jī)記錄的圖像信息，更能滿足智能駕駛對實時性的需求。雷達(dá)的最大缺點在于制造工藝復(fù)雜、成本很高，在一定程度上使其廣泛應(yīng)用受到限制。

目前激光雷達(dá)常用的感知技術(shù)主要有：

1）障礙物檢測與跟蹤，關(guān)鍵在于同一時刻障礙點的聚類和不同時刻障礙物的匹配，基于深度學(xué)習(xí)的雷達(dá)障礙物檢測逐漸成為近年來的研究熱點，雷達(dá)與圖像融合的障礙物檢測技術(shù)研究也取得了一定成果；

2）路面檢測，主要是為了區(qū)分路面和道路上的其他目標(biāo)障礙物，還可以通過檢測路面材質(zhì)和坡度為智能駕駛車輛決策和控制提供數(shù)據(jù)參考；

3）定位與導(dǎo)航，基于激光雷達(dá)的SLAM在智能車定位中可以發(fā)揮重要作用，智能車通過檢測路邊障礙物位置判斷道路走向并實現(xiàn)基于雷達(dá)的自主導(dǎo)航；

4）三維重建，利用激光雷達(dá)獲取的深度信息即可以實現(xiàn)智能車周圍環(huán)境的三維場景重建。

5）目前大部分智能駕駛車輛僅依靠視覺感知和雷達(dá)感知，已經(jīng)能夠完成絕大多數(shù)交通環(huán)境感知任務(wù)，因此往往忽略了聽覺感知。交通環(huán)境中有許多聲音也會攜帶重要信息，例如喇叭、警笛等智能駕駛車輛同樣需要對環(huán)境中的聲音有所感知并做出反應(yīng)。

C. 聽覺傳感器

按照相對于智能車輛位置區(qū)域的范圍，聽覺感知能力可分為三類：1）個域聽覺感知2）局域聽覺感知3）廣域聽覺感知。

聽覺感知系統(tǒng)主要涉及三種關(guān)鍵技術(shù)：聲源定位技術(shù)、音頻識別技術(shù)和軟件無線電技術(shù)。

目前常用的聲源定位技術(shù)按其定位原理可分為三大類：

1）基于最大輸出功率的可控波束形成技術(shù)，關(guān)鍵在于對接收的信號的濾波及加權(quán)求和，并控制陣列波束指向最大輸出功率對應(yīng)的方向；

2）基于高分辨率譜估計的定位技術(shù)，通過求解所接收信號與陣列間的相關(guān)矩陣確定信號源方向和位置；

3）基于聲達(dá)時間差的定位技術(shù)，主要是利用聲源信號到每個麥克風(fēng)陣元的時間差估計來實現(xiàn)測向和測距。

4. 定位與導(dǎo)航技術(shù)

智能駕駛的基礎(chǔ)是自主導(dǎo)航，不僅需要獲取車輛與外界環(huán)境的相對位置關(guān)系，還需要通過車身狀態(tài)感知確定車輛的絕對位置，因此定位與導(dǎo)航也是環(huán)境感知的關(guān)鍵技術(shù)之一。

A. 感知態(tài)勢的基準(zhǔn)

智能駕駛車輛的位置數(shù)據(jù)不可能脫離感知態(tài)勢的基準(zhǔn)，目前在智能駕駛中常用的基準(zhǔn)包括：大地坐標(biāo)系（WGS-84/ CGCS 2000）、攝像機(jī)坐標(biāo)系、圖像坐標(biāo)系、雷達(dá)坐標(biāo)系、駕駛員認(rèn)知坐標(biāo)系等。

目前主要有GPS、北斗衛(wèi)星導(dǎo)航系統(tǒng)、GLONASS和GALILEO四大全球衛(wèi)星導(dǎo)航系統(tǒng)，我國常用的為GPS和北斗衛(wèi)星導(dǎo)航系統(tǒng)。

（1）衛(wèi)星導(dǎo)航定位技術(shù)按照定位方式分為單點定位技術(shù)和相對定位技術(shù)。

相對定位又分為靜態(tài)定位和動態(tài)定位兩種類型，其中實時動態(tài)定位RTK技術(shù)是一種新的常用的衛(wèi)星定位測量方法。RTK是一種基于載波相位觀測值的定位技術(shù)，利用了參考站和移動站之間觀測誤差的空間相關(guān)性。與以前的靜態(tài)定位和動態(tài)定位不同，RTK無需事后結(jié)算即可在野外實時得到厘米級的定位精度，成為衛(wèi)星定位應(yīng)用的重大里程碑。

（2）慣性導(dǎo)航系統(tǒng)

慣性導(dǎo)航系統(tǒng)（簡稱慣導(dǎo)）由陀螺儀和加速度計構(gòu)成，通過測量運動載體的加速度和角速率數(shù)據(jù)，并將這些數(shù)據(jù)對時間進(jìn)行積分運算，從而得到速度、位置、姿態(tài)和航向。

慣性導(dǎo)航系統(tǒng)能夠提供包括水平姿態(tài)、方位、速度、位置、角速度和加速度等的全面的導(dǎo)航信息，而且數(shù)據(jù)更新率高、連續(xù)性好、噪點低、短期精度和穩(wěn)定性高。慣導(dǎo)也存在其固有缺陷：定位誤差會隨時間而增大，數(shù)據(jù)的長期精度較低，而且無法獲取時間信息。另外，慣導(dǎo)在每次使用之前需要較長時間的初始化，在智能駕駛過程中如果出現(xiàn)斷電等突發(fā)狀況，往往需要重新初始化。

交通環(huán)境復(fù)雜多變，單一的導(dǎo)航系統(tǒng)往往會受限于自身的不足而無法確保精準(zhǔn)定位和導(dǎo)航，因此當(dāng)前的智能駕駛車輛大多采用GPS/BDS + INS的組合導(dǎo)航方式。

B. 姿態(tài)和狀態(tài)感知

智能駕駛車輛環(huán)境感知系統(tǒng)對車體的感知包括兩部分：車身姿態(tài)感知和車身狀態(tài)感知。

1）車身姿態(tài)感知：主要指對車輛航向角、側(cè)傾角和俯仰角的感知，一般通過慣導(dǎo)或者陀螺儀來獲取這些參數(shù)。

2）車身狀態(tài)感知：主要包括對車輛行駛速度、縱向加速度、發(fā)動機(jī)轉(zhuǎn)速、方向盤轉(zhuǎn)角、節(jié)氣門開度、制動主缸壓力等車輛狀態(tài)信息的感知。

C. 測試技術(shù)

智能駕駛對定位導(dǎo)航系統(tǒng)的性能有一定的要求，需要通過測試得到性能指標(biāo)數(shù)值作為衡量依據(jù)。測試指標(biāo)一般包括：

1）首次定位時間，用于測試接收終端搜索信號的速度；

2）定位測速精度，一般包括水平和高程定位精度；

3）失鎖重捕時間，能夠反應(yīng)接收終端在信號失鎖后恢復(fù)定位的快慢；

4）跟蹤靈敏度，主要評估定位狀態(tài)下接收機(jī)維持定位精度所需的最小信號功率；

5）捕獲靈敏度，代表了失鎖狀態(tài)下接收機(jī)捕獲弱信號的能力。

實際駕駛時，車輛在不同場景下對導(dǎo)航系統(tǒng)的定位性能需求不同，因此導(dǎo)航系統(tǒng)的性能測試一般會有針對性地設(shè)置特定場景。地圖也包括數(shù)字地圖、駕駛地圖等兩種形式。

D. V2X網(wǎng)聯(lián)通信技術(shù)

近年來，隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、“互聯(lián)網(wǎng)+”等新技術(shù)的興起，智能交通系統(tǒng)（ITS，Intelligent Transport System）在智能網(wǎng)聯(lián)、車聯(lián)網(wǎng)方面也有了長足發(fā)展。

V2X網(wǎng)聯(lián)是基于物聯(lián)網(wǎng)，運用D2D（Device to Device，終端直通）以及信息通信等技術(shù)實現(xiàn)車輛與外界互聯(lián)的無線通信技術(shù)。2017年9月19日，我國首部V2X應(yīng)用層團(tuán)體標(biāo)準(zhǔn)《合作式智能交通系統(tǒng) 車用通信系統(tǒng)應(yīng)用層及應(yīng)用數(shù)據(jù)交互標(biāo)準(zhǔn)》正式發(fā)布。

智能駕駛對V2X網(wǎng)聯(lián)通信提出了以下幾點技術(shù)要求：網(wǎng)絡(luò)接入時間短、傳輸時延低、傳輸可靠性高、干擾性低、信息安全性高、頻譜可再利用。另外，還需要對海量數(shù)據(jù)進(jìn)行分析與處理，這就要求V2X技術(shù)可以合理借助各類感知傳感器，并從獲取的數(shù)據(jù)中探索規(guī)律進(jìn)行有效表示。

V2X技術(shù)的實現(xiàn)一般基于RFID、拍照設(shè)備、車載傳感器等硬件平臺。V2X網(wǎng)聯(lián)通信產(chǎn)業(yè)分為DSRC（Dedicated Short Range Communication，專用短程協(xié)議）和LTE-V2X兩個標(biāo)準(zhǔn)和產(chǎn)業(yè)陣營。

DSRC的設(shè)備組成包括車載單元(OBU，On Board Unit)、路邊單元（RSU，Road Side Unit）、控制中心等。DSRC的優(yōu)勢在于技術(shù)成熟可靠，能夠保證低時延和安全可靠性，因此依然是當(dāng)下市場主流的V2X標(biāo)準(zhǔn)。DSRC能夠支持的最高車速為200km/h，數(shù)據(jù)傳輸速率一般為12Mbps，反應(yīng)時間為100ms以內(nèi)，低時延達(dá)到20ms。另外也存在一些不足，包括覆蓋范圍小、傳輸速率低、易受到建筑物遮擋、處理大量數(shù)據(jù)較慢、建設(shè)成本較高等。

目前，DSRC在不停車收費（ETC系統(tǒng)）、車隊管理、出入控制、信息服務(wù)等領(lǐng)域已經(jīng)有廣泛應(yīng)用。

E. LTE-V2X

LTE-V2X基于現(xiàn)有蜂窩移動通信支持（3G/4G），擁有自主知識產(chǎn)權(quán)。

工信部、發(fā)改委和科技部等政府部門和高通、華為等公司也在大力推動LTE-V2X技術(shù)的產(chǎn)業(yè)化發(fā)展。LTE-V2X技術(shù)按照通信方式分為集中式（LTE-V-Cell）和分布式（LTE-V-Direct）兩種，如圖2-6所示。LTE-V-Cell以基站為分布中心，需要現(xiàn)有蜂窩網(wǎng)絡(luò)的支持，具有帶寬大、覆蓋廣的通信特點，能免實現(xiàn)遠(yuǎn)距離通信；LTE-V-Direct獨立于蜂窩網(wǎng)絡(luò)，是一種車輛與周邊環(huán)境節(jié)點直接通信的技術(shù)，具有低時延、高可靠的優(yōu)勢。

目前，LTE-V2X仍在研發(fā)測試階段，但是已形成可運營的完整網(wǎng)絡(luò)體系，能夠在高頻段（5.9GHz）、高車速（250km/h）、高車流量的環(huán)境下提供可靠的通信能力，并且在大容量、低時延、抗干擾性以及可管理性等方面更為成熟。

三、決策規(guī)劃

決策規(guī)劃是自動駕駛的關(guān)鍵部分之一，決策規(guī)劃按照劃分的層面不同可分為全局規(guī)劃和局部規(guī)劃兩種。

全局規(guī)劃是由獲取到的地圖信息，規(guī)劃出一條在一些特定條件下的無碰撞最優(yōu)路徑；局部規(guī)劃則是根據(jù)全局規(guī)劃，在一些局部環(huán)境信息基礎(chǔ)上，能避免撞上未知的障礙物，最終到達(dá)目標(biāo)點的過程。

軌跡規(guī)劃是智能汽車自主駕駛行為必須涉及到的一項研究，運動軌跡規(guī)劃是在靜態(tài)路徑規(guī)劃的基礎(chǔ)上考慮時間因素和車輛的運動學(xué)、動力學(xué)約束條件，并根據(jù)車輛當(dāng)前的位姿以及傳感器收集到周圍環(huán)境的狀態(tài)信息，考慮智能汽車的內(nèi)在約束條件( 如非完整約束) 和車輛的運動學(xué)、動力學(xué)約束條件對軌跡生成的影響，規(guī)劃出可行的參考軌跡。最后將軌跡以控制量的方式供給到后續(xù)的控制系統(tǒng)，使得車輛可以沿著相應(yīng)的軌跡行駛，避免碰撞。

1. 決策規(guī)劃技術(shù)結(jié)構(gòu)體系

決策規(guī)劃技術(shù)結(jié)構(gòu)體系包括分層遞階式體系結(jié)構(gòu)、反應(yīng)式體系結(jié)構(gòu)、混合式體系結(jié)構(gòu)。以下的三張圖為三種體系結(jié)構(gòu)的圖解。

　　2. 決策規(guī)劃系統(tǒng)的關(guān)鍵環(huán)節(jié)

智能駕駛決策規(guī)劃系統(tǒng)的開發(fā)和集成基于遞階系統(tǒng)的層次性特征，可分為四個關(guān)鍵環(huán)節(jié)，分別是信息融合、任務(wù)決策、軌跡規(guī)劃和異常處理。

傳感信息融合是將多個傳感器的輸出信息統(tǒng)一在車輛坐標(biāo)系下，建立具有時間標(biāo)記的數(shù)據(jù)關(guān)聯(lián)和融合，以保證場景數(shù)據(jù)信息的連貫性和適用性。任務(wù)決策作為智能駕駛的智能核心部分，接收到傳感感知融合信息，通過智能算法學(xué)習(xí)外界場景信息，從全局的角度規(guī)劃具體行駛?cè)蝿?wù)，從而實現(xiàn)智能車輛擬人化控制融入整個交通流。軌跡規(guī)劃是根據(jù)局部環(huán)境信息、上層決策任務(wù)和車身實時位姿信息，在滿足一定的運動學(xué)約束下，為提升智能汽車安全、高效和舒適性能，規(guī)劃決斷出局部空間和時間內(nèi)容車輛期望的運動軌跡，包括行駛軌跡、速度、方向和狀態(tài)等。

異常處理作為預(yù)留的智能駕駛系統(tǒng)安全保障機(jī)制，一方面是在遇到不平及復(fù)雜路面易造成車輛機(jī)械部件松動、傳感部件失效等問題時，通過預(yù)警和容錯控制維持車輛安全運行；另一方面是決策過程某些算法參數(shù)設(shè)置不合理、推理規(guī)則不完備等原因?qū)е轮悄芷囋谛袨閯幼髦兄貜?fù)出現(xiàn)某些錯誤并陷入死循時，能夠建立錯誤修復(fù)機(jī)制使智能汽車自主的跳出錯誤死循環(huán)，朝著完成既定任務(wù)的方向繼續(xù)前進(jìn)，以減少人工干預(yù)來解決問題，這是提高車輛智能化水平的必需。

3. 決策規(guī)劃技術(shù)方法

決策規(guī)劃是智能汽車導(dǎo)航和控制的基礎(chǔ)，從軌跡決策的角度考慮的，可分為全局規(guī)劃和局部規(guī)劃兩個層次。

A. 全局規(guī)劃方法

(1)基于狀態(tài)空間的最優(yōu)控制軌跡規(guī)劃方法

在狀態(tài)空間進(jìn)行軌跡規(guī)劃的方法主要有最優(yōu)控制方法。最優(yōu)控制方法是指通過最優(yōu)控制理論找到可行的控制量 ，使得系統(tǒng) 能夠沿著可行軌跡 行駛，該軌跡能夠使得評價函數(shù) 最小。將評價函數(shù)和系統(tǒng)的狀態(tài)方程聯(lián)系起來，只有系統(tǒng)狀態(tài)方程的約束條件滿足，評價函數(shù)才能置零，求得可行的軌跡 。

(2)基于參數(shù)化曲線的軌跡規(guī)劃方法

B樣條曲線由一組稱作控制點的向量來確定，這些控制點按順序連接形成一個控制多邊形，B樣條曲線就是逼近這個控制多邊形。通過確定控制點的位置，可以控制曲線的形狀。由于B樣條曲線具有曲率連續(xù)的優(yōu)點，在相鄰曲線段的節(jié)點處曲率也是連續(xù)的[31]，且具有局部支撐性等特點，如果軌跡局部的約束條件不滿足，可以通過調(diào)整相應(yīng)控制點的方法來對軌跡進(jìn)行修正，而不影響其它的軌跡段，具有應(yīng)用性強的特點。

(3)基于基于系統(tǒng)特征的軌跡規(guī)劃方法

微分平坦法是基于系統(tǒng)特征的一種軌跡規(guī)劃方法。微分平坦是指可以找到一組系統(tǒng)輸出，使得所有狀態(tài)變量和輸入變量都可以由這組輸出及其導(dǎo)數(shù)決定(不需積分)。不過該方法在規(guī)劃軌跡的過程中沒有考慮最大曲率和最大曲率變化率的約束條件。文獻(xiàn)針對路徑規(guī)劃給定的路徑函數(shù)信息，通過微分平坦的方法規(guī)劃出系統(tǒng)輸入及狀態(tài)的時間相關(guān)的軌跡函數(shù)，在滿足車輛側(cè)向加速度約束的情況下使得系統(tǒng)的某性能指標(biāo)最優(yōu)。

B. 局部規(guī)劃方法

局部路徑規(guī)劃的方法主要包括以下兩個關(guān)鍵部分：（1）建立環(huán)境模型，即將智能汽車所處現(xiàn)實世界抽象后，建立計算機(jī)可認(rèn)知的環(huán)境模型；（2）搜索無碰路徑，即在某個模型的空間中，在多種約束條件下，選擇合乎條件的路徑搜索算法。

C. 路權(quán)分配技術(shù)

路權(quán)（Right of Weight，ROW），是指道路使用者依據(jù)法律規(guī)定，在一定的時間對一定的道路空間使用的權(quán)力。在智能駕駛中，路權(quán)可以用來描述滿足車輛當(dāng)前安全行駛所需要的道路空間。

路權(quán)與車速強相關(guān)，可分為期望路權(quán)和實際路權(quán)，當(dāng)兩者不一致時，就需要進(jìn)行調(diào)節(jié)來解決沖突。自主駕駛是智能汽車在任意時刻對路權(quán)的檢測和使用，多車交互是車群在任意時刻對路權(quán)的競爭、占有、放棄等協(xié)同過程。自主駕駛的不確定性，體現(xiàn)在車輛行駛中擁有的路權(quán)在不停地發(fā)生變化。

四、控制工程

智能駕駛的整個流程歸結(jié)起來有三個部分，首先，是通過雷達(dá)、像機(jī)、車載網(wǎng)聯(lián)系統(tǒng)等對外界的環(huán)境進(jìn)行感知識別；然后，在傳感感知融合信息基礎(chǔ)上，通過智能算法學(xué)習(xí)外界場景信息，規(guī)劃車輛運行軌跡，實現(xiàn)車輛擬人化控制融入交通流中；其次，跟蹤決策規(guī)劃的軌跡目標(biāo)，控制車輛的油門、剎車和轉(zhuǎn)向等駕駛動作，調(diào)節(jié)車輛行駛速度、位置和方向等狀態(tài)，以保證汽車的安全性、操縱性和穩(wěn)定性。如果能夠默契地進(jìn)行，那么整個智能駕駛流程就算完成了。

智能駕駛的系統(tǒng)將駕駛認(rèn)知形式化，利用駕駛認(rèn)知的圖表達(dá)語言，設(shè)計通用的智能駕駛軟件架構(gòu)。在這一架構(gòu)中，智能決策模塊基于多傳感器的感知信息、駕駛地圖和車聯(lián)網(wǎng)通信等先驗信息綜合形成的駕駛態(tài)勢完成自主決策。智能駕駛試驗平臺軟件的架構(gòu)如圖所示。

1. 自動駕駛控制核心技術(shù)

自動駕駛控制的核心技術(shù)是車輛的縱向控制和橫向控制技術(shù)。縱向控制，即車輛的驅(qū)動與制動控制；橫向控制，即方向盤角度的調(diào)整以及輪胎力的控制。實現(xiàn)了縱向和橫向自動控制，就可以按給定目標(biāo)和約束自動控制車運行。

A.車輛縱向控制

車輛縱向控制是在行車速度方向上的控制，即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結(jié)為對電機(jī)驅(qū)動、發(fā)動機(jī)、傳動和制動系統(tǒng)的控制。各種電機(jī)-發(fā)動機(jī)-傳動模型、汽車運行模型和剎車過程模型與不同的控制器算法結(jié)合，構(gòu)成了各種各樣的縱向控制模式，典型結(jié)構(gòu)如圖所示。此外，針對輪胎作用力的滑移率控制是縱向穩(wěn)定控制中的關(guān)鍵部分。

B. 橫向控制

車輛橫向控制指垂直于運動方向上的控制，對于汽車也就是轉(zhuǎn)向控制。目標(biāo)是控制汽車自動保持期望的行車路線，并在不同的車速、載荷、風(fēng)阻、路況下有很好的乘坐舒適性和穩(wěn)定性。車輛橫向控制主要有兩種基本設(shè)計方法，一種是基于駕駛員模擬的方法；另一種是給予汽車橫向運動力學(xué)模型的控制方法。

　　2.自動駕駛控制方法

傳統(tǒng)的汽車控制方法主要有：PID控制、模糊控制、最優(yōu)控制、滑?？刂频?，這些算法應(yīng)用都較為廣泛。相對于傳統(tǒng)的控制方法，智能控制方法主要體現(xiàn)在對控制對象模型的運用和綜合信息學(xué)習(xí)運用上，主要有基于模型的控制、神經(jīng)網(wǎng)絡(luò)控制和深度學(xué)習(xí)方法等，目前這些算法已逐步在汽車控制中廣泛應(yīng)用。

A. 基于模型的控制

基于模型的控制,一般稱為模型預(yù)測控制（Model predictive control，MPC）,又可稱為滾動時域控制（Moving horizon control，MHC）和后退時域控制（Receding horizon control，RHC），它是一類以模型預(yù)測為基礎(chǔ)的計算機(jī)優(yōu)化控制方法，在近些年來被廣泛研究和應(yīng)用的一種控制策略。其基本原理可概括為：在每個采樣時刻，根據(jù)當(dāng)前獲得的當(dāng)前測量信息，在線求解一個有限時域的開環(huán)優(yōu)化問題1，并將得到的控制序列的第一個元素作用于被控對象，在一個采樣時刻，重復(fù)上述過程，再用新的測量值刷新優(yōu)化問題并重新求解。在線求解開環(huán)優(yōu)化問題獲得開環(huán)優(yōu)化序列是模型預(yù)測控制與傳統(tǒng)控制方法的主要區(qū)別。預(yù)測控制算法主要由預(yù)測模型、反饋校正、滾動優(yōu)化、參考軌跡四個部分組成，最好將優(yōu)化解的第一個元素（或第一部分）作用于系統(tǒng)。

B. 神經(jīng)網(wǎng)絡(luò)控制

神經(jīng)控制是研究和利用人腦的某些結(jié)構(gòu)機(jī)理以及人的知識和經(jīng)驗對系統(tǒng)的控制[60]。利用神經(jīng)網(wǎng)絡(luò)，可以把控制問題看成模式識別問題，被識別的模是映射成“行為”信號的“變化”信號。神經(jīng)控制最顯著的特點是具有學(xué)習(xí)能力。它是通過不斷修正神經(jīng)元之間的連接權(quán)值，并離散存儲在連接網(wǎng)絡(luò)中來實現(xiàn)的。它對非線性系統(tǒng)和難以建模的系統(tǒng)的控制具有良好效果。一般情況下，神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)有兩種方法：一種是用其建模，主要利用神經(jīng)網(wǎng)絡(luò)能任意近似任何連續(xù)函數(shù)和其學(xué)習(xí)算法的優(yōu)勢，存在前饋神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)兩種類型；另一種是直接作為控制器使用。

C.深度學(xué)習(xí)

深度學(xué)習(xí)源于神經(jīng)網(wǎng)絡(luò)的研究，可理解為深層的神經(jīng)網(wǎng)絡(luò)]。通過它可以獲得深層次的特征表示，免除人工選取特征的繁復(fù)冗雜和高維數(shù)據(jù)的維度災(zāi)難問題。 深度學(xué)習(xí)在特征提取與模型擬合方面顯示了其潛力和優(yōu)勢。對于存在高維數(shù)據(jù)的控制系統(tǒng)，引入深度學(xué)習(xí)具有一定的意義，近年來, 已有一些研究關(guān)注深度學(xué)習(xí)在控制領(lǐng)域的應(yīng)用。目前較為公認(rèn)的深度學(xué)習(xí)的基本模型包括基于受限玻爾茲曼機(jī) (Restricted Boltzmann machine，RBM)的深度信念網(wǎng)絡(luò) (Deep belief network，DBN)、基于自動編碼器 (Autoencoder，AE)的堆疊自動編碼器 (Stacked autoencoders, SAE)、卷積神經(jīng)網(wǎng)絡(luò) (Convolutional neural networks， CNN)、遞歸神經(jīng)網(wǎng)絡(luò) (Recurrent neural networks，RNN)。無人駕駛系統(tǒng)需要盡量減少人的參與或者沒有人的參與，深度學(xué)習(xí)自動學(xué)習(xí)狀態(tài)特征的能力使得深度學(xué)習(xí)在無人駕駛系統(tǒng)的研究中具有先天的優(yōu)勢。如何充分利用和發(fā)揮深度學(xué)習(xí)在無人駕駛系統(tǒng)中的優(yōu)勢并發(fā)展深度學(xué)習(xí)在環(huán)的無人駕駛系統(tǒng)控制是目前的研究方向。

3. 自動駕駛控制駕駛方案

根據(jù)從行駛環(huán)境到駕駛動作的映射過程，自動駕駛控制技術(shù)可以分為間接控制和直接控制兩種不同方案。

A.基于規(guī)劃-跟蹤的間接控制方法

自動駕駛間接控制是一類基于規(guī)劃-跟蹤的主流智能駕駛車輛控制方法。根據(jù)當(dāng)前車輛行為需求，在滿足車輛自身運動學(xué)和動力學(xué)約束條件下規(guī)劃出一條空間上可行且時間上可控的無碰撞安全運動軌跡，然后設(shè)計適當(dāng)?shù)目刂坡筛櫳傻哪繕?biāo)軌跡，從而實現(xiàn)自主駕駛。如下圖所示

　　B. 基于人工智能的直接控制方法

自動駕駛的直接控制是一類基于人工智能的智能駕駛車輛自主控制決策方法。自動駕駛直接控制方法采用人工智能等手段，建立了從行駛環(huán)境到駕駛動作的直接映射過程，具體講是在認(rèn)知的范疇內(nèi)試圖建立一種先進(jìn)的駕駛員模型以完成實際復(fù)雜駕駛過程，此外控制過程無需建立被控對象的數(shù)學(xué)模型，具有較強的機(jī)動性和實時性。

基于人工智能決策控制模型本質(zhì)上是模擬人腦對外界環(huán)境信息和車體本身信息的感知（圖 4-7），同時由駕駛經(jīng)驗并同在線學(xué)習(xí)機(jī)制來獲得持續(xù)穩(wěn)定輸出的過程。

五、人交互系統(tǒng)

人機(jī)交互系統(tǒng)作為智能駕駛的關(guān)鍵技術(shù)之一，對于智能汽車發(fā)展和應(yīng)用有著十分重要的作用和意義，包括：進(jìn)一步提高智能汽車的可靠性和安全性；擁有更強的實用性和更加出色的用戶體驗；增強智能汽車的靈活性和機(jī)動性；提高智能汽車的任務(wù)執(zhí)行力。

智能汽車人機(jī)交互系統(tǒng)發(fā)展現(xiàn)狀目前世界上比較主流的人車交互系統(tǒng)主要有以下幾種：奧迪MMI、奔馳COMMAND、寶馬iDrive、豐田G-BOOK、蘋果CarPlay等人機(jī)交互系統(tǒng)。

人機(jī)交互系統(tǒng)的核心技術(shù)人機(jī)界面技術(shù)的研究主要針對駕駛員和車輛駕駛信息的交互。

1.人機(jī)交互系統(tǒng)核心技術(shù)

駕駛員信息交互的研究開始于1970s，但直到1990s車輛導(dǎo)航系統(tǒng)的出現(xiàn)才真正應(yīng)用到商業(yè)產(chǎn)品中。在過去十年間，人們通過駕駛員負(fù)荷測量技術(shù)研究了駕駛員在利用HMI信息時的精神負(fù)擔(dān)，這方面的研究結(jié)果對HMI的設(shè)計起到十分重要的作用，并且進(jìn)一步推動了相關(guān)標(biāo)準(zhǔn)和設(shè)計準(zhǔn)則的制定。

A. 人機(jī)共駕技術(shù)

人機(jī)共駕技術(shù)的研究主要面向先進(jìn)駕駛輔助系統(tǒng)。對于輔助駕駛系統(tǒng)，人機(jī)交互是其中很重要的一環(huán)。隨著越來越多的輔助駕駛系統(tǒng)進(jìn)入產(chǎn)品化的階段，系統(tǒng)對于車輛的控制權(quán)變得越來越大，越來越復(fù)雜。因此，如何將多個輔助駕駛系統(tǒng)和駕駛員之間進(jìn)行集成已經(jīng)成為當(dāng)前的一個研究熱點。ADAS系統(tǒng)本身就被定義為輔助駕駛系統(tǒng)，這就不可避免的需要考慮到和駕駛員行為之間的交互關(guān)系。如果輔助駕駛系統(tǒng)不考慮駕駛員的操縱行為反而會增加車輛行駛過程中的危險性。

B. 駕駛行為特性研究

駕駛員在真實道路中的駕駛行為研究是人機(jī)共駕技術(shù)中十分重要的一部分，也是智能輔助系統(tǒng)的研究的基礎(chǔ)。計算機(jī)圖形學(xué)和計算性能的發(fā)展使得道路結(jié)構(gòu)和交通車行為的虛擬建模成為可能，這就使得駕駛模擬器可以模擬更為廣泛的道路和交通狀況。再加上處理器處理能力的發(fā)展和成本的下降，駕駛模擬器再次成為駕駛員行為特性研究的有力工具。和真實道路試驗相比，駕駛模擬器具有可重復(fù)性好，工況設(shè)定更為靈活，耗時少，效率高，風(fēng)險低等優(yōu)點。盡管駕駛模擬器現(xiàn)在被廣泛的應(yīng)用于駕駛員特性研究中，但是對于通過駕駛模擬器獲得的駕駛員特性數(shù)據(jù)和真實道路試驗獲得的駕駛員特性數(shù)據(jù)相比，其可靠性仍然需要進(jìn)一步的驗證。

2. 人機(jī)交互系統(tǒng)發(fā)展趨勢

通過對目前人機(jī)交互系統(tǒng)的研究現(xiàn)狀的分析，未來有關(guān)人機(jī)界面，人機(jī)交互和人機(jī)共駕可能的發(fā)展趨勢包括：

在人機(jī)交互設(shè)計過程中，需要考慮不同人群的需求，這也是未來HMI設(shè)計標(biāo)準(zhǔn)和準(zhǔn)則的制定方向。

車輛中和駕駛員操縱輸入密切相關(guān)的部分，如轉(zhuǎn)向盤力感，踏板腳桿，座椅舒適度，體感等，依然會是未來的研究方向之一。更適合駕駛員的操縱輸入和身體感知將是一個需要持續(xù)努力的研究方向。

對于ADAS系統(tǒng)，駕駛員在獲得輔助駕駛的同時，也會分散注意力增加駕駛負(fù)擔(dān)，這是ADAS系統(tǒng)面臨的一個重要問題。如何協(xié)調(diào)好駕駛員基本操縱行為和輔助駕駛系統(tǒng)之間的關(guān)系需進(jìn)一步研究。

未來車輛以及交通領(lǐng)域不僅僅是駕駛員和車之間關(guān)系的研究，這一領(lǐng)域所面臨的問題可能會是更為廣泛的社會問題，需要更多領(lǐng)域的研究人員參與進(jìn)來，如城市規(guī)劃師，社會學(xué)家，人類學(xué)家等。

目前各國雖然都獲得大量的駕駛員行為信息的數(shù)據(jù)庫，但是如何將這些數(shù)據(jù)應(yīng)用于工程系統(tǒng)中仍有待研究。

六、測試驗證

自動駕駛將歷經(jīng)4至5個階段才能進(jìn)入完全無人駕駛的時代。目前可以實用化的技術(shù)是高級輔助駕駛（ADAS），而高級自動駕駛、完全無人駕駛等技術(shù)正在實驗室和封閉、半封閉測試區(qū)緊鑼密鼓的進(jìn)行。只有經(jīng)過長期的測試驗證，自動駕駛車輛才能為大眾提供安全可靠的出行服務(wù)。具體的講，自動駕駛測試包括軟件在環(huán)（SIL）、硬件在環(huán)（HIL）、車輛在環(huán)（VIL）、場測、路測等環(huán)節(jié)，測試內(nèi)容包括傳感器、算法、執(zhí)行器、人機(jī)界面等等各個環(huán)節(jié)，測試目的從應(yīng)用功能、性能、穩(wěn)定性和魯棒性、功能安全、形式認(rèn)證等等。

自動駕駛汽車的開發(fā)測試，需要大量的訓(xùn)練數(shù)據(jù)采集和標(biāo)注工作。如何有效采集數(shù)據(jù)，以及如何標(biāo)記數(shù)據(jù)，是當(dāng)前自動駕駛領(lǐng)域的一個熱門話題。測試數(shù)據(jù)的簡單標(biāo)注可以自動化，復(fù)雜標(biāo)注仍然需要大量人力。首先要有標(biāo)記和訓(xùn)練學(xué)習(xí)的工作，把環(huán)境關(guān)鍵因素提取出來，然后要用圖像處理等方式提取與環(huán)境其他要素之間的時空關(guān)系，這樣形成的數(shù)據(jù)就可以拿來分析建模，包括后續(xù)的算法開發(fā)和功能測評都可以用。除了訓(xùn)練數(shù)據(jù)采集，一個全面的評測數(shù)據(jù)集和合理的評測指標(biāo)也非常關(guān)鍵。對于不同的任務(wù)，不同的技術(shù)階段，需要有不同的評測指標(biāo)和方法。

在智能駕駛領(lǐng)域，技術(shù)的每一步發(fā)展都必須以保障個人安全為丈量，于是它的發(fā)展除了將帶給人們歡喜鼓舞的便利之外，也引發(fā)了對其安全性的擔(dān)憂。自動駕駛汽車的實際道路測試有很大的局限性，需要用模擬仿真測試來彌補。谷歌、特拉斯、Zoox等很多公司借助模擬仿真的方法力圖使無人駕駛車的行駛里程盡快達(dá)到十億英里。從軟件到硬件的模擬仿真被合理建模時，就會為公司實驗和測試他們的無人駕駛汽車模式提供了可能性。它包括各種各樣的應(yīng)用場景，實時交通、司機(jī)行為、天氣以及道路環(huán)境等。

1. 技術(shù)方案

A. Waymo的自動駕駛模擬仿真軟件Carcraft

最初開發(fā)Carcraft是作為一種“回放”無人車在公共道路行駛經(jīng)歷場景的方式，之后慢慢發(fā)展成了仿真，并在Waymo自動駕駛項目中發(fā)揮了重大作用。Waymo可以在一天內(nèi)沿著一條特別復(fù)雜的道路模擬行駛數(shù)十萬次，總行駛里程達(dá)到800萬英里左右。2016年，與谷歌IRL自動駕駛汽車在實際公共道路上運行的300多萬英里相比，Waymo已經(jīng)行駛了25億英里的虛擬路程。

仿真測試是Waymo自動駕駛汽車研發(fā)中的一部分，仿真將Waymo自動駕駛原型車在實際道路中的測試與中央谷地一個叫做「城堡」（Castle）的秘密基地進(jìn)行的“結(jié)構(gòu)化測試”項目緊密結(jié)合在了一起。Waymo 此前從未公布過「城堡」的內(nèi)部運作細(xì)節(jié)。在實際公共道路上進(jìn)行的測試能夠讓開發(fā)人員知道需要在哪種地形進(jìn)行額外訓(xùn)練。隨后他們將這種地形在秘密基地「城堡」中復(fù)刻，使得測試車輛能夠在不同的場景中進(jìn)行訓(xùn)練。在這兩種實體測試中，Waymo的自動駕駛原型車捕獲了足夠數(shù)據(jù)，未來可以在任何時候進(jìn)行全數(shù)字化的仿真模擬測試。

　　2.未來發(fā)展的技術(shù)挑戰(zhàn)和趨勢

對于模擬的里程效用真的有用嗎差分gps的分類？大家所持觀點不一。支持一方認(rèn)為，模擬可以用來模擬罕見情況和基線數(shù)據(jù)，罕見的情況是指難以重現(xiàn)或足夠隨機(jī)的場景。如果無人駕駛能夠提供99%的可靠性，因為大部分場景已經(jīng)通過模擬得以優(yōu)化。而AI或ML的一些未來技術(shù)迭代則允許我們在沒有事先數(shù)據(jù)預(yù)備的情況下，對極端情況做出反應(yīng)。排除特殊情況之外，仿真對于構(gòu)建基礎(chǔ)數(shù)據(jù)集也非常有用，并且在此基礎(chǔ)上不斷進(jìn)行進(jìn)一步的測試。反對一方則認(rèn)為與此相對應(yīng)的是：模擬環(huán)境不夠好以至于不能高效地生成模型。通常，這是一個環(huán)境與車輛交互的場景，并且很難在現(xiàn)實場景中復(fù)現(xiàn)。此外，還存在著圖像保真度過低的情景等等。

為了幫助解決有關(guān)數(shù)據(jù)質(zhì)量的一些問題，研究人員正在測試將虛擬圖像輸入轉(zhuǎn)化為現(xiàn)實模型的可能性，以改進(jìn)模擬實驗。谷歌曾放出消息，雖然許多政府機(jī)構(gòu)還不愿意將模擬英里數(shù)作為規(guī)定中的自主駕駛測試所需里程的一部分，但隨著對模擬的監(jiān)管變得更加明確，這種情況可能會發(fā)生變化。

如果精確度足夠高，那么模擬是有價值的。誠然，模擬可能不會解決的最后1%的自主駕駛問題。但如果技術(shù)可靠，那么在未來可以讓模型完成更好的場景識別或應(yīng)對更大范圍的場景。許多公司對此表示贊同，包括特斯拉，Zoox，Comma.ai，Drive.ai等。

模擬仿真技術(shù)的使用還能夠擴(kuò)展到無人駕駛領(lǐng)域之外。比如，我們可以借此理解無人機(jī)如何感知周圍的世界，也能更好地明白交通、駕駛行為，甚至是行人行為的潛在邏輯。一個模擬環(huán)境中，存在足夠多的特定模型和動態(tài)生命，因此我們還可以更好地理解機(jī)器人，它們將與我們的真實世界和數(shù)字世界發(fā)生交互。

來源：雷鋒網(wǎng)，由阿基米德先進(jìn)技術(shù)網(wǎng)編輯整理發(fā)布，轉(zhuǎn)載請注明出處差分gps的分類！免責(zé)聲明：本文系網(wǎng)絡(luò)轉(zhuǎn)載，不代表本公眾號觀點，版權(quán)歸原作者所有。如涉及版權(quán)，請聯(lián)系刪除！

　　差分gps的分類你可能還想看