第五章
自動駕駛

擁擠的都市里，很多人都會覺得開車麻煩，包括方向感不好的人、穿高跟鞋的女性、需要應酬的中年人、反應慢的老人等等。對于他們來說，高峰期打不到車，乘地鐵太擁擠，騎自行車不安全，交通出行難已經成為現代都市面臨的“通病”。如果有了自動駕駛汽車，上述麻煩都會迎刃而解。也許在不遠的將來，我們通過智能手機就可以呼叫一輛沒有司機的車輛前來“接駕”，送我們安全抵達目的地。

不僅如此，自動駕駛技術的發展可能對世界產生巨大的變化。舉幾個例子來說，在汽車行業，自動駕駛汽車可能不再“私有化”，車企將由“銷售車輛”轉向“銷售車輛娛樂服務”。在ICT行業，自動駕駛汽車之間是通過通信技術相互連接的，在移動通信營業廳也將可以購買自動駕駛汽車服務。在金融行業，有了“不會發生車禍的汽車”后，汽車保險的定義、資金流向、產業結構都會發生巨大變化。對于交通監管部門，既然不再由人類駕駛汽車，駕照是否可以取消？從產業發展的情況來看，上述推斷都不再是遙遠的夢想，不僅谷歌、蘋果等國外高科技巨頭瞄準這個方向，美國、德國、日本、中國也都在自動駕駛方面積極部署，希望搶占發展的先機和制高點。

總的來看，自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息技術深度融合的產物，是當前全球汽車與交通出行領域智能化和網聯化發展的主要方向。

組成自動駕駛的各項“元素”

自動駕駛汽車可以被理解為“站在四個輪子上的機器人”，利用傳感器、攝像頭、雷達感知環境，使用GPS和高精度地圖確定自身位置，從云端數據庫接收交通信息，利用處理器使用收集到的各類數據，向控制系統發出指令，實現加速、剎車、變道、跟隨等各種操作。

自動駕駛技術的兩種分級模式

自動駕駛技術分為多個等級，業界采用較多的為美國汽車工程師協會（SAE）和美國高速公路安全管理局（NHTSA）推出的分類標準。按照SAE的標準，自動駕駛汽車視智能化、自動化程度水平分為6個等級：無自動化（L0）、駕駛支援（L1）、部分自動化（L2）、有條件自動化（L3）、高度自動化（L4）和完全自動化（L5）。兩種不同分類標準的主要區別在于完全自動駕駛場景下，SAE更加細分了自動駕駛系統作用范圍。詳細標準見表2-3。

自動駕駛的兩條技術路線

在自動駕駛技術方面，有兩條不同的發展路線：一條是“漸進演化”的路線，也就是在今天的汽車上逐漸新增一些自動駕駛功能，例如特斯拉、寶馬、奧迪、福特等車企均采用此種方式，這種方式主要利用傳感器，通過車車通信（V2V）、車云通信實現路況的分析。另一條是完全“革命性”的路線，即從一開始就是徹徹底底的自動駕駛汽車，例如谷歌和福特公司正在一些結構化的環境里測試的自動駕駛汽車，這種路線主要依靠車載激光雷達、電腦和控制系統實現自動駕駛。從應用場景來看，第一種方式更加適合在結構化道路上測試，第二種方式除結構化道路外，還可用于軍事或特殊領域。

自動駕駛涉及的軟硬件

傳感器

傳感器相當于自動駕駛汽車的眼睛。通過傳感器，自動駕駛汽車能夠識別道路、其他車輛、行人障礙物和基礎交通設施，在最小測試量和驗證量的前提下保證車輛對周圍環境的感知。按照自動駕駛不同技術路線，傳感器可分為激光雷達、傳統雷達和攝像頭三種。

激光雷達是被當前自動駕駛企業采用比例最大的傳感器類型。谷歌、百度、優步等公司的自動駕駛技術目前都依賴于它，這種設備安裝在汽車的車頂上，能夠用激光脈沖對周圍環境進行距離檢測，并結合軟件繪制3D圖，從而為自動駕駛汽車提供足夠多的環境信息。激光雷達具有準確快速的識別能力，唯一缺點在于造價高昂（平均價格在8萬美元一臺），導致量產汽車中難以使用該技術。

傳統雷達和攝像頭是傳感器替代方案。由于激光雷達的高昂價格，走實用性技術路線的車企紛紛轉向以傳統雷達和攝像頭作為替代，從軟件和車輛連接能力方面進行補償。例如著名電動汽車生產企業特斯拉，采用的方案就是雷達和單目攝像頭。其硬件原理與目前車載的ACC自適應巡航系統類似，依靠覆蓋汽車周圍360°視角的攝像頭及前置雷達來識別三維空間信息，從而確保交通工具之間不會互相碰撞。雖然這種傳感器方案成本較低、易于量產，但對于攝像頭的識別能力具有很高要求：單目攝像頭需要建立并不斷維護龐大的樣本特征數據庫，如果缺乏待識別目標的特征數據，就會導致系統無法識別以及測距，很容易造成事故的發生。而雙目攝像頭可直接對前方景物進行測距，但難點在于計算量大，需要提高計算單元性能（見圖2-1）。

地圖和定位

自動駕駛車輛只有準確識別車輛的位置，才可以決定如何進行導航，所以地圖的重要性不言而喻。自動駕駛技術對于車道、車距、路障等信息的依賴程度更高，需要更加精確的位置信息，是自動駕駛車輛對環境理解的基礎。隨著自動駕駛技術不斷進化升級，為了實現決策的安全性，需要達到厘米級的精確程度。如果說傳感器為自動駕駛車輛提供了直觀的環境印象，那么高精度地圖則可以通過車輛準確定位，將車輛準確地還原在動態變化的立體交通環境中。

地圖路線選擇目前主要有兩種：一是精致高清（HD）地圖。這種地圖往往配備在那些使用了激光雷達的廠商方案中，目的是為了創建360°的周圍環境認知（見圖2-2）。二是特征映射地圖。這種方案通常與雷達、攝像頭的方案進行結合，可以通過地圖捕捉車道標記、道路和交通標志，雖然這種方式提供的地圖精度不足，但通過映射道路特征，使系統的處理和更新變得更加容易。對于地圖制作者來說，需要不斷采集和更新傳感器包來保證地圖不斷更新。

車輛定位的方案也主要包括兩種：一是通過高清地圖。這種方案使用包括GPS在內的車載傳感器比較自動駕駛車輛感知到的環境與高清地圖之間的區別，可以非常精確地識別車輛所處位置、車道信息及行駛方向等，所使用的技術包括了V2X等（見圖2-3）。二是通過GPS定位。這種方案主要通過GPS定位獲取車輛位置，然后再使用車載攝像頭等裝置改善定位信息，逐幀比較的方式可以降低GPS信號的誤差范圍。以上兩種定位方式都對導航系統和測繪數據有很強的依賴。第一種方式可以更加準確地描繪位置信息，但第二種方式更加易于部署，也不需要高精地圖支持。對于設計者來說，第二種方式更加適合鄉村或人煙稀少的區域，對車輛位置的準確性要求不高。

決策

目前，自動駕駛汽車設計者使用一系列方法實現自動駕駛汽車決策。一是神經網絡，主要為了識別特定的場景并做出適當決策，但這些網絡復雜的特性導致很難理解特定決策的根本原因或邏輯。二是以規則為基礎的決策系統，主要是“IF-THEN”決策系統，決策根據具體規則做出。三是混合決策，包括了以上兩種決策方式，主要通過集中性神經網絡連接個人的處理，并通過“IF-THEN”規則完善這樣的路徑。

無論采用哪種方式，算法是支撐自動駕駛技術決策最關鍵的部分，目前主流自動駕駛公司都采用機器學習與人工智能算法來實現。海量的數據是機器學習以及人工智能算法的基礎，通過此前提到的傳感器、V2X設施和高精度地圖信息所獲得的數據，以及收集到的駕駛行為、駕駛經驗、駕駛規則、案例和周邊環境的數據信息，不斷優化的算法能夠識別并最終規劃路線、操縱駕駛。

自動駕駛產業發展情況和趨勢

從自動駕駛國內外整個發展情況來看，美、德引領自動駕駛產業發展大潮，日本、韓國迅速覺醒，我國呈追趕態勢。具體而言，體現出以下幾個趨勢：

以盡快商用為目標，加快推進路面測試和法規出臺

各國紛紛將2020年作為重要時間節點，希望屆時實現自動駕駛汽車全面部署。美國在聯邦和州層面積極進行自動駕駛立法。2017年7月27日，美國聯邦層面關于自動駕駛的立法取得了重大突破，眾議院一致通過了兩黨法案《自動駕駛法案》（Self Drive Act），首次對自動駕駛汽車的生產、測試和發布進行管理。待美國總統批準后，此法案將上升為法律（Law）并正式實施。在州層面，截至2017年8月，已有20個州頒布實施了40份涉及自動駕駛的法案和行政命令。

德國政府2015年已允許在連接慕尼黑和柏林的A9高速公路上開展自動駕駛汽車測試項目，2016年4月批準了交通部起草的相關法案，將“駕駛員”定義擴大到能夠完全控制車輛的自動系統。2017年5月，德國聯邦參議院投票通過首部關于自動駕駛法律規定，允許自動駕駛汽車在特定條件下代替人類駕駛。

從我國看，工信部2016年在上海開展上海智能網聯汽車試點示范；在浙江、北京、河北、重慶、吉林、湖北等地開展“基于寬帶移動互聯網的智能汽車、智慧交通應用示范”，推進自動駕駛測試工作。北京已出臺智能汽車與智慧交通應用示范五年行動計劃，將在2020年底完成北京開發區范圍內所有主干道路智慧路網改造，分階段部署1000輛全自動駕駛汽車的應用示范。江蘇于2016年11月與工信部、公安部簽訂三方合作協議，共建國家智能交通綜合測試基地。

以網聯汽車為方向，推動系統研發和通信標準統一

從目前產業趨勢來看，多數企業采取了網聯汽車（Connected Cars）的發展路徑，加快芯片處理能力、自動駕駛認知系統研發，推動統一車輛通信標準的出臺。

研發方面，德國博世集團和NVIDIA正在合作開發一個人工智能自動駕駛系統，NVIDIA提供深度學習軟件和硬件，Bosch AI將基于NVIDIA Drive PX技術以及該公司即將推出的超級芯片Xavier，屆時可提供第4級自動駕駛技術。IBM宣布其科學家獲得了一項機器學習系統的專利，可以在潛在的緊急情況下動態地改變人類駕駛員和車輛控制處理器之間的自主車輛控制權，從而預防事故的發生。

車輛通信標準方面，LTE-V、5G等通信技術成為自動駕駛車輛通信標準的關鍵，將為自動駕駛提供高速率、低時延的網絡支撐。一方面，國內外協同推進LTE-V2X成為3GPP 4.5G重要發展方向。大唐、華為、中國移動、中國信息通信研究院等企業和單位合力推動，在V2V、V2I的標準化工作方面取得了積極進展。另一方面，LTE-V2X技術也隨著自動駕駛需求的發展正逐步向5GV2X演進。5G、V2X專用通信可將感知范圍擴展到車載傳感器工作邊界以外的范圍，實現安全高帶寬業務應用和自動駕駛，完成汽車從代步工具向信息平臺、娛樂平臺的轉化，有助于進一步豐富業務情景。當前，5G汽車協會（5GAA）和歐洲汽車與電信聯盟（EATA）簽署了諒解備忘錄，將共同推進C-V2X產業，使用基于蜂窩的通信技術的標準化、頻譜和預部署項目。中國移動與北汽、通用、奧迪等合作推動5G聯合創新，華為則與寶馬、奧迪等合作推動基于5G的服務開發。此外，工信部組織起草的智能網聯汽車標準體系方案即將對外發布，車聯網標準體系也在逐步完善，對于智能網聯汽車發展至關重要。

以創新業態為引領，互聯網企業成為重要驅動力量

互聯網企業天生具有業務創新和發展的基因，目前也紛紛涉足自動駕駛行業，成為行業重要的驅動力量。美國方面，谷歌公司2009年已開始無人駕駛研發，2015年12月至2016年12月在加州道路上共行駛記錄635868英里，不僅是加州測試里程最多的企業，也是系統停用率最低的企業。美國第一大網約車服務商優步已在匹茲堡、坦佩、舊金山和加州獲準進行無人駕駛路測，第二大網約車服務商Lyft于2016年9月公布自動駕駛汽車三階段發展計劃，目前也已在匹茲堡開展測試。蘋果公司也于2017年4月剛剛獲得加州測試許可證。韓國方面，剛剛批準韓國互聯網公司Naver在公路上測試自動駕駛汽車，成為第13家獲得許可的自動駕駛汽車研發企業，計劃于2020年前商業化3級自動駕駛汽車。

從我國來看，百度公司于2016年9月獲得了在美國加州的測試許可，11月在浙江烏鎮開展普通開放道路的無人車試運營。其總裁兼首席運營官陸奇更是于2017年4月發布了“Apollo”計劃，計劃將公司掌握的自動駕駛技術向業界開放，將開放環境感知、路徑規劃、車輛控制、車載操作系統等功能的代碼或能力，并且提供完整的開發測試工具，目的是進一步降低無人車的研發門檻，促進技術的快速普及。騰訊于2016年下半年成立自動駕駛實驗室，依托360°環視、高精度地圖、點云信息處理以及融合定位等方面的技術積累，聚焦自動駕駛核心技術研發。阿里、樂視等也紛紛與上汽等車企合作開發互聯網汽車。

以企業并購為突破，初創企業和領軍企業成為標的

自動駕駛發展較快的企業所并購的主要對象為掌握自動駕駛關鍵技術的領軍企業或初創企業。2016年7月，通用公司以超過10億美元價格收購了硅谷創業公司Cruise Automation，后者研發的RP-1高速公路自動駕駛系統具備高度自動化駕駛應用潛力。2017年3月，英特爾以153億美元收購以色列科技企業Mobileye，后者致力于研發與自動駕駛有關的軟硬件系統，是特斯拉、寶馬等公司駕駛輔助系統的主要攝像頭供應商，掌握一系列圖像識別方面的專利。優步公司2015年收購了提供位置API的創業公司deCarta，還從微軟Bing部門獲取了精通圖像和數據收集的員工。2017年4月，百度宣布全資收購一家專注于機器視覺軟硬件解決方案的美國科技公司xPerception，該公司對面向機器人、AR/VR、智能導盲等行業客戶提供以立體慣性相機為核心的機器視覺軟硬件產品，可實現智能硬件在陌生環境中對自身的定位、對空間三維結構的計算和路徑規劃。據業界分析，百度此舉可能為了加強視覺感知領域的軟硬件能力。總的來看，收購領軍企業或具有潛力的初創企業，應該可以迅速加快自身自動駕駛技術的積累，形成競爭優勢。

自動駕駛汽車何時能夠上路？

雖然自動駕駛汽車產業發展如火如荼，但目前仍有一個問題還沒有最終答案，那就是自動駕駛汽車什么時間能夠真正商用，成為我們日常生活的組成部分。從現實來看，目前沒有任何一種實用性的方式可以在自動駕駛汽車廣泛部署前驗證其安全性。另一個關鍵問題是，自動駕駛汽車上路前應該有“多安全”？即使自動駕駛汽車事故率遠低于人類駕駛員，人們還是接受不了將生命安全交給一個自己不了解的機器人。

2017年5月，美國蘭德智庫向美國交通運輸委員會、住房和城市發展及相關機構提交了一份名為“實現自動駕駛汽車安全性和移動福利的挑戰和進程”的報告。其中提到一個矛盾，那就是自動駕駛汽車上路的一個關鍵前提就是已經在真實世界里積累了豐富的測試經驗，任何封閉的環境都無法模擬出真實世界的路況，這對于提升機器學習算法來說非常重要。但硬幣的另一面是，各國都不允許自動駕駛汽車在不具備相應安全條件的前提下接入公共交通道路，因為那將對行人、其他車輛和駕駛員帶來不可預估的風險。用報告中的話來說，“允許自動駕駛汽車在真實世界中上路，帶來的風險就像允許未成年人駕駛汽車一樣。”

此外，麥肯錫未來移動中心也于2017年5月發布一份報告——自動駕駛機器人何時能夠上路，對自動駕駛汽車的商業部署時間進行估計。報告認為，SAE分級標準中的LEVEL4自動駕駛車輛將在未來5年出現，而完全無人駕駛汽車（LEVEL5以上）的應用則將在10年以后，原因是目前存在很大的阻礙。一方面，LEVEL5意味著自動駕駛系統操作車輛不會受到任何環境限制，但真實世界中很多區域都是非結構化道路，也沒有明顯的車道或交通標志，為自動駕駛系統的構建帶來了更大的困難。另一方面，軟件的進步速度難以跟上硬件。一是研發識別和驗證物體需要的數據融合技術，相關數據可能來自固定物體、激光點云、攝像頭圖像等多個地方；二是研發覆蓋所有場景的“IFTHEN”引擎，模擬人的決策，需要不斷將不同場景加入到人工智能系統的訓練當中；三是構建一個可以驗證故障安全措施的系統，保證車輛在出現故障時依然有安全措施保證乘客的安全，需要預知軟件可能出現的各種情況及相關后果。以上軟件系統的構建都需要大量的時間，這也是自動駕駛汽車邁向高級別的難點所在。

但是，加快自動駕駛汽車的部署速度也并不是無路可走。對于監管部門來說，應當聯合產業、研究機構和高校，找到更加切實有效的安全測試方法，并對相關方法進行嚴格、客觀、獨立的驗證評估。此外，還應當采用更加靈活的安全測試規范，根據不同階段自動駕駛產業發展的需要，確定自動駕駛車輛融入公共交通環境需要滿足的準入要求。對于自動駕駛行業來說，自動駕駛技術的基礎性研究比炒作各種自動駕駛功能噱頭更加有效。未來可以在保證安全的情況下開展技術研究，包括開展基于真實世界的、低風險的自動駕駛導航研究（用于受限的環境和用途），向行業和監管機構共享自動駕駛測試數據（包括測試里程、碰撞情況、系統錯誤）等，不僅可以幫助其他企業在研發和測試方面少走彎路，還能為企業走向商用提供安全性的證明。