作者：許小巖   來源：AI腦力波 授權 產業智慧官 轉載。

近兩年，國內外掀起了一場空前的無人駕駛熱潮。特斯拉、谷歌、福特、賓士、豐田、百度、滴滴等眾多企業開始研發無人駕駛汽車，甚至不少企業已經計劃量產無人車。而在推動無人駕駛技術取得更多進展的過程中，要想無人駕駛汽車大量普及，還有許多艱鉅的技術挑戰有待克服。

因此，筆者這次選擇從無人駕駛技術的角度，儘可能全面地來與大家聊一下如何入門無人駕駛行業。

無人駕駛實現普及會帶來哪些好處呢？

首先，能提高人類社會的效率。當無人駕駛成為現實時，人們就可以在路上辦公、生活，時間都浪費在路上的這種說法將不復存在。另外，每輛傳統車每年平均排放5噸的二氧化碳，而如果使用中央排程的無人新能源車，總排放量可以降低到0.6億噸，效果驚人。

其次，比人類駕駛更為安全。人類駕駛員每駕駛100萬英里的里程，平均會發生4.2次意外，全球每年會產生大約1300萬次事故。如果我們能把無人駕駛每100萬英里的事故率控制在1次以內，那麼總事故數會被控制在300萬左右。現在每年全球車禍死亡人數超過百萬，所以無人駕駛的普及可以每年在全球挽救幾十萬甚至上百萬的生命。

無人駕駛並不是單點的技術，而是多個技術的整合。自動駕駛的關鍵技術依次可以分為環境感知、行為決策、路徑規劃和運動控制四大部分。

去年5月，特斯拉撞卡車交通事故的宣判結果是：特斯拉Autopilot的功能限制是導致2016年5月交通致死事故的主要原因，這裡的功能缺陷實際上就是感測器感知的缺陷。

無人駕駛汽車行駛過程中有必要知道自己的位置資訊，只有這樣才知道要怎麼去往目的地。因此，無人駕駛汽車如何進行定位呢？這裡我們要講到三個方面。

技術1：感知感測器

感知感測器分為很多種，包括視覺感測器、鐳射感測器、雷達感測器等。

成本問題：

在短期內，鐳射雷達的成本仍然很高，而且是轉動的形式，容易磨損，耐用性很差，這也是限制自動駕駛汽車普及的重要原因之一，有待無人駕駛領域工作者來解決。

技術2：GPS

GPS是一個比較好的定位導航工具，但是其更新率低是最大的問題。有的是1幀/秒的更新，有的是10幀/秒的更新，車輛高速行駛的狀況下，這顯然不夠用。所以，一般情況下，我們會把GPS和IMU慣導系統結合起來。慣導系統能提供快速更新——1000幀/秒，這彌補了GPS的更新率低的問題；而慣性導航所存在的“累計誤差”問題，也可以通過GPS來彌補。

技術3：高精地圖（HD Map）

鐳射雷達的好處是有一定的射程，能觸及100-200米的距離，能很精準的得到空間中的點（3D點雲）。將鐳射雷達的資料和高精地圖的資料做一個匹配，可以將車輛定位上升到釐米級別。

具體到高精地圖的製作上。在高精地圖的最底層，是一個網格地圖，網格地圖是使用鐳射雷達掃描回來的，精度可達5釐米；網格地圖之上，我們會做道路的標籤，也就是最底層的reference line；再加一些語義資訊，精確到車道，標示出lanes；在車道之上，再做一些語義標籤，比如限速、紅綠燈這樣的標誌物。高精地圖製作起來費用高昂，因為需要鐳射雷達裝置不斷去掃描外部環境，從而得到相關的資料來支撐其製作。剛入門的同學可以使用商業地圖平臺，比如百度地圖，去了解現有地圖的精度。然後通過深入學習高精地圖 。

技術4：輪速計

這個就相對簡單了，因為輪子周長固定，可以通過圈速來進行距離的測算，但是這個方式的累計誤差會比較大，所以也存在很大的問題。

這個部分其實是無人駕駛中最難的部分。感知、決策、規劃、控制這四層並不是獨立存在，各個層級之間都需要編寫程式碼，去實現資訊的轉化，設計到行為決策可細化為：

步驟1. 採集

最上方的感知系統可以感知行人的位置、速度及態勢，然後將這些資訊傳送給預測模組，預測行人是往前還是往後，速度多快。而下方的定位資料流進來之後，全域性的路徑規劃模組就會將這些路徑傳入到最核心的控制決策模組——其中包括行為決策、動作決策和反饋控制。最後，這些訊號會傳送給CAN-BUS，由車輛來執行。

步驟2. 預處理

感測器的資訊拿到後會發現不是所有資訊都是有用的。

感測器層將資料以一幀一幀、固定頻率傳送給下游，但下游是無法拿每一幀的資料去進行決策或者融合的。這是因為感測器的狀態不是100%有效的，如果僅根據某一幀的訊號去判定前方是否有障礙物，對下游決策來說是極不負責任的。因此上游需要對資訊做預處理，以保證車輛前方的障礙物在時間維度上是一直存在的，而不是一閃而過。

這裡就會使用到智慧駕駛領域經常使用到的一個演算法——卡爾曼濾波。卡爾曼濾波（Kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測資料，對系統狀態進行最優估計的演算法。

步驟3. 決策

這裡其實可以分成兩個問題：一個是分類問題，另一個是迴歸的問題。分類問題要了解的是行人到底是過馬路還是不過馬路，迴歸問題就更復雜一些，如果行人是過馬路，那麼針對其過馬路的速度是多少，需要做一個預測。 路徑規劃也是比較有趣的，因為這對無人車來說是一個比較特殊的問題，因為對於普通的車輛來說，只要知道這是哪條路就行了，而不需要知道這是哪一條車道。

有了全域性的路徑規劃以後，我們就需要進行行為決策。因為道路場景非常複雜，可以分成幾十個不同的場景——左右車道、丁字路口等等，需要做場景組合決策。

智慧車輛有了行駛任務，智慧車輛的路徑規劃就是在進行環境資訊感知並確定車輛在環境中位置的基礎上，按照一定的搜尋演算法，找出一條可通行的路徑，進而實現智慧車輛的自主導航。

路徑規劃的方法根據智慧車輛工作環境資訊的完整程度，可分為兩大類：

一是，基於完整環境資訊的全域性路徑規劃方法。例如，從上海到北京有很多條路，規劃處一條作為行駛路線即為全域性規劃。如柵格法、可檢視法、拓撲法、自由空間法、神經網路法等靜態路徑規劃演算法。

二是基於感測器實時獲取環境資訊的區域性路徑規劃方法。例如，在全域性規劃好的上海到北京的那條路線上會有其他車輛或者障礙物，想要避過這些障礙物或者車輛，需要轉向調整車道，這就是區域性路徑規劃。區域性路徑規劃的方法包括：人工勢場法、向量域直方圖法、虛擬力場法、遺傳演算法等動態路徑規劃演算法等。

另外，在車道保持、車道偏離預警、車距保持，障礙物警告等系統中，也需要預測本車與其他車輛、車道、行人等在未來一段時間內的狀態，這裡需要了解和學習的決策理論包括：模糊推理、強化學習、神經網路和貝葉斯網路技術等。

規劃好了行駛路徑，接下來就是運動控制部分需要完成的內容。

運動控制，包括加速、減速、轉向等等，速度控制主要使用了ST-graph工具來做，路徑控制主要是動態程式設計來實現。

現在研究比較多的是路徑控制，所運用的方法主要包括滑膜控制、模糊控制、神經網路控制、最優控制、自適應控制和純跟蹤控制等。

通俗地講就是，速度控制為給定一個速度，通過控制轉向達到車輛沿著預定軌跡行駛的目的；而路徑控制目的是為了滿足車輛行駛過程中的速度要求，有時候還需要配合速度達到滿足車輛在軌跡跟蹤的同時，還需要滿足安全性、穩定性和舒適性的目的。因為車輛是一個特別複雜的系統，速度、路徑和垂向都有耦合關係的存在，因此就需要對智慧車輛進行兩方面的協同控制。由於其耦合關係的複雜性，所以說智慧車輛運動控制的協同控制技術，也是該部分的技術難點。

許多技術方向的同學對人工智慧是又愛又畏懼，一方面覺得這是未來，另一方面覺得很難而不敢觸碰。下面，我們探討一下如何為投身無人駕駛行業做好準備。

興趣與勇氣

當前的人工智慧熱潮是一次大的技術革命，對廣大技術人員來說是個特別好的機會，但是如果只掌握一個技術點是不足夠的。在技術行業，隔行如隔山，比如做演算法的對軟體設計未必熟悉，專注做軟體的很少懂系統，而懂系統的瞭解硬體的也不多。反過來也一樣。所以如果你有好奇心有興趣，也有勇氣去嘗試新的東西，那麼就一定能克服困難，入門無人駕駛領域。

入門知識學習

無人駕駛是一個複雜的系統，涉及的技術點種類多且跨度大，入門者常常不知從何入手。本文巨集觀地呈現了無人駕駛的整體技術架構，概述了無人駕駛中涉及的部分技術點。當你對無人駕駛技術有了巨集觀認識後，再開始進一步學習無人駕駛定位導航、感知、決策與控制等演算法，深度學習在無人駕駛中的應用，無人駕駛系統軟體和硬體平臺，無人駕駛安全及無人駕駛雲平臺等多個主要技術點。

書籍和課程

美國出版的《Creating Autonomous Vehicle Systems》這本書被IEEE推薦為無人駕駛教材，已經被美國多個大學的圖書館收錄，如果大家感興趣可以拿來讀一讀。另外，如果你對某個技術點特別感興趣，網上也有足夠的文獻值得你去深入研究。

另外，優達學城的《無人駕駛入門》這門課的要求相對較低，也適合有了一定自學基礎的無人駕駛愛好者進行學習。教授這門課的正是Thrun大神，他曾是Google無人車專案負責人，被稱為無人車之父。

本文為大家呈現了無人駕駛涉及到的各細分領域技術，如果你對無人駕駛感興趣，如果你想成為一名無人駕駛工程師，小編希望本文能讓你有所收穫。

人工智慧賽博物理作業系統

AI-CPS OS

“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧）分支用來的今天，企業領導者必須瞭解如何將“技術”全面滲入整個公司、產品等“商業”場景中，利用AI-CPS OS形成數字化+智慧化力量，實現行業的重新佈局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+資訊化、智造+產品+服務和資料+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業作業系統AI-CPS OS顛覆性的數字化+智慧化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

1. 重新行業佈局：你的世界觀要怎樣改變才算足夠？你必須對行業典範進行怎樣的反思？

2. 重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？

3. 重新打造自己：你需要成為怎樣的人？要重塑自己並在數字化+智慧化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智慧化創新平臺，設計思路是將大資料、物聯網、區塊鏈和人工智慧等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智慧化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

1. 精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。

2. 智慧：模型隨著時間（資料）的變化而變化，整個系統就具備了智慧（自學習）的能力。

3. 高效：企業需要建立實時或者準實時的資料採集傳輸、模型預測和響應決策能力，這樣智慧就從批量性、階段性的行為變成一個可以實時觸達的行為。

4. 不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。

5. 邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智慧化力量通過三個方式激發經濟增長：

1. 創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即“智慧自動化”，以區別於傳統的自動化解決方案；

2. 對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；

3. 人工智慧的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

1. 超越自動化，開啟新創新模式：利用具有自主學習和自我控制能力的動態機器智慧，為企業創造新商機；

2. 迎接新一代資訊科技，迎接人工智慧：無縫整合人類智慧與機器智慧，重新

   評估未來的知識和技能型別；

3. 制定道德規範：切實為人工智慧生態系統制定道德準則，並在智慧機器的開

   發過程中確定更加明晰的標準和最佳實踐；

4. 重視再分配效應：對人工智慧可能帶來的衝擊做好準備，制定戰略幫助面臨

   較高失業風險的人群；

5. 開發數字化+智慧化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想象力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《論語·子路》雲端計算、大資料、物聯網、區塊鏈和 人工智慧，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，拓展的是人類的物理空間。那麼這一次地理大發現，拓展的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，為人類社會帶來新的財富空間。雲端計算，大資料、物聯網和區塊鏈，是進入這個數字空間的船，而人工智慧就是那船上的帆，哥倫布之帆！

新一代技術+商業的人工智慧賽博物理作業系統AI-CPS OS作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎。重構生產、分配、交換、消費等經濟活動各環節，形成從巨集觀到微觀各領域的智慧化新需求，催生新技術、新產品、新產業、新業態、新模式。引發經濟結構重大變革，深刻改變人類生產生活方式和思維模式，實現社會生產力的整體躍升。

產業智慧官  AI-CPS

用“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智慧；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公眾號： AI-CPS，更多資訊回覆：

新技術：“雲端計算”、“大資料”、“物聯網”、“區塊鏈”、“人工智慧”；新產業：“智慧製造”、“智慧農業”、“智慧金融”、“智慧零售”、“智慧城市”、“智慧駕駛”；新模式：“財富空間”、“資料科學家”、“賽博物理”、“供應鏈金融”。

官方網站：AI-CPS.NET

本文系“產業智慧官”（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

：由產業智慧官（公眾號ID：AI-CPS）推薦的文章，除非確實無法確認，我們都會註明作者和來源。部分文章推送時未能與原作者取得聯絡。若涉及版權問題，煩請原作者聯絡我們，與您共同協商解決。聯絡、投稿郵箱：[email protected]