第五章
自动驾驶

拥挤的都市里，很多人都会觉得开车麻烦，包括方向感不好的人、穿高跟鞋的女性、需要应酬的中年人、反应慢的老人等等。对于他们来说，高峰期打不到车，乘地铁太拥挤，骑自行车不安全，交通出行难已经成为现代都市面临的“通病”。如果有了自动驾驶汽车，上述麻烦都会迎刃而解。也许在不远的将来，我们通过智能手机就可以呼叫一辆没有司机的车辆前来“接驾”，送我们安全抵达目的地。

不仅如此，自动驾驶技术的发展可能对世界产生巨大的变化。举几个例子来说，在汽车行业，自动驾驶汽车可能不再“私有化”，车企将由“销售车辆”转向“销售车辆娱乐服务”。在ICT行业，自动驾驶汽车之间是通过通信技术相互连接的，在移动通信营业厅也将可以购买自动驾驶汽车服务。在金融行业，有了“不会发生车祸的汽车”后，汽车保险的定义、资金流向、产业结构都会发生巨大变化。对于交通监管部门，既然不再由人类驾驶汽车，驾照是否可以取消？从产业发展的情况来看，上述推断都不再是遥远的梦想，不仅谷歌、苹果等国外高科技巨头瞄准这个方向，美国、德国、日本、中国也都在自动驾驶方面积极部署，希望抢占发展的先机和制高点。

总的来看，自动驾驶是汽车产业与人工智能、物联网、高性能计算等新一代信息技术深度融合的产物，是当前全球汽车与交通出行领域智能化和网联化发展的主要方向。

组成自动驾驶的各项“元素”

自动驾驶汽车可以被理解为“站在四个轮子上的机器人”，利用传感器、摄像头、雷达感知环境，使用GPS和高精度地图确定自身位置，从云端数据库接收交通信息，利用处理器使用收集到的各类数据，向控制系统发出指令，实现加速、刹车、变道、跟随等各种操作。

自动驾驶技术的两种分级模式

自动驾驶技术分为多个等级，业界采用较多的为美国汽车工程师协会（SAE）和美国高速公路安全管理局（NHTSA）推出的分类标准。按照SAE的标准，自动驾驶汽车视智能化、自动化程度水平分为6个等级：无自动化（L0）、驾驶支援（L1）、部分自动化（L2）、有条件自动化（L3）、高度自动化（L4）和完全自动化（L5）。两种不同分类标准的主要区别在于完全自动驾驶场景下，SAE更加细分了自动驾驶系统作用范围。详细标准见表2-3。

自动驾驶的两条技术路线

在自动驾驶技术方面，有两条不同的发展路线：一条是“渐进演化”的路线，也就是在今天的汽车上逐渐新增一些自动驾驶功能，例如特斯拉、宝马、奥迪、福特等车企均采用此种方式，这种方式主要利用传感器，通过车车通信（V2V）、车云通信实现路况的分析。另一条是完全“革命性”的路线，即从一开始就是彻彻底底的自动驾驶汽车，例如谷歌和福特公司正在一些结构化的环境里测试的自动驾驶汽车，这种路线主要依靠车载激光雷达、电脑和控制系统实现自动驾驶。从应用场景来看，第一种方式更加适合在结构化道路上测试，第二种方式除结构化道路外，还可用于军事或特殊领域。

自动驾驶涉及的软硬件

传感器

传感器相当于自动驾驶汽车的眼睛。通过传感器，自动驾驶汽车能够识别道路、其他车辆、行人障碍物和基础交通设施，在最小测试量和验证量的前提下保证车辆对周围环境的感知。按照自动驾驶不同技术路线，传感器可分为激光雷达、传统雷达和摄像头三种。

激光雷达是被当前自动驾驶企业采用比例最大的传感器类型。谷歌、百度、优步等公司的自动驾驶技术目前都依赖于它，这种设备安装在汽车的车顶上，能够用激光脉冲对周围环境进行距离检测，并结合软件绘制3D图，从而为自动驾驶汽车提供足够多的环境信息。激光雷达具有准确快速的识别能力，唯一缺点在于造价高昂（平均价格在8万美元一台），导致量产汽车中难以使用该技术。

传统雷达和摄像头是传感器替代方案。由于激光雷达的高昂价格，走实用性技术路线的车企纷纷转向以传统雷达和摄像头作为替代，从软件和车辆连接能力方面进行补偿。例如著名电动汽车生产企业特斯拉，采用的方案就是雷达和单目摄像头。其硬件原理与目前车载的ACC自适应巡航系统类似，依靠覆盖汽车周围360°视角的摄像头及前置雷达来识别三维空间信息，从而确保交通工具之间不会互相碰撞。虽然这种传感器方案成本较低、易于量产，但对于摄像头的识别能力具有很高要求：单目摄像头需要建立并不断维护庞大的样本特征数据库，如果缺乏待识别目标的特征数据，就会导致系统无法识别以及测距，很容易造成事故的发生。而双目摄像头可直接对前方景物进行测距，但难点在于计算量大，需要提高计算单元性能（见图2-1）。

地图和定位

自动驾驶车辆只有准确识别车辆的位置，才可以决定如何进行导航，所以地图的重要性不言而喻。自动驾驶技术对于车道、车距、路障等信息的依赖程度更高，需要更加精确的位置信息，是自动驾驶车辆对环境理解的基础。随着自动驾驶技术不断进化升级，为了实现决策的安全性，需要达到厘米级的精确程度。如果说传感器为自动驾驶车辆提供了直观的环境印象，那么高精度地图则可以通过车辆准确定位，将车辆准确地还原在动态变化的立体交通环境中。

地图路线选择目前主要有两种：一是精致高清（HD）地图。这种地图往往配备在那些使用了激光雷达的厂商方案中，目的是为了创建360°的周围环境认知（见图2-2）。二是特征映射地图。这种方案通常与雷达、摄像头的方案进行结合，可以通过地图捕捉车道标记、道路和交通标志，虽然这种方式提供的地图精度不足，但通过映射道路特征，使系统的处理和更新变得更加容易。对于地图制作者来说，需要不断采集和更新传感器包来保证地图不断更新。

车辆定位的方案也主要包括两种：一是通过高清地图。这种方案使用包括GPS在内的车载传感器比较自动驾驶车辆感知到的环境与高清地图之间的区别，可以非常精确地识别车辆所处位置、车道信息及行驶方向等，所使用的技术包括了V2X等（见图2-3）。二是通过GPS定位。这种方案主要通过GPS定位获取车辆位置，然后再使用车载摄像头等装置改善定位信息，逐帧比较的方式可以降低GPS信号的误差范围。以上两种定位方式都对导航系统和测绘数据有很强的依赖。第一种方式可以更加准确地描绘位置信息，但第二种方式更加易于部署，也不需要高精地图支持。对于设计者来说，第二种方式更加适合乡村或人烟稀少的区域，对车辆位置的准确性要求不高。

决策

目前，自动驾驶汽车设计者使用一系列方法实现自动驾驶汽车决策。一是神经网络，主要为了识别特定的场景并做出适当决策，但这些网络复杂的特性导致很难理解特定决策的根本原因或逻辑。二是以规则为基础的决策系统，主要是“IF-THEN”决策系统，决策根据具体规则做出。三是混合决策，包括了以上两种决策方式，主要通过集中性神经网络连接个人的处理，并通过“IF-THEN”规则完善这样的路径。

无论采用哪种方式，算法是支撑自动驾驶技术决策最关键的部分，目前主流自动驾驶公司都采用机器学习与人工智能算法来实现。海量的数据是机器学习以及人工智能算法的基础，通过此前提到的传感器、V2X设施和高精度地图信息所获得的数据，以及收集到的驾驶行为、驾驶经验、驾驶规则、案例和周边环境的数据信息，不断优化的算法能够识别并最终规划路线、操纵驾驶。

自动驾驶产业发展情况和趋势

从自动驾驶国内外整个发展情况来看，美、德引领自动驾驶产业发展大潮，日本、韩国迅速觉醒，我国呈追赶态势。具体而言，体现出以下几个趋势：

以尽快商用为目标，加快推进路面测试和法规出台

各国纷纷将2020年作为重要时间节点，希望届时实现自动驾驶汽车全面部署。美国在联邦和州层面积极进行自动驾驶立法。2017年7月27日，美国联邦层面关于自动驾驶的立法取得了重大突破，众议院一致通过了两党法案《自动驾驶法案》（Self Drive Act），首次对自动驾驶汽车的生产、测试和发布进行管理。待美国总统批准后，此法案将上升为法律（Law）并正式实施。在州层面，截至2017年8月，已有20个州颁布实施了40份涉及自动驾驶的法案和行政命令。

德国政府2015年已允许在连接慕尼黑和柏林的A9高速公路上开展自动驾驶汽车测试项目，2016年4月批准了交通部起草的相关法案，将“驾驶员”定义扩大到能够完全控制车辆的自动系统。2017年5月，德国联邦参议院投票通过首部关于自动驾驶法律规定，允许自动驾驶汽车在特定条件下代替人类驾驶。

从我国看，工信部2016年在上海开展上海智能网联汽车试点示范；在浙江、北京、河北、重庆、吉林、湖北等地开展“基于宽带移动互联网的智能汽车、智慧交通应用示范”，推进自动驾驶测试工作。北京已出台智能汽车与智慧交通应用示范五年行动计划，将在2020年底完成北京开发区范围内所有主干道路智慧路网改造，分阶段部署1000辆全自动驾驶汽车的应用示范。江苏于2016年11月与工信部、公安部签订三方合作协议，共建国家智能交通综合测试基地。

以网联汽车为方向，推动系统研发和通信标准统一

从目前产业趋势来看，多数企业采取了网联汽车（Connected Cars）的发展路径，加快芯片处理能力、自动驾驶认知系统研发，推动统一车辆通信标准的出台。

研发方面，德国博世集团和NVIDIA正在合作开发一个人工智能自动驾驶系统，NVIDIA提供深度学习软件和硬件，Bosch AI将基于NVIDIA Drive PX技术以及该公司即将推出的超级芯片Xavier，届时可提供第4级自动驾驶技术。IBM宣布其科学家获得了一项机器学习系统的专利，可以在潜在的紧急情况下动态地改变人类驾驶员和车辆控制处理器之间的自主车辆控制权，从而预防事故的发生。

车辆通信标准方面，LTE-V、5G等通信技术成为自动驾驶车辆通信标准的关键，将为自动驾驶提供高速率、低时延的网络支撑。一方面，国内外协同推进LTE-V2X成为3GPP 4.5G重要发展方向。大唐、华为、中国移动、中国信息通信研究院等企业和单位合力推动，在V2V、V2I的标准化工作方面取得了积极进展。另一方面，LTE-V2X技术也随着自动驾驶需求的发展正逐步向5GV2X演进。5G、V2X专用通信可将感知范围扩展到车载传感器工作边界以外的范围，实现安全高带宽业务应用和自动驾驶，完成汽车从代步工具向信息平台、娱乐平台的转化，有助于进一步丰富业务情景。当前，5G汽车协会（5GAA）和欧洲汽车与电信联盟（EATA）签署了谅解备忘录，将共同推进C-V2X产业，使用基于蜂窝的通信技术的标准化、频谱和预部署项目。中国移动与北汽、通用、奥迪等合作推动5G联合创新，华为则与宝马、奥迪等合作推动基于5G的服务开发。此外，工信部组织起草的智能网联汽车标准体系方案即将对外发布，车联网标准体系也在逐步完善，对于智能网联汽车发展至关重要。

以创新业态为引领，互联网企业成为重要驱动力量

互联网企业天生具有业务创新和发展的基因，目前也纷纷涉足自动驾驶行业，成为行业重要的驱动力量。美国方面，谷歌公司2009年已开始无人驾驶研发，2015年12月至2016年12月在加州道路上共行驶记录635868英里，不仅是加州测试里程最多的企业，也是系统停用率最低的企业。美国第一大网约车服务商优步已在匹兹堡、坦佩、旧金山和加州获准进行无人驾驶路测，第二大网约车服务商Lyft于2016年9月公布自动驾驶汽车三阶段发展计划，目前也已在匹兹堡开展测试。苹果公司也于2017年4月刚刚获得加州测试许可证。韩国方面，刚刚批准韩国互联网公司Naver在公路上测试自动驾驶汽车，成为第13家获得许可的自动驾驶汽车研发企业，计划于2020年前商业化3级自动驾驶汽车。

从我国来看，百度公司于2016年9月获得了在美国加州的测试许可，11月在浙江乌镇开展普通开放道路的无人车试运营。其总裁兼首席运营官陆奇更是于2017年4月发布了“Apollo”计划，计划将公司掌握的自动驾驶技术向业界开放，将开放环境感知、路径规划、车辆控制、车载操作系统等功能的代码或能力，并且提供完整的开发测试工具，目的是进一步降低无人车的研发门槛，促进技术的快速普及。腾讯于2016年下半年成立自动驾驶实验室，依托360°环视、高精度地图、点云信息处理以及融合定位等方面的技术积累，聚焦自动驾驶核心技术研发。阿里、乐视等也纷纷与上汽等车企合作开发互联网汽车。

以企业并购为突破，初创企业和领军企业成为标的

自动驾驶发展较快的企业所并购的主要对象为掌握自动驾驶关键技术的领军企业或初创企业。2016年7月，通用公司以超过10亿美元价格收购了硅谷创业公司Cruise Automation，后者研发的RP-1高速公路自动驾驶系统具备高度自动化驾驶应用潜力。2017年3月，英特尔以153亿美元收购以色列科技企业Mobileye，后者致力于研发与自动驾驶有关的软硬件系统，是特斯拉、宝马等公司驾驶辅助系统的主要摄像头供应商，掌握一系列图像识别方面的专利。优步公司2015年收购了提供位置API的创业公司deCarta，还从微软Bing部门获取了精通图像和数据收集的员工。2017年4月，百度宣布全资收购一家专注于机器视觉软硬件解决方案的美国科技公司xPerception，该公司对面向机器人、AR/VR、智能导盲等行业客户提供以立体惯性相机为核心的机器视觉软硬件产品，可实现智能硬件在陌生环境中对自身的定位、对空间三维结构的计算和路径规划。据业界分析，百度此举可能为了加强视觉感知领域的软硬件能力。总的来看，收购领军企业或具有潜力的初创企业，应该可以迅速加快自身自动驾驶技术的积累，形成竞争优势。

自动驾驶汽车何时能够上路？

虽然自动驾驶汽车产业发展如火如荼，但目前仍有一个问题还没有最终答案，那就是自动驾驶汽车什么时间能够真正商用，成为我们日常生活的组成部分。从现实来看，目前没有任何一种实用性的方式可以在自动驾驶汽车广泛部署前验证其安全性。另一个关键问题是，自动驾驶汽车上路前应该有“多安全”？即使自动驾驶汽车事故率远低于人类驾驶员，人们还是接受不了将生命安全交给一个自己不了解的机器人。

2017年5月，美国兰德智库向美国交通运输委员会、住房和城市发展及相关机构提交了一份名为“实现自动驾驶汽车安全性和移动福利的挑战和进程”的报告。其中提到一个矛盾，那就是自动驾驶汽车上路的一个关键前提就是已经在真实世界里积累了丰富的测试经验，任何封闭的环境都无法模拟出真实世界的路况，这对于提升机器学习算法来说非常重要。但硬币的另一面是，各国都不允许自动驾驶汽车在不具备相应安全条件的前提下接入公共交通道路，因为那将对行人、其他车辆和驾驶员带来不可预估的风险。用报告中的话来说，“允许自动驾驶汽车在真实世界中上路，带来的风险就像允许未成年人驾驶汽车一样。”

此外，麦肯锡未来移动中心也于2017年5月发布一份报告——自动驾驶机器人何时能够上路，对自动驾驶汽车的商业部署时间进行估计。报告认为，SAE分级标准中的LEVEL4自动驾驶车辆将在未来5年出现，而完全无人驾驶汽车（LEVEL5以上）的应用则将在10年以后，原因是目前存在很大的阻碍。一方面，LEVEL5意味着自动驾驶系统操作车辆不会受到任何环境限制，但真实世界中很多区域都是非结构化道路，也没有明显的车道或交通标志，为自动驾驶系统的构建带来了更大的困难。另一方面，软件的进步速度难以跟上硬件。一是研发识别和验证物体需要的数据融合技术，相关数据可能来自固定物体、激光点云、摄像头图像等多个地方；二是研发覆盖所有场景的“IFTHEN”引擎，模拟人的决策，需要不断将不同场景加入到人工智能系统的训练当中；三是构建一个可以验证故障安全措施的系统，保证车辆在出现故障时依然有安全措施保证乘客的安全，需要预知软件可能出现的各种情况及相关后果。以上软件系统的构建都需要大量的时间，这也是自动驾驶汽车迈向高级别的难点所在。

但是，加快自动驾驶汽车的部署速度也并不是无路可走。对于监管部门来说，应当联合产业、研究机构和高校，找到更加切实有效的安全测试方法，并对相关方法进行严格、客观、独立的验证评估。此外，还应当采用更加灵活的安全测试规范，根据不同阶段自动驾驶产业发展的需要，确定自动驾驶车辆融入公共交通环境需要满足的准入要求。对于自动驾驶行业来说，自动驾驶技术的基础性研究比炒作各种自动驾驶功能噱头更加有效。未来可以在保证安全的情况下开展技术研究，包括开展基于真实世界的、低风险的自动驾驶导航研究（用于受限的环境和用途），向行业和监管机构共享自动驾驶测试数据（包括测试里程、碰撞情况、系统错误）等，不仅可以帮助其他企业在研发和测试方面少走弯路，还能为企业走向商用提供安全性的证明。