解析丨自動駕駛核心技術：感知，決策與執行(上：感知篇)

隨著汽車智慧化、電子化的推進，自動駕駛已經成為未來汽車發展的主流趨勢之一。

圍繞自動駕駛關鍵技術體系研究，實現公開道路實地測試以及商業化應用是當下行業關注的重點。

簡單來說，實現自動駕駛需要解決三個核心問題：“我在哪?我要去哪?我該如何去?”能完整解決這三個問題就是真正的自動駕駛。

目前，自動駕駛汽車關鍵技術主要包括環境感知、精準定位、決策與規劃、控制與執行、高精地圖與車聯網V2X以及自動駕駛汽車測試與驗證技術等。

在這套技術體系以及關鍵軟硬體裝置的支援下，自動駕駛汽車可透過車載攝像機、鐳射雷達、毫米波雷達、超聲波等感測器來感知周圍環境，實時動態監測周邊環境變化，並依據所獲取的資訊進行決策判斷，形成安全合理的路徑規劃。在規劃好路徑之後，汽車執行系統會控制車輛沿著規劃好的路徑完成駕駛。

這套自動駕駛核心技術體系可簡單概括為“感知、決策與執行”。

感知、決策與執行(圖片來源：方象知產研究院)

感知系統也被稱為“中層控制系統”，負責感知周圍的環境，並進行環境資訊與車內資訊的採集與處理，主要涉及道路邊界監測、車輛檢測、行人檢測等技術。

決策系統也被稱為“上層控制系統”，負責路徑規劃和導航，透過執行相應控制策略，代替人類做出駕駛決策。

執行系統也被稱為“底層控制系統”，負責汽車的加速、剎車和轉向，主要由電子制動、電子驅動以及電子轉向三部分構成。

透過“感知、決策與執行”三個系統的分工協作，責任明確地控制汽車執行，可以令自動駕駛汽車具備理論上“自動行駛”的條件。

自動駕駛汽車常用的各種硬體(l圖片來源：見參考資料1)

本文將從感知、決策與執行三個角度，詳細介紹自動駕駛的核心技術體系。

一、感知篇

實現自動駕駛，需要優先解決一個問題：行車安全。

為了確保自動駕駛車輛在不同場景下均可以做出正確判斷，需要實現對周圍環境資訊的實時動態獲取和識別，這些資訊包括但不限於自車的狀態、交通流資訊、道路狀況、交通標誌等，以滿足車輛決策系統的需求。

換言之，環境感知起著類似人類駕駛員“眼睛”、“耳朵”的作用，是實現自動駕駛的前提條件。

為了滿足環境感知的需求，自動駕駛汽車往往裝備了諸多攝像機、鐳射雷達、毫米波雷達、超聲波等車載感測器，在這些感測器以及V2X和5G網路技術的協作下，可以實時獲取汽車所處的交通環境和車輛狀態等多源資訊，為自動駕駛汽車的決策規劃提供支援服務。

目前，環境感知技術有兩種技術路線，一種是以攝像機為主導的多感測器融合方案，典型代表是特斯拉。另一種是以鐳射雷達為主導，其他感測器為輔助的技術方案，典型企業代表如谷歌、百度等。

主流車載感測器的特點(圖片來源：36氪)

Ξ 1.攝像機

車載攝像機是實現眾多預警、識別類ADAS功能的基礎，是目前最便宜也是最常用的車載感測器之一。

百度Apollo自動駕駛攝像機元件

攝像機可以識別車輛行駛環境中的車輛、行人、車道線、路標、交通標誌、交通訊號燈等，具有較高的影像穩定性、抗干擾能力和傳輸能力。

作為一種比較常見的車載感測器，攝像機的優點是可以分辨顏色，比較適用於場景解讀。但是其也有比較明顯的缺點。

首先攝像機缺乏“深度”這一維度，沒有立體視覺，無法判斷物體和相機間的距離;其次，攝像機對光線較為敏感，過暗或過強的光線以及二者之間的快速切變都會對其成像造成嚴重影響。

根據鏡頭和佈置方式的不同，攝像機可大致分為四種：單目攝像機、雙目攝像機、三目攝像機和環視攝像機。

單目攝像機主要用於自動駕駛過程中的路況判斷，但單目攝像機在測距範圍與距離方面，有一個不可調和的矛盾：攝像機的視角越寬，所能探測到精準距離的長度越短;視角越窄，探測到的距離越長。

這與人眼類似，看遠處的時候，所能覆蓋的範圍就窄，看近處的時候，覆蓋的範圍就會廣一些。

為了解決這個問題，實現用一個定焦鏡頭解決不同距離的觀察，雙目甚至多目攝像機的方案，逐漸得到越來越廣泛的應用。

雙目攝像機，顧名思義，擁有兩個攝像機元件。相近的兩個攝像機拍攝物體時，會得到物體畫素偏移量、相機焦距和兩個攝像機的實際距離等資訊，根據資訊即可換算得出物體的距離。

不過，雖然雙目能得到較高精度的測距結果和提供影像分割的能力，但它與單目攝像機一樣，鏡頭的視野完全依賴於鏡頭。而且雙目測距原理對兩個鏡頭的安裝位置和距離要求較多，在相機標定方面存在一定難度。

目前應用比較廣泛的是三目攝像機，三個不同焦距單目攝像機的組合。我們以特斯拉Autopilot為例，下圖為特斯拉AutoPilot安裝在擋風玻璃下方的三目攝像機：

特斯拉AutoPilot的三目攝像機

特斯拉Autopilot總計擁有8個攝像頭、1個前毫米波雷達、12個超聲波雷達的感測器配置，整體俯檢視視場覆蓋如下：

其中三目攝像機的具體配置如下：

FOV35度，最遠距離250米;FOV50度，最遠檢測距離150米;FOV120度，最遠檢測距離60米。

三目攝像機以及其他位置攝像機的組合為特斯拉Autopilot提供了全向的環境感知能力，較好地解決了感知範圍與感知精度的問題。

除了單目與多目攝像機以外，還有一種比較常見的攝像機型別，即環視攝像機。與上面提到的三種攝像機不同，環視攝像機的鏡頭是魚眼鏡頭，而且安裝位置是朝向地面。

環視攝像機的優點是視野廣闊，但缺點也很明顯，就是影像畸變嚴重，所以主要用於車身5-10米內的障礙物檢測、自主泊車時的庫位線識別等。

Ξ 2. 鐳射雷達

鐳射雷達是以發射鐳射束來探測目標空間位置的主動測量裝置。在自動駕駛場景中，鐳射雷達主要有兩個功能：3D的環境感知與SLAM加強定位。

根據探測原理，鐳射雷達可分為單線(二維)鐳射雷達和多線(三維)鐳射雷達。

單線鐳射雷達，透過發出一束鐳射掃描線對區域進行旋轉掃描，並根據區域內各個點與鐳射雷達的相對空間距離與方位，返回測量值。單線鐳射雷達的資料缺少一個維度，只能描述線狀資訊，無法描述面。不過，單線鐳射雷達是目前成本最低的鐳射雷達。

多線鐳射雷達，透過發出兩束或兩束以上的鐳射掃描線對區域進行旋轉掃描。多線鐳射雷達能夠檢測目標的空間距離與方位，並可以透過點雲來描述三維環境模型，可以提供目標的鐳射反射強度資訊，提供被檢測目標的詳細形狀描述。

目前，國際市場上推出的主要有4線、8線、16線、32線和64線。鐳射雷達發出的線束越多，每秒採集的點雲越多，同時造價也越高。

以鐳射雷達行業內知名企業Velodyne 公司為例，旗下的HDL-64E目前的售價在接近10萬美金左右：

目前，鐳射雷達已經發展了三代產品，包括第一代機械掃描鐳射雷達、第二代混合固態鐳射雷達以及第三代純固態鐳射雷達。

總體而言，鐳射雷達無論是在技術門檻還是在製造成本上都比較高，自動駕駛商業化應用期待市場出現更多優質且價格較低的同類產品。

Ξ 3. 毫米波雷達

由於鐳射雷達價格過高，單獨一個雷達的價格可能遠超車輛本身的價格，因此很多企業選擇使用價效比更高的毫米波雷達作為測距和測速的感測器。

毫米波雷達是指工作在毫米波波段，頻率在30—300GHz之間的雷達。與鐳射波雷達相比，毫米波雷達不僅成本更低，且可以同時解決攝像機測距、測速不夠精確的問題，此外毫米波雷達還可以完美處理鐳射雷達所處理不了的沙塵天氣。

不過，毫米波雷達也並不是沒有缺點。首先，毫米波雷達的資料穩定性較差，對後續的軟體演算法提出了更高的要求。

此外，毫米波雷達對金屬極為敏感，路面的金屬廣告牌在很多場景下會被認為是障礙物，導致剎車不斷。最後毫米波雷達只能提供距離和角度資訊，不能像鐳射雷達那樣提供高度資訊。

百度Apollo自動駕駛毫米波雷達元件

根據測量原理的不同，毫米波雷達可分為脈衝方式毫米波雷達和調頻連續波方式毫米波雷達兩種。

脈衝方式毫米波雷達，其基本原理與鐳射雷達相似，它在硬體結構上比較複雜、成本較高，很少用於自動駕駛汽車，目前大多數車載毫米波雷達都採用調頻連續波方式。

調頻連續波方式毫米波雷達，具有結構簡單、體積小、成本低廉，容易實現近距離探測。

Ξ 4. 超聲波雷達

超聲波雷達工作在機械波波段，工作頻率在 20kHz以上。

超聲波雷達的工作原理是透過超聲波發射裝置向外發出超聲波，透過接收器接收回波的時間差來測算距離。常用的工作頻率有40kHz, 48kHz和58kHz三種。一般來說，頻率越高，靈敏度越高，但水平與垂直方向的探測角度就越小，所以一般採用40kHz的探頭。

超聲波雷達具有頻率高、波長短、繞射現象小、方向性好、能夠成為射線而定向傳播等優點，且兼具防水、防塵的特性，因此非常適合應用於泊車。

一般情況下，超聲波雷達會安裝在汽車保險槓上方，隱藏在保險槓的某個位置，如下圖所示：

常見的超聲波雷達有兩種。一種是安裝在汽車前後保險槓上，用於測量汽車前後障礙物的倒車雷達，稱之為UPA;另一種是安裝在汽車側面，用於測量側方障礙物距離的超聲波雷達，稱之為APA。UPA和APA的區別還體現在探測範圍和探測區域上。

Ξ 5. 精準定位

自動駕駛汽車的環境感知還包括汽車的精準定位，不僅需要獲取車輛與外界環境的相對位置關係，還需要透過車身狀態感知確定車輛的絕對位置與方位。

目前自動駕駛領域常見的幾種精準定位方式包括“慣性導航系統”、“輪速編碼器與航跡推算”、“衛星導航系統”以及“SLAM自主導航系統”等。

慣性導航系統是以陀螺和加速度計為敏感器件的導航引數解算系統，透過測量運動載體的線加速度和角速率資料，並將這些資料對時間進行積分運算，從而得到速度、位置和姿態。

具體來說慣性導航系統屬於一種推算導航方式。即從一已知點的位置根據連續測得的運載體航向角和速度推算出其下一點的位置，因而可連續測出運動體的當前位置。

以百度Apollo自動駕駛技術使用的慣性導航系統為例，其採用了松耦合的方式，並採用了一個誤差Kalman濾波器。

慣性導航解算的結果用於Kalman濾波器的時間更新，即預測;而GNSS、點雲定位結果用於Kalman濾波器的量測更新。Kalman濾波會輸出位置、速度、姿態的誤差用來修正慣導模組，IMU期間誤差用來補償IMU原始資料。

輪速編碼器與航跡推算的原理是透過輪速編碼器推算出自動駕駛汽車的位置。輪速編碼器主要安裝在汽車前輪，用於記錄車輪行駛的總轉數。

透過分析每個時間段裡左右輪的轉數，可以推算出車輛向前行駛的距離和左右的偏轉度。不過，由於在不同地面材質上轉數對距離轉換存在偏差，所以時間越久，測量偏差也會越大，這種定位方式更多以輔助的形式存在。

衛星導航系統主要包括中國的北斗衛星導航系統、美國的GPS衛星導航系統以及俄羅斯的GLONASS衛星導航系統。這些導航系統可以提供高精度的定位服務。

SLAM(即時定位與地圖構建)，也稱為CML(併發建圖與定位)。

目前主流有兩種SLAM方式。第一種是基於鐳射雷達的SLAM，以谷歌汽車為例。車輛攜帶有GPS，透過GPS 對位置進行判斷，並以鐳射雷達SLAM點雲影像與高精度地圖進行座標配準，匹配後確認自身位姿。

第二種是基於視覺的SLAM，以Mobileye為例。Mobileye提出一種無需SLAM的定位方法——REM。車輛透過採集包括訊號燈、指示牌等標識，得到了一個簡單的三維座標資料，再透過視覺識別車道線等資訊，獲取一個一維資料。攝像機中的影像與 REM 地圖中進行配準，即可完成定位。

目前，SLAM常用於自主導航，特別是在GPS無訊號或不熟悉的地區的導航。

Ξ 6. 高精地圖

高精地圖是用於自動駕駛的專題地圖，由含有語義資訊的車道模型、道路部件(Object)、道路屬性三類向量資訊，以及用於多感測器定位的特徵(feature)圖層構成。

高精地圖擁有精確的車輛位置資訊和豐富的道路元素資料資訊，起到構建類似於人腦對於空間的整體記憶與認知的功能，可以幫助汽車預知路面複雜資訊，如坡度、曲率、航向等，更好地規避潛在的風險，是自動駕駛汽車的核心技術之一。

相較於GPS導航系統的傳統地圖而言，高精地圖最顯著的特徵是其表徵路面特徵的精準性。關於高精地圖的詳細內容，我們會在後面的文章中詳細介紹。

未完待續...

參考資料：

1. Development of Steering Control System for Autonomous Vehicle Using Geometry-Based Path Tracking Algorithm

2.AMiner《2018年人工智慧之自動駕駛研究報告》

3.【感知】自動駕駛感測器匯

(https://blog.csdn.net/yuxuan20062007/article/details/83862525)

4.Apollo官網

5.Velodyne官網

6.36氪《自動駕駛行業研究報告》