二、自動駕駛軟件

感知：感知模塊分析原始傳感器數(shù)據(jù)，輸出自動駕駛汽車所處于的環(huán)境理解。這個過程類似于人類的視覺認知。感知模塊主要包括對象（自由空間、車道、車輛、行人、道路損壞等）檢測與跟蹤、三維世界重建（利用運動結(jié)構(gòu)、立體視覺等）等。最先進的感知技術(shù)可以分為兩大類：基于計算機視覺和基于機器學(xué)習(xí)。前者一般通過顯式射影幾何模型來解決視覺感知問題，并使用最優(yōu)化方法尋找最佳解�；�于機器學(xué)習(xí)的技術(shù)通過使用數(shù)據(jù)驅(qū)動的分類／回歸模型（如卷積神經(jīng)網(wǎng)絡(luò)）來學(xué)習(xí)給定感知問題的最佳解決方案。SegNet和UNet在語義圖像分割和對象分類方面取得優(yōu)秀的成績。這種神經(jīng)網(wǎng)絡(luò)具有極高的易用性，可以很容易地用于其他類似的感知任務(wù)，如遷移學(xué)習(xí)。多傳感器信息融合的感知可以產(chǎn)生更好的理解結(jié)果。

定位和地圖：利用傳感器數(shù)據(jù)和感知輸出，本地化映射模塊不僅可以估計自動駕駛汽車位置，還可以構(gòu)建和更新三維世界地圖。自從同步定位和地圖（SLAM）的概念在1986年引入以來，就得到了業(yè)內(nèi)人士的普遍關(guān)注。最先進的SLAM系統(tǒng)通常分為基于過濾器的SLAM和基于優(yōu)化的SLAM�；�于過濾的SLAM系統(tǒng)是由貝葉斯濾波得到的，通常通過增量集成傳感器數(shù)據(jù)，迭代估計自動駕駛汽車姿態(tài)并更新三維環(huán)境地圖。最常用的濾波器有擴展卡爾曼濾波器（EKF）、無跡卡爾曼濾波器（UKF）、信息濾波器（IF）和粒子濾波器（PF）。另一方面，基于優(yōu)化的SLAM方法首先通過尋找新觀測值與地圖之間的對應(yīng)關(guān)系來識別問題約束。然后，計算和改進自動駕駛汽車的姿勢，并更新3D地圖�；�于優(yōu)化的SLAM方法可以分為兩個主要分支：Bundle Adjustment （BA）和graph SLAM。前者利用高斯－牛頓法、梯度下降等優(yōu)化技術(shù)，通過最小化誤差函數(shù)，聯(lián)合優(yōu)化三維地圖和攝像頭姿態(tài)。后者將定位問題建模為一個圖形表示問題，并通過尋找不同車輛姿態(tài)的誤差函數(shù)來求解。

預(yù)測：預(yù)測模塊分析其他交通代理的運動模式，預(yù)測自動駕駛汽車未來的運動軌跡，使自動駕駛汽車能夠做出合適的導(dǎo)航?jīng)Q策。目前的預(yù)測方法主要分為兩大類：基于模型的預(yù)測方法和基于數(shù)據(jù)驅(qū)動的預(yù)測方法。前者根據(jù)基本的物理系統(tǒng)運動學(xué)和動力學(xué)，通過傳播其運動狀態(tài)（位置、速度和加速度）來計算自動駕駛汽車未來的運動。例如，奔馳的運動預(yù)測組件使用地圖信息作為約束來計算自動駕駛汽車的下一個位置。卡爾曼濾波在短期預(yù)測方面表現(xiàn)良好，但在長期預(yù)測方面表現(xiàn)不佳，因為它忽略了周圍的環(huán)境，比如道路和交通規(guī)則。在此基礎(chǔ)上，建立了基于引力和斥力的行人運動預(yù)測模型。近年來，隨著人工智能和高性能計算的發(fā)展，許多數(shù)據(jù)處理技術(shù)，如隱馬爾可夫模型（HMM）、貝葉斯網(wǎng)絡(luò)（BNs）和高斯過程（GP）回歸，用來預(yù)測自動駕駛汽車狀態(tài)。近年來，研究人員利用逆強化學(xué)習(xí)（IRL）對環(huán)境進行建模，比如，采用逆最優(yōu)控制方法對行人路徑進行預(yù)測。

規(guī)劃：規(guī)劃模塊根據(jù)感知、定位、映射以及預(yù)測信息確定可能的安全自動駕駛汽車導(dǎo)航路徑。規(guī)劃任務(wù)主要分為路徑規(guī)劃、機動規(guī)劃和軌跡規(guī)劃。路徑是自動駕駛汽車應(yīng)該遵循的幾何路徑點列表，以便在不與障礙物碰撞的情況下到達目的地。最常用的路徑規(guī)劃技術(shù)有：Dijkstra、動態(tài)規(guī)劃、A＊、狀態(tài)格等。機動規(guī)劃是一個高層次的自動駕駛汽車運動表征過程，因為它同時考慮了交通規(guī)則和其他自動駕駛汽車狀態(tài)。在找到最佳路徑和機動規(guī)劃后，必須生成滿足運動模型和狀態(tài)約束的軌跡，這樣才能保證交通的安全性和舒適性。

控制：控制模塊根據(jù)預(yù)測的軌跡和估計的車輛狀態(tài)向油門、剎車或轉(zhuǎn)向扭矩發(fā)送適當?shù)拿�令。控制模塊使汽車盡可能接近計劃的軌跡�？刂破鲄�數(shù)可以通過最小化理想狀態(tài)和觀測狀態(tài)之間的誤差函數(shù)（偏差）來估計。比例積分導(dǎo)數(shù)（PID）控制、線性二次調(diào)節(jié)器（LQR）控制和模型預(yù)測控制（MPC）是最常用的最小化誤差函數(shù)的方法。PID控制器是一種利用比例項、積分項和導(dǎo)數(shù)項使誤差函數(shù)最小的控制回路反饋機構(gòu)。當系統(tǒng)動力學(xué)用一組線性微分方程表示，成本用二次函數(shù)表示時，利用LQR控制器使誤差函數(shù)最小化。MPC是一種基于動態(tài)過程模型的先進過程控制技術(shù)。這三種控制器各有優(yōu)缺點。自動駕駛汽車控制模塊一般采用上述方法的混合模式。例如，初級自動駕駛汽車使用MPC和PID來完成一些低級反饋控制任務(wù)，例如應(yīng)用變矩器來實現(xiàn)所需的車輪轉(zhuǎn)角。百度Apollo采用了這三種控制器的混合的模式：PID用于前饋控制、LQR控制輪角、MPC對PID和LQR控制器參數(shù)進行優(yōu)化。

三、開源數(shù)據(jù)集

在過去的十年中，已經(jīng)公布了很多開源數(shù)據(jù)集，這為自動駕駛研究做出了巨大貢獻。小編搜集了幾種使用最多的數(shù)據(jù)集，并簡要說明各種數(shù)據(jù)集的用途。Cityscapes包含一個大規(guī)模的數(shù)據(jù)集，可以用于像素級和實例級的語義圖像分割。ApolloScape可用于各種自動駕駛汽車感知任務(wù)，如場景解析、汽車實例理解、車道分割、自定位、軌跡估計以及目標檢測和跟蹤。此外，KITTI提供了用于立體和流量估計、目標檢測和跟蹤、道路分割、里程估計和語義圖像分割的可視化數(shù)據(jù)集。6D－vision使用立體攝像機感知三維環(huán)境，提供立體、光流和語義圖像分割的數(shù)據(jù)集。

四、行業(yè)領(lǐng)導(dǎo)者

最近，投資者開始把錢投向自動駕駛系統(tǒng)商業(yè)化競賽潛力股。自2016年以來，特斯拉的估值一直在飆升。這使得承銷商推測，該公司將在幾年內(nèi)產(chǎn)生一支自動駕駛車隊。此外，自2017年報道通用汽車計劃制造無人駕駛汽車以來，該公司股價已經(jīng)上漲了20％。截止2018年7月，Waymo已經(jīng)在美國對其自動駕駛汽車進行了800萬英里的測試。在2018年度，通用汽車和Waymo事故最少：通用汽車在212公里以上發(fā)生了22次碰撞，而Waymo在563公里以上只發(fā)生了3次碰撞。除了行業(yè)巨頭，世界一流大學(xué)也加快了自主駕駛的發(fā)展。這些大學(xué)都很好地開展了產(chǎn)學(xué)研相結(jié)合的模式。這使高校更好地為企業(yè)、經(jīng)濟和社會做出貢獻。

應(yīng)用場景：自動駕駛技術(shù)可以應(yīng)用于任何類型的車輛，如出租車、長途汽車、旅游巴士、貨車等。這些交通工具不僅可以使人們從勞動密集型和單調(diào)乏味的工作中解脫出來，而且可以確保他們的安全。例如，配備自動駕駛技術(shù)的道路質(zhì)量評估車輛可以修復(fù)檢測到的道路損傷。此外，使用自動駕駛技術(shù)，道路參與者可以相互溝通，公共交通將更加高效和安全。

五、現(xiàn)存挑戰(zhàn)

盡管自動駕駛技術(shù)在過去的十年中發(fā)展迅速，但仍然存在許多挑戰(zhàn)。例如，感知模塊在惡劣的天氣和／或光照條件下或在復(fù)雜的城市環(huán)境中表現(xiàn)不佳。此外，大多數(shù)感知方法通常是計算密集型的，不能在嵌入式和資源有限的硬件上實時運行。此外，由于長期不穩(wěn)定性，目前SLAM方法在大規(guī)模實驗中的應(yīng)用仍然有限。另一個重要的問題是如何融合自動駕駛汽車傳感器數(shù)據(jù)，以快速、經(jīng)濟的方式創(chuàng)建更準確的三維語義詞。此外，人們何時才能真正接受自動駕駛和自動駕駛汽車，仍然是一個值得討論話題，由此也引發(fā)了嚴重的倫理問題的探討。

參考文獻：

［1］ J． Jiao， Y． Yu， Q． Liao， H． Ye， and M． Liu， “Automatic calibration of multiple 3d lidars in urban environments，” arXiv preprint arXiv：1905．04912， 2019．

［2］ H． Ye， Y． Chen， and M． Liu， “Tightly coupled 3d lidar inertial odometry and mapping，” in 2019 IEEE International Conference on Robotics and Automation （ICRA）． IEEE， 2019．

［3］ R． Fan， M． J． Bocus， Y． Zhu， J． Jiao， L． Wang， F． Ma， S． Cheng， and M． Liu， “Road crack detection using deep convolutional neural network and adaptive thresholding，” arXiv preprint arXiv：1904．08582， 2019．

［4］ C． Coberly， “Waymo’s self－driving car fleet has racked up 8 million miles in total driving distance on public roads，” https：／／www．techspot．com／news／75608－waymo－self－driving－car－fleetracks－up－8．html， accessed： 2019－04－21．

［5］ D． Welch and E． Behrmann， “Who’s winning the self－driving car race？” https：／／www．bloomberg．com／news／features／2018－05－07／whos－winning－the－self－driving－car－race， accessed： 2019－04－21．