科创中国

记者：赵天宇  

编辑：刘昭

新媒体编辑：房永珍

审稿专家：邓志东，清华大学计算机系教授、博士生导师，中国自动化专业委员会主任。

无人驾驶出租车在北京上线。而这背后，都是哪些关键技术在支撑？无人驾驶车怎么知道“我是谁”“我在哪”“我该往哪儿走”？

从2016年开始，随着汽车智能化、网联化的不断发展，无人驾驶技术也迎来了突破，而这背后，正是人工智能、传感器、5G、大数据、高精地图等基础技术的更新与迭代。自动驾驶，它从来不是一个人在战斗。

 本质 ——“轮式机器人”

无人驾驶车辆最早用于军事目的，如地面遥控或半自主无人战车，用于危险场合的侦测或后勤保障等。与传统汽车不同，无人驾驶车辆本质上还是一个机器人，并且是一个移动的机器人，也可以叫做“室外轮式移动机器人”，主要依靠以计算机系统为主的车内智能驾驶仪来实现无人驾驶。

与传统的机器人相比，这种轮式机器人的行驶环境是相对复杂的，并且在行驶过程中也需要遵守道路交通的特定规则，也就是公共交通秩序。

一个经验丰富的司机驾驶车辆，不仅仅是用眼睛看这么简单，而是手脚思维并用。其中，手负责打方向盘，脚负责油门以及刹车踏板，眼睛负责观察路况，耳朵负责监听交通笛语，同时还要运用经验和思维来分析判断道路情况，完成直行、转向、并线、超车、跟随等动作，这几个方面可以说缺一不可。

对应到无人驾驶车辆，这几个环节也是缺一不可的——传感器对应于司机的眼睛和耳朵；决策与规划系统利用算法进行计算，代替了司机的思维，甚至比有些司机更加“聪明”；控制器与执行机构代替了人的手和脚，这也是无人驾驶汽车的基本原理。

我是谁？——识别感知技术

和人类的眼睛一样，自动驾驶车辆这个室外轮式移动机器人，也有它自己的眼睛，用来识别周边的车辆、行人、障碍物等路上的情况。同时还要知道“我是谁”，也就是实现导航中的定位定姿，才能完成下一步的路径规划与行动。

自动驾驶的眼睛是由什么构成的呢？答案是传感器。主要包括摄像头、激光雷达和毫米波雷达，其他的还有红外摄像头、超声波传感器等，这也是自动驾驶最基础的技术。

单目摄像头测距示意图（图片来自网络）

摄像头和人类的眼睛最相似，它可以看清有颜色的标识、物体，也看得懂字体，分得清红绿灯。但是缺点也不少，比如在夜晚或恶劣的天气下它的视力就会严重下降，也不擅长远距离观察等等，这远远没有人眼灵活。

实现无人车对外界的可靠感知，还需要其他传感器的配合，这时就轮到雷达出场了。

目前雷达主要采用两种，一种是激光雷达，另一种则是毫米波雷达。先说毫米波雷达，这个毫米波，就是5G里那个大名鼎鼎的毫米波，它的穿透力很强，尘雾、雨雪都不是它的对手，所以以前它被广泛应用在卫星通讯、军工等领域。即便它无法识别高度，分辨率不高，也难以成像，但在辅助驾驶与自动驾驶领域，它也站稳了一席之地。

另外一种激光雷达，是目前无人车发展的核心技术，工作原理是向目标发射探测信号，然后将接收到的从目标反射回来的信号与发射信号进行比较。激光雷达的优点是测距精度比较高，但它的缺点也很明显，让从业者“又爱又恨”。

一是对环境要求比较高，比如在雾霾天气里精度就会降低很多；二是成本实在太高了，有时激光雷达价格甚至比一辆汽车还高，这对于商业化来说是无比致命的。

无人车收到各种传感器获取的信息之后，还需要做传感器融合，把每个传感器看到的东西全部都叠加在一起，根据每种传感器的优缺点来综合评判信息的准确度，得到更可靠的最终结果。这样即便某只眼睛暂时失明，对安全前行的影响也是很有限度的。

各类传感器性能对比

 我在哪儿？——定位技术

只有知道自己在哪里，才知道自己去哪里。

传统的定位定姿技术一般采用惯性导航技术或卫星导航技术（如GPS、北斗导航等），但高精度惯性导航技术，价格昂贵，需要发展依赖于高精地图等的低成本、高环境适应性的自主导航技术。

相比服务于传统导航系统的普通电子地图，高精地图最显著的特点是其表征路面特征的精准性。普通地图只需要做到米级精度即可实现导航，但高精地图需要达到厘米级精度才能保证无人车行驶安全。

高精地图定位的核心技术包括深度学习、图像识别、三维视觉、SLAM技术（即时定位与地图构建）以及基于此的大数据云服务，还需要拥有深厚的技术积累和丰富的行业经验。

此外，高精地图还需要比普通地图有更高的实时性。由于路网每天都有变化，如整修、道路标识线磨损及重漆、交通标示改变等。这些变化需要及时反映在高精地图上，以确保无人车行驶安全。

因此，制作第一张地图只是完成了10%的工作，剩下的90%精力都是在不断更新地图当中。更新的速度越快，更新的内容越精准，拓展市场的份额也就越大。

但随着越来越多载有多种传感器的无人车行驶在路网中，一旦有一辆或几辆无人车发现了路网的变化，通过与云端通信，就可以把路网更新信息告诉其他无人车。

比如在北京经济技术开发区，每天都有无数辆自动驾驶车跑来跑去，也会和社会车辆混合行驶，它们不仅在测试自动驾驶能力，也在为高精度地图采集和更新数据。

从2019年开始，汽车厂商、风投机构等均意识到了高精度地图的重要性，高精地图发展迎来了黄金期；美国、日本、以色列、荷兰等多国已经进行了比较成熟的探索；国内方面，截至2019年5月，已经有19家企业获得导航电子地图制作甲级测绘资质，百度、腾讯、阿里等企业通过资本运作的方式，收购现成测绘公司，进军高精度地图领域，滴滴、四维图新等企业也在频频发力当中。

无人驾驶落地前，高精地图已进入抢滩战（图片来源/BBC）

我该怎么走？——决策与规划技术

对于周围的车辆或其他障碍物，无人车是需要避让、停下来，还是需要超车，这些都属于约束条件。无人车需要在所有的约束条件中，规划出一条可以行走的路线，这就涉及到了决策与规划技术。

决策与规划技术需要环境感知技术作为基础，而在所有这些无人驾驶关键核心技术中，人工智能开始发挥越来越重要的作用。

也是从这个阶段开始，单纯依靠汽车工程师或是机械工程师已经不行了，人工智能、计算机视觉专家需要更多地参与到这个过程当中。

相对比较复杂的，其实是决策与路径规划的问题，无人车需要在所有的约束条件中，规划出一条可行的路线。目前主流的决策技术有两种，专家规则式和AI式。

专家规则式，即提前编写好规则，当需要做决定的时候必须严格遵守这些规则。举个例子，当准备超车变道时，道路半径大于500R（弯道不变道）；跟目标车道上的前后车的距离都在20m以上；比后车的车速慢不超过5km/h等等以上N个条件同时满足时，即可超车变道。

AI式，就是一直很火的人工智能参与，它通过模仿人类的大脑，用AI算法对场景进行理解，或者是通过大量的犯错得到大量的数据，这些数据被传回云平台用作深度强化学习的训练样本，最终“驾驶脑”的驾驶技术将呈现级数式的增长。

然后是控制，无人车不是简单的齿轮综合体，实现对无人车的控制，需要知道踩刹车和减速的关系、踩油门和加速的关系等等，当实时路径规划完成，并拿到一些车体动力学参数后，就可以实现对无人车的纵横向控制。

综合起来说，一辆无人驾驶车，必须有内外兼修的功夫，所谓“外”，指的是计算机视觉技术、雷达技术、传感器技术、高精地图等外部技术或者数据提供支持；所谓“内”，就是说要有强大的终端算理和算法来提供“大脑”处理支撑。

当然，这也只是个简单而基础的框架，无人驾驶还有更多的细节性技术难点需要研究和攻破。

百度无人驾驶出租车apollo （摄影/赵天宇）

技术之争 ——强智能还是强感应？

前面说了，无人驾驶技术需要“内外兼修”，但就目前的技术水平来看，实现真正意义上的L4级自动驾驶尚且有一定难度，很大原因在于环境感知实在太难了，这也引发了技术路线上的差异。

最有意思的标志性事件，是特斯拉的创始人马斯克在发布自家Autopilot 3.0的时候，公开表示“激光雷达太蠢了，谁用谁完蛋”，炮轰了整个无人驾驶领域。

马斯克在发言中坚持的“弱感知+超强智能”技术路线，是指主要依赖摄像头与深度学习技术实现环境感知，而不依赖于激光雷达。

这种技术路线有点仿生学的味道：既然人可以靠一双眼睛就可以开车，那么车也可以靠摄像头来看清周围环境。

但问题在于：超强智能何时才能实现？

比如美国特斯拉（自动驾驶）频频出现撞货车的事件，有分析认为，这就是因为摄像头“眼瞎”，或者在强反光的情况下将白色的大货车识别成了天空造成的。识别能力尚且如此，那后续的行为预测与逻辑推理就更是无源之水了。

在美国，自动驾驶状态下的特斯拉汽车频频出现撞货车的事故（图片来源/nytimes）

所以当前水平的深度学习，离人们期待的“超强智能”还是有不小差距的；至于什么时候能达到甚至超过人类的水平，不知道。

于是乎另一种技术路线出现了，如果超强智能暂时难以达到，那我们给车赋予超过人类眼睛的感知能力，是不是也行呢？这就是“强感知+强智能”的技术路线。

这其实是一种“简单粗暴”的解决方案，用千里眼把所有角落都扫一遍，理论上周围有啥都能知道；再加上一点学习算法，就可以勾勒出障碍物的范围，知道车往哪里开了。

举个不算恰当的例子，葫芦娃中的二娃，他不像铁娃、火娃一样拥有超强技能，是个心地单纯、缺乏计谋(非超强智能)的毛孩子。通常来说碰到妖怪只能束手就擒。但事实上，凭借着千里眼的特异功能(强感知)，他也打了不少胜仗。

对于人命关天的自动驾驶来说，多一些追求保险的观念，也不是什么坏事。

在目前深度学习遇到瓶颈的情况下，这种技术路线通往高阶自动驾驶可行性更大一些。事实上玩家也并不少，像谷歌Waymo、百度Apollo、Uber、福特汽车、通用汽车等自动驾驶企业、出行企业、传统车企，都处在“强感知+强智能”的技术阵营中。

 安全 ——无人驾驶面临的最大挑战

随着5G网络建设的部署完成和商业化的不断推进，未来3-5年内，车与车、车与路、车与行人之间的车联网体系有望构建。

另一方面，随着无人驾驶汽车路测公里数的增加，随之而来的是场景应用水平的大幅提升和算法的不断优化，加上近年来逐渐崭露头脚的车载芯片产业，汽车自身深度学习的能力将大大提升，这也足以让自动驾驶变得更加“聪明”和“灵活”。

但无人驾驶面临的最大挑战，还是安全方面的问题，在5G、数字孪生等技术的支撑下，如何在开放环境当中保证100%的绝对安全，如何尽快把安全员从车内转移到车外，依然是需要重点关注和攻克的难题。