无人驾驶：人工智能三大应用造就 “老司机”

人工智能发展六十年，几起几落，如今迎来又一次热潮，深度学习、计算机视觉和自然语言理解等各方面的突破，使得许多曾是天方夜谭的应用成为可能，无人驾驶汽车就是其中之一。作为人工智能等技术在汽车行业、交通领域的延伸与应用，无人驾驶近几年在世界范围内受到了产学界甚至国家层面的密切关注。

无人驾驶其实并不新鲜。早在上世纪八十年代，美国就启动了相关研究项目。无人驾驶最近几年又火起来，原因主要有两方面：一是技术，包括人工智能、车载软硬件及 络的飞速发展，过去的不可能现在变为可能；二是需求，人们的生活已经离不开汽车，但随着汽车保有量的增加，事故、拥堵、污染等负面影响逐渐显现，需要新技术新方法提高交通的安全性、舒适性、经济性以及环保性。

无人驾驶与智能驾驶

相比无人驾驶，智能驾驶的范畴更大，既包括无人的智能驾驶，即无人驾驶，也包括有人的智能驾驶，比如定速巡航、自适应巡航、自动泊车等辅助驾驶系统，还包括人机共驾的智能驾驶，国内专业说法是以人为本的人机协同共驾，这是现阶段以及未来几年的研究方向之一，它们之间的关系如图1所示。

感知

人类驾驶员感知依靠眼睛和耳朵，无人驾驶汽车感知依靠传感器。目前传感器性能越来越高、体积越来越小、功耗越来越低，其飞速发展是无人驾驶热潮的重要推手。反过来，无人驾驶又对车载传感器提出了更高的要求，又促进了其发展。用于无人驾驶的传感器可以分为四类：

1. 雷达传感器。主要用来探测一定范围内障碍物（比如车辆、行人、路肩等）的方位、距离及移动速度，常用车载雷达种类有激光雷达、毫米波雷达和超声波雷达。激光雷达精度高、探测范围广，但成本高，比如Google无人车顶上的64线激光雷达成本高达70多万元人民币；毫米波雷达成本相对较低，探测距离较远，被车企广泛使用，但与激光雷达比精度稍低、可视角度偏小；超声波雷达成本最低，但探测距离近、精度低，可用于低速下碰撞预警。

2. 视觉传感器。主要用来识别车道线、停止线、交通信 灯、交通标志牌、行人、车辆等。常用的有单目摄像头、双目摄像头、红外摄像头。视觉传感器成本低，相关研究与产品非常多，但视觉算法易受光照、阴影、污损、遮挡影响，准确性、鲁棒性有待提高。所以，作为人工智能技术广泛应用的领域之一的图像识别，也是无人驾驶汽车领域的一个研究热点。

3. 定位及位姿传感器。主要用来实时高精度定位以及位姿感知，比如获取经纬度坐标、速度、加速度、航向角等，一般包括全球卫星定位系统（GNSS）、惯性设备、轮速计、里程计等。现在国内常用的高精度定位方法是使用差分定位设备，如RTK-GPS，但需要额外架设固定差分基站，应用距离受限，而且易受建筑物、树木遮挡影响。近年来很多省市的测绘部门都架设了相当于固定差分基站的连续运行参考站系统（CORS），比如辽宁、湖北、上海等，实现了定位信 的大范围覆盖，这种基础设施建设为智能驾驶提供了有力的技术支撑。定位技术是无人驾驶的核心技术，因为有了位置信息就可以利用丰富的地理、地图等先验知识，可以使用基于位置的服务。

4. 车身传感器。来自车辆本身，通过整车 络接口获取诸如车速、轮速、档位等车辆本身的信息。

综合考虑成本及性能，宇通无人驾驶大客车采用了激光雷达、毫米波雷达、摄像头、GPS和车联 设备等多种传感器来实现感知能力，具体部署如图3所示。

操控

驾驶员操控汽车靠四肢，无人驾驶汽车靠什么呢是线控执行器。

由于当前车辆是面向人类驾驶设计的，方向盘、油门、刹车、档位都是由人工操控。无人驾驶则需要这些机构能够由程序控制，这就需要对传统汽车加以线控改造甚至重新设计。方向盘线控的改造，早期一般在转向柱加装可控电机，现在一般利用较为成熟的转向助力零部件实现；油门与制动线控的改造，早期一般使用钢丝牵引车内踏板，但控制精度不高，现在一般直接使用车内总线协议向整车控制器发送控制指令；档位线控的改造，早期一般靠步进电机实现，现在同样向整车控制器发送指令实现档位控制。

目前，随着电动车的出现与发展，很多线控功能在设计之初就被考虑其中。

小结

传感器、计算机和执行器是如何连接在一起并协同工作呢5所示，以计算机为中心，一类设备使用RJ45以太 络接口，如广泛使用的1线、4线、16线、64线激光雷达，差分GPS惯导组合等，这些设备与工控机一起连接到 络交换机；一类设备使用1394接口，如摄像头等；一类设备使用CAN接口，如毫米波、超声波雷达、控制器与执行器等，一般通过工控机扩展PCI的CAN接口卡实现连接。

人工智能与无人驾驶

与其他算法相比，人工智能算法最大的不同是什么认为，人工智能算法更侧重于学习功能，其他算法更侧重于计算功能。学习是智能的重要体现，学习功能是人工智能的重要特征，现阶段大多人工智能技术还处在学的阶段。如前文所说，无人驾驶实际上是类人驾驶，是智能车向人类驾驶员学习如何感知交通环境，如何利用已有的知识和驾驶经验进行决策和规划，如何熟练地控制方向盘、油门和刹车。

从感知、认知、行为三个方面看，感知部分难度最大，人工智能技术应用最多。感知技术依赖于传感器，比如摄像头，由于其成本低，在产业界倍受青睐。以色列一家名叫Mobileye的公司在交通图像识别领域做得非常好，它通过一个摄像头可以完成交通标线识别、交通信 灯识别、行人检测，甚至可以区别前方是自行车、汽车还是卡车。人工智能技术在图像识别领域的成功应用莫过于深度学习，近几年研究人员通过卷积神经 络和其它深度学习模型对图像样本进行训练，大大提高了识别准确率。Mobileye目前取得的成果，正是得益于该公司很早就将深度学习当做一项核心技术进行研究。

认知与控制方面，主要使用人工智能领域中的传统机器学习技术，通过学习人类驾驶员的驾驶行为建立驾驶员模型，学习人的方式驾驶汽车。美国斯坦福大学的一个团队让无人驾驶赛车学习赛车手的开车方式，经过一段时间训练无人赛车不仅学会了漂移，而且比赛用时已经少于当初学习的那位赛车手。

下面通过一个城市驾驶的小例子说明无人车如何向人类学习驾驶。会开车的读者会有体会，在城市中驾驶大部分时间是在跟车行驶，即前面有一辆车，我们跟在后面。假如在高速公路上，两车车速较高，跟车太近容易追尾，必须减速以增加车距；假如在拥堵时，车速较低，跟车太远则浪费道路资源，必须加速以减少车距；如果前车速度很快或正在加速，那么在不超速的情况下，我们应该加速行驶；如果前车速度很慢或正在减速，那么我们应该减速行驶甚至停下来。这说明跟车这个行为与两车相对距离、相对速度以及本车当前速度这三个量有关，我们可以建立一个神经 络模型，输入三个量：两车相对距离、相对速度以及本车当前速度，输出一个量：期望加速度（加速度可以为负），训练数据来自人类驾驶员。如何采集训练数据呢可以在普通汽车上加装一些传感器，比如雷达和惯导设备，用来读取前方车辆的相对位置和速度以及本车的速度和加速度。让一位经验丰富的驾驶员开着这辆车每天不同时段在城市的不同路段有目的性地行驶，经过一段时间的积累，采集的跟车数据会覆盖绝大多数可能发生的情况。经过这组数据训练出来的基于神经 络的跟车模型，给定一个相对距离、相对车速以及本车速度，就会输出一个加速度，就像那位经验丰富的人类驾驶员开车特性一样，这就完成了跟车模式的机器学习。

无人驾驶研发体会

笔者自2013年以来陆续参与了几辆无人驾驶汽车的研发，所用车型包括ix35、北汽C70、北汽C30、上汽E50、北汽E70以及宇通ZK6105。如图7所示，这些车型各有特点：有内燃机车，有混合动力车，也有纯电动车；有通过外加装方式改造的车，也有内改装的车；有总线协议不开放的车，有部分开放的车，也有完全开放的车。

订阅咨询：

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn213237 人正在系统学习中