無人駕駛汽車

出自 MBA智库百科(https://wiki.mbalib.com/)

　　無人駕駛汽車也稱智能車、無人自動駕駛車、自主導航車或輪式移動機器人，是室外移動機器人在交通領域的重要應用。無人駕駛車系統是一個集環境感知、規劃決策和多等級輔助駕駛等功能於一體的綜合系統，是充分考慮車路合一、協調規劃的車輛系統，也是智能交通系統的重要組成部分。

　　無人駕駛汽車利用感測器技術、信號處理技術、通訊技術和電腦技術等，通過集成視覺、激光雷達、超聲感測器、微波雷達、GPS、里程計、磁羅盤等多種車載感測器來辨識汽車所處的環境和狀態，並根據所獲得的道路信息、交通信號的信息、車輛位置和障礙物信息做出分析和判斷，向主控電腦發出期望控制，控制車輛轉向和速度，從而實現無人駕駛車輛依據自身意圖和環境的擬人駕駛。^[1]

　　總的來說，無人駕駛技術是感測器、電腦、人工智慧、通信、導航定位、模式識別、機器視覺、智能控制等多門前沿學科的綜合體。按照無人駕駛汽車的職能模塊，無人駕駛汽車的關鍵技術包括環境感知、導航定位、路徑規劃、決策控制等。

　　1.環境感知技術

　　環境感知模塊相當於無人駕駛汽車的眼和耳，無人駕駛汽車通過環境感知模塊來辨別自身周圍的環境信息，為其行為決策提供信息支持。環境感知包括無人駕駛汽車自身位姿感知和周圍環境感知兩部分。單一感測器只能對被測對象的某個方面或者某個特征進行測量，無法滿足測量的需要。因而，必需採用多個感測器同時對某一個被測對象的一個或者幾個特征量進行測量，將所測得的數據經過數據融合處理後，提取出可信度較高的有用信號。按照環境感知系統測量對象的不同，我們採用兩種方法進行檢測：

　　無人駕駛汽車自身位姿信息主要包括車輛自身的速度、加速度、傾角、位置等信息。這類信息測量方便，主要用驅動電機、電子羅盤、傾角感測器、陀螺儀等感測器進行測量。

　　無人駕駛汽車周圍環境感知以雷達等主動型測距感測器為主，被動型測距感測器為輔，採用信息融合的方法實現。因為激光、雷達、超聲波等主動型測距感測器相結合更能滿足複雜、惡劣條件下，執行任務的需要，最重要的是處理數據量小，實時性好。同時進行路徑規劃時可以直接利用激光返回的數據進行計算，無需知道障礙物的具體信息。

　　而視覺作為環境感知的一個重要手段，雖然目前在惡劣環境感知中存在一定問題，但是在目標識別、道路跟蹤、地圖創建等方面具有其他感測器所無法取代的重要性，而在野外環境中的植物分類、水域和泥濘檢測等方面，視覺也是必不可少的手段。

　　2.導航定位技術

　　無人駕駛汽車的導航模塊用於確定無人駕駛汽車其自身的地理位置，是無人駕駛汽車的路徑規劃和任務規劃的之支撐。導航可分為自主導航和網路導航兩種。

　　自主導航技術是指除了定位輔助之外，不需要外界其他的協助，即可獨立完成導航任務。自主導航技術在本地存儲地理空間數據，所有的計算在終端完成，在任何情況下均可實現定位，但是自主導航設備的計算資源有限，導致計算能力差，有時不能提供準確、實時的導航服務。現有自主導航技術可分為三類：

　　相對定位：主要依靠里程計、陀螺儀等內部本體感受感測器，通過測量無人車相對於初始位置的位移來確定無人車的當前位置。絕對定位：主要採用導航信標，主動或被動標識，地圖匹配或全球定位系統進行定位。

　　組合定位：綜合採用相對定位和絕對定位的方法，揚長避短，彌補單一定位方法的不足。組合定位方案一般有GPS+地圖匹配、6PS+航跡推算、GPS+航跡推算+地圖匹配、GPS+GLONASS+慣性導航+地圖匹配等。網路導航能隨時隨地通過無線通信網路、交通信息中心進行信息交互。移動設備通過移動通信網與直接連接於Internet的WebGIS伺服器相連，在伺服器執行地圖存儲和複雜計算等功能，用戶可以從伺服器端下載地圖數據。網路導航的優點在於不存在存儲容量的限制、計算能力強，能夠存儲任意精細地圖，而且地圖數據始終是最新的。

　　3.路徑規劃技術

　　路徑規劃是無人駕駛汽車信息感知和智能控制的橋梁，是實現自主駕駛的基礎。路徑規劃的任務就是在具有障礙物的環境內按照一定的評價標準，尋找一條從起始狀態包括位置和姿態到達目標狀態的無碰路徑。

　　路徑規劃技術可分為全局路徑規劃和局部路徑規劃兩種。全局路徑規劃是在已知地圖的情況下，利用已知局部信息如障礙物位置和道路邊界，確定可行和最優的路徑，它把優化和反饋機制很好的結合起來。局部路徑規劃是在全局路徑規劃生成的可行駛區域指導下，依據感測器感知到的局部環境信息來決策無人平臺當前前方路段所要行駛的軌跡。全局路徑規劃針對周圍環境已知的情況，局部路徑規劃適用予環境未知的情況。

　　路徑規划算法包括可視圖法、柵格法、人工勢場法、概率路標法、隨機搜索樹演算法、粒子群演算法等。

　　4.決策控制技術

　　決策控制模塊相當於無人駕駛汽車的大腦，其主要功能是依據感知系統獲取的信息來進行決策判斷，進而對下一步的行為進行決策，然後對車輛進行控制。決策技術主要包括模糊推理、強化學習、神經網路和貝葉斯網路等技術。

　　決策控制系統的行為分為反應式、反射式和綜合式三種方案：反應式控制是一個反饋控制的過程，根據車輛當前位姿與期望路徑的偏差，不斷地調節方向盤轉角和車速．直到到達目的地。反射式控制是一種低級行為，用於對行進過程中的突發事件做出判斷，並迅速做出反應。

　　綜合式控制在反應層中加入機器學習模塊，將部分決策層的行為轉化成基於感測器的反應層行為，從而提高系統的反應速度。

　　發達國家從20世紀70年代開始進行無人駕駛汽車研究，目前在可行性和實用性方面，美國和德國走在前列。美國是世界上研究無人駕駛車輛最早、水平最高的國家之一。早在20世紀80年代，美國就提出自主地面車輛(ALV)計劃，這是一輛8輪車，能在校園的環境中自主駕駛，但車速不高。美國其它一些著名大學，如卡耐基梅隆大學、麻省理工學院等都先後於20世紀80年代開始研究無人駕駛車輛。然而，由於技術上的局限和預期目標過於複雜，到20世紀80年代末90年代初，各國都將研究重點逐步轉移到問題相對簡單的高速公路上的民用車輛的輔助駕駛項目上。1995年，一輛由美國卡耐基梅隆大學研製的無人駕駛汽車Navlab．V，完成了橫穿美國東西部的無人駕駛試驗。在全長5000km的美國州際高速公路上，整個實驗96％以上的路程是車輛自主駕駛的，車速達50～60km／h。儘管這次實驗中的Navlab．V僅僅完成方向控制，而不進行速度控制(油門及檔位由車上的參試人員控制)，但這次實驗已經讓世人看到了科技的神奇力量。豐田汽車公司在2000年開發出無人駕駛公車。這套公車自動駕駛系統主要由道路誘導、車隊行駛、追尾防止和運行管理等方面組成。安裝在車輛底盤前部的磁氣感測器將根據埋設在道路中間的永久性磁石進行導向，控制車輛行駛方向。

　　2005年，美國國防部“大挑戰”比賽上，最終由美國斯坦福大學工程師們改裝的一輛大眾途銳多功能車經過7個半小時的長途跋涉完成了全程障礙賽，第一個到達了終點。在賽道上，無人駕駛汽車需要穿越沙漠、通過黑暗的隧道、越過泥濘的河床並需要在崎嶇險峻的山道上行使，整個行程無人駕駛汽車需要繞過無數個障礙。在無人駕駛技術研究方面位於世界前列的德國漢堡Ibeo公司，最近推出了其研製的無人駕駛汽車。這輛無人駕駛智能汽車由德國大眾汽車公司生產的帕薩特2．0改裝而成，外表看來與普通家庭汽車並無差別，但卻可以在錯綜複雜的城市公路系統中實現無人駕駛。行駛過程中，車內安裝的全球定位儀隨時獲取汽車所在準確方位的信息數據。隱藏在前燈和尾燈附近的激光掃描儀是汽車的“眼”，它們隨時“觀察”汽車周圍約183m內的道路狀況，構建三維道路模型。除此之外，“眼”還能識別各種交通標識，如速度限制、紅綠燈、車道劃分、停靠點等，保證汽車在遵守交通規則的前提下安全行駛。最後由無人駕駛汽車的“腦”——安裝在汽車後備廂內的電腦，將兩組數據匯合、分析，並根據結果向汽車傳達相應的行駛命令。多項先進科技確保這款無人駕駛汽車能夠靈活換檔、加速、轉彎、剎車甚至倒車。在茫茫車海和人海中，它能巧妙避開建築、障礙、其他車輛和行人，從容前行。

　　無人駕駛汽車的研究，可以歸納為3個方面：高速公路環境、城市環境和特殊環境下的無人駕駛系統。就具體研究內容而言，3個方面相互重疊，只是技術的側重點不同。

　　1.高速公路環境下的無人駕駛系統

　　這類系統將使用在環境限定為具有良好標誌的結構化高速公路上，主要完成道路標誌線跟蹤、車輛識別等功能。這些研究把精力集中在簡單結構化環境下的高速自動駕駛上，其目標是實現進入高速公路之後的全自動駕駛。儘管這樣的應用定位有一定的局限性，但它的確解決了現代社會中最為常見、危險、也是最為枯燥的駕駛環節的駕駛任務。

　　2.城市環境下的無人駕駛系統

　　與高速環境研究相比，城市環境下的無人駕駛由於速度較慢，因此更安全可靠，應用前景更好。短期內，可作為城市大容量公共交通(如地鐵等)的一種補充，解決城市區域交通問題，例如大型活動場所、公園、校園、工業園、機場等。但是，城市環境也更為複雜，對感知和控制演算法提出了更高的要求。城市環境中的無人自動駕駛將成為下一階段研究重點。例如，美國國防部“大挑戰”比賽2007年將採用城市環境。目前這類環境的應用已經進入到小範圍推廣階段，但其大範圍應用目前仍存在一定困難，例如可靠性問題、多車調度和協調問題、與其它交通參與者的交互問題、成本問題、商業模型等。

　　3.特殊環境下的無人駕駛系統

　　無人駕駛汽車研究走在前列的國家，一直都很重視其在軍事和其他一些特殊條件下的應用。但其關鍵技術和基於高速公路和城市環境的車輛是一致的，只是在性能要求上的側重點不一樣。例如，車輛的可靠性、對惡劣環境的適應性是在特殊環境下考慮的首要問題，也是在未來推廣應用要重點解決的問題。