洞察无人车辆技术发展

2016-04-21李明喜周晶晶付苗苗

机器人产业 2016年1期

□文/徐　彬、李明喜、周晶晶、倪　俊、付苗苗

洞察无人车辆技术发展

□文/徐彬、李明喜、周晶晶、倪俊、付苗苗

世界无人车辆产业风云突变。近日，美国交通部宣布历时10年，投资40亿美元的提案，旨在实现无人驾驶车辆上路。而截至目前，谷歌的无人驾驶汽车已经完成超过132万英里的行程。作为轮式移动机器人的先进代表，无人车辆也正经历着从军用扩展到民用的全覆盖历程。目前，在该领域，全球的产业现状如何？又有哪些关键技术？这些问题值得我们研究。

无人车辆是一种通过车轮或履带驱动，具备在道路或非道路条件下地面自主机动能力的智能机器人系统。早期的地面无人系统诞生于机器人研究领域，并采用遥控操作。随着地面无人系统逐步向半自主、全自主方向发展，与车辆行业的智能化、无人化研究发展在技术特征层面呈现高度重合性。本文从技术概括角度出发，将无人地面车辆、地面无人机动平台、智能汽车、无人驾驶汽车、自动驾驶汽车等均统称为无人车辆。

由于无人车辆能够代替驾驶员执行“枯燥的、恶劣的、危险的、纵深的”任务，具有机动性强、适应能力和生存能力高、降低人员伤亡风险等诸多优点，因此在军事、民用等方面均拥有广阔的应用前景。无人车辆是一个集定位导航、环境感知、信息融合、规划决策、控制技术、人机交互等技术于一体的综合系统，集中地运用了计算机、现代传感、信息融合、通信、人工智能及自动控制等技术，是典型的高新技术的综合体，世界各高校、科研院所及相关企业，都在积极进行无人车辆及相关技术的研发。

图1　美国crusher无人车

国内外发展现状

军用领域

近年来，具备非道路越野机动能力的军用无人车辆得到了快速发展。

2006年，美国卡耐基梅隆大学公布了其研制的crusher无人车，该无人车采用了6×6分布式轮毂电机驱动形式。它一经问世，便引起世界范围内的强烈关注。

2007年，履带式无人战车Black Knight（图2）在美国肯塔基州正式亮相。

图2　美国Black Knight无人车

图3　美国MULE无人车

图4　美国SMSS无人车

2010年，美国洛克希德·马丁公司所研制的MULE无人车（图3）问世，同样采用了6×6分布式驱动形式，且每个轮胎都配有摇臂式独立悬架，使车辆在机动性与越野性等方面均具有优秀的表现。

2011年，美国洛克希德·马丁公司研制的SMSS无人车（图4）被正式投入阿富汗战场。该无人车辆以6×6 land tamer轮式底盘为基础，采用速差转向方式，具备全地形越野能力,可适应山地、沙漠、绿洲等错综复杂的地形。

除美国外，其他国家也相继在军用无人车方面取得了一定成绩。

2009年，英国MIRA公司研制的MACE2轻型地面无人车亮相。

以色列guardium 系列无人车已发展至三代，其中guardium MK3于2012年正式装备部队。guardium MK1与 guardium MK2均以Tomcar全地形越野战车底盘为基础，采用4×4轮毂电机驱动方式。guardium MK3以福特F- 350为基础进行大量改造，使车辆负载能力大量提高，并同时拥有作战能力。

我国在军用无人车辆方面的研发尚处起步阶段。2015年，中国兵器工业集团北方车辆研究所成立的地面无人平台研发中心，展示了其最新研制的军用无人车辆（图5），其采用6×6分布式轮毂电机驱动形式，可实现零半径速差转向。据报道，该车具有单兵跟踪的能力，可携带物资随队行军，此外该车辆还可搭载专门的探测设备，以辅助士兵完成侦察等任务。

图5　中国兵器工业集团北方车辆研究所最新研制的无人车

徐彬北京理工大学特种车辆研究所博士后、车辆工程专业

李明喜中国人民解放军军事交通学院副教授、博士、车辆工程专业

民用领域

在民用领域，无人车辆技术也得到快速发展。民用领域发展的初级阶段是半自主驾驶阶段，例如自适应巡航控制（Adaptive Cruise Control，ACC）或智能巡航控制（Intelligent Cruise Control，ICC）系统及防碰撞系统（Collision Avoidance System，CAS）等各类辅助驾驶系统实现自主巡航、车距保持等功能，可大幅提高车辆的安全性。未来，民用领域发展的终极阶段是实现完全自主的无人驾驶，这也正是目前谷歌等智能车研发团队所追求的终极目标。由于交通事故造成的死亡人数逐年上升，而传感器、控制系统等相关技术日趋成熟。因此，民用无人驾驶车辆的研究同样在世界范围内掀起了巨大热潮。

受美国国防先进研究项目局（DAR PA）举办的地面无人挑战赛所带来的巨大推动性，美国各高校积极开展了无人车的相关研究。

美国斯坦福大学的Stanley无人车（图6），该车基于一辆大众途锐进行改造，由北美大众公司电器研究实验室与美国斯坦福大学动力学设计实验室合作完成研制，在2005年的比赛中夺得冠军。

目前，美国谷歌公司的Google fleet无人驾驶汽车（图7）是其中优秀代表，该无人车搭载了性能超前的三维视觉重构技术与谷歌地图云计算技术，可同时对数百个目标进行监测与识别，能轻松应对行人、非机动车辆、机动车辆等多种不确定因素。由于性能优良可靠，2012年美国内华达州为其颁发了驾驶许可证。从2009年开始，截至2015年11月，谷歌智能车已自主驾驶行驶了超过132万英里，相当于平均每周在街道上无人驾驶10000～15000英里。

我国民用无人车辆也处于快速发展阶段，其中比较具有代表性的相关研究机构是国防科技大学。2011年，由国防科技大学自主研制的红旗HQ3无人车，完成了从长沙到武汉（全长286公里）的高速无人驾驶实验，在实验过程中，车辆自主超车67次，被超148次，平均车速达87km/h，创造了我国自主研制无人车在复杂交通状况下自主驾驶的新纪录。

“中国智能车未来挑战赛”已举办了七届，它是我国针对具有自然环境感知与智能行为决策能力的无人驾驶车辆验证平台的全国性权威比赛。在最近四届比赛中，军事交通学院的“猛狮”智能车三次夺得总冠军，展现了我国无人车辆技术发展的前端水平。

上述机构的研究主要关注于感知、定位与导航，但仍有部分学者关注于如何在现有感知技术条件下发挥无人车辆的动力学极限，以实现大幅提高无人车辆的行驶速度。因此，无人赛车便成为国内外诸多顶尖学者的关注方向。比较具有代表性的有斯坦福大学的动力学设计实验室，在现有成熟的环境感知技术条件下，实现给定路径下控制车辆发挥动力学性能极限。目前，斯坦福大学的奥迪无人赛车（图9）已经在赛道上实现了驾驶速度超过一般水平的赛车手。在国内，北京理工大学无人赛车研究团队已研制出纯电力驱动的小型无人方程式赛车（图10）。

图6　美国斯坦福大学Stanley无人车

图7　美国Googlefleet无人车

图8　军事交通学院“猛狮”智能车

图9　斯坦福大学奥迪无人赛车

周晶晶中国人民解放军军事交通学院研究生、车辆工程专业

倪俊北京理工大学特种车辆研究所博士、车辆工程专业

付苗苗北京理工大学特种车辆研究所研究生、车辆工程专业

有哪些关键技术

无人车辆的关键技术主要包括环境感知技术、定位与导航技术，以及车辆动力学控制技术。其中，环境感知技术用来获取车辆周围环境信息，定位与导航技术用来计算车辆当前位置、可能的行驶路径和期望行驶速度，车辆动力学控制技术最终控制车辆沿着预定路径行驶。

图10　北京理工大学无人方程式赛车

环境感知技术

环境感知技术是车辆实现无人驾驶的首要环节，必须具备实时性、鲁棒性和实用性。

第一，视觉技术。

机器视觉采用摄影机和电脑代替人眼的方式，对目标进行识别、跟踪和测量。在无人车辆上，通过机器视觉应用，可解释交通信号、交通图案、道路标识等环境语言。与其它传感器相比，机器视觉具有检测信息大、价格相对低廉等优点；但在复杂环境下，要将探测的目标与背景提取出来，具有图像计算量大、算法不易实现等缺点。机器视觉又分为单目视觉、全景视觉和立体视觉。图12展示的就是基于深度学习的英国剑桥大学SegNet物体实时识别系统。

第二，激光雷达技术。

相对于视觉感知技术，激光雷达具有以下优势：雷达受外界环境影响很小，其可靠性和精确性要高于被动传感器；激光雷达采用主动测距法，对环境光的强弱和物体色彩差异具有很强的鲁棒性；激光雷达直接返回被测物体到雷达的距离，算法更直接，测距更准确；激光雷达速度更快，实时性更好；视角大、测距范围大。相对于摄像机，雷达的缺点也是显而易见的，它的制造工艺复杂、成本较高。

第三，毫米波雷达技术。

毫米波雷达工作在毫米波波段，其频域为30GHz～300GHz之间，波长介于厘米波和光波之间，兼有微波制导和光电制导的优点。毫米波导引头体积小、质量轻、空间分辨率高；穿透雾、烟、灰尘的能力强，具有全天候(大雨天除外)、全天时的特点。然而，雨雾对毫米波的影响非常大，吸收强度大。在雨雾天气，毫米波雷达的性能将会大大下降。

目前，毫米波雷达主要应用于有人车辆的碰撞预警和防撞等主动安全应用，在无人车辆领域的应用相对激光雷达较少；毫米波雷达可以探测一定区域内的所有目标，但是其方向性较激光雷达差，且测量精度也不如激光雷达；另外，相对于一般的二维激光雷达，其成本高昂。这些因素虽然限制了毫米波雷达在无人车辆上的应用，但许多国内外无人车辆，仍然会安装一个毫米波雷达用于探测车辆正前方的障碍。

第四，超声波技术。

超声波指的是工作频率在20KHz以上的机械波,它具有穿透性强、衰减小、反射能力强等特点。超声波测距原理是利用测量超声波发射脉冲和接收脉冲的时间差，再结合超声波在空气中传输的速度来计算距离。现阶段广泛应用于倒车雷达系统中的便是超声波测距，且现在国内外市场上大量存在的泊车辅助系统大都采用超声波测距系统。

图11　军事交通学院智能车系统架构

定位技术

精确定位和导航是无人车辆在未知或已知环境中能够正常行驶的最基本要求，是实现在宏观层面上引导无人车辆，按照设定路线或者自主选择路线到达目的地的关键技术。定位和导航是一对相互关联的概念，其中导航的概念包含了定位的含义，而定位又是实现导航功能中最为关键的技术。

第一，基于GNSS的精确定位技术。

目前在用的世界三大卫星定位系统：美国GPS系统、俄罗斯GLONASS系统和我国的北斗系统是用于当前无人车辆定位的主要系统。尤其是GPS，几乎所有国内外无人车辆上都能看到GPS接收天线的身影，GLONASS一般作为GPS的辅助手段，而北斗系统由于建设时间短，目前尚未广泛应用于无人车辆。不过，近年来北斗系统建设速度迅猛，国内不少无人车辆已开始尝试使用北斗系统进行定位。

无论是哪一种卫星定位系统，其所能提供的定位精度都难以满足当前无人车辆实时行驶的要求。由于卫星定位在收到各种干扰的情况下，定位精度会大打折扣。例如有建筑或树木遮挡的城市道路环境、有较多桥梁，甚至有隧洞的公路和铁路环境，卫星定位精度会变得非常差，以致无法起到定位的作用。因此，仅靠卫星定位系统无法实现无人车辆精确定位的功能。为提高定位精度和环境适应能力，目前主要有两类方法：一类是采用多系统配合方式，即综合使用GPS、GLONASS、北斗系统，以增加同时接收卫星的数量，从而提高定位的精度；另一类是采用卫星差分定位，以提高精度。

第二，差分定位。

目前，国内无人车辆研究领域使用最多的精确定位手段就是差分GPS(DGPS)。DGPS在用户GPS接收机附近设置一个已知精度坐标的差分基准站，基准站的接收机连续接收GPS导航信号，将测得的位置或距离数据与已知的位置、距离数据进行比较，确定误差，得出准确的改正值，然后将这些改正数据通过数据链发送给车载GPS移动接收端。GPS接收机通过测量从接收机天线到GPS卫星的伪距，来确定接收机的三维位置和时钟误差。

第三，基于外部传感器的精确定位技术。

前面所述方法均以卫星定位系统为基础，通过与其它定位、推算系统融合来提高卫星定位系统的精度，因此这些方法对于卫星定位信号缺失地区，是无能为力的。近年来，国内外开始关注另一个非常重要的领域研究，即采用外部传感器方式（如激光雷达、机器视觉等）进行定位。相对于GPS容易受到正常道路周围高大建筑、树木枝叶、桥洞隧道等因素的影响，激光雷达和机器视觉可以在这些环境中更稳定地工作，因此基于雷达和视觉开发精确定位系统具有更理性的环境适应性。同时，由于几乎所有无人车辆自身均已安装视觉和雷达系统，并已获取原始数据，因此基于这些数据开发精确定位系统，可实现数据重用，也降低了无人车辆的开发成本。

图12　英国剑桥大学SegNet物体实时识别系统

导航技术

无人车辆路径规划是指需要在有障碍物的实际行车环境中，寻找出一条从起点到终点的路径，使无人车辆在运动过程中能无碰撞地绕过所有障碍物到达目的地，其实质就是无人车辆运动过程中的导航和避障。根据无人车辆已知环境信息的范围，无人车辆路径规划包含全局路径规划和局部路径规划两种类型。

全局路径规划是指无人车辆已知从当前时刻直至终点之间所有的环境信息，或所有可行道路的信息，从所有可行路线中选择一条最合适的。全局路径规划是一种离线规划，不考虑行车时的实行问题，因为规划完成后，无人车辆按照规划路线行驶的过程中会遇到不断变化的、动态的交通环境，因此可能会进一步进行重新规划，并在原来规划路径基础上进行一定程度的调整，生成新的规划路径，这就是局部规划。

在路径规划方法层面，大致可分为两类：一种基于环境建模进行规划，另一种将无人车辆路径规划视为一个优化问题，并利用典型的智能优化算法进行求解。前者根据环境建模方法的不同，主要分为栅格法、人工势场法以及可视图法，主要用于微观实时路径规划；后者除以上方法之外，还会采用模拟自然界智能行为的启发式算法，如遗传算法、蚁群算法、模拟退火算法和粒子群算法等，主要用于宏观路径规划。

控制技术

动控制系统是实现无人车辆自主控制和提高自主水平的关键组成部分，属于底层的运动控制系统。虽然无人车辆的控制系统十分复杂，但相关科研人员却对此兴趣十足。由于无人车辆给先进的控制算法提供了很好的测试平台，其控制问题吸引了控制界和机器人界大量研究力量的投入。

针对无人车辆，科研人员探索出众多不同的控制结构和算法。从现有的发展情况来看，具有典型代表性的有：基于运动学/动力学模型的控制方法和基于学习的控制方法两种。

第一，车辆动力学控制技术。

对于无人车辆来说，在完成了感知导航与路径规划后，必须通过车辆动力学控制技术控制车辆沿着既定轨迹行驶，也有学者将其称之为“轨迹跟踪”技术。可以说，车辆动力学控制技术是无人车辆是否充分发挥车辆性能的重要保障。

现阶段，无人车辆动力学控制技术主要包括纵向控制、横向控制两方面。其中，纵向控制主要是指车辆行驶速度的控制（即对车辆油门、制动的控制），横向控制主要是指车辆轨迹的控制（即对车辆方向盘的控制）。无人车辆发展早期，由于环境感知和路径规划等环节的速度、精度的限制，无人车辆自动行驶速度较低，对车辆动力学控制技术要求不高。目前，无人车辆控制技术中大部分仍采用与地面机器人相同的基于运动学假设的算法，虽然这种方法具有较大的成熟性与便利性，但它限制了无人车辆充分发挥动力学的极限性能，限制了无人车辆行驶速度的进一步提高。

因此，现在无人车的研究热点主要集中在如何基于车辆动力学极限开展车辆动力学控制与轨迹跟踪，以及面向轮毂电机电驱动、全轮独立转向等新型结构车辆的动力学控制技术。

第二，深度学习控制技术。

深度学习的概念源于对人工神经网络的研究，是机器学习研究中的一个比较新的领域，其动机在于建立并模拟人脑进行分析学习的神经网，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。人工智能的深度学习技术在无人车辆技术上的应用目前主要集中在机器视觉对物体的识别，以及通过对人类驾驶员驾驶行为反应的观察来学习驾驶，使无人车辆面对相似的情况时，能做出和人类相似的反应。