自动驾驶技术研究现状及发展趋势

章军辉,陈大鹏*,李 庆

(1.中国科学院微电子研究所，北京 100029；2.江苏物联网研究发展中心，无锡 214135；3.无锡物联网创新中心有限公司，无锡 214135)

汽车工业发展历程，如图1所示。1886年世界上第一辆汽车诞生于德国，发明人是卡尔·本茨，被业界誉为“汽车之父”。自此，替代马车的新一代日常交通工具正式登上了历史的舞台[1]。20世纪90年代中后期，随着高速公路、汽车工业、生产工艺的不断突破，逐步形成了汽车社会。进入21世纪后，随着消费者对安全舒适性需求的日益增长以及政府相关法规政策的不断健全，这些因素已成为基于环境感知的汽车ADAS (advanced driver assistance systems) 产品大规模商业化的主要驱动力。而随着V2X (vehicle-to-everything)网联、人工智能(artificial intelligence，AI)等高新技术的不断发展，封闭式/半开放式道路环境下的自动驾驶以及列队行驶已进入全面爆发期[2]，成为举世关注的焦点。作为全球第一大汽车市场的中国，自主品牌已逐步崛起，在大力发展新能源汽车的同时，携手互联网科技公司致力于自动驾驶关键技术与应用创新，不断寻求新突破，而新能源与自动驾驶将会是中国汽车工业实现“弯道超车”的一个重要契机[3-5]。

图1 汽车工业发展历程[1]Fig.1 Development course of automobile industry[1]

近年来，尢以互联网科技公司为代表，将人工智能推上了新高，比如深度学习技术在目标感知、场景认知方面的应用[6-9]、基于AI的自主决策在无人驾驶方面的应用[10-11]等，预示着人工智能将会给未来汽车带来具有颠覆性的创造。

1 中外发展现状

图2 中外自动驾驶发展现状[15-16]Fig.2 Development status of automobile at home and abroad[15-16]

关于自动驾驶以及规范智能汽车路测方面的探索，德美日起步较早。1939 年美国通用汽车(general motor,GM)公司在纽约世界博览会上首次展出了Futurama无人驾驶概念设计，提出了一种朴素的自动化高速公路设想[12]。直至1984年，卡耐基梅隆大学(Carnegie Mellon University,CMU)研制了全球首辆真正意义上的无人驾驶车辆[13]。进入21世纪后，美国国防部先进研究计划局(Defense Advanced Research Projects Agency,DARPA)举办的Grand Challenge与Urban Challenge挑战赛，是无人驾驶发展史上里程碑事件，掀起了无人驾驶技术研发的热潮[14]。

如图2所示，无论是车企、Tier 1(一级制造供应商)、系统解决方案公司、互联网科技公司，抑或是高校、科研机构纷纷加入到自动驾驶这波浪潮之中，资本与人才亦迅速涌入[15-16]。

在外国，2009年Google正式启动无人驾驶汽车项目，是世界上第一家推行无人车上路测试的公司。2011年，德国柏林自由大学顺利挑战了交通信号灯、环岛、拥堵通行等诸多项目。2012年，Google无人车首获由美国内华达州颁发的第一张红色牌照。2016年，Uber公司正式于美国匹兹堡市面向公众开放无人车出行服务。2016年12月，Google拆分无人驾驶业务成立了Waymo实体公司，加速了无人驾驶车辆商业化进程。特斯拉CEO马斯克表示，特斯拉将于2019年底前推出具有完全自动驾驶功能的产品。

在中国，2014—2016年，李德毅院士挂帅的“猛狮Ⅱ号”团队于中国智能车未来挑战赛(intelligent vehicle future challenge,IVFC)上蝉翼三连冠。2017年7月，百度CEO李彦宏亲自试乘百度自主研发的无人车，并率先发布了百度Apollo计划，即开源自动驾驶平台计划。2018年3月，中国正式颁发了3张智能网联汽车开放道路测试号牌。2018年8月，百度与金龙客车联合研制的无人驾驶小型巴士实现了小规模量产，该款无人小巴革新了传统驾驶舱设计，没有开放方向盘、刹车等操控装置，主要适用于园区、景区、码头等相对封闭的道路通勤。2019年9月，基于Apollo开放平台的自动驾驶出租车队Robotaxi在湖南长沙正式开启试运营。

2 等级划分及评价体系

2.1 等级划分

关于智能驾驶的智能化等级划分，美国汽车工程师学会(Society of Automotive Engineers,SAE)制定的自动驾驶等级划分标准，如图3所示。

图3 SAE的自动驾驶等级划分标准Fig.3 SAE levels for autonomous vehicle

中国关于智能驾驶的智能化等级划分，较为典型的是清华大学的人、马、骑士与马比较形象的划分方法，如图4所示，主要包括：离线驾驶辅助系统、局部时段与局部区域的自动驾驶、自主驾驶/无人驾驶、以人为本的人机协同[17]。

图4 清华大学的人、马、骑士与马划分方法Fig.4 TsingHua levels for autonomous vehicle

2.2 评价体系

关于智能驾驶的智能化水平评价体系，主要包括：基于位置与行驶轨迹的测评[18]、基于学习能力的测评[19]、基于任务中心的量化测评[20]、基于云模型的4S变粒度测评[21]、基于人工干预程度/任务复杂度/环境复杂度的三维测评模型[22]等。其中，三维测评模型，如图5所示。

图5 智能驾驶的三维测评模型Fig.5 Three-dimensional evaluation model

3 关键技术研究现状

自动驾驶垂直化过程[23]如图6所示，可展开为感知、认知、决策规划、控制、执行5层，关键技术涉及汽车、交通、电子、控制、车联网、信息安全、机器视觉等多个学科领域。

3.1 环境感知

常用的车载环境感知传感器包括视觉类传感器、车载雷达传感器等。

对于交叉路口、坡道等存在视觉盲区的道路环境，传统的雷达、视觉方案难以突破传感器自身的局限性[24]。而当前感知技术的检测能力、识别精度尚不足以支撑自动驾驶的快速发展，一些新兴技术也因此在不断突破，如考虑多源异构信息融合技术[25-26]，用于复杂环境感知的深度学习技术[27-30]，以及近年来基于车路协同感知技术[31-32]等。

图6 自动驾驶垂直化过程Fig.6 Sketch of autonomous driving

车路协同感知技术将实现车辆与路侧设备之间实时信息共享，协同感知车辆行驶周边环境，从而有效扩展车辆的超视距感知野[31-32]。该技术突破了单车感知的局限性，同时降低了数据采集、数据融合过程中的计算负荷，也降低了车载计算单元的成本与应用门槛，未来将具备大规模商业化潜质[33-35]。

3.2 高精度定位

高精度定位为自动驾驶车辆提供了全局路径规划，同时基于感知结果做避障规划，又称即时导航规划。目前定位技术依然面临的两大挑战是覆盖盲区和成本高昂。

对此，中国主流图商也都在积极开展面向自动驾驶的高精度地图建设，基于北斗地基增强系统(beidou ground-based augmentation system,BGAS)[36]的高精度定位技术、多源辅助定位技术[37-38]等，将为自动驾驶汽车提供成本更低、覆盖更广的高精度定位解决方案。

3.3 场景认知

图7 场景认知技术框图Fig.7 Sketch of scene recognition

对于交通标识、前方行人、前方车辆、车道线、道路状况、天气情况等不同场景目标(图7)，智能车需要在感知机输出的基础上实现场景理解[39-42]、环境重构[43-44]、驾驶意图与风险态势分析[45-46]、以及一些知识学习[47-50]等。

3.4 协同决策

如图8所示，决策层综合场景认知、先验知识、全局规划、车路协同、人机交互等信息，在保证行车安全的前提下，尽可能地适应实时工况，进行舒适友好、节能高效的决策[51-53]。

常用的决策手段有：有限状态机(finite state machine,FSM)[54-55]、决策树[56-58]、深度学习[59-61]、增强学习(Q-learning)[62-64]等。

图8 协同决策技术框图Fig.8 Sketch of cooperative decision technology

3.5 人机共驾

自动驾驶汽车，是否允许人工干预，也是一个比较有争议的话题。开放的同时，意味着暗门的暴露，而完全封闭，又存在着不可控的隐患。

人机共驾的核心是协同与互补，而人机并行控制时，将会带来由于冗余输入所造成的人机冲突、控制权分配问题[65-68]。

目前，中外研究尚停留在概念演示与机制探讨阶段，缺乏比较完善的基础理论体系支撑。

3.6 控制与执行

车辆运动控制是实现汽车智能化的首要前提，控制系统的任务是控制车辆油门、制动、转向机构，在满足一定设计需求(如追踪性、舒适性、经济性、安全性等)基础上使得实际轨迹收敛于决策层规划的期望轨迹[69-70]。

常见的应用场景包括：多目标自适应巡航控制(adaptive cruise control,ACC)[71-73]、走-停巡航控制[74-76]、车道保持控制(lane keeping assist system,LKAS)[77-80]、车队协同控制[81-84]等。

典型车辆控制算法包括：①PID(proportional integral differential)控制[85]；②最优控制[86-87]；③自适应控制[88-89]；④滑模变结构控制(sliding mode control,SMC)[90-92]；⑤模型预测控制(model predictive control,MPC)[93-95]；⑥ 模糊逻辑控制[96-99]；⑦人工神经网络控制[100-101]。

典型车辆控制算法的控制特点以及优缺点总结如表1所示。

目前，面向复杂道路工况、非常态环境以及考虑驾驶行为习惯等的控制器设计依然面临着巨大挑战[102]。

此外，线控执行机构是实现自动驾驶的必备基础，如线控油门、线控制动、线控转向等。

相比Bosch、Delphi、Denso等外国一线品牌，中国在产品稳定性、可靠性、一致性以及市场规模等方面仍存在着较大差距[103-104]。

4 共性问题及发展趋势

自动驾驶事故频发，也让我们清醒地认识到现阶段自动驾驶技术尚不够成熟，共性技术问题以及未来发展趋势总结如下。

表1 车辆控制算法对比Table 1 Comparison of vehicle control algorithms

(1)目前，自动驾驶技术路线大多是以单车为智能主体的解决方案，该方案下自动驾驶在短期内难以商业化落地，且面临着以下挑战：①技术上，对感知传感器精度的依赖性较强，且在非常态环境或全路网(考虑突发路况等)下，安全性无法100%保证，算法鲁棒性不足；②成本上，以激光雷达为代表的核心传感器，成本极其高昂，车辆改造成本远高于整车成本；③政策上，政策导向、法律法规尚待完善；④基建上，车联网基础设施建设亟待投入。

(2)充分发挥车辆与“聪明”的道路之间的协同作用，构建车路协同的自动驾驶系统，实现车辆的高度自动化，降低自动驾驶的成本，以克服单车自动驾驶的局限性。

(3)车联网平台技术能够拓展车辆对道路交通环境的感知野、感知力，降低车载移动计算负荷，以及实现生态驾驶辅助(eco-driving assistance system,EDAS)需求等。如综合道路信息(如坡度、路面附着、道路曲率等)、交通情况(如交通流密度、交通信号灯等)对车辆速度与档位等进行二次优化，以进一步改善燃油经济性、汽车尾气排放以及路网运行效率。

(4)智能网联汽车(intelligent &connected vehicle,ICV)是实现未来智能交通系统的关键，拥有“互联网+”开放共享融合创新体系以及相互依存的产业生态链，已上升至中国国家战略层面。发展智能化网联式汽车符合国际汽车工业的发展趋势，将是中国汽车工业与国际先进水平接轨，并向产业链中高端不断挺进的有力抓手。

(5)未来基于5G的车联网群智感知技术将进一步赋能自动驾驶，助力自动驾驶商业化落地。