人工智能發展六十年，幾起幾落，如今迎來又一次熱潮，深度學習、計算機視覺和自然語言理解等各方面的突破，使得許多曾是天方夜譚的應用成為可能，無人駕駛汽車就是其中之一。作為人工智能等技術在汽車行業、交通領域的延伸與應用，無人駕駛近幾年在世界范圍內受到了產學界甚至國家層面的密切關注。

無人駕駛其實并不新鮮。早在上世紀八十年代，美國就啟動了相關研究項目。無人駕駛最近幾年又火起來，原因主要有兩方面：一是技術，包括人工智能、車載軟硬件及網絡的飛速發展，過去的不可能現在變為可能；二是需求，人們的生活已經離不開汽車，但隨著汽車保有量的增加，事故、擁堵、污染等負面影響逐漸顯現，需要新技術新方法提高交通的安全性、舒適性、經濟性以及環保性。

無人駕駛相關的科普文章、技術文獻非常豐富，本文不再贅述，下面就結合筆者近幾年的研發經歷談談無人駕駛的一些實踐與心得。

無人駕駛與智能駕駛

相比無人駕駛，智能駕駛的范疇更大，既包括無人的智能駕駛，即無人駕駛，也包括有人的智能駕駛，比如定速巡航、自適應巡航、自動泊車等輔助駕駛系統，還包括人機共駕的智能駕駛，國內專業說法是以人為本的人機協同共駕，這是現階段以及未來幾年的研究方向之一，它們之間的關系如圖1所示。

圖1 智能駕駛的范疇

從筆者經歷來看，最難實現的是人機協同共駕，如何將無人駕駛與有人駕駛融為一體而不是非此即彼的冷切換，如何理解駕駛員的意圖進而在緊急時刻采取措施彌補駕駛員的不足，當駕駛員意圖與智能車意圖發生矛盾時怎么辦等等都是值得探索的問題。設想如下場景：當駕駛員正在將車駛離當前車道，但智能車認為沒有必要，這時應該聽誰的？是發出警告，還是直接阻止駕駛員旋轉方向盤？這需要具體情況具體分析。

首先智能車要了解駕駛員的真實意圖，如果從車內攝像頭看到駕駛員是清醒的，是先打開轉向燈再旋轉方向盤，并且動作時序、間隔和往常一樣，那么說明換道是駕駛員有意為之，這時就要服從駕駛員的控制；相反，如果智能車發現駕駛員處于困倦狀態，比如連續駕駛時間過長、眼睛閉合次數過多時間過長等，而且沒有打開轉向燈，那么極有可能是疲勞駕駛，換道并非駕駛員的真實意圖，這時智能車必須通過聲音、閃光、震動等方式提醒駕駛員注意，如果駕駛員對提示沒有任何反應，并且有馬上發生碰撞的可能，那么智能車必須接管控制權，將車停到安全地帶或者無人駕駛到目的地。當然這只是一個想象中的例子，智能駕駛的實際情況會更加復雜。

根據美國高速公路安全管理局網站，學術界一般將智能駕駛分為五個等級：

Level 0：人工駕駛（No-Automation），完全由駕駛員操控汽車，包括油門、制動、轉向、檔位等。

Level 1：特定功能輔助駕駛（Function-Specific Automation），例如防抱死制動系統（ABS）、電子穩定性控制（ESC）等。

Level 2：組合功能輔助駕駛（Combined Function Automation），例如自適應巡航控制（ACC）、車道保持輔助系統（LKA）、車道偏離預警（LDW）等。

Level 3：有限的無人駕駛（Limited Self-Driving Automation），能夠在特定的交通環境下無人駕駛，比如Google無人駕駛汽車就可以在某些區域內實現無人駕駛，但還是需要人實時監視車輛的狀態，一旦發生問題要切換回人工駕駛。

Level 4：完全無人駕駛（Full Self-Driving Automation），智能駕駛的理想形態，乘客只需提供目的地，在任何時候都不需要對車輛進行監控。

目前國內外智能駕駛技術還處于Level 2至Level 3的水平。特斯拉公司去年推出的Model S電動車已經具有了部分無人駕駛功能，智能駕駛技術已經真真切切地進入到我們的視野。有研究機構預測2040年無人駕駛汽車將占汽車市場的70%。無論數字準確與否，無人駕駛前景是被廣泛看好的。

國內的無人駕駛領域，很多車企、高校、研究所進展迅速，已陸續做出了可以在路上跑的無人車，但從技術角度來看，問題還很多，離真正量產到走入百姓生活還很遠。因為涉及到生命安全，不能冒進，必須非常謹慎。另外，從供應鏈來看，作為核心部件的車載傳感器大都掌握在國外廠商手中，控制與執行器大都掌握在國外汽車零部件廠商手中，車載芯片與操作系統也是如此，國內外有差距，我們還有很多空白需要填補，還有很長一段路要走。

解析無人駕駛汽車

無人駕駛汽車并不神秘，類似于移動機器人，但它與移動機器人的研究出發點不同，因為里面有乘客，必須考慮人的感受與體驗。筆者認為現階段無人駕駛實際上是類人駕駛，即計算機模仿人類駕駛員的駕駛行為，目標是使計算機成為一位眼疾手快、全神貫注、經驗豐富、永不疲倦的虛擬司機，最終將人類從低級、繁瑣、持久的駕駛活動中解放出來。

首先我們回想一下人是怎么開車的。人類開車是在周而復始地進行一個“感知→認知→行為”的循環。感知的對象是周圍的交通環境，如本車在哪里、其它車在哪里、道路多寬、限速多少、現在是紅燈還是綠燈等；認知包括理解、規劃、決策以及經驗，比如紅燈要停車、路口要減速、何時及如何換道、當前加速還是減速等；行為指的是操控汽車，如方向盤是否轉到位、油門剎車檔位如何協調等。無人駕駛也在重復著“感知→認知→行為”的過程。下面以圖2這輛可以無人駕駛的大客車為例對這個過程加以詳細說明（該車是宇通集團與中國工程院李德毅院士團隊合作研發而成。2015年8月，這輛長10米的大客車滿載乘客從河南省鄭州市出發，在正常交通流量下，沿著鄭開大道無人駕駛32公里安全到達河南省開封市，最高時速68公里/時，途經26個路口及信號燈，停靠2個公交站，全程無人工干預）。

圖2 宇通無人駕駛大客車

感知

人類駕駛員感知依靠眼睛和耳朵，無人駕駛汽車感知依靠傳感器。目前傳感器性能越來越高、體積越來越小、功耗越來越低，其飛速發展是無人駕駛熱潮的重要推手。反過來，無人駕駛又對車載傳感器提出了更高的要求，又促進了其發展。用于無人駕駛的傳感器可以分為四類：

1. 雷達傳感器。主要用來探測一定范圍內障礙物（比如車輛、行人、路肩等）的方位、距離及移動速度，常用車載雷達種類有激光雷達、毫米波雷達和超聲波雷達。激光雷達精度高、探測范圍廣，但成本高，比如Google無人車頂上的64線激光雷達成本高達70多萬元人民幣；毫米波雷達成本相對較低，探測距離較遠，被車企廣泛使用，但與激光雷達比精度稍低、可視角度偏小；超聲波雷達成本最低，但探測距離近、精度低，可用于低速下碰撞預警。

2. 視覺傳感器。主要用來識別車道線、停止線、交通信號燈、交通標志牌、行人、車輛等。常用的有單目攝像頭、雙目攝像頭、紅外攝像頭。視覺傳感器成本低，相關研究與產品非常多，但視覺算法易受光照、陰影、污損、遮擋影響，準確性、魯棒性有待提高。所以，作為人工智能技術廣泛應用的領域之一的圖像識別，也是無人駕駛汽車領域的一個研究熱點。

3. 定位及位姿傳感器。主要用來實時高精度定位以及位姿感知，比如獲取經緯度坐標、速度、加速度、航向角等，一般包括全球衛星定位系統（GNSS）、慣性設備、輪速計、里程計等。現在國內常用的高精度定位方法是使用差分定位設備，如RTK-GPS，但需要額外架設固定差分基站，應用距離受限，而且易受建筑物、樹木遮擋影響。近年來很多省市的測繪部門都架設了相當于固定差分基站的連續運行參考站系統（CORS），比如遼寧、湖北、上海等，實現了定位信號的大范圍覆蓋，這種基礎設施建設為智能駕駛提供了有力的技術支撐。定位技術是無人駕駛的核心技術，因為有了位置信息就可以利用豐富的地理、地圖等先驗知識，可以使用基于位置的服務。

4. 車身傳感器。來自車輛本身，通過整車網絡接口獲取諸如車速、輪速、檔位等車輛本身的信息。

綜合考慮成本及性能，宇通無人駕駛大客車采用了激光雷達、毫米波雷達、攝像頭、GPS和車聯網設備等多種傳感器來實現感知能力，具體部署如圖3所示。

圖3 宇通無人駕駛大客車傳感器布置圖

認知

駕駛員認知靠大腦，無人駕駛汽車的“大腦”則是計算機。無人車里的計算機與我們常用的臺式機、筆記本略有不同，因為車輛在行駛的時候會遇到顛簸、震動、粉塵甚至高溫的情況，一般計算機無法長時間運行在這些環境中。所以無人車一般選用工業環境下的計算機——工控機。工控機上運行著操作系統，操作系統中運行著無人駕駛軟件。

宇通無人駕駛大客車軟件系統架構如圖4所示。操作系統之上是支撐模塊（這里模塊指的是計算機程序），對上層軟件模塊提供基礎服務。支撐模塊包括：虛擬交換模塊，用于模塊間通信；日志管理模塊，用于日志記錄、檢索以及回放；進程監控模塊，負責監視整個系統的運行狀態，如果某個模塊運行不正常則提示操作人員并自動采取相應措施；交互調試模塊，負責開發人員與無人駕駛系統交互。支撐模塊之上是三大類軟件模塊，通過圖4中的模塊名稱可以知曉其主要功能，這里不再贅述。

圖4 宇通無人駕駛大客車軟件系統架構

操控

駕駛員操控汽車靠四肢，無人駕駛汽車靠什么呢？靠的是線控執行器。

由于當前車輛是面向人類駕駛設計的，方向盤、油門、剎車、檔位都是由人工操控。無人駕駛則需要這些機構能夠由程序控制，這就需要對傳統汽車加以線控改造甚至重新設計。方向盤線控的改造，早期一般在轉向柱加裝可控電機，現在一般利用較為成熟的轉向助力零部件實現；油門與制動線控的改造，早期一般使用鋼絲牽引車內踏板，但控制精度不高，現在一般直接使用車內總線協議向整車控制器發送控制指令；檔位線控的改造，早期一般靠步進電機實現，現在同樣向整車控制器發送指令實現檔位控制。

目前，隨著電動車的出現與發展，很多線控功能在設計之初就被考慮其中。

小結

傳感器、計算機和執行器是如何連接在一起并協同工作呢？如圖5所示，以計算機為中心，一類設備使用RJ45以太網絡接口，如廣泛使用的1線、4線、16線、64線激光雷達，差分GPS慣導組合等，這些設備與工控機一起連接到網絡交換機；一類設備使用1394接口，如攝像頭等；一類設備使用CAN接口，如毫米波、超聲波雷達、控制器與執行器等，一般通過工控機擴展PCI的CAN接口卡實現連接。

圖5 無人駕駛汽車硬件連接圖

小結一下，無人駕駛汽車在邏輯與物理上的工作過程如圖6所示。在一個控制周期內，傳感器負責感知周圍環境及自身狀態，計算機中的軟件系統負責環境建模、決策與規劃，執行器負責執行指令并反饋結果。控制周期一般為毫秒級，由多種傳感器采樣頻率、軟件算法復雜度、計算機性能以及執行器頻率決定。控制周期不能太長，太長則不能對突發情況進行及時處理，也不能太短，太短則會造成計算及執行器負載過高。正常人類駕駛員的反應時間為0.2秒左右，宇通無人駕駛大客車的控制周期為50毫秒，可以滿足城市工況高速行駛要求。

圖6 無人駕駛汽車邏輯與物理工作過程

人工智能與無人駕駛

與其他算法相比，人工智能算法最大的不同是什么？筆者認為，人工智能算法更側重于學習功能，其他算法更側重于計算功能。學習是智能的重要體現，學習功能是人工智能的重要特征，現階段大多人工智能技術還處在學的階段。如前文所說，無人駕駛實際上是類人駕駛，是智能車向人類駕駛員學習如何感知交通環境，如何利用已有的知識和駕駛經驗進行決策和規劃，如何熟練地控制方向盤、油門和剎車。

從感知、認知、行為三個方面看，感知部分難度最大，人工智能技術應用最多。感知技術依賴于傳感器，比如攝像頭，由于其成本低，在產業界倍受青睞。以色列一家名叫Mobileye的公司在交通圖像識別領域做得非常好，它通過一個攝像頭可以完成交通標線識別、交通信號燈識別、行人檢測，甚至可以區別前方是自行車、汽車還是卡車。人工智能技術在圖像識別領域的成功應用莫過于深度學習，近幾年研究人員通過卷積神經網絡和其它深度學習模型對圖像樣本進行訓練，大大提高了識別準確率。Mobileye目前取得的成果，正是得益于該公司很早就將深度學習當做一項核心技術進行研究。

認知與控制方面，主要使用人工智能領域中的傳統機器學習技術，通過學習人類駕駛員的駕駛行為建立駕駛員模型，學習人的方式駕駛汽車。美國斯坦福大學的一個團隊讓無人駕駛賽車學習賽車手的開車方式，經過一段時間訓練無人賽車不僅學會了漂移，而且比賽用時已經少于當初學習的那位賽車手。

下面通過一個城市駕駛的小例子說明無人車如何向人類學習駕駛。會開車的讀者會有體會，在城市中駕駛大部分時間是在跟車行駛，即前面有一輛車，我們跟在后面。假如在高速公路上，兩車車速較高，跟車太近容易追尾，必須減速以增加車距；假如在擁堵時，車速較低，跟車太遠則浪費道路資源，必須加速以減少車距；如果前車速度很快或正在加速，那么在不超速的情況下，我們應該加速行駛；如果前車速度很慢或正在減速，那么我們應該減速行駛甚至停下來。這說明跟車這個行為與兩車相對距離、相對速度以及本車當前速度這三個量有關，我們可以建立一個神經網絡模型，輸入三個量：兩車相對距離、相對速度以及本車當前速度，輸出一個量：期望加速度（加速度可以為負），訓練數據來自人類駕駛員。

如何采集訓練數據呢？我們可以在普通汽車上加裝一些傳感器，比如雷達和慣導設備，用來讀取前方車輛的相對位置和速度以及本車的速度和加速度。讓一位經驗豐富的駕駛員開著這輛車每天不同時段在城市的不同路段有目的性地行駛，經過一段時間的積累，采集的跟車數據會覆蓋絕大多數可能發生的情況。經過這組數據訓練出來的基于神經網絡的跟車模型，給定一個相對距離、相對車速以及本車速度，就會輸出一個加速度，就像那位經驗豐富的人類駕駛員開車特性一樣，這就完成了跟車模式的機器學習。

無人駕駛研發體會

筆者自2013年以來陸續參與了幾輛無人駕駛汽車的研發，所用車型包括ix35、北汽C70、北汽C30、上汽E50、北汽E70以及宇通ZK6105。如圖7所示，這些車型各有特點：有內燃機車，有混合動力車，也有純電動車；有通過外加裝方式改造的車，也有內改裝的車；有總線協議不開放的車，有部分開放的車，也有完全開放的車。

圖7 筆者參與研發的無人駕駛汽車

從外觀看，無人駕駛汽車越來越接近普通汽車，很多傳感器已經內裝甚至前裝。正如李德毅院士所說，無人駕駛汽車內改裝是必然趨勢，外加裝死路一條，傳感器的安裝、車輛的線控改造要在車輛設計之初就給予充分考慮。這里外加裝指的是在傳統汽車上，通過第三方設計的額外的油氣電氣裝置實現車輛線控改造，這種方式已經過時，逐漸退出舞臺。

為了實現無人駕駛，汽車總線協議完全開放或部分開放是趨勢。總線協議掌握在整車廠或大零部件廠商手里。總線上定義了很多非常重要的指令與數據（各家的指令各不相同），對汽車安全至關重要，比如可以通過指令控制發動機工作或者停止，一般都不會對外開放。一個折中的方案是通過網關設備部分開放總線協議的指令與數據，由網關負責整車網絡與上位機之間的數據通信，對指令的合法性進行檢測，對數據的可訪問性進行過濾。整車廠研發無人駕駛具有絕對優勢，但出于安全考慮各家態度都非常謹慎，所以暫時互聯網公司、高校院所搶占了無人駕駛的風頭，但實際各家都在做技術儲備，包括奔馳、奧迪、沃爾沃、寶馬等。

最后總結，無人駕駛難在感知，重在“學習”。但無人駕駛的技術水平遲早會超過人類，因為穩、準、快是機器的先天優勢，人類無法與之比擬。駕駛有時并不是負擔，相反是一種樂趣，體現了人類拓展自身極限的能力。筆者相信，完全的無人駕駛也許有些遙遠，但隨著機器學習算法的提升和應用的挖掘，更接地氣人機和諧共駕已是指日可待。