2016自动驾驶外行装逼攻略（超长文推荐）

点击上方“公众号”可以订阅哦

[ Keep tuned and never give up! ]

言右三

导读

年关将至，由于自动驾驶在今年得到了很多目光关注，因此本文将从发展历史，现状，玩家，关键技术等一一介绍，不涉及技术细节，阅读完可助你在小伙伴面前快速装逼。

1 什么是自动驾驶汽车

    自动驾驶，无人驾驶，无人车，智能驾驶等这些都泛指同一个概念，即在没有人类司机的控制下，车辆自动从A地开到B地。

    对于车企来说，他们希望消费者区分自动驾驶(Automatic car)与无人驾驶(Driverless car)，因为要从现在的人为驾驶发展到最终的完全无人驾驶，这必然是一个渐进的过程。而这个过程，包括好几个阶段，业界已有统一规范，下面套用一张图。

图1-自动驾驶分级

    我的建议是不需要看这张图，而是边往下看边想。虽然在消费者眼里，很多东西都是凭空忽然出现然后惊艳世界，但是在技术人员那里，都是点滴不断的累积。

    大致的技术路线是：

    有人驾驶—>辅助驾驶—>部分无人驾驶—>完全无人驾驶。

    消费者所理解和期望的，往往至少到上图第4级(完全自动驾驶，人类基本不需要干预)，而车企所能提供的产品，则难以一蹴而就提供。

    而当下敢出来卖无人驾驶系统给消费者用的就属特斯拉了。autopilot 1.0，并没有达到L4的水平，而二代autopilot 2.0，也没有所宣称的达到L5的水平，基本上就是在L4的水平，但人家就是上路了。

    看到这里，你应该知道了自动驾驶的基本概念了，接下来，谈谈发展历史与现状。

2 前世今生

    这部分要谈的时间段，横跨1920~2016近百年。不是从谷歌自动驾驶开始，也不是从斯坦福等高校的自动驾驶开始。

 1 

1920~1970 “无人驾驶”思想萌芽

图2 控驾驶

    在计算机技术水平还没有发展起来的时候，有过两种自动驾驶的思路：遥控驾驶和高速导航系统。

    1. 遥控驾驶

    1920~1930时期的无人驾驶，其实是车内无人的远程遥控驾驶。九十世纪二三十年代美国有一些汽车公司和无线电设备公司，用无线电接收设备译码，用小马达来远程控制车的方向盘、制动器、加速器，从而实现“无人驾驶”。上图就是当时的一个新闻。

    2. 高速导航系统

    50~70年代很长一段时间有很多企业，大学等研究机构，尝试通过埋设在道路中的电子设备进行导航来实现高速的无人驾驶。其中包括1953年RCA（Radio Corporationof America美国无线电公司），通用汽车公司Firebirds系列，英国运输与道路研究实验室等。

    几公里内可以远程控制的“无人驾驶”，能通过繁忙的市内交通枢纽，不过它的历史意义，更多的在于不断尝试的创新精神了(对比之下那时候的中国还是一片混乱中)。而在道路中埋设导航设备的想法，则由于成本太高而被历史所抛弃。

2

1980~2000 关键突破

    70年代中期开始，随着计算机软硬件水平和各种传感器的发展，陆续出现了基于计算机的智能驾驶逻辑算法。这翻开了全新的一页，因为传感器+算法，都是全新的，也是现在自动驾驶的灵魂。

    1. 先驱与尝试。

    伊力诺依大学，日本筑波工程研究实验室算是智能算法和传感器各自的代表。从1970年代中期开始，伊力诺依大学对智能驾驶逻辑算法展开研究，而后者开发出了第一个基于摄像头来检测前方环境的无人驾驶汽车。

    2. EUREKA，ALV，Navlab。

    EURREKA是欧洲19个国家投资的智能交通项目。ALV是美国DARPA与卡内基梅隆大学、斯坦福大学等机构合作的项目，Navlab是卡内基梅隆大学的项目。从此，激光雷达与计算机视觉的传感器组合，与基于神经网络的现代控制策略，成为了自动驾驶的标配。

3

2000~2016 关键基因

   到了这一阶段，计算机的计算能力指数级增长，传感器也层出不穷，自动驾驶开始真正发力。现在直接做最高级自动驾驶的谷歌与百度，也发源于斯坦福大学最初的自动驾驶方案。

DARPA

    有些存在，总是在不断推动行业的发展。DARPA，Defense Advanced Research Projects Agency的简称，译为美国国防部先进研究项目局。如果你不知道它是干嘛的，那知道互联网，GPS，隐形战机都是它的儿子就够了。

    2004年开始DARPA举办了3次无人车比赛。前两次在沙漠里，参赛车必须依靠GPS来引导行驶，依靠传感器或摄像头来绕开天然障碍物，从而通过230公里长的纯天然沙漠地带，第一次没有参赛队伍完成比赛，第二次斯坦福大学取得了冠军，历史记住了第一个胜利者（下图就是那辆车和项目leader斯坦福大学教授 Sebastian Thrun）。第三届比赛在城市中进行，卡内基梅隆大学、斯坦福大学、佐治亚理工大学夺得前三名。

图3 斯坦福无人车。

2009 年，谷歌无人驾驶汽车项目正式启动，目标在 2020 年发布一款无人驾驶的汽车。现在，入行的玩家都说要在2020年发布自家的无人驾驶汽车。

那么是谁，带领了谁，是谁，洞见了未来

    谷歌无人车经历了从改装丰田，奥迪，雷克萨斯到自己设计的过程，最终自己设计的车没有刹车、没有方向盘，没有油门，只有一个用于启动汽车的按键，当然为了安全，做了最高限速。

    Google每个月都会发布报告，截止目前，谷歌无人车在道路上累计行驶了超过200万公里，远远领先于竞争对手。

    测试过程中发生了多起的事故，不过都没有造成人员死亡，其中只有一次是Google的责任，而且还不是全责。

    尽管现在面临其他竞争者的挑战，但谷歌的技术，仍然是领先的。谷歌的车，是最漂亮的！

图4 谷歌无人车

中国未来智能车挑战赛

    总得关注下国内的，智能车未来挑战赛，是国内比较有影响力的自动驾驶比赛，由国家自然科学基金委员会举办，参赛的队伍成员也是国内最早一批研究自动驾驶的人。2009年至今年，每年一次，已经举办了8届。

    参加这个比赛的，全部都是高校和研究所，（广汽、比亚迪等企业通过赞助的方式参与）。下面列出了参加过比赛的主要高校和研究所，看看有没有你的母校。

    高校：西安交通大学、上海交通大学、北京理工大学、湖南大学、清华大学、国防科技大学、武汉大学、南京理工大学、北京联合大学、同济大学、长安大学、北京航空航天大学等。

    研究所：军事交通学院、装甲兵工程学院，中科院合肥物质研究院、微电子所等。

    从最开始的封闭道路环境，到真实道路环境，包含越野，隧道，各种障碍物避让，停车入库，转弯等，基本覆盖了常规的驾驶场景。

    上表是历届的冠军车队，除此之外，国防科大，西安交大也都是比较优秀的车队。

3 群雄割据

    现阶段，已经是群雄割据！下面，就介绍下已经颇具实力的玩家。

    实际上几乎你所有听说过的实力雄厚的国内外汽车制造厂家如奥迪、奔驰、通用、福特、丰田、日产、上汽、特斯拉等以及谷歌、百度、Uber等科技公司都尝试在2020年前后将无人驾驶车辆投放市场。下面只挑选几个更加具有代表性的来说（由于Google在下面这些玩家还没有冒头的时候已经是很有实力的玩家，因此此处不说）。

1

特斯拉

    特斯拉虽然不能说一骑绝尘，但是已经是一马当先。

    绿色电动+无人驾驶，让传统车厂的处境岌岌可危。特斯拉的自动驾驶系统Autopilot已经升级到2.0，官方宣称达到L5，不过也实在是达到了L4的标准。

    虽然出了几次致命车祸，但丝毫不影响，特斯拉现在是敢于把自动驾驶，并成功把自动驾驶推向大众消费市场的唯一玩家。没有激光雷达，照样跑的飞起！

    流量够的可以看看下面的视频来感受一下。

2

百度

    或许只有无人驾驶才能让百度重回BAT梯队。   

    2015年乌镇互联网大会百度展示了拥有自动驾驶功能的汽车，2016年百度在乌镇建立了一个无人驾驶体验站，其中最关键的技术是高精度地图。这一次为了宣传，还邀请了部分媒体乘坐体验。与宝马“分手”后，百度采用的车型包括奇瑞EQ、北汽EU260、BYD。

    虽然百度的方案离商业化还有点远（整车成本超百万），但是作为国内唯一一家在加州有路测牌照的公司，也是国内目前技术最领先的公司，百度站在了自动驾驶的第一阵营。

    下图是前段时间流传的百度无人车参加驾校科目二考试练习的消息，驾驶员是一只汪，宣传效果杠杠的！

图5 百度无人车

3

Uber

    以前跟同事讨论说，百度可以不做自动驾驶，但滴滴应该做，因为那是它的未来。不过，今年的滴滴除了收购了Uber中国，好像没有什么值得关注的消息，倒是竞争对手Uber，早已开始了路测。

    与福特合作，收购无人驾驶卡车初创公司Otto，向公众开放服务，这一步步都表明uber绝不是空穴来风，而不是像某些公司一样概念车牛逼哄哄，却是半天没放出来一个屁。

    作为一个乘车服务公司，uber有积累的庞大数据，有卡耐基梅隆大学几乎整个无人驾驶研究团队（DARPA第三届市区无人驾驶竞赛的冠军团队）做技术支撑，有生存动机（无人车的高效率低成本必将彻底替换有人驾驶），因此，笔者看好它胜过任何一家其他互联网公司，希望早日听到滴滴的好消息。

图6 uber无人车

4

宝马奥迪丰田通用博世等传统车厂与供应商

    将这么多车厂与供应商放在一起说，是因为太相似，也不是典型代表：

   (1) 车厂是强势的，上下游通吃，因此定会自己做自动驾驶解决方案，但是独自做难度太大，因此多有合作。像百度与宝马之前合作，uber与福特等。如果每家都分开说，既会有交叉，又难免琐碎。

    (2) 传统车厂的自动驾驶是慢慢渗透的过程。与互联网企业的企图彻底颠覆不同，传统的车厂的自动驾驶是一步一步迭代的过程，将驾驶辅助与车道偏离预警，自动泊车，自动跟车等功能一点一点地往现有车型里面添加。所以，现在它们都很相似，谁也没有成为一个代表。

    (3) 有能力的供应商们不会放过这片蓝海，因此都拼命往里挤，博世这样像3M一样无处不在而又旱涝保收的德国供应商巨头就跟长安汽车联合进行了两千公里重庆到北京的路测，搞出了点新闻。

5

小玩家们

    这里的小玩家，只包括工业界的，学术界的不算，统指一些目前实力较弱，或者公司尚小，但势头不可小觑的代表。国外的如Comma.ai，  Drive.ai，NVIDIA，nuTonomy，国内的如驭势科技。  

    Drive.ai，Comma.ai和NVIDIA是一样的，想通过深度学习技术，直接从一张图或者各种传感器的信号输出方向盘转角，油门刹车控制量，从而隐含各种车辆动力学、交通规则。目前有demo，有论文，不过大家对其可行性的看法还存在分歧。

    下面是deepdrive的一个视频。

    麻省理工学院出身的nuTonomy，在新加坡已经正式开始营运载客，可以用智能手机免费预约。并且计划2018年在新加坡发布无人出租车，运营自动驾驶出租车车队，看来已经是站稳了脚跟。

    在国内的创业公司中，驭势科技切中了特定场景驾驶，期望采用立体摄像头+毫米波雷达+激光雷达的低成本组合来落地。因为有自己的园区车和测试场地，所以还是比较靠谱的。

    剩下的一些团队，就还需要多多努力了！

4 核心技术

    现在才开始说核心技术，所以说是超长篇了。因为本文主要面向外行，笔者能力也有限，所以这一部分只做抛砖引玉之说。

    按照功能模块来说，关键技术应该是感知，决策与规划控制！但是由于本文是为了方便外行装逼，我们不按照具体功能模块，而是将最重要的突破点一一说来。

1

高精地图

    笔者看来，目前限制玩家最大的门槛之一，就是高精度地图。无人车不仅要开起来，还要万无一失，要兼顾舒适度和精度，没有高精度地图进行定位无法想象。

    谷歌百度有高精度地图，特斯拉有高精度地图，很多在路上反复实测的车，都担负着绘制高精度地图的任务。

什么是高精地图，为什么需要？

    首先我们开车，就是解决(在哪儿，去哪儿)的问题，机器开车，需要知道车辆所在的绝对位置和目的地绝对位置，这需要提供一个世界坐标，而这个坐标的参考系是地球。

    车行驶过程中要通过这个信息，来判断前面能否直行拐弯，是否限速，那一定需要高精度的定位，每到一个位置，能够查询周围地图。而这个地图的精度，绝对不能是米级！差一米，可能开到其他车道，可能拐弯拐不过。

    分米级行不行？要知道，这个定位可不是二维的，不是只有水平方向，还有高度方向。分米级，一个小小路桩，一个小坡，那都是分米级的物体。

    所以，目前最低的要求，厘米级！这里需要的高精度地图，就是厘米级的高精度地图（除了在无法接受导航信息的地方，隧道，高楼之间等）。

    下图7就是高精度地图，精确到每一个车道，障碍物，周围的草丛等。

图7 高精度地图

怎么得到？

    这得要分是土豪还是非土豪！

    首先，采集地图涉及到国家地貌勘探，自然涉及国家安全，因此地图商必须经过中国地图测绘认证（国家测绘地理信息局）。除去国家部门，互联网行业有互联网地图服务甲级测绘资质单位几十家，包括百度、腾讯（四维图新）、阿里（高德）、新浪、搜狗等知名互联网公司。

    所以土豪如百度，高德，就可以通过人工采集数据，没错，就是人工带着各种传感器(主要是激光雷达)，一遍一遍地跑遍所有路，当然采集回去之后可以自动化处理或人工校正（听说有家叫凯立德的地图公司里全是年轻姑娘在各种筛图）！

    以后看到下图这种车就没错了，笔者中午还碰到了。用人工采集数据成本巨大，所以就是土豪目前也只能在各大城市采集，而小公司如上面提到的驭势就只能天天在北京跑。

    所以如果谁说现在可以在你家乡某个小镇上自动驾驶它价值超100万的车，别信，no way，除了特斯拉。

图8 高德地图采集车

    那么非土豪怎么办？地图买不起或者人家不肯卖如何？也有低成本的对策，普遍做法是

GPS+IMU(惯导)+RTK(波相位差分技术)+计算机视觉，作为一个装逼者，知道这些关键词就够了，感兴趣的，就再去调研细节。

怎么用高精地图

    Good question! 一个字，“查”！

    我们平时用地图，到了一个地方，就查目的地，那可以说是语义级的查询。而如今，车开到了一个地方，也是同样的道理，查地图，更专业的说法是定位！自动驾驶中定位包括好几种含义，这里说的只是全局定位，即世界坐标系的定位。

    到了一个位置，首先用车辆自带的GPS(或北斗)与IMU做出大概位置判断，然后用激光雷达扫描出来的SLAM点云图像，与高精度地图做匹配查询，二维匹配也好，三维匹配也好，最终都得到了一个精度非常高的定位。

    能知道当前处于哪个车道，前方是否快到路口，两侧是否有路障，甚至当前坡度多少等各种信息。

    不能再多说了，这么理解吧，如果不是容许事先不断采集地图，那么那些智能挑战赛的车，一个都完不成比赛！高精度地图中，除了车道线和道路标示，周围的环境包括植被都要呈现出来。

2

物体检测

    激光雷达，超声波，摄像头基本上就是全部的传感器！它们都是为了做一件事情，检测车辆行驶的方向有没有障碍物，或者再加上一个，当前的行驶方向符不符合法律法规要求(有没有乱漂移，压不该压的线等)。

    下面看一个视频，检测就是为了得到下面这些结果(视频展示了车辆，车道线，可行驶路面，行人，路灯，路牌)。

    激光雷达，超声波检测的原理都属于技术细节，不在此处讲述。现在限制它们应用的主要问题，是高昂的成本与高精度需求的矛盾。精度高又好的Velodyne雷达，动辄几万几十万，而精度低的又不能满足需求，然而计算机视觉又无法全面替代激光雷达，这些都限制了当前自动驾驶应用的场景。所以，福特汽车和百度共同投了1.5亿美元给最好的激光雷达厂商Velodyne，鼓励他们降低成本，以便市场落地！

    国产厂商有希望，就看能不能抓住机会了。

    上面视频的结果，是mobileeye的结果，也就是与特斯拉合作开发AutoPilot 1.0的那个厂家，就没有用激光雷达。

    在大部分场景下，强大的计算机视觉是够用的，不过出了几起事故后，特斯拉与mobileeye分手并增强了超声波雷达的配置，推出AutoPilot 2.0，虽然还是没有用激光雷达。

    总之不管用什么，都是为了做一个环境的感知，替换的是人眼的功能。

3

 路径规划

    有了地图，有了周围环境的认知，接下来就是具体怎么动方向盘沿着什么路径开的问题。即在地图中找到一个从起始状态到目标状态能避开障碍物的最优路径，这个最有路径可以是(路径最短、行走时间最短等。

    看起来，这是一个当前并没有多少技术瓶颈的问题，A*算法是一个很好的参考，感兴趣可以再了解。

4

其他

    除了上面的三个问题，自动驾驶还涉及一些技术问题，其中有些至关重要。比如车辆的线控，尤其是对于自己没有电动车的玩家，要改装现有的非线控车并精准的控制，恐怕只有身在其中才知道其繁琐。

    另一个就是软硬件平台。软件平台指机器人操作系统， 以前是RCS，现在是ROS，都需要一定的学习成本。硬件平台则主要涉及计算芯片，下一部分详说。

5 芯片之争

    这里说三家，NVIDIA，Intel，obileeye。

 1 

NVIDIA

    因为有GPU+Deeplearning，所以NVIDIA异常活跃。

    NVIDIA今年早期就发布了深度学习系统，而NVIDIA Drive PX2则作为开放式人工智能车辆计算平台，已经被特斯拉autopilot 2.0采用。没错，就是那个号称达到L5的特斯拉autopilot 2.0。NVIDIA自己则用它做了首款无人驾驶赛车—Formula E电动方程式赛车。

    NVIDIA Drive PX2可以融合来自多个摄像头和激光雷达，超声波传感器的数据，这就意味着为各类传感器提供了统一的接口，只要有传感器+该平台，就能得到环境感知！

    典型的要一统天下的感觉，笔者有幸也见过，对于没有见过的小伙伴们，那就到网上看看demo，或读读《End to End Learning for Self-Driving Cars》,即采用深度学习进行端到端的训练。

2

Intel

    NVIDIA想独吞市场，Intel又岂能坐以待毙。不过相比于NVIDIA，Intel就要被动的多。因为在深度学习火热的今天，一套自动驾驶平台，如果没有强大的深度学习计算能力，是无法被接受的。而目前的计算能力，却与GPU直接挂钩。GPU，则是NVIDIA家的。

   Intel的出路在哪？

   FPGA的硬件可定制化能力与低功耗！

   综合各方面消息，Intel正在研发的L3级别自动驾驶芯片会在2017年上市销售。而更前瞻的L4级别的产品会提供FPGA+CPU的方案，把高密度运算如机器视觉部分交给FPGA来做，中控机部分交给CPU。

    因为FPGA相对于GPU，可以更好平衡高功耗和丢帧问题，不过对于曾经用Verilog，VHDL开发FPGA的笔者来说，如果采用硬件语言，FPGA开发的周期远远长于C语言。而要同时将算法从软件移植到硬件平台，则需要同时具备软硬件背景，这样的优秀人才可不是很多，哈哈。对此，Intel有opencl替代硬件语言的方案，不过暂时还不够好。

3

Mobileeye

    Mobileye并不完全是一个硬件公司，杀入这个领域，凭借地是十几年辅助驾驶的先发优势。Mobileye的EyeQ芯片封装了一套完整的ADAS系统，被沃尔沃、通用、宝马、现代等几乎所有大汽车厂商采用。人家就是在没有深度学习的时候开发出的功能，你现在深度学习也干不过它！

    当然如果Mobileeye仅限于ADAS，即辅助驾驶，那么这里就不消多说。重要的是，最开始为特斯拉的自动驾驶(其实不能说是自动驾驶)提供全部视觉功能的就是mobileeye的这款芯片。

   虽然后面两者解约，特斯拉也自己推出了autopilot 2.0，但是Mobileeye自动驾驶雄心不减。

    Mobileeye不同于其他玩家的特点是，提出通过分析出图像的车道线、各项道路标志、以及道路上的基础交通设施（交通灯、摄像头等），并以此构建能够让车辆「看得懂的高清地图」，名为RoadBook。它不同于上述的高精度地图，可以说是抽象层次更高获取成本更低的地图。Mobileeye的解释是这对于自动驾驶就够了，这是它作为供应商的定位，不过也是因为无法成为像谷歌百度高德这样的图商。

    目前自动驾驶行业国外巨头们已经形成了多个联盟，英特尔、宝马和Mobile Eye，福特与Uber，NVIDIA与特斯拉。

    而国内，车厂水平太弱，传感器零件高度依赖于国外，导致自动驾驶变成了IT公司领头。若非国门这道坎，国内很多玩家可能都要被碾成渣渣。

6 法律法规

    在大家的车都争着要上路测试的情况下，相关法律法规就算不主动，也会被推动。

1

国外

    联合国自动驾驶安全标准：由德国日本主导，目标是修改国际道路交通安全法规。目前尚未颁布，但此前已经承认自动驾驶的合法身份。

    美国福尼亚州最新的法案：允许在公共道路上测试没有司机干预的全自动驾驶汽车。

    日本：开始着手修订《道路交通法》和《道路运输车辆法》等相关法规，期望能在2020年东京奥运会期间提供无人出租车服务，明年开始将在人口稀疏地区实施大规模验证实验。有了奥运会这个目标，估计是认真的。

    欧洲：在德国，多家公司被容许在高速公路、城市交通和乡间道路等多环境进行实地测试；英法都将修改道路交通法规提上日程；而荷兰，2014年就出台自动驾驶卡车规划允许自动驾驶卡车在其境内运行。今年1月，全球首辆自动驾驶摆渡车在荷兰上路，使其成为第一个自动驾驶巴士上路的国家。

2

国内

    国内尚没有相关的法律法规正式发布，也是在许多地方建立了示范园区进行测试，而目前在路上偷偷跑的车处于法律灰色边缘。

    不过，最近汽车工程协会发布了长达450页，2030年前的无人驾驶技术路线图。核心思想是三个五年阶段，力求高度或完全自动驾驶汽车在2021到2025年能够上市。2026年到2030年，每辆车都应采用无人驾驶或辅助驾驶系统。

结语

卧病写完此文大耗精元，其中必有疏漏错误以及借鉴，还请不吝赐教，有心者欢迎一起维护！

 

清箫居士

微信：Longlongtogo

gmail: longpeng2008to2012

一起学习

长按二维码关注