中国人工智能学会通讯——自主驾驶传感技术

今天的演讲题目是《自动驾驶传感技术》，主要就是一个综述。刚才介绍了，我们峰云视觉主要是做3D成像有关的工作，包括硬件和后面的算法，可以应用在消费、VR/AR、场景建模、智能制造和智能汽车等领域。

去年人工智能是科技界的热点，尤其像自动驾驶，基本上每星期都有很多新闻发布，为什么这么多公司现在对自动驾驶感兴趣？简单可以看一下，2016年，汽车全球销售了8 500万辆，产值2万多亿美元。可以看到，苹果的总销售额还比不上大众汽车和丰田汽车的销售额，苹果现在要扩张，谷歌也要扩张，汽车市场是它看到的最大一块饼。自动驾驶，原来美国国家高速公路安全局有一个老的分级方法，一共分成四级。从去年9月开始采取了国际汽车工程师协会推出的标准，大家觉得从汽车厂商的角度，从定义和测试的角度更加方便，分成了5级(见表1)。0级，没有自动驾驶，平常我们看到大家买的行车记录仪，它会给你一些碰撞距离的警告，这个属于0级，设备不参与车的控制。1级的一个简单说法，就是手还是要放到方向盘上面，像自动跟车，计算机会给一些辅助，设备和驾驶员共同参与对汽车的控制。第2级，手就可以拿开了，就是在大部分情况下，你手可以拿开，但是如果汽车告诉你马上控制的话，驾驶员就需要马上接管。这个属于手可以不操作，但是必须离方向盘比较近，美国一些州还是强制手必须一直放在方向盘上。第3级就是你的眼睛可以拿开，这时我们发现和2级有一些相似，主要的差异就是对2级自动驾驶一旦出现危险情况驾驶员马上就要控制；但是对第3级，可能不同的车厂不一样，可能会告诉你5秒、10秒时，驾驶员再接管是没有问题的。目前业界比较公认的在智能驾驶领域最领先的公司是特斯拉，我们看到很多公司发了很多新闻，说在哪一年要做到第5级的自动驾驶，其实大家现在的水平都是属于最多2~3的阶段。第4级，简单讲就是开车时，你可以在车上睡觉，基本上汽车不需要驾驶员参与；但是对于自动驾驶这方面，它可能限制到一些区域，比如说政府规定某些城市、某些道路是可以进行无人驾驶的，或者在特定的情况下。我们注意到，对于目前做的所有自动驾驶的测试，都是在光线很好的、在公共的道路上测试的，现在像雨雪天气、夜晚，听说目前只有福特在进行雪地上的测试。最高一级第5级，完全不需要驾驶员，也就是真正的无人车，它的挑战就是，只要人能开车到的地方，这辆车应该都能到。这是对自动驾驶不同分级的一个总结。

自动驾驶的技术可以分三大块，第一块就是传感Sensing。第二就是Mapping；第三就是Driving Policy。这个报告主要讲传感，自动驾驶上的传感技术。它主要可以分为四大类，这是一个简单的概念，大家可以看到，雷达是毫米波雷达；还有普通的相机（也包括专门为了夜视准备的红外和热成像相机）；还有最普及的就是超声波的传感器，基本上中国每个车上都有几个；现在最热点的就是激光雷达。除了上面提到的四大类，还有惯性测量，或者GPS，这里就不讨论了。

对上面提到的四个主要传感技术分类如何看？如图1所示，它们都属于检测和测距范畴（Detection and Ranging），差别就是相机属于Passive，不主动发射能量，分成夜视和普通的。这就带来一个问题，特斯拉在2016年发生了一起影响很大的事故，一辆特斯拉开到一个大卡车下面去了，大卡车的侧面是白色的，跟天上的白云分不开的，这就是非主动的传感技术的一个缺陷，因为卡车侧面和白云都没有足够强的纹理，相机很难区分大卡车的侧面和天上的白云。其他三种技术——雷达、超声和激光雷达，属于自己要主动发射能量的。现在毫米波雷达分三种，24 G主要是自动跟车用的，现在技术投入比较大的就是77 G和79 G；毫米波雷达和其他雷达最大的优势就是，它是唯一一个可以全天侯工作的——白天、晚上、下雨、下雪各种恶劣天气和环境下都可以工作，而其他三个技术都做不到这一点。激光雷达像谷歌的7万美元的雷达，很贵，大家希望从7万美元，两年之内成本减少到100美元左右，这样就可以大量的应用。

这里做了一个概念性的比较（如表2所示），对相机来讲和其他三项技术相比它有一个很大的优势就是可以识别路上的各种标识。天气好，距离可以看到1公里，成本也很低；但是它主要的缺点，我刚才讲了，对夜晚这样光照不足的环境、对雨雪雾等恶劣天气都不能很好的适应，并且计算量比其他三种技术都高不少。但它的成本很低，现在汽车上用的相机，模组一个大概是30美元左右。我们知道特斯拉比第二代自动驾驶系统（Autopilot 2.0），用了8个相机。这边列举了一些主要的相机模组供应商。毫米波雷达探测距离可以到250米，最大的优势就是唯一一个可以在恶劣条件下全天侯工作的技术，计算量也比较小，速度的测量也是非常好。主要的缺点就是比较贵，毫米波的空间分辨率很低，路上的lane、线和线之间的间隔看不出来，从成本上看，77 G是主流，大概在300美元左右。激光雷达，包括谷歌旗下的自动驾驶公司，还有很多新公司都用激光雷达做自动驾驶，这样可以快速做出演示原形。激光雷达的Mapping能力是最好的，但体积比较大，遇到雨雪等天气也会有很大的问题，成本也很高，以前量产的激光雷达是8 000美元以上，今年有可能降到250美元左右，明后年可能小于100美元的。

自动驾驶技术的优缺点离不开典型应用场景，我们列了三个场景。第一个就是在非常理想的天气条件下自动驾驶，天气很好，光线很好，这时我们从表3上可以看到相机是最好的，除了刚才讲的（大卡车没有足够的纹理和其他物体区分开），距离可以到1公里，空间分辨率也非常好。雷达和毫米波雷达差不多，都是200多米的样子，但空间分辨率会低一些。超声波只能在几米的范围内工作，在比较理想的天气条件下四种技术表现的都还不错。

第二个应用场景，还是没有雨雪，但是夜间，这时光照降下来了，我们发现激光雷达和毫米波雷达基本不受影响（见表4），受影响最大的就是相机；当然可以用夜视相机来补充，但夜视相机的成本比普通相机高很多。

第三种应用场景就是有大雨/雪/雾的环境，要做到第5级的自动驾驶，肯定需要在各种恶劣的条件下也能工作，这是躲不过去了。从表5上可以看到性能基本上没有改变的只有毫米波雷达，视觉和激光雷达都受到了很大的影响。

刚才讲了几种情况，现在做自动驾驶不同的公司，分两个主要阵营，一个是以Mobileye和特斯拉为代表的，主要采用相机和毫米波雷达技术；另一个是以谷歌、百度和Uber为代表的，他们觉得激光雷达应该是自动驾驶的核心。我们发现，很多自动驾驶领域的热门初创公司都在开发或使用激光雷达。如图2所示，对这两个阵营进行了简单的比较，但是对激光雷达技术有点不公平，因为我们只比较了激光雷达单独工作的情况。从各个应用场景来看，包括最远探测距离，近距离的检测、空间分辨率、光线条件、雨雪雾天气、读路标、成本等各个角度来讲，相机结合毫米波雷达基本上没有短板了，而且成本也还可以接受。像特斯拉比较成熟产品，跑了很长时间，对他们来讲这是很务实的方式。如果是仅仅只使用激光雷达技术，在雨雪雾天气激光雷达的性能会大大降低，对多种应用场景会有明显的短板，如果激光雷达和毫米波雷达结合则可以弥补这些短板。

这里我们再深入对比一下特斯拉和谷歌的智能驾驶发展情况。目前业界普遍认为，特斯拉是自动驾驶最领先的公司，到现在为止它已经收集了1.3亿英里的数据；谷歌收集到的数据则只有300万英里。特斯拉的Autopilot系统采用了1个毫米波雷达、8个相机和12个超声波传感器。特斯拉说我已经可以做到第5自动驾驶了，只是政府那还没有开放，一旦车子应用以后事故率下降了40%。

去年5月份发生了第一起特斯拉在自动驾驶方面死亡的事件，它的解释是1.3亿英里的里程1个死亡事故，非自动驾驶的车是9 400万英里发生1起死亡事故，从这方面说特斯拉还要好一点。特斯拉这起事故主要是相机分不清卡大卡车的侧面和天上的白云（见图3）。

图4是对特斯拉自动驾驶技术的一个补充说明，这是原始的图像光流、深度，把两个整合起来，对应整个图形分类，开始把车道画出来，这是它细节的东西。图5示出了谷歌自己打造的车，这个车没有方向盘、刹车、油门，最显眼的就是64线的雷达，7万美元，它也有毫米波雷达。谷歌自己二三十台车，到今年5月底只有300多万英里，中间14次事故，谷歌的解释13次是对方的事故，都是别人的错误，还有1次是因为他们驾驶员干预了。像谷歌的自动驾驶汽车，它需要非常高精度的地图，这也是谷歌的强项，需要达到英寸级别的路线地图。而且目前它的自动驾驶和特斯拉不太一样，车从哪里到哪里，路线必须规划好，这是它最大的局限，不能自由的驾驶。

图6是一个简单的市场预测，特斯拉8个相机，前面3个，一个正常角，还有广角的，对相机来说成长是最快的，差不多2019年至少每辆车上有一个以上的相机。

（本报告根据速记整理）