久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

★同濟(jì)大學(xué)李欣然，李修賢，李莉

1 引言

隨著硬件精度的不斷提高、控制器計(jì)算能力的不斷提升以及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，智能駕駛、無(wú)人汽車(chē)等概念廣受關(guān)注，無(wú)人駕駛技術(shù)研究不斷深入，其應(yīng)用落地也越來(lái)越成為可能。由于無(wú)人駕駛車(chē)輛具有提升駕駛安全性、乘車(chē)舒適性以及減少交通事故等特點(diǎn)，因此，近年來(lái)無(wú)人駕駛技術(shù)已成為自動(dòng)化智能發(fā)展中備受關(guān)注的方向之一^[1-3]。

2 無(wú)人駕駛發(fā)展現(xiàn)狀

無(wú)人駕駛技術(shù)的落地與應(yīng)用已成為國(guó)際公認(rèn)的未來(lái)發(fā)展方向和關(guān)注焦點(diǎn)之一，美、歐、日、中等國(guó)家都將駕駛自動(dòng)化技術(shù)作為交通領(lǐng)域的重點(diǎn)發(fā)展方向，并從國(guó)家層面進(jìn)行戰(zhàn)略布局。德國(guó)在2017年發(fā)布的《道路交通法第八修正案》中規(guī)定在特定時(shí)間和條件下，高度或全自動(dòng)化駕駛系統(tǒng)可以接管駕駛?cè)藢?duì)汽車(chē)的控制，并在2021年發(fā)布的《自動(dòng)駕駛法》中提出允許被頒發(fā)運(yùn)營(yíng)許可證的自主駕駛功能操作機(jī)動(dòng)車(chē)在主管部門(mén)根據(jù)國(guó)土法批準(zhǔn)的特定操作范圍內(nèi)使用以及參與公共道路交通；日本在2021年發(fā)布的《面向?qū)崿F(xiàn)和普及自動(dòng)駕駛的措施報(bào)告與方針》中提出，到2025年在混合其他交通元素的空間中部署L4級(jí)自動(dòng)駕駛車(chē)輛；美國(guó)在2021年發(fā)布的《自動(dòng)駕駛汽車(chē)綜合計(jì)劃》中提出優(yōu)化交通監(jiān)管環(huán)境，簡(jiǎn)化自動(dòng)駕駛技術(shù)推行的行政豁免程序，修改現(xiàn)有法規(guī)支持創(chuàng)新并籌建適合自動(dòng)駕駛的交通環(huán)境。近些年，我國(guó)也在不斷推行無(wú)人駕駛相關(guān)政策，在2020年發(fā)布的《智能汽車(chē)創(chuàng)新發(fā)展戰(zhàn)略》中提出：到2025年實(shí)現(xiàn)有條件自動(dòng)駕駛的智能汽車(chē)達(dá)到規(guī)模化生產(chǎn)，實(shí)現(xiàn)高度自動(dòng)駕駛的智能汽車(chē)在特定環(huán)境下的市場(chǎng)化應(yīng)用，并在2021年發(fā)布的《國(guó)家車(chē)聯(lián)網(wǎng)產(chǎn)業(yè)標(biāo)準(zhǔn)體系建設(shè)指南》中提出了對(duì)智能交通、車(chē)聯(lián)網(wǎng)、無(wú)人駕駛等的進(jìn)一步要求。

國(guó)內(nèi)外很多企業(yè)及高校同樣積極關(guān)注和支持無(wú)人駕駛技術(shù)的發(fā)展，并在無(wú)人駕駛方向投入了大量研究。2015年谷歌提交至機(jī)動(dòng)車(chē)輛管理局的報(bào)告中顯示，其無(wú)人駕駛車(chē)輛在自動(dòng)模式下已完成130萬(wàn)余英里的行程；同年，百度無(wú)人車(chē)完成首次路測(cè)，實(shí)現(xiàn)國(guó)內(nèi)混合路況下的全自動(dòng)駕駛。除了企業(yè)的研究投入，自2005年DARPA開(kāi)啟無(wú)人車(chē)挑戰(zhàn)賽的先河以來(lái)，諸多自動(dòng)駕駛汽車(chē)挑戰(zhàn)賽也在不斷推進(jìn)這一領(lǐng)域的發(fā)展：歐洲陸基機(jī)器人競(jìng)賽（ELROB）自2006年舉辦至今，促進(jìn)了無(wú)人駕駛數(shù)據(jù)采集與導(dǎo)航?jīng)Q策等多方面的發(fā)展；VisLab洲際無(wú)人車(chē)挑戰(zhàn)賽，對(duì)無(wú)人車(chē)在不同環(huán)境下的適應(yīng)性提出了更高的要求；歐盟于2011年和2016年舉行的協(xié)同駕駛挑戰(zhàn)賽（GCDC），通過(guò)道路上車(chē)間通訊提升了駕駛安全性并緩解了交通擁堵問(wèn)題。

此外，近年來(lái)越來(lái)越多的科技企業(yè)與互聯(lián)網(wǎng)巨頭進(jìn)入無(wú)人駕駛行業(yè)，并與傳統(tǒng)車(chē)企、應(yīng)用場(chǎng)景方開(kāi)展戰(zhàn)略合作，加速無(wú)人駕駛技術(shù)的迭代與應(yīng)用落地。2020年傳統(tǒng)車(chē)企持續(xù)布局智能網(wǎng)聯(lián)與車(chē)路協(xié)同，逐步構(gòu)建無(wú)人駕駛生態(tài)圈；同年，互聯(lián)網(wǎng)與出行企業(yè)開(kāi)展智能網(wǎng)聯(lián)技術(shù)應(yīng)用，發(fā)展云端業(yè)務(wù)，百度Apollo、小馬智行等開(kāi)啟商業(yè)化試點(diǎn)服務(wù)；此外，一些自動(dòng)駕駛科技公司如Waymo、文遠(yuǎn)智行等開(kāi)始與傳統(tǒng)車(chē)企展開(kāi)合作，加速無(wú)人駕駛的技術(shù)落地與量產(chǎn)；小米、華為、微軟、字節(jié)跳動(dòng)等科技大廠(chǎng)也于2021年起逐步進(jìn)入無(wú)人駕駛領(lǐng)域開(kāi)啟大廠(chǎng)造車(chē)模式。截至2023年，國(guó)內(nèi)多個(gè)低速無(wú)人駕駛項(xiàng)目已進(jìn)入常態(tài)化運(yùn)營(yíng)模式，且在此基礎(chǔ)上，僅今年上半年全國(guó)各級(jí)各部門(mén)就公示了近30條無(wú)人駕駛產(chǎn)業(yè)相關(guān)政策，以全方位推動(dòng)無(wú)人駕駛應(yīng)用落地，為無(wú)人駕駛行業(yè)的發(fā)展提供了明確的發(fā)展方向與生產(chǎn)經(jīng)營(yíng)環(huán)境。

3　無(wú)人駕駛的設(shè)計(jì)架構(gòu)

無(wú)人駕駛技術(shù)通過(guò)內(nèi)外部傳感器采集外部環(huán)境信息與車(chē)輛內(nèi)部數(shù)據(jù)，隨后計(jì)算設(shè)備處理融合數(shù)據(jù)信息傳遞至規(guī)劃系統(tǒng)，并根據(jù)輸出信息執(zhí)行運(yùn)動(dòng)控制具體內(nèi)容，以此完成感知、決策、執(zhí)行全部流程，達(dá)到車(chē)輛自主控制的目的。基于此，無(wú)人駕駛系統(tǒng)架構(gòu)可以概述為感知、規(guī)劃、控制三個(gè)單元，如圖1所示，其中感知單元收集并分析處理環(huán)境信息，規(guī)劃單元針對(duì)環(huán)境信息進(jìn)行進(jìn)一步的任務(wù)規(guī)劃以及行為決策，控制單元在此基礎(chǔ)上執(zhí)行最終無(wú)人駕駛行為并與交通環(huán)境進(jìn)行實(shí)際交互。

圖1 無(wú)人駕駛系統(tǒng)架構(gòu)

感知單元具有無(wú)人駕駛系統(tǒng)從環(huán)境中收集并提取相關(guān)知識(shí)的能力。感知單元以多種傳感器數(shù)據(jù)與地圖信息數(shù)據(jù)作為輸入，經(jīng)過(guò)一系列計(jì)算處理對(duì)無(wú)人駕駛車(chē)輛周?chē)h(huán)境進(jìn)行感知分析，其作為自動(dòng)駕駛的輸入模塊為下游模塊提供豐富的交通環(huán)境信息。其中環(huán)境感知特指對(duì)于環(huán)境信息的理解能力，例如確定障礙物位置、形狀、類(lèi)別、速度信息等，以及對(duì)環(huán)境的語(yǔ)義理解與分類(lèi)，如信號(hào)燈識(shí)別、道路標(biāo)記檢測(cè)、行人車(chē)輛檢測(cè)等。此外，無(wú)人駕駛車(chē)輛定位模塊也是感知單元的組成部分之一，其作用是確定無(wú)人駕駛車(chē)輛相對(duì)于環(huán)境的位置，以滿(mǎn)足后續(xù)車(chē)輛路徑規(guī)劃等任務(wù)需求。

規(guī)劃單元負(fù)責(zé)無(wú)人駕駛車(chē)輛為了達(dá)到某一目標(biāo)而做出的帶有目的性的決策行為。在無(wú)人駕駛中該目標(biāo)一般指駕駛目的地，其中包含出行最終目的地以及階段性駕駛行為目的地，如交通路口、車(chē)輛匯入?yún)R出口、車(chē)輛變道超車(chē)目標(biāo)位置等。規(guī)劃單元的主要任務(wù)是在優(yōu)化駕駛軌跡避免碰撞障礙物等基礎(chǔ)安全性需求之上，進(jìn)一步達(dá)到優(yōu)化乘客乘車(chē)舒適性、提升交通流效率等高級(jí)駕駛目標(biāo)。這就要求無(wú)人駕駛車(chē)輛可以實(shí)時(shí)檢測(cè)周?chē)煌ōh(huán)境，并高效完成環(huán)境信息處理任務(wù)以滿(mǎn)足無(wú)人駕駛車(chē)輛與交通環(huán)境中的障礙物以及其他交通參與者的實(shí)時(shí)交互需求。

控制單元具有幫助無(wú)人駕駛車(chē)輛精準(zhǔn)執(zhí)行系統(tǒng)規(guī)劃軌跡及動(dòng)作的能力，從而最終完成無(wú)人駕駛?cè)蝿?wù)。控制單元主要應(yīng)用傳統(tǒng)自動(dòng)化控制相關(guān)方法，將無(wú)人駕駛車(chē)輛操控系統(tǒng)與規(guī)劃單元的輸出相連接，并依據(jù)規(guī)劃單元發(fā)出的總線(xiàn)指令精準(zhǔn)控制車(chē)輛的加速、制動(dòng)、轉(zhuǎn)向等行為，以實(shí)現(xiàn)車(chē)輛的自主駕駛。控制單元作為無(wú)人駕駛技術(shù)的最底層模塊，其運(yùn)動(dòng)控制的實(shí)現(xiàn)依賴(lài)于對(duì)復(fù)雜的交通環(huán)境信息（例如交通路面信息、道路曲率等）的準(zhǔn)確捕捉與分析。由此可見(jiàn)，環(huán)境信息處理是無(wú)人駕駛技術(shù)應(yīng)用落地的基礎(chǔ)，對(duì)于無(wú)人駕駛系統(tǒng)各個(gè)單元都有決定性意義。

4　環(huán)境信息處理關(guān)鍵技術(shù)及發(fā)展

4.1　環(huán)境感知傳感器及其應(yīng)用

為了保證無(wú)人駕駛車(chē)輛安全高效地進(jìn)行交通活動(dòng)，車(chē)輛配備了多種類(lèi)的環(huán)境感知傳感器用以滿(mǎn)足對(duì)環(huán)境信息的實(shí)時(shí)捕捉及響應(yīng)處理需求。常見(jiàn)無(wú)人駕駛車(chē)輛感知傳感器包括激光雷達(dá)、攝像頭、毫米波雷達(dá)、超聲波雷達(dá)傳感器等，如圖2所示。

圖2 常見(jiàn)無(wú)人駕駛車(chē)輛感知傳感器

激光雷達(dá)具有實(shí)時(shí)感知以及高分辨率建圖功能，其感知范圍可達(dá)數(shù)十米至數(shù)百米^[4]，感知角度范圍基于不同的硬件結(jié)構(gòu)，可以達(dá)到25度至150度（固態(tài)式及混合固態(tài)式）^[5]或25度至360度（機(jī)械式）^[6]。通常情況下，機(jī)械式激光雷達(dá)傳感器被安裝在無(wú)人駕駛車(chē)輛頂部，以保證全方位無(wú)遮擋進(jìn)行周?chē)煌ōh(huán)境的檢測(cè)以及定位建圖；固態(tài)式或混合固態(tài)式傳感器多被配置在車(chē)輛的前部，以保證車(chē)輛行駛方向的交通安全。激光雷達(dá)傳感器具有較好的魯棒性，在光照條件較差、能見(jiàn)度較低的交通環(huán)境中依然可以保持較高感知精確度。

攝像頭傳感器是無(wú)人駕駛技術(shù)中最常使用的外部感知傳感器之一。得益于其直觀的環(huán)境數(shù)據(jù)采集特性以及相對(duì)低廉的價(jià)格，攝像頭傳感器多用來(lái)檢測(cè)百米級(jí)距離的障礙物、分辨環(huán)境信號(hào)數(shù)據(jù)等，在目標(biāo)檢測(cè)、環(huán)境分割等無(wú)人駕駛功能模塊中均有重要應(yīng)用^[7]。無(wú)人駕駛配置的攝像頭傳感器多被安裝在車(chē)輛的前擋風(fēng)玻璃與車(chē)輛后視鏡之間，以監(jiān)測(cè)車(chē)行前方較遠(yuǎn)距離障礙物，實(shí)現(xiàn)碰撞提醒、信號(hào)燈檢測(cè)等功能；或被安裝在車(chē)輛周?chē)缱笥液笠曠R、保險(xiǎn)杠等位置，以提供環(huán)境全景檢測(cè)，為自動(dòng)泊車(chē)等低速駕駛功能提供環(huán)境數(shù)據(jù)。除了普通單目攝像頭傳感器外，其他具有特殊功能的攝像頭傳感器在無(wú)人駕駛中也有較多應(yīng)用，如雙目攝像頭傳感器，用以引入距離信息，可以實(shí)現(xiàn)20至30米內(nèi)的距離測(cè)量^[8]，低廉的價(jià)格使得其在一定程度上成為激光雷達(dá)傳感器的替代選擇；紅外攝像頭傳感器常在光照環(huán)境較差、環(huán)境可見(jiàn)度較低的場(chǎng)景中應(yīng)用，以達(dá)到對(duì)于駕駛方向障礙物的檢測(cè)^[9]。

毫米波雷達(dá)傳感器是最早應(yīng)用于無(wú)人駕駛研究中的外部感知傳感器^[10]，常應(yīng)用于距離測(cè)量以及相對(duì)速度檢測(cè)模塊。依據(jù)傳感器測(cè)量范圍及精度可以將毫米波雷達(dá)傳感器分類(lèi)為長(zhǎng)距離檢測(cè)傳感器、中距離檢測(cè)傳感器以及近距離檢測(cè)傳感器。長(zhǎng)距離檢測(cè)傳感器多被安裝在車(chē)輛的保險(xiǎn)杠中間，其最遠(yuǎn)測(cè)量距離可以達(dá)到200米，以保證車(chē)輛在高速行駛的過(guò)程中對(duì)駕駛方向上障礙物的實(shí)時(shí)檢測(cè)和車(chē)輛碰撞提醒。中距離檢測(cè)傳感器的檢測(cè)范圍為百米級(jí)內(nèi)，一般對(duì)稱(chēng)安裝在車(chē)燈位置下方，主要應(yīng)用在車(chē)輛較低速行駛場(chǎng)景中，完成如高密度城市交通環(huán)境中的行人及障礙物檢測(cè)等任務(wù)^[11]。近距離檢測(cè)傳感器檢測(cè)范圍在米至十米級(jí)別，相較于前兩種毫米波雷達(dá)，近距離毫米波雷達(dá)具有相對(duì)更大的檢測(cè)角度范圍，其一般被安裝在車(chē)輛保險(xiǎn)杠兩端以及車(chē)身側(cè)方，以用于自動(dòng)泊車(chē)等駕駛場(chǎng)景中避免車(chē)輛與障礙物的碰撞^[12]。毫米波雷達(dá)傳感器具有價(jià)格低廉、對(duì)環(huán)境魯棒性較好等優(yōu)點(diǎn)。

超聲波雷達(dá)傳感器一般應(yīng)用在近距離障礙物檢測(cè)任務(wù)中，其感知范圍在十米以?xún)?nèi)，因此其應(yīng)用場(chǎng)景主要是低速泊車(chē)環(huán)境^[13]。此外，得益于其低廉的價(jià)格優(yōu)勢(shì)，無(wú)人駕駛汽車(chē)中常在車(chē)身周?chē)鋫漭^多的超聲波雷達(dá)傳感器以減少環(huán)境檢測(cè)死角。但受限于超聲波傳感器單一的檢測(cè)角度以及相對(duì)較長(zhǎng)的反應(yīng)時(shí)間，其較少被單獨(dú)應(yīng)用在某一無(wú)人駕駛模塊中，需要與其他無(wú)人駕駛外部感知傳感器配合使用^[14]。

4.2　環(huán)境信息構(gòu)建及地圖信息

無(wú)人駕駛單車(chē)上的外部傳感器信息采集及融合系統(tǒng)受限于傳感器物理精度特性以及駕駛當(dāng)天天氣環(huán)境影響，無(wú)法完整、實(shí)時(shí)、高清地感知交通道路實(shí)況以及道路環(huán)境特點(diǎn)，因此對(duì)于環(huán)境信息的超視距先驗(yàn)感知以及基于高精度數(shù)據(jù)的地圖信息構(gòu)建在無(wú)人駕駛技術(shù)中變得尤為重要。

高精地圖是除無(wú)人駕駛車(chē)輛自身傳感器感知數(shù)據(jù)外另一種服務(wù)于無(wú)人駕駛技術(shù)的環(huán)境信息數(shù)據(jù)來(lái)源。其利用多種高精度傳感器對(duì)交通道路信息進(jìn)行厘米級(jí)數(shù)據(jù)采集以及特征融合，隨后對(duì)交通元素進(jìn)行分類(lèi)提取，將不同元素進(jìn)行矢量化構(gòu)建并存儲(chǔ)封裝為離線(xiàn)數(shù)據(jù)以支撐其他模塊需求。高精地圖信息的引入有利于拓展無(wú)人駕駛車(chē)輛傳感器檢測(cè)精度邊界，并提供了豐富的環(huán)境語(yǔ)義信息，從而減少了無(wú)人駕駛車(chē)輛控制器實(shí)時(shí)數(shù)據(jù)處理壓力，是無(wú)人駕駛的核心組成部分之一^[15]。

相較于傳統(tǒng)導(dǎo)航地圖，高精地圖數(shù)據(jù)具有高精度、高動(dòng)態(tài)、多維度等特點(diǎn)。其中高精度是指地圖定位精度更高，得益于高精地圖采集車(chē)種類(lèi)豐富且配置性能高的外部感知傳感器，高精度地圖能達(dá)到厘米量級(jí)的精度，為無(wú)人駕駛車(chē)輛行駛提供了更高的安全保障^[16]；高動(dòng)態(tài)是指高精地圖具有更好的實(shí)時(shí)性，由于交通環(huán)境、道路信息的復(fù)雜多變，高精地圖需要具有更高的更新頻率，及時(shí)對(duì)無(wú)人駕駛車(chē)行環(huán)境中的變化進(jìn)行迭代更新，以保證無(wú)人駕駛車(chē)輛能夠應(yīng)對(duì)交通環(huán)境中的道路變化并為其他突發(fā)情況做準(zhǔn)備^[17]；多維度是指高精地圖包含數(shù)據(jù)更加豐富，擁有更多信息圖層，相較于其他地圖類(lèi)型僅能提供一般道路級(jí)別數(shù)據(jù)，高精度地圖對(duì)路網(wǎng)進(jìn)行了厘米級(jí)精度的描述，比如車(chē)道相關(guān)屬性（如車(chē)道線(xiàn)類(lèi)型、車(chē)道寬度、車(chē)道中心線(xiàn)等），甚至包含了道路隔離帶位置、材質(zhì)等其他道路環(huán)境信息^[18]。

圖3 地圖信息類(lèi)型及發(fā)展

雖然高精地圖具有信息豐富、可靠性高等特點(diǎn)，但其冗余的環(huán)境信息同樣會(huì)給無(wú)人駕駛實(shí)時(shí)處理帶來(lái)較大的計(jì)算挑戰(zhàn)。因此，“重感知、輕地圖”的去高精化也是當(dāng)下無(wú)人駕駛技術(shù)的一個(gè)發(fā)展方向。基于無(wú)人駕駛車(chē)輛自身配置的傳感器，一些無(wú)人駕駛解決方案僅需要輔助以精度較低的地圖信息即可實(shí)現(xiàn)無(wú)人駕駛?cè)蝿?wù)需求。常見(jiàn)低精度地圖類(lèi)型包括占位柵格地圖、拓?fù)涞貓D等。占位柵格圖使用幾何結(jié)構(gòu)將地圖道路信息分割為大小一致的單元格，然后基于道路單元格構(gòu)建占用網(wǎng)格，在無(wú)人駕駛車(chē)輛周?chē)删W(wǎng)格信息并將交互障礙物信息附加在網(wǎng)格上，隨后以網(wǎng)格單元為最小單位進(jìn)行軌跡規(guī)劃預(yù)測(cè)^[19]。拓?fù)涞貓D則僅僅保留地圖內(nèi)不會(huì)發(fā)生變化的拓?fù)湫畔ⅲ绲缆贩植砜凇⑾噜徔勺冘?chē)道等，為無(wú)人駕駛車(chē)輛行駛提供基本道路信息^[20]。地圖信息類(lèi)型及發(fā)展變化如圖3所示。

4.3　端到端感知處理及無(wú)人駕駛技術(shù)

隨著算力的不斷增加以及AI技術(shù)的不斷發(fā)展，端到端技術(shù)應(yīng)用在無(wú)人駕駛領(lǐng)域越來(lái)越成為可能^[21]。目前的自動(dòng)駕駛技術(shù)被分割成多個(gè)串行模塊并進(jìn)一步被細(xì)分為目標(biāo)檢測(cè)、場(chǎng)景分割、在線(xiàn)建圖、軌跡預(yù)測(cè)等一系列駕駛子任務(wù)，但隨之而來(lái)就面臨著多任務(wù)誤差累積、任務(wù)協(xié)調(diào)分配等問(wèn)題。端到端無(wú)人駕駛技術(shù)通過(guò)采集環(huán)境信息數(shù)據(jù)和車(chē)輛狀態(tài)信息直接輸出車(chē)輛控制信號(hào)，減少了中間環(huán)節(jié)的其他任務(wù)設(shè)計(jì)，具有簡(jiǎn)潔高效、避免累積任務(wù)誤差等優(yōu)勢(shì)。傳統(tǒng)無(wú)人駕駛模型與端到端無(wú)人駕駛模型結(jié)構(gòu)比較如圖4所示。

圖4 無(wú)人駕駛模型結(jié)構(gòu)比較

最早的端到端無(wú)人駕駛嘗試可以追溯到ALVINN模型^[22]。該模型構(gòu)建了一個(gè)三層的全連接網(wǎng)絡(luò)以輸出車(chē)輛行駛方向，其輸入包括前方攝像頭數(shù)據(jù)、激光測(cè)距數(shù)據(jù)以及基于攝像頭圖像的強(qiáng)度反饋數(shù)據(jù)。該模型最終成功實(shí)現(xiàn)了以0.5米每秒的速度行駛通過(guò)一段400米長(zhǎng)道路。除了早期的利用神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練端到端模型的嘗試，通過(guò)模仿學(xué)習(xí)直接獲取環(huán)境信息輸入到控制信號(hào)輸出的映射關(guān)系也是獲得無(wú)人駕駛端到端模型的一種可能方法^[23-24]；強(qiáng)化學(xué)習(xí)方法則通過(guò)環(huán)境交互信息學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的駕駛行為策略，以最大化行為獎(jiǎng)勵(lì)，同樣可以實(shí)現(xiàn)無(wú)人駕駛端到端模型的構(gòu)建^[25]。隨著近年來(lái)設(shè)備計(jì)算能力的提升，有研究嘗試將端到端技術(shù)與大模型結(jié)合以實(shí)現(xiàn)無(wú)人駕駛需求。UniAD模型^[26]將當(dāng)前無(wú)人駕駛感知、預(yù)測(cè)、決策模塊按照對(duì)最終控制單元的影響重新排序組合，并將控制單元的上游任務(wù)進(jìn)行整合包裝，協(xié)調(diào)各子模塊之間的特征分配以及優(yōu)化任務(wù)，從而輸出信號(hào)對(duì)無(wú)人駕駛車(chē)輛進(jìn)行最終運(yùn)動(dòng)控制，以完成無(wú)人駕駛需求。

當(dāng)然，基于端到端大模型的無(wú)人駕駛技術(shù)應(yīng)用落地同樣面臨著一定困難，例如，僅使用有限的外部環(huán)境傳感器感知原始信號(hào)作為無(wú)人駕駛系統(tǒng)輸入，并直接輸出以無(wú)人駕駛軌跡或駕駛控制信號(hào)，這樣的端到端黑盒模型可解釋性弱，且其實(shí)際應(yīng)用安全性也有待進(jìn)一步驗(yàn)證，尤其是在復(fù)雜城市道路環(huán)境場(chǎng)景中；由于端到端模型更多的是基于數(shù)據(jù)進(jìn)行模型訓(xùn)練，以模仿實(shí)際人類(lèi)駕駛員的行為動(dòng)作，因此對(duì)駕駛員的駕駛行為邏輯以及實(shí)際駕駛規(guī)則缺乏了解，在面對(duì)現(xiàn)實(shí)交通環(huán)境中的其他駕駛行為風(fēng)格以及一些極端駕駛行為存在難以應(yīng)對(duì)的風(fēng)險(xiǎn)；此外，數(shù)據(jù)驅(qū)動(dòng)模型訓(xùn)練學(xué)習(xí)的是全部數(shù)據(jù)的“平均”控制信號(hào)，而由于駕駛行為具有維度高、數(shù)據(jù)分布不均勻的特點(diǎn)，因此對(duì)于無(wú)人駕駛汽車(chē)的“平均”控制信號(hào)極有可能不是實(shí)際交通環(huán)境場(chǎng)景中的正確控制信號(hào)。

由此可見(jiàn)，目前端到端無(wú)人駕駛技術(shù)的真正商業(yè)落地與應(yīng)用還為時(shí)尚早，但端到端無(wú)人駕駛技術(shù)具有簡(jiǎn)潔高效、算力需求較低、與人類(lèi)駕駛員駕駛行為風(fēng)格接近等特點(diǎn)，是無(wú)人駕駛技術(shù)十分具有發(fā)展?jié)摿Φ囊粋€(gè)研究方向。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，模型的可解釋性、泛化能力會(huì)進(jìn)一步提高，以有效解決當(dāng)前端到端無(wú)人駕駛模型面臨的問(wèn)題，對(duì)端到端駕駛模型的最終應(yīng)用落地將產(chǎn)生巨大影響。

5 結(jié)論與展望

無(wú)人駕駛技術(shù)的逐步應(yīng)用落地有利于構(gòu)建一個(gè)更加安全、高效、舒適的交通環(huán)境，是未來(lái)汽車(chē)發(fā)展的重要方向之一。作為無(wú)人駕駛的第一個(gè)環(huán)節(jié)，并考慮到實(shí)際交通駕駛場(chǎng)景的復(fù)雜多變，環(huán)境信息的實(shí)時(shí)感知以及準(zhǔn)確分析是無(wú)人駕駛技術(shù)中的一個(gè)關(guān)鍵課題，在很大程度上影響和決定著無(wú)人駕駛的最終實(shí)現(xiàn)效果。然而，受到感知傳感器的物理精度約束、計(jì)算單元實(shí)時(shí)處理計(jì)算能力限制以及交通環(huán)境的隨機(jī)特性影響，僅依賴(lài)傳感器采集信息以及地圖數(shù)據(jù)信息完成無(wú)人駕駛?cè)蝿?wù)依舊面臨一定的安全性挑戰(zhàn)。因此，推進(jìn)相關(guān)無(wú)人駕駛政策、加速智能交通環(huán)境建設(shè)以落實(shí)車(chē)聯(lián)網(wǎng)技術(shù)落地、提升車(chē)路協(xié)同控制能力有助于為無(wú)人駕駛技術(shù)提供更好的保障。

★基金項(xiàng)目：國(guó)家自然科學(xué)基金(72171172，62088101，92367101)

作者簡(jiǎn)介：

李欣然（1998-），湖南長(zhǎng)沙人，同濟(jì)大學(xué)在讀博士生，主要從事自動(dòng)駕駛、深度學(xué)習(xí)、博弈等方向的研究。

李修賢（1986-），山東棗莊人，教授，博士，現(xiàn)就職于同濟(jì)大學(xué)，主要從事分布式控制和優(yōu)化、算法、博弈、機(jī)器學(xué)習(xí)，以及在無(wú)人機(jī)和無(wú)人車(chē)等領(lǐng)域應(yīng)用方面的研究。

李　莉（1975-），遼寧撫順人，教授，博士，現(xiàn)就職于同濟(jì)大學(xué)，主要從事基于數(shù)據(jù)的建模與優(yōu)化、復(fù)雜制造系統(tǒng)調(diào)度、計(jì)算智能及應(yīng)用方面的研究。

參考文獻(xiàn)：

[1] 張守武, 王恒, 陳鵬等. 神經(jīng)網(wǎng)絡(luò)在無(wú)人駕駛車(chē)輛運(yùn)動(dòng)控制中的應(yīng)用綜述[J]. 工程科學(xué)學(xué)報(bào), 2022, 44 (2) : 235 - 243.

[2] 錢(qián)玉寶, 余米森, 郭旭濤, 等. 無(wú)人駕駛車(chē)輛智能控制技術(shù)發(fā)展[J]. 科學(xué)技術(shù)與工程, 2022, 22 (10) : 3846 - 3858.

[3] Li X, Lin K Y, Meng M, et al. A survey of adas perceptions with development in china[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23 (9) : 14188 - 14203.

[4] 高明. 無(wú)人駕駛汽車(chē)ADAS系統(tǒng)激光雷達(dá)介紹與應(yīng)用[J]. 時(shí)代汽車(chē), 2023 (2) : 159 -161.

[5] Poulton C V, Yaacobi A, Cole D B, et al. Coherent solid-state LIDAR with silicon photonic optical phased arrays[J]. Optics letters, 2017, 42 (20) : 4091 - 4094.

[6] 黨亞南, 田照星, 郭利強(qiáng). 車(chē)載激光雷達(dá)點(diǎn)云數(shù)據(jù)處理關(guān)鍵技術(shù)[J]. 計(jì)算機(jī)測(cè)量與控制, 2022,30 (1) : 234 - 238, 245.

[7] Li G, Fan W, Xie H, et al. Detection of road objects based on camera sensors for autonomous driving in various traffic situations[J]. IEEE Sensors Journal, 2022, 22 (24) : 24253 - 24263.

[8] Cheng J, Zhang L, Chen Q, et al. A review of visual SLAM methods for autonomous driving vehicles[J]. Engineering Applications of Artificial Intelligence, 2022, 114: 104992.

[9] Vivacqua R, Vassallo R, Martins F. A low cost sensors approach for accurate vehicle localization and autonomous driving application[J]. Sensors, 2017, 17 (10) : 2359.

[10] Patole S M, Torlak M, Wang D, et al. Automotive radars: A review of signal processing techniques[J]. IEEE Signal Processing Magazine, 2017, 34 (2) : 22 - 35.

[11] Galvani M. History and future of driver assistance[J]. IEEE Instrumentation & Measurement Magazine, 2019, 22 (1) : 11 - 16.

[12] Preussler S, Schwartau F, Schoebel J, et al. Photonically synchronized large aperture radar for autonomous driving[J]. Optics Express, 2019, 27 (2) : 1199 - 1207.

[13] Feng D, Haase-Schütz C, Rosenbaum L, et al. Deep multi-modal object detection and semantic segmentation for autonomous driving: Datasets, methods, and challenges[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22 (3) : 1341 - 1360.

[14] Rhee J H, Seo J. Low-cost curb detection and localization system using multiple ultrasonic sensors[J]. Sensors, 2019, 19 (6) : 1389.

[15] 孟立秋. 自主導(dǎo)航地圖的昨天、今天和明天[J]. 測(cè)繪學(xué)報(bào), 2022, 51 (6) : 1029 - 1039.

[16] 李必軍, 郭圓, 周劍, 等. 智能駕駛高精地圖發(fā)展與展望[J/OL]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2023 : 1-18. [DOI:10.13203/j.whugis20230287.

[17] 應(yīng)申, 蔣躍文, 顧江巖, 等. 面向自動(dòng)駕駛的高精地圖模型及關(guān)鍵技術(shù)[J/OL]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2023 : 1 - 12. DOI:10.13203/ j.whugis20230227.

[18] 張攀, 劉經(jīng)南. 通用化高精地圖數(shù)據(jù)模型[J]. 測(cè)繪學(xué)報(bào), 2021, 50 (11) : 1432 - 1446.

[19] 段建民, 鄭凱華, 周俊靜. 多層激光雷達(dá)在無(wú)人駕駛車(chē)中的環(huán)境感知[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2014, 40 (12) : 1891 - 1898.

[20] 王永勝, 羅禹貢, 黃晨, 等. 基于拓?fù)涞貓D的自主泊車(chē)路徑協(xié)調(diào)與優(yōu)化策略[J].中國(guó)公路學(xué)報(bào), 2021, 34 (1) : 177 - 187.

[21] 張新鈺, 高洪波, 趙建輝, 等. 基于深度學(xué)習(xí)的自動(dòng)駕駛技術(shù)綜述[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 58 (4) : 438 - 444.

[22] Pomerleau D A. Alvinn: An autonomous land vehicle in a neural network[J]. Advances in neural information processing systems, 1988 : 1.

[23] Hawke J, Shen R, Gurau C, et al. Urban driving with conditional imitation learning[C]. 2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020 : 251 - 257.

[24] Codevilla F, Santana E, López A M, et al. Exploring the limitations of behavior cloning for autonomous driving[C]. Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019 : 9329 - 9338.

[25] Toromanoff M, Wirbel E, Moutarde F. End-to-end model-free reinforcement learning for urban driving using implicit affordances[C]. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2020 : 7153 - 7162.

[26] Hu Y, Yang J, Chen L, et al. Planning-oriented autonomous driving[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023 : 17853 - 17862.

摘自《自動(dòng)化博覽》2023年12月刊