无论是汽车制造商还是互联网企业，实现汽车自动驾驶均采用环境信息感知识别——系统智能决策控制的技术框架。自动驾驶技术集自动控制、复杂系统、人工智能、机器视觉等于一体，收集云端和车载传感器的车联网数据、地理信息数据、环境感知数据等信息，识别车辆驾驶区域的环境特征，进行任务设定和控制规划。

图1 自动驾驶汽车基本技术方案

自动驾驶技术发展已经分化出两大阵营：以汽车制造商为代表的ADAS和单车智能技术阵营，以及以互联网企业为代表的人工智能和网联化技术阵营。ADAS和单车智能技术阵营主要从现有的驾驶辅助安全技术出发，配合感知和控制决策，逐步实现智能化自动驾驶技术；人工智能和网联化技术阵营则直接依靠智能计算及网络通信实现对汽车的控制。除此之外，在系统集成和功能实现等方面，不同技术阵营之间、内部均存在一定差异。

总体方案

互联网企业以谷歌、百度等为代表的人工智能和网联化技术阵营，侧重于高精度定位的引导，配合激光雷达、摄像头、毫米波雷达、超声波传感器、GPS等传感器，利用人工智能算法实现完全自主驾驶。其技术核心是高精度地图的构建，以及各种传感器的感知特征的匹配和融合。汽车制造商如通用、沃尔沃、特斯拉等及其零部件供应商博世、Mobileye等为代表的ADAS和单车智能技术阵营，依靠摄像头、毫米波雷达、超声波传感器等设备，侧重于对行驶环境的精确感知，实现一定约束条件下的高级辅助驾驶功能，其核心竞争力是ADAS的技术积累及大量商用经验。

汽车制造商与互联网公司智能汽车技术发展路径对比如图2所示。从技术发展规律上看，汽车制造商依靠ADAS技术和功能的不断完善，以缓解驾驶人驾驶压力、提升驾驶体验为目标，基于完善的整车制造经验，逐步提出高等级的自动驾驶汽车；而互联网企业则依据深度学习、图像理解等人工智能技术，以计算机替代人类驾驶人为目标，基于其先进的互联网、云服务等技术，实现直接替代传统汽车的完全自动驾驶汽车。

图2 汽车制造商和互联网企业的自动驾驶技术发展路径

互联网公司偏向于直接实现高等级的自动驾驶，其技术核心——深度学习算法，利用高性能处理器模拟多层神经网络，让机器掌握自主学习的能力。通过对道路场景标定数据的训练，实现神经网络对汽车、行人、标志标线、非机动车等交通因素的准确实时检测。该技术需要通过采集海量数据不断训练和完善自动驾驶模型，提高汽车系统的深度学习能力和自主决策能力。

图3 深度学习算法对汽车、行人、交通标志标线的识别（地平线人工智能视觉芯片）

互联网公司研发自动驾驶汽车的目的是实现对人工智能领域的重大探索创新和技术前沿布局。其拥有丰富的软件开发经验、强大的人才储备、高效率的软件开发和测试流程，因而能更早地、激进地实现自动驾驶的功能且无需背负变现的压力。另一方面，互联网公司在人工智能、人机交互服务层面具有较大的竞争优势，进度或将大幅领先采取ADAS升级路线的传统汽车制造商。

汽车制造商一般认为ADAS是实现汽车自动驾驶的过渡阶段。通过ADAS功能的拓展和完善，渐进式地实现无人驾驶。目前，ADAS可以完成车辆的横、纵向运动自动控制，但这种以辅助人类驾驶人为目标的局部、分离的单项功能使其仍称不上是智能汽车。汽车制造商希望通过多次技术方案的革新，并在得到相应收益的同时，逐步地到达最后的完全无人驾驶。

图4 汽车制造商的自动驾驶实现途径

汽车制造商的优势主要在于技术积累，具备先发优势且可以直接利用客户资源快速迭代优化其智能系统，但其主营业务是整车的制造和销售。因此，提供更好的驾驶体验是其研发的动力，且仍需顾及研发成果的变现能力。这些顾虑可能会将其自动驾驶研究局限在ADAS领域。

综上，不管哪种技术路线，实际上都是基于信息感知和处理，实现对行驶环境的准确识别，构建高精度的环境地图驱动行驶，技术路线的基本步骤一样，只是在每个具体步骤中，实现方法有所区别。例如，体现在自动驾驶汽车的外观上，车顶上一般都有激光雷达装置，车身四周装有一系列的传感器。

环境感知

自动驾驶技术的核心是实现汽车的“环境感知-决策规划-控制执行”过程。环境感知作为第一环节，处于自动驾驶车辆与外界环境信息交互的关键位置，其关键在于使自动驾驶车辆更好地模拟人类驾驶者的感知能力，从而理解自身和周边的驾驶态势。因此，自动驾驶汽车对道路环境感知能力的好坏直接影响车辆的安全性和通行能力。如图5所示，自动驾驶汽车需要集成摄像头、激光雷达、微波雷达、红外传感器、超声波雷达等传感器，对道路环境近、中、远距离以及各个角度探测，并对感知信息进行融合处理和识别环境中各个相关因素。摄像头、雷达、定位导航系统等为自动驾驶车辆提供了海量的周边环境及自身状态数据。

图5 自动驾驶汽车及其传感器

目前自动驾驶环境感知的技术路线主要有两种：一种是使用视觉主导的多传感器融合方案，另一种以低成本激光雷达为主导。

视觉主导的环境感知技术采用多摄像头、毫米波雷达、超声波雷达和低成本激光雷达融合感知的方案。当前技术条件下，摄像机成像受环境光照的影响较大，基于人工智能的目标检测与定位可靠性仍然较低，但其优势在于传感器成本低。

自从2016年5月，处于自动驾驶状态的特斯拉电动车在美国佛罗里达州与卡车相撞的死亡事故发生后，特斯拉将视觉感知识别功能实现从Mobileye提供单目视觉技术替换为基于Nvidia Drive TX2计算平台的特斯拉Vision软件系统，使用深度学习算法替代基于传统机器学习的视频图像识别方法，这也是当前互联网公司提供的自动驾驶解决方案所采用的。截止到2018年年底，特斯拉通过Autopilot积累的自动驾驶里程已经达到近20亿公里，其认为当前自动驾驶可靠性为98%，但要达到99.999%才能满足安全水平。

激光雷达主导的感知技术使用了激光雷达、毫米波雷达、超声波传感器和摄像头融合识别的方案。激光雷达采用主动激光测距的机制，形成激光点云图像描述周边障碍物分布，目标检测与定位可靠性高，但缺乏周围环境的颜色和纹理信息且成本高昂。

激光雷达主导的解决方案未来将沿两种方向继续推进商业化进程：一个是发展摄像头与激光雷达结合的硬件模组，直接获得彩色激光点云数据。另一个是降低激光雷达的硬件成本，比如研发固态激光雷达并真正实现产业化。

综上，多传感器融合是未来自动驾驶发展的必然趋势，自动驾驶行业的终极目标是实现安全性极高的无人驾驶。从感知端角度出发，汽车上每增加一种传感器进行融合使用，汽车相应的探测精度就会提高。因此，无论是采用视觉主导还是激光雷达主导的方案，必将在未来统一。汽车的感知层将按照各种传感器的能力特性（如红绿灯、标志标线识别依靠摄像头；障碍物识别依靠激光雷达等），进行多层次地融合识别和结果校验，得出高可靠的识别结果供决策。

车联网

车联网是实现自动驾驶技术的一种重要途径，其核心在于车路协同技术。“聪明的路、智慧的车”的技术路线能够弥补当前自动驾驶汽车在信息感知、分析决策上的不足，尽快实现车辆的智能化自动化运营。而车路协同所依赖的V2X通信技术，在国际上有两大路线：一个是DSRC技术为基础的方案，另一个是蜂窝路线。

基于V2V的DSRC（专用短程通信）的车联网技术已比较成熟，DSRC（IEEE 802.11p）已公开发布，基于Ad-hoc机制动态拓扑组网，进行车间、车路通信，能够360度全方位地实现V2V之间的通讯，覆盖半径可达2公里，时延在50ms以内，其独特优势在于技术成熟和安全可靠。

我国则对LTE-V和5G等基于蜂窝通信的车联网通信技术与产业态度非常积极，其技术优势在于网络带宽更大、通信时延更小。目前，几个城市正在试点5G和LTE-V的部署。我国部分城市智能网联汽车示范区车联网方案如表1所示。

表1  我国部分城市智能网联汽车示范区车联网方案

总  结

从当前自动驾驶技术现状水平来看，不管哪种技术路线，本质上都是通过多种传感器、车联网和互联网的集成实现。通过车上的摄像头、超声波雷达、激光雷达、GPS等传感器来获得信息，然后对信息进行处理，最后实现车辆对环境的识别。

从技术发展来看，尚需要从以下几个技术方面突破：融合环境感知与环境建模，并在5G通信、智能交通系统和车路协同技术的支撑下，实现极端环境与紧急情况下的可靠感知；满足传感器高可靠、低成本的商用化需求，解决多传感器信息的融合问题；发展基于深度学习的环境感知和自主决策技术，实现自动驾驶汽车的自主驾驶学习能力，从而为自动驾驶产业的落地实践打下坚实的技术基础。

（文/道路交通集成优化与安全分析技术国家工程实验室 自动驾驶测试技术研发组 王敏、严慈磊、袁建华）