互聯網技術的迅猛發展給汽車工業帶來了革命性的變化，高精度地圖的進步與普及使得車輛實時精準定位成為可能，與此同時，智能駕駛技術的廣泛應用使汽車駕駛變得更簡單更智能。互聯網、高精度地圖與智能駕駛技術相結合，共同推動了無人駕駛汽車技術的發展。

　　1 無人駕駛汽車發展現狀

　　近年來，隨著市場對汽車主動安全和智能化需求的不斷提高，無人駕駛巨大的社會和經濟價值越發凸顯，越來越多的企業與科研機構積極參與并推動無人駕駛領域的發展。目前，能夠實現完全無人駕駛的車輛還沒有正式批量生產銷售，但已經有相當一部分實驗車型可以通過環境感知實現高度自主駕駛行為，如起步、加速、制動、車道線跟蹤、換道、避撞、停車等。表 1 給出了 NHTSA (national highway traffic safety administration) 對無人駕駛的定義 [1] ，它將無人駕駛分為 5 個等級，分別是高級輔助駕駛 (advanced driver assistance systems)、特定功能輔助、組合功能輔助、高度自動駕駛以及完全無人駕駛。如表 1 所示，目前大部分車型都還停留在組合功能輔助階段 (Level 2 級)，要實現完全無人駕駛車的量產化，還有很長一段路要走。

　　1.1 國外無人駕駛汽車發展現狀 20 世紀 70 年代初，許多發達國家 (如美國、英國、德國等) 開始研究無人駕駛汽車，經過長時間的發展，無人駕駛汽車在可行性和實用化方面都取得了突破性的進展[2]。1995 年，美國卡納基梅隆大學研制的無人駕駛汽車 Navllab-V，完成了橫穿美國東西部的無人駕駛實驗[3]。2005 年，在美國國防部組織的“大挑戰”比賽中，由美國斯坦福大學改造的無人汽車，經過沙漠、隧道、泥濘的河床以及崎嶇陡峭的山道最終獲得成功[4]。近年來由于谷歌、特斯拉、奔馳、寶馬等紛紛加入無人駕駛汽車的研究，無人駕駛技術有了突飛猛進的發展。

　　1.2 國內無人駕駛汽車發展現狀無人駕駛技術在國內的發展較晚，1992 年國防科技大學成功研制出中國第一輛紅旗系列無人駕駛汽車[3 0] ;經過一系列的努力和研制，直到 2011 年 7 月 14 日，首次在高速上實現長沙到武漢約 286 km 的全程無人駕駛實驗，成為了首個中國自主研制的無人駕駛車輛，突破了在復雜交通狀況下的自主駕駛的新紀錄，這次成功標志著中國無人駕駛技術在復雜環境識別、智能行為決策和控制等方面的技術突破，達到世界先進水平[31]。 2005 年，首輛城市無人駕駛汽車在上海交通大學研制成功[32]。從 2009 年開始，在國家自然科學基金委“視聽覺信息的認知計算”重大研究計劃支持下，分別在西安、鄂爾多斯、赤峰、常熟等地舉辦了七屆“中國智能車未來挑戰賽 (見圖 4)”。該比賽是現有的國內外唯一面向無人駕駛的賽事，極大地推動了中國無人駕駛車輛的研究工作[33]。

　　2 無人駕駛汽車產業化瓶頸

　　目前，無人駕駛汽車產業化的瓶頸問題主要有兩點：1) 如何更高效快速實現多傳感器信息融合; 2) 在保證自動駕駛性能的前提下如何最大限度降低設備成本。

　　2.1 更高效快速實現多傳感器信息融合研發人員當前面臨的最棘手的難題是如何提高汽車的視覺能力，目前所研發的計算機視覺系統還非常的低端和原始，如何賦予計算機系統接近甚至達到人類的視覺能力是一項非常巨大的挑戰。無人駕駛汽車需要隨時注意周邊車輛和行人，而且能夠實時檢測到周圍的車道、地面上的畫線，認識交通標識、交通燈的含義，應對風霜雨露以及強光、弱光等一系列復雜的環境因素的影響。此外，由于某些原因無法“看清”道路標志甚至在一些根本沒有道路標志的環境時，為了實現完全無人駕駛，目前唯一可行的辦法是通過多傳感器實現信息融合進行決策，綜合利用各類傳感器的優勢從而達到理想的效果，如圖 8 所示。例如，毫米波雷達適用于近程、高分辨力的目標監視和目標截獲，由于其較強的穿透能力，可以用于視覺系統捕獲車道線、交通燈顏色等信息。但是其視覺系統不足之處在于，其測距能力沒有激光雷達準確。因此將激光雷達、毫米波雷達與視覺傳感器相融合，可以有效解決單獨使用的不足之處，在進行物體檢測的同時，也可以進行空間測距和圖像識別。

　　2.2 如何降低制造成本目前無人駕駛汽車所使用的設備主要包括激光雷達、車載攝像頭、車載雷達、超聲波設備以及 GPS 等。利用激光雷達生成的點云，對反射障礙物的遠近、高低能較為準確地估計，從而大大提高障礙物檢測的準確度，谷歌、Uber 等科技公司都將這種設備應用在原型汽車上[46]。圖 10 為目前常用激光雷達 LiDAR 示意圖，其中 Velodyne HDL-64E LiDAR 預售價在 10 萬美元以上，Velodyne VLP-16 LiDAR 官網報價為稅前 7 999 美元，過高的成本大大阻礙無人車的商業化。

　　3 深度學習在無人駕駛領域的應用

　　深度學習[50]在計算機視覺獲得了巨大成功，徹底顛覆了傳統的計算機模式識別方法[51]。在深度學習出現以前，大多數識別任務要經過手工特征提取和分類器判斷兩個基本步驟，而深度學習可以自動地從訓練樣本中學習特征。深度學習的快速應用主要有兩點原因：1) 更容易獲得大量的人工標注數據集，如 ImageNet 大規模視覺識別挑戰(ILSVRC) [52] ; 2) 深度學習算法可以在 GPUs 上并行處理圖形，提高了學習效率和預測能力。利用深度神經網絡自主學習的特性，先通過高性能 GPUs 將龐大復雜的神經網絡模型訓練好，然后移植到嵌入式開發平臺，就可以實現對圖像、視頻信息實時高效的處理[53]。近年來，從自動駕駛初創企業、互聯網公司到各大 OEM 廠商，都在積極探索利用 GPUs 構建神經網絡實現最終的無人駕駛。

　　3.1 無人駕駛硬件實現將深度學習應用于無人駕駛領域的代表公司有 Mobileye 及 NVIDIA 公司，他們把基于深度卷積神經網絡的方法用于汽車的視覺系統中，取得了非常理想的效果。其中 Mobileye 公司生產的基于多核架構芯片 EyeQ4(見圖 11(a))，使用了 4 顆核心處理器、6 顆 VMP 芯片、2 顆 M PC 核心和 2 顆 PMA 核心，每秒浮點運算可達 2.5 萬億次，而功耗僅有 3 W。通過一系列的算法，EyeQ4 可以同時處理 8 部攝像頭 (最高 36f/s) 產生的圖像數據[54-56]。英偉達 DRIVE PX2 無人駕駛汽車平臺 (見圖 11 (b))，支持 12 路攝像頭輸入、激光定位、雷達和超聲波傳感器;包括兩顆新一代 NVIDIA Tegra 處理器，其中每個處理器包括 8 個 A57 核心和 4 個 Denver 核心;基于 NVIDIA(見圖 12) 的新一代 GPU 架構 Pascal 設計，單精度計算能力達到 8 T/S，超越 TITAN X 的 10 倍以上的深度學習計算能力[57]。

　　3.2 無人駕駛算法實現 Pomerleau 在 1989 年用神經網絡搭建了一套自動駕駛系統 (autonomous land vehicle in a neural network，ALVINN)[68]。ALVINN 首次證實了端到端訓練的神經網絡模型實現無人駕駛的可行性。

　　近年來，隨著深度學習的快速發展，利用深度學習實現圖像識別的文章數不勝數。2016 年 5 月 18 日，Y. Lecun 等發表 Stereo Matching by Training a Convolutional NeuralNetwork to Compare Image Patches，首次提出利用 Siamese 網絡 (見圖 14)，同時輸入左視圖和右視圖兩幅圖像，利用網絡計算出兩幅圖像的視差圖像，從而控制車輛的前進方向[69]

　　4 無人駕駛汽車行業發展前景預測

　　隨著市場對汽車主動安全技術、智能化等技術需求不斷增加，越來越多的企業投入其中，共同推動無人駕駛汽車的發展。與此同時，隨著計算機性能的逐步提高，成本降低，無人駕駛汽車使用的各種傳感器取得了很大的進步，研發技術的門檻隨之降低，前景十分明朗。近年來深度學習在圖像識別方面取得了突破性的進展，更是為無人駕駛技術的成熟增添了強勁的活力，利用 GPU 高效的圖像處理性能，實現了實時圖像處理。智能車輛的國內外研究成果已經取得了重大的進展，但是從近期發生的自動駕駛汽車事故可以看出，智能車輛投入實際使用還需要解決多種問題。 因此未來無人駕駛將需要在以下幾個方面取得進步。

　　首先，需要采用更好的傳感器和優化配置改善自動駕駛功能。高精度的傳感器才能在復雜交通下檢測車輛周圍的環境信息。現階段傳感器無法克服車輛運動、環境氣候和工作范圍的信號干擾，從而無法保證準確檢測出所有的行車駕駛要素。而激光雷達傳感器的高昂價格也限制了該技術的實際應用。未來激光雷達會變得更小更輕便，集成度更高，價格更低以及變成固態。面向復雜環境感知需求，通過融合多種傳感器的數據來實現感知、定位、決策和規劃，這是無人車近期的發展方向。其次，為了實現自動駕駛，需要將集成化控制系統、新型總線分布和自動駕駛架構結合。通過多種感知和決策算法的車載軟件，提高自動駕駛技術的安全性和魯棒性。采用車聯網絡可以實現車輛之間的信息共享，有效提高了傳感范圍。高精度的地圖和 GPS 定位可以通過減少車輛傳感器的需求，進而降低自動駕駛技術的難度。另外，結合深度學習技術，集成高性能的車載計算平臺，可以提高車輛自動駕駛的水平。此外，無人汽車技術需要高性能計算平臺的支持。將車載計算平臺與深度學習技術相結合，增強無人車輛的智能水平，將人工智能技術的新突破應用于無人駕駛。

　　參考文獻：

　　倪暖. 自動駕駛也分三六九等?[EB/OL].(2016-8-07) [2016-09-27] http://www.ednchina.com/news/article/2016 08170801. [1]

　　佚名. 無人駕駛汽車[EB/OL]. (2016-06-10)[2016-09-27] http://baike.baidu.com/link?url=iObG6G1U5wmuVNCdgm 7wXDpV8418yWtKAlBAVjC4xyVEL7Lgy3fgfkpsda4qiABZHCsxtQ9J9xqqcsZdTu_vF6kAT6xwu7zedQw2ggyuqa.

　　《深度學習在無人駕駛汽車領域應用的研究進展》來源：《智能系統學報》，作者：王科俊，趙彥東，邢向磊