自動駕駛原理

自動駕駛就是車輛在無駕駛員操作的情況下自行實現駕駛，它是車輛的能力。比如掃地機器人在掃地的時候就是在自動駕駛。自動駕駛有多種發展路徑，單車智能、車路協同、聯網云控等。車路協同是依靠車-車，車-路動態信息的實時交互實現自動駕駛。聯網云控更注重通過云端的控制實現自動駕駛。本文章闡述的是單車智能。

基本原理概述

單車智能實現的基本原理是通過傳感器實時感知到車輛及周邊環境的情況，再通過智能系統進行規劃決策，**通過控制系統執行駕駛操作。

這里面有三個環節：

? 感知：車輛自身以及環境信息的采集與處理，包括視頻信息、gps信息、車輛姿態、加速度信息等等。好比是人類的眼睛、耳朵、皮膚一樣去收集。具體的比如前方是否有車，前方障礙物是否是人，紅綠燈是什么顏色，自車的車速如何，路面情況如何等等信息，都是需要去感知的。

? 決策：依據感知到的情況，進行決策判斷，確定適當的工作模型，制定適當的控制策略，代替人類做出駕駛決策。決策主要依賴的是芯片和算法，就好比是人類的大腦。看到紅燈，決策需要停止；觀察到前車很慢，決定從右側超車；有小孩突然闖入道路，進行緊急制動。

? 控制：系統做出決策后，自動對車輛進行相應的操作執行。類比人類進行的方向盤以及油門、剎車的操作。系統通過線控系統將控制命令傳遞到底層模塊執行對應操作任務。如左轉5度。

硬件系統

硬件系統在各層都有。感知層主要是為自動駕駛系統獲取外部行駛道路環境數據并幫助系統進行車輛定位。當前無人駕駛系統中代表性的傳感器有攝像頭、激光雷達、毫米波雷達、超聲波雷達、GNSS/IMU等。它們的工作原理、技術特性各不相同，決定了適用的場景也不同。當前大部分車輛都是采用多種傳感器相融合的方式以應對各種可能發生的情況，保證較好的實際使用效果。主流傳感器的優缺點參考如下圖。其他還有一些傳感器在一些方案中也會被使用，如麥克風陣列，紅外相機等。

感知層會收集大量的自車和環境數據，決策層需要自動駕駛芯片流暢地處理這些數據才能保證系統及時作出正確的決策，從而控制車輛自動行駛并確保安全。智能系統的三大要素是數據、算法和算力，而算力的根本就是芯片。芯片是決策層*為重要的硬件。目前能夠量產自動駕駛芯片的主要是Mobileye（英特爾收購）、英偉達、特斯拉。Mobileye市場規模**，應用于L2的產品有統治級別的市場占有率。英偉達是傳統巨頭，有算力*強的芯片。Tesla的芯片自產自銷，能夠量產高算力芯片。國內也有一家后起之秀地平線，芯片也已經量產，奮起直追中。

控制層則相對簡單，主要是線控。線控就是用線（電信號）的形式來取代機械、液壓或氣動等形式的連接，實現電子控制，從而不再需要駕駛員的力量或者扭矩的輸入。對于自動駕駛來說，**的三個線控子系統是線控油門、線控轉向、線控制動。我們常常聽到自動駕駛各領域都有很多獨角獸。奇怪的是線控方面資本市場卻少有提及，但它也是自動駕駛生態中重要的一個環節。大概是因為線控技術直接涉及風險，大家有意無意地忽視。

目前主流的L4&L4+自動駕駛硬件架構都是依賴激光雷達的，包括華為ADS、百度Apollo、Waymo、Mobileye等等。特斯拉的方案則沒有激光雷達，個人認為關鍵原因是激光雷達成本高落地難，而視覺方案可以快速落地形成數據算法迭代優化的閉環。但激光雷達數據質量實在好，對視覺方案有極大的補充價值，甚至是主導價值，而且成本已經大幅下降。所以特斯拉可能成也視覺（更快落地）、敗也視覺（效果上限較低）。

軟件系統

我們以業界某款開源平臺架構來理解一下自動駕駛在軟件方面需要具備的能力。

? 地圖引擎（Map）：提供道路、周邊建筑等地圖信息，高精地圖還包含全局車道、曲率、坡度、紅綠燈、護欄情況等等信息。如地圖可以透出前方右拐急彎曲率及下坡坡度。

? 高精定位（Localization）：定位是一個重要模塊，L3及以上自動駕駛場景需要高精定位，是車輛信息感知的一個重要元素。如定位到車輛在行進方向右邊第二車道，該車道只能直行不能右拐。

? 感知（Perception）：感知模塊接受并處理傳感器信息，從而識別自車以及周邊的情況。如感知到車輛的速度，感知到前方50米有一個行人。

? 預測（Prediction）：預測模塊主要用于預測感知到的障礙物的運動軌跡。如在行駛中，感知到左側道路有一輛車，根據車輛的狀態和歷史運動軌跡，預測車輛后續運動軌跡，識別是否有碰撞風險。

? 規劃（Planning）：根據感知到的信息，規劃出一條到達目的地的行進路線，而且還需要規劃出未來一段時間內，每一時刻所在位置的精細軌跡和自車狀態。如規劃軌跡向左偏移并加速，超車后回到道路中心線附近。

? 控制（Control）：如字面意思，通過指令控制車輛硬件進行操作，如發送減速指令到制動器執行制動操作。

? 交互界面（HMI）：人類在中控屏幕上看到的人機交互模塊。如自動駕駛系統通過HMI向乘客實時展示系統識別到的自車位置及周邊障礙物信息，有助于提升乘客的安全感。HMI在人車共駕的過度階段更有價值。

? 實時操作系統（RTOS）：Real Time Operation System 根據感知的數據信息，及時進行計算和分析并執行相應的控制操作。

自動駕駛在感知、預測、高精定位等模塊，對機器學習都有很深的應用和依賴。自動駕駛在一定程度上也促進了機器學習的發展。

如下為整個架構的數據流向圖，從中可以看出各模塊的上下游依賴關系。感知是預測的上游；感知、預測、定位、地圖又是規劃的上游；而控制則是規劃的下游；HMI則處于整個系統的下游。從中我們也可以看出，各模塊對于高精地圖都有依賴，可見高精地圖的重要性。高精地圖采集分為集中制圖和眾包制圖兩種，未來*可能普遍采用的方式是集中制圖+眾包更新，也可能是直接全眾包SLAM制圖，夠用就好。

自動駕駛意義

自動駕駛如此火熱，自然是因為它能夠解決一些問題。

降低出行成本

自動駕駛可以替代或者部分替代司機的工作，降低司機成本的投入。中國卡車司機就有3000萬，假設駕駛員1個月工資1萬，那么一年就是3.6萬億。假設卡車都實現了無人駕駛，那這里可以節約多少成本？送快遞、送外賣的從業人員也是千萬級別，無人物流車替代，可以節約多少成本？目前用戶打車的錢很大一部分是給司機的，如果司機的錢免了，對應用戶的乘車成本也會有降低。如果是自己開車也等于是低價請了個司機，享受了更高的服務。如果進入到無人駕駛時代，那么連考駕照的錢都可以省了。自動駕駛發展也會促進車輛共享化從而提升車輛利用率以及降低對停車位等資源的占用成本。

提升通行效率

擁堵是出行的**大痛點問題。擁堵的原因有三個方面：

1. 人為因素，如低速占位行駛、路口搶行、路口頂牛等行為造成或加劇了擁堵。

2. 交通設施不完備，如限速，車道不足，紅綠燈等因素。

3. 車輛故障，如突然無法啟動等問題導致車道阻塞。

三個原因中，人為因素的比重**，交通設施汽車，車輛故障再次。而自動駕駛可以實現遠超人類駕駛的規范化駕駛。在相同流量的情況下，自動駕駛可以有效減少擁堵，進而提升通行效率。

提升出行安全

80%以上的交通事故是人為因素造成的，如酒駕、疲勞駕駛、超速行駛、跟車距離過小、不按規定讓行等。而自動駕駛可以實現完全規范化的駕駛，沒有情緒、100%遵守交規，從而有效提升出行安全。

提升出行體驗

這個價值主要是針對輔助駕駛部分的功能。不是*終目標，但卻是當下大家*能夠確實收獲的好處。自動駕駛的各種功能可以降低駕駛的難度，有效提升駕駛體驗。

自動駕駛分級

自動駕駛分級如下表。實現L2級別自動駕駛的車廠比較多，L3則基本都是期貨。目前行業在努力攻克的主要是L3和L4級別的自動駕駛。值得注意的是有些廠商并不是L1-L2-L3-L4逐級演進的。比如華為進入這個領域，更注重從城市道路場景出發，直接以L4為目標進行設計和技術落地，升維思考、降維打擊。

L1自動駕駛

L0就是無自動駕駛功能，不做闡述。L1表示車輛可以自動完成橫向或縱向操控中的一項，其余所有工作仍然需要人類來完成。雖然比較低級，但卻已經很實用，如ACC、AEB、LKA等。

? ACC：Adaptive Cruise Control 自適應巡航控制

ACC是系統通過傳感器監測與前車的距離和相對速度，結合乘坐體驗，計算出合適的油門或者剎車量進行車輛縱向的控制，*終實現自動跟車或定速行駛的輔助駕駛功能。

? AEB：Autonomous Emergency Braking 自動緊急制動

AEB是一種汽車主動安全技術。AEB通過傳感器持續監測自車與周邊障礙物的距離，如果距離小于警報距離則發出警報，如距離進一步小于安全距離，則即使駕駛員沒有操作，AEB也會自動進行制動控制，避免碰撞發生。

? LKA：Lane Keeping Assist 車道保持輔助

LKA是在車道偏離預警系統（LDW：Lane Departure Warning）的基礎上增加糾正的控制。LKA通過傳感器監測自車與車道中心線的相對位置，如果發現車輛偏離車道，則向駕駛員發出警告，在特定設定下可以通過自動轉向控制使得車輛重新回到車道**行駛。LCC（Lane Centering Control 車道居中控制 ）也會作為一個**的輔助功能提供。