自主駕駛系統(tǒng)結(jié)構與關鍵技術研究綜述

李澤文　徐振平　董瑞智

摘要：隨著汽車的普及，汽車在方便人們的同時也帶來了一些問題，如交通安全、城市交通堵塞等問題。隨著科技的發(fā)展，自主駕駛離我們越來越近，自主駕駛不僅可以有效地降低道路交通安全風險，還可以為人類節(jié)省更多的精力。該文通過介紹無人駕駛的框架主要包括環(huán)境感知，信息處理與決策控制以及執(zhí)行方面。然后敘述了無人駕駛的關鍵技術為環(huán)境感知、導航定位、路徑規(guī)劃、決策控制等，以及所面臨的主要挑戰(zhàn)。

關鍵詞：無人駕駛；環(huán)境感知；導航定位；路徑規(guī)劃；決策控制

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2018）10-0186-03

隨著汽車的普及，汽車方便人們的同時也帶來了一些問題，如交通安全、城市交通堵塞等。據(jù)國家統(tǒng)計局統(tǒng)計[1]，2011年到2016年間每年因交通事故而帶來的直接財產(chǎn)損失均超過10億元，事故發(fā)生數(shù)在18萬以上，事故死亡人數(shù)也均不低于5萬8千人。隨著科技的發(fā)展，自主駕駛離我們越來越近，自主駕駛不僅可以有效地降低道路交通安全風險，還可以為人類節(jié)省更多的精力。先進輔助駕駛系統(tǒng)（ADAS）是一種用來輔助駕駛員對駕駛情況以及路面安全感知的輔助駕駛系統(tǒng)[2]。該系統(tǒng)通過向駕駛員提供必要信息、警告以及自動控制來降低發(fā)生交通事故的可能性，每年拯救成千上百萬的生命。自適應巡航控制系統(tǒng)（ACC）通過自主安全巡航駕駛，將駕駛員從人工操作的重復無聊任務中解放出來。同時，車輛的智能化也可以有效地解決交通擁堵問題，極大地提高交通的運行效率。以自主駕駛汽車為重要組成部分的智能交通系統(tǒng)（ITS）致力于提供不同交通運輸模式下的創(chuàng)新性服務[3]，通過將該系統(tǒng)與交通系統(tǒng)的基本設施以及車輛結(jié)合起來，可以達到緩解城市擁堵壓力、提高城市交通安全性以及生產(chǎn)效率等目的。因此，自主駕駛研究具有十分重要的意義。

目前，對自主駕駛車輛的研究主要包括環(huán)境感知、規(guī)劃與決策、控制等三個方面，對其中的關鍵技術都有一定的成果。在環(huán)境感知方面，自主車輛需要對環(huán)境及障礙物進行檢測與識別，由于道路環(huán)境復雜、障礙物種類繁多，且無人車系統(tǒng)的安全性對障礙物檢測可靠性、穩(wěn)定性要求相當高，這就給自主駕駛的環(huán)境感知方面帶來了挑戰(zhàn)[4]。規(guī)劃與決策方面，在綜合的道路環(huán)境下，由于駕駛場景的復雜多變、交通參與者行為的難以預測以及人們對于行車安全性、高效性和舒適性要求的提高，現(xiàn)有的行為決策與運動規(guī)劃方法已經(jīng)無法給出一個合理的解決方案[5]?？刂品矫?，在未知路況條件下的實時高精度軌跡跟蹤自適應控制一直是研究的重點和難點[6]。對上述問題的研究，有助于進一步推動自主駕駛的發(fā)展。

1 無人駕駛的體系結(jié)構

基于自動駕駛研究的幾個方面以及對目前自主駕駛方面的研究，可知目前自主駕駛的體系結(jié)構如圖所示：

圖中表示的是一個完整的自主駕駛系統(tǒng)的結(jié)構圖，它包括相機、激光雷達、GPS等傳感器對環(huán)境的感知，通過對感知的環(huán)境數(shù)據(jù)進行處理來使車輛作出決策，然后通過控制系統(tǒng)執(zhí)行自主駕駛。這種通過感知-決策-控制的框架普遍令人接受，但也有另外一種觀點，直接端到端的實現(xiàn)無人駕駛。

此外，中國無人駕駛的領軍人李德義院士提出了另外一種自主駕駛體系方式——類人駕駛大腦技術架構，如下圖所示，他以人工智能中方式，通過人腦對環(huán)境的認知、學習、處理、決策等方式來最終實現(xiàn)無人駕駛。

從上述無人駕駛的架構中可以看出，不論哪種方案的研究都主要包括這幾個部分：

1） 環(huán)境感知方面：通過激光雷達、攝像頭、GPS、慣導等各類傳感器來采集環(huán)境的信息；

2） 信息處理與決策方面：通過對傳感器采集的數(shù)據(jù)進行處理、分析，采用不同的策略算法進行對機器人作出決策；

3） 控制方面：對決策的好與壞最直接的表現(xiàn)為是否能安全的完成無人駕駛?cè)蝿?，這需要對汽車各部分的功能進行執(zhí)行，實現(xiàn)控制汽車完成目標。

2 關鍵技術

無人駕駛技術是傳感器、計算機、人工智能、通信、導航定位、模式識別、機器視覺、智能控制等多門前沿學科的綜合體。按照無人駕駛汽車的職能模塊，無人駕駛汽車的關鍵技術包括環(huán)境感知、導航定位、路徑規(guī)劃、決策控制等。

2.1環(huán)境感知技術

與人類認知世界的方式相似，環(huán)境感知模塊相當于無人駕駛汽車的眼和耳，無人駕駛汽車通過環(huán)境感知模塊來辨別自身及周圍的環(huán)境信息。更為后續(xù)的行為決策提供信息支持。環(huán)境感知包括獲取無人駕駛汽車自身位姿信息和周圍環(huán)境感知兩部分。單一傳感器只能對被測對象的某個方面或者某個特征進行測量，無法得到所有的信息。因而，必須采用多個傳感器的方式同時對某個被測對象的一個或者幾個特征量進行測量，將所測得的數(shù)據(jù)經(jīng)過數(shù)據(jù)融合處理后[7]，提取出可信度較高的信息。

按照環(huán)境感知系統(tǒng)測量對象的不同，通常包括以下兩種方式進行檢測：無人駕駛汽車自身位姿信息，主要包括車輛自身的位置，速度、加速度、轉(zhuǎn)向角等信息。這類信息測量方便，主要用驅(qū)動電機、電子羅盤、傾角傳感器、陀螺儀等傳感器進行測量。無人駕駛汽車周圍環(huán)境感知以激光雷達等主動型測距傳感器為主，被動型測距傳感器為輔，采用信息融合的方法實現(xiàn)。因為激光，雷達、超聲波等主動型測距傳感器相結(jié)合更能滿足復雜、惡劣條件下，執(zhí)行任務的需要，最重要的是處理數(shù)據(jù)量小，實時性好。同時進行路徑規(guī)劃時可以直接利用激光返回的數(shù)據(jù)進行計算，無需知道障礙物的具體信息。

由于激光雷達價格昂貴，目前另外一種以視覺作為環(huán)境感知的一個重要方式也逐漸流行起來，雖然目前在惡劣環(huán)境感知中仍存在一定問題。但是在目標識別、道路跟蹤、地圖創(chuàng)建等方面具有其他傳感器所無法取代的重要性，而且價格便宜。而在野外環(huán)境中的植物分類、水域和泥濘檢測及識別等方面，視覺也是必不可少的手段。

2.2導航定位技術

無人駕駛汽車的導航定位模塊主要確定無人駕駛汽車其自身的地理位置，是無人駕駛汽車的路徑規(guī)劃和任務規(guī)劃的基礎，對于定位目前室外主要通過里程計及GPS慣導進行，但仍會出現(xiàn)一定的累計誤差。導航可分為自主導航和網(wǎng)絡導航兩種。

自主導航技術是指除了定位輔助之外，不需要外界其他的協(xié)助，即可獨立完成導航任務。自主導航技術在本地存儲地理空間數(shù)據(jù)，所有的計算在終端完成，并將終端的數(shù)據(jù)提供用來決策，在任何情況下均可實現(xiàn)定位，但是自主導航設備的計算資源有限，導致計算能力差，有時不能提供準確、實時的導航服務?，F(xiàn)有自主導航技術可分為三類：

相對定位：主要依靠里程計、陀螺儀等內(nèi)部感受傳感器，通過測量無人車相對于初始位置的位移來確定無人車的當前位置。

絕對定位：主要采用導航信標.主動或被動標志地圖匹配或全球定位系統(tǒng)進行定位。

組合定位：綜合采用相對定位和絕對定位的方法，揚長避短，彌補單一定位方法的不足。組合定位方案一般有GPS+地圖匹配、GPS+航跡推算、GPS+航跡推算+地圖匹配、GPS+GLONAss+慣性導航+地圖匹配等。

網(wǎng)絡導航能隨時隨地通過無線通信網(wǎng)絡、交通信息中心進行信息交互。移動設備通過移動通信網(wǎng)與直接連接于Internet的web GIS服務器相連，在服務器執(zhí)行地圖存儲和復雜計算等功能，用戶可以從服務器端下載地圖數(shù)據(jù)。

網(wǎng)絡導航的優(yōu)點在于不存在存儲容量的限制、計算能力強。能夠存儲任意精細地圖，而且地圖數(shù)據(jù)始終是最新的。

2.3路徑規(guī)劃技術

路徑規(guī)劃是無人駕駛汽車信息感知和智能控制的橋梁，是實現(xiàn)自主駕駛的基礎。路徑規(guī)劃的任務就是在具有障礙物的環(huán)境內(nèi)按照一定的評價標準，尋找一條從起始狀態(tài)包括位置和姿態(tài)到達目標狀態(tài)的無碰路徑。

路徑規(guī)劃技術可分為全局路徑規(guī)劃和局部路徑規(guī)劃兩種。全局路徑規(guī)劃是在已知地圖的情況下，利用已知局部信息如障礙物位置和道路邊界，確定可行和最優(yōu)的路徑，它把優(yōu)化和反饋機制很好地結(jié)合起來。局部路徑規(guī)劃是在全局路徑規(guī)劃生成的可行駛區(qū)域指導下，依據(jù)傳感器感知到的局部環(huán)境信息來決策無人平臺當前前方路段所要行駛的軌跡。全局路徑規(guī)劃針對周圍環(huán)境已知的情況，局部路徑規(guī)劃適用于環(huán)境未知的情況。

路徑規(guī)劃算法包括可視圖法、柵格法、人工勢場法、概率路標法、隨機搜索樹算法、粒子群算法等。

2.4決策控制技術

決策控制模塊相當于無人駕駛汽車的大腦，其主要功能是依據(jù)感知系統(tǒng)獲取的信息來進行決策判斷，進而對下一步的行為進行決策，然后對車輛進行控制。決策技術主要包括模糊推理、強化學習、神經(jīng)網(wǎng)絡和貝葉斯網(wǎng)絡等技術。

決策控制系統(tǒng)的行為分為反應式、反射式和綜合式三種方案：反應式控制是一個反饋控制的過程，根據(jù)車輛當前位姿與期望路徑的偏差，不斷地調(diào)節(jié)方向盤轉(zhuǎn)角和車速，直到到達目的地。

3 無人駕駛的挑戰(zhàn)

自主駕駛存在重大挑戰(zhàn)，目前自主駕駛的挑戰(zhàn)主要分為五類：

（1）駕駛行為決策

由于駕駛環(huán)境復雜，現(xiàn)有的行為決策模型可靠性并不能達到百分百可靠，且多采用的信息融合實時處理的方式進行決策，這種方式需要很大的運算資源，和充分的預訓練技術。

（2）更多更具體的深度的“強化學習”案例

在一些通過機器學習實現(xiàn)駕駛策略的過程中，機器人通過觀察數(shù)據(jù)而不是規(guī)則來進行學習。機器學習很難對特殊情況（事故）情況進行學習學習。其依賴于“價值函數(shù)”來評估策略應用所產(chǎn)生的狀態(tài)。對沒有經(jīng)驗的控制系統(tǒng)可能無法及時正確地量化風險。而且要想學到更好的模型，就必須盡可能全的數(shù)據(jù)樣本進行訓練。

（3）測試與驗證

為驗證學習后模型的質(zhì)量，實地駕駛測試往往并不太合適，因為這種測試不可能覆蓋所有有難度的物理條件（天氣、地形、交通）。好的仿真測試，應該盡可能的模擬出現(xiàn)實中的復雜惡劣極端情況，且汽車內(nèi)的每個模塊都能持續(xù)發(fā)送具有一定置信度的反饋。目前L3級以上自主駕駛汽車的測試與驗證正處于初級階段。如何驗證人工智能駕駛汽車的安全性“仍是一道未解難題”。

（4）安全和防篡改

自主駕駛汽車中模塊均由計算機實現(xiàn)和控制，計算機控制模塊幾乎具有絕對的車輛駕駛控制權。一旦汽車控制系統(tǒng)被攻擊，劫持，可能會產(chǎn)生十分危險的后果。

（5）自主駕駛的衡量標準

由于社會大眾無法感知無人駕駛汽車的安全性，通常人們不能容忍自主車輛造成的死亡。且汽車行業(yè)，還沒能提出一個穩(wěn)健的衡量標準，來規(guī)定什么樣的故障率是可接受的。

4 結(jié)束語

無人駕駛車是一種智能化的移動交通工具，它能夠代替人類駕駛員實現(xiàn)一系列駕駛行為。涉及環(huán)境感知察覺、導航定位以及智能決策控制等眾多學科的研究領域。無人駕駛汽車的研發(fā)不僅推動了各項技術的應運而生，也促進了各類科學技術的發(fā)展。需要指明，研究無人駕駛汽車不一定要將駕駛員完完全全的替代，其實，我們只是需要在替代的領域和場合作相應的替換，完成一些人們難以適應的駕駛環(huán)境和緩解長途駕駛的疲勞感。物聯(lián)網(wǎng)的技術成熟是無人駕駛車可操作的基礎，伴隨著更多高新科技的研發(fā)與技術的成熟，無人駕駛汽車的發(fā)展狀況將有質(zhì)的飛躍。

參考文獻：

[1]中華人民共和國國家統(tǒng)計局. 年度數(shù)據(jù)： 交通事故情況. http：//data.stats.gov.cn/easyquery.htm？cn=C01

[2]王晨. 無人駕駛智能車控制與規(guī)劃系統(tǒng)的設計與實現(xiàn)[D]. 上海交通大學， 2009.

[3] C. Desjardins， B. Chaib-Draa. Cooperative adaptive cruise control： A reinforcement learning Approach， IEEE Transactions on Intelligent Transportation Systems， 2011， pp. 1248-1260

[4]王俊. 無人駕駛車輛環(huán)境感知系統(tǒng)關鍵技術研究[D]. 中國科學技術大學， 2016.

[5]杜明博. 基于人類駕駛行為的無人駕駛車輛行為決策與運動規(guī)劃方法研究[D]. 中國科學技術大學， 2016.

[6]趙盼. 城市環(huán)境下無人駕駛車輛運動控制方法的研究[D]. 中國科學技術大學， 2012.

[7]Diaz-Cabrera M， Cerri P， Sanchez-Medina J. Suspended traffic lights detection and distance estimation using color features[C]// International IEEE Conference on Intelligent Transportation Systems. IEEE， 2012：1315-1320.