無(wú)人駕駛汽車(chē)環(huán)境感知與定位技術(shù)

徐文軒 李偉

摘要：環(huán)境感知與定位技術(shù)是無(wú)人駕駛汽車(chē)技術(shù)的關(guān)鍵組成部分。在概括介紹無(wú)人駕駛汽車(chē)系統(tǒng)總體架構(gòu)基礎(chǔ)上，首先介紹各類(lèi)環(huán)境感知傳感器的原理和特點(diǎn)，比較各技術(shù)優(yōu)缺點(diǎn)。然后闡述了傳感器的標(biāo)定方法，并綜合論述了車(chē)道線(xiàn)檢測(cè)、障礙物檢測(cè)、紅綠燈檢測(cè)等環(huán)境感知中的關(guān)鍵技術(shù);同時(shí)，從高精度地圖環(huán)境定位、汽車(chē)自身定位、多傳感器融合定位以及無(wú)線(xiàn)通信輔助定位等方面，對(duì)汽車(chē)定位技術(shù)進(jìn)行了分析。最后，剖析了無(wú)人駕駛汽車(chē)環(huán)境感知與定位技術(shù)的難點(diǎn)，并展望了未來(lái)研究的發(fā)展趨勢(shì)。

關(guān)鍵詞：無(wú)人駕駛;環(huán)境感知;定位;難點(diǎn);發(fā)展趨勢(shì)

中圖分類(lèi)號(hào)：TP242.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1005-2550（ 2021） 06-0053-08 Environment Perception And Location Technology Of Driverless

Vehicles

XU Wen-xuan l， LI Wei 2

（1. College of Electrical Engineering， Chongqing University， Chongqing 400000， China;

2. College of information science and Engineering Chongqingjiaotong University，

Chongqing 400074， China）

Abstract： Environment perception and location technology is the key component ofdriverless vehicles. Based on the overall architecture of the driverless vehicle system， thispaper first introduces the principles and characteristics of various environmental sensors， andcompares the advantages and disadvantages of each technology. Then， the calibration methodof the sensor is described， and the key technologies of environment perception， such as lanedetection， obstacle detection， traffic light detection， are comprehensively discussed; Besides，from the high-precision map environment positioning， vehicle positioning， multi-sensor fusionpositioning and wireless communication aided positioning， the vehicle positioning technology isanalyzed. Finally， this paper analyses the difficulties of environmental perception and locationtechnology for driverless vehicles， and forecasts the development trend of future research.

Key Words： Driverless Vehicles; Environmental Perception; Location; Difficulties; DevelopmentTrend

1 無(wú)人駕駛汽車(chē)系統(tǒng)架構(gòu)

無(wú)人駕駛是一個(gè)軟硬件結(jié)合的復(fù)雜系統(tǒng)，主要分為感知定位、決策規(guī)劃、控制執(zhí)行三大技術(shù)模塊。感知模塊主要通過(guò)攝像頭、雷達(dá)等傳感器探測(cè)周?chē)h(huán)境，定位模塊主要包括衛(wèi)星定位、慣性導(dǎo)航定位和多傳感器融合定位。同時(shí)，新興的高精度地圖技術(shù)和V2X協(xié)同技術(shù)都為無(wú)人駕駛汽車(chē)的環(huán)境感知和定位提供了較大的幫助。規(guī)劃模塊利用傳感器探測(cè)的環(huán)境信息和定位系統(tǒng)獲得的位置信息進(jìn)行路由尋徑，規(guī)劃一條最適合的道路，以實(shí)現(xiàn)從起始地到目的地。決策模塊會(huì)接收路由尋徑產(chǎn)生的尋徑結(jié)果并決定無(wú)人汽車(chē)該如何駕駛，包括如何正常跟車(chē)、當(dāng)遇到交通標(biāo)志時(shí)怎么處理，遇到行人時(shí)如何避讓等。決策規(guī)劃是對(duì)外在的道路進(jìn)行判斷，而車(chē)內(nèi)的具體操作將由控制執(zhí)行模塊來(lái)實(shí)現(xiàn)。下圖1是一個(gè)典型無(wú)人駕駛汽車(chē)系統(tǒng)的架構(gòu)圖，對(duì)三大技術(shù)模塊進(jìn)行了詳細(xì)描述。

2 無(wú)人駕駛汽車(chē)環(huán)境感知

2.1 環(huán)境感知傳感器技術(shù)

無(wú)人駕駛汽車(chē)環(huán)境感知采用的傳感器主要有

徐文軒

重慶大學(xué)電氣工程學(xué)院，本科學(xué)歷，主要研究方向?yàn)闊o(wú)人駕駛汽車(chē)、自動(dòng)控制技術(shù)。車(chē)載攝像頭、激光雷達(dá)、毫米波雷達(dá)和超聲波雷達(dá)幾種類(lèi)型[1]，分別如下圖2所示。表1從各個(gè)傳感器的實(shí)現(xiàn)原理、優(yōu)缺點(diǎn)等方面進(jìn)行了技術(shù)比較。

2.2 環(huán)境感知關(guān)鍵技術(shù)

2.2.1 傳感器標(biāo)定

傳感器標(biāo)定是無(wú)人駕駛汽車(chē)環(huán)境感知的必要環(huán)節(jié)，也是多傳感器數(shù)據(jù)源融合的關(guān)鍵前提。其目的是進(jìn)行各種傳感器坐標(biāo)之間的轉(zhuǎn)換，將兩個(gè)或多個(gè)傳感器變換到統(tǒng)一的時(shí)間和空間坐標(biāo)系，從而實(shí)現(xiàn)多傳感器的融合。

1）攝像頭的標(biāo)定

車(chē)載攝像頭以一定的角度和位置安裝在車(chē)輛上，為了找到車(chē)載攝像頭所生成的圖像像素坐標(biāo)系的點(diǎn)坐標(biāo)與攝像機(jī)環(huán)境坐標(biāo)系中的物點(diǎn)坐標(biāo)之間的轉(zhuǎn)換關(guān)系，需要進(jìn)行攝像頭標(biāo)定，從而實(shí)現(xiàn)把攝像機(jī)采集到的環(huán)境數(shù)據(jù)與車(chē)輛行駛環(huán)境中的真實(shí)物體相對(duì)應(yīng)[3]。

車(chē)載攝像頭標(biāo)定分為單目攝像頭和雙目攝像頭的標(biāo)定兩大類(lèi)。單目攝像頭的標(biāo)定稱(chēng)為內(nèi)參數(shù)標(biāo)定，其本質(zhì)是建立圖像坐標(biāo)系中的坐標(biāo)與物體在環(huán)境坐標(biāo)系中的坐標(biāo)之間的關(guān)系。在無(wú)人駕駛汽車(chē)中，采用雙目攝像頭可以減少感知盲區(qū)，對(duì)其標(biāo)定稱(chēng)為外參數(shù)標(biāo)定，即兩個(gè)攝像頭之間需要確定它們之間的相對(duì)位置關(guān)系。

2）激光雷達(dá)的標(biāo)定

與攝像頭標(biāo)定類(lèi)似，激光雷達(dá)在使用前也要對(duì)其內(nèi)外參數(shù)進(jìn)行標(biāo)定。內(nèi)參標(biāo)定是指其內(nèi)部發(fā)射器坐標(biāo)系與雷達(dá)坐標(biāo)系兩者間的轉(zhuǎn)換關(guān)系，在出廠(chǎng)前已經(jīng)完成，可直接使用。無(wú)人駕駛汽車(chē)需要進(jìn)行的是外參數(shù)標(biāo)定，即建立起激光雷達(dá)自身坐標(biāo)系與車(chē)體坐標(biāo)系之間的關(guān)系點(diǎn)[4]。

3）攝像頭與激光雷達(dá)的聯(lián)合標(biāo)定

攝像頭與激光雷達(dá)的聯(lián)合標(biāo)定，是指通過(guò)提取標(biāo)定物在單線(xiàn)激光雷達(dá)和圖像上的對(duì)應(yīng)點(diǎn)，完成單線(xiàn)激光雷達(dá)坐標(biāo)、攝像機(jī)坐標(biāo)、圖像像素坐標(biāo)等多個(gè)傳感器坐標(biāo)的統(tǒng)一，從而實(shí)現(xiàn)激光雷達(dá)與攝像機(jī)的空間校準(zhǔn)[5]。攝像頭與激光雷達(dá)的聯(lián)合標(biāo)定問(wèn)題是當(dāng)前學(xué)術(shù)界研究的熱點(diǎn)。

2.2.2 環(huán)境感知與識(shí)別

環(huán)境感知的對(duì)象包括行駛路徑、周邊物體、駕駛環(huán)境和駕駛狀態(tài)。行駛路徑包含車(chē)道線(xiàn)、道路邊緣等，周邊物體包含了汽車(chē)周?chē)男腥?、?chē)輛以及其它可能阻礙車(chē)輛的障礙物。以下主要從車(chē)道線(xiàn)檢測(cè)、障礙物檢測(cè)、紅綠燈的檢測(cè)等角度，簡(jiǎn)述無(wú)人駕駛汽車(chē)的環(huán)境感知方式[6]。

1）車(chē)道線(xiàn)檢測(cè)

車(chē)道線(xiàn)檢測(cè)能快速、準(zhǔn)確地檢測(cè)出車(chē)道線(xiàn)，幫助車(chē)輛進(jìn)行路徑規(guī)劃和偏移預(yù)警。目前較為常見(jiàn)的檢測(cè)方案是基于傳統(tǒng)計(jì)算機(jī)視覺(jué)的檢測(cè)，近年來(lái)也興起了基于深度學(xué)習(xí)的車(chē)道線(xiàn)檢測(cè)和基于激光雷達(dá)等高精度設(shè)備的檢測(cè)方式。

傳統(tǒng)計(jì)算機(jī)視覺(jué)的車(chē)道線(xiàn)檢測(cè)：傳統(tǒng)的檢測(cè)方法是利用車(chē)道線(xiàn)顏色的不同來(lái)進(jìn)行判斷。在路面與車(chē)道線(xiàn)的交匯處顏色變化較劇烈，可以利用邊緣增強(qiáng)算子突出圖像的局部邊緣。但這種方法僅適用于道路平整、車(chē)道線(xiàn)清晰的情況，當(dāng)光照較強(qiáng)、車(chē)道線(xiàn)較為模糊時(shí)，檢測(cè)效果會(huì)大打折扣。

基于深度學(xué)習(xí)的車(chē)道線(xiàn)檢測(cè)：傳統(tǒng)的車(chē)道線(xiàn)檢測(cè)需要人工對(duì)道路場(chǎng)景進(jìn)行特征提取和模型建立。而基于深度學(xué)習(xí)的檢測(cè)方法可以把車(chē)道線(xiàn)檢測(cè)看作分割或分類(lèi)問(wèn)題，利用神經(jīng)網(wǎng)絡(luò)去代替?zhèn)鹘y(tǒng)視覺(jué)中的手動(dòng)調(diào)節(jié)濾波算子。

激光雷達(dá)融合的車(chē)道線(xiàn)檢測(cè)：激光雷達(dá)照射到不同介質(zhì)上時(shí)，其反射波強(qiáng)度也不同。因此可以通過(guò)掃描得到點(diǎn)云，通過(guò)對(duì)比反射強(qiáng)度值來(lái)區(qū)分出道路和車(chē)道線(xiàn)，但這種方法成本較高，較難得到推廣。

2）障礙物檢測(cè)

基于圖像的障礙物檢測(cè)：該方法是將得到的圖像進(jìn)行預(yù)處理，然后提取特征，如顏色、紋理、邊緣形狀等，并與已有的障礙物特征進(jìn)行對(duì)比，從而識(shí)別出障礙物。

激光雷達(dá)的障礙物檢測(cè)：激光雷達(dá)測(cè)距是通過(guò)激光發(fā)射器發(fā)射激光，遇到障礙物后，激光經(jīng)過(guò)漫反射返回部分能量，再分別進(jìn)入激光接收機(jī)，最后進(jìn)入信號(hào)處理系統(tǒng)進(jìn)行數(shù)據(jù)處理。目前基于幾何特征的聚類(lèi)算法較為常見(jiàn)，通過(guò)將數(shù)據(jù)與障礙物的幾何特征進(jìn)行對(duì)比，可實(shí)現(xiàn)對(duì)障礙物的檢測(cè)和分類(lèi)。

視覺(jué)和激光雷達(dá)融合的障礙物檢測(cè)：激光雷達(dá)和攝像頭各有優(yōu)劣，可將這兩種方法融合使用，以獲得更好的檢測(cè)效果[7]。融合方法主要分為空間融合和時(shí)間融合兩類(lèi)?？臻g融合以前向視覺(jué)系統(tǒng)為主，將激光雷達(dá)坐標(biāo)系下的測(cè)量值轉(zhuǎn)換到攝像機(jī)對(duì)應(yīng)的像素坐標(biāo)系下，即可實(shí)現(xiàn)多傳感器的空間同步;同理，時(shí)間融合需要將兩者的采樣時(shí)刻調(diào)整一致，即完成共同采樣一幀雷達(dá)與視覺(jué)融合的數(shù)據(jù)，保證了雷達(dá)數(shù)據(jù)與攝像機(jī)數(shù)據(jù)時(shí)間上的同步。

3）紅綠燈檢測(cè)

紅綠燈檢測(cè)就是獲取紅綠燈在圖像中的坐標(biāo)及其類(lèi)別。不同的檢測(cè)結(jié)果意味著不同的決策，紅綠燈的檢測(cè)狀態(tài)，決定著無(wú)人駕駛汽車(chē)的安全。

傳統(tǒng)計(jì)算機(jī)視覺(jué)的紅綠燈檢測(cè)：傳統(tǒng)的檢測(cè)步驟是將圖像從RGB轉(zhuǎn)換為CIE Lab顏色域，增強(qiáng)紅綠差距，通過(guò)候選區(qū)域檢測(cè)和候選區(qū)域驗(yàn)證后做出判斷。該方法檢測(cè)速度快，在一些簡(jiǎn)單場(chǎng)景中取得了較好效果。

基于深度學(xué)習(xí)的紅綠燈檢測(cè)：深度神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)方面都是采用了金字塔結(jié)構(gòu)，如FastRCNN、Faster RCNN，都是在最后一層卷積層進(jìn)行檢測(cè)。該方法由于采用深度學(xué)習(xí)技術(shù)，對(duì)于較小目標(biāo)的檢測(cè)效果比傳統(tǒng)方法更好。

與高精度地圖相結(jié)合：以上兩種算法只能獲取紅綠燈在圖像中的位置，而要獲得它的世界坐標(biāo)則需要結(jié)合高精度地圖。有了高精度地圖，無(wú)人駕駛汽車(chē)就可以預(yù)知紅綠燈出現(xiàn)的位置，而不是等待圖像的識(shí)別。當(dāng)無(wú)人駕駛汽車(chē)由于遮擋或算法錯(cuò)誤而無(wú)法檢測(cè)紅綠燈時(shí)，高精度地圖就能告知紅綠燈的相關(guān)信息，從而保證行車(chē)安全。

4）基于V2X的道路環(huán)境感知技術(shù)

V2X（ Vehicle-to-Everything）是將車(chē)輛與其它事物相連接的新一代通信技術(shù)。V代表車(chē)輛，X代表其它與車(chē)進(jìn)行信息交互的對(duì)象，可以是車(chē)、人、道路設(shè)施等等。V2X構(gòu)建了一個(gè)智慧的交通體系，促進(jìn)了汽車(chē)和交通服務(wù)的新模式發(fā)展，對(duì)提高交通效率起到了重要的作用。車(chē)路協(xié)同系統(tǒng)基于無(wú)線(xiàn)通信、傳感器等技術(shù)獲取車(chē)輛和道路信息，通過(guò)V2X實(shí)現(xiàn)信息交互和共享，從而實(shí)現(xiàn)了優(yōu)化道路資源、提高交通安全、緩解擁堵等目標(biāo)。這也是歐、美等交通發(fā)達(dá)國(guó)家和地區(qū)的研究熱點(diǎn)。

3 無(wú)人駕駛汽車(chē)定位技術(shù)

對(duì)無(wú)人駕駛汽車(chē)而言，準(zhǔn)確可靠地掌握汽車(chē)位置和姿態(tài)等定位信息是實(shí)現(xiàn)無(wú)人駕駛汽車(chē)導(dǎo)航功能的前提和基礎(chǔ)。無(wú)人駕駛汽車(chē)對(duì)定位技術(shù)的可靠性和安全性要求較高，對(duì)定位精度的要求達(dá)到厘米級(jí)。然而采用普通的導(dǎo)航地圖、衛(wèi)星定位很難滿(mǎn)足其需求。因此新的定位技術(shù)，如高精度地圖、多感知技術(shù)融合定位和無(wú)線(xiàn)通信輔助定位就成為無(wú)人駕駛汽車(chē)定位技術(shù)的發(fā)展趨勢(shì)。

從無(wú)人駕駛汽車(chē)定位時(shí)間應(yīng)用角度，可將定位分為基于高精度地圖的環(huán)境定位、汽車(chē)定位技術(shù)和基于無(wú)線(xiàn)通信的輔助汽車(chē)定位三大方面[8]。

3.1 高精度地圖

3.1.1 概念與作用

同普通導(dǎo)航地圖相較，高精度地圖的精度更高、數(shù)據(jù)維度更廣。普通導(dǎo)航地圖面向的是人類(lèi)駕駛員，而高精度地圖則是面向自動(dòng)駕駛系統(tǒng)。因此它需要包含更多的數(shù)據(jù)，如車(chē)道線(xiàn)類(lèi)型、寬度，護(hù)欄、標(biāo)志牌、紅綠燈等詳細(xì)信息。此外，為保證自動(dòng)駕駛的安全性，對(duì)于其靜態(tài)地圖數(shù)據(jù)要求周級(jí)或天級(jí)更新。而對(duì)于動(dòng)態(tài)數(shù)據(jù)，如路況和交通事件等信息要求實(shí)時(shí)更新。對(duì)于無(wú)人駕駛汽車(chē)而言，高精度地圖主要起輔助作用。其輔助功能體現(xiàn)在：一是當(dāng)衛(wèi)星定位不夠精確時(shí)，可以利用高精度地圖進(jìn)行修正，用以提高定位精度;二是高精度地圖的路徑規(guī)劃能力達(dá)到了車(chē)道級(jí)，它還可輔助無(wú)人駕駛汽車(chē)進(jìn)行路徑規(guī)劃。

3.1.2 高精度地圖關(guān)鍵技術(shù)

高精度地圖關(guān)鍵技術(shù)主要涉及道路元素圖像處理、激光點(diǎn)云處理、同步定位與地圖構(gòu)建，以及高精度地圖云端服務(wù)體系等四個(gè)方面。

1）道路元素圖像處理：高精度地圖的制作需要對(duì)各種道路元素，諸如交通標(biāo)志、紅綠燈、車(chē)道線(xiàn)和隔離帶等進(jìn)行識(shí)別，并標(biāo)注名稱(chēng)。在識(shí)別前，由于光線(xiàn)、雨水、車(chē)速等內(nèi)外因素影響，圖像可能會(huì)失真，因此要先進(jìn)行降噪和增強(qiáng)預(yù)處理，以提高圖片質(zhì)量。然后需要提取這些道路元素的特征，再進(jìn)行分類(lèi)和標(biāo)注。最后，便可將這些圖片輸入到深度學(xué)習(xí)的模型中進(jìn)行訓(xùn)練和識(shí)別。

2）激光點(diǎn)云處理：激光雷達(dá)獲取的原始數(shù)據(jù)以激光點(diǎn)云的形式進(jìn)行存儲(chǔ);而所采集到的數(shù)據(jù)通常包含噪聲，具有散亂、重復(fù)的特點(diǎn)。此時(shí)需要采用特征提取、配準(zhǔn)以及分割等方法來(lái)處理點(diǎn)云。特征提取可提高數(shù)據(jù)的抗噪聲能力;配準(zhǔn)可以將多個(gè)角度采集到的同一個(gè)數(shù)據(jù)進(jìn)行融合、消除誤差并統(tǒng)一到同一坐標(biāo)系下;點(diǎn)云分割可以將路燈、標(biāo)志牌的點(diǎn)云從大量雜亂無(wú)序的激光點(diǎn)云中識(shí)別出來(lái)。

3）同步定位與地圖構(gòu)造：在衛(wèi)星信號(hào)薄弱或丟失的情況下，可以依靠同步定位與地圖構(gòu)建技術(shù)（ SIAM）進(jìn)行高精度地圖的構(gòu)建以及無(wú)人駕駛汽車(chē)的定位。目前SLAM有兩種形式，以激光雷達(dá)為主的激光SLAM和以攝像頭為主的視覺(jué)SLAM。激光SLAM通過(guò)激光雷達(dá)獲取汽車(chē)周?chē)狞c(diǎn)云數(shù)據(jù)，能精確地測(cè)出周?chē)矬w的角度和距離;視覺(jué)SLAM采集的圖像信息要比激光雷達(dá)的信息更豐富，更利于后期的處理。

4）高精度地圖云端服務(wù)體系：空中下載技術(shù)（ OTA）能夠?qū)崿F(xiàn)高精度地圖的云端更新。它通過(guò)收集終端采集的數(shù)據(jù)，包括汽車(chē)狀態(tài)、道路情況、路面標(biāo)注等數(shù)據(jù)加以處理并發(fā)布，從而提升高精度地圖的準(zhǔn)確度和鮮度。

3.1.3 高精度地圖的解決方案

其解決方案主要包括高精度地圖的采集、制作與編譯、質(zhì)量控制與發(fā)布等步驟。

目前高精度地圖主要采用激光雷達(dá)、攝像頭、IMU（慣性測(cè)量單元）、輪測(cè)距儀的組合進(jìn)行數(shù)據(jù)采集。其中，激光雷達(dá)和攝像頭用于獲取采集車(chē)周?chē)沫h(huán)境數(shù)據(jù)，IMU和輪測(cè)距儀用于獲取采集車(chē)的絕對(duì)位置;傳感器所采集到的環(huán)境數(shù)據(jù)可分為激光點(diǎn)云和圖像兩大類(lèi)。由于自動(dòng)識(shí)別可能存在誤差和錯(cuò)誤，需要進(jìn)一步實(shí)施車(chē)道線(xiàn)識(shí)別是否正確、標(biāo)志牌以及紅綠燈的邏輯是否合理等人工驗(yàn)證。最后還需要進(jìn)行編譯，即規(guī)定了對(duì)地圖統(tǒng)一的表述;當(dāng)上述理論操作執(zhí)行完后，還需要設(shè)計(jì)高效的評(píng)估標(biāo)注及測(cè)試標(biāo)準(zhǔn)來(lái)檢驗(yàn)高精度地圖的質(zhì)量。

3.2 定位技術(shù)

定位技術(shù)是在汽車(chē)自動(dòng)駕駛過(guò)程中確定其具體所在位置的一項(xiàng)重要技術(shù)。汽車(chē)定位主要包括衛(wèi)星定位、慣性導(dǎo)航定位、地圖匹配定位和多傳感器融合定位等技術(shù)，分別見(jiàn)下圖4。不同的定位方法獲取汽車(chē)的位置信息方式有所不同，所涉及到的多種傳感器類(lèi)型及其相關(guān)技術(shù)，具體的功能、原理和分類(lèi)對(duì)比如下表2所示：

3.3 多傳感器融合定位技術(shù)

汽車(chē)在實(shí)際行駛中，采用衛(wèi)星定位和慣性導(dǎo)航定位都有各自的缺點(diǎn)。比如，衛(wèi)星定位信號(hào)會(huì)因隧道、建筑群的遮擋而中斷。而慣性導(dǎo)航定位雖然在短時(shí)間內(nèi)可以提供連續(xù)的、精度較高的汽車(chē)位置、速度和航線(xiàn)信息，但其定位誤差會(huì)隨著時(shí)間的積累而持續(xù)增加。鑒于多種傳感器技術(shù)各具有不同的優(yōu)、劣勢(shì)，尚不存在某單一傳感器可以滿(mǎn)足所有工況需求的方案。因此，可考慮將多傳感器進(jìn)行數(shù)據(jù)融合，這樣就可大幅提高汽車(chē)定位精度。

目前，可以從衛(wèi)星導(dǎo)航GPS定位，慣性導(dǎo)航定位，航位推算系統(tǒng)定位等方式中獲取多源定位信息。再利用深度神經(jīng)網(wǎng)絡(luò)或擴(kuò)展卡爾曼濾波等方式實(shí)現(xiàn)多源信息的融合定位。如下圖5所示。

特別地，衛(wèi)星定位與慣導(dǎo)融合的低成本、高精度、高可靠定位傳感器是實(shí)現(xiàn)厘米級(jí)定位的重要手段。其中，基于差分GPS+慣性導(dǎo)航IMU的組合是最為常見(jiàn)的定位方法，其精度為米級(jí)。對(duì)于低精度的定位要求，差分GPS+慣性導(dǎo)航IMU可謂是一對(duì)黃金組合：在GPS信號(hào)良好時(shí)，GPS起主導(dǎo)作用。當(dāng)GPS信號(hào)暫時(shí)中斷（例如隧道環(huán)境），慣性導(dǎo)航則可在短時(shí)間依靠航位推算繼續(xù)提供較高精度的定位。但是，對(duì)于自動(dòng)駕駛車(chē)輛來(lái)說(shuō)，這樣的定位精度顯然不夠。于是在差分GPS+IMU的基礎(chǔ)上，使用激光雷達(dá)或者雙目視覺(jué)進(jìn)行地圖匹配，獲取當(dāng)前車(chē)輛在高精地圖中的局部具體位置，此時(shí)定位精度則可達(dá)到更為精確的厘米級(jí)。

4 環(huán)境感知與定位技術(shù)難點(diǎn)與發(fā)展趨勢(shì)

4.1 面臨的問(wèn)題

1）深度學(xué)習(xí)對(duì)無(wú)人駕駛環(huán)境的感知存在局限性。

深度學(xué)習(xí)是當(dāng)前新興起的人工智能技術(shù)之一，被認(rèn)為是解決無(wú)人駕駛環(huán)境感知的一種有效方案。但它仍然面臨著巨大的挑戰(zhàn)，大量的問(wèn)題亟待解決，現(xiàn)有的算法仍需提高。目前深度學(xué)習(xí)存在三大局限：一是需要海量樣本數(shù)據(jù)，二是標(biāo)準(zhǔn)測(cè)試集外難以取得較好的效果，三是對(duì)數(shù)據(jù)微小變化過(guò)于敏感。后兩點(diǎn)局限可以認(rèn)為是第一點(diǎn)中樣本“不夠”導(dǎo)致的結(jié)果。在某些背景和主體相互關(guān)系比較穩(wěn)定的場(chǎng)景，深度學(xué)習(xí)會(huì)有較好的效果，比如醫(yī)療影像，器官相對(duì)位置總是固定的。但交通場(chǎng)景卻不符合這個(gè)條件，很難達(dá)到較好的效果。真實(shí)世界的圖像都是組合的。對(duì)應(yīng)現(xiàn)實(shí)場(chǎng)景，尤其是我國(guó)交通狀況中路況較為復(fù)雜，吊車(chē)、摩托車(chē)，像鄉(xiāng)村小路牲禽亂竄，卡車(chē)?yán)瓨?shù)等是我們生活中經(jīng)常遇到的現(xiàn)象。這些樣本永遠(yuǎn)都是不夠的，現(xiàn)實(shí)交通場(chǎng)景中不同元素會(huì)出現(xiàn)無(wú)數(shù)種組合的可能。上述深度學(xué)習(xí)的三個(gè)局限究其根源，均是來(lái)源于它的關(guān)鍵能力缺失，即無(wú)法有效應(yīng)對(duì)“組合爆炸”的問(wèn)題。以上場(chǎng)景對(duì)機(jī)器視覺(jué)是一個(gè)難題，提高在復(fù)雜情況下的感知精度是對(duì)無(wú)人駕駛汽車(chē)研究的挑戰(zhàn)。

同時(shí)，雖然基于深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺(jué)技術(shù)在無(wú)人駕駛汽車(chē)任務(wù)中取得了巨大的成功，但對(duì)視頻的分析能力卻相對(duì)薄弱。因?yàn)闊o(wú)人駕駛汽車(chē)面對(duì)的通常是視頻流，而不是單個(gè)的靜態(tài)圖像。分析視頻的深度學(xué)習(xí)算法，通常是從圖像領(lǐng)域直接遷移過(guò)來(lái)的，缺乏時(shí)序性的有效描述，還未能形成獨(dú)立的科學(xué)問(wèn)題。

2）環(huán)境感知能力直接決定無(wú)人駕駛汽車(chē)智能化的水平。

目前的傳感器技術(shù)及布置方案可以保證在特定工況下實(shí)現(xiàn)有效的感知，但是對(duì)于復(fù)雜交通環(huán)境以及雨雪極端天氣、光照、噪聲強(qiáng)干擾環(huán)境，感知與信息融合的準(zhǔn)確性難以得到有效保證，其魯棒性有待加強(qiáng);與此同時(shí)，涉及到汽車(chē)安全方面的控制系統(tǒng)，需要感知系統(tǒng)提供快速更新的感知融合信息，先進(jìn)信息融合算法的快速實(shí)現(xiàn)仍然是亟待解決的問(wèn)題。

3）當(dāng)汽車(chē)在高速行駛、密集場(chǎng)景和立交橋高低位置時(shí)，無(wú)人駕駛定位技術(shù)存在著需要解決的難題。

首先，室外告訴行駛的車(chē)輛可依靠GPS或北斗定位，移動(dòng)站通過(guò)對(duì)所采集到的衛(wèi)星數(shù)據(jù)和接收到的數(shù)據(jù)鏈進(jìn)行實(shí)時(shí)載波相位差分處理，其歷時(shí)不到一秒，得出厘米級(jí)的定位結(jié)果。車(chē)輛速度達(dá)到120km/h后，每秒移動(dòng)33米，加之CPS的數(shù)據(jù)傳輸時(shí)延較高，需要車(chē)載專(zhuān)用短程通信以及V2X等技術(shù)車(chē)路協(xié)同，這才能支持無(wú)人駕駛的安全需要。

其次，對(duì)于大型地下停車(chē)場(chǎng)等車(chē)輛聚集密集場(chǎng)景，眾多車(chē)輛進(jìn)出停車(chē)場(chǎng)，需要對(duì)所有車(chē)輛實(shí)時(shí)定位和路徑規(guī)劃調(diào)度導(dǎo)航，才能保證有序。此時(shí)沒(méi)有GPS或北斗信號(hào)，WIFI/BLE等定位技術(shù)適合尋車(chē)等簡(jiǎn)單業(yè)務(wù)，傳統(tǒng)UWB定位系統(tǒng)無(wú)法適應(yīng)大量車(chē)輛的定位精度及服務(wù)器位置信息處理導(dǎo)致的時(shí)延，因此無(wú)人駕駛依然有較大的缺陷與隱患。

最后，對(duì)于立交橋、涵洞、隧道等場(chǎng)景，由于無(wú)法收到GPS或北斗信號(hào)，且在某些場(chǎng)景下，如立交橋需要定位區(qū)分上下層，現(xiàn)有技術(shù)難以滿(mǎn)足這樣的精度需求，無(wú)法對(duì)車(chē)輛定位，需要其它方式的定位手段，尤其是需要無(wú)盲區(qū)定位，以確保車(chē)輛平滑穩(wěn)定的自動(dòng)行駛。

4.2 展望

1）“幾何深度學(xué)習(xí)”的出現(xiàn)為汽車(chē)無(wú)人駕駛環(huán)境感知提供了更為廣闊的前景。

隨著深度學(xué)習(xí)的發(fā)展，人們并不僅滿(mǎn)足于深度學(xué)習(xí)應(yīng)用于傳統(tǒng)的圖像處理，而是更進(jìn)一步地對(duì)空間點(diǎn)云、曲面和網(wǎng)絡(luò)等幾何對(duì)象應(yīng)用深度學(xué)習(xí)算法，將這一領(lǐng)域稱(chēng)為“幾何深度學(xué)習(xí)”。研究者在不規(guī)則的非歐氏數(shù)據(jù)集上對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擴(kuò)展，這便有了圖卷積神經(jīng)網(wǎng)絡(luò)、PointNet等新技術(shù)的出現(xiàn)。這些新技術(shù)的出現(xiàn)拓展了神經(jīng)網(wǎng)絡(luò)在智能駕駛感知環(huán)境中的應(yīng)用。

2）視覺(jué)識(shí)別和激光雷達(dá)將逐漸成為感知技術(shù)的核心。

在實(shí)際駕駛過(guò)程中，駕駛員獲取的絕大部分信息來(lái)自于視覺(jué)。攝像頭擁有十分豐富的線(xiàn)性密度，其數(shù)據(jù)量遠(yuǎn)超其他類(lèi)型的傳感器?；趫D像信息密度最高的優(yōu)勢(shì)，使得視頻視覺(jué)識(shí)別處于整個(gè)感知融合的中心地位。而攝像頭需要識(shí)別和估算的目標(biāo)復(fù)雜繁多，這使得基于目標(biāo)監(jiān)測(cè)與識(shí)別的學(xué)習(xí)算法的優(yōu)化研究成為必然趨勢(shì)。另外，激光雷達(dá)相對(duì)于毫米波雷達(dá)等其他傳感器具有識(shí)別效果好、分辨率高等優(yōu)勢(shì)，已逐步發(fā)展成為主流的自動(dòng)駕駛汽車(chē)用傳感器。目前，激光雷達(dá)正在向著小型化、低成本的固態(tài)掃描或機(jī)械固態(tài)混合掃描形式發(fā)展。

3）基于多傳感器信息融合的環(huán)境感知技術(shù)可以發(fā)揮各傳感器的優(yōu)勢(shì)，使采集的信息有一定的冗余度。

在提高系統(tǒng)容錯(cuò)率的同時(shí)，也能夠精確感知和精準(zhǔn)定位，以保證決策的快速性和準(zhǔn)確性，這是目前的研究熱點(diǎn)，也是無(wú)人駕駛汽車(chē)的必然趨勢(shì)。與此同時(shí)，智能駕駛汽車(chē)通過(guò)攝像頭、雷達(dá)、定位導(dǎo)航系統(tǒng)等獲取環(huán)境信息，其數(shù)據(jù)形式包括圖像，視頻和點(diǎn)云等。如何有效地挖掘利用這些感知數(shù)據(jù)，摒棄與無(wú)人駕駛無(wú)關(guān)的冗余信息，抽取并融合對(duì)無(wú)人駕駛有用的信息，正確指導(dǎo)車(chē)輛的駕駛，這也是無(wú)人駕駛車(chē)輛的環(huán)境感知與定位的核心問(wèn)題和今后的發(fā)展方向。此外，多傳感器的融合其實(shí)是商業(yè)化自動(dòng)駕駛達(dá)到高可靠性的必由之路。多傳感器融合如何同時(shí)在車(chē)載系統(tǒng)和路側(cè)系統(tǒng)實(shí)現(xiàn)，更是未來(lái)值得研究的關(guān)鍵問(wèn)題之一。

4）融合北斗衛(wèi)星和路側(cè)設(shè)施的高精度高可靠定位逐漸將成為主流。

普通導(dǎo)航地圖的精度低，沒(méi)有反映道路的細(xì)節(jié)信息，無(wú)法準(zhǔn)確獲取車(chē)輛所在位置。而高精度地圖的絕對(duì)精度要求優(yōu)于Im，包括車(chē)道、車(chē)道限制信息、車(chē)道中心線(xiàn)等豐富的信息。隨著智能交通和自動(dòng)駕駛領(lǐng)域的飛速發(fā)展，現(xiàn)有的普通導(dǎo)航地圖在精度和完整性等方面都不能滿(mǎn)足車(chē)路協(xié)同自動(dòng)駕駛的應(yīng)用需求。而北斗衛(wèi)星導(dǎo)航系統(tǒng)可在全球部分范圍內(nèi)全天候、全天時(shí)為用戶(hù)提供高精度、高可靠定位、導(dǎo)航、授時(shí)服務(wù)，并可進(jìn)行短報(bào)文通信。因此，未來(lái)將融合北斗衛(wèi)星和路側(cè)設(shè)施，構(gòu)建車(chē)路協(xié)同自動(dòng)駕駛高精度地圖。

5）人機(jī)協(xié)同共駕技術(shù)尚處于研究階段，如何考慮人機(jī)耦合與駕駛環(huán)境的復(fù)雜性、駕駛員駕駛習(xí)性與行為不確定性，是人機(jī)共駕面臨的挑戰(zhàn)性問(wèn)題。

對(duì)人機(jī)協(xié)同共駕研究剛剛起步，除了車(chē)輛運(yùn)動(dòng)控制系統(tǒng)之間存在協(xié)同問(wèn)題，駕駛員與車(chē)輛之間也存在交互與協(xié)同，人機(jī)協(xié)同的實(shí)現(xiàn)難度大，需要進(jìn)一步協(xié)調(diào)人機(jī)混合駕駛決策控制系統(tǒng)和人類(lèi)駕駛員的權(quán)重，形成人機(jī)動(dòng)態(tài)交互，從而實(shí)現(xiàn)駕駛員和控制系統(tǒng)的駕駛權(quán)最優(yōu)化分配和切換操縱。因此，結(jié)合人類(lèi)智能與機(jī)器智能各自?xún)?yōu)勢(shì)，采用人機(jī)智能混合增強(qiáng)技術(shù)，可進(jìn)一步促進(jìn)汽車(chē)智能化的發(fā)展，這也是未來(lái)無(wú)人駕駛汽車(chē)的發(fā)展趨勢(shì)。

參考文獻(xiàn)：

[1]王建，徐國(guó)艷，陳競(jìng)凱，馮宗保著，自動(dòng)駕駛技術(shù)概論[M].北京：清華大學(xué)出版社，2019.

[2]趙爽.汽車(chē)毫米波防撞雷達(dá)的研究與實(shí)現(xiàn)[D].長(zhǎng)春：長(zhǎng)春理工大學(xué)，2013.

[3]王世峰，戴祥，徐寧，張鵬飛.無(wú)人駕駛汽車(chē)環(huán)境感知技術(shù)綜述[J]長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，40 （1）：1-6.

[4]諶形童.三維激光雷達(dá)在自主車(chē)環(huán)境感知中的應(yīng)用研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2011.

[5]葉春蘭，基于圖像顏色與激光點(diǎn)云信息的智能車(chē)輛行駛環(huán)境三維重建[D].北京：北京理工大學(xué)，2013.

[6]甄先通，黃堅(jiān)，王亮，夏添著，自動(dòng)駕駛汽車(chē)環(huán)境感知[M].北京：清華大學(xué)出版社，2020.

[7]唐智威，基于視覺(jué)的無(wú)人駕駛汽車(chē)研究綜述[J]制造業(yè)自動(dòng)化，2016，38 （8）：134-140.

[8]李曉歡，楊晴虹，宋適宇，馬常杰著.自動(dòng)駕駛汽車(chē)定位技術(shù)[M].北京：清華大學(xué)出版社，2020.

基金項(xiàng)目：重慶大學(xué)大學(xué)生科研訓(xùn)練計(jì)劃項(xiàng)目（CQU-SRTP-2019318）