无人车涉及的核心技术​浅谈_“智能无人驾驶技术”现在发展到什么阶段了？

一、“智能无人驾驶技术”现在发展到什么阶段了？

到目前为止，无人车发展可以分为三个阶段。

阶段一：UGV 军方背景时代：2001 - 2007

2001年，因为战争中的大量伤亡，美国国防部出台法案：到2015年，美军1/3的地面作战车辆必须为无人驾驶。 (Section 220 of the FY2001 defense authorization act)。 自此，DARPA （美国的国防科工委）成为无人车辆科研的先驱。当时无人车的英文名称为Unmanned-Ground Vehicle (UGV) 一听就充满了军事的味道。

2004年，为促进无人车发展，DARPA组织了第一届无人车拉力挑战赛Grand Challenge，赛程穿越加州到内华达沙漠，全程150英里。参赛队伍包括斯坦福，卡内基梅隆大学等顶尖高校，然而，没有一个参赛队完成比赛。就连表现最好的卡内基梅隆队，也只是行驶了约7.3英里。

2005年，仅仅1年之后，由我导师的导师Sebastian Thrun领军的斯坦福大学队Stanley就完成了拉力赛全部路程，并夺得第一名。卡内基梅隆大学屈居第二。

（我和无人车技术先驱Sebastian）

今天我想就无人车的核心技术谈一谈我的看法和认识。

二、无人车涉及的核心技术

无人车是一个非常完备的系统，从技术上，可以分为以下几个模块：

1、perception Perception指的是无人车如何能够识别周边的环境，例如街道范围，信号灯、路标等，知道应该停止还是 前进。如果交通标志非常清晰、易读，那么无人车相对比较好识别。

但难点在于，如何识别模糊的标志呢？

比如，芝加哥一到冬天，风就特别大，还飘着雪花，能把整个stop sign全都遮盖掉。驾驶员都难以分辨那 是个stop sign还是别的标志。那在这种极端情况下，无人车如何能够正确安全的驾驶？ 这里主要用到的技术就是computer vision，machine learning等技术。随着深度学习的技术的普及和 深入，Perception 这几年有了很大的进展，整个路标、路况识别的准确率有了质的提高。这为无人车安全 行驶提供了非常坚实的基础。但Andrew Ng在一次硅谷的论坛上透露，目前无人车还无法精确识别小范围动作，例如手指头指挥车辆前进还是后退。

2、sensor fusion & localization不管是激光、声纳还是雷达传感器、传回来的信号都是带有大量的noise和不确定性的。如何过滤这些无用 信息，将客观世界进行3D甚至4D还原，就是sensor fusion和localization的这一步。

那么，如何在有大量noise的、不确定的情况下，去定位车的位置呢？

比较常用的方法有Particle Filter、 Kalman Filter等等。 从硬件的角度讲，前些年，无人车主要使用雷达或者声纳作为传感器，但最近比较流行的是LIDAR(light detection and ranging)系统，就是用激光束在不同的时间和空间进行照射，获取信息。 激光的好处非常多，比如穿透率高、速度快、准确率高。但激光系统普遍成本较高。如果无人车要量产的 话，激光系统昂贵的造价是一个阻碍。 那么LIDAR系统具体怎么运作呢？ 激光束打到物体上，形成反射的信号，系统通过信号的距离和深度，形成一个个的数据点。

第一步，clustering。把点的外形和profile定义出来；

第二步，用机器学习做classification，识别该物体到底是灌木丛、砖块还是人；

第三步，modeling和prediction。理解和预测该物体的运动形态、速度和不确定性。 通过这些步骤，对外界环境进行3D或者4D的还原。

3、motion planning and decision making Motion planning和decision making就是无人车的大脑，也是我博士期间主要的一个研究方向。

这一步就是在sensor fusion做完之后，在不确定的、动态的环境下，如何让无人车做出正确的判断和计划。比如 从A和B点，全程100公里，如何确定远程、中程和近程计划？

Motion Planning & Decision Making的难点主要在两点： 第一，运算量非常大，search space指数型增长。

举一个简单的例子，一个10个关节的机器臂，每个关节都有180度的活动空间，如果每一度都是一个自由度的，那这个复杂度呈指数级增长的，高达180的10次方。从无人车实践的角度讲，这个复杂度会比机器 臂高很多, 尤其是在不确定未知环境下。

第二，不确定的因素很多，整个motion planning和搜索出来的结果，要不断随着你的信息的变化而变 化。 比如，在战场上，某个作战车辆要通过某个桥，按照GPS信号和地图，这个桥是完好无损的，但车辆开到 该地点的时候，发现桥被炸掉了，这时就需要快速的更新计划。

或者，在高速上，无人车沿着一个车道行驶，突然发现有一头鹿横穿马路。这时候，如何在毫秒级别的时 间里，把之前规划的路线和速度，进行最安全的调整。这是一个非常艰巨的也是非常关键的技术。

这里用到的主要技术有Incremental Search-Based algorithm，sampling based planning algorithm等等。

Incremental search based algorithm。在motion planning领域，主要指的就是如A*，D*，D* Lite， MT-D* Lite等算法。我和我导师之前在研究的moving target D* Lite，也属于这一部分。这一算法就是解决在未知、不确定、动态的环境下，如何从A点到达B点。从实现上，就是通过新的信息，更新search space，在更短的时间里，维持那些不需要更改的信息和计划，只是局部的把那些危害到生命健康的计划进 行修改。

Sampling based planning algorithm（RRT sacrifice of optimality）。简单来讲，这种算法就是通 过抽样，把比较复杂的search space进行简化，加快搜索和运算的速度。但是这个算法的问题是会牺牲最 优性。 这两种search都在不同的系统有应用。 这里举一个例子，讲一讲motion planning真正在现实中的应用。无人车过去10年的应用主要在军方和航天上，比如说火星探测器。

对于火星探测器来说，motion planning的算法面临着两个大问题： 第一个是power of computing，要节能。在当时，节能这么重要主要是因为火星探测器的太阳能板功能 比较弱。当时只有在阳光垂直照射，偏差不超过十几度的情况下，火星探测器有足够的功率前进。

所以， 不可能把所有功率放在CPU上去运算路径，这个算法必须非常节能。 另一个是efficiency，运算要快。火星地面不比城市路面，如果每次遇到什么情况的时候，比如有个坑、 大石头之类的，火星车都要停下来，运算完了再走，那这个火星车运行效率就太低了。 为了解决这两个问题，motion planning的算法也有了长足的进步。（NASA的火星探测器用的就是我导师写的D* Lite的优化变种，加拿大宇航局的系统里也在使用过我和我导师研发的D* Lite, GAA* 的优化版 本）

4、Control 和System Integration 如何在一个复杂的系统里，把各个元器件集成起来，能够和谐的工作，沿着规划的路线、速度等进行安全的行驶。