无人驾驶技术两大派系 - 自动驾驶技术有哪些

　　无人驾驶技术实现上有两大派系

　　无人驾驶的实现路径大概有两大派系，一派是以谷歌为主的互联网公司，一派以特斯拉为首的汽车制造商。

　　谷歌的蓝图是无人车完全取代人来驾驶，把无人车看成机器人，所以没有方向盘、油门和刹车。

　　谷歌无人车顶上是约8万美元的64线激光雷达（Lidar）。它在高速旋转时发射激光测量与周边物体的距离，再根据距离数据描绘出精细的 3D 地形图，并跟高分辨率地图数据相结合建模，帮计算机做决策。

　

　　由此可知，这条技术路线的关键是对周围环境的模拟和3D地图数据，而谷歌在这方面有深厚的积累。

　　而特斯拉的计划是从机器辅助驾驶进化到完全自动驾驶。所以技术上逐步实现自动刹车、定速巡航、自适应巡航等，最终完全自动驾驶。

　　

　　特斯拉 Model S主要是靠摄像头结合计算机视觉，特斯拉辅助驾驶使用的硬件包括前置摄像头、前置雷达（相对廉价的毫米波雷达）、12个超声波传感器，目前没有使用高精度地图。

　　简单的说前者（Google无人车）更重定位，是高精度定位+高精度地图+识别，偏机器人的方案，后者更重视识别（低精度定位+低精度地图+高准确率识别），后者接近于人开车，人开车不需要高精度地图。

　　那么自动驾驶汽车涉及哪些技术呢，下面是一部分通用的技术：

　　训练一个自动驾驶的决策模型

　　行为决策是指根据路网信息、获取的交通环境信息和自身行驶状态，产生遵守交通规则的驾驶决策的过程。学术界的一个解决方案是用现在很火的深度学习，来实现模仿性学习（Behavioral Cloning），但是可靠性上可能有问题，实际应用中还是会有大量的规则等方式。

　　

　　识别并躲避障碍物

　　这个问题的解决方案是传感器融合算法，利用多个传感器所获取的关于环境全面的信息，通过融合算法来实现障碍物识别与跟踪和躲避。

　　根据周边信息，在地图上定位车俩

　　在地图上定位汽车，这一块实现的差异很大。由于民用GPS误差过大，不能直接用于无人驾驶。

　　有一类定位是通过激光雷达使周围物体和自车的距离的精度达到厘米级，配合三维地图数据可以将车辆定位至几厘米～ 十几厘米的程度

　　还有一类通过还计算机视觉的方案来定位，也就是（SLAM）。

　　从相机中识别行人

　　从相机中识别行人是一个计算机视觉问题，需要利用摄像机识别出物体（在这里是人），其实是个。

　

　　车道识别

　　车道识别也是计算机视觉问题，有道路线检测算法。简单的方法有颜色选择，切图（ROI， region of interest selection），灰度处理，高斯模糊，边缘检测和霍夫变换直线检测。如果能够识别一张图片中的道路线，那么对于行驶中的车辆上摄像头实时采集的图像也可以实时分析。

　　高级的道路线检测需要计算相机校准矩阵和失真系数对原始图像的失真进行校正；使用图像处理方法，将图像进行二值化处理；应用透视变换来纠正二值化图像（“鸟瞰视图”）；检测车道并查找确定车道的曲率和相对于中心的车辆位置；将检测到的车道边界扭曲回原始图像；可视化车道，输出车道曲率和车辆位置。

　　交通标志识别

　　无人车也是要懂得交通规则的，所以识别交通标志并根据标志的指示执行不同指令也非常重要。这也是个计算机视觉问题，可以用深度学习（卷积神经网络）的方法来完成。

　　

　　车辆的自适应巡航控制

　　车辆的自适应巡航控制（ACC）是在定速巡航控制的基础上，通过距离传感器实时测量本车与前车的距离和相对速度，计算出合适的油门或刹车的控制量，并进行自动调节，这一块有不少成熟的方案。

　

　　让汽车在预定轨迹上运动

　　让汽车在预定轨迹上运动是一个机器控制和规划问题，比如在躲避突发障碍之后动态路线规划。

　　当然解决了上面问题，不代表就能造出无人车，造无人车是个系统工程，需要软件和硬件层面的积累