汽車自動駕駛關鍵技術分析

王涔宇，張平

汽車自動駕駛關鍵技術分析

王涔宇，張平*

（長安大學 汽車學院，陜西 西安 710064）

自動駕駛領域主要涉及感知、決策和執行三大技術方面。文章以提高公眾對自動駕駛技術的了解為目的，就智能汽車如何實現自動駕駛和自動駕駛關鍵技術進行分析和探討，期望給同行以參考。

自動駕駛；環境感知；行駛決策；車輛控制

前言

隨著我國社會經濟快速發展，國民的生活水平顯著提升，對汽車的需求逐年激增。據公安部統計，2020年中國汽車保有量達2.81億輛，并且有望于2021年超越美國成為世界第一大汽車市場。各大車企對于中國市場的競爭愈加激烈，呈現了電動化、網聯化、智能化、共享化的“新四化”發展趨勢，“互聯網+汽車”模式逐漸興起，智能汽車受到廣泛關注。可以預見，未來的一段時間內，智能化將是汽車行業發展的著力點和風向標。本文就智能汽車中如何實現自動駕駛和自動駕駛關鍵技術進行分析，旨在提高公眾對自動駕駛技術的了解。有關研究表明，自動駕駛汽車能有效地緩解交通擁堵、提高交通安全、改善交通污染，在物流、貨運、公共交通和軍事等領域得到了廣泛應用[1-2]。

1 汽車自動駕駛的原理及分類

1.1 汽車自動駕駛的原理

汽車自動駕駛主要由感知、決策、執行三大方面組成。汽車在行駛過程中可以通過車載傳感器感知外界的行駛環境，對采集的信息傳輸到車載終端進行分析決策，以選擇出最佳行駛方案，最后執行并實現自動駕駛，從而達到解放駕駛員大腦和四肢的目的。

1.2 汽車自動駕駛的分類

目前國際上尚無統一的智能汽車等級劃分標準，主要采用美國汽車工程師協會（SAE）的分級方法，通過劃分6個等級（L0—L5，如圖1所示），來描述自動駕駛技術的發展階段。目前，現有技術主要停留在L3階段。

簡而言之，L1—L2級別的自動駕駛更像是一個“輔助助手”，所有的駕駛動作必須由司機來完成，助手只能在某些特定場合進行提示和輔助，并不能直接進行操控汽車的動作。

圖1 汽車自動駕駛分級示意圖

而L3及以上的自動駕駛就已經可以脫離人類駕駛員的操作，自動駕駛系統也可以正式接手駕駛員的職責，其中L3級別的自動駕駛，人只需要在特定情況下介入，而L4—L5相對來說不需要人來介入，汽車可以實現高度的自動化駕駛。分類的依據主要取決于車輛運行的路況和環境。

2 汽車自動駕駛關鍵技術

汽車自動駕駛代替人工駕駛最重要的三個問題是“如何看”“干什么”和“怎么干”。其中“如何看”就是指如何實現對行駛環境的感知，而“干什么”和“怎么干”就是指如何進行運行決策及車輛控制。如何解決這三大問題是汽車行駛感知、決策和執行的關鍵。

2.1 駕駛環境感知技術

車輛對環境的感知是自動駕駛能夠實現的前提，只有準確的環境數據才能為系統決策和執行提供保障。目前，具備自動駕駛的車輛主要通過視覺類傳感器和車載雷達傳感器協同實現環境感知。視覺類傳感器運用極為廣泛且取得了較為豐富的研究成果[3]，其成本低廉且信息量大，但獲取中易出現較多冗余數據，需要相對復雜的計算方法，且要有實時性高和魯棒性強的檢測與識別算法作為支撐。除此以外，天氣、光照和復雜場景等非確定性因素變化，都會對識別結果產生影響，算法需要具有較高的環境適應性[4]。

車載雷達進行的激光探測和測距也是感知不可或缺的部分。通過激光光束可以勘測車輛所處環境的物理景深情況，精確度高，可以精確到厘米甚至毫米級別。但是雷達系統的成本相對較高，且信息量不大，往往需要多個雷達協同感知。作為激光雷達的替代產品，毫米波雷達也能實現特定功能的環境感知。短程毫米波雷達針對車輛后部汽車盲點、輔助變道等局部感知有較好的效果；中程毫米波主要用來檢測前車速度，可以進行緊急避障的感知；長程毫米波的分辨率遠超前兩種，可以用于最終確定行駛方向[5]。

超聲波傳感器也是一種自動駕駛感知方面的重要傳感器，它主要利用了超聲波的特性，經過聲電信號轉換和放大，相較于激光雷達具備更好的經濟性和美觀度。在特定工況下，如自動泊車、緊急避險，可以通過超聲波傳感器獲取在狹小空間中的位置信息，掌握車輛與物體之間的距離。目前超聲波傳感器國外發展較為先進，國內仍有較大創新開發空間。

2.2 車輛行駛決策技術

自動駕駛中，決策系統起到了車輛運行的決定性作用。其中，自動駕駛的決策系統主要分為風險評估、軌跡規劃及駕駛行為決策等。風險評估是對自車的失穩、失控，以及與其他交通參與者的碰撞風險可能性評估，是保證行車安全的重要環節。軌跡規劃是在具有動態交通和靜態障礙物的環境中，按照一定的評價標準和駕駛目標，生成從車流起始狀態到目標狀態的無碰撞路徑。軌跡規劃也是自動駕駛汽車的核心技術之一，根據原理可以將軌跡規劃方法大致分為三個類別，即：基于特定函數表達式的軌跡規劃；基于搜索算法的軌跡規劃；基于優化算法的軌跡規劃。駕駛行為決策是智能系統在一個連續的時間序列上，根據當前車輛狀態合理地選擇操縱行為，實現最終駕駛目標。

決策系統也有很多成熟的模型。在常規工況下，有跟車模型、制動模型、路口會車模型等。在異常狀態下，也有緊急避撞決策模型、突發狀況干預模型等。借助成熟的模型能夠有效降低系統在常規工況下的計算量，使得自動駕駛向經濟化、普及化迅猛發展。

目前，深度學習算法和預測模型也取得了很大的進展。通過人工智能分析駕駛人的駕駛操作特征和突發狀況的緊急應對措施，對未來的行車決策和控制做出相應的改進。可以預想，在未來深度學習收集到了大量的駕駛信息數據，人工智能將成為自動駕駛最好的助推劑，使高度自動化駕駛成為可能。

2.3 車輛控制執行系統

車輛運動控制是實現自動駕駛的關鍵，控制執行系統主要是通過控制車輛油門、制動、轉向等機構，在滿足運行條件的前提下使得實際車輛運行軌跡收斂于車輛決策規劃的期望路徑[6]。自動駕駛車輛的控制主要由硬件控制系統和軟件控制系統組成。

硬件控制系統主要是控制汽車底層機械元件，實現加速、制動、轉向等行為。硬件控制需要保證各個硬件系統合理地運行在軟件控制系統所計算好的最佳設定值上，以滿足車輛能運行在其最優的工況下。在底層控制中，數據的傳輸與反饋尤為重要，龐大的感知數據、強大的計算力、更少的“遲滯時間”才能使車輛流暢地運行在預定工況下。相較于傳統燃油汽車控制反饋耗時更長，電動汽車具備更直接的動力輸出，在自動駕駛方面具備更大的優勢。

軟件控制系統主要依靠強大的計算力實現算法搜索、路徑規劃與導航等功能。軟件控制系統整合了環境感知采集的數據，調用決策系統的模型，通過車輛控制算法形成控制指令，下達給硬件控制系統完成對車輛的運行控制。軟件控制系統實現了自動駕駛從數據到運動的轉變，是自動駕駛不可或缺的部分。

典型的車輛控制算法對比與評價列于表1中。

表1 車輛控制算法對比與評價

車輛控制算法控制算法特點控制效果評價 PID控制簡單、易于實施一般方法簡易，魯棒性較差 最優控制計算機優化控制，使目標在某種條件下最優化一般對于非線性處理和數值計算存在不足 自適應控制參數可自適應調節，能夠在線辨識，使模型越來越準確較好算法魯棒性較好，主要針對低擾動控制 模型預測控制預測模型，反饋矯正，滾動優化，參考軌跡較好建模方便，魯棒性好，具備較好的動態控制性能 神經網絡控制自適應性，非線性控制一般對不豐富的數據集控制效果不佳，對動態工況適應能力一般

3 自動駕駛輔助技術

自動駕駛除了這三大關鍵問題之外，還有許多輔助技術。這些技術對車輛自動駕駛的性能發揮起到了積極作用。如圖2所示，自動駕駛輔助技術也承擔著相當重要的作用。

圖2 智能網聯汽車自動駕駛部分關鍵技術示意圖

3.1 V2X技術

V2X指的是vehicle to everything，即車輛和其他事物的相互聯系，包括但不限于與車、路、行人、云端等的相互通信技術。V2X技術可以使車輛獲取更全面的周邊信息，為大數據和車聯網等實際應用創造了條件。同時，V2X技術相較于視覺和雷達傳感器在中大空間擁有更為廣泛的感知，可以準確感知周邊環境、車輛的態勢，解決獨立車輛信息孤島問題[7]。但是現在的V2X技術沒有統一的行業標準，技術數據沒有實現互聯互通，仍然存在著車與道路信息、行人信息之間的信息阻塞。如何打破這信息壁壘，需要國家和企業間的政企合作，通過開放交融和數據共享，為V2X注入更強的活力。

3.2 5G技術

第五代移動通信技術（簡稱5G技術）相較于4G網絡擁有高速度、低時延、低功耗的特點。通過5G技術低時延的特點，可以將決策計算云端化，讓車輛擺脫車載計算機計算力低下的問題，使云操控成為可能。5G技術擁有超大的網絡容量，可以提供千億設備的連接能力，同時較高的傳輸速度和較低的功率能夠保障實時高速通信的需要，滿足物聯網通信，輔助V2X技術的布局與發展。但是5G技術需要其他輔助設備的支持，如需要不同國家及運營商的通信協議支持、足夠多符合通信要求的5G基站、車載通信基帶等。根據中國、美國、日本等國家的汽車發展規劃，依托傳輸速率更高、時延更低的5G網絡，將在2025年全面實現自動駕駛汽車的量產，市場規模達到1萬億美元[8]。

3.3 高精度地圖定位技術

高精度地圖相較于傳統地圖具備大量的行車輔助信息，其中包括但不限于路面的幾何特征、標線等，通過車載傳感器對周邊環境的感知，比對高精度地圖的行車輔助信息，即可精確確定當前所處位置，實現高精度定位。高精度定位對于自動駕駛幫助巨大，可以實時掌握車輛周邊信息，為自動駕駛車輛全局路徑規劃打下了堅實的基礎。高精度地圖直接參與了自動駕駛感知、決策和執行三大方面，提供了自動駕駛所需要的輔助信息。但是高精度地圖定位仍然面臨著覆蓋面積小，覆蓋成本高，實時更新困難，信息數據量龐大等難題挑戰，需要社會各界合作去開發和共享高精度地圖定位導航功能。

4 結論

自動駕駛技術作為一項涉及汽車構造、傳感器技術、信息通信、人工智能等多個學科的綜合應用，需要不斷開展相關研究，需要社會各界的通力合作和相互交流。但是它的出現改變了人們對汽車駕駛的認知，雖然全工況的自動駕駛還有很長的路要走，但是隨著科學技術的發展，自動駕駛技術終將會逐步完善和實現。

[1] Gordon N,Lidberg M.Automated Driving and Autonomous Functionson Road Vehicles[J].Vehicle System Dynamics,2015,53(7):958-994.

[2] 趙祥模,承靖鈞,徐志剛,等.基于整車在環仿真的自動駕駛汽車室內快速測試平臺[J].中國公路學報,2019,32(06):124-136.

[3] 王科.城市交通中智能車輛環境感知方法研究[D].長沙:湖南大學, 2013.

[4] 蔣天滋.自動駕駛交通道路環境感知系統研究[D].北京:北京交通大學,2019.

[5] 魏強,陸平,侯雪.基于專利數據的全球自動駕駛感知技術創新態勢[J].智能網聯汽車,2020(1):74-77.

[6] 章軍輝,陳大鵬,李慶.自動駕駛技術研究現狀及發展趨勢[J].科學技術與工程,2020,20(9):3394-3403.

[7] 潘岳,周興壯,歐力,等.簡析車路協同自動駕駛系統的關鍵技術[J].科學技術創新,2020(19):50-52.

[8] 李陽德,林亮,鄭舟,等.5G網絡典型應用場景與關鍵支撐技術探討[J].廣西通信技術, 2017(3):6-10+16.

Analysis of Key Technologies for Autonomous Driving

WANG Cenyu, ZHANG Ping*

( School of Automobile, Chang’an University, Shaanxi Xi’an 710064 )

The field of autonomous driving mainly involves three major technical aspects:perception, decision-making, and execution. The article aims to improve the public's understanding of autonomous driving technology, analyzes and discusses how to realize autonomous driving and key technologies of autonomous driving in smart cars, and hopes to provide peers for reference.

Autonomous driving; Environmental perception; Driving decision; Vehicle control

U495

A

1671-7988(2021)23-20-04

U495

A

1671-7988(2021)23-20-04

10.16638/j.cnki.1671-7988.2021.023.006

王涔宇（2000—），男，長安大學汽車學院2019 級車輛工程專業本科生，主持中央高校基本科研業務費專項資金（學生創新實踐能力提升子計劃）項目1 項。

張平（1977—），男，博士，副教授，就職于長安大學汽車學院，研究方向：智能汽車。

長安大學中央高校基本科研業務費專項資金（編號300102220802）資助。