自動駕駛汽車感知系統關鍵技術分析

摘要：自動駕駛技術是智能與網絡技術相結合的必然結果，是未來汽車工業發展的重要方向。根據美國電氣與電子工程學會（IEEE）的說法，自動駕駛汽車將在2040年前占據75%的市場份額，是推動第四輪人工智能技術發展的關鍵技術，它將重塑傳統汽車業的“金字塔”，引領全新交通和出行生態。自動駕駛的進步是技術進一步發展與成熟關鍵，也是自動駕駛汽車走向工業化的關鍵。

關鍵詞：自動駕駛；汽車感知系統；技術

中圖分類號：U471 收稿日期：2023-03-30

DOI：10.19999/j.cnki.1004-0226.2023.10.018

1 前言

伴隨著汽車電子技術與先進輔助駕駛技術的迅速發展，作為先進輔助駕駛技術的無人駕駛已經成為世界各國新技術熱點。特別是近幾年，自動駕駛技術成為人們交通發展的里程碑。迅速發展的自動駕駛汽車技術對促進汽車行業產業格局的轉型有幫助，從而使社會現有服務模式和水平發生變化，并幫助人工智能及其他智能產業的速度加快。

2 自動駕駛技術內容

2.1 等級劃分

智能汽車、智能網聯汽車和自動駕駛是國家發改委、工信部、科技部三個部門共同發布的新概念，它們的研究目標都是自動駕駛汽車，因此將它們命名為“自動駕駛”，并將它們命名為“無人駕駛”。在《中國制造2025》中，我們已經將智能網聯汽車列為發展的重要目標，它是一種新型交通工具，它采用了車載的傳感器、控制器、執行器等設備，利用現代通信和互聯網技術，實現了車內外網的無縫連接，并具有信息共享、復雜環境感知、智能決策、自動化協同等多個控制功能，再加上智能高速公路等各種輔助設備，從而達到“高效、安全、舒適、節能”目的的新型交通工具。

為了便于對自動駕駛進行準確分類和界定，許多國家都按照無人駕駛技術特征和發展過程，紛紛制訂無人駕駛的分級標準。美國公路管理局（NHTSA）和汽車工程學會（Automatic Engineering Engineering Association， SAE）是目前國際上具有權威性的分級標準。

2.2 系統框架

為保證車輛的自動駕駛，首先需要一種完備的傳感器來替代駕駛員對環境的感知。其次，在無人駕駛中，為保證相關駕駛命令與真實行駛環境、行駛需求相一致需要以智能算法為依據，并以高性能控制系統為支撐，實現對駕駛命令的執行。并在此基礎上，根據特定的行車環境為無人駕駛提供最優的行車路線，以保證無人駕駛的順暢。在車輛行駛過程中，駕駛員的操縱行為對車輛行駛的效果有很大的影響。在車輛無人駕駛時要保證車輛的安全與穩定，就必須綜合地強化對環境、內部以及駕駛員感知，這就要求構建一個完整的感知體系，與車上傳感器相結合來獲得與之相對應的數據信息，從而可以對汽車所處的環境和狀態進行讀取。

3 自動駕駛汽車感知技術

在車輛自動駕駛研究中，車輛自動駕駛的關鍵問題在于車輛自動駕駛過程中的環境感知與定位問題，這兩個問題的解決將為車輛運行狀態判定與控制奠定基礎。在對車輛進行感知的同時可以獲取車輛周圍的路網等與車輛運行有關的數據信息。而增強對環境的感知，則可以有效地提升自動駕駛對場景的理解，在對自動駕駛車輛進行大規模訓練與擬合后可以增強車輛的判斷能力。

3.1 感知

在環境感知過程中，有許多環境信息都要被辨識出來。在道路識別方面采用雷達分線法，可有效加快無人駕駛車輛周圍環境信息的獲取。由于自動駕駛汽車昂貴的造價，使得其在實際使用中難以得到廣泛的應用。然后，在多傳感器信息融合的基礎上，通過對特定的坐標進行擬合得到了道路輪廓。如交通信號燈的自動識別，交通信號燈的狀態信息可利用智能網聯技術獲得，但因其費用較高而無法普及。然而，僅從交通信號燈的色彩、形狀等角度出發很難保證交通信號燈的魯棒性。在實際應用中，我們將采用基于SVM的機器學習方法對交通信號燈進行大規模的訓練，獲得更高的準確率，為實現車輛自動駕駛提供了更多的保障。在車輛定位系統中，GPS定位系統定位精度是比較高的，但是它的投資也比較大，該方法采用了基于雷達、相機等傳感器的車輛位置信息，并結合特定的概率模型，獲取車輛的位置信息，從而更好地實現無人駕駛車輛的位置信息。

3.2 規劃

在自動駕駛系統中最重要的問題是：如何保證車輛安全抵達目標，并在保證車輛行駛路徑最短的情況下規避障礙物，按時抵達目標。在自動駕駛系統中，包括任務、行為和動作三個層面。任務規劃確定行車路線，在有向網絡圖的幫助下，可以清楚地了解到道路之間的連接情況、路況等信息，再通過路網圖來進行自動駕駛的路線規劃，這樣就可以保證車輛的最佳路線。

而借助于插值曲線技術，將汽車行駛的安全性、舒適性，以及汽車自動駕駛過程中所面臨的一系列突發狀況綜合考量，從而選擇一條合適的行車路徑并確定合適的速度，利用行為規劃可以為汽車駕駛做好充分的準備，將周圍環境和城市交通情況結合起來，對自動駕駛車運行狀態進行判斷，具體是要跟車，還是要超車，或者停車讓行人通過，還是要繞道，利用有效的狀態機來對汽車的運行情況進行感知，從而作出相應的決定，更好地保證車輛的運行安全。在此基礎上，對車輛進行運動規劃，保證車輛在運動中的平穩運行，然后利用運算的有效性對車輛進行布局，并輔以完備的算法。

3.3 控制

在自動駕駛系統中利用各種硬件裝置來完成相關控制任務，以保證無人駕駛系統的安全運行。該方法有兩種：一種是傳統的控制方法；另一種是模型的預測方法。通過對汽車周圍環境進行全面分析，來對汽車動作和行駛路線進行精確規劃，從而保證汽車可以進行準確的操作，并且可以對油門、方向、剎車等信號進行精確的掌控，從而讓汽車可以按照預期目標進行前進。此外，還可以利用模型預測控制與車輛的運動狀態相結合，對未來一個階段車輛的運動狀態進行預測，從而可以有效地避免不安全事故的發生，同時還可以與具體的路況相結合對車輛的運行狀態進行實時調整。以此為基礎，利用動態規劃技術實現智能汽車與駕駛員的動態匹配和實現智能汽車的動態控制[1]。

4 自動駕駛汽車感知系統

車輛運動目標包括車輛運動軌跡、周圍障礙物以及車輛行駛環境。車輛的可通過性是指能夠通過道路的辨識，其中包括交通信號燈、各種標志、車道線、路障等。環境感知障礙是指對道路上車輛、行人、路障等不動障礙物進行識別。感知行駛環境是指識別路面、交通和天氣等對無人駕駛汽車運行有較大影響的變化環境。

目前的主要傳感技術有視覺傳感、激光傳感和微波傳感等。視覺感知主要是利用相機獲取的影像資料，利用視覺關聯的方法對其進行分析，從而實現對周邊環境的認知；在利用LiDAR獲取的點云信息基礎上，采用濾波、聚類等方法實現對周圍環境的有效檢測；它利用微波雷達獲得的目標位置信息，通過對目標位置的相關性分析，實現對目標位置的識別[2]。

針對各種傳感技術的特性在不同的應用場合及系統的功能要求下，應選擇相應的傳感技術。比如，在高速行駛的道路上因為汽車的高速行駛，往往選擇具有更遠的探測范圍；在城區，因其所處的環境較為復雜，往往采用激光、視覺等多種探測方式，以獲得更大的探測視角和更多信息，并可提供交通狀況，臨時交通管制重要路段人流資料的分析及其他動態資料。與自動駕駛車輛的傳感器相結合，通過對道路宏觀匹配，微觀的精準定位和整體的動態環境感知全面的解決方案。高精度地圖應用主要是通過攝像頭采集圖像、激光雷達3D掃描、GPS定位軌跡等技術來實現。另外，數據中心也在不停地收集道路上的車輛傳遞過來的最新情報，然后對這些情報進行分析，確定無誤后，再對高精度的地圖進行修改，將這些情報傳遞到其它車輛[3]。

5 自動駕駛汽車感知系統發展趨勢

5.1 視覺主導與激光雷達主導的技術方案

在此基礎上，提出了一種基于攝像機機器的視覺技術，并將其用于輔助駕駛的研究中。相機是一種比較便宜的相機，它可以用來識別行人、車輛、交通標志等。隨著技術的迅速發展，CNN的準確率持續提高對機器視覺要求的工業相機也逐漸成熟，具有更高的成像質量和更強的抗干擾性。由于相機是被動式會受到光照的影響，因此不能實現全天的工作，必須借助其他傳感器的輔助作用，這個計劃是特斯拉公司的代表。

自動駕駛可能會成為必需品，但是大批量生產有很大的難度，該方法利用ROF方法對周邊環境進行掃描，將得到的點云數據與高精度地圖數據進行對比、匹配，實現對周邊環境實時定位和建模，從而得到一幅cm級的三維環境圖。雖然激光雷達技術會導致圖像的色彩與質感的缺失，但它卻有著極高的探測準確度與3D效果，因此被眾多汽車制造商所使用。

谷歌韋莫就是這一計劃的典型代表，韋莫利用64- LiDAR來測定周圍目標的間距，并基于間距繪制出精確的三維地形，再將高精度的地形圖和模型化，從而達到L5的水平。雖然無人駕駛汽車對LiDAR有很大的需求，由于其生產工藝的高要求，LiDAR的應用只局限在汽車、資源勘探等狹小的范圍內，很少有廠商可以提供給LiDAR的成熟量產方案，這就造成了LiDAR的成本高和量產困難，因此，面對雷達色失分、成本高昂等難題，業內主要從兩個方向推動其商品化。a.開發出一套基于LiDAR和LiDAR相結合的硬件模塊，利用LiDAR和LiDAR的優勢，實現對LiDAR和LiDAR的多色點云的獲取。b.發展全固態的低線束激光雷達，以犧牲部分精確度為代價，來降低系統的硬件費用[4]。

5.2 決策算法和因果推理

在市場上，傳感器硬件技術及應用能力都已經比較成熟。但是，在控制執行模塊中，它屬于傳統車廠和Tier1的專屬領域。因此，決策能力優劣將會影響到自動駕駛技術的排名，自動駕駛技術的競爭將會集中在決策環節上。另外，決策算法是根據來自感知、認知層的信息來進行判斷的，它可以直接確定車輛路徑，這是與無人駕駛競爭的最終落腳點。目前，已有的決策建立算法通常有三種路徑：a.以規則為基礎的專家系統，人為地利用if-then規則來涵蓋一切可能的情形，來編寫無人駕駛決策系統，這種方法可以實現精準、可分析，但是不具有靈活性。b.利用深度神經網絡（如深度神經網絡），該方法通過基于概率的方法，能夠對特定情況下的事件進行適當處理，但是該方法的執行過程是一個“黑箱”，并有一定的安全問題。c.因果推斷，即便使用貝葉斯網絡，也能將事件的可能性和可靠性進行歸類，具有模塊化和透明的優點。貝葉斯模型可以在模型中加入深度學習、專家系統等功能，提高模型的可信度，該模型具有良好的通用性能夠有效地控制無人車的全流程，并能方便地進行分析與修正，因此，該模型能夠更好地為無人車的全流程進行優化[5]。

5.3 多路傳感器融合

a.不同類型的傳感技術都有各自的優點和缺點，沒有一種方法可以用來解決全部的工作條件。比如，相機硬體技術已經比較成熟，但是需要辨識精度還有待進一步提升；雖然雷達點云處理方法比較簡單，但是存在硬件成本高，對環境適應性差等缺點。由于每個傳感器的優點和缺點是不同的，通過多個傳感器的合作，可以實現各自的優點融合和缺點回避。b.由自動駕駛汽車對行車安全性的高度重視，使自動駕駛汽車感知策略也需要具備一定的安全性。特斯拉第一次死亡事故的原因是前視攝像頭的故障，而 ModelS卻沒有發現大型拖車的存在，說明單一解決方法存在著一定的安全冗余。因此，保障無人車的安全運行，需要充分考慮多個傳感節點的協作與冗余信息。目前，業內已有共識，將毫米波雷達、激光雷達和相機等多種傳感器進行數據融合，將成為未來無人駕駛技術發展的必然趨勢[6]。

6 結語

感知系統是將視覺、物理和事件等信息轉化為數字化的信息，是汽車實現對周圍環境感知和決策的基礎。通過傳感技術，可以及時、迅速地掌握當地的人車路等各類信息，并對周圍緊急情況做出有效的反應，該方法通過對汽車與道路網絡中其它要素之間的空間關系進行分析，為汽車行駛路徑規劃和駕駛體驗優化提供了一種新的思路。車聯通信能夠實現人、車、路三方信息的互聯共享，實現對環境信息的大范圍、全方位、實時、精確的感知，能夠有效地解決感知距離受限、易受環境干擾、對位置和導航的感知實時性差、感知內容受限的問題。

參考文獻：

[1]王藝帆.自動駕駛汽車感知系統關鍵技術綜述[J].汽車電器，2016（12）：12-16.

[2]孟祥雨，張成陽，蘇沖.自動駕駛汽車系統關鍵技術綜述[J].時代汽車，2019（17）：4-5.

[3]王金強，黃航，郅朋，等.自動駕駛發展與關鍵技術綜述[J].電子技術應用，2019，45（6）：28-36.

[4]宮慧琪，牛芳.自動駕駛關鍵技術與產業發展態勢研究[J].信息通信技術與政策，2018（8）：45-50.

[5]龐松.科學推動自動駕駛技術發展與應用——擁抱新技術，迎接新挑戰[J].重慶交通大學學報（自然科學版），2021，40（10）：119-122.

[6]雍加望，馮能蓮，陳寧.自動駕駛汽車硬件在環仿真實驗平臺研發[J].實驗技術與管理，2021，38（2）：127-131+135.

作者簡介：

郭曉麗，女，1986年生，工程師，研究方向為自動駕駛。