最新自动驾驶技术陈诉出炉：Waymo、特斯拉、沃尔沃技术方案大起底

作者：肖漫

进入 2020 年，自动驾驶技术的跨越式门路与渐进式门路之间的阵营划分已经十明白显。但最终自动驾驶要完全实现无人化，其技术还需要举行不停的迭代和生长。

对于自动驾驶的技术希望，WEVOLVER 公布的《2020 自动驾驶技术陈诉》举行了全面的阐释。

陈诉从感知、计划、执行三个层面表述了自动驾驶汽车技术的最新生长状况，涉及了传感器、数据处置惩罚、机械学习、SLAM 与传感器融合、路径计划等多个领域，同时提供了多个自动驾驶公司的案例，包罗特斯拉、Volvo、Waymo 等。

如果您想获得本陈诉的全文 pdf，请在新智驾微信民众号（AI-Drive）回复关键词“123陈诉”提取。

泉源：《2020 自动驾驶技术陈诉》

感知

自动驾驶汽车是在一个未知的动态情况中运行的，所以它需要事先构建出情况舆图并在舆图中举行自我定位，而执行同步定位和映射历程（SLAM，即时定位和舆图构建）的输入则需要传感器和 AI 系统的资助。

陈诉指出，传感器可分为有源传感器和无源传感器，种种传感器都有其优缺点，没有一种单一传感器能够适用于所有路况。通常情况下，想要可靠、宁静地操控一辆自动驾驶汽车，需要同时使用多个传感器。

一般情况下，自动驾驶汽车包罗的传感器主要有五种类型：

1、远程雷达：信号能够透过雨、雾、灰尘等视线障碍物举行目的检测。

2、照相机：一般以组合形式举行短程目的探测，多应用于远距离特征感知和交通检测。

3、激光雷达：多用于三维情况映射和目的检测。

4、短程/中程雷达：中短程目的检测，适用于侧面和后方避险。

5、超声波：近距离目的检测。

前面提到，各种传感器均有其优缺点，而自动驾驶汽车需要从技术上对传感器举行判断、选择，筛选的条件主要有以下几个方面：

扫描规模，决议了传感器对被感知的物体做出反映的时间；

分辨率，传感器可以为自动驾驶车辆提供的情况细节；

视野/角度分辨率，决议自动驾驶汽车需要几多传感器来笼罩感知的区域；

3D 情况下区分静态工具和动态工具的能力；

刷新率，决议传感器信息更新的频率；

在差别情况条件下的总体可靠性和准确性；

成本、尺寸和软件兼容性；

生成的数据量。

以下是 Waymo、Volvo-Uber、Tesla 的传感器方案示意图：

另外，关于无源传感器和有源传感器，陈诉中也作了详尽的先容：

无源传感器

无源传感器能够探测情况中物体反射的现有能量，如光、辐射等。但在弱光情况下，由于没有自己的流传源，无源传感器的性能将有所下降。而且在发生的数据方面，对比有源传感器，无源传感器发生的数据量更多，约 0.5-3.5 Gbps。

即便如此，无源传感器仍具有多方面特点，主要包罗：

1.涵盖整个视野宽度的高分辨率的像素和颜色；

2.在视野中保持恒定的帧频；

3.两个摄像头可以生成一个 3D 立体视图；

4.缺乏发射源淘汰了来自其他车辆的滋扰的可能性；

5.技术成熟，成本低；

6.系统生成的图像便于用户明白和交互。

如果在自动驾驶汽车上使用无源摄像头传感器套件，需要笼罩汽车周边的各个情况。这可以通过使用在特定时间距离拍摄图像的旋转相机来实现，或者通过软件将 4-6 个相机的图像拼接在一起。

此外，这些传感器需要一个凌驾 100 分贝的高动态规模（场景中高光和阴影的成像能力），使它们能够在种种光照条件下事情，并区分差别的工具。

有源传感器

有源传感器具有信号传输源，依靠 TOF 原理感知情况，ToF 能够通过等候信号的反射返回来丈量信号从源到目的的流传时间，信号的频率决议了系统所使用的能量及其准确性。因此，确定正确的波长在选择系统时起着关键的作用。

关于有源传感器的类型，陈诉主要先容了以下三种：

超声波传感器：也称为声纳；声音导航测距。在有源传感器中，声波的频率最低（波长最长），因此声波更容易被滋扰，这也意味着超声波传感器很容易受到倒霉情况条件的影响，如下雨和灰尘。另外，其他声波发生的滋扰也会影响传感器的性能，需要通过使用多个传感器和依赖分外的传感器类型来缓解滋扰。

雷达：主要通过无线电波举行测距。无线电波以光速流传，在电磁波谱中频率最低(波长最长)，基于无线电波的反射特性，雷达传感器可以探测到前方物体之外的工具。

不外，雷达信号容易被具有相当导电性的质料（如金属物体）反射，而且其他无线电波的滋扰也会影响雷达的性能，造成雷达传感器无法对物体举行探测。在确定被探测目的的形状方面，雷达的能力不如激光雷达。

激光雷达：以脉冲激光的形式使用光。激光雷达传感器能够以每秒 50,000- 200,000 个脉冲的速度笼罩一个区域，并将返回的信号编译成一个 3D 点云，通过比力一连感知的点云、物体的差异检测其运动，由此建立一个 250 米规模内的 3D 舆图。

计划

凭据自动驾驶汽车传感器套件捕捉的原始数据和已有舆图，自动驾驶系统需要通过同时定位和映射算法构建和更新详细的情况舆图，跟踪其详细定位，从而开始计划从一个点到另一个点的路径。

SLAM与传感器融合

SLAM 是一个庞大的历程，因为定位需要舆图，而绘制舆图需要良好的位置预计。为了更准确地执行即时定位和舆图构建，传感器融合开始发挥作用。

传感器融合是将多个传感器和数据库的数据联合起来以实现信息革新的历程。它是一个多条理的历程，能够处置惩罚数据间的联系和相关性，对数据举行组合，与使用单个数据源相比，能够获得更自制、更高质量、相关性更高的信息。

在自动驾驶汽车 AI 架构中，主要有两种方法:

1. 逐步处置惩罚。把整个驾驶历程拆解为一系列逐层毗连的流水线，其中的每一步，好比感知、定位、舆图、路径导航、运动控制，都划分由各自的详细软件组件处置惩罚。

2. 端到端。基于深度学习的解决方案，一次性处置惩罚所有这些功效。

通过传感器的融合，自动驾驶汽车获得了数据，不外，如何从传感器信号中提取有用的信息，并基于现有信息执行任务，则需要使用机械学习算法——CNN、RNN、DRL。

CNN（卷积神经网络）：主要用于处置惩罚图像和空间信息，提取感兴趣的特征和识别情况中的工具。这些神经网络是由一个卷积层组成的:一个过滤器的荟萃，它试图区分图像的元素或输入数据来标志它们。这个卷积层的输出被输入到一个算法中，该算法将它们联合起来预测图像的最佳形貌。最后的软件组件通常称为工具分类器，因为它可以对图像中的工具举行分类，例如一个路标或另一辆汽车。

RNN（递归神经网络）：主要用于处置惩罚视频信息，在这些网络中，先前步骤的输出将作为输入进入到网络中，从而允许信息和知识能够在网络中持久存在并被上下文化。

DRL（深度强化学习）：DRL 方法允许软件界说的“署理”学习在虚拟情况中使用奖励函数实现目的的最佳可能操作。这些面向目的的算法将学习如何实现目的，或如何在多个步骤中沿着一个特定的维度最大化。现在，深度强化学习在无人驾驶汽车中的应用还处于起步阶段。

这些方法纷歧定是伶仃存在的。为了制止过分拟合，在深度学习中通常会举行多任务训练网络。当机械学习算法被训练用于一个特定的任务时，它会变得如此专注于模拟它所训练的数据，以至于试图举行插值或外推时，它的输出会变得不现实。

通过在多个任务上训练机械学习算法，网络的焦点将专注于发现对所有目的都有用的通用特性，而不是专注于一个任务，以便输出越发实际有用的应用法式。

使用传感器提供的所有数据和这些算法，自动驾驶汽车能够探测到周围的物体。接下来，它需要找到一条路径。

路径计划

车辆相识其情况中的物体及其位置后，可以使用 voronoi 图（车辆与物体之间的最大距离）、占用网格算法或驾驶廊道算法来确定车辆的大尺度路径。然而，这些传统方法并不能够满足车辆在动态情况下的移动。

陈诉指出，部门自动驾驶汽车不仅依靠机械学习算法来感知情况，还依靠这些数据来控制汽车。路径计划可以通过模拟学习的方式教授给 CNN，在模拟学习中，CNN 试图模拟驾驶员的行为。

通常情况下，这些机械学习方法会与经典的运动计划和轨迹优化方法相联合，以确保路径的鲁棒性。此外，出于其他目的（例如淘汰燃料使用），汽车制造商还会在模型中提供最佳路径参考。

车辆运行历程中的神经网络训练和推理需要庞大的盘算能力，由于汽车需要对新数据作出实时反映，因此，操作车辆所需的部门处置惩罚需要在车上举行，而模型的革新可以在云上完成。

现在，机械学习的最新希望在于有效处置惩罚自动驾驶汽车传感器发生的数据，淘汰盘算成本。此外，芯片制造和微型化的进步正在提高可安装在自动驾驶汽车上的盘算能力。随着网络协议的进步，汽车或许能够依靠低延迟的基于网络的数据处置惩罚来资助它们举行自主操作。

执行

那么，车辆是如何行动的呢？

在人类驾驶的汽车中，汽车的转向、刹车或信号等行动通常由驾驶员控制。来自驾驶员的机械信号由电子控制单元（ECU）转换成驱动下令，再由车上的电动或液压执行器执行。

在（半）自动驾驶汽车中，这种功效被直接与 ECU 通信的驱动控制软件取代。这些软件能够改变车辆的结构，淘汰部件的数量；尤其是那些专门用于为 ECU 将机械信号从驾驶员转换为电信号的部件。

自动驾驶汽车通常包罗多个 ECU，一般车辆约莫有 15-20 个，高端车型可能到达 100 个。

ECU 是一个简朴的盘算单元，有独立的微控制器和内存，以此处置惩罚吸收到的输入数据，并将其转换为其子系统的输出下令，例如，转换自动变速箱。

一般来说，ECU 既可以卖力控制车辆的操作，也可以卖力宁静功效，运行信息娱乐和内部应用法式。而且，大多数 ECU 支持单个应用法式，如电子动力转向，能够在当地运行算法和处置惩罚传感器数据。

挑战一：系统庞大性

工程师需要为系统设计正确的电子体系结构，以便举行传感器融合，将决议同步分发到按指令行事的较低层子系统，这对需求的增加和庞大性提出了挑战。

理论上，在一种极端情况下，人们可以选择一种完全漫衍式的架构，其中每个传感单元处置惩罚其原始数据并与网络中的其他节点通信。在光谱的另一端存在一个集中的架构，其中所有的远程控制单元（RCUs）都直接毗连到一其中央控制点，该控制点收集所有信息并执行传感器融合历程。

而在这个规模的中间是混淆解决方案，它将在更高抽象级别事情的中央单元与执行专用传感器处置惩罚，或与执行决议算法的域相联合。这些域可以基于车辆内部的位置，例如汽车前部和后部的域，它们控制的功效类型，或者它们处置惩罚的传感器类型（例如照相机）。

在集中式体系架构中，来自差别传感器的丈量值是独立的量，不受其他节点的影响。数据在系统的边缘节点上没有被修改或过滤，为传感器融合提供了最大可能的信息，而且具有较低的延迟。这一架构挑战在于，大量的数据需要传送到中央单元并在那里举行处置惩罚。这不仅需要一个强大的中央盘算机，而且还需要一个高带宽的重型线束。

漫衍式架构可以用更轻的电气系统实现，但更庞大。只管在这样的架构中，与带宽和集中处置惩罚相关的需求大大淘汰，但它在驱动和传感阶段之间引入了延迟，增加了对数据验证的挑战。

挑战二：动力、热量、重量和尺寸的增加

除了增加系统的庞大性之外，自动化还会增加车辆部件的功耗、热足迹、重量和尺寸。无论架构是漫衍式的还是集中式的，auton - omous 系统的功耗需求都是庞大的，而在这之中，主要的驱动因素是竞争需求。

全自动汽车的竞争需求比现在生产的最先进的汽车横跨近 100 倍。对纯电动汽车来说，行驶里程容易受到这种动力需求的负面影响。因此，Waymo 和福特等公司选择专注于混淆动力汽车，而 Uber 则使用全汽油 suv。然而，专家指出，全电动最终会成为动力系统的选择，因为内燃机在为车载电脑发电方面效率低下。

增加的处置惩罚需求和更高的功率吞吐量会使系统升温，但为了使电子元件正常可靠地事情，不管车外部条件如何，电子元件必须保持在一定的温度规模内，这就需要冷却系统的存在。可是，冷却系统进一步增加车辆的重量和尺寸，特别是液体冷却。另外，分外的组件、分外的布线和热治理系统也会对车辆任何部门的重量、尺寸和热性能造成压力。

针对于此，自动驱动元件的供应商正改变着产物，从减轻像 LIDARs 的大型元件重量，到构建像 semicon - ductor 这样的微型元件。同时，半导体公司正在制造占地面积更小、热性能更好、滋扰更小的元件，生长种种硅元件，如 MOSFET、bipo - lar 晶体管、二极管和集成电路。

不仅如此，该行业还思量使用新质料——氮化镓（GaN）。与硅相比，氮化镓可以更有效地传导电子，从而能够在给定的导通电阻和击穿电压下，制造出更小的器件。

一辆全自动驾驶汽车所包罗的代码可能比迄今为止所开发的任何软件平台或操作系统都要多，要自行处置惩罚所有的算法和历程需要显著的盘算能力和强大的处置惩罚。现在，GPU 的加速处置惩罚正成为行业的尺度。

在 GPU 领域， Nvidia 是这个市场向导者。Nvidia 的竞争主要集中在张量处置惩罚单元（TPU）的芯片设计上，加速了作为深度学习算法焦点的张量运算。另外，GPU 用于图形处置惩罚也阻止了深度学习算法充实使用芯片的能力。

可见，随着车辆自动化水平的提高，车辆的软件形态将发生显著的变化。除此之外，车辆更大的自主权也会影响用户与车辆的互动方式。

新智驾注：文章配图均截取自《2020 自动驾驶技术陈诉》