safenet（现在发展到什么阶段了）

11月7日，第四次工业革命与智慧出行论坛在上海第四届中国国际进口博览会举行。

而“智慧引领 未来已来”的论坛主题，也暗示着自动驾驶的时代即将到来。

01

从无自动化到完全自动化

自动驾驶技术根据系统的智能程度可以分为多个等级。目前，业界主要采用美国国家公路交通安全管理局和美国高速公路安全管理局对分级标准的定义，主要分为L0、L1、L2、L3、L4和L5，即从无自动化到完全自动化。现阶段各厂商和研究组织主要专注于L2-L4的研究，当然也会听说L2.5、L2+的概念，它们是介于L2和L3之间的分级。

图源：中国日报

高级别的自动驾驶系统主要包括建图和定位、感知、规划和控制这四大模块，另外无人驾驶系统还会安装各种传感器。一辆具备高级别自动驾驶功能的车辆会安装各种传感器，包括相机、激光雷达、毫米波雷达、惯性导航等。

相机可以提供场景中丰富的纹理信息，激光雷达可以提供更加精确距离信息，毫米波雷达可以对雨雾等极端天气进行更稳定的观测，惯性导航设备可以提供更高频率的车辆位姿信息。不同传感器之间特性互补、互为冗余，就像人类使用不同感官去感受周围世界一样。

图源：Sensor and Sensor Fusion Technology in Autonomous Vehicles: A Review

02

建图和定位模块

解决“我在哪儿”问题

建图和定位模块主要通过不同传感器信息来解决“我在哪儿”的问题，定位依赖于地图信息，而地图信息也依赖于定位信息去构建和更新地图。这里的地图是一种具有高精度的地图表示形式，包含车道标识、路口、交通指示牌、道路曲率等信息。

地图对于和真实世界比较的绝对精度以及局部区域的相对精度都有很高的要求，基本会达到分米级甚至厘米级的精度；除了精度，地图还要保证即时更新，也就是所谓的地图“鲜度”。在真实场景，比如车道信息等发生变化时，需要即时更新高精地图数据。

在现阶段高级别自动驾驶智能系统中，高精地图是一个重要的技术依赖，各厂商所走的技术路线主要包括几类：

在自动驾驶运营范围内进行自主采集、构建、更新地图。这条路线运营成本相对较高，比较适合有限区域或者特定场景内的自动驾驶，比如固定园区、机场等。

利用诸多终端车辆进行众包建图。这些终端车辆为云端服务器构建、更新高精地图的数据，同时也共享更高质量的高精地图服务，形成数据闭环。这条路线比较适用于当前比较火热的Robotaxi或者乘用车领域。

一种比较激进的路线，即自动驾驶系统不会过度依赖高精地图，车辆具有很高的局部区域感知能力，结合道路级的普通地图就可以支撑自动驾驶功能，特斯拉是这条路线的代表之一。

图源：RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving

03

感知模块

解决“周围环境是什么样”问题

感知模块主要通过传感器信息解决“周围环境是什么样”的问题。当前火热的深度学习技术推动了感知技术的发展，感知技术又可以细分为检测、跟踪、预测。

检测主要是将不同传感器的观测信息输给深度学习模型，可以检测出车辆、行人、交通标识等目标物；跟踪的作用是给每个目标物一个track ID(目标的唯一标识)，以实现对这个目标的持续观测，进而计算出这个目标的速度以及预测未来轨迹。预测基于时序上的检测和跟踪结果，结合道路信息预估目标物未来可能的运动轨迹，可以为路径规划提供更多的信息，也使系统更加智能。

无人化测试视频截图 图源：智车科技

图源：SE-SSD: Self-Ensembling Single-Stage Object Detector From Point Cloud

04

规划和控制模块

解决“我该如何去某个目的地”问题

规划和控制模块主要解决“我该如何去某个目的地”的问题。规划技术根据上游的定位和感知模块输出，结合高精地图信息给出路径规划结果，这比较类似于我们使用导航软件看到的规划轨迹。不同的是，自动驾驶系统的规划模块不仅要提供全局的路径规划还需要提供局部的路径规划，根据周边环境执行避让、超车等驾驶操作。

控制技术控制车辆在规划的路径上行驶，将规划的路径转换成车辆方向盘、油门和刹车的控制量。根据研究，优秀的规划和控制技术可以使自动驾驶比人类驾驶更加安全高效。

图源：SafetyNet: Safe planning for real-world self-driving vehicles using machine-learned policies

05

仿真技术

模拟给予数据支撑

除了传感器、定位、感知、规划和控制几大核心技术之外，还有仿真技术，它是自动驾驶技术中容易忽略的一部分。自动驾驶领域的“长尾”问题是急需解决的问题，比如基于深度学习模型的各种感知技术。现阶段，深度学习模型对于“见过”的或者类似的场景能够准确感知，但对于未见过的场景大概率会出现错误的感知，这对于自动驾驶尤其是高级别自动驾驶来说是很致命的。

仿真技术中一个很重要的应用就是可以虚拟化很多逼真的场景，为深度学习模型的训练提供海量数据，而且可以针对一些不常见的极端场景进行足够的数据生产，从训练样本的数量和多样性给予深度学习模型足够的支撑。

“准无人”自动驾驶测试 图源：智车科技

此外，仿真技术还有很多其他应用，比如可以模拟一些危险的驾驶场景，包括碰撞、各种交通事故等，一定程度上使得自动驾驶系统测试不再强依赖于真实场景的测试验证，很大幅度降低测试验证成本、提升效率。

目前，高级别自动驾驶技术虽然仍不够成熟，存在争议，但相信随着科学技术的发展，经过一代代人的努力，自动驾驶技术定会走进千家万户，改善人们生活。

下一代自动驾驶车辆 图源：智车科技

编辑：小叮当

科学审核：张一鹏，中国科学院上海技术物理研究所，物理电子学博士；费梓轩，上海交通大学电子信息与电气工程学院博士研究生

— END —

不代表中科院物理所立场

编辑：藏痴