無人駕駛是怎麼回事

無人環保車，無人公交車，無人校車，雖然都是在路況簡單的交通環境運行，但是無人駕駛技術確實已經逐漸走進我們生活中實用的一面了。無人駕駛離我們越來越近，那無人駕駛到底是什麼呢？

無人公環保車

無人公交車

無人校車

要了解無人駕駛，首先要明白，無人駕駛其實也分等級。0級屬於只能由人駕駛；1-3級屬於半自動駕駛，這個階段的無人駕駛，系統只能幫助駕駛員預測環境可能出現的情況，預先警告可能發生的危險，但最終做決策的還是駕駛員，也就是說，這個階段的無人駕駛其實是輔助駕駛。到了4-5級，絕大部分情況都可以由系統處理，這個時候才是真正的自動駕駛。

在實現無人駕駛的過程中，以特斯拉為代表的汽車製造企業，很早就進入了L2、L3階段，通過系統在實際駕駛過程中獲取的大量數據，不斷完善輔助駕駛系統，最終達到讓系統智能到取代司機來駕駛汽車的目的。

但是，無人駕駛技術並不必需由L3到L4這樣循序漸進的發展。很多公司就選擇直接進入最高級L4、L5的完全無人駕駛，比如百度、谷歌。

無論是循序漸進也好，還是直接研究完全無人駕駛也好，在實現無人駕駛的路上，要解決的問題都差不多。一是給汽車定位，然後選擇合適的路徑；二是讓汽車識別周圍的環境；三是讓汽車做出正確的判斷。

定位方面，一個是定位技術、一個是高精度地圖。

常用的定位技術有三種，一種是基於信號的定位，比如全球導航衛星系統（GNSS）；一種是航跡推算，依靠慣性測量單元（IMU），根據上一時刻的位置和方位推斷現在的位置和方位；還有一種是環境特徵匹配，基於激光探測器的定位，用觀測到的特徵和資料庫里的特徵以及存儲的特徵進行匹配，得到現在車的位置和姿態。

三種定位技術各有優劣。

信號導航定位精度可以做到厘米級，但是嚴重依賴衛星數量，基站鋪設成本也比較高。在一些特殊環境比如橋洞、高樓大廈下面，或者容易受到電磁干擾的環境，被干擾之後可能就沒法定位。

航跡導航這種方法，以牛頓力學定律為基礎，比較依賴儀器系統，系統造價高。優點是短時精度高，但是誤差會隨時間積累。而激光定位這種方法，必須要預先製作地圖，有了地圖，汽車搭載的激光雷達掃描到的環境信息就能跟地圖上的對比，得出位置。這種方法要不斷更新新地圖，還有就是雨雪天氣也會受到影響，因為會影響激光反射。

除了定位系統以外，高精度的地圖也十分需要。因為需要定位系統與高精地圖配合提供靜態場景，然後車輛將感知得到的動態物體（行人、車輛等）正確放入靜態場景中，才能根據位置和姿態用於路徑規劃和車輛控制。

這跟人類識路的感覺很相似，先記住路上的標識，指示牌、特殊建築等等，然後把看到的信息與記憶比對，最後判斷是不是走對了路。但是對於無人駕駛而言，這裡的要求更高。車輛還需要根據搜集到的信息作出駕駛方面的判斷。

關於高精度地圖這一方面，無論是輔助駕駛也好，還是完全無人駕駛也好，都要事先搜集地圖信息。

輔助駕駛（L1—L3）的模式是通過給大量的汽車預裝攝像頭，讓汽車上路之後搜集路標、標識、線路等信息，最後匯總到地圖上。這一模式的優勢是製圖成本低，但是地圖的精度不夠高。

完全無人駕駛（L4以上）的模式，通過給車輛加裝激光雷達，激光雷達對環境的感知更強，搜集到的信息也更多。車輛行駛時，激光雷達同時掃描搜集周邊的地圖信息，搜集來的信息可以層疊相加，圖層越多，地圖也越精確。

搜集的這些信息，一方面用來更新地圖，另一方面也是汽車作出判斷的依據。除了雷達、攝像頭等感測設備以外，無人駕駛汽車還有其它設備。但大都跟定位和識別相關。

雷達的主要作用是識別周圍的行人、車輛、障礙物，測定距離速度等；

攝像頭的作用是識別標識，包括紅綠燈、指示牌、交警的手勢等。

前面說了，無人駕駛最重要的三點，定位、識別環境、作出判斷，無論是哪一點都離不開智能的系統。無人駕駛的歷史很長，但無人駕駛正在進入「大航海時代」卻是在深度學習爆發之後。

無論是定位還是識別周圍的環境，車載攝像頭、雷達等設備，每時每刻都會搜集海量的數據。傳統的機器學習的系統，計算能力不足以處理這麼多數據，深度學習出現之後，可以理解為系統在處理數據時做了精簡，不用再被無關的數據影響。

谷歌無人駕駛系統

特斯拉輔助駕駛系統

無論是谷歌的無人駕駛，還是特斯拉的輔助駕駛，系統都只關注了道路上車輛、行人、路標等影響駕駛的關鍵因素，而忽略了大量的無關信息，做出正確的駕駛判斷就容易了很多。最後，大量的路測可以不斷完善這種無人駕駛系統，最終實現無人駕駛。

未來的無人駕駛，無論是私家車模式，還是共享模式，對於大眾而言，都能獲得更安全的乘車條件和更便利的出行環境。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！