徐文軒 李偉

摘要：環(huán)境感知與定位技術(shù)是無人駕駛汽車技術(shù)的關(guān)鍵組成部分。在概括介紹無人駕駛汽車系統(tǒng)總體架構(gòu)基礎(chǔ)上，首先介紹各類環(huán)境感知傳感器的原理和特點(diǎn)，比較各技術(shù)優(yōu)缺點(diǎn)。然后闡述了傳感器的標(biāo)定方法，并綜合論述了車道線檢測、障礙物檢測、紅綠燈檢測等環(huán)境感知中的關(guān)鍵技術(shù);同時(shí)，從高精度地圖環(huán)境定位、汽車自身定位、多傳感器融合定位以及無線通信輔助定位等方面，對汽車定位技術(shù)進(jìn)行了分析。最后，剖析了無人駕駛汽車環(huán)境感知與定位技術(shù)的難點(diǎn)，并展望了未來研究的發(fā)展趨勢。

關(guān)鍵詞：無人駕駛;環(huán)境感知;定位;難點(diǎn);發(fā)展趨勢

中圖分類號：TP242.6 文獻(xiàn)標(biāo)識碼：A 文章編號：1005-2550（ 2021） 06-0053-08 Environment Perception And Location Technology Of Driverless

Vehicles

XU Wen-xuan l， LI Wei 2

（1. College of Electrical Engineering， Chongqing University， Chongqing 400000， China;

2. College of information science and Engineering Chongqingjiaotong University，

Chongqing 400074， China）

Abstract： Environment perception and location technology is the key component ofdriverless vehicles. Based on the overall architecture of the driverless vehicle system， thispaper first introduces the principles and characteristics of various environmental sensors， andcompares the advantages and disadvantages of each technology. Then， the calibration methodof the sensor is described， and the key technologies of environment perception， such as lanedetection， obstacle detection， traffic light detection， are comprehensively discussed; Besides，from the high-precision map environment positioning， vehicle positioning， multi-sensor fusionpositioning and wireless communication aided positioning， the vehicle positioning technology isanalyzed. Finally， this paper analyses the difficulties of environmental perception and locationtechnology for driverless vehicles， and forecasts the development trend of future research.

Key Words： Driverless Vehicles; Environmental Perception; Location; Difficulties; DevelopmentTrend

1 無人駕駛汽車系統(tǒng)架構(gòu)

無人駕駛是一個軟硬件結(jié)合的復(fù)雜系統(tǒng)，主要分為感知定位、決策規(guī)劃、控制執(zhí)行三大技術(shù)模塊。感知模塊主要通過攝像頭、雷達(dá)等傳感器探測周圍環(huán)境，定位模塊主要包括衛(wèi)星定位、慣性導(dǎo)航定位和多傳感器融合定位。同時(shí)，新興的高精度地圖技術(shù)和V2X協(xié)同技術(shù)都為無人駕駛汽車的環(huán)境感知和定位提供了較大的幫助。規(guī)劃模塊利用傳感器探測的環(huán)境信息和定位系統(tǒng)獲得的位置信息進(jìn)行路由尋徑，規(guī)劃一條最適合的道路，以實(shí)現(xiàn)從起始地到目的地。決策模塊會接收路由尋徑產(chǎn)生的尋徑結(jié)果并決定無人汽車該如何駕駛，包括如何正常跟車、當(dāng)遇到交通標(biāo)志時(shí)怎么處理，遇到行人時(shí)如何避讓等。決策規(guī)劃是對外在的道路進(jìn)行判斷，而車內(nèi)的具體操作將由控制執(zhí)行模塊來實(shí)現(xiàn)。下圖1是一個典型無人駕駛汽車系統(tǒng)的架構(gòu)圖，對三大技術(shù)模塊進(jìn)行了詳細(xì)描述。

2 無人駕駛汽車環(huán)境感知

2.1 環(huán)境感知傳感器技術(shù)

無人駕駛汽車環(huán)境感知采用的傳感器主要有

徐文軒

重慶大學(xué)電氣工程學(xué)院，本科學(xué)歷，主要研究方向?yàn)闊o人駕駛汽車、自動控制技術(shù)。車載攝像頭、激光雷達(dá)、毫米波雷達(dá)和超聲波雷達(dá)幾種類型[1]，分別如下圖2所示。表1從各個傳感器的實(shí)現(xiàn)原理、優(yōu)缺點(diǎn)等方面進(jìn)行了技術(shù)比較。

2.2 環(huán)境感知關(guān)鍵技術(shù)

2.2.1 傳感器標(biāo)定

傳感器標(biāo)定是無人駕駛汽車環(huán)境感知的必要環(huán)節(jié)，也是多傳感器數(shù)據(jù)源融合的關(guān)鍵前提。其目的是進(jìn)行各種傳感器坐標(biāo)之間的轉(zhuǎn)換，將兩個或多個傳感器變換到統(tǒng)一的時(shí)間和空間坐標(biāo)系，從而實(shí)現(xiàn)多傳感器的融合。

1）攝像頭的標(biāo)定

車載攝像頭以一定的角度和位置安裝在車輛上，為了找到車載攝像頭所生成的圖像像素坐標(biāo)系的點(diǎn)坐標(biāo)與攝像機(jī)環(huán)境坐標(biāo)系中的物點(diǎn)坐標(biāo)之間的轉(zhuǎn)換關(guān)系，需要進(jìn)行攝像頭標(biāo)定，從而實(shí)現(xiàn)把攝像機(jī)采集到的環(huán)境數(shù)據(jù)與車輛行駛環(huán)境中的真實(shí)物體相對應(yīng)[3]。

車載攝像頭標(biāo)定分為單目攝像頭和雙目攝像頭的標(biāo)定兩大類。單目攝像頭的標(biāo)定稱為內(nèi)參數(shù)標(biāo)定，其本質(zhì)是建立圖像坐標(biāo)系中的坐標(biāo)與物體在環(huán)境坐標(biāo)系中的坐標(biāo)之間的關(guān)系。在無人駕駛汽車中，采用雙目攝像頭可以減少感知盲區(qū)，對其標(biāo)定稱為外參數(shù)標(biāo)定，即兩個攝像頭之間需要確定它們之間的相對位置關(guān)系。

2）激光雷達(dá)的標(biāo)定

與攝像頭標(biāo)定類似，激光雷達(dá)在使用前也要對其內(nèi)外參數(shù)進(jìn)行標(biāo)定。內(nèi)參標(biāo)定是指其內(nèi)部發(fā)射器坐標(biāo)系與雷達(dá)坐標(biāo)系兩者間的轉(zhuǎn)換關(guān)系，在出廠前已經(jīng)完成，可直接使用。無人駕駛汽車需要進(jìn)行的是外參數(shù)標(biāo)定，即建立起激光雷達(dá)自身坐標(biāo)系與車體坐標(biāo)系之間的關(guān)系點(diǎn)[4]。

3）攝像頭與激光雷達(dá)的聯(lián)合標(biāo)定

攝像頭與激光雷達(dá)的聯(lián)合標(biāo)定，是指通過提取標(biāo)定物在單線激光雷達(dá)和圖像上的對應(yīng)點(diǎn)，完成單線激光雷達(dá)坐標(biāo)、攝像機(jī)坐標(biāo)、圖像像素坐標(biāo)等多個傳感器坐標(biāo)的統(tǒng)一，從而實(shí)現(xiàn)激光雷達(dá)與攝像機(jī)的空間校準(zhǔn)[5]。攝像頭與激光雷達(dá)的聯(lián)合標(biāo)定問題是當(dāng)前學(xué)術(shù)界研究的熱點(diǎn)。

2.2.2 環(huán)境感知與識別

環(huán)境感知的對象包括行駛路徑、周邊物體、駕駛環(huán)境和駕駛狀態(tài)。行駛路徑包含車道線、道路邊緣等，周邊物體包含了汽車周圍的行人、車輛以及其它可能阻礙車輛的障礙物。以下主要從車道線檢測、障礙物檢測、紅綠燈的檢測等角度，簡述無人駕駛汽車的環(huán)境感知方式[6]。

1）車道線檢測

車道線檢測能快速、準(zhǔn)確地檢測出車道線，幫助車輛進(jìn)行路徑規(guī)劃和偏移預(yù)警。目前較為常見的檢測方案是基于傳統(tǒng)計(jì)算機(jī)視覺的檢測，近年來也興起了基于深度學(xué)習(xí)的車道線檢測和基于激光雷達(dá)等高精度設(shè)備的檢測方式。

傳統(tǒng)計(jì)算機(jī)視覺的車道線檢測：傳統(tǒng)的檢測方法是利用車道線顏色的不同來進(jìn)行判斷。在路面與車道線的交匯處顏色變化較劇烈，可以利用邊緣增強(qiáng)算子突出圖像的局部邊緣。但這種方法僅適用于道路平整、車道線清晰的情況，當(dāng)光照較強(qiáng)、車道線較為模糊時(shí)，檢測效果會大打折扣。

基于深度學(xué)習(xí)的車道線檢測：傳統(tǒng)的車道線檢測需要人工對道路場景進(jìn)行特征提取和模型建立。而基于深度學(xué)習(xí)的檢測方法可以把車道線檢測看作分割或分類問題，利用神經(jīng)網(wǎng)絡(luò)去代替?zhèn)鹘y(tǒng)視覺中的手動調(diào)節(jié)濾波算子。

激光雷達(dá)融合的車道線檢測：激光雷達(dá)照射到不同介質(zhì)上時(shí)，其反射波強(qiáng)度也不同。因此可以通過掃描得到點(diǎn)云，通過對比反射強(qiáng)度值來區(qū)分出道路和車道線，但這種方法成本較高，較難得到推廣。

2）障礙物檢測

基于圖像的障礙物檢測：該方法是將得到的圖像進(jìn)行預(yù)處理，然后提取特征，如顏色、紋理、邊緣形狀等，并與已有的障礙物特征進(jìn)行對比，從而識別出障礙物。

激光雷達(dá)的障礙物檢測：激光雷達(dá)測距是通過激光發(fā)射器發(fā)射激光，遇到障礙物后，激光經(jīng)過漫反射返回部分能量，再分別進(jìn)入激光接收機(jī)，最后進(jìn)入信號處理系統(tǒng)進(jìn)行數(shù)據(jù)處理。目前基于幾何特征的聚類算法較為常見，通過將數(shù)據(jù)與障礙物的幾何特征進(jìn)行對比，可實(shí)現(xiàn)對障礙物的檢測和分類。

視覺和激光雷達(dá)融合的障礙物檢測：激光雷達(dá)和攝像頭各有優(yōu)劣，可將這兩種方法融合使用，以獲得更好的檢測效果[7]。融合方法主要分為空間融合和時(shí)間融合兩類?？臻g融合以前向視覺系統(tǒng)為主，將激光雷達(dá)坐標(biāo)系下的測量值轉(zhuǎn)換到攝像機(jī)對應(yīng)的像素坐標(biāo)系下，即可實(shí)現(xiàn)多傳感器的空間同步;同理，時(shí)間融合需要將兩者的采樣時(shí)刻調(diào)整一致，即完成共同采樣一幀雷達(dá)與視覺融合的數(shù)據(jù)，保證了雷達(dá)數(shù)據(jù)與攝像機(jī)數(shù)據(jù)時(shí)間上的同步。

3）紅綠燈檢測

紅綠燈檢測就是獲取紅綠燈在圖像中的坐標(biāo)及其類別。不同的檢測結(jié)果意味著不同的決策，紅綠燈的檢測狀態(tài)，決定著無人駕駛汽車的安全。

傳統(tǒng)計(jì)算機(jī)視覺的紅綠燈檢測：傳統(tǒng)的檢測步驟是將圖像從RGB轉(zhuǎn)換為CIE Lab顏色域，增強(qiáng)紅綠差距，通過候選區(qū)域檢測和候選區(qū)域驗(yàn)證后做出判斷。該方法檢測速度快，在一些簡單場景中取得了較好效果。

基于深度學(xué)習(xí)的紅綠燈檢測：深度神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測方面都是采用了金字塔結(jié)構(gòu)，如FastRCNN、Faster RCNN，都是在最后一層卷積層進(jìn)行檢測。該方法由于采用深度學(xué)習(xí)技術(shù)，對于較小目標(biāo)的檢測效果比傳統(tǒng)方法更好。

與高精度地圖相結(jié)合：以上兩種算法只能獲取紅綠燈在圖像中的位置，而要獲得它的世界坐標(biāo)則需要結(jié)合高精度地圖。有了高精度地圖，無人駕駛汽車就可以預(yù)知紅綠燈出現(xiàn)的位置，而不是等待圖像的識別。當(dāng)無人駕駛汽車由于遮擋或算法錯誤而無法檢測紅綠燈時(shí)，高精度地圖就能告知紅綠燈的相關(guān)信息，從而保證行車安全。

4）基于V2X的道路環(huán)境感知技術(shù)

V2X（ Vehicle-to-Everything）是將車輛與其它事物相連接的新一代通信技術(shù)。V代表車輛，X代表其它與車進(jìn)行信息交互的對象，可以是車、人、道路設(shè)施等等。V2X構(gòu)建了一個智慧的交通體系，促進(jìn)了汽車和交通服務(wù)的新模式發(fā)展，對提高交通效率起到了重要的作用。車路協(xié)同系統(tǒng)基于無線通信、傳感器等技術(shù)獲取車輛和道路信息，通過V2X實(shí)現(xiàn)信息交互和共享，從而實(shí)現(xiàn)了優(yōu)化道路資源、提高交通安全、緩解擁堵等目標(biāo)。這也是歐、美等交通發(fā)達(dá)國家和地區(qū)的研究熱點(diǎn)。

3 無人駕駛汽車定位技術(shù)

對無人駕駛汽車而言，準(zhǔn)確可靠地掌握汽車位置和姿態(tài)等定位信息是實(shí)現(xiàn)無人駕駛汽車導(dǎo)航功能的前提和基礎(chǔ)。無人駕駛汽車對定位技術(shù)的可靠性和安全性要求較高，對定位精度的要求達(dá)到厘米級。然而采用普通的導(dǎo)航地圖、衛(wèi)星定位很難滿足其需求。因此新的定位技術(shù)，如高精度地圖、多感知技術(shù)融合定位和無線通信輔助定位就成為無人駕駛汽車定位技術(shù)的發(fā)展趨勢。

從無人駕駛汽車定位時(shí)間應(yīng)用角度，可將定位分為基于高精度地圖的環(huán)境定位、汽車定位技術(shù)和基于無線通信的輔助汽車定位三大方面[8]。

3.1 高精度地圖

3.1.1 概念與作用

同普通導(dǎo)航地圖相較，高精度地圖的精度更高、數(shù)據(jù)維度更廣。普通導(dǎo)航地圖面向的是人類駕駛員，而高精度地圖則是面向自動駕駛系統(tǒng)。因此它需要包含更多的數(shù)據(jù)，如車道線類型、寬度，護(hù)欄、標(biāo)志牌、紅綠燈等詳細(xì)信息。此外，為保證自動駕駛的安全性，對于其靜態(tài)地圖數(shù)據(jù)要求周級或天級更新。而對于動態(tài)數(shù)據(jù)，如路況和交通事件等信息要求實(shí)時(shí)更新。對于無人駕駛汽車而言，高精度地圖主要起輔助作用。其輔助功能體現(xiàn)在：一是當(dāng)衛(wèi)星定位不夠精確時(shí)，可以利用高精度地圖進(jìn)行修正，用以提高定位精度;二是高精度地圖的路徑規(guī)劃能力達(dá)到了車道級，它還可輔助無人駕駛汽車進(jìn)行路徑規(guī)劃。

3.1.2 高精度地圖關(guān)鍵技術(shù)

高精度地圖關(guān)鍵技術(shù)主要涉及道路元素圖像處理、激光點(diǎn)云處理、同步定位與地圖構(gòu)建，以及高精度地圖云端服務(wù)體系等四個方面。

1）道路元素圖像處理：高精度地圖的制作需要對各種道路元素，諸如交通標(biāo)志、紅綠燈、車道線和隔離帶等進(jìn)行識別，并標(biāo)注名稱。在識別前，由于光線、雨水、車速等內(nèi)外因素影響，圖像可能會失真，因此要先進(jìn)行降噪和增強(qiáng)預(yù)處理，以提高圖片質(zhì)量。然后需要提取這些道路元素的特征，再進(jìn)行分類和標(biāo)注。最后，便可將這些圖片輸入到深度學(xué)習(xí)的模型中進(jìn)行訓(xùn)練和識別。

2）激光點(diǎn)云處理：激光雷達(dá)獲取的原始數(shù)據(jù)以激光點(diǎn)云的形式進(jìn)行存儲;而所采集到的數(shù)據(jù)通常包含噪聲，具有散亂、重復(fù)的特點(diǎn)。此時(shí)需要采用特征提取、配準(zhǔn)以及分割等方法來處理點(diǎn)云。特征提取可提高數(shù)據(jù)的抗噪聲能力;配準(zhǔn)可以將多個角度采集到的同一個數(shù)據(jù)進(jìn)行融合、消除誤差并統(tǒng)一到同一坐標(biāo)系下;點(diǎn)云分割可以將路燈、標(biāo)志牌的點(diǎn)云從大量雜亂無序的激光點(diǎn)云中識別出來。

3）同步定位與地圖構(gòu)造：在衛(wèi)星信號薄弱或丟失的情況下，可以依靠同步定位與地圖構(gòu)建技術(shù)（ SIAM）進(jìn)行高精度地圖的構(gòu)建以及無人駕駛汽車的定位。目前SLAM有兩種形式，以激光雷達(dá)為主的激光SLAM和以攝像頭為主的視覺SLAM。激光SLAM通過激光雷達(dá)獲取汽車周圍的點(diǎn)云數(shù)據(jù)，能精確地測出周圍物體的角度和距離;視覺SLAM采集的圖像信息要比激光雷達(dá)的信息更豐富，更利于后期的處理。

4）高精度地圖云端服務(wù)體系：空中下載技術(shù)（ OTA）能夠?qū)崿F(xiàn)高精度地圖的云端更新。它通過收集終端采集的數(shù)據(jù)，包括汽車狀態(tài)、道路情況、路面標(biāo)注等數(shù)據(jù)加以處理并發(fā)布，從而提升高精度地圖的準(zhǔn)確度和鮮度。

3.1.3 高精度地圖的解決方案

其解決方案主要包括高精度地圖的采集、制作與編譯、質(zhì)量控制與發(fā)布等步驟。

目前高精度地圖主要采用激光雷達(dá)、攝像頭、IMU（慣性測量單元）、輪測距儀的組合進(jìn)行數(shù)據(jù)采集。其中，激光雷達(dá)和攝像頭用于獲取采集車周圍的環(huán)境數(shù)據(jù)，IMU和輪測距儀用于獲取采集車的絕對位置;傳感器所采集到的環(huán)境數(shù)據(jù)可分為激光點(diǎn)云和圖像兩大類。由于自動識別可能存在誤差和錯誤，需要進(jìn)一步實(shí)施車道線識別是否正確、標(biāo)志牌以及紅綠燈的邏輯是否合理等人工驗(yàn)證。最后還需要進(jìn)行編譯，即規(guī)定了對地圖統(tǒng)一的表述;當(dāng)上述理論操作執(zhí)行完后，還需要設(shè)計(jì)高效的評估標(biāo)注及測試標(biāo)準(zhǔn)來檢驗(yàn)高精度地圖的質(zhì)量。

3.2 定位技術(shù)

定位技術(shù)是在汽車自動駕駛過程中確定其具體所在位置的一項(xiàng)重要技術(shù)。汽車定位主要包括衛(wèi)星定位、慣性導(dǎo)航定位、地圖匹配定位和多傳感器融合定位等技術(shù)，分別見下圖4。不同的定位方法獲取汽車的位置信息方式有所不同，所涉及到的多種傳感器類型及其相關(guān)技術(shù)，具體的功能、原理和分類對比如下表2所示：

3.3 多傳感器融合定位技術(shù)

汽車在實(shí)際行駛中，采用衛(wèi)星定位和慣性導(dǎo)航定位都有各自的缺點(diǎn)。比如，衛(wèi)星定位信號會因隧道、建筑群的遮擋而中斷。而慣性導(dǎo)航定位雖然在短時(shí)間內(nèi)可以提供連續(xù)的、精度較高的汽車位置、速度和航線信息，但其定位誤差會隨著時(shí)間的積累而持續(xù)增加。鑒于多種傳感器技術(shù)各具有不同的優(yōu)、劣勢，尚不存在某單一傳感器可以滿足所有工況需求的方案。因此，可考慮將多傳感器進(jìn)行數(shù)據(jù)融合，這樣就可大幅提高汽車定位精度。

目前，可以從衛(wèi)星導(dǎo)航GPS定位，慣性導(dǎo)航定位，航位推算系統(tǒng)定位等方式中獲取多源定位信息。再利用深度神經(jīng)網(wǎng)絡(luò)或擴(kuò)展卡爾曼濾波等方式實(shí)現(xiàn)多源信息的融合定位。如下圖5所示。

特別地，衛(wèi)星定位與慣導(dǎo)融合的低成本、高精度、高可靠定位傳感器是實(shí)現(xiàn)厘米級定位的重要手段。其中，基于差分GPS+慣性導(dǎo)航IMU的組合是最為常見的定位方法，其精度為米級。對于低精度的定位要求，差分GPS+慣性導(dǎo)航IMU可謂是一對黃金組合：在GPS信號良好時(shí)，GPS起主導(dǎo)作用。當(dāng)GPS信號暫時(shí)中斷（例如隧道環(huán)境），慣性導(dǎo)航則可在短時(shí)間依靠航位推算繼續(xù)提供較高精度的定位。但是，對于自動駕駛車輛來說，這樣的定位精度顯然不夠。于是在差分GPS+IMU的基礎(chǔ)上，使用激光雷達(dá)或者雙目視覺進(jìn)行地圖匹配，獲取當(dāng)前車輛在高精地圖中的局部具體位置，此時(shí)定位精度則可達(dá)到更為精確的厘米級。

4 環(huán)境感知與定位技術(shù)難點(diǎn)與發(fā)展趨勢

4.1 面臨的問題

1）深度學(xué)習(xí)對無人駕駛環(huán)境的感知存在局限性。

深度學(xué)習(xí)是當(dāng)前新興起的人工智能技術(shù)之一，被認(rèn)為是解決無人駕駛環(huán)境感知的一種有效方案。但它仍然面臨著巨大的挑戰(zhàn)，大量的問題亟待解決，現(xiàn)有的算法仍需提高。目前深度學(xué)習(xí)存在三大局限：一是需要海量樣本數(shù)據(jù)，二是標(biāo)準(zhǔn)測試集外難以取得較好的效果，三是對數(shù)據(jù)微小變化過于敏感。后兩點(diǎn)局限可以認(rèn)為是第一點(diǎn)中樣本“不夠”導(dǎo)致的結(jié)果。在某些背景和主體相互關(guān)系比較穩(wěn)定的場景，深度學(xué)習(xí)會有較好的效果，比如醫(yī)療影像，器官相對位置總是固定的。但交通場景卻不符合這個條件，很難達(dá)到較好的效果。真實(shí)世界的圖像都是組合的。對應(yīng)現(xiàn)實(shí)場景，尤其是我國交通狀況中路況較為復(fù)雜，吊車、摩托車，像鄉(xiāng)村小路牲禽亂竄，卡車?yán)瓨涞仁俏覀兩钪薪?jīng)常遇到的現(xiàn)象。這些樣本永遠(yuǎn)都是不夠的，現(xiàn)實(shí)交通場景中不同元素會出現(xiàn)無數(shù)種組合的可能。上述深度學(xué)習(xí)的三個局限究其根源，均是來源于它的關(guān)鍵能力缺失，即無法有效應(yīng)對“組合爆炸”的問題。以上場景對機(jī)器視覺是一個難題，提高在復(fù)雜情況下的感知精度是對無人駕駛汽車研究的挑戰(zhàn)。

同時(shí)，雖然基于深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺技術(shù)在無人駕駛汽車任務(wù)中取得了巨大的成功，但對視頻的分析能力卻相對薄弱。因?yàn)闊o人駕駛汽車面對的通常是視頻流，而不是單個的靜態(tài)圖像。分析視頻的深度學(xué)習(xí)算法，通常是從圖像領(lǐng)域直接遷移過來的，缺乏時(shí)序性的有效描述，還未能形成獨(dú)立的科學(xué)問題。

2）環(huán)境感知能力直接決定無人駕駛汽車智能化的水平。

目前的傳感器技術(shù)及布置方案可以保證在特定工況下實(shí)現(xiàn)有效的感知，但是對于復(fù)雜交通環(huán)境以及雨雪極端天氣、光照、噪聲強(qiáng)干擾環(huán)境，感知與信息融合的準(zhǔn)確性難以得到有效保證，其魯棒性有待加強(qiáng);與此同時(shí)，涉及到汽車安全方面的控制系統(tǒng)，需要感知系統(tǒng)提供快速更新的感知融合信息，先進(jìn)信息融合算法的快速實(shí)現(xiàn)仍然是亟待解決的問題。

3）當(dāng)汽車在高速行駛、密集場景和立交橋高低位置時(shí)，無人駕駛定位技術(shù)存在著需要解決的難題。

首先，室外告訴行駛的車輛可依靠GPS或北斗定位，移動站通過對所采集到的衛(wèi)星數(shù)據(jù)和接收到的數(shù)據(jù)鏈進(jìn)行實(shí)時(shí)載波相位差分處理，其歷時(shí)不到一秒，得出厘米級的定位結(jié)果。車輛速度達(dá)到120km/h后，每秒移動33米，加之CPS的數(shù)據(jù)傳輸時(shí)延較高，需要車載專用短程通信以及V2X等技術(shù)車路協(xié)同，這才能支持無人駕駛的安全需要。

其次，對于大型地下停車場等車輛聚集密集場景，眾多車輛進(jìn)出停車場，需要對所有車輛實(shí)時(shí)定位和路徑規(guī)劃調(diào)度導(dǎo)航，才能保證有序。此時(shí)沒有GPS或北斗信號，WIFI/BLE等定位技術(shù)適合尋車等簡單業(yè)務(wù)，傳統(tǒng)UWB定位系統(tǒng)無法適應(yīng)大量車輛的定位精度及服務(wù)器位置信息處理導(dǎo)致的時(shí)延，因此無人駕駛依然有較大的缺陷與隱患。

最后，對于立交橋、涵洞、隧道等場景，由于無法收到GPS或北斗信號，且在某些場景下，如立交橋需要定位區(qū)分上下層，現(xiàn)有技術(shù)難以滿足這樣的精度需求，無法對車輛定位，需要其它方式的定位手段，尤其是需要無盲區(qū)定位，以確保車輛平滑穩(wěn)定的自動行駛。

4.2 展望

1）“幾何深度學(xué)習(xí)”的出現(xiàn)為汽車無人駕駛環(huán)境感知提供了更為廣闊的前景。

隨著深度學(xué)習(xí)的發(fā)展，人們并不僅滿足于深度學(xué)習(xí)應(yīng)用于傳統(tǒng)的圖像處理，而是更進(jìn)一步地對空間點(diǎn)云、曲面和網(wǎng)絡(luò)等幾何對象應(yīng)用深度學(xué)習(xí)算法，將這一領(lǐng)域稱為“幾何深度學(xué)習(xí)”。研究者在不規(guī)則的非歐氏數(shù)據(jù)集上對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擴(kuò)展，這便有了圖卷積神經(jīng)網(wǎng)絡(luò)、PointNet等新技術(shù)的出現(xiàn)。這些新技術(shù)的出現(xiàn)拓展了神經(jīng)網(wǎng)絡(luò)在智能駕駛感知環(huán)境中的應(yīng)用。

2）視覺識別和激光雷達(dá)將逐漸成為感知技術(shù)的核心。

在實(shí)際駕駛過程中，駕駛員獲取的絕大部分信息來自于視覺。攝像頭擁有十分豐富的線性密度，其數(shù)據(jù)量遠(yuǎn)超其他類型的傳感器?；趫D像信息密度最高的優(yōu)勢，使得視頻視覺識別處于整個感知融合的中心地位。而攝像頭需要識別和估算的目標(biāo)復(fù)雜繁多，這使得基于目標(biāo)監(jiān)測與識別的學(xué)習(xí)算法的優(yōu)化研究成為必然趨勢。另外，激光雷達(dá)相對于毫米波雷達(dá)等其他傳感器具有識別效果好、分辨率高等優(yōu)勢，已逐步發(fā)展成為主流的自動駕駛汽車用傳感器。目前，激光雷達(dá)正在向著小型化、低成本的固態(tài)掃描或機(jī)械固態(tài)混合掃描形式發(fā)展。

3）基于多傳感器信息融合的環(huán)境感知技術(shù)可以發(fā)揮各傳感器的優(yōu)勢，使采集的信息有一定的冗余度。

在提高系統(tǒng)容錯率的同時(shí)，也能夠精確感知和精準(zhǔn)定位，以保證決策的快速性和準(zhǔn)確性，這是目前的研究熱點(diǎn)，也是無人駕駛汽車的必然趨勢。與此同時(shí)，智能駕駛汽車通過攝像頭、雷達(dá)、定位導(dǎo)航系統(tǒng)等獲取環(huán)境信息，其數(shù)據(jù)形式包括圖像，視頻和點(diǎn)云等。如何有效地挖掘利用這些感知數(shù)據(jù)，摒棄與無人駕駛無關(guān)的冗余信息，抽取并融合對無人駕駛有用的信息，正確指導(dǎo)車輛的駕駛，這也是無人駕駛車輛的環(huán)境感知與定位的核心問題和今后的發(fā)展方向。此外，多傳感器的融合其實(shí)是商業(yè)化自動駕駛達(dá)到高可靠性的必由之路。多傳感器融合如何同時(shí)在車載系統(tǒng)和路側(cè)系統(tǒng)實(shí)現(xiàn)，更是未來值得研究的關(guān)鍵問題之一。

4）融合北斗衛(wèi)星和路側(cè)設(shè)施的高精度高可靠定位逐漸將成為主流。

普通導(dǎo)航地圖的精度低，沒有反映道路的細(xì)節(jié)信息，無法準(zhǔn)確獲取車輛所在位置。而高精度地圖的絕對精度要求優(yōu)于Im，包括車道、車道限制信息、車道中心線等豐富的信息。隨著智能交通和自動駕駛領(lǐng)域的飛速發(fā)展，現(xiàn)有的普通導(dǎo)航地圖在精度和完整性等方面都不能滿足車路協(xié)同自動駕駛的應(yīng)用需求。而北斗衛(wèi)星導(dǎo)航系統(tǒng)可在全球部分范圍內(nèi)全天候、全天時(shí)為用戶提供高精度、高可靠定位、導(dǎo)航、授時(shí)服務(wù)，并可進(jìn)行短報(bào)文通信。因此，未來將融合北斗衛(wèi)星和路側(cè)設(shè)施，構(gòu)建車路協(xié)同自動駕駛高精度地圖。

5）人機(jī)協(xié)同共駕技術(shù)尚處于研究階段，如何考慮人機(jī)耦合與駕駛環(huán)境的復(fù)雜性、駕駛員駕駛習(xí)性與行為不確定性，是人機(jī)共駕面臨的挑戰(zhàn)性問題。

對人機(jī)協(xié)同共駕研究剛剛起步，除了車輛運(yùn)動控制系統(tǒng)之間存在協(xié)同問題，駕駛員與車輛之間也存在交互與協(xié)同，人機(jī)協(xié)同的實(shí)現(xiàn)難度大，需要進(jìn)一步協(xié)調(diào)人機(jī)混合駕駛決策控制系統(tǒng)和人類駕駛員的權(quán)重，形成人機(jī)動態(tài)交互，從而實(shí)現(xiàn)駕駛員和控制系統(tǒng)的駕駛權(quán)最優(yōu)化分配和切換操縱。因此，結(jié)合人類智能與機(jī)器智能各自優(yōu)勢，采用人機(jī)智能混合增強(qiáng)技術(shù)，可進(jìn)一步促進(jìn)汽車智能化的發(fā)展，這也是未來無人駕駛汽車的發(fā)展趨勢。

參考文獻(xiàn)：

[1]王建，徐國艷，陳競凱，馮宗保著，自動駕駛技術(shù)概論[M].北京：清華大學(xué)出版社，2019.

[2]趙爽.汽車毫米波防撞雷達(dá)的研究與實(shí)現(xiàn)[D].長春：長春理工大學(xué)，2013.

[3]王世峰，戴祥，徐寧，張鵬飛.無人駕駛汽車環(huán)境感知技術(shù)綜述[J]長春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，40 （1）：1-6.

[4]諶形童.三維激光雷達(dá)在自主車環(huán)境感知中的應(yīng)用研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2011.

[5]葉春蘭，基于圖像顏色與激光點(diǎn)云信息的智能車輛行駛環(huán)境三維重建[D].北京：北京理工大學(xué)，2013.

[6]甄先通，黃堅(jiān)，王亮，夏添著，自動駕駛汽車環(huán)境感知[M].北京：清華大學(xué)出版社，2020.

[7]唐智威，基于視覺的無人駕駛汽車研究綜述[J]制造業(yè)自動化，2016，38 （8）：134-140.

[8]李曉歡，楊晴虹，宋適宇，馬常杰著.自動駕駛汽車定位技術(shù)[M].北京：清華大學(xué)出版社，2020.

基金項(xiàng)目：重慶大學(xué)大學(xué)生科研訓(xùn)練計(jì)劃項(xiàng)目（CQU-SRTP-2019318）