如何成为一名无人驾驶工程师

无人驾驶作为一项新兴技术，落地为产品需要大量算法、工程、产品贯通的AI全栈人才。笔者在最近一年招聘中发现，许多技术方向的同学对人工智能既爱又畏惧，一方面觉得这是未来，另一方面又觉得很难而不敢触碰。懂工程的同学做算法时有很大的畏惧感，而专注算法的同学又常常容易陷入某个算法而缺乏工程落地能力。这次笔者以一个从业者角度来与大家聊一下如何入门无人驾驶／机器人行业，也希望大家多了解PerceptIn，加入PerceptIn大家庭，在实战中成长为算法，工程，产品贯通的AI全栈人才。

为什么需要无人驾驶

首先我们探讨下无人驾驶能如何提高人类社会的效率。第一是无人驾驶对环境的影响：每辆传统车每年平均排放5吨的二氧化碳，以美国为例有2.5亿台车，每年二氧化碳排放就有12.5亿吨。而如果使用中央调度的无人新能源车，那么总排放量可以被降低到0.6亿吨，效果十分惊人。

然后我们看看无人驾驶对安全的影响：人类驾驶员每驾驶100万英里的里程，平均会发生4.2次意外，全球每年会产生大约1300万次事故。如果我们能把无人驾驶每100万英里的事故率控制在1次以内，那么总事故数会被控制在300万左右。现在每年全球车祸死亡人数超过百万，所以无人驾驶的普及可以每年在全球挽救几十万甚至上百万的生命。

最后我们了解下无人驾驶对经济的影响：由于减少碳排放，无人驾驶普及每年可减少3000亿美金的经济损失。另外，每次车祸带来的经济损失平均为3000美金，那么如果通过无人驾驶实现每100万英里的车祸率在1次以内的安全目标，每年也可以减少3000亿美金的经济损失。两者相加，无人驾驶普及后每年至少可以减少6000亿美金的经济损失，这基本相当于瑞士的GDP，如果按全球国家GDP排行榜可以排进前20左右。

在手机平台上实现无人驾驶

假设你是一位ANDROID手机开发者，想投身无人驾驶行业，你需要的最重要的条件不是熟悉某个技术点，而是要有足够的好奇心去探索了解新的技术与克服困难的勇气。 一年前我们探索过一个好玩的课题，如果用一个手机平台，是否可以支撑起无人驾驶的作业？于是我们使用了ANDROID手机平台，实现了一些比较简单的无人驾驶功能，主要是用视觉来做。

下图显示了一个面向基于视觉的无人驾驶的移动SoC系统组成。在这个移动SoC实现中，我们利用DSP处理传感器数据，如特征提取和光流；我们使用GPU完成深度学习任务，如目标识别；采用两个CPU线程完成定位任务以实现车辆实时定位；我们使用一个CPU线程实现实时路径规划；使用另一个CPU线程进行避障操作。如果CPU尚未被全占有，多个CPU线程则可以在同一CPU核心上运行。

令人惊讶的是，实验数据证明，无人驾驶系统在ARM SOC上运行的性能并不差。定位流水线每秒可处理25帧图像，图像生成速度为每秒30帧图像，这说明产生的图像大部分可以得到及时处理，不会产生大规模的丢帧。深度学习流水线每秒能够执行2到3个目标识别任务。规划和控制流水线目标是在6 MS内完成路径规划。当使用ARM移动端 SOC进行无人驾驶时，我们能够以5英里/小时的速度行驶车辆，并且不损失任何定位信息；同时，整个SOC平均功耗为11瓦。移动SoC的硬件资源有限，能够支持有限范围内的无人驾驶系统确实是非常令人惊喜的发现。这说明如果增加更多的计算资源，硬件平台就能够处理更多的数据，并支持车辆以更快的速度行驶，最终满足产品级无人驾驶系统的需要。

无人驾驶技术

然后我们深入聊下无人驾驶的技术，无人驾驶并不是单点的技术，而是多个技术的整合。 无人驾驶的整体技术架构，大概可以分为三大模块：算法、系统以及云平台。

在车辆端，上层是算法模块，包括传感（如何更好的获取环境数据）、感知（如何更好的理解车辆周围环境，包括定位，物体识别，物体追踪）以及决策（在了解环境后如何更好的做出决策，包括路径规划，行为预测和障碍物躲避等）三个部分；下层则是操作系统和硬件平台。而在云端，则有一个无人驾驶的云平台，其上囊括了高精地图、模型训练、模拟计算以及数据存储等几块内容。

定位（Localization）

无人驾驶汽车行驶过程中最重要的是要知道自身处在什么位置上，只有这样才知道要怎么去往目的地。接下来将主要阐述目前应用比较多的定位技术。

• 定位技术：GPS

我们平常用的是多星GPS，可以接收伽利略或北斗的信号，做一个综合，然后得出一个相对精准的位置。但是多星GPS的定位精度大约能做到1-2米，这满足不了无人驾驶车道级定位的要求。所以，后续，业内又开发出一种被称为RTK（Real-Time-Kinematic）的GPS，主要是依靠在地面布置基站，通过基站的信号去纠正卫星的信号，精度可以达到分米级别甚至更低。但缺点是需要布置基站，成本很高，还需要人维护。接下来，又出现一种称为PPP（精密单点定位）的GPS技术，基于