ADAS概述

本文转自：https://mp.weixin.qq.com/s/DS3q0EqzcKU5PiTD0JODKw

原文是2016年的一个访谈。

9月20日，四维图新副总裁李昭宏作客Comet Talk线上微课，为大家分享自动驾驶的发展。以下为微课干货分享：

汽车行业是一个有百年历史的行业，且在这100多年来，一直循序渐进的发展，很少有突破性的进展。但最近几年，由于技术上的一些新突破，从传感器，到计算机技术，新能源技术，尤其是人工智能领域的一些突破，给传统的汽车行业带来了深刻的变革。其中最突出的就是对自动驾驶的研究和实施。

汽车给人类带来的巨大便利，极大的提高了生产效率，但同时也带来了很多负面影响。包括人员的伤亡（交通事故），空气污染，以及交通拥堵带来的巨大时间成本。

在美国，自动驾驶汽车如能得到广泛使用，每年就能挽救3万多条因交通意外而逝去的生命。统计数据显示，交通事故的产生90%以上的原因是由于驾驶员人为因素造成的。车辆行驶时间平均可缩短40%，可节省因通勤和交通阻塞而浪费掉的800 亿小时，还可减少燃耗40%。多方研究表明，上述社会效益在美国的经济价值高达1.3万亿美元。来源波士顿咨询

但目前如果完全实现自动驾驶，也还有一些问题亟待解决。算法的道德困境：

不像人在紧急情况下会产生本能反应，自动驾驶汽车需要计算，然后从数据中选择一个合适的方案，这可能包括在车主和车外人群之间做出选择。

责任的法律归属：经过测试的自动驾驶汽车被允许上路之前，立法也应该完善，而保险公司也必须决定如果汽车出现意外谁来负责。自动驾驶的安全性：兰德指出自动驾驶汽车被认为可以消除许多人为操作安全隐患，但也存在黑客攻击等潜在风险。职业：如果自动驾驶汽车开始工作且比人类驾驶更安全，我们要取消人类司机吗？

由于汽车市场本身的体量，而自动驾驶又是未来的发展方向，所以这个领域的市场发展空间是巨大的。根据据罗兰贝格预测，至2030年自动驾驶市场规模达500亿美元左右。而BCG（波士顿咨询）则预测至2035年自动驾驶渗透率可达25%，市场规模达770亿美元。高盛公司预计到2050年市场规模会到达300亿美元。

到那个时候，市场上已经不会有驾驶员了。Elon Musk曾经说过，自动驾驶的时代，人开车是违法的。虽然现在自动驾驶还处于一个相对早期的阶段，但未来的想象空间是无限的。

什么是自动驾驶？

自动驾驶汽车（Autonomous vehicles；Self-piloting automobile ）是一种通过电脑系统实现无人驾驶的智能汽车。严格的说，自动驾驶也是分阶段和不同内涵的，它包含了辅助驾驶，ADAS，和无人驾驶。总的来说，它分为三个阶段：初级，高级和终极阶段。初级阶段主要以预防为主，高级阶段主要以控制为主，终极阶段就是无人驾驶。

目前，奥迪、沃尔沃、奔驰等企业开发的都是具有自动驾驶功能的汽车。Google开发的就是无人驾驶，部分原型车辆上直接取消了方向盘、油门和刹车踏板这些给驾驶员使用的操控设备。

目前，自动驾驶由刚才提到的三个阶段又分为五个级别。目前的分类系统主要是以美国国家公路交通安全管理局和美国汽车工程师学会定义的。NHTSA分类中的五级分别代表了无自动化、驾驶支持、部分自动化、有条件自动化和高度自动化即无人驾驶，SAE对高度自动化进行了细分，分成了高度自动化和完全自动化。

不同Level对与车辆驾驶主体的控制、观察和支持有不同的要求，比方说Level 1实现了主动刹车控制，解放了驾驶员的双脚，做到 Feet Off；Level2， 系统接着控制了车辆方向，解放了驾驶员的双手，做到Hands OFF；Level3 在特定条件下，系统能够掌控环境感知，这时解放了驾驶员的眼睛,做到Eyes Off；到了level4 ，进入无人驾驶，驾驶员可以完全不关心驾驶，做到Minds Off。如果人类驾驶员没有达到所使用自动驾驶技术等级的要求，就有可能出现事故。

Telsa在国外和国内的两次伤亡事故，都是因为Autopilot本是Level2级别的技术，在这个级别的层面上，驾驶员还是车辆的掌管者，系统只是辅助功能，驾驶员需要对环境进行监控，车主不能把驾驶判断能力完全交给车辆。 

不同Level所实现自动驾驶功能也是逐层递增的。Level0 中实现的功能仅能够进行传感探测和决策报警，比如夜视系统、交通标识识别、行人检测、车道偏离警告等。Level1实现单一控制类功能，如支持主动紧急制动、自适应巡航控制系统等，只要实现其中之一就可达到level1。Level2 实现了多种控制类功能，如具有AEB和LKA等功能的车辆。Level3实现了特定条件下的自动驾驶，当超出特定条件将由人类驾驶员接管驾驶。SAE中的L4是指在特定条件下的无人驾驶，如封闭园区固定线路的无人驾驶等，例如百度在乌镇景区运营的无人驾驶服务。而SAE中的L5就是终极目标，完全无人驾驶

不同等级的驾驶技术从开始市场化到全面实现需要一个逐步渗透的过程，按照高盛的预测，Level4级别的完全自动驾驶其市场化开始可能会在2025年左右，等到2060年会全面实现。从各个厂家Level4的开发计划来看，开始市场化的时间点有可能会提前。

配合自动驾驶延展哪些领域的新技术？

和人类驾驶车辆一样，由系统实现自动驾驶需要回答几个问题，我在哪里？ 周边环境如何？接下来会发生什么？我该做什么？

对应以上问题，系统首先需要进行感知，感知车辆、感知环境来回答我在哪里？ 周边环境如何？ 这块采用的传感器技术包括了激光雷达、毫米波雷达、摄像头、超声雷达、高精度定位、以及高精度地图、V2X等技术。系统通过分析决策来分析 “接下来会发生什么”以及“接下来我该做什么”。最后通过执行结构完成相应的操控动作。

                                                                                 

感知部分主要通过不同的传感器作为数据源来获取周边的环境信息。目前使用的传感器包括激光雷达，毫米波雷达和摄像头。

激光雷达，能够生成数字搞成模型。它的工作过程包括，LiDAR以一定的角速度匀速转动，在这个过程中不断地发出激光并收集反射点的信息，计算出所有反射点的坐标。LiDAR每旋转一周收集到的所有反射点坐标的集合就形成了该时刻的点云（point cloud）。

LiDAR获取的点云数据与现有的数据库中的模型进行对比，可以识别出探测到的物体类别，甚至是交警的手势。这方面需要用到大数据处理技术、机器学习和人工智能等方面的技术。由于激光传感器成本高昂（目前需要40-50万人民币），目前降低激光雷达成本的基本方向，是让激光雷达从“机械”往“固态”的路线走。“固态激光雷达”能够通过电子部件实现360°发射从而实现对周围环境360°的扫描，而不需要依靠内部机械部件的旋转。

毫米波雷达也是在自动驾驶中广泛使用的传感器，它的穿透力非常强，主要的应用场景就是测量距离，探测无人车周边的环境。毫米波雷达的微波遇到车辆之后被反射回来，被雷达测速计接收，在短时间内就能计算出所测车辆的车速。

摄像头由于成本低、分辨率高、也是唯一可获得外观信息的传感器，在目前技术条件下成为主要的传感器硬件。摄像头有单目、双目、甚至多目的解决方案。单目摄像头在测距等应用中需要维护大量样本进行训练，而双目和多目由于采用了立体视觉的技术，可以不再依赖大量样本数据但需要复杂的算法和大量的实时计算才能得出。

镜头的角度、有效识别距离、分辨率三者之间是矛盾的。比如 ADAS 系统对摄像头的要求是纵深方向的视野要好、低像素、高感光度(给机器用的)。而行车记录仪（给人用的）要求大广角，像素要高得多（即使只有 200万像素），因此，现在一些市面上的行车记录仪也可实现ADAS 中如FCW的一些功能，这种方式从传感器上本身就有缺陷。

不同传感器有不同的特性，这张图表达了不同主流传感器的覆盖范围。

不同传感器有不同的优缺点，目前来看，没有一种传感器可以适用于任何使用环境。比如说激光安装车顶之上，在车辆底部的就形成一个无法测量的圆形区域。用于自适应巡航的雷达是用于远距离测量的，对于近距离测量的精度还不够，而在泊车时的精度需要达到厘米级，这时候善于近距离测量的超声波雷达就派上用场了。因此只有通过传感器的融合，才能在功能的多样性以及成本上达到设计目标。

高精度地图或者叫自动驾驶地图能够扩展车辆的静态环境感知能力。高精度地图为车辆提供了其它传感器提供不了的全局视野，可提供传感器监测范围外的道路、交通和设施信息。高精度地图是为面向自动驾驶而采集生成的地图数据，根据自动驾驶需求而建立道路环境模型，包含道路数据、如道路车道线位置、类型、宽度、坡度和曲率等信息，以及交通标志、交通信号灯等信息、车道限高、下水道口、障碍物以及其他道路上一些细节，还包括高架物体、防护栏、树、道路边缘类型、路边地标等基础设施信息。

高精度地图在精确定位 、基于车道模型的碰撞避让、障碍物检测和避让、智能调速、 转向和引导等方面都可以发挥重要作用。在高精度定位方面，商用定位系统的精度仅有5米左右，而高精度地图与传感器协同工作，可将车辆的位置定位精确厘米级（TomTom/Google/Here都达到10-20厘米）。在获取静态环境信息方面，通过从高精度地图模型中提取，可将车辆位置周边的道路、交通、基础设施等对象以及对象之间的相对关系提取出来。

V2X泛指车辆信息互通的技术，包括V2R，车辆与道路；V2I，车辆与基础设施；V2V，车辆与车辆等；在自动驾驶领域，V2V与V2I的应用用以扩展车载传感器感知范围和效果，使智能车辆的环境感知范围扩大，不再受限于车载传感器的视距范围限制。

首先，通过多车之间沟通各自速度、加减速和转向等信息，为交通的可预测和管控提供基础。其次，通过V2X应用广播前车的环境感知结果，使得施工、交通事故、道路异物、坑洞和路滑等情况可以预先告知后车，有效提高自动驾驶安全。第三，通过V2X网络互联到云端，可以获得更大范围的环境信息，扩展了实时导航和路径规划等服务，减少了多变的天气和复杂环境因素影响。

按照对数据感知、理解的不同方式，自动驾驶技术路线可以大致分为两个基本路线。一个是储存/比对为主，主要技术路线包括对传感器环境与数据库匹配以确定车辆的位置、依赖高精度地图、通过已知物体数据库与传感器输入来探测障碍，需要通过云端提供所需数据服务。

另一个是以感知、理解为主，通过传感器收集信息，建立实时环境模型，以高精度地图作为传感器的补充甚至可以不需要高精度地图支持，通过深度学习等方式判断障碍，不需要云端提供所需的数据服务。在自动驾驶发展过程中，高精度地图、人工智能技术、云计算应用越来越广泛，未来自动驾驶将是两种路线的综合体。

在决策过程中，认知部分需要传感器数据认知车辆位置、车辆状态以及周边环境，包括车道、交通标识、设施、行人以及车辆的识别，综合车辆的行驶路径决策，包括动态对象运动预测、活动规划、并得出决策方案。最后将决策结果输出给车辆执行系统。

 

车辆电传线控平台收到执行执行指令后，将根据决策结果分别进行相应的制动、转向、驱动等动作。无人驾驶也使得现有的执行部件由液压、机械式转向电传线控化。

国内外自动驾驶领域的现状及发展

奥迪的自动驾驶原型车传感器包括了激光雷达、ACC自适应雷达、超声雷达、前置摄像头、前置红外摄像头。奥迪已经实现了短距离的城市非封闭道路试验性的自动驾驶。奥迪计划17年或者18年量产可达到或接近达到level3的自动驾驶车辆。2021年推出L4无人驾驶车型。

宝马以高精度地图结合激光雷达作为无人驾驶的研究方案，以激光探测器＋双目摄像头作为自动驾驶的量产方案。在上海车展上宝马自动驾驶汽车配置了4个激光雷达， 4个短距离77G毫米波雷达位于四个角保险杠；还有4个长距离77G，前面2个后前面2个；  1个双目CAM在前，单目前4后1，4个Surrouding View CAM，都挨着短距77G毫米波雷达。

宝马在2015年7月上海创新日上曾以 0-210km／h 全实现了车速车道跟踪驾驶系统、全自动遥控泊车、防碰撞系统。宝马与百度合作，以宝马3系作为平台采用百度自动驾驶技术于2015年底实现了北京混合路测 ，从 百度大厦－G7－五环路－奥林匹克森林公园往返，完成了途中的自动并线、超车、掉头、左转等操作。

长安汽车无人驾驶原型车采用了激光雷达、毫米波雷达、单目摄像头等传感器。长安汽车已于今年4月实现了从重庆到北京的2000公里实际道路无人驾驶。长安计划2020年量产level3 车型。

Google是最早提出和执行无人驾驶汽车计划的企业。但由于其目标一直是无人驾驶，市场化方面比较保守，有媒体认为谷歌无人驾驶汽车项目落后竞争对手，先发优势已逐渐丧失。Google无人车所使用的传感器包括了毫米波雷达、激光雷达、摄像头、并且大量使用高精度地图。Google在公路上试驾里程已经超过了400万公里，并计划2020年推出全自动驾驶汽车。

百度可以说是国内无人驾驶汽车领先的企业之一。百度无人车所使用的传感器包括了激光雷达、毫米波雷达、摄像头、红外、惯导、以及高精度地图。百度在15年底完成了城市环路及高速混合路况的全自动驾驶。今年7月，在乌镇景区推出了Level4级别的无人驾驶服务。

百度无人驾驶的核心，AutoBrain不仅在宝马3系上得到了实践，也安装到了改进版的奇瑞EQ汽车上。百度15年底宣布计划三年实现自动驾驶汽车商用化，五年实现量产。关于合作方面，百度与福特公司1.5亿美元的共同投资激光雷达公司Velodyne LiDAR；百度与英伟达联合开发自动驾驶汽车平台   。

Uber的无人驾驶原型车上采用了雷达、摄像头、高精度地图等传感器。UBer已在美国宾夕法尼亚州匹兹堡市推出无人驾驶载客服务。当然，全球第一个无驾驶出租车业务是nuTonomy今年8月在新加坡份首次推出的。

为了保证安全，每辆Uber无人驾驶专车上配备两名Uber工程师，一人坐在驾驶座上，随时准备在紧急情况下控制车辆，另外一人则监控汽车的动态。Uber表示，除了4辆试运行的无人驾驶专车，至少还有另外12辆Uber无人驾驶汽车已做好上路载客准备。Uber计划，逐步将随车的两名工程师减少至一名，最终实现“纯无人驾驶”。

自动驾驶政策也不断引导和促进产业发展，可以看到各个国家都将ADAS主动安全技术纳入到安全评分体系，甚至是车辆必须配备的功能。我们国家汽车工业协会在今年发布的十三五规划当中，提出了具有辅助自动驾驶功能50%新车渗透率，具有部分自动驾驶功能达到10%新车渗透率的目标。这无疑会推动自动驾驶技术的在产业化方面的快速进展。

在自动驾驶研发上，汽车公司和科技公司谁跑的更快？

汽车公司更倾向于渐进式自动化，而以Google、Baidu等为代表的科技公司是以人工智能进入完全自动驾驶，一个是渐进式，另一个具有颠覆式的色彩。他们在盈利模式上也有所区别，传统汽车公司依然着重整车销售和后市场的服务。而科技公司更注重内容资源、平台服务和共享经济所带来的新商业模式。

有预测认为中短期科技型企业依然无法撼动传统车企的占决的过半市场份额。传统车企从辅助驾驶开始逐步提升，既有品牌与用户优势，且造车门槛较高，

传统整车厂仍保有全产业链优势，产品安全可靠性更高；且消费者对传统品牌认可度较高，汽车产业不会被科技型公司完全颠覆。

 

当然，科技企业与传统车企合作越来越多，他们之间的联姻，包括合作与投资，也许会是激烈竞争的另外一个结果。

四维图新在自动驾驶领域的探索

四维图新于2012年开始研发并生成自动驾驶辅助系统地图，也就是ADAS地图。于2013年开始研究高精度地图的规范和制作工艺，于2014年与部分汽车厂商联合开发产品规格，提供样本数据。2015年根据客户的反馈，全面启动了高精度地图的制作生成。今年计划全面实现L2级别高精度地图，并具备全国高速路网覆盖和相关的能力。

四维图新高精度地图内容覆盖广泛，相对精度可达到10-20cm。车道属性包括了车道信息，如坡度、曲率、航向、车道数、车道类型、拓扑结构、车道宽度、车道标识、交通限速、交叉引用等信息，还包括了对象的信息，如路牙、障碍物、隧道、人行道、收费站等对象的信息。

四维图新还研发了自动驾驶原型车，一方面用来保证高精度地图的生产符合生成需要，另一方面也为车企提供自动驾驶方案。

采用了人工智能深度学习方式的相关研究，这是基于摄像头数据进行环境感知和车道定位的结果，在Nvidia GPU的支持下可实现60HZ以上的环境感知、90HZ以上的车道级别定位 。

这张图展示了一些实例，如交通灯识别、限时标识识别、车辆识别、行人识别 。

这是基于KITTI数据集进行Car Detection的基准测试结果，横轴是研究和训练时间，纵轴是感知的性能，可以看到经过了半年左右的研究和训练，已经接近90%的识别率。

不得不承认，实际道路情况是非常复杂的。图1由于拥堵车辆都没有按照车道线行驶；图2前方有什么障碍物？是小车还是大车？ 图3车辆需要识别交警手势；图4减速路坎需要识别；图5,6中正常道路上出现了玻璃、井盖缺失等情况；图7,8中由于雨水、雪而无法识别车道；因此，要在复杂路况上实现完全自动驾驶还需要做更多的努力。

Q&A:

Q：四维图新制作高精地图采集数据是用LiDAR+摄像头吗？每公里采集数据大小是在什么量级？

A：有很多新的初创公司在做一些探索，我们用LiDAR和摄像头采集数据，如果是不经过处理的数据，每公里基本就是GB的level。如果用深度学习的算法，在收集以后能够把一些数据提取出来做对比，并且加入一些变化，这个数据量就会非常小，这是未来的一个发展趋势。

Q：四维图新每天跑在城市路上的测图车全国大概有多少辆？

A：对于传统的地图生产来讲，每年在传统地图生产上，传统数据的采集车有150多辆，作业人员有650多人，跑的公里数大概每年为360万公里。对于高精度地图来讲，我们也知道这个技术发展是分阶段的，目前也没有哪个车厂可以马上推出自动驾驶量产的车型。所以我们的计划是分阶段来逐渐的生产全国性的高精度地图的数据，只需要一二十辆车的规模，从某一地区开始，逐渐覆盖全国。

 

Q：四维图新将来有计划开放高精地图API给开发者（个人和企业）吗？ 

A：我们最近成立了全公司范围的大数据云平台，逐渐的把我们的数据开放给第三方，包括个人，企业。高精度地图这块我们正在制作全国的数据，下一步正在规划，目前没有明确定论。但是别的部分包括实时交通数据，传统数据以及整个第三方数据会逐渐以API的形式开放给第三方。

 

Q：现在的无人驾驶解决方案是否靠激光雷达（加一些辅助传感器）、开源算法和英伟达GPU就能解决，四维图新的竞争力主要在哪一块？

A：我认为在自动驾驶这块是脱离不了激光雷达的，本身来讲，开源的算法能满足需求的70%-80%，剩下的肯定要通过自己的一些优化来达到目的。我们的竞争优势，主要是基于我们在地图行业的经验和一些过去的资源，在高精度地图生产上面，基于我们的优势，会在整个自动驾驶部分发挥我们的作用。