【无人驾驶一】【第一本无人驾驶技术书】最全的12篇无人驾驶技术系列文章

无人驾驶作为人工智能的集大成应用，从来就不是某单一的技术，而是众多技术点的整合。技术上它需要有算法上的创新、系统上的融合，以及来自云平台的支持。本文整合了首发于《程序员》的无人驾驶系列技术文章，点击以下蓝色标题即可阅读：

光学雷达（LiDAR）在无人驾驶技术中的应用

本文为《程序员》无人驾驶技术系列文章的第一篇，深入解析光学雷达（LiDAR）在无人车研发中的应用，包括光学雷达的工作原理，在地图绘制、定位以及障碍物检测等环节的应用，以及面临的挑战。

 

GPS及惯性传感器在无人驾驶中的应用

本文是无人驾驶技术系列的第五篇，着重于GPS以及惯性传感器在无人驾驶中的应用。GPS是当前行车定位不可或缺的技术，但是由于GPS的误差、多路径以及更新频率低等问题，我们不能只依赖于GPS进行定位。而惯性传感器拥有很高的更新频率，可以跟GPS形成互补。而使用传感器融合技术，我们可以融合GPS与惯性传感器数据，各取所长，以达到较好的定位效果。

基于计算机视觉的无人驾驶感知系统

本文着重介绍基于计算机视觉的无人驾驶感知系统。在现有的无人驾驶系统中，LiDAR是当仁不让的感知主角。但是由于LiDAR的成本高等因素，业界有许多是否可以使用成本较低的摄像头去承担更多感知任务的讨论。本文探索了基于计算机视觉的无人驾驶感知方案。首先，验证一个方案是否可行需要一个标准的测试方法，我们介绍了广泛被使用的无人驾驶视觉感知数据集KITTI。然后，我们讨论了在无人驾驶场景中使用到的具体计算机视觉技术，包括Optical Flow和立体视觉、物体的识别和跟踪以及视觉里程计算法。

 

卷积神经网络CNN在无人驾驶中的应用

无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。

增强学习在无人驾驶中的应用

文章重于GPS以及惯性传感器在无人驾驶中的应用。GPS是当前行车定位不可或缺的技术，但是由于GPS的误差、多路径以及更新频率低等问题，我们不能只依赖于GPS进行定位。而惯性传感器拥有很高的更新频率，可以跟GPS形成互补。而使用传感器融合技术，我们可以融合GPS与惯性传感器数据，各取所长，以达到较好的定位效果。

无人驾驶中的决策规划控制技术

无人车作为一个复杂软硬件结合系统，其安全可靠运行需要车载硬件、传感器集成、感知预测，以及控制规划等多个模块的协同配合工作。作者认为最关键的部分是感知预测和决策控制规划的紧密配合。狭义上的决策规划控制部分，包含了无人车行为决策（Behavior Decision）、动作规划（Motion Planning）, 以及反馈控制（Feedback Control）这三个模块。而从更宽泛的概念来说，无人车的决策规划控制模块，紧密依赖于上游的路由寻径（Routing）以及交通预测（Prediction）的计算结果，所以本文也对路由寻径和交通预测模块进行介绍。

基于ROS的无人驾驶系统

在上篇解析光学雷达（LiDAR）技术之后，本文着重介绍基于机器人操作系统ROS的无人驾驶系统。文中将介绍ROS以及它在无人驾驶场景中的优缺点，并讨论如何在ROS的基础上提升无人驾驶系统的可靠性、通信性能和安全性。

 

无人驾驶硬件平台

本文是无人驾驶技术系列的第十篇，着重介绍无人驾驶硬件平台设计。无人驾驶硬件系统是多种技术、多个模块的集成，主要包括：传感器平台、计算平台、以及控制平台。本文将详细介绍这三个平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。

无人驾驶系统安全

 

目前针对无人车攻击的方法有许多，如何防御这些攻击以保证无人车的安全是个重要的课题。本文是无人驾驶技术系列的第九篇，详细介绍针对无人车传感器、操作系统、控制系统、车联网的攻击手段以及防御方法。

基于Spark与ROS分布式无人驾驶模拟平台

本文介绍基于Spark与ROS的分布式无人驾驶模拟平台。无人驾驶的安全性和可靠性是通过海量的功能和性能测试来保证的。无人驾驶系统是一个复杂的系统工程，在它的整个研发流程中，测试工作至关重要同时也繁重复杂。显然将全部测试工作都集中在真车上进行是一种成本异常高昂且安全系数非常低的方案。通过综合考虑测试中各种可能发生的正常或异常状况，软件模拟成为了面向无人驾驶系统的更安全且更经济有效的替代测试手段。

高精地图在无人驾驶中的应用

高精地图是无人驾驶核心技术之一，精准的地图对无人车定位、导航与控制，以及安全至关重要。 本文是“无人驾驶技术系列”第七篇，首先介绍高精地图与传统地图的区别，然后介绍其特点及制作过程。在了解高精地图基础知识后，探索其在无人驾驶场景中的应用。

无人驾驶刚刚开始的未来

本文是无人驾驶技术系列的第12篇，也是最后一篇。本文梳理总结了前面11篇涉及到的技术点，尝试呈现一个宏观的无人驾驶系统架构。另外，简单分析了无人驾驶的产业链现状以及根据笔者自己的经验提出了一些给开发者、创业者，以及投资者的建议。

部分作者简介：

• 刘少山，PerceptIn联合创始人。加州大学欧文分校计算机博士，研究方向：智能感知计算、系统软件、体系结构与异构计算。现在PerceptIn主要专注于SLAM技术及其在智能硬件上的实现与优化。
• 唐洁，华南理工大学计算机科学与工程学院副教授。主要从事面向无人驾驶和机器人的大数据计算与存储平台、面向人工智能的计算体系架构、面向机器视觉的嵌入式系统研究。
• 李力耘，百度美国研发中心高级架构师，在百度无人车部门负责无人车行为预测方向的系统架构及算法优化。拥有多项国际专利，其中已递交三十余项无人车决策预测相关专利申请。
• 吴双，原百度研究院硅谷人工智能实验室资深研究科学家，美国研发中心高级架构师。研究方向包括计算机和生物视觉，互联网广告算法和语音识别，曾在NIPS等国际会议中发表文章。

基于ROS的无人驾驶系统

在上篇解析光学雷达（LiDAR）技术之后，本文着重介绍基于机器人操作系统ROS的无人驾驶系统。文中将介绍ROS以及它在无人驾驶场景中的优缺点，并讨论如何在ROS的基础上提升无人驾驶系统的可靠性、通信性能和安全性。