2018年人工智能之自动驾驶研究报告
摘要
當今，自動駕駛技術已經成為整個汽車產業的最新發展方向。應用自動駕駛技術可以全面提升汽車駕駛的安全性、舒適性，滿足更高層次的市場需求等。自動駕駛技術得益于人工 智能技術的應用及推廣，在環境感知、精準定位、決策與規劃、控制與執行、高精地圖與車聯網 V2X 等方面實現了全面提升。科研院校、汽車制造廠商、科技公司、自動駕駛汽車創業公司以及汽車零部件供應商在自動駕駛技術領域進行不斷地探索，尋求通過人工智能技術來獲得技術上的新突破。本報告在此背景下，對自動駕駛汽車進行了簡單梳理，包括以下內容： 自動駕駛汽車概念。首先對自動駕駛汽車相關概念、技術以及技術價值進行介紹，接著對國外、國內無人駕駛汽車發展歷程及現狀進行了梳理。自動駕駛汽車研究情況。對自動駕駛技術研究中的重要技術進行介紹。自動駕駛汽車領域專家介紹。通過 AMiner 大數據平臺對 AMiner 的自動駕駛人才庫進行數據挖掘，統計分析出領域內學者分布及遷徙。同時，介紹了目前自動駕駛汽車領域的國內外代表性研究學者。自動駕駛汽車應用介紹。自動駕駛汽車已經以交通參與者的身份來到了我們身邊，未來主要的應用方向包括公共交通、快遞運輸、服務于老年人和殘疾人等。自動駕駛汽車趨勢介紹。到 2020 年，過去積累的自動駕駛技術科研成果及工程進步都將成為現實。自動駕駛汽車即將進入 10~20 年混合模式的時代。隨著自動駕駛汽車與人工智能的深度融合，自動駕駛汽車可以實現高度智能化，真正實現 Level 4+級的自動駕駛技術。在享受科技成果的同時，我們也需要認識到，自動駕駛技術可以帶來無限憧憬，但也會給社會生活帶來巨大的沖擊，同時，還面臨著巨大挑戰。
一、概念篇
自動駕駛汽車（Automated Vehicle；Intelligent Vehicle；Autonomous Vehicle；Self-driving Car；Driverless Car）又稱智能汽車、自主汽車、自動駕駛汽車或輪式移動機器人，是一種通過計算機實現自動駕駛的智能汽車。概念篇首先對自動駕駛汽車涉及到的相關概念進行介紹，包括自動駕駛汽車等級標準、智能汽車、無人駕駛汽車等；接著對自動駕駛汽車技術及其技術價值進行概括介紹；重點描繪了國外、國內無人駕駛汽車發展圖譜。
1.1、自動駕駛汽車概述
（1）自動駕駛汽車等級標準
在介紹自動駕駛汽車之前，我們先來了解一下 SAE J3016 標準。該標準于 2014 年由美國 SAE International（國際汽車工程師學會）制定，內容如下圖所示。該標準將車輛分為 Level 0~Level 5 共 6 個級別，并針對道路機動車輛的自動化系統相關條款做了分類和定義。它不但被美國交通運輸部采納為聯邦標準，同時也已經成為了全球汽車業界評定自動駕駛汽車等級的通用標準。
Level 0：無自動化，由人類駕駛員全程操控汽車，但可以得到示警式或須干預的輔助信息。
Level 1：輔助駕駛，利用環境感知信息對轉向或縱向加減速進行閉環控制，其余工作由人類駕駛員完成。
Level 2：部分自動化，利用環境感知信息同時對轉向和縱向加減速進行閉環控制，其余工作由人類駕駛員完成。
Level 3：有條件自動化，由自動駕駛系統完成所有駕駛操作，人類駕駛員根據系統請求進行干預。
Level 4：高度自動化，由自動駕駛系統完成所有駕駛操作，無需人類駕駛員進行任何干預，但須限定道路和功能。
Level 5：完全自動化，由自動駕駛系統完成所有的駕駛操作，人類駕駛員能夠應付的所有道路和環境，系統也能完全自動完成。
（2）無人駕駛汽車
目前對于自動駕駛汽車的研究有兩條不同的技術路線：一條是漸進提高汽車駕駛的自動化水平；另一條是“一步到位”的無人駕駛技術發展路線。由 SAE J3016 標準可以看出，通常大家談論的無人駕駛汽車對應該標準的 Level 4 和 Level 5 級。無人駕駛汽車是自動駕駛的一種表現形式，它具有整個道路環境中所有與車輛安全性相關的控制功能，不需要駕駛員對車輛實施控制[3]。
（3）智能汽車
在我國，與無人駕駛汽車這個術語相關的概念還有智能汽車。相對于無人駕駛汽車概念，智能汽車定義涵蓋的范圍更廣。《中國制造 2025》將智能網聯汽車定義為指搭載先進的車載傳感器、控制器、執行器等裝置，并融合現代通信與網絡技術，實現車內網、車外網、車際網的無縫鏈接，具備信息共享、復雜環境感知、智能化決策、自動化協同等控制功能，與智能公路和輔助設施組成的智能出行系統，可實現“高效、安全、舒適、節能”行駛的新一代汽車[5]。
（4）自動駕駛技術
無人駕駛技術是對人類駕駛員在長期駕駛實踐中，對“環境感知—決策與規劃—控制與執行”過程的理解、學習和記憶的物化，如右圖所示。無人駕駛汽車是一個復雜的、軟硬件結合的智能自動化系統，運用到了自動控制技術、現代傳感技術、計算機技術、信息與通信技術以及人工智能等。本報告會在技術篇進行詳解。
（5）自動駕駛技術的價值
無人駕駛汽車之所以受到各國政府前所未有的重視，國內外各院校、研究機構都投入了大量人力、物力，各大車企、科技公司、汽車零部件供應商以及無人駕駛汽車創業公司也紛紛在這個領域進行布局，它主要具有以下價值，如下圖所示。
- ? 改善交通安全。駕駛員的過失責任是交通事故的主要因素。無人駕駛汽車不受人的心理和情緒干擾，保證遵守交通法規，按照規劃路線行駛，可以有效地減少人為疏失所造成的交通事故。
- ? 實現節能減排。通過合理調度實現共享出行，減少私家車購買數量，車輛絕對量的減少，將使溫室氣體排量大幅降低。
- ? 消除交通擁堵，提升社會效率。自動駕駛汽車可以通過提高車速、縮小車距以及選擇更有效路線來減少通勤所耗時間。
- ? 個人移動能力更加便利，不再需要找停車場。
- ? 拉動汽車、電子、通信、服務、社會管理等協同發展，對促進我國產業轉型升級具有重大戰略意義。
1.2、無人駕駛汽車發展圖譜
本節內容將梳理國外無人駕駛汽車發展圖譜，上圖所示為重要時間節點事件。
（1）科研院校對無人駕駛技術的研究
20 世紀 70 年代，科技發達國家開始率先進行無人駕駛汽車的研究。1984 年，美國國防高級研究計劃署（DARPA）與陸軍合作，發起自主地面車輛（ALV）計劃，這是一輛八輪車，在校園中能夠自動駕駛，但車速并不快。為了推進無人駕駛技術更快、更好地發展，DARPA 于 2004 年—2007 年共舉辦了 3 屆DARPA 無人駕駛挑戰賽，如下表所示。
20 世紀 80 年代開始，美國著名的大學如卡內基·梅隆大學、斯坦福大學、麻省理工學院等都先后加入無人駕駛汽車的研究工作中。其中，美國卡內基·梅隆大學研制的 NavLab 系列智能車輛最具有代表性。
- ? NavLab-1 系統于 20 世紀 80 年代建成。它的計算機硬件系統由 Sun3、GPS、Warp等組成，用于完成圖像處理、傳感器信息融合、路徑規劃以及車體控制等功能。它在典型結構化道路環境下的速度為 28km/h。
- ? NavLab-5 系統是 1995 年建成的。卡內基·梅隆大學與 Assist-Ware 技術公司合作研制了便攜式高級導航支撐平臺（PANS）。該平臺為系統提供了計算基礎和I/O功能，并能控制轉向執行機構，同時進行安全報警。它使用了一臺便攜式工作站 SPARC Lx，能夠完成傳感器信息的處理與融合、路徑的全局與局部規劃任務。NavLab-5 在實驗場環境道路上的自主行駛平均速度為 88.5km/h。NavLab-5 進行了首次橫穿美國大陸的長途自主駕駛公路試驗，自主行駛里程為 4496km，占總行程的 98.1%。車輛的橫向控制實現了完全自動控制，而縱向控制仍由駕駛員完成。
- NavLab-11 系統是該系列最新的平臺。其車體采用了 Wrangler 吉普車，車上安裝有工業級四核計算機，處理各種傳感器傳輸來的信息，并把信息分送到各個子單元。它的最高車速達到了 102km/h。
意大利帕爾瑪大學 VisLab 實驗室一直致力于 ARGO 試驗車的研制。在 1998 年意大利汽車百年行活動中，ARGO 試驗車沿著意大利的高速公路網進行了 2000km 長的距離。試驗車行駛的道路既有平坦區域，也包括高架橋和隧道。試驗車的無人駕駛里程為總里程的 94%，最高車速達到了 112km/h。2010 年，ARGO 試驗車沿著馬可·波羅的旅行路線，全程自動駕駛來到中國上海參加世博會，行程達 15900km。該車裝載了 5 個激光雷達、7 個攝像機、GPS全球定位系統、慣性測量設備以及 3 臺 Linux 計算機和線控駕駛系統，全程應用太陽能作為輔助動力源。2013 年，該實驗室研制的車輛在無人駕駛的情況下成功識別了交通信號燈、 避開行人、駛過十字路口和環島等。
（2）汽車制造廠商對無人駕駛技術的研究
除了科研院校在無人駕駛領域的積極研究外，奧迪、福特、沃爾沃、日產、寶馬等眾多汽車制造廠商也于 2013 年開始相繼在無人駕駛汽車領域進行了布局。這些傳統汽車制造企業多采用漸進提高汽車駕駛自動化水平和同時積極研發無人駕駛技術的并進發展路線。目前，對于量產商用車輛來說部分自動駕駛功能已經較為普及，表現比較突出的是德、美、日、韓等汽車制造廠商生產的汽車。其中，德國汽車制造廠商處于領先地位，其生產的幾乎所有車型都能提供相關駕駛輔助系統功能（包括 SAE Level 2 級）。2018 新款奧迪 A8 是全球首款量產搭載 Level 3 級別的自動駕駛系統的車型，其攜帶有 12 個超聲波傳感器、5 個攝像機、5 個毫米波雷達、1 個激光雷達、1 個紅外線攝像機共 24 個車載傳感器，可以在60km/h 以下車速時實現 Level 3 級自動駕駛，使駕駛員在擁堵路況下可以獲得最大限度的解放。
2015 年 10 月，特斯拉推出的半自動駕駛系統 Autopilot，Autopilot 是第一個投入商用的自動駕駛技術。目前，特斯拉的量產車上均已安裝 Autopilot 1.0、2.0 或 2.5 硬件系統，其自動駕駛功能可通過 OTA（空中下載）進行從 Level 2 到 Level 4+的軟件升級，這是在已量產車上，完成了自動駕駛硬件準備。預計今年 8 月推出基于視覺深度神經網絡的 Tesla Vision 9.0 軟件版本，特斯拉的創始人 Elon Musk 說，由此將實現“完全自動駕駛”。
2016 年，通用汽車收購了自動駕駛技術創業公司 Cruise Automation，正式進入無人駕駛領域。后者初創于 2013 年，一直從事具有完全自動駕駛功能的無人駕駛技術研發。2018 年1 月，作為通用汽車旗下自動駕駛部門的 Cruise Automation 發布了新一代（第四代）無人駕駛汽車——Cruise AV。Cruise AV 沒有方向盤、油門踏板和剎車踏板，安裝了 21 個普通雷達、16 個攝像機和 5 個激光雷達來感知車輛周圍的環境和障礙物，是真正的無人駕駛汽車。通用汽車不僅開始量產 Cruise AV 的測試車，以便在美國各城市甚至全世界各地進行實際路試，并且也已向美國國家高速公路交通安全管理局遞交請愿書，以便能夠在 2019 年開始初 步實際部署無人駕駛車輛。
（3）新技術力量對無人駕駛技術的研究
以谷歌為代表的新技術力量紛紛入局無人駕駛領域。這些企業多采用“一步到位”的無人駕駛技術發展路線，即直接研發 SAE Level 4+級別的無人駕駛汽車。
2009 年，谷歌公司宣布，由斯坦福人工智能實驗室前主任、谷歌街景的聯合發明人Sebastian Thrun 領導組建一支團隊，開始研發無人駕駛技術。Sebastian Thrun 的團隊創建了機器人車輛 Stanley，該車贏得了 2005 年 DARPA 大挑戰賽。
2012 年，美國內華達州的機動車輛管理部門為谷歌公司頒發了全球首例無人駕駛汽車的路測許可證。2015 年，谷歌公司的無人駕駛原型車上路進行測試，該車沒有方向盤、油門踏板與剎車踏板，同時也沒有后視鏡，只配有啟動和停止兩個物理按鈕，通過很多傳感器、車載計算機來控制汽車。
2016 年 12 月，谷歌將無人駕駛業務獨立出來，成立了獨立公司——Waymo。自 2017年 10 月，Google Waymo 已在美國鳳凰城 Chandler 鎮 100 平方英里范圍內，對 600 輛克萊斯勒插電式混合動力 Level 4 級自動駕駛汽車進行社會公測，這是 Waymo 自動駕駛商業化落地的前奏，首次實現了無駕駛員和安全員的公測無人駕駛出租車。當地時間 2018 年 5 月31 日，Waymo 宣布向菲亞特·克萊斯勒（FCA）采購 62000 輛 Pacifica 混動廂式車用于打造無人駕駛出租車隊。除車輛采購以外，Waymo 與 FCA 雙方還在商討如何將無人駕駛汽車賣給普通用戶。這也意味著，在不遠的將來，普通用戶可以在 FCA 的門店里買到一輛其與 Waymo 共同打造的無人駕駛汽車。2018 年，谷歌還與捷豹路虎合作，計劃在 2020 年之前生產另外 20000 輛無人駕駛出租車。
2016 年 5 月，Uber 無人駕駛汽車在位于美國賓夕法尼亞州匹茲堡市的 Uber 先進技術中心正式上路測試。Uber 首次路測使用的無人駕駛汽車是一款福特 Fusion 混合動力汽車，它同時進行采集測繪數據并試驗自動駕駛功能。Uber 無人駕駛汽車配備了各式傳感器，包括毫米波雷達、激光雷達以及高分辨率攝像機，以便繪制周邊環境的細節。2016 年 9 月 14日，Uber 在美國匹茲堡市推出城區大范圍無人駕駛出租車免費載客服務并試運行；盡管上面有兩名安全工程師，但商業模式卻是大范圍的城區，比 Waymo 公測的小鎮要大得多。
（4）創業公司對無人駕駛技術的研究
以 nuTonomy 為代表的創業公司也紛紛入局無人駕駛領域。這些企業多采用“一步到位”的 SAE Level 4+的無人駕駛技術發展路線。
nuTonomy 是一家于 2013 年從麻省理工學院分離出來的創業公司。2016 年 8 月，它成為了新加坡第一家在試點項目下推出自動駕駛出租車的公司。在新加坡的測試中，nuTonomy在自動駕駛汽車上配備了 6 套激光雷達檢測系統，前面安裝有 2 個攝像機，用于識別障礙物，檢測交通信號燈變化。此外，車前座還配備一名司機以應對緊急狀況，在后座配備一名研究人員，其職責是觀察車載計算機。2017 年 10 月，德爾福宣布收購 nuTonomy。
Zoox 是硅谷一家神秘的無人駕駛汽車初創公司，目前已經籌集 3.6 億美元。Zoox 很少向外界介紹其進展。消息顯示，Zoox 秘密開發全自動駕駛汽車已有多年。2013 年，該公司展示了其車輛的渲染圖。根據 IEEE 的消息，該公司的車型沒有擋風玻璃、方向盤和剎車踏板。這種汽車能向任意方向行駛，乘客將面對面而坐。
1.3、我國無人駕駛汽車發展圖譜
本節將介紹我國無人駕駛汽車研究重要時間節點事件，如上圖所示。
（1）我國科研院校對無人駕駛汽車的研究
與美、歐等發達國家相比，我國在無人駕駛汽車方面的研究起步稍晚，從 20 世紀 80 年代末才開始。不同于國外車企以自主研發為主，我國汽車制造廠商多采取與國內科研院所、高校合作研發無人駕駛技術。
國防科技大學從 20 世紀 80 年代末開始先后研制出基于視覺的 CITAVT 系列智能車輛。其中，在 CITAVT-Ⅰ、CITAVT-Ⅱ型無人駕駛小車的研制過程中對無人駕駛汽車的原理進行了研究；CITAVT-Ⅲ型的研究以實現在非結構化道路下遙控和自主駕駛為目的；CITAVT-Ⅳ 型自主駕駛車基于 BJ2020SG 吉普車改裝而成，該車型以研究結構化道路環境下的自主駕駛技術為目標，空載條件下速度最高為 110km/h，車輛具有人工駕駛、遙控駕駛、非結構化道路上的低速自主駕駛和結構化道路上的自主駕駛四種工作模式。直至 1992 年，國防科技大學才成功研制出中國第一輛真正意義上的無人駕駛汽車。
清華大學在國防科工委和國家 863 計劃的資助下，從 1988 年開始研究開發 THMR 系列智能車。THMR-Ⅴ智能車能夠實現結構化環境下的車道線自動跟蹤，準結構化環境下的道路跟蹤，復雜環境下的道路避障、道路停障以及視覺臨場感遙控駕駛等功能，最高車速達150km/h。THMR-Ⅴ智能車采用了基于擴充轉移網絡的道路識別技術，大幅度降低了道路圖像處理和車道線識別的計算量，并通過實驗測得在車道線跟蹤階段全部計算過程的周期小于20ms，這保證了實際場景下的實時性要求。
（2）我國汽車制造廠商對無人駕駛汽車的研究
不同于國外車企以自主研發為主，我國汽車制造廠商多采取與國內科研院所、高校合作研發無人駕駛技術。
一汽集團于 2007 年與國防科技大學合作。2011 年 7 月，由一汽集團與國防科技大學共同研制的紅旗 HQ3 無人駕駛汽車完成了 286km 的面向高速公路的全程無人駕駛試驗，人工干預的距離僅占總里程的 0.78％。2015 年 4 月，一汽集團正式發布了其“摯途”技術戰略，標志著一汽集團的互聯智能汽車技術戰略規劃正式形成。2015 年 4 月 19 日，一汽在同濟大學舉行了“摯途”技術實車體驗會，包含手機叫車、自主泊車、擁堵跟車、自主駕駛等四項智能化技術。
2012 年，軍事交通學院的“軍交猛獅Ⅲ號”以無人駕駛狀態行駛 114km，最高時速為105km/h。該車裝有由 5 個毫米波雷達、3 個攝像機和 1 個 GPS 傳感器組成的視聽感知系統，能夠幫助無人駕駛車輛識別路況，精確判斷與前后左右障礙物的距離。
2015 年 4 月，長安汽車發布智能化汽車“654 戰略”，即建立六個基礎技術體系平臺，開發五大核心應用技術，分四個階段逐步實現汽車從單一智能到全自動駕駛。
2015 年 8 月，宇通大型客車從鄭開大道城鐵賈魯河站出發，在完全開放的道路環境下完成自動駕駛試驗，共行駛 32.6km，最高速度為 68km/h，全程無人工干預，為了保障安全，客車上還是配備了司機。這也是國內首次大型客車高速公路自動駕駛試驗。2018 年 5 月，宇通客車在其 2018 年新能源全系產品發布會上宣布，已具備面向高速結構化道路和園區開放通勤道路的 Level 4 級別自動駕駛能力。
北汽集團在 2016 年 4 月的北京車展上，展示了其基于 EU260 打造的無人駕駛汽車。車輛通過加裝毫米波雷達、高清攝像機、激光雷達和 GPS 天線等零部件識別道路環境，同時配合高清地圖進行路徑規劃實現無人駕駛。北汽無人駕駛汽車目前搭載的無人駕駛感知與控制設備大部分都采用了國產化采購，目的是為未來的量產打下基礎。
（2）我國高科技公司對無人駕駛汽車的研究
除了上述傳統的汽車制造廠商在無人駕駛領域的研究外，以百度為代表的高科技公司也相繼加入了無人駕駛汽車領域的研究。百度公司于 2013 年開始了百度無人駕駛汽車項目，其技術核心是“百度汽車大腦”，包括高精度地圖、定位、感知、智能決策與控制四大模塊。2015 年 12 月初，百度無人駕駛汽車在北京進行自動駕駛測跑，實現多次跟車減速、變道、超車、上下匝道、調頭等復雜駕駛動作，完成了進入高速到駛出高速不同道路場景的切換，最高車速達到 100km/h。
2015 年 12 月 14 日，百度宣布正式成立自動駕駛事業部。2017 年 4 月 17 日，百度展示了與博世合作開發的高速公路輔助功能增強版演示車。2018 年 7 月 4 日，百度在第二屆百度 AI 開發者大會（Baidu Create 2018）上宣布，與廈門金龍合作生產的首款 Level 4 級自駕巴士“阿波龍”已經量產下線。這一批次的 100 輛車接下來會被投放到北京、深圳、武漢等城市，在機場、工業園區、公園等行駛范圍相對固定的場所開始商業化運營。2019 年年初，百度還會跟日本軟銀旗下的 SB Drive 合作，將 10 輛“阿波龍”帶去包括東京在內的多個日本城市。這款無人駕駛巴士是基于百度的阿波羅自駕車開放平臺（3.0 版本）。除了能在某些特定條件下實現無人工介入的自動駕駛，其還加入了自動泊車、面部識別及駕駛者疲勞度檢測等功能。另外，在大會現場百度還宣布會與英特爾合作，將 Mobileye 的責任敏感安全模型（Responsibility Sensitive Safety）及周圍計算機視覺套件整合入阿波羅，希望以此來進一步提升該平臺的行車安全性。
二、技術篇
技術篇著重對無人駕駛技術研究中的重要技術進行介紹。其中，自動駕駛汽車關鍵技術包括環境感知、精準定位、決策與規劃、控制與執行、高精地圖與車聯網 V2X 以及自動駕駛汽車測試與驗證技術；人工智能在自動駕駛汽車中的應用包括人工智能在環境感知中的應用、人工智能在決策規劃中的應用、人工智能在車輛控制中的應用。
2.1、自動駕駛汽車關鍵技術
自動駕駛汽車通過攝像機、激光雷達、毫米波雷達、超聲波等車載傳感器來感知周圍的環境，依據所獲取的信息來進行決策判斷，由適當的工作模型來制定相應的策略，如預測本車與其他車輛、行人等在未來一段時間內的運動狀態，并進行避碰路徑規劃。在規劃好路徑之后，接下來需要控制車輛沿著期望的軌跡行駛。車輛控制系統包括橫向控制（轉向）與縱向控制（速度）。當然，上述的動作都是基于傳感器實時獲取環境信息所做的局部路徑規劃下的動作，還需要與基于完整環境信息的全局路徑相結合，如下圖所示。
2.1.1、環境感知
環境感知作為其他部分的基礎，處于自動駕駛汽車與外界環境信息交互的關鍵位置，是實現自動駕駛的前提條件，起著人類駕駛員“眼睛”“耳朵”的作用。環境感知技術是利用攝像機、激光雷達、毫米波雷達、超聲波等車載傳感器，以及 V2X 和 5G 網絡等獲取汽車所處的交通環境信息和車輛狀態信息等多源信息，為自動駕駛汽車的決策規劃進行服務。
（1）攝像機
自動駕駛汽車中配置的視覺傳感器主要是工業攝像機，它是最接近于人眼獲取周圍環境信息的傳感器。攝像機可以識別車輛行駛環境中的車輛、行人、車道線、路標、交通標志、交通信號燈等。它具有較高的圖像穩定性、抗干擾能力和傳輸能力等特點。攝像機按照芯片類型可分為 CCD 攝像機和 CMOS 攝像機兩種。
CCD 攝像機，由光學鏡頭、時序及同步信號發生器、垂直驅動器及模擬/數字信號處理電路組成，具有體積小、重量輕、低功耗、無滯后、無灼傷、低電壓等特點。
CMOS 攝像機，集光敏元陣列、圖像信號放大器、信號讀取電路、模數轉換電路、圖像信號處理器及控制器于一體，具有傳輸速率高、動態范圍寬、局部像素的可編程隨機訪問等優點。
（2）激光雷達
激光雷達是以發射激光束來探測目標空間位置的主動測量設備。根據探測原理，激光雷達分為單線（二維）激光雷達和多線（三維）激光雷達。
單線激光雷達，通過發出一束激光掃描線對區域進行旋轉掃描，并根據區域內各個點與激光雷達的相對空間距離與方位，返回測量值。
多線激光雷達，通過發出兩束或兩束以上的激光掃描線對區域進行旋轉掃描。多線激光雷達能夠檢測目標的空間距離與方位，并可以通過點云來描述三維環境模型，可以提供目標的激光反射強度信息，提供被檢測目標的詳細形狀描述，如下圖所示。
目前，國際市場上推出的主要有 4 線、8 線、16 線、32 線和 64 線。激光雷達發出的線束越多，每秒采集的點云越多，同時造價也越高。例如，美國 Velodyne 公司的 16 線激光雷達 VLP-16（Puck）目前售價是 3999 美元，而 64 線激光雷達 HDL-64E 的售價高達 7 萬美元。
激光雷達的技術門檻和成本較高。目前，激光雷達已經發展了三代產品，包括第一代機械掃描激光雷達、第二代混合固態激光雷達以及第三代純固態激光雷達。第三代純固態激光雷達可以使激光雷達的成本大幅度降低，使激光雷達在自動駕駛汽車上的應用能夠普及。
在 CES 2018 上 Velodyne 公司帶來兩個新產品，分別是固態激光雷達 Velarry 和 128 線激光雷達 VLS-128。在性能方面，Velarry 能夠提供 120 度的水平視角和 35 度的垂直視角，能夠在 200m 范圍內檢測到低反射率的物體。VLS-128 的探測距離可達 300m，掃描精度為3cm，性能是 64 線激光雷達產品的 10 倍，但體積是其 1/3。2018 北京車展上，Velodyne 亞太區負責人翁煒透露，固態激光雷達 Velarray 將于今年第三季度開始投放市場。預計到 2019年，在 Velodyne 完成 ASIC 工作后，量產化的 128 線激光雷達將會投入市場。價格方面，到2020 年，128 線激光雷達成本在千元美金級別；固態激光雷達 Velarray 在規模化量產后的價格在百元美金級別。
除了前面提到的Velodyne公司，一些初創公司也進入該領域并展現了相當的技術實力，如美國的 Quanergy 公司、Liminar 公司和以色列的 Innoviz 公司。在 CES 2017 上，Quanergy 公司的純固態激光雷達 Quanergy S3 是世界上首個低成本的固態激光雷達，因其固態掃描技 術和無機械旋轉部件的解決方案獲得了汽車智能類的最佳創新獎。Quanergy 的固態傳感器 芯片定價僅為 250 美元。2017 年 11 月 1 日，Quanergy 在 Sunnyvale 市的工廠有一條全自動化的生產線開工。Quanergy 聯合創始人兼 CEO Louay Eldada 表示，車用級別的 Quanergy 激光雷達芯片 2018 年 9 月就能在市場上買到。他的目標是將激光雷達售價拉低到 100 美元以下。
（3）毫米波雷達
毫米波雷達是指工作在毫米波波段、頻率在 30—300GHz 之間的雷達。根據測量原理的不同，毫米波雷達可分為脈沖方式毫米波雷達和調頻連續波方式毫米波雷達兩種。
脈沖方式毫米波雷達，其基本原理與激光雷達相似，它在硬件結構上比較復雜、成本較高，很少用于自動駕駛汽車，目前大多數車載毫米波雷達都采用調頻連續波方式。
調頻連續波方式毫米波雷達，具有結構簡單、體積小、成本低廉，容易實現近距離探測。毫米波雷達具有全天候、探測距離遠、價格便宜、質量輕、體積小等優點，能夠較精確得到目標的相對距離和相對速度。不足之處是分辨率低，在很多場合易受干擾。
（4）超聲波傳感器
超聲波傳感器是利用超聲波的特性研制而成的，工作在機械波波段，工作頻率在 20kHz以上。超聲波雷達的數據處理簡單快速，檢測距離較短，多用于近距離障礙物檢測。超聲波具有頻率高、波長短、繞射現象小、方向性好、能夠成為射線而定向傳播等優點。超聲波雷達的不足在于距離信息不精準，一般用于精度要求不高的地方，如倒車雷達等。
（5）環境感知關鍵技術
目前，環境感知技術有兩種技術路線，一種是以攝像機為主導的多傳感器融合方案，典型代表是特斯拉。另一種是以激光雷達為主導，其他傳感器為輔助的技術方案，典型企業代表如谷歌、百度等。前面介紹激光雷達的時候提到，隨著第三代純固態激光雷達產品即將量產面世，特別是成本的大幅降低，激光雷達在自動駕駛汽車上的應用將更加普及。當前業界有許多討論是圍繞著是否可以使用成本較低的攝像機去承擔更多的環境感知任務，本文 2.2節會重點介紹人工智能在基于視覺的自動駕駛技術中的應用。
2.1.2、精準定位
自動駕駛汽車的基礎是精準導航，不僅需要獲取車輛與外界環境的相對位置關系，還需要通過車身狀態感知確定車輛的絕對位置與方位。
（1）慣性導航系統
慣性導航系統由陀螺儀和加速度計構成，通過測量運動載體的線加速度和角速率數據，并將這些數據對時間進行積分運算，從而得到速度、位置和姿態。慣性導航系統以牛頓力學定律為基礎，工作原理是根據陀螺儀的輸出建立導航坐標系并給出姿態角，再根據加速度計的輸出解算出運動載體的速度和位置，實現慣性參考系到導航坐標系的轉換。慣導屬于推算導航方式，即在已知基準點位置的前提下根據連續觀測推算出下一點的位置，因而可連續測出運動載體的當前位置。
（2）輪速編碼器與航跡推算
可以通過輪速編碼器推算出自動駕駛汽車的位置。通常輪速編碼器安裝在汽車的前輪，分別記錄左輪與右輪的總轉數。通過分析每個時間段里左右輪的轉數，可以推算出車輛向前走了多遠，向左右轉了多少度等。由于在不同地面材質（如冰面與水泥地）上轉數對距離轉換存在偏差，隨著時間推進，測量偏差會越來越大，因此單靠輪測距器并不能精準估計自動駕駛汽車的位姿。
（3）衛星導航系統
目前全球衛星導航系統包括美國的 GPS、俄羅斯的 GLONASS、中國的北斗衛星導航系統。
GPS 是由美國國防部研制的全球首個定位導航服務系統，空間段由平均分布在 6 個軌道面上的 24 顆導航衛星組成，采用 WGS-84 坐標系。
GLONASS 由蘇聯在 1976 年啟動建設，正式組網比 GPS 還早。蘇聯解體后，GLONASS由俄羅斯負責運營。空間段由 27 顆工作星和 3 顆備份星組成，27 顆星均勻地分布在 3 個近圓形的軌道平面上。
北斗衛星導航系統?是中國自主研發、獨立運行的全球衛星定位與通信系統，空間段包括5 顆靜止軌道衛星和 30 顆非靜止軌道衛星，采用我國獨自建立使用的 CGCS 2000 坐標系。
（4）SLAM 自主導航系統
SLAM（Simultaneous Localization And Mapping，即時定位與地圖構建），也稱為 CML（Concurrent Mapping and Localization，并發建圖與定位）。SLAM 最早由 Smith、Self 和 Cheeseman 于 1988 年提出。SLAM 起源于機器人領域，SLAM 問題可以描述為：機器人在未知環境中開始啟動，并嘗試從一個未知位置開始移動，在移動過程中根據自身位姿估計和地圖匹配進行自身定位。然后在自身定位的基礎上實現運動中拓展地圖，最終實現全局機器人的自主定位和導航。
目前主流有兩種 SLAM 策略。第一種是基于激光雷達的 SLAM，以谷歌汽車為例。車輛攜帶有 GPS，通過 GPS 對位置進行判斷，并以激光雷達 SLAM 點云圖像與高精度地圖進行坐標配準，匹配后確認自身位姿。
第二種是基于視覺的 SLAM，以 Mobileye 為例。Mobileye 提出一種 SLAM 的變種定位方法——REM。車輛通過采集包括信號燈、指示牌等標識，得到了一個簡單的三維坐標數據，再通過視覺識別車道線等信息，獲取一個一維數據。攝像機中的圖像與 REM 地圖中進行配準，即可完成定位。
2.1.3、決策與規劃
自動駕駛汽車的行為決策與路徑規劃是指依據環境感知和導航子系統輸出信息，通過一些特定的約束條件如無碰撞、安全到達終點等，規劃出給定起止點之間多條可選安全路徑，并在這些路徑中選取一條最優的路徑作為車輛行駛軌跡。通常情況下，自動駕駛汽車的決策與規劃系統主要包含以下幾點內容：
路徑規劃：即路徑局部規劃時，自動駕駛車輛中的路徑規劃算法會在行駛任務設定之后將完成任務的最佳路徑選取出來，避免碰撞和保持安全距離。在此過程中，會對路徑的曲率和弧長等進行綜合考量，從而實現路徑選擇的最優化。
駕駛任務規劃：即全局路徑規劃，主要的規劃內容是指行駛路徑范圍的規劃。當自動駕駛汽車上路行駛時，駕駛任務規劃會為汽車的自主駕駛提供方向引導方面的行為決策方案，通過 GPS 技術進行即將需要前進行駛的路段和途徑區域的規劃與順序排列。 目前，自動駕駛汽車主要使用的行為決策算法有以下 3 種。
基于神經網絡：自動駕駛汽車的決策系統主要采用神經網絡確定具體的場景并做出適當的行為決策。
基于規則：工程師想出所有可能的“if-then 規則”的組合，然后再用基于規則的技術路線對汽車的決策系統進行編程。
混合路線：結合了以上兩種決策方式，通過集中性神經網絡優化，通過“if-then 規則”完善。混合路線是最流行的技術路線。感知與決策技術的核心是人工智能算法與芯片。人工智能算法的實現需要強大的計算能力做支撐，特別是深度學習算法的大規模使用，對計算能力提出了更高的要求。隨著人工智能業界對于計算能力要求的快速提升，進入 2015 年后，業界開始研發針對人工智能的專用芯片，通過更好的硬件和芯片架構，在計算效率上進一步帶來大幅的提升。
目前，市場上采用的自動駕駛主流芯片主要分為兩種，一種是英特爾-Mobileye 開發的Mobileye? EyeQX?系列車載計算平臺。另一種是英偉達提供的 NVIDIA Drive PX 系列車載計算平臺。
（1）英特爾-Mobileye
Mobileye 公司作為開發高級輔助駕駛系統的全球先行者，是由 Amnon Shashua 和 Ziv Aviram 于 1999 年創立。Mobileye 的目標是開發和推廣協助駕駛員在駕駛過程中保障乘客安全和減少交通事故的視覺系統。
Mobileye 公司的獲獎產品 EyeQ?和 EyeQ2?視覺處理器是一項重大突破，具有高性能、低成本以及多應用整合于一個平臺上等特點。它們可提供面向所有細分市場的高端功能組合。
英特爾在 2017 年以 153 億美元收購了 Mobileye 公司，并且將其作為自動駕駛技術的研發戰略核心。包括菲亞特-克萊斯勒、寶馬等多家汽車廠商都已經計劃在未來的產品中使用英特爾-Mobileye 提供的自動駕駛技術。
目前，英特爾-Mobileye 公司已宣布正式加入自動駕駛汽車研發的競爭中，并且在耶穌撒冷投放一組測試車隊，在沒有使用激光雷達的情況下在城市街道上測試行駛。
（2）英偉達
英偉達（NVIDIA）是一家人工智能計算公司，創立于 1993 年，黃仁勛（Jensen Huang）是該公司的創始人兼首席執行官。
1999 年，英偉達發明了 GPU，這極大地推動了 PC 游戲市場的發展，重新定義了現代計算機圖形技術，并徹底改變了并行計算。
2010 年英偉達開始布局人工智能產品，2014 年宣布了新一代 PASCAL GPU 芯片架構，這是英偉達的第五代 GPU 架構，也是首個為深度學習而設計的 GPU，它支持所有主流的深度學習計算框架。
2016 年上半年，英偉達又針對神經網絡訓練過程推出了基于 PASCAL 架構的 TESLAP100 芯片以及相應的超級計算機 DGX-1。
GTC 2017 大會上，英偉達正式發布了新一代處理器架構 Volta，以及使用新架構的第一款設備——適用于深度學習任務的加速卡 Tesla V100，英偉達將這塊顯卡稱為全球最先進的數據中心 GPU。
GTC 2018 大會上，英偉達發布了新一代超級計算機 DGX-2，DGX-2 是英偉達首款 2-petaFLOPS 系統，其在兩塊獨立的 GPU 板卡上配備了 16 塊 Tesla V100 GPU，每塊 V100 擁有 32GB HBM 2 顯存。
2.1.4、控制與執行
自動駕駛汽車的車輛控制系統是自動駕駛汽車行駛的基礎，包括車輛的縱向控制和橫向控制。縱向控制，即車輛的驅動與制動控制，是指通過對油門和制動的協調，實現對期望車速的精確跟隨。橫向控制，即通過方向盤角度的調整以及輪胎力的控制，實現自動駕駛汽車的路徑跟蹤。
（1）縱向控制
自動駕駛汽車采用油門和制動綜合控制的方法來實現對預定車速的跟蹤，各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制算法相結合，構成了各種各樣的縱向控制模式。
（2）橫向控制
車輛橫向控制主要有兩種基本設計方法：基于駕駛員模擬的方法和基于車輛動力學模型的控制方法。
基于駕駛員模擬的方法：一種是使用較簡單的動力學模型和駕駛員操縱規則設計控制器；另一種是用駕駛員操縱過程的數據訓練控制器獲取控制算法。
基于車輛動力學模型的方法：需要建立較精確的汽車橫向運動模型。典型模型如單軌模型，該模型認為汽車左右兩側特性相同。
（3）車輛控制平臺
車輛控制平臺是無人車的核心部件，控制著車輛的各種控制系統。其主要包括電子控制單元（ECU）和通信總線兩部分。ECU 主要用來實現控制算法，通信總線主要用來實現 ECU與機械部件間的通信功能。
ECU：又稱“行車電腦”“車載電腦”等，從用途上講則是汽車專用微機控制器，也叫汽車專用單片機。它和普通的單片機一樣，由微處理器（CPU）、存儲器（ROM、RAM）、輸入/輸出接口（I/O）、模數轉換器（A/D）以及整形、驅動等大規模集成電路組成。發動機在運行時，它采集各傳感器的信號進行運算，并將運算的結果轉變為控制信號，控制被控對象的工作。它還實行對存儲器（ROM、RAM）、輸入/輸出接口（I/O）和其他外部電路的控制；存儲器 ROM 中存放的程序是經過精確計算和大量實驗獲取的數據為基礎，這個固有程序在發動機工作時，不斷地與采集來的各傳感器的信號進行比較和計算。把比較和計算的結果用來控制發動機的點火、空燃比、怠速、廢氣再循環等多項參數。它還有故障自診斷和保護功能。RAM 也會不停地記錄行駛中的數據，成為 ECU 的學習程序，為適應駕駛員的習慣提供最佳的控制狀態，這個程序也叫自適應程序。
通信總線：目前，車用總線技術被國際自動機工程師學會（SEA）下的汽車網絡委員會按照協議特性分為 A、B、C、D 共 4 類，A 類總線面向傳感器或執行器管理的低速網絡，它的位傳輸速率通常小于 20Kb/s，以 LIN 規范為代表；B 類總線面向獨立控制模塊間信息共享的中速網絡，位傳輸速率一般在 10~125Kb/s，以 CAN 為代表；C 類總線面向閉環實時控制的多路傳輸高速網絡，位傳輸速率一般在 125Kb/s ~1Mb/s；D 類總線面向多媒體設備、高速數據流傳輸的高性能網絡，位傳輸速率一般在 2Mb/s 以上。
2.1.5、高精地圖與車聯網 V2X
（1）高精地圖
高精地圖擁有精確的車輛位置信息和豐富的道路元素數據信息，起到構建類似于人腦對于空間的整體記憶與認知的功能，可以幫助汽車預知路面復雜信息，如坡度、曲率、航向等，更好地規避潛在的風險，是自動駕駛汽車的核心技術之一。高精地圖相比服務于 GPS 導航系統的傳統地圖而言，最顯著的特征是其表征路面特征的精準性。傳統地圖只需要做到米量級的精度就可以實現基于 GPS 的導航，而高精地圖需要至少十倍以上的精度，即達到厘米級的精度才能保證自動駕駛汽車行駛的安全。同時，高精地圖還需要有比傳統地圖更高的實時性。由于道路路網經常會發生變化，如道路整修、標識線磨損或重漆、交通標識改變等。這些改變都要及時反映在高精地圖上，以確保自動駕駛汽車的行車安全。
（2）車聯網 V2X
V2X 表示 Vehicle to X，其中 X 表示基礎設施（Infrastructure）、車輛（Vehicle）、行人（Pedestrian）、道路（Road）等。V2X 網聯通信集成了 V2N、V2V、V2I 和 V2P 共四類關健技術。
V2N（Vehicle to Network，車-互聯網），通過網絡將車輛連接到云服務器，能夠使用云服務器上的娛樂、導航等功能。
V2V（Vehicle to Vehicle，車-車），指不同車輛之間的信息互通。
V2I（Vehicle to Infrastructure，車-基礎設施），包括車輛與路障、道路、交通燈等設施之間的通信，用于獲取路障位置、交通燈信號時序等道路管理信息。
V2P（Vehicle to Pedestrian，車-行人），指車輛與行人或非機動車之間的交互，主要是提供安全警告。
2010 年美國頒布了以 IEEE 802.11P 作為底層通信協議和 IEEE 1609 系列規范作為高層通信協議的 V2X 網聯通信標準。2015 年我國開始相關的研究工作，2016 年國家無線電委員會確定了我國的 V2X 專用頻譜。2016 年 6 月，V2X 技術測試作為第一家“國家智能網聯汽車試點示范區”及封閉測試區的重點布置場景之一。2017 年 9 月，《合作式智能交通系統車用通信系統應用層及應用數據交互標準》正式發布。
V2X 技術的實現一般基于 RFID、拍照設備、車載傳感器等硬件平臺。V2X 網聯通信產業分為 DSRC 和 LTE-V2X 兩個標準和產業陣營。
2.1.6、自動駕駛汽車測試與驗證技術
自動駕駛汽車測試與驗證技術如下。
（1）實測
讓車輛行駛數百萬公里，以確定設計的系統是否安全并按照預期運行。該方法的困難在于必須累積的測試里程數，這可能要花費大量的時間。
（2）軟件在環或模型在環仿真
另一種更可行的方法是將現實世界的測試與仿真相結合。在仿真軟件所構建的各種場景中，通過算法控制車輛進行相應的應對操作，來證明所設計的系統確實可以在各種場景下做出正確的決定，這可以大大減少必須完成的測試里程數。
（3）硬件在環仿真
為了驗證真實硬件的運行情況，硬件在環仿真可以對其進行測試，并將預先記錄的傳感器數據提供給系統，此種技術路線可以降低車輛測試和驗證的成本。
2.2、人工智能在自動駕駛汽車中的應用
（1）人工智能在環境感知中的應用
環境感知包括：可行駛路面檢測、車道線檢測、路緣檢測、護欄檢測、行人檢測、機動車檢測、非機動車檢測、路標檢測、交通標志檢測、交通信號燈檢測等。對于如此復雜的路況檢測，深度學習能夠滿足視覺感知的高精度需求。基于深度學習的計算機視覺，可獲得較接近于人的感知能力。有研究報告指出深度學習在算法和樣本量足夠的情況下，視覺感知的準確率可以達到 99.9%以上，而傳統視覺算法的檢測精度極限在 93%左右，人感知的準確率一般是 95%左右。
深度學習按照模型的不同可以分為 CNN、RNN、LSTM、DBN 和 Autoencoder 等 5 種類型，其中 CNN（卷積神經網絡）在處理圖像和視頻上擁有很好的效果。
深度學習一般包括輸入層、卷積層、池化層、輸出層等 4 種類型的神經網絡層。網絡的結構可以 10 層甚至上百層，一般層數越多檢測精度越精準。隨著網絡層數和節點數的增加，可以表達更細、更多的識別物的特征，為檢測精度的提高奠定基礎。其中，卷積層和池化層是深度學習的核心處理層：卷積層主要是用于負責物體特征的提取，池化層主要是負責采樣。
深度學習的工作一般可以分為兩部分，即訓練和測試。訓練一般是將采集到的樣本輸入到線下的訓練網絡中，訓練網絡進行前向輸出，調整參數讓輸出誤差在接受范圍內從而得到模型。將訓練好的模型進行測試和性能評估。測試時網絡可以對輸入的圖像和視頻等進行檢測和識別。通常情況下，樣本的數量越多，識別的精度越高，所以樣本的數量是影響深度學習精度重要的一個因素。由此可見，深度學習需要大數據平臺提供支撐。
（2）人工智能在決策與規劃中的應用
行為決策與路徑規劃是人工智能在自動駕駛汽車領域中的另一個重要應用。前期決策樹、貝葉斯網絡等人工智能方法已有大量應用。近年來興起的深度卷積神經網絡與深度強化學習，能通過大量學習實現對復雜工況的決策，并能進行在線學習優化，由于需要較多的計算資源，當前是計算機與互聯網領域研究自動駕駛汽車的決策與規劃處理的熱門技術。
隨著深度強化學習的興起，越來越多的公司和研究者把強化學習應用到無人車的行為與決策中，并取得了不錯的效果。Mobileye 公司是其中的典型代表，根據其最新發表的論文，其設計的車輛模型已經能自如地應對一些復雜的交通任務，如雙向通道變線、復雜十字路口等場景。Mobileye 將行為決策分解成兩個部分，可學習部分和不可學習部分，可學習部分是由強化學習來決策行駛需要的高級策略，不可學習部分則是按照這些策略利用動態規劃來實施具體的路徑規劃。
可學習部分是將無人車所處的環境映射成一系列抽象策略的過程。他們設計了一張策略選項圖，主要包含無人車的加減速、轉向以及對周圍車輛的反應，并利用策略網絡來選擇合適的應對選項。其中，策略網絡在給定的車輛環境下，評估每一種應對的可能影響，從而選擇最合適的策略。不可學習部分則是將學習到的抽象策略轉化成對車輛的實際控制動作，該部分主要對車輛動作進行具體規劃，檢查抽象策略是否可執行，或者執行滿足策略的動作，從而充分保證系統的安全性。
（3）人工智能在車輛控制中的應用
相對于傳統的車輛控制方法，智能控制方法主要體現在對控制對象模型的運用和綜合信息學習運用上，包括神經網絡控制和深度學習方法等，這些算法已逐步在車輛控制中廣泛應用。
神經控制，是研究和利用人腦的某些結構機理以及人的知識和經驗對系統的控制。利用神經網絡，可以把控制問題看成模式識別問題，被識別的模式映射成“行為”信號的“變化”信號。神經控制最顯著的特點是具有學習能力。它是通過不斷修正神經元之間的連接權值，并離散存儲在連接網絡中來實現的。它對非線性系統和難以建模的系統的控制具有良好效果。
深度神經網絡學習，源于神經網絡的研究，可理解為深層的神經網絡。通過它可以獲得深層次的特征表示，免除人工選取特征的繁復冗雜和高維數據的維度災難問題。深度學習在特征提取與模型擬合方面顯示了其潛力和優勢。對于存在高維數據的控制系統，引入深度學習具有一定的意義。自動駕駛系統需要盡量減少人的參與或者沒有人的參與，深度學習自動學習狀態特征的能力使得深度學習在自動駕駛系統的研究中具有先天的優勢。
深度強化學習，強化學習的靈感來源于生物學中的動物行為訓練，訓練員通過獎勵與懲罰的方式讓動物學會一種行為與狀態之間的某種聯系規則。強化學習就是要解決這類問題：一個能夠感知環境的智能體怎樣通過學習選擇達到其目標的最優動作。
三、人才篇
本報告 3.1 節通過 AMiner 大數據平臺對 AMiner 的自動駕駛人才庫進行數據挖掘，統計分析出領域內學者分布及遷徙。3.2 節介紹了目前自動駕駛汽車領域的國內外代表性研究學者。文中排名不分先后。
3.1、學者分布及遷徙
通過統計分析 AMiner 的自動駕駛人才庫，我們得到了全球自動駕駛領域學者分布圖，如下圖所示。從圖中可以看到，自動駕駛領域的學者主要分布在美國，其次是歐洲。中國對自動駕駛汽車的研究緊跟其后，南美洲、非洲和大洋洲則人才相對比較匱乏。
按國家進行統計來看美國是自動駕駛汽車科技發展的核心。中國的人數緊排在美國之后。其他的專家主要分布在英國、加拿大、德國和意大利。
AMiner 對全球自動駕駛汽車領域最具影響力的 1000 人的遷徙路徑進行了統計分析，得出下圖所示的各國人才逆順差對比圖。
由圖中可以看出，各國人才的流失和引進是相對比較均衡的，其中美國為人才流動大國，人才輸入和輸出幅度都大幅度領先。中國、英國、德國和瑞士等國次于美國，但各國之間人才流動相差并不明顯。
3.2、代表性研究學者
自動駕駛技術領域的國內代表性研究學者包括賀漢根、李德毅、楊靜宇、鄭南寧等，國外包括 Sebastian Thrun、Chris Urmson、Elon Musk、Amnon Shashua 等。
- 學習經歷、獲得榮譽
完成國家自然科學基金重點項目、國家 863 計劃、國際合作等課題 20 余項，先后獲國家科技進步三等獎 1 項、國防科工委科技進步一等獎 1 項、教育部科技成果一等獎 1 項等獎勵。在國際期刊及國內核心期刊發表論文多篇，享受國務院政府特殊津貼。
- 科研成果
2000 年國防科學技術大學以一輛老式北京吉普車為平臺的自主駕駛汽車進行了75.6km/h 的高速公路車道跟蹤實驗。2003 年 6 月，國防科學技術大學與一汽集團合作研制成功紅旗 CA7460 自主駕駛轎車。該車在正常交通狀況下，高速公路上最高穩定自主駕駛速度為每小時 130km，最高峰值自主駕駛速度為每小時 170km，并具備超車功能，其總體技術性能達到了當時世界先進水平。2006 年 8 月，國防科技大學與一汽集團合作研制成功紅旗HQ3 自主駕駛轎車，在硬件系統小型化、控制精度和穩定性等方面都有明顯提高。該自主車于當年 9 月參加了在吉林長春舉辦的東北亞博覽會。2007 年 3 月，該車又被國家商務部選送到莫斯科參加“俄羅斯—中國年”展覽。2011 年 7 月 14 日，智能化自動駕駛系統在紅旗HQ3 轎車平臺上研發成功，獲準進入京珠高速長沙至武漢段，開展我國首次自動駕駛汽車高速公路長途自主駕駛試驗。2017 年 3 月 6 日，經有關部門批準同意，新一代紅旗自動駕駛汽車獲準在長沙繞城高速公路上開展試驗。
- 學習經歷、獲得榮譽
1983 年獲英國愛丁堡海里奧特·瓦特大學博士學位。1996 年被授予少將軍銜，1999 年當選中國工程院院士，2004 年當選為國際歐亞科學院院士。指揮自動化、計算機工程和人工智能專家，中國人工智能學會理事長，中國指揮與控制學會名譽理事長。清華大學、國防大學兼職教授、博士生導師。長期從事不確定性人工智能、大數據和智能駕駛領域研究。
- 科研成果
參加了多項電子信息系統重大工程的研制和開發。最早提出控制流—數據流圖對理論和一整套用邏輯語言實現的方法；證明了關系數據庫模式和一階謂詞邏輯的對等性；提出云模型和發現狀態空間，用于不確定性知識表示和數據控制；在智能控制“三級倒立擺動平衡”實驗中取得顯著成效。先后獲得國家科技進步獎，軍隊科技進步獎，獲得發明專利 10 項，發表論文 130 多篇，出版中文著作 5 本、英文專著 3 本，在國際上享有極高聲譽。
- 學習經歷、獲得榮譽
1982 年 2 月—1984 年 4 月，在美國伊利諾斯大學 CSL 實驗室 T.S.Huang 指導下進行計算機視覺領域的合作研究，1993 年 6 月—1994 年 3 月在美國密蘇里大學堪薩斯分校計算機系擔任訪問教授，1997 年 12 月—1998 年 4 月在加拿大康科迪亞大學國際知名的模式分析與機器智能研究中心擔任訪問教授。1998 年在加拿大 Concordia University 的模式分析與機器智能中心擔任客座教授。全國優秀留學回國人員，享受國務院特殊津貼。目前擔任南京理工大學計算機科學與工程學院的國家重點學科“模式識別與智能系統”學術帶頭人，同時是教育部信息領域規劃專家組成員、國防科工局“微小型系統技術”規劃組成員、中國人工智能學會常務理事。
- 科研成果
2009 年，主持的“特征抽取理論與算法研究”理論研究成果被評為國家自然科學二等獎，實現了南京理工大學在自然科學技術獎上零的突破。研制的我國第一套自主式地面自動駕駛平臺，被稱為是“在我國智能機器人領域具有開創性，是我國科技戰線，特別是高技術領域的一項重大科技成果”。獲得國家級科技成果獎 2 項，省部級科技進步獎 15 項。在國際學術刊物發表論文 67 篇，其中 56 篇被 SCI 收錄。出版論著和譯著 7 部。獲得國家發明專利 2項。
- 學習經歷、獲得榮譽
1985 年獲日本慶應大學博士學位。現任西安交通大學教授，陜西省科學技術協會主席。1993 年被授予全國優秀教師稱號。1996 年獲中國青年科學家獎。1999 年當選為中國工程院院士。
- 科研成果
提出圖像分析和視覺知識描述新方法，為構造計算機視覺系統和基于圖像信息的智能控制系統，提供了理論指導和關鍵技術。完成“精密裝配機器人機器視覺系統”研究，獲 1996年國家科技進步獎二等獎。發明了一種圖像邊緣曲線擬合的新方法，獲 1995 年國家發明獎四等獎。“高性能機器視覺及車型與牌照自動識別系統”獲 1991 年國家科技進步獎二等獎。提出在線交互式立體測深方法，研制出“X 線數字減影血管造影系統”及“DSA1250 數字減影血管造影系統”。研制出具有自主知識產權的數字電視掃描制式轉換及視頻處理芯片；獲已授權的中國發明專利七項。發表論文 100 余篇，著作 2 部。
- 學習經歷、獲得榮譽
1995 年獲得波恩大學計算機與統計學雙博士學位，后任教于卡內基·梅隆大學。2003 年，加入斯坦福大學，開始自動駕駛汽車的研究。2011 年，獲得 Max Planck Research Award 和首屆 AAAI Ed Feigenbaum Prize。世界頂級人工智能專家，2007 年當選美國國家工程院院士，目前是斯坦福大學和佐治亞理工學院的兼職教授。
- 科研成果
2005 年，Sebastian Thrun 的團隊創建了機器人車輛 Stanley，該車贏得了 2005 年 DARPA大挑戰賽，并在史密森尼美國國家歷史博物館展出。2007 年，應谷歌的 Larry Page 和 SergeyBrin 邀請，在谷歌內部主導建立了一個硬件創新實驗室，也就是后來的 Google X 實驗室，產出了包括自動駕駛汽車、谷歌眼鏡在內的眾多標志性項目。2012 年初，受到可汗學院啟發，參與創立了 Udacity。
- 學習經歷、獲得榮譽
2005 年，獲得卡內基·梅隆大學機器人方向（Robotics）博士學位。卡內基·梅隆大學的助理研究教授。參加的卡內基·梅隆大學團隊贏得了 2007 年 DARPA 大挑戰賽。
- ?科研成果
于 2009 年加入 Google X，并于 2013 年接替 Sebastian Thrun 擔任項目負責人，于 201629年離任。與 Sterling Anderson 以及 Drew Bagnell 共同創立了一家致力于自動駕駛汽車軟件、數據和硬件的創業公司 Aurora Innovation。
- 學習經歷、獲得榮譽
本科畢業于賓夕法尼亞大學，獲經濟學和物理學雙學位。2013 年 11 月 21 日，美國《財富》揭曉了“2013 年度商業人物”，榮登榜首。2016 年 9 月 22 日，彭博全球 50 大最具影響力人物排行榜，排第 11 名。2016 年 12 月 14 日，榮獲“2016 年最具影響力 CEO”榮譽。2017 年 12 月 4 日，位列《彭博商業周刊》2017 年度全球 50 大最具影響力人物榜單第 43位。
- 科研成果
2015 年 10 月，特斯拉推出了半自動駕駛系統 Autopilot，Autopilot 是第一個投入商用的自動駕駛技術。目前，特斯拉的量產車上均已安裝 Autopilot 1.0、2.0 或 2.5 硬件系統。
- 學習經歷、獲得榮譽
1985 年，在以色列特拉維夫大學的專業是數學和計算機科學。1989 年，在魏茲曼科學研究所獲得計算機科學學位，后在麻省理工學院取得腦與認知科學博士學位。
- 科研成果
自 1996 年以來，一直擔任耶路撒冷希伯來大學的計算機科學系教員。1999 年，被任命為副教授，2003 年為全職教授。在 2002—2005 年間，是希伯來大學工程和計算機科學學院的負責人。多年來，在機器學習和計算機視覺領域發表了超過 100 篇論文。 1999 年，創立 Mobileye，專注于自動駕駛視覺系統，開發了一款鼠標大小的輔助駕駛系統。該設備的攝像機和定制芯片卡在汽車后視鏡后面，提供的算法和計算機芯片能夠根據圖像（由車輛上的攝像機拍攝）預測潛在碰撞事故。2017 年 3 月 13 日，英特爾宣布以每股63.54 美元現金收購 Mobileye，股權價值約 153 億美元。這是以色列有史以來金額最大的一筆交易，也是英特爾發展史上的重大一步。
四、應用篇
業界普遍認為，自動駕駛技術在公共交通領域和特定場所的使用將早于在個人乘用車市場的普及。自動駕駛汽車將最先應用的行業包括公共交通、快遞運輸、服務于老年人和殘疾人，如下圖所示。
（1）公共交通
相比于小汽車，公共交通更能惠及普通群眾，讓民眾感受到人工智能、自動駕駛帶來的技術革新和便利，這也是該項技術最初的出發點。
自動駕駛巴士被認為是解決城市“最后一公里”難題的有效方案，大多用于機場、旅游景區和辦公園區等封閉的場所。前面我們提到百度 Level 4 級量產自駕巴士“阿波龍”已經量產下線。阿波龍能夠載客 14 人，沒有駕駛員座位，也沒有方向盤和剎車踏板，最高時速可達 70km，充電兩小時續航里程達 100km。這批成車將會被投放到北京、深圳、武漢等城市，在機場、工業園區、公園等行駛范圍相對固定的場所開始商業化運營。在阿波龍之前，今年 3 月，法國的 EasyMile 的自動駕駛巴士 EZ10 成為了首輛在加州道路上運營的完全沒有司機座駕的汽車。EasyMile 也是第一家受益于加州自動駕駛新政的公司。
自動駕駛汽車在公共交通領域的另一個重要應用是出租車。前面提到 nuTonomy 于 2016年 8 月，成為了新加坡第一家在試點項目下推出自動駕駛出租車的公司。Waymo 于當地時間 2018 年 5 月 31 日，宣布向菲亞特·克萊斯勒（FCA）采購 62000 輛 Pacifica 混動廂式車用于打造自動駕駛出租車隊。
（2）快遞運輸
快遞用車和“列隊”卡車將是另外一個較快采用自動駕駛汽車的領域。隨著全球老齡化問題的加劇，自動駕駛技術在快遞等行業的應用將極大地彌補勞動力不足的問題，并且隨著自動駕駛技術的成熟與市場普及程度的提高，無人配送將成為必然的趨勢。
2017 年“6·18”，京東首批試點運營的無人配送車在中國人民大學進行快遞投遞。2018年“6·18”，在京東的北京上地配送站，20 余臺配送機器人整齊列陣。隨著調度平臺命令發出，首批載有“6·18”貨物訂單的 3 輛配送機器人依次出發，自動奔向訂單配送的目的地。目前，京東已經在北京、上海、天津、廣州、貴陽、武漢、西安等 20 多個國內城市和泰國曼谷、印尼雅加達就配送機器人項目的應用開展布局，共投放了 100 多臺機器人，明年計劃投放至萬余臺。
2017 年 6 月，一款名為 Kar-Go 的自動駕駛微型車開始在英國公共道路進行路測。該車可在居民區無標記的道路和人行橫道上駕駛，自動送貨上門，將削減“最后一公里投遞”90%的成本，大大節省運輸費用。
（3）服務于老年人和殘疾人
自動駕駛汽車已經開始在老年人和殘疾人這兩個消費群體中有所應用。自動駕駛汽車不僅可增強老年人的移動能力，也能幫助殘疾人旅行。美國老齡人口到 2050 年預計超過 8000萬人，占總人口數的 20%。到 2050 年，中國老齡人口預計將占總人口數的 33%。而在日本，到 2060 年，65 歲及以上人群將占總人口數約 40%。殘疾人的市場也很龐大，如在美國，約5300 萬成年人有殘疾，占成年人人口數的 22%左右。約 13%的美國成年人有出行障礙，約4.6%的成年人有視力障礙。這些有關老年人和殘疾人士的龐大數據為無人車提供了現成的市場。
2012 年，谷歌展示了自動駕駛技術的巨大潛力，谷歌員工讓失去 95%視力的 Steve Mahan坐上谷歌自動駕駛車，體驗其中的樂趣。隨后，谷歌公司為他頒發了“首位無人汽車駕駛者”的稱號。自動駕駛技術將使得殘疾人變得更加獨立。
五、趨勢篇
（1）未來設想與目標實現
據《日本經濟新聞》5 月 18 日報道，歐盟的歐洲委員會當地時間 5 月 17 日公布的自動駕駛時間進度表指出，計劃到 2020 年在高速公路上實現自動駕駛，在城市中心區域實現低速自動駕駛；到 2030 年普及完全自動駕駛。為了助力自動駕駛，到 2022 年，歐盟所有新車都將具備通信功能，實現 100％“車聯網”。委員會呼吁成員國和汽車企業制定確保安全和明確事故責任的通用規則。力爭在國際規則出臺之前制定出地區標準，在新一代產業領域掌握主導權。
此前，我國發布的《節能與新能源汽車技術路線圖》指出，到 2020 年，駕駛輔助/部分自動駕駛車輛市場占有率將達50％；到2025年，高度自動駕駛車輛市場占有率將達約15％；到 2030 年，完全自動駕駛車輛市場占有率將近 10％。
目前，各大自動駕駛技術研發企業與傳統汽車制造廠商均在努力加速實現自動駕駛汽車的商業化進程。百度計劃 2020 年實現自動駕駛汽車的全面量產；寶馬計劃 2021 年推出完全自動駕駛汽車；福特計劃在 2021 年推出自動駕駛汽車；戴姆勒稱，普通道路上實現自動駕駛的卡車將在 2020 年研發成功。
到 2020 年，過去積累的自動駕駛技術科研成果及工程進步都將成為現實。我們即將進入 10~20 年混合模式的時代。隨著人工智能的飛速發展及自動駕駛汽車與新技術的深度融合，自動駕駛汽車可實現高度智能化，真正實現 Level 4+級的自動駕駛技術。在享受科技成果時，我們也需認識到，自動駕駛技術給我們帶來無限憧憬的同時，也會給社會生活帶來巨大的沖擊，如汽車駕照與保險可能會消失，出租車可能不再需要“的哥”等。
（2）自動駕駛汽車面臨的挑戰
美國當地時間 2018 年 3 月 18 日晚，優步自動駕駛測試車在亞利桑那州坦佩市郊區，與一名橫穿馬路的中年婦女相撞，事故導致該女子不幸身亡。這是人類歷史上第一起自動駕駛汽車致人死亡事件。
美國當地時間 2018 年 3 月 23 日，在加利福尼亞州山景城 101 高速公路上一輛高速行駛中的特斯拉 Model X 與路邊隔離帶相撞，導致車頭部分完全損毀，并引發電池起火，駕駛員不幸遇難。
以上這些自動駕駛車輛事故表明，自動駕駛技術距離成熟應用還有一段漫長而艱辛的發展歷程，這不是一蹴而就的。目前，國內自動駕駛技術取得了長足的進步，自動駕駛汽車也逐步得到了公眾的認可，但是要實現自動駕駛汽車的普及化仍然需要很長的路要走。核心技術水平不高，關鍵零部件非國產化嚴重，政策法規需要逐步完善等問題依然需要不斷努力。
① 技術問題
目前自動駕駛技術在“人不多、規定車道、車速不快”的前提條件下確實可以實現，但是面對真正的復雜交通環境，自動駕駛汽車的安全性還需要更長時間來完善。如人類駕駛員能判斷前方車輛的駕駛員是老司機還是新手，從而決定與前車保持多遠的距離才合適，而自動駕駛技術要理解這些細微的預行為就顯得很困難。精確定位和導航是實現自動駕駛最為重要的部分之一，只有實現精確定位和導航的精細化才能保證自動駕駛的安全性與可靠性。目前，我國自主研制的北斗導航系統在性能上與美國的 GPS 相比還存在一定的差距。高精度激光雷達、毫米波雷達等車載傳感器作為自動駕駛汽車的眼睛，國內近幾年雖有快速的進步，但與國外先進水平相比仍有相當的差距。自動駕駛技術要大規模普及，一方面有待在低成本、高性能的傳感技術方面取得突破，還需要大幅提升自動駕駛的計算能力，而這兩方面都是國內仍需努力的。
② 政策法規
自動駕駛汽車要想合法上路行駛，首先要解決政策法規的問題。自動駕駛汽車實際行駛過程中難免會因為某些原因而產生事故，如何劃分事故責任，如何做到公正裁決等這些都是要進行深入討論與驗證的問題。目前并沒有哪些國家對自動駕駛汽車專門制定完善的政策法規，要想真正的實現自動駕駛汽車的普及化，這是一個必須解決并且需要格外小心的問題。
③ 困難和挑戰
自動駕駛的一個很重要的用途是用于某些特殊的環境下，由于在某些特殊的環境下，人員生存困難，自動駕駛能克服這些問題，但是其也要解決如極寒、道路條件復雜等各種極端環境的影響，這同樣也是自動駕駛未來發展所應面臨的困難。由于人工智能的大量應用，自動駕駛技術更依賴于網絡，如通過云端獲取的高精地圖、精準導航等的數據，其安全性顯得尤為突出。如何打造安全可靠的數據鏈路，不被黑客侵擾等也將是需要長期面臨的困難與挑戰。
參考文獻
[1] SAE International.Automated Driving - Levels of Driving Automation are Defined in New SAE International Standard J3016.
[2] 陳虹，郭露露，邊寧.對汽車智能化進程及其關鍵技術的思考［J］.科技導報，2017，35 （11）：52-59.
[3] 陳慧巖，熊光明，龔建偉，等.無人駕駛汽車概論.北京：北京理工大學出版社，2014.
[4] 劉少山，唐潔，吳雙，等.第一本無人駕駛技術書.北京：電子工業出版社，2017.
[5] 國家制造強國建設戰略咨詢委員會.《中國制造 2025》.2015.
[6] Wolfgang Bernhart，Marc WinTerhoff，Christopher Hoyes，etc.Autonomous Driving.Roland Berger，2014，11.
[7] 班智飛，黃波.無人駕駛：在騰飛的前夜.中關村，2018，1.
[8] 喬維高，徐學進.無人駕駛汽車的發展現狀及方向[J].上海汽車，2007(07).
[9] 晏欣煒，朱政澤，周奎，彭彬.人工智能在汽車自動駕駛系統中的應用分析.湖北汽車工 業學院學報.2018，3.
[10] 夏偉，李慧云.基于深度強化學習的自動駕駛策略學習方法.集成技術，2017，5.
[11] 國家發展改革委辦公廳.智能汽車關鍵技術產業化實施方案.2017，12.
[12] 李克強，戴一凡，李升波，等.智能網聯汽車（ICV）技術的發展現狀及趨勢[J].汽車安全 與節能學報，2017，8（1）：1-14.
[13] 丁毅.淺析無人駕駛汽車環境感知技術.數字技術與應用，2018，1.
[14] 賀漢根，孫振平，徐昕.智能交通條件下車輛自主駕駛技術展望.中國科學基金會，2016.
[15] 陳帥.無人駕駛汽車安全行駛的三大系統.中小企業管理與科技，2018，4.
總結
以上是生活随笔為你收集整理的2018年人工智能之自动驾驶研究报告的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： nutch-2.1导入eclipse+m
- 下一篇： handbrake下载太慢_handbr