与时俱进——博恩博士任命副教授谈自动驾驶仪的三大关键技术

智能网络车的第一站

智能是汽车三大变革之一，也是未来人工智能产业化落地的核心组成部分环境感知、自主决策和动态控制是汽车的三大关键技术。

在5月底于宁波举行的第五届中国汽车工业年会上，清华大学汽车工程系副教授李升波就上述三项关键技术发表了题为“智能汽车感知、决策和控制技术的进展及其未来挑战”的专题报告

李升波认为，这三项关键技术基本上决定了汽车的性能，包括智能驾驶、驾驶安全、燃油经济性、乘坐舒适性等。这三项关键技术将是制约智能汽车登陆的核心因素。

从环境感知的角度来看，其原理本身相对简单，即识别车辆本身周围的人和车辆，以及车道线和道路上的斑马线等。以传感器的形式为后续决策提供依据环境感知可以分为“感觉”和“知识”

传感器接收信号的过程是“感知”部分。常识传感器包括:超声波、毫米波雷达、照相机、激光雷达、夜视传感器、全球定位系统、惯性测量组合惯性导航等。“知道”部分负责根据收集的环境数据进一步识别和理解环境。

当前感知方案根据对高精度地图的依赖程度可分为“重地图方案”和“轻地图方案”。目前，许多初创公司和互联网公司更倾向于在“大地图计划”上努力与传统的单天线技术相比，它可以大大提高车辆的定位精度(达到厘米级)，这对我们今后的高水平自动驾驶的研究和发展非常有帮助。然而，由于使用高精度地图和激光雷达，其成本相对较高，数据量也相对较大，对控制器的实时性要求也较高。它更适用于L3和L4级自主车辆。

李升波还提到:“在感知领域，我们目前深入神经网络，深入学习技术已经得到广泛应用。”“一些深度学习网络已经能够为我们提供高精度的感知能力然而，目前在自动驾驶领域遇到的困难是:首先，其模型的大小远远大于以前的感知域模型；其次，深层神经网络需要使用大量的数据进行训练，而数据的获取是一个大问题

在自主驾驶决策层面，李升波认为“决策是体现无人驾驶智能的核心技术”然而，由于实际路况的复杂性、动态性和不确定性，目前自动驾驶决策的可靠性仍达不到要求。此外，在拥挤的道路条件下，汽车和人以及汽车之间存在着某种游戏。在某个时候，这条路上的一个位置只能被一个人或一辆车占据，这种游戏也给决策带来了巨大的挑战。

目前从技术研发的角度来看有两个主要的决策方案:一个是分解方案，目前在工业化过程中更为常见。整个决策方案分解为独立的简单子问题，然后每个团队或工程师分别解决一个问题，形成整体决策能力。

的另一种方案称为端到端方案，它将整个决策过程视为一个黑箱，传感器作为输入，油门、刹车和方向盘作为输出，中间用神经网络描述。我们不在乎中间在做什么，实现黑盒端到端控制。

，但在端到端方案中仍有许多问题需要解决。首先是行驶数据样本不均匀，以下情况较多，但紧急制动较少。有很多直道，但是很少换道和超车。许多驾驶条件的小样本很可能被认为是噪音。二是深层神经网络不能使用车辆模型，移植能力差。第三是覆盖自动驾驶仪的所有场景。对这种数据的需求非常大。

在动力控制层面，李升波提到，动力控制的主要目标是控制车辆的方向盘、油门和刹车，以跟踪车辆轨迹。目前，它主要由两个任务组成:纵向控制和横向控制。在控制过程中遇到的许多问题也极具挑战性，例如来自传感器的噪声和外部干扰。如果你想获得更好的控制性能，你需要深入考虑发动机、发动机、变速器甚至车内轮胎的特性，这对工程师的设计提出了巨大的挑战。在

年末，李升波表示:首先，目前的算法不能满足高水平自主车辆的产业化需求，可靠性、准确性和安全性有待进一步提高，尤其是人车混杂的城市道路场景，这是对汽车智能化水平的一次巨大考验。

第二，实际的驾驶数据量还远远不够，尤其是关键场景通常相对较少，但这个关键场景往往是我们安全的关键。如何提取这种长尾数据将是数据收集的重点。

第三，目前广泛使用的处理器架构不能满足汽车领域的实时计算要求，要么功耗相对较大，要么计算速度不能满足要求。集成图形处理器、现场可编程门阵列和专用集成电路芯片的自主“域控制器”的开发需要整个行业的共同努力。