進入到2020年,，自動駕駛技術(shù)走到了需要規(guī)模商業(yè)化證明技術(shù)價值的時候,。

　　不管是封閉或半封閉場景的礦區(qū),、港口和園區(qū),，還是公開道路的RoboTaxi,、RoboTruck等,，技術(shù)都是自動駕駛在不同場景商業(yè)化的基礎(chǔ),。

　　本報告覆蓋了自動駕駛汽車所需要的感知,、定圖與定位,、傳感器融合、機器學習方法,、數(shù)據(jù)收集與處理,、路徑規(guī)劃、自動駕駛架構(gòu),、乘客體驗,、自動駕駛車輛與外界交互、自動駕駛對汽車部件的挑戰(zhàn)（如功耗,、尺寸,、重量等）、通訊與連接（車路協(xié)同,、云端管理平臺）等技術(shù)領(lǐng)域的討論,，并且提供相應的各自動駕駛公司的實施案例。

　　本報告是由美國,、中國,、以色列、加拿大,、英國等全球不同國家和地區(qū)的自動駕駛專家,，針對自動駕駛技術(shù)的硬件和軟件技術(shù)，進行的全面闡述，方便各位讀者能夠從技術(shù)角度,，了解最新的技術(shù)動態(tài),，從而全面了解自動駕駛汽車。

　　本報告的案例大多數(shù)來自汽車領(lǐng)域,，這也是目前自動駕駛行業(yè)最火熱的應用場景,，但是，服務個人出行的汽車并不是自動駕駛技術(shù)影響深遠的行業(yè),，其他的行業(yè),，如公共交通、貨運,、農(nóng)業(yè),、礦業(yè)等領(lǐng)域，也同樣是自動駕駛技術(shù)應用的廣泛天地,。

　　01 各類傳感器

　　各類傳感器,，用于自動駕駛汽車感知環(huán)境，如同人類的眼睛,，自動駕駛汽車的基礎(chǔ)部件；自動駕駛汽車的傳感器主要有五種,，包括了：1,、Long range RADAR；2,、Camera,；3、LIDAR,；4,、Short/Medium range RADAR；5,、Ultrasound,；

　　這些不同的傳感器，主要用于不同距離,、不同類型的物體感知,，為自動駕駛汽車判斷周邊環(huán)境，提供最重要的信息來源,，另外,，還有一個環(huán)境感知的信息來源是車路協(xié)同的來源，這點報告中也有闡述,。

　　關(guān)于傳感器的選擇,，主要是根據(jù)下面的技術(shù)因素進行判斷：

　　1、掃描范圍,，確定必須對被感測的對象做出反應的時間,；

　　2,、分辨率，確定傳感器可以為自動駕駛車輛提供的環(huán)境細節(jié),；

　　3,、視場或角度分辨率，確定要覆蓋,、要感知的區(qū)域需要傳感器的數(shù)量,；

　　4、刷新率,，確定來自傳感器的信息更新的頻率,；

　　5、感知對象數(shù)量,，能夠區(qū)分3D中的靜態(tài)對象數(shù)量和動態(tài)對象數(shù)量,，并且確定需要跟蹤的對象數(shù)量；

　　6,、可靠性和準確性,，傳感器在不同環(huán)境下的總體可靠性和準確性；

　　7,、成本,、大小和軟件兼容性，這是量產(chǎn)的技術(shù)條件之一,；

　　8,、生成的數(shù)據(jù)量，這決定了車載計算單元的計算量,，現(xiàn)在傳感器偏向智能傳感器,，也就是，不僅僅是感知,，還會分辨信息,，把對車輛行駛影響最重要的數(shù)據(jù)傳輸給車載計算單元，從而減少其計算負荷,；

　　下面是Waymo,、Volvo-Uber、Tesla的傳感器方案示意圖：

　　傳感器因為一直暴露在環(huán)境中,，容易受到環(huán)境的污染,，從而影響傳感器的工作效率，所以,，都需要對傳感器進行清潔,。

　　1、Tesla的傳感器，具有加熱功能,，可抵御霜凍和霧氣,；

　　2、Volvo的傳感器配備有噴水清潔系統(tǒng),，用于清潔粉塵,；

　　3、Waymo使用的Chrysler Pacifica的傳感器有噴水系統(tǒng)和刮水器,。

　　02 SLAM和傳感器融合

　　SLAM是一個復雜的過程,，因為本地化需要地圖，并且映射需要良好的位置估計,。盡管長期以來人們一直認為機器人要成為自主的基本“雞或蛋”問題,，但在1980年代和90年代中期的突破性研究從概念和理論上解決了SLAM。從那時起,，已經(jīng)開發(fā)了多種SLAM方法,，其中大多數(shù)使用概率概念。

　　為了更準確地執(zhí)行SLAM,，傳感器融合開始發(fā)揮作用,。傳感器融合是組合來自多個傳感器和數(shù)據(jù)庫的數(shù)據(jù)以獲得改進信息的過程。它是一個多級過程,，處理數(shù)據(jù)的關(guān)聯(lián),，相關(guān)性和組合，與僅使用單個數(shù)據(jù)源相比,，可以實現(xiàn)更便宜,，更高質(zhì)量或更多相關(guān)信息,。

　　對于從傳感器數(shù)據(jù)到運動所需的所有處理和決策,，通常使用兩種不同的AI方法：

　　1、順序地,，將驅(qū)動過程分解為分層管道的組件,，每個步驟（傳感，定位,，路徑規(guī)劃,，運動控制）都由特定的軟件元素處理，管道的每個組件都將數(shù)據(jù)饋送到下一個,；

　　2,、基于深度學習的端到端解決方案，負責所有這些功能,。

　　哪種方法最適合AV的問題是不斷爭論的領(lǐng)域,。傳統(tǒng)且最常見的方法包括將自動駕駛問題分解為多個子問題，并使用專用的機器學習算法技術(shù)依次解決每個子問題，這些算法包括計算機視覺,，傳感器融合,，定位，控制理論和路徑規(guī)劃,。

　　端到端（e2e）學習作為一種解決方案,，可以解決自動駕駛汽車復雜AI系統(tǒng)所面臨的挑戰(zhàn)，因此越來越受到人們的關(guān)注,。端到端（e2e）學習將迭代學習應用于整個復雜系統(tǒng),，并已在深度學習的背景下得到普及。

　　03 三種機器深度學習方法

　　當前,，不同類型的機器學習算法被用于自動駕駛汽車中的不同應用,。本質(zhì)上，機器學習根據(jù)提供的一組訓練數(shù)據(jù)將一組輸入映射到一組輸出,。1,、卷積神經(jīng)網(wǎng)絡（CNN）；2,、遞歸神經(jīng)網(wǎng)絡（RNN）,；3、深度強化學習（DRL）,；是應用于自動駕駛的最常見的深度學習方法,。

　　CNN——主要用于處理圖像和空間信息，以提取感興趣的特征并識別環(huán)境中的對象,。這些神經(jīng)網(wǎng)絡由卷積層組成：卷積過濾器的集合,，它們試圖區(qū)分圖像元素或輸入數(shù)據(jù)以對其進行標記。該卷積層的輸出被饋送到一種算法中,，該算法將它們組合起來以預測圖像的最佳描述,。最終的軟件組件通常稱為對象分類器，因為它可以對圖像中的對象進行分類,，例如路牌或其他汽車,。

　　RNN——當處理諸如視頻之類的時間信息時，RNN是強大的工具,。在這些網(wǎng)絡中,，先前步驟的輸出作為輸入被饋送到網(wǎng)絡中，從而使信息和知識能夠持久存在于網(wǎng)絡中并被上下文化,。

　　DRL——將深度學習（DL）和強化學習相結(jié)合,。DRL方法使軟件定義的“代理”可以使用獎勵功能，在虛擬環(huán)境中學習最佳行動,，以實現(xiàn)其目標,。這些面向目標的算法學習如何實現(xiàn)目標,，或如何在多個步驟中沿特定維度最大化。盡管前景廣闊,，但DRL面臨的挑戰(zhàn)是設計用于駕駛車輛的正確獎勵功能,。在自動駕駛汽車中，深度強化學習被認為仍處于早期階段,。

　　這些方法不一定孤立地存在,。例如，特斯拉（Tesla）等公司依靠混合形式,，它們試圖一起使用多種方法來提高準確性并減少計算需求,。

　　一次在多個任務上訓練網(wǎng)絡是深度學習中的常見做法，通常稱為多任務訓練 或輔助任務訓練,。這是為了避免過度擬合,，這是神經(jīng)網(wǎng)絡的常見問題。當機器學習算法針對特定任務進行訓練時,，它會變得非常專注于模仿它所訓練的數(shù)據(jù),，從而在嘗試進行內(nèi)插或外推時其輸出變得不切實際。

　　通過在多個任務上訓練機器學習算法,，網(wǎng)絡的核心將專注于發(fā)現(xiàn)對所有目的都有用的常規(guī)功能,，而不是僅僅專注于一項任務。這可以使輸出對應用程序更加現(xiàn)實和有用,。