進(jìn)入到2020年,，自動(dòng)駕駛技術(shù)走到了需要規(guī)模商業(yè)化證明技術(shù)價(jià)值的時(shí)候,。

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

　　本報(bào)告覆蓋了自動(dòng)駕駛汽車(chē)所需要的感知、定圖與定位,、傳感器融合,、機(jī)器學(xué)習(xí)方法,、數(shù)據(jù)收集與處理、路徑規(guī)劃,、自動(dòng)駕駛架構(gòu),、乘客體驗(yàn)、自動(dòng)駕駛車(chē)輛與外界交互,、自動(dòng)駕駛對(duì)汽車(chē)部件的挑戰(zhàn)（如功耗,、尺寸、重量等）,、通訊與連接（車(chē)路協(xié)同,、云端管理平臺(tái)）等技術(shù)領(lǐng)域的討論，并且提供相應(yīng)的各自動(dòng)駕駛公司的實(shí)施案例,。

　　本報(bào)告是由美國(guó),、中國(guó)、以色列,、加拿大,、英國(guó)等全球不同國(guó)家和地區(qū)的自動(dòng)駕駛專家，針對(duì)自動(dòng)駕駛技術(shù)的硬件和軟件技術(shù),，進(jìn)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(dòng)態(tài),，從而全面了解自動(dòng)駕駛汽車(chē),。

　　本報(bào)告的案例大多數(shù)來(lái)自汽車(chē)領(lǐng)域，這也是目前自動(dòng)駕駛行業(yè)最火熱的應(yīng)用場(chǎng)景,，但是,，服務(wù)個(gè)人出行的汽車(chē)并不是自動(dòng)駕駛技術(shù)影響深遠(yuǎn)的行業(yè)，其他的行業(yè),，如公共交通,、貨運(yùn)、農(nóng)業(yè),、礦業(yè)等領(lǐng)域,，也同樣是自動(dòng)駕駛技術(shù)應(yīng)用的廣泛天地。

　　01 各類傳感器

　　各類傳感器,，用于自動(dòng)駕駛汽車(chē)感知環(huán)境,，如同人類的眼睛，自動(dòng)駕駛汽車(chē)的基礎(chǔ)部件,；自動(dòng)駕駛汽車(chē)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(dòng)駕駛汽車(chē)判斷周邊環(huán)境,，提供最重要的信息來(lái)源,，另外，還有一個(gè)環(huán)境感知的信息來(lái)源是車(chē)路協(xié)同的來(lái)源,，這點(diǎn)報(bào)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(jìn)行判斷：

　　1,、掃描范圍,，確定必須對(duì)被感測(cè)的對(duì)象做出反應(yīng)的時(shí)間；

　　2,、分辨率,，確定傳感器可以為自動(dòng)駕駛車(chē)輛提供的環(huán)境細(xì)節(jié)；

　　3,、視場(chǎng)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(lái)自傳感器的信息更新的頻率,；

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

　　6、可靠性和準(zhǔn)確性,，傳感器在不同環(huán)境下的總體可靠性和準(zhǔn)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(chē)載計(jì)算單元的計(jì)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(huì)分辨信息，把對(duì)車(chē)輛行駛影響最重要的數(shù)據(jù)傳輸給車(chē)載計(jì)算單元,，從而減少其計(jì)算負(fù)荷,；

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

　　傳感器因?yàn)橐恢北┞对诃h(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(duì)傳感器進(jìn)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(gè)復(fù)雜的過(guò)程,，因?yàn)楸镜鼗枰貓D,，并且映射需要良好的位置估計(jì)。盡管長(zhǎng)期以來(lái)人們一直認(rèn)為機(jī)器人要成為自主的基本“雞或蛋”問(wèn)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(shí)起，已經(jīng)開(kāi)發(fā)了多種SLAM方法,，其中大多數(shù)使用概率概念,。

　　為了更準(zhǔn)確地執(zhí)行SLAM，傳感器融合開(kāi)始發(fā)揮作用,。傳感器融合是組合來(lái)自多個(gè)傳感器和數(shù)據(jù)庫(kù)的數(shù)據(jù)以獲得改進(jìn)信息的過(guò)程,。它是一個(gè)多級(jí)過(guò)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(gè)數(shù)據(jù)源相比,，可以實(shí)現(xiàn)更便宜，更高質(zhì)量或更多相關(guān)信息,。

　　對(duì)于從傳感器數(shù)據(jù)到運(yùn)動(dòng)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(dòng)過(guò)程分解為分層管道的組件,，每個(gè)步驟（傳感，定位,，路徑規(guī)劃,，運(yùn)動(dòng)控制）都由特定的軟件元素處理,，管道的每個(gè)組件都將數(shù)據(jù)饋送到下一個(gè),；

　　2、基于深度學(xué)習(xí)的端到端解決方案,，負(fù)責(zé)所有這些功能,。

　　哪種方法最適合AV的問(wèn)題是不斷爭(zhēng)論的領(lǐng)域。傳統(tǒng)且最常見(jiàn)的方法包括將自動(dòng)駕駛問(wèn)題分解為多個(gè)子問(wèn)題,，并使用專用的機(jī)器學(xué)習(xí)算法技術(shù)依次解決每個(gè)子問(wèn)題,，這些算法包括計(jì)算機(jī)視覺(jué)，傳感器融合,，定位,，控制理論和路徑規(guī)劃。

　　端到端（e2e）學(xué)習(xí)作為一種解決方案,，可以解決自動(dòng)駕駛汽車(chē)復(fù)雜AI系統(tǒng)所面臨的挑戰(zhàn),，因此越來(lái)越受到人們的關(guān)注。端到端（e2e）學(xué)習(xí)將迭代學(xué)習(xí)應(yīng)用于整個(gè)復(fù)雜系統(tǒng),，并已在深度學(xué)習(xí)的背景下得到普及,。

　　03 三種機(jī)器深度學(xué)習(xí)方法

　　當(dāng)前，不同類型的機(jī)器學(xué)習(xí)算法被用于自動(dòng)駕駛汽車(chē)中的不同應(yīng)用,。本質(zhì)上,，機(jī)器學(xué)習(xí)根據(jù)提供的一組訓(xùn)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(luò)（CNN）,；2、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）,；3,、深度強(qiáng)化學(xué)習(xí)（DRL）；是應(yīng)用于自動(dòng)駕駛的最常見(jiàn)的深度學(xué)習(xí)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(shí)別環(huán)境中的對(duì)象,。這些神經(jīng)網(wǎng)絡(luò)由卷積層組成：卷積過(guò)濾器的集合，它們?cè)噲D區(qū)分圖像元素或輸入數(shù)據(jù)以對(duì)其進(jìn)行標(biāo)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(lái)以預(yù)測(cè)圖像的最佳描述。最終的軟件組件通常稱為對(duì)象分類器,，因?yàn)樗梢詫?duì)圖像中的對(duì)象進(jìn)行分類,，例如路牌或其他汽車(chē)。

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

　　DRL——將深度學(xué)習(xí)（DL）和強(qiáng)化學(xué)習(xí)相結(jié)合。DRL方法使軟件定義的“代理”可以使用獎(jiǎng)勵(lì)功能,，在虛擬環(huán)境中學(xué)習(xí)最佳行動(dòng),，以實(shí)現(xiàn)其目標(biāo)。這些面向目標(biāo)的算法學(xué)習(xí)如何實(shí)現(xiàn)目標(biāo),，或如何在多個(gè)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(shè)計(jì)用于駕駛車(chē)輛的正確獎(jiǎng)勵(lì)功能,。在自動(dòng)駕駛汽車(chē)中,，深度強(qiáng)化學(xué)習(xí)被認(rèn)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?cè)噲D一起使用多種方法來(lái)提高準(zhǔn)確性并減少計(jì)算需求,。

　　一次在多個(gè)任務(wù)上訓(xùn)練網(wǎng)絡(luò)是深度學(xué)習(xí)中的常見(jiàn)做法,，通常稱為多任務(wù)訓(xùn)練 或輔助任務(wù)訓(xùn)練。這是為了避免過(guò)度擬合,，這是神經(jīng)網(wǎng)絡(luò)的常見(jiàn)問(wèn)題,。當(dāng)機(jī)器學(xué)習(xí)算法針對(duì)特定任務(wù)進(jìn)行訓(xùn)練時(shí)，它會(huì)變得非常專注于模仿它所訓(xùn)練的數(shù)據(jù),，從而在嘗試進(jìn)行內(nèi)插或外推時(shí)其輸出變得不切實(shí)際,。

　　通過(guò)在多個(gè)任務(wù)上訓(xùn)練機(jī)器學(xué)習(xí)算法，網(wǎng)絡(luò)的核心將專注于發(fā)現(xiàn)對(duì)所有目的都有用的常規(guī)功能,，而不是僅僅專注于一項(xiàng)任務(wù),。這可以使輸出對(duì)應(yīng)用程序更加現(xiàn)實(shí)和有用,。