研究自動駕駛技術(shù)的算法需要哪些知識？

編者薦語后臺有同學(xué)詢問自動駕駛的技術(shù)棧，這里總結(jié)知乎的提問與自己的一些認(rèn)識，對自動駕駛進(jìn)行一定的介紹。自動駕駛系統(tǒng)包括環(huán)境感知和定位，行為預(yù)測和規(guī)劃控制。作為計算機(jī)視覺方面的研究人員，這里就只說說環(huán)境感知方面需要的知識吧。

1 前言

感知任務(wù)大多涉及算法設(shè)計，因此文章的介紹也以算法為主線，特別是深度學(xué)習(xí)的算法。此外也會涉及一些數(shù)據(jù)采集，系統(tǒng)測試，算法部署以及量產(chǎn)感知系統(tǒng)的分析。

自動駕駛中的環(huán)境感知包含了自動駕駛和環(huán)境感知兩個概念。首先，什么是自動駕駛呢？下面是維基百科上對自動駕駛汽車的定義。

自動駕駛汽車，又稱無人駕駛車、電腦駕駛車、無人車、自駕車，為一種需要駕駛員輔助或者完全不需操控的車輛。作為自動化載具，自動駕駛汽車可以不需要人類操作即能感測其環(huán)境及導(dǎo)航。

上述定義里有幾個關(guān)鍵詞。首先是汽車，我們這里所說的自動駕駛技術(shù)涉及的是汽車，而不是飛機(jī)火車之類的交通工具。其次是感知環(huán)境和導(dǎo)航，也就是說自動駕駛汽車可以自主的采集和理解周邊環(huán)境信息，并根據(jù)設(shè)定的目的地進(jìn)行決策和行進(jìn)。最后是需要駕駛員輔助或者完全不需操控，這里涉及到自動駕駛系統(tǒng)的分級，是一個非常重要的概念，下面稍微展開說一下。

自動駕駛技術(shù)不是從0到1的質(zhì)變，而是一個漸變迭代的過程。關(guān)于自動駕駛系統(tǒng)的分級，目前最常用的標(biāo)準(zhǔn)是由SAE（美國汽車工程師學(xué)會）制定的。不同機(jī)構(gòu)制定的標(biāo)準(zhǔn)會略有不同，但是基本的概念是一致的。下表對L0（人工駕駛）到L5（完全自動駕駛）六個級別進(jìn)行了總結(jié)。這些定義可能有些難懂，但是與車輛上不同的功能結(jié)合起來就容易理解了。比如說，汽車中現(xiàn)在標(biāo)配的防抱死制動系統(tǒng)（ABS）和車身電子穩(wěn)定系統(tǒng)（ESP）就都屬于L1級別。此外，定速巡航、自適應(yīng)巡航（ACC）以及車道保持輔助 （LKA）也屬于L1級別的范疇，因為它們只能在一個方向上（橫向或縱向）操控車輛。如果同時實現(xiàn)了 ACC和LKA，那么這輛車就來到了L2級別。對于L2及其以下級別的系統(tǒng)來說，車輛的駕駛員都需要監(jiān)控周圍環(huán)境并隨時做好接管的準(zhǔn)備。這一點非常關(guān)鍵，這也是很多L2級別的車輛出現(xiàn)交通事故的主要原因，也就是駕駛員對系統(tǒng)期望過高，在駕駛過程中沒有時刻保持對周邊環(huán)境的關(guān)注。如果一個車輛配備了某種Pilot系統(tǒng)，比如Traffic Jam Pilot，那么就達(dá)到了L3級別。這就意味著，在某些特定的場景下（比如高速公路，堵車等），駕駛員不需要時刻監(jiān)控當(dāng)前路況，可以松手，松腳，松眼，只需要在系統(tǒng)提示時接管車輛即可。在這種限定的情況下，駕駛員已經(jīng)成為了乘客。對于L4級別的系統(tǒng)，目前只存在于演示車輛中。我們平時看到的諸如“某廠家的車輛在某道路上實現(xiàn)了XX小時無人工接管的自動行駛”，這都屬于L4級別的范疇，與L3最大的區(qū)別是不需要人工接管了，在限定場景下可以實現(xiàn)車輛的完全自主行駛。L5級別就是把“限定場景”這個條件也去掉了。這個級別的車輛最大的特點就是沒有方向盤了，所有人都是乘客，車輛的所有操控權(quán)都屬于系統(tǒng)。

了解了自動駕駛是什么以后，我們再來看看自動駕駛系統(tǒng)是怎么實現(xiàn)的。一般來說，自動駕駛系統(tǒng)包含感知，決策和控制這三個主要模塊。粗略來說，這三個模塊對應(yīng)生物系統(tǒng)的眼睛，大腦和四肢。感知系統(tǒng)（眼睛）負(fù)責(zé)了解周圍障礙物和道路的信息，決策系統(tǒng)（大腦）根據(jù)周圍的環(huán)境以及設(shè)定的目標(biāo)決定下一步需要執(zhí)行的動作，而控制系統(tǒng)（四肢）則負(fù)責(zé)執(zhí)行這些動作，比如轉(zhuǎn)向，加速，剎車等。進(jìn)一步來說，感知系統(tǒng)里又包括了環(huán)境感知和車輛定位兩個任務(wù)。環(huán)境感知負(fù)責(zé)檢測各種移動和靜止的障礙物（比如車輛，行人，建筑物等），以及收集道路上的各種信息（比如可行駛區(qū)域，車道線，交通標(biāo)志，紅綠燈等），這里需要用到的主要是各種傳感器（比如攝像頭，激光雷達(dá)，毫米波雷達(dá)等）。車輛定位則根據(jù)環(huán)境感知得到的信息來確定車輛在環(huán)境中所處位置，這里需要高精度地圖，以及慣性導(dǎo)航（IMU）和全球定位系統(tǒng)（GPS）的輔助。

本專欄主要關(guān)注環(huán)境感知系統(tǒng)，重點會介紹攝像頭，激光雷達(dá)和毫米波雷達(dá)這三種主要的傳感器，以及它們的融合。不同的傳感器有著不同的特性，各自都有優(yōu)缺點，因此也適用于不同的任務(wù)。攝像頭是感知系統(tǒng)中最常用的傳感器，優(yōu)勢在于能夠提取豐富的紋理和顏色信息，因此適用于目標(biāo)的分類。但是其缺點在于對于距離的感知能力較弱，并且受光照條件影響較大。激光雷達(dá)在一定程度上彌補(bǔ)了攝像頭的缺點，可以精確的感知物體的距離和形狀，因此適用于中近距的目標(biāo)檢測和測距。但是其缺點在于成本較高，量產(chǎn)難度大，感知距離有限，而且同樣受天氣影響較大。毫米波雷達(dá)具有全天候工作的特點，可以比較精確的測量目標(biāo)的速度和距離，感知距離較遠(yuǎn)，價格也相對較低，因此適用于低成本的感知系統(tǒng)或者輔助其它的傳感器。但是缺點在于高度和橫向的分辨率較低，對于靜止物體的感知能力有限。

環(huán)境感知系統(tǒng)中的多種傳感器

2 技術(shù)概覽

上一節(jié)中提到了，環(huán)境感知系統(tǒng)的硬件基礎(chǔ)是多種傳感器以及它們的組合，而軟件方面的核心則是感知算法。總的來說，感知算法要完成兩個主要的任務(wù)：物體檢測和語義分割。前者得到的是場景中重要目標(biāo)的信息，包括位置，大小，速度等，是一種稀疏的表示；而后者得到的是場景中每一個位置的語義信息，比如可行駛，障礙物等，是一種稠密的表示。這兩個任務(wù)的結(jié)合被稱為全景分割，這也是自動駕駛和機(jī)器人領(lǐng)域最近興起的一個概念。對于物體目標(biāo)（比如車輛，行人），全景分割輸出其分割Mask，類別和實例ID；對于非物體目標(biāo)（比如道路，建筑物），則只輸出其分割Mask和類別。環(huán)境感知系統(tǒng)的終極目標(biāo)就是要得到車輛周邊三維空間中全景分割結(jié)果。當(dāng)然對于不同級別，不同場景下的自動駕駛應(yīng)用來說，需要的感知輸出不也盡相同。

自動駕駛駕駛技術(shù)這一輪的爆發(fā)很大程度上來源于深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域取得的突破，而這個突破首先是從圖像分類和圖像中的物體檢測開始的。在自動駕駛環(huán)境感知中，深度學(xué)習(xí)最先取得應(yīng)用的任務(wù)是單張二維圖像中的物體檢測。這個領(lǐng)域中的經(jīng)典算法，比如Faster R-CNN，YOLO，CenterNet等都是不同時期視覺感知算法的主流。但是，車輛不能僅僅依靠一張二維圖像上的檢測結(jié)果來行駛。因此，為了滿足自動駕駛應(yīng)用的需求，這些基礎(chǔ)的算法還需要進(jìn)行進(jìn)一步的擴(kuò)展，其中最重要的就是融合時序信息和三維信息。前者衍生出了物體跟蹤算法，后者衍生出了單目/雙目/多目的三維物體檢測算法。以此類推，語義分割包含了圖像語義分割，視頻語義分割，稠密深度估計。

為了得到更加精確的三維信息，激光雷達(dá)也一直是自動駕駛感知系統(tǒng)的重要組成部分，尤其是對于L3/4級別的應(yīng)用。激光雷達(dá)的數(shù)據(jù)是相對稀疏的點云，這與圖像稠密的網(wǎng)格結(jié)構(gòu)差別非常大，因此圖像領(lǐng)域常用的算法需要經(jīng)過一定的改動才能應(yīng)用到點云數(shù)據(jù)。點云感知的任務(wù)也可以按照物體檢測和語義分割來劃分，前者輸出三維的物體邊框，而后者輸出點云中每個點的語義類別。為了利用圖像領(lǐng)域的算法，點云可以轉(zhuǎn)換為鳥瞰視圖（Bird‘s Eye View）或者前視圖（Range View）下的稠密網(wǎng)格結(jié)構(gòu)。此外，也可以改進(jìn)深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），使其適用于稀疏的點云結(jié)構(gòu)，比如PointNet或者Graph Neural Network。

毫米波雷達(dá)由于其全天候工作，測速準(zhǔn)確，以及低成本的特點，也被廣泛的用于自動駕駛感知系統(tǒng)中，不過一般應(yīng)用在L2級別的系統(tǒng)中，或者在L3/4級系統(tǒng)中作為其它傳感器的輔助。毫米波雷達(dá)的數(shù)據(jù)一般來說也是點云，但是比激光雷達(dá)的點云更為稀疏，空間分辨率也更低。相比于攝像頭和激光雷達(dá)，毫米波雷達(dá)的數(shù)據(jù)密度非常低，因此一些傳統(tǒng)方法（比如聚類和卡爾曼濾波）表現(xiàn)的并不比深度學(xué)習(xí)差很多，而這些傳統(tǒng)方法的計算量相對較低。最近幾年來，開始有研究者從更底層的數(shù)據(jù)出發(fā)，用深度學(xué)習(xí)代替經(jīng)典的雷達(dá)信號處理，通過端對端的學(xué)習(xí)取得了近似激光雷達(dá)的感知效果。

單個傳感器的感知能力總是有限的，如果把系統(tǒng)成本先放在一邊，多傳感器融合的方案自然更好的選擇。一般來說，攝像頭是感知系統(tǒng)的必備的傳感器，為了得到深度信息和360度的視場，可以采用雙目或者多目融合的方案。為了更準(zhǔn)確的獲得三維和運(yùn)動信息，攝像頭也可以與激光雷達(dá)和毫米波雷達(dá)進(jìn)行融合。這些傳感器的坐標(biāo)系不同，數(shù)據(jù)形式不同，甚至采集頻率也不同，因此融合算法的設(shè)計并不是一件簡單的任務(wù)。粗略來說，融合可以在決策層（融合不同傳感器的輸出）或者數(shù)據(jù)層（融合不同傳感器的數(shù)據(jù)或者中間結(jié)果）來進(jìn)行。數(shù)據(jù)層融合理論上說是更好的方法，但是對傳感器之間的空間和時間對齊要求會更高。

以上大致介紹了環(huán)境感知中所涉及的算法部分，算法部分的其它一些內(nèi)容，比如多目相機(jī)的融合，多傳感器的空間和時間對齊，后續(xù)也會進(jìn)行介紹。

除了核心算法設(shè)計以外，感知系統(tǒng)中其它重要的部分還包括數(shù)據(jù)的采集和標(biāo)注，算法的測試和迭代，以及系統(tǒng)的部署等，這些內(nèi)容之后專欄中也會推出系列文章進(jìn)行分析。

3 行業(yè)現(xiàn)狀

了解了感知系統(tǒng)中所包含的技術(shù)之后，下一步我們來看看這些傳感器在目前的量產(chǎn)或者演示車輛中的應(yīng)用現(xiàn)狀。

粗略來說，自動駕駛公司可以分為兩大類別。一類是傳統(tǒng)的車企（比如國外的大眾，寶馬，通用，豐田等，國內(nèi)的長城，吉利等），新能源車企（比如特斯拉，蔚來，小鵬等）和Tier1（比如國外老牌的博世，大陸，安波福）等，以及國內(nèi)新興的華為，大疆等）。這類公司的首要目標(biāo)是量產(chǎn)，一般以L2級別方案為主，目前也在向L3級別擴(kuò)展。另外一類是一些方案提供商或者初創(chuàng)公司（比如Waymo，Mobileye，Pony.AI，Momenta，TuSimple等）。這些公司致力于發(fā)展L4級別的自動駕駛技術(shù)，面向的是諸如Robotaxi，Robotruck和Robobus之類的應(yīng)用。

對于不同的自動駕駛級別，不同的應(yīng)用場景，傳感器的配置方案也不盡相同。對于L2級別的應(yīng)用，比如緊急制動和自適應(yīng)巡航，可以只采用前視單目攝像頭或者前向毫米波雷達(dá)。如果需要變道輔助功能，則需要增加傳感器對相鄰車道進(jìn)行感知。常用的方案是在車頭和車尾增加多個角雷達(dá)，以實現(xiàn)360度的目標(biāo)檢測能力。對于L3級別的應(yīng)用，需要在特定場景下實現(xiàn)車輛的完全自主駕駛，因此需要擴(kuò)展車輛對周邊環(huán)境的感知能力。這時就需要增加激光雷達(dá)，側(cè)視和后視的攝像頭和毫米波雷達(dá)，以及GPS，IMU和高精度地圖來輔助車輛定位。到了L4級別以后，由于在特定場景下不需要人工接管了，傳感器就不僅需要高精確度，還需要高可靠性。這就需要增加傳感器的冗余性，也就是說需要備用系統(tǒng)。

下面我們來看幾個具體的案例。

首先是特斯拉近期推出的純視覺方案。雖然一提起自動駕駛，很多人腦子里最先想到的就是特斯拉，但是特斯拉其實也只是L2級別（或者說高級L2）的自動駕駛系統(tǒng)，因為還是需要駕駛員隨時準(zhǔn)備好接管車輛。如果你只在L2級別的系統(tǒng)里橫向?qū)Ρ龋敲刺厮估姆桨高€是很有競爭力的。這個系統(tǒng)只采用了視覺傳感器，包括了安裝在車身不同位置，多種焦距和視野范圍的攝像頭。這些攝像頭可以覆蓋360度的視野，并且有一定的冗余性。特斯拉在AI Day上展示的基于深度學(xué)習(xí)的的多攝像頭融合算法，個人覺得還是非常值得研究一下的，后續(xù)也會推出文章進(jìn)行詳細(xì)分析。

特斯拉的純視覺傳感器配置（L2級別）

2017年夏天，奧迪發(fā)布了第四代A8，其中最大的亮點就是搭載了Traffic Jam Pilot（TJP）系統(tǒng)。前文提到了，TJP系統(tǒng)已經(jīng)屬于L3的范疇，因此奧迪A8可以說是全球首個“量產(chǎn)”的L3級系統(tǒng)。為什么加上引號呢，這是因為該功能在交付的車輛中一直沒有開啟，用戶只能在奧迪自己的演示車中體驗。奧迪官方的解釋是法規(guī)方面的問題，但其實最核心的原因還是技術(shù)方面的，也就是L3中的所謂的“接管悖論”問題。在60公里時速以下的結(jié)構(gòu)化道路堵車場景中，TJP系統(tǒng)允許駕駛員低頭玩手機(jī)或者睡覺。這時如果出現(xiàn)突發(fā)狀況，可能就會出現(xiàn)接管不及的情況。雖然奧迪在2019年底取消了L3級自動駕駛項目，但是這個探索也為后續(xù)的L4和各種高級L2系統(tǒng)的研發(fā)提供了寶貴的經(jīng)驗。更多的細(xì)節(jié)這里就不展開說了，我們下面來看看這套系統(tǒng)中傳感器方案。奧迪A8全車共有12個超聲波傳感器、4個全景攝像頭、1個前置攝像頭、4個中程雷達(dá)、1個遠(yuǎn)程雷達(dá)、1個紅外攝像機(jī)。此外，奧迪A8首次搭載了一個4線的車規(guī)級激光雷達(dá)，并且配備中央駕駛輔助系統(tǒng)控制單元（zFAS），這些都是L3級自動駕駛系統(tǒng)的必備選項。

奧迪A8的傳感器配置（L3級別）

從L2到L3，再到L4，傳感器方面最大的變化就是增加了激光雷達(dá)，而且數(shù)量逐漸增加。比如，在Waymo的傳感器方案中，除了前向的激光雷達(dá)外，還增加了后向和車頂?shù)?60度激光雷達(dá)。而且激光雷達(dá)的線束數(shù)量顯著提高，可以達(dá)到300米左右的感知范圍。除了Waymo，其它各家公司的L4系統(tǒng)都不可避免的包含了一個或者多個激光雷達(dá)。從目前的技術(shù)發(fā)展趨勢來看，實現(xiàn)L4級別的自動駕駛主要還是靠增加傳感器，從而大幅提升對駕駛路況和環(huán)境的感知能力，而這其中最重要的就是激光雷達(dá)。到了L4級別，車輛在限定場景下完全自主行駛，這時99%的準(zhǔn)確度就不夠了，而需要的是99.99999%的準(zhǔn)確度，而激光雷達(dá)就是小數(shù)點后幾位的保障。這種保障來自激光雷達(dá)與其它各種傳感器之間的配合，而不僅僅是簡單的堆疊，因此高效精確的傳感器融合在L4級別的系統(tǒng)中起到至關(guān)重要的作用。

Waymo的傳感器配置（L4級別）

以上只是簡單的介紹了L2/3/4級別中傳感器配置的一些典型案例，專欄會在后續(xù)的文章中詳細(xì)分析不同公司的自動駕駛技術(shù)路線，以及相應(yīng)的傳感器配置和感知系統(tǒng)設(shè)計。

審核編輯 ：李倩