“无人驾驶”的技术路线

《中国社会科学报》：“无人驾驶”的技术路线

郭 喨 唐兴华

要让无人驾驶车辆跑起来，需要解决感知、决策和执行等三个层面的技术问题。感知系统又为“中层控制系统”，负责感知周围的环境，并进行识别和分析；决策系统也称为“上层控制系统”，负责路径规划和导航；执行系统也称为“底层控制系统”，负责汽车的加速、刹车和转向。本文以“感知—决策—执行”这样的顺序呈现这三个系统，是因为这样更加符合人类的驾驶方式。如，先看看前面——绿灯、周围无行人——收集信息；然后做出决策——可以通行；最后执行决策——开过十字路口。

自动驾驶的感知系统

感知系统的输入设备具体包括：光学摄像头、光学雷达（LiDAR）、微波雷达、导航系统等。这些传感器收集车辆周围的信息，为感知系统提供全面的环境数据。 光学摄像头是目前最便宜也是最常用的车载传感器，它的一大的优点就是可以分辨颜色，因此也成为场景解读的绝佳工具。但其缺点也很明显：1.缺乏“深度”这一维度，由于没有立体视觉就无法判断物体和相机（可以换算为车辆）之间的距离；2.对光线过于敏感，过暗或过强者的光线以及二者之间的快速切变，比如驶入和驶出隧道都足以影响它的成像，正如相机拍照的曝光不足、曝光过度一般。 激光雷达，即利用激光来进行探测和测量。其原理是向周围发射脉冲激光，遇到物体后反射回来，通过来回的时间差，计算出距离，从而对周围环境建立起三维模型。激光雷达探测精度大、距离长；由于激光的波长短，所以可以探测到非常微小的目标。微波雷达，原理和激光雷达类似，不过它发射的不是激光而是无线电波。微波雷达精度不及激光雷达，但胜在价格低、体积小，所以在某些车辆行驶辅助系统中已经得到了广泛应用。同时，波长大精度低反过来又成了它的优点，因为它较大的波长可以穿透雾、烟、灰尘等激光雷达难以穿透的障碍，可以较好免疫恶劣天气。

光学摄像头和雷达测量在感知环境中相辅相成，共同为无人驾驶车辆提供完整、准确的外部信息。有了“眼睛”接收信息，接下来就是利用深度学习等手段对信息进行提取、识别。将多种传感器的信息相互融合并不是一件容易的事儿，可以利用韦伯斯的误差反向传播算法和先进的数字摄像技术对外界事物进行准确识别。 自动驾驶的感知系统不仅包括它的“眼睛”，也包括它的“大脑”——高精度地图。人类驾驶者会调用记忆中熟悉的道路场景来辅助驾驶，自动驾驶也会通过高精度地图获取必要的环境信息，特别是相对固定、更新周期较长的信息，如交通信号灯（请注意，这里是指物理的“灯”本身而非“灯的信号”即红、黄、绿）、车道标记、路缘等信息。这些信息还可以与传感器所获得的“即时信息”相印证，从而实现“多传感器融合”的效果——就像我们走路，不仅会用眼睛看前面的路，还会用耳朵听身后的车，甚至会用鼻子闻路边店里周黑鸭的香气一样。因此，自动驾驶去“感知”的不仅仅是“眼睛”，也有“大脑”。

自动驾驶的决策系统

自动驾驶决策系统负责路线规划和实时导航。这里主要涉及高精度地图，又称“高清数字地图”。无人驾驶汽车用的并不是普通的导航地图，它在精确度和信息量上和普通地图差别很大，因而被称为“高精度地图”。普通地图比较粗糙——因为我们人类的认知能力足以“脑补”,通过简单二维线条的表示就明了了道路的走向，线条的交叉点表示路口——十字、丁字或其他——这让目前的机器来“脑补”就太困难了。高清数字地图的精度一般在厘米级，而且是立体三维的，包含车道线、周围设施的坐标位置等行车辅助信息。与当前人类使用的电子地图相比，自动驾驶的高精度地图还有个重要差异在于，它将收集道路激光雷达的反射强度——这是一个对人类驾驶者几无价值而对“人工智能驾驶员”意义重大的道路特征，它变化小且慢，是帮助自动驾驶车辆光学雷达定位的一个理想特征值。通过光学雷达扫描获取的信息跟已知的高精度地图信息对比，就可以确定当前车辆的位置。

自动驾驶的决策系统不仅需要独立的“智能车辆”，也需要“智能交通系统”的支持，如 V2V 等。除高精度地图之外，另一个支持路径规划的技术是 V2X 技术，一般认为它是在 V2I 技术的基础上发展起来的。V2X 意指将车辆和环境联成一个“物联网”，包括车对车、车对基础设施，以及车对行人等一系列通讯系统。如果车辆能够直接“得到”，而不仅仅是“看到”信号灯的信息，就能保证绝对不闯红灯。这里“得到”的意思是，比如在离交通灯还有 100 米、传感器还“看不到”时候，信号灯就主动“告诉”智能车辆自己的信号状态及变化时长，自动驾驶车辆无需直接“看清”信号灯的内容（“看清”有时是很不容易事情，大雨、暴雪、狂风刮起的塑料袋，以及最常见的——大货车的遮挡，都足以让车辆的摄像头“看不见”交通信号灯）。此外，如果能够通过 V2V提前得知周围车辆的行车意图，就能够很大程度上避免事故的发生。

有了高精度数字地图和 V2X 通讯网络，系统就可以应用搜索算法评估各种驾驶行为所花费的成本，包括信号灯等待时间、道路拥堵情况、路面维修情况等，以此评估最佳行驶路径。

自动驾驶的执行系统

执行系统也是底层控制系统，负责执行汽车的刹车、加速、转向等具体操作。工程师们通过特制的“线控装置”控制方向盘和油门取代人类司机的手和脚，并配置多个处理器组成的子系统，以此来稳定、准确地控制汽车的机械系统。这些子系统包括 ECU 引擎控制单元、ABS 制动防抱死系统、TCU 自动变速箱控制系统等，它们通过一个“总线”来进行内部通讯，在汽车中称作 CAN 总线协议。

CAN 总线最关键的要数带宽（bandwidth）和网络稳定性。带宽是指数据在网络中传输的最大速率，通常以每秒多少 bits 为单位计算。对于无人驾驶汽车来说，精准的控制和快速的响应至关重要，这就意味着，要尽可能提高总线带宽的传输速度，这对需要处理庞大数据的无人驾驶系统来说，有着较高挑战。当同时处理各个传感器传递过来的数据流时，总线有时会变得拥堵，系统速度大为下降。对整个反应执行过程而言，CAN 总线的响应时间变得很慢，在实际驾驶中是不能接受的。其次，控制的平滑性也影响乘客体验。另一方面，作为一个网络，数据传输的安全性不容忽视，如果黑客成功攻击了 CAN 总线，就能对汽车进行控制。因此，提高底层网络系统的防御能力和网络容错性极其重要。

通过以上感知、决策与执行三个系统分工合作，责任明确地控制汽车的运行，就可以使无人驾驶汽车具备理论上“行驶”的条件。但正如《无人驾驶》一书作者胡迪·利普森和梅尔巴·库曼所指出的，“虽然这种技术几近准备就绪，但是这一独特技术所依存的社会环境可能还未准备妥当”。比如，相关立法还很滞后。然而，由于效率和安全方面的原因，我们还是有充足的理由相信：我们终将迎来一个无人驾驶的美好世界！

（作者单位：浙江大学科技与法律研究中心；中国人民大学哲学院。 本文原载《中国社会科学报》2017 年 9 月 4 日第 7 版）