進(jìn)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(jī)器學(xué)習(xí)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(yàn),、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(yīng)的各自動駕駛公司的實(shí)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(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(yīng)用場景,，但是,，服務(wù)個人出行的汽車并不是自動駕駛技術(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(diǎn)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(jìn)行判斷：
1,、掃描范圍,，確定必須對被感測的對象做出反應(yīng)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(xì)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(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(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是一個復(fù)雜的過程,，因?yàn)楸镜鼗枰貓D,，并且映射需要良好的位置估計。盡管長期以來人們一直認(rèn)為機(jī)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(zhǔn)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(jìn)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(shí)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(yùn)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(yùn)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(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(jī)器學(xué)習(xí)算法技術(shù)依次解決每個子問題,，這些算法包括計算機(jī)視覺，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,，可以解決自動駕駛汽車復(fù)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(xué)習(xí)將迭代學(xué)習(xí)應(yīng)用于整個復(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)算法被用于自動駕駛汽車中的不同應(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)用于自動駕駛的最常見的深度學(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別環(huán)境中的對象。這些神經(jīng)網(wǎng)絡(luò)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(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以預(yù)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?yàn)樗梢詫D像中的對象進(jìn)行分類,，例如路牌或其他汽車。
RNN——當(dāng)處理諸如視頻之類的時間信息時,，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”可以使用獎勵功能,，在虛擬環(huán)境中學(xué)習(xí)最佳行動,，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)計用于駕駛車輛的正確獎勵功能,。在自動駕駛汽車中,，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，它們試圖一起使用多種方法來提高準(zhǔn)確性并減少計算需求,。
一次在多個任務(wù)上訓(xùn)練網(wǎng)絡(luò)是深度學(xué)習(xí)中的常見做法,，通常稱為多任務(wù)訓(xùn)練 或輔助任務(wù)訓(xùn)練。這是為了避免過度擬合,，這是神經(jīng)網(wǎng)絡(luò)的常見問題,。當(dāng)機(jī)器學(xué)習(xí)算法針對特定任務(wù)進(jìn)行訓(xùn)練時，它會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)插或外推時其輸出變得不切實(shí)際,。
通過在多個任務(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),。這可以使輸出對應(yīng)用程序更加現(xiàn)實(shí)和有用。