自动驾驶技术的挑战与展望

 王飞跃,曹东璞,李升波,

邢阳,郭洪艳,吕宜生,

李力,吴甘沙

引用格式 王飞跃,曹东璞,李升波,邢阳,郭洪艳,吕宜生,李力,吴甘沙,“自动驾驶技术的挑战与展望”, 人工智能, 2018, No. 7, pp. 85-93.

一、自动驾驶：概述与定义

近年来，自动驾驶技术已经成为全世界汽车产业的最新发展方向。与传统汽车相比，自动驾驶汽车能够有效地提升车辆的安全性、通行效率和舒适性。随着人工智能技术的全面推广，自动驾驶汽车呈现高速发展的态势，主要体现在环境感知、决策与规划、控制与执行、高精度地图和实时定位等技术的发展。

根据车辆涵盖的功能范围，自动驾驶汽车被划分为不同等级。2014年美国国际汽车工程师学会（SAE）颁布J3016标准，将自动驾驶汽车划分为Level 0-Level 5共6个等级。2016年10月，我国《节能与新能源汽车技术路线图》正式发布，其中智能网联汽车技术路线图将智能网联汽车定义为搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车内网、车外网、车际网的无缝链接，具备信息共享、复杂环境感知、智能化决策、自动化协同等控制功能，与智能公路和辅助设施组成的智能出行，可实现“高效、安全、舒适、节能”行驶的新一代汽车。相比传统汽车而言，网联自动驾驶汽车可以有效改善交通安全、实现节能减排与绿色出行、促进社会管理协同发展，对我国产业转型升级具有重大战略意义。

二、自动驾驶：感知

感知是实现自动驾驶系统基础且关键的一环，直接影响自动驾驶系统的决策、规划和执行能力。自动驾驶中的感知系统需要像人类驾驶员一样，能对车辆和环境状态做出快速、准确、可靠的判断，保证车辆安全行驶。自动驾驶的感知系统通过传感器完成对车辆和环境信息的采集，如车辆自身状态、行驶环境等，并进行语义理解，是自动驾驶车辆其他系统的数据和信息基础 [1]。

自动驾驶感知技术虽然取得了很大进步，依然面临许多挑战。特别是在复杂地形、复杂天气（雨、雪、雾等天气）、复杂道路交通环境条件下，自动驾驶感知系统要实现快速、准确、可靠的环境感知，仍然十分困难。

自动驾驶车辆常用传感器包括摄像头、激光雷达、毫米波雷达、超声波雷达、GPS导航、惯性传感器等。每类传感器的原理、功能、适用场景不尽相同，各有优势 [1]。例如：摄像头采集信息丰富，然而受成像条件限制；激光雷达具有分辨率高、测距远、精度高等优点，但成本高、易受天气条件限制；毫米波雷达具有测距远、精度高、不受天气和光线影响等优点，却对静止物体和非金属物体不敏感、分辨率低。显然，仅靠单一传感器无法满足自动驾驶的各种行驶场景需求，因此需要进行多传感器融合，集各传感器之优势，提高自动驾驶感知能力的准确性、鲁棒性和实时性。

在2005年美国DARPA（Defense Advanced Research Projects Agency, DARPA）举办的无人车挑战赛中，斯坦福大学的Stanley无人车获得了冠军，其成功基础就是先进的感知系统。近年来，我国在国家自然科学基金委员会“视听觉信息的认知计算”重大研究计划支持下，已举办了十届“中国智能车未来挑战赛”，国内西安交通大学、清华大学等高校和科研院所在智能感知领域取得了一系列理论和技术进展。特别是，随着人工智能技术，尤其是深度学习技术的发展，自动驾驶感知能力得到了大幅提高，众多基于深度神经网络的模型得以提出，用于物体检测、语义分割、场景理解、跟踪、运动估计等 [2]。

自动驾驶感知技术虽然取得了很大进步，依然面临许多挑战。特别是在复杂地形、复杂天气（雨、雪、雾等天气）、复杂道路交通环境条件下，自动驾驶感知系统要实现快速、准确、可靠的环境感知，仍然十分困难。

三、自动驾驶：决策

自主决策能力是自动驾驶汽车“智能性”的核心体现。自主决策的难点在于道路场景的复杂性、交通流的动态性、驾驶行为的随机性以及交通参与者之间的博弈性。自动驾驶汽车面临的交通情况瞬息万变，加上交通参与者意图和行为难以预测，寻找各式道路结构、交通规则、红绿灯约束下的自主决策规则是十分困难的。目前，典型的自主决策设计方案分为两类：分层式和端到端式。

分层式方案将决策过程分解为一系列独立的子问题，如情景认知、周车预测、行为选择、路径规划等，每一个问题独立解决，如图1所示。情景认知输出对自车所处驾驶环境的认识与理解，包括交通流状态划分（如稀疏、稠密等），交通参与者的博弈状态（如抢出匝道等）等 [3]。周车预测输出对周围车辆（含自行车、行人等）未来一段时间的状态与轨迹 [4]。行为选择则输出某一类型的驾驶行为（如超车、换道、迫近、跟车、自由直行、掉头等）。分层式决策方案优势在于复杂问题可分解、任务可分工，易于模块化，因此决策算法可控性高，可解释性强，方便工程实现。缺点在于语义化后感知信息存在损失，而且人工定义难以涵盖所有的场景和行为。

与分解式方案不同，端到端式决策方法将决策过程视作一个不可分解的整体模块，主要包括监督学习型和强化学习型两个子类别。监督学习型决策是利用深度神经网络模仿优秀驾驶员的驾驶行为 [5]。它的输入是三个前向摄像头的信息，利用深度神经网络，输出学习到的方向盘转角等。监督学习对驾驶员数据的需求量十分大，需要涵盖所有的驾驶场景，而且训练深度神经网络的难度也比较大。

强化学习是另外一类端到端的决策方法。它是以“试错”的方式进行学习，通过与环境进行交互获得的奖赏（例如高安全性、高舒适性、高节油性等）指导驾驶行为，目标是使自车完成某一决策任务，获得最大的累计奖赏，使智能车不断提高驾驶技能，输出最优的驾驶决策。强化学习具有无师自通的潜在能力，不依赖标签数据，对数据利用率也更高，因而成为自动驾驶决策方法的研究热点。简要来说，端到端决策方案感知信息无损，体系框架简洁，具备提升决策系统智能性的潜在能力，但是缺点在于难以嵌入已知驾驶经验，算法难以理解与手动改进。

现阶段分层式框架中基于规则的行为决策简单，但灵活性不足，端到端中的深度神经网络能够很好地处理场景特征难以显性表达的难题，但其很难在参数调整之上的逻辑层面改善系统性能。将分层式框架和端到端深度学习方法融合，将自主学习与先验知识（道路结构、车辆动力学模型、驾驶经验、规则等）进行融合是未来的发展趋势。此外，由于车载计算资源有限，可以利用云等资源，获取更多环境信息，分担计算载荷，也是下一步的发展方向。

四、自动驾驶：规划与控制

车辆系统的路径规划和运动控制负责计算自动驾驶车辆安全、舒适、动态可行的轨迹。运动规划组件接受车辆周围静态和动态障碍物的信息，生成满足车辆动态和运动学约束的无碰撞轨迹。通常基于采样的路径规划方法不需要对道路几何结构建模，而是利用碰撞检测来探索自由空间和终点的可达性。常用的算法包括随机转向及启发式转向。目前，应用最广泛的启发式搜索算法是A *算法，同时还有在D*算法基础上扩展的Focussed D*以及D* Lite [6]。如果实例“简单”，利用增量搜索技术可以快速提供路径规划的解决方案，但通常计算时间非常慢，甚至在有限时间内无解。基于增量搜索技术的最优运动规划方法在找到可行路径之外，还尝试提供最优路径的解决方案。

自动驾驶车辆的控制方法主要是运动模型的路径稳定性控制，通常有纯跟踪控制、输出反馈线性化控制、线性参数变化控制等方法。其中，纯追踪控制首次出现在文献 [7]中。输出反馈线性化控制可以采用基于后轮位置的反馈方法和基于前轮位置的反馈方法。文献 [8]使用了基于质量的线性动态模型（假设速度恒定）进行路径跟踪和近似转向模型的预测控制。最后线性参数变化控制通常用于横向控制的参数线性变化控制与路径轨迹的稳定性预测控制。在这些系统中，通常利用多个子系统的组合以实现改进的处理性能。

五、自动驾驶：驾驶员行为与认知

近年来，随着自动驾驶技术的发展，研究人员逐渐发现采用暴力升级车辆硬件与计算能力的方式无法从根本上解决自动驾驶车辆的应用[9]。自动驾驶汽车在进一步应对复杂道路环境下的突发问题的能力，以及决策与路径规划方面的能力依然难以达到人类驾驶员水平。因此，驾驶员行为与认知的研究逐步被引入到自动驾驶技术当中，研究人员开始倾向于从人类司机本身的驾驶模式中学习和提取有益于自动驾驶车辆的控制算法。

驾驶员行为与认知研究可以从多个方面影响自动驾驶技术的发展。对于L3级半自动驾驶车辆，驾驶员需要在紧急情况下对车辆进行接管。此时，智能车辆需要实时监控驾驶员行为，避免驾驶员在分心或疲劳困倦状态下收到车辆接管请求，从而造成更严重的交通事故。相对于驾驶员行为方面的研究，驾驶员认知研究更加复杂和多样。经调查发现手动驾驶依然是最具驾驶乐趣和吸引力的驾驶方式。这一结果从一定程度上说明驾驶员更希望车辆符合自己的驾驶意图与风格。相似的，驾驶员意图推理和驾驶员情绪方面的研究，可以使得自动驾驶汽车具有更贴近人类驾驶行为的智能表现，并实现高效、文明、稳健的决策规划与道路交互[10]。因此，驾驶员认知研究会对L4或L5级别的自动驾驶车辆带来更深远的影响，决定了自动驾驶技术是否能够被接受以及更好地融入人类社会。

驾驶员行为与认知研究在一段时间内依然会是自动驾驶领域的一个热点和难点[11]。未来驾驶员行为与认知的研究需要进一步将人类驾驶员的驾驶经验与知识同自动驾驶车辆强大的感知与运算能力相结合，使自动驾驶车辆融入人类道路交通中的各种实际问题。

六、自动驾驶：人车共驾

随着汽车自动化驾驶技术的发展，汽车与驾驶人之间形成了一种动态交互关系，驾驶员和机器意图必然出现耦合与制约。与机器精确感知、控制能力相比，人具有模糊、退化、个性化等特点，而人相对机器而言，在学习能力和处理未知工况能力具有明显优势。因此，人机共驾存在两个层面：第一是驾驶人与机器控制的驾驶权切换；第二是驾驶人与机器控制的驾驶权融合。

从驾驶权切换的角度来讲，切换的时机、切换对驾驶人的影响是需要解决的关键问题。在切换控制时机方面可以通过判断驾驶员对方向盘的握紧程度进行控制权刚性交接。在切换控制对驾驶员影响方面，文献[12]认为，对非驾驶任务的参与会导致驾驶员感知和情景重构能力的降低。而从驾驶权融合的角度进行分析，需要着重考虑人-机交互与驾驶权分配问题、人机共驾策略及测试评价方法等关键问题。最初人机共驾通过固定驾驶员与机器之间权重的方式进行研究。文献[13]认为人机共驾系统滥用会减弱人类驾驶员的驾驶能力，以此为出发点提出了一种促进驾驶员驾驶能力提高的触觉交互式人机共驾控制策略。

针对智能车的测试，美国、欧洲、中国等国家均致力于完善智能汽车相关的标准规范 [14]，但是在评价方法上，现有测试规范多为指南，尚无系统的有关人机共驾的测试评价标准和体系。目前人机共驾交互方式单一，尚不足以满足人机共驾多层次、多维度交互需求，对人机共驾中驾驶员与机器相互影响机理，如何充分利用人机优势提升共驾系统整体性能、构建个性化人机共驾系统，以及如何评价测试等关键问题的研究还比较欠缺。

七、自动驾驶：网联化

网联自动驾驶是自动驾驶与车联网技术融合的产物。通过引入现代通信与网络技术，网联自动驾驶汽车可以与其他通信终端（包括路侧设施、车辆、行人和其他道路使用者等）和云端进行实时通信，实现整个交通系统的信息交换与共享，从而有效地拓展车辆的感知、决策和控制能力，提升车辆和交通系统的性能。

依据计算单元的布置方式，网联自动驾驶可分为基于车端与基于云端两类：（1）基于车端的网联自动驾驶，主要基于群体智能、分布式系统等相关理论，对典型的多车网联系统进行研究，如一维的车辆队列控制[15]和二维的交叉路口协同[16]等。（2）基于云端的网联自动驾驶，主要利用丰富的云端计算资源实现全局的决策与控制优化协同，其难点在于决策优化问题的设计和在线实时求解。对于危险工况，一种有效的决策方案是最小化全局的车间相对动能，从而减轻碰撞伤害甚至避免碰撞；对于常规工况，一种有效的优化方法是采用交叉乘子法（ADMM）进行耦合目标函数和约束条件的迭代求解，从而降低计算的复杂度。

云端化网联自动驾驶技术的另一种有效解决方案是采用虚实结合的平行驾驶技术和影子模式。平行驾驶是一种兼具运营管理、在线状态监测、应急驾驶安全接管等功能的先进云端化网联自动驾驶集成解决方案,是基于信息物理社会系统的ACP方法在网联自动驾驶领域的典型应用[18]。ACP方法是人工社会（Artificial societies），计算实验（Computational experiments）与平行执行（Parallel execution）的有机结合[19]。平行驾驶的基本原则是通过人工世界的模拟和交互来完成复杂的自动驾驶任务，从而指导物理智能车的运行 [20]。慧拓智能提出的平行驾驶数字四胞胎由描述车、预测车、引导车和真实车组成。如图3所示，描述车主要通过形式化描述自动驾驶车辆的行为和交通环境的特征，以构建虚拟车辆和环境模型；预测车则主要通过大量的计算实验方法，对复杂行车场景和工况（含边缘场景/工况）进行试错、优化和预测；而引导车则通过信息-物理车辆之间的实时交互，以引导真实车辆安全高效地驾驶。近几年，平行驾驶技术已在智能矿山和商用物流车等领域取得有效的落地应用展示。

驭势科技提出的影子模式可以解决人工模式下进行自动驾驶系统迭代升级的问题，该自动驾驶系统在人工驾驶模式下也会进行周围环境的感知与车辆的定位，并综合感知定位信息、底层执行器状态和车辆动力学参数做出决策规划，最后产生相应的车辆控制指令，但是不会将控制指令下发底层执行。自动驾驶系统及云端平台将充分利用上述信息，进行后续的优化，具体应用包括：对比自动驾驶系统决策规划的行驶轨迹，输出与人工驾驶的实际行驶轨迹，当人工驾驶行为较好时，反馈给自动驾驶系统，优化决策规划算法；当两者轨迹存在较大偏差时，通过云端分析偏差原因，用于自动驾驶系统优化或驾驶员驾驶行为优化；当两者轨迹较为吻合时，可折算后计入自动驾驶系统测试里程。对比自动驾驶系统最终输出的控制指令与人工驾驶的控制指令，累计自动驾驶系统和人工行驶的差异性，并在云端对人工驾驶行为进行分析。判断人工行驶的好坏程度，从而进行反馈优化自动驾驶系统的规划控制算法。

目前，网联自动驾驶的发展仍面临诸多挑战。在关键技术方面，目前对部分网联下的协同技术研究尚不充分，相关通信技术也有待完善；在产业环境方面，缺乏统一的行业标准和国家法规。未来，随着关键技术的突破和产业环境的完善，自动驾驶与网联化的融合必将相辅相成，不断加速发展。

八、总结

本文分别从环境感知、自主决策、路径规划、驾驶员认知与人机共驾、网联自动驾驶等技术回顾了过去十几年中自动驾驶技术发展的几个主要分支。分析了自动驾驶技术各部分目前面临的困境和挑战。最后，讨论了一种可以有效改善自动驾驶车辆安全性、高效性和舒适性的方法，即云端化网联自动驾驶技术。其中，平行驾驶数字四胞胎、云控网联自动驾驶以及影子模式等技术框架，可以为自动驾驶汽车提供有效的测试和优化决策方案，进而确保无人驾驶汽车安全稳定高效的运行。

参考文献

[1] Wang F Y, Zheng N N, Cao D, et al. Parallel Driving in CPSS:A Unified Approach for Transport Automation and Vehicle Intelligence[J]. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4):577-587.

[2] Janai J, Güney F, Behl A, et al. Computer Vision for Autonomous Vehicles: Problems, Datasets and State-of-the-Art[J]. 2017.. arXiv:1704.05519v1, 2017.

[3] Long Xin, Pin Wang, Ching-Yao Chan, Jianyu Chen, Shengbo Eben Li*, Bo Cheng. Intention-aware Long Horizon Trajectory Prediction of Surrounding Vehicles using Dual LSTM Networks[C]. The 21st IEEE International Conference on Intelligent Transportation Systems (ITSC 2018), Maui, Hawaii, USA, Nov 4-7, 2018.

[4] Jianyu Chen*, Chen Tang, Long Xin, Shengbo Eben Li and Masayoshi Tomizuka. Continuous Decision Making for On-road Autonomous Driving under Uncertain and Interactive Environments[C]. The 29th IEEE Intelligent Vehicles Symposium, Changshu, Suzhou, China, June 2018.

[5] LeCun Y, Bengio Y, Hinton G. Deep learning [J]. Nature, 2015, 521(7553): 436-444.

[6] Koenig S, Likhachev M. Fast replanning for navigation in unknown terrain[J]. IEEE Transactions on Robotics, 2005, 21(3):354-363.

[7] R. Wallace, A. Stentz, C. E. Thorpe, H. Maravec, W. Whittaker, and T. Kanade, First results in robot road-following[C]. in IJCAI, pp. 1089– 1095, 1985.

[8] E. Kim, J. Kim, and M. Sunwoo, Model predictive control strategy for smooth path tracking of autonomous vehicles with steering actuator dynamics[J]. International Journal of Automotive Technology, vol. 15, pp. 1155–1164, 2014.

[9] Li, L., Huang, W.L., Liu, Y., Zheng, N.N. and Wang, F.Y., 2016. Intelligence testing for autonomous vehicles: a new approach [J]. IEEE Transactions on Intelligent Vehicles, 1(2), pp.158-166.

[10] González, David, et al. A Review of Motion Planning Techniques for Automated Vehicles[J]. IEEE Trans. Intelligent Transportation Systems 17.4 (2016): 1135-1145.

[11] Wang, F.Y., 2017. Artificial intelligence and intelligent transportation: driving into the 3rd axial age with its[J]. IEEE Intelligent Transportation Systems Magazine, 9(4), pp.6-9.

[12] Bueno M, Dogan E, Selem F H, Monacelli E, Boverie S, Guillaume A. How different mental workload levels affect the take-over control after automated driving[C]. In: Proceedings of 19th International Conference on Intelligent Transportation Systems.Rio de Janeiro, Brazil: IEEE, 2016. 2040–2045.

[13] Wada T, Sonoda K , Tada S . Simultaneous Achievement of Supporting Human Drivers and Improving Driving Skills by Shared and Cooperative Control[J]. IFAC-PapersOnLine, 2016, 49(19):90-95.

[14] 国家车联网产业标准体系建设指南(智能网联汽车), 工业和信息化部国家标准管理委员会, 2017.

[15] Li S. E., Gao F., Li K., et al. Robust Longitudinal Control of Multi-Vehicle Systems—A Distributed H-Infinity Method[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19 (9): 2779-2788.

[16] Zheng Y., Li S. E., Li K., et al. Distributed Model Predictive Control for Heterogeneous Vehicle Platoons Under Unidirectional Topologies[J]. IEEE Transactions on Control Systems Technology, 2017, 25 (3): 899-910.

[17] 李克强，戴一凡，李升波，边明远. 智能网联汽车(ICV)技术的发展现状及趋势[J]. 汽车安全与节能学报, 2017, 8(1): 1-14.

[18] WANG F Y. The emergence of intelligent enterprises: from CPS to CPSS [J]. IEEE Intelligent Systems, 2010, 25(4):85-88.

[19] 王飞跃. 平行系统方法与复杂系统的管理和控制[J]. 控制与决策,2004, 19(5): 485-489.

[20] 刘腾, 王晓, 邢阳, 高玉, 田滨, 陈龙. 基于数字四胞胎的平行驾驶系统及应用[C]. 中国自动化大会ABB杯全国智能技术论文，2018.

后记：本文于2018年发表于《人工智能》杂志第7期

自动驾驶技术的挑战及展望.pdf