進入到2020年，自動駕駛技術走到了需要規(guī)模商業(yè)化證明技術價值的時候。

 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，技術都是自動駕駛在不同場景商業(yè)化的基礎。

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、機器學習方法、數(shù)據(jù)收集與處理、路徑規(guī)劃、自動駕駛架構、乘客體驗、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）等技術領域的討論，并且提供相應的各自動駕駛公司的實施案例。 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，針對自動駕駛技術的硬件和軟件技術，進行的全面闡述，方便各位讀者能夠從技術角度，了解最新的技術動態(tài)，從而全面了解自動駕駛汽車。  本報告的案例大多數(shù)來自汽車領域，這也是目前自動駕駛行業(yè)最火熱的應用場景，但是，服務個人出行的汽車并不是自動駕駛技術影響深遠的行業(yè)，其他的行業(yè)，如公共交通、貨運、農(nóng)業(yè)、礦業(yè)等領域，也同樣是自動駕駛技術應用的廣泛天地。 本報告為英文報告，由于時間關系，車智并未翻譯為中文。借此機會，車智希望外文出色（主要是英文）的讀者朋友，加入車智翻譯組，希望將一些好的報告，翻譯為中文，方便國內(nèi)的從業(yè)者學習，促進國內(nèi)自動駕駛的發(fā)展。 

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，這點報告中也有參數(shù)。

關于傳感器的選擇，主要是根據(jù)下面的技術因素進行判斷：

1、掃描范圍，確定必須對被感測的對象做出反應的時間；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、可靠性和準確性，傳感器在不同環(huán)境下的總體可靠性和準確性；7、成本、大小和軟件兼容性，這是量產(chǎn)的技術條件之一；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，從而減少其計算負荷；

下面是Waymo、Volvo-Uber、Tesla的傳感器方案示意圖：

傳感器因為一直暴露在環(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。 

SLAM和傳感器融合

SLAM是一個復雜的過程，因為本地化需要地圖，并且映射需要良好的位置估計。盡管長期以來人們一直認為機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)以獲得改進信息的過程。它是一個多級過程，處理數(shù)據(jù)的關聯(lián)，相關性和組合，與僅使用單個數(shù)據(jù)源相比，可以實現(xiàn)更便宜，更高質量或更多相關信息。

對于從傳感器數(shù)據(jù)到運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、基于深度學習的端到端解決方案，負責所有這些功能。

哪種方法最適合AV的問題是不斷爭論的領域。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，并使用專用的機器學習算法技術依次解決每個子問題，這些算法包括計算機視覺，傳感器融合，定位，控制理論和路徑規(guī)劃 端到端（e2e）學習作為一種解決方案，可以解決自動駕駛汽車復雜AI系統(tǒng)所面臨的挑戰(zhàn)，因此越來越受到人們的關注。端到端（e2e）學習將迭代學習應用于整個復雜系統(tǒng)，并已在深度學習的背景下得到普及。

三種機器深度學習方法

當前，不同類型的機器學習算法被用于自動駕駛汽車中的不同應用。本質上，機器學習根據(jù)提供的一組訓練數(shù)據(jù)將一組輸入映射到一組輸出。1、卷積神經(jīng)網(wǎng)絡（CNN）；2、遞歸神經(jīng)網(wǎng)絡（RNN）；3、深度強化學習（DRL）；是應用于自動駕駛的最常見的深度學習方法。

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)以對其進行標記。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，因為它可以對圖像中的對象進行分類，例如路牌或其他汽車。 RNN——當處理諸如視頻之類的時間信息時，RNN是強大的工具。在這些網(wǎng)絡中，先前步驟的輸出作為輸入被饋送到網(wǎng)絡中，從而使信息和知識能夠持久存在于網(wǎng)絡中并被上下文化。 DRL——將深度學習（DL）和強化學習相結合。DRL方法使軟件定義的“代理”可以使用獎勵功能，在虛擬環(huán)境中學習最佳行動，以實現(xiàn)其目標。這些面向目標的算法學習如何實現(xiàn)目標，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，深度強化學習被認為仍處于早期階段。 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確性并減少計算需求。 一次在多個任務上訓練網(wǎng)絡是深度學習中的常見做法，通常稱為多任務訓練 或輔助任務訓練。這是為了避免過度擬合，這是神經(jīng)網(wǎng)絡的常見問題。當機器學習算法針對特定任務進行訓練時，它會變得非常專注于模仿它所訓練的數(shù)據(jù)，從而在嘗試進行內(nèi)插或外推時其輸出變得不切實際。通過在多個任務上訓練機器學習算法，網(wǎng)絡的核心將專注于發(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任務。這可以使輸出對應用程序更加現(xiàn)實和有用。