園區自動駕駛難點（自動駕駛 瓶頸）

本篇文章給大家談談園區自動駕駛難點，以及自動駕駛 瓶頸對應的知識點，希望對各位有所幫助，不要忘了收藏本站喔。

本文目錄一覽：

• 1、當今自動駕駛的核心難點，是提高用戶體驗，還是發展絕對技術？
• 2、當今自動駕駛的核心難點是什么？
• 3、實現汽車自動駕駛的難點在哪里？
• 4、自動駕駛及關鍵技術難點
• 5、馬斯克承認開發自動駕駛比想象更難，開發難點究竟在哪？
• 6、如何解決自動駕駛汽車行業的面臨的難題呢？

當今自動駕駛的核心難點，是提高用戶體驗，還是發展絕對技術？

當今自動駕駛的核心難點，是。發展絕對的技術，讓自動駕駛的技術。更專業。無缺點。讓人們體驗起來更放心，更安全。

當今自動駕駛的核心難點是什么？

自動駕駛汽車的軟硬件體系結構主要分為環境認知層、決策規劃層、控制層和執行層。環境認知層主要通過激光雷達、毫米波雷達、超聲波雷達、車載攝像頭、夜視系統、GPS、陀螺儀等傳感器獲取車輛的環境信息和車輛狀態信息，具體包括車道線檢測、交通燈識別、交通標志識別、，行人檢測、車輛檢測、障礙物識別和車輛定位；決策規劃層分為任務規劃、行為規劃和軌跡規劃。根據設定的路線規劃、環境和車輛自身狀態，規劃下一步的具體行駛任務、行為和路徑；控制層和執行層根據車輛動力學系統模型對車輛的行駛、制動和轉向進行控制，使車輛按照規定的行駛軌跡行駛。

環境感知是指理解環境場景的能力，如障礙物類型的語言分類、道路標志和標線、車輛檢測、交通信息等數據。定位是感知結果的后處理，通過定位功能幫助車輛了解其相對于環境的位置。環境感知需要通過傳感器獲取大量的周圍環境信息，以確保正確了解車輛的周圍環境，并在此基礎上做出相應的規劃和決策。

決策規劃是自動駕駛的關鍵部分，也是其中的核心難點。它首先集成多傳感器信息，然后根據駕駛要求做出任務決策。然后，在避開現有障礙物的前提下，通過特定的約束條件，規劃兩點之間的多條備選安全路徑，并在這些路徑中選擇一條最優路徑。

根據劃分層次的不同，可分為全球規劃和地方規劃。全局規劃是根據獲取的地圖信息，在特定條件下規劃一條無碰撞的最優路徑。決策規劃層是自主駕駛系統，它直接反映了智能性，對車輛乃至整車的駕駛安全起著決定性的作用。常見的決策規劃體系結構包括遞進式、反應式和混合式。

實現汽車自動駕駛的難點在哪里？

目前自動駕駛面臨兩個很大的挑戰，一個是大數據不夠完備，一個是機器對理解“人類意圖”有極大困難。自動駕駛要精準有效地解決問題，需要盡可能地保證所收集到的大數據的完備性。但事實是，我們現在所掌握的數據漏洞百出。比如，2015年，美國有630萬起警方記錄的交通事故，造成3.5萬人死亡，244萬人受傷。但實際的交通事故數量可能是官方數據的2-10倍。谷歌自動駕駛前CTO克里斯·厄姆森（Chris Urmson）在一次演講中說到，在谷歌期間，他一共經歷了200公里以上的路面測試，其中出現了25次交通事故，但大部分都沒有引發警方的注意?！斑@樣的情況多是小事故，自動駕駛汽車做出了合理的判斷，剎車，然后人類撞了上來?！倍蚰飞f，很多事故往往都是這樣發生的。

自動駕駛及關鍵技術難點

自動駕駛是汽車行業新一輪的技術革命，推動著傳統汽車行業快速轉型升級，是未來汽車的發展趨勢。自動駕駛技術有利于改善汽車交通安全、提高交通運輸效率、實現節能減排、促進產業轉型等?！吨袊圃?025》規劃中已將智能網聯汽車列入未來十年國家智能制造發展的重點領域，明確指出到2020年要掌握智能輔助駕駛總體技術及各項關鍵技術，到2025年要掌握自動駕駛總體技術及各項關鍵技術。本文將介紹自動駕駛等級分類標準、自動駕駛軟硬件架構圖以及自動駕駛涉及到的關鍵技術等。

美國汽車工程師協會根據汽車智能化程度將自動駕駛分為L0-L5共6個等級：其中L0為無自動化（No Automation， NA），即傳統汽車，駕駛員執行所有的操作任務，例如轉向、制動、加速、減速或泊車等；L1為駕駛輔助(Driving Assistant， DA)，即能為駕駛員提供駕駛預警或輔助等，例如對方向盤或加速減速中的一項操作提供支持，其余由駕駛員操作；L2為部分自動化（Partial Automation，PA），車輛對方向盤和加減速中的多項操作提供駕駛，駕駛員負責其他駕駛操作；L3為條件自動化（Conditional Automation，CA），即由自動駕駛系統完成大部分駕駛操作，駕駛員需要集中注意力以備不時之需；L4為高度自動化（High Automation，HA），由車輛完成所有駕駛操作，駕駛員不需要集中注意力，但限定道路和環境條件；L5為完全自動化（Full Automation， FA），在任何道路和環境條件下，由自動駕駛系統完成所有的駕駛操作，駕駛員不需要集中注意力。

自動駕駛汽車的軟硬件架構如圖2所示，主要分為環境認知層、決策規劃層、控制層和執行層。環境認（感）知層主要通過激光雷達、毫米波雷達、超聲波雷達、車載攝像頭、夜視系統、GPS、陀螺儀等傳感器獲取車輛所處環境信息和車輛狀態信息，具體來說包括：車道線檢測、紅綠燈識別、交通標識牌識別、行人檢測、車輛檢測、障礙物識別和車輛定位等；決策規劃層則分為任務規劃、行為規劃和軌跡規劃，根據設定的路線規劃、所處的環境和車輛自身狀態等規劃下一步具體行駛任務（車道保持、換道、跟車、超車、避撞等）、行為（加速、減速、轉彎、剎車等）和路徑（行駛軌跡）；控制層及執行層則基于車輛動力學系統模型對車輛驅動、制動、轉向等進行控制，使車輛跟隨所制定的行駛軌跡。

自動駕駛技術涉及較多的關鍵技術，本文主要介紹環境感知技術、高精度定位技術、決策與規劃技術和控制與執行技術。

環境感知指對于環境的場景理解能力，例如障礙物的類型、道路標志及標線、行車車輛的檢測、交通信息等數據的語言分類。定位是對感知結果的后處理，通過定位功能從而幫助車輛了解其相對于所處環境的位置。環境感知需要通過傳感器獲取大量的周圍環境信息，確保對車輛周圍環境的正確理解，并基于此做出相應的規劃和決策。

自動駕駛車輛常用的環境感知傳感器包括：攝像頭、激光雷達、毫米波雷達、紅外線和超聲波雷達等。攝像頭是自動駕駛車輛最常用、最簡單且最接近人眼成像原理的環境感知傳感器。通過實時拍攝車輛周圍的環境，采用CV技術對所拍攝圖像進行分析，實現車輛周圍的車輛和行人檢測以及交通標志識別等功能。攝像頭的主要優點在于其分辨率高、成本低。但在夜晚、雨雪霧霾等惡劣天氣下，攝像頭的性能會迅速下降。此外攝像頭所能觀察的距離有限，不擅長于遠距離觀察。毫米波雷達也是自動駕駛車輛常用的一種傳感器，毫米波雷達是指工作在毫米波段（波長1-10 mm ，頻域30-300GHz）的雷達，其基于ToF技術（Time of Flight）對目標物體進行檢測。毫米波雷達向外界連續發送毫米波信號，并接收目標返回的信號，根據信號發出與接收之間的時間差確定目標與車輛之間的距離。因此，毫米波雷達主要用于避免汽車與周圍物體發生碰撞，如盲點檢測、避障輔助、泊車輔助、自適應巡航等。毫米波雷達的抗干擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比激光和紅外強很多，可全天候工作。但其也具有信號衰減大、容易受到建筑物、人體等的阻擋，傳輸距離較短，分辨率不高，難以成像等不足。激光雷達也是通過ToF技術來確定目標位置與距離的。激光雷達是通過發射激光束來實現對目標的探測，其探測精度和靈敏度更高，探測范圍更廣，但激光雷達更容易受到空氣中雨雪霧霾等的干擾，其高成本也是制約其應用的主要原因。車載激光雷達按發射激光束的數量可分為單線、4線、8線、16線和64線激光雷達?？梢酝ㄟ^下面這個表格（表1），對比主流傳感器的優勢與不足。

自動駕駛環境感知通常采用“弱感知+超強智能”和“強感知+強智能”兩大技術路線。其中“弱感知+超強智能”技術是指主要依賴攝像頭與深度學習技術實現環境感知，而不依賴于激光雷達。這種技術認為人類靠一雙眼睛就可以開車，那么車也可以靠攝像頭來看清周圍環境。如果超強智能暫時難以達到，為實現無人駕駛，那就需要增強感知能力，這就是所謂的“強感知+強智能”技術路線。相比“弱感知+超強智能”技術路線，“強感知+強智能”技術路線的最大特征就是增加了激光雷達這個傳感器，從而大幅提高感知能力。特斯拉采用“弱智能+超強智能”技術路線，而谷歌Waymo、百度Apollo、Uber、福特汽車等人工智能企業、出行公司、傳統車企都采用“強感知+強智能”技術路線。

定位的目的是獲取自動駕駛車輛相對于外界環境的精確位置，是自動駕駛車輛必備的基礎。在復雜的地市道路行駛，定位精度要求誤差不超過10 cm。例如：只有準確知道車輛與路口的距離，才能進行更精確的預判和準備；只有準確對車輛進行定位，才能判斷車輛所處的車道。如果定位誤差較高，嚴重時會造成交通完全事故。GPS是目前最廣泛采用的定位方法，GPS精度越高，GPS傳感器的價格也越昂貴。但目前商用GPS技術定位精度遠遠不夠，其精度只有米級且容易受到隧道遮擋、信號延遲等因素的干擾。為了解決這個問題，Qualcomm開發了基于視覺增強的高精度定位（VEPP）技術，該技術通過融合GNSS全球導航衛星、攝像頭、IMU慣性導航和輪速傳感器等多個汽車部件的信息，通過各傳感器之間的相互校準和數據融合，實現精確到車道線的全球實時定位。

決策規劃是自動駕駛的關鍵部分之一，它首先是融合多傳感器信息，然后根據駕駛需求進行任務決策，接著能夠在避開存在的障礙物前提之下，通過一些特定的約束條件，規劃出兩點之間多條可以選擇的安全路徑，并在這些路徑當中選擇一條最優的路徑，作為車輛行駛軌跡，那就是規劃。按照劃分的層面不同，可以分為全局規劃和局部規劃兩種，全局規劃是由獲取到的地圖信息，規劃出一條在特定條件之下的無碰撞最優路徑。例如，從上海到北京有很多條路，規劃處一條作為行駛路線即為全局規劃。如柵格法、可視圖法、拓撲法、自由空間法、神經網絡法等靜態路徑規劃算法。局部規劃的則是根據全局的規劃，在一些局部環境信息的基礎之上，能夠避免碰撞一些未知的障礙物，最終達到目的目標點的過程。例如，在全局規劃好的上海到北京的那條路線上會有其他車輛或者障礙物，想要避過這些障礙物或者車輛，需要轉向調整車道，這就是局部路徑規劃。局部路徑規劃的方法包括：人工勢場法、矢量域直方圖法、虛擬力場法、遺傳算法等動態路徑規劃算法等。

決策規劃層是自主駕駛系統，智能性的直接體現，對車輛的行駛安全性和整車起到了決定性的作用，常見的決策規劃體系結構，有分層遞進式，反應式，以及二者混合式。

分層遞進式體系結構，就是一個串聯系統的結構，在該系統當中，智能駕駛系統的各模塊之間次序分明，上一個模塊的輸出即為下一模塊的輸入，因此又稱為感知規劃行動結構。但這種結構可靠性并不高，一旦某個模塊出現軟件或者硬件故障，整個信息流就會受到影響，整個系統很有可能發生崩潰，甚至處于癱瘓狀態。

反應式體系結構采用并聯的結構，控制層都可以直接基于傳感器的輸入進行決策，因此它所產生的動作就是傳感數據直接作用的一個結果，可以突出感知動作的特點，適用于完全陌生的環境。反應式體系結構中的許多行為主要涉及成為一個簡單的特殊任務，所以感覺規劃控制可以緊密的結合在一塊，占用的儲存空間并不大，因而可以產生快速的響應，實時性比較強，同時每一層只需要負責系統的某一個行為，整個系統可以方便靈活的實現低層次到高層次的一個過渡，而且如若其中一個模塊出現了預料之外的故障，剩下的層次，仍然可以產生有意義的動作，系統的魯棒性得到了很大的提高，難點在于，由于系統執行動作的靈活性，需要特定的協調機制來解決各個控制回路，同意執行機構爭奪之間的沖突，以便得到有意義的結果。

分層遞階式系統的一個結構和反應式體系的結構，都各自有優劣，都難以單獨的滿足行駛環境復雜多變的使用要求，所以越來越多的行業人士開始研究混合式的體系結構，將兩者的優點進行有效的結合，在全局規劃的層次上生成面向目標定義的分層式遞階行為，在局部規劃的層面上就生成面向目標搜索的反應式體系的行為。

自動駕駛的控制核心技術就是車輛的縱向控制，橫向控制，縱向控制及車輛的驅動和制動控制，而橫向控制的就是方向盤角度的調整以及輪胎力的控制，實現了縱向和橫向自動控制，就可以按給定目標和約束自動控制車運行。

車輛按照縱向控制是在行車速度方向上的控制，即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制器算法結合，構成了各種各樣的縱向控制模式。

車輛的橫向控制就是指垂直于運動方向的控制，目標是控制汽車自動保持期望的行車路線，并在不同的車速、載荷、風阻、路況下有很好的乘坐舒適和穩定。車輛橫向控制主要有兩種基本設計方法，一種是基于駕駛員模擬的方法（一種是使用用較簡單的動力學模型和駕駛員操縱規則設計控制器；另一種是用駕駛員操縱過程的數據訓練控制器獲取控制算法）；另一種是給予汽車橫向運動力學模型的控制方法（需要建立精確的汽車橫向運動模型。典型模型如單軌模型，該模型認為汽車左右兩側特性相同）。

除上述介紹的環境感知、精準定位、決策規劃和控制執行之外，自動駕駛汽車還涉及到高精度地圖、V2X、自動駕駛汽車測試等關鍵技術。自動駕駛技術是人工智能、高性能芯片、通信技術、傳感器技術、車輛控制技術、大數據技術等多領域技術的結合體，落地技術難度大。除此之外，自動駕駛技術落地，還要建立滿足自動駕駛要求的基礎交通設施，并考慮自動駕駛方面的法律法規等。

參考文獻：

1. 張放. 極限工況下自動駕駛車輛的軌跡規劃與運動控制 [博士]: 清華大學; 2018.

2. 陳文強. 基于復雜工況的高精準可預測自動駕駛環境認知方法 [博士]: 清華大學; 2018.

3. 張欣. 無人駕駛感知輔助系統的研究與仿真實現 [碩士]: 北京交通大學; 2019.

4. 陳延真. 無人駕駛環境感知系統及障礙物檢測研究 [碩士]: 天津大學; 2018.

馬斯克承認開發自動駕駛比想象更難，開發難點究竟在哪？

自動駕駛的開發難點是安全問題，如何保證安全，如何檢測安全，并正確規避危險，讓乘車人能夠安心駕駛。

自動駕駛要如何保證安全？首先車要能判斷復雜的路況，每一天的路況都不一樣，沒有重復，那自動駕駛怎么判斷這些路況呢？單單車本身去分析做出判斷是來不及的，數據處理確實足夠快，但是車的反應是不夠的，所以要規避危險需要路上的監控設備提前提供信息，讓車能夠提前做出反應。

車自身的智能程度如何，是否能正確判斷車前后周圍物體，是否能夠判斷突發事情，這些需要大量的數據，然后通過人工智能處理信息做出判斷，每個人的判斷和對應不同，人工智能選擇哪一種？也是需要數據支持，才能選擇最優的方式。自動駕駛是人工智能的一種應用場景，需要對路況檢測，也需要對車本身檢測，也要對乘坐人檢測，這些都是需要自動駕駛像大腦一樣去判斷和做出抉擇，提醒駕駛員，也要提醒交通部門和保險方面應急措施等，光是這些涉及的東西就非常多了，開發難度能不難嗎！

路上的監控設施是非常重要的，因為路況非常復雜，需要提前預判，這些監控設施就是為了提供其他車輛和人，還有物體的運動數據，通過這些數據才能真正提前判斷路上的情況，把這個數據共享在自動駕駛的車輛中，讓自動駕駛的車能夠正確做出判斷，設施范圍越廣越全面提供的信息就越詳細，那么人工智能做出的判斷就越準確，才能提前規避危險。

自動駕駛本身就是人工智能和大數據，還有事實數據的場景應用，是非常復雜的，也不允許有半點錯誤，因為錯誤意味著是生命安全問題。

如何解決自動駕駛汽車行業的面臨的難題呢？

目前汽車自動駕駛領域遇到的最大問題應該是標注數據集的質量無法滿足AI技術商業化落地的需求。

要讓汽車本身的算法做到處理更多、更復雜的場景，背后就需要有海量的真實道路數據做支撐。

數據標注存在的意義是讓機器理解并認識世界。在汽車自動駕駛領域，數據標注處理的標注場景通常包括換道超車、通過路口、無紅綠燈控制的無保護左轉、右轉，以及一些復雜的長尾場景諸如闖紅燈車輛、橫穿馬路的行人、路邊違章?？康能囕v等等。

作為自動駕駛技術的基礎，標注數據質量的高低直接影響最終模型效果的好壞。海量且高質量、精細化的數據可以在很大程度上提升汽車自動駕駛的安全性與實用性，助推自動駕駛落地化進程。

園區自動駕駛難點的介紹就聊到這里吧，感謝你花時間閱讀本站內容，更多關于自動駕駛 瓶頸、園區自動駕駛難點的信息別忘了在本站進行查找喔。