无人驾驶在路上，我们准备好了吗？

　　2016年11月16日，18辆百度无人驾驶汽车集体亮相第三届世界互联网大会，完成了加减速、行人避让、自主变道超车等一系列动作。早在8月25日，新加坡就推出了全球首个无人驾驶免费载客服务，乘客通过打车软件就可以免费搭乘出租车了。另外在9月14日，优步在美国运行了免费的出租车服务，并且没有限定任何的行驶区域，整个城区都可以进行无人驾驶的的士服务，这是人类历史上值得纪念的里程碑。很显然，无人驾驶来了，我们准备好了吗？

　　现在，我就从三个方面来说说无人驾驶的那些事。第一方面，介绍国内外无人驾驶应用的发展状况；第二方面，分析无人驾驶所面临的技术挑战，以及突破阻碍无人驾驶上路的应用综合难题；第三方面，了解无人驾驶上路之前需要经过的测试工作。

　　2009年，谷歌为无人驾驶做了一个宣传短片，视频中的无人驾驶汽车（以下简称“无人车”）载着一个盲人到商店买东西，并自动送盲人回家，这是谷歌对未来无人驾驶的想象。现在的无人车或者智能网联汽车实际上都是把无人驾驶和网络互联技术结合了起来，这项技术极大的提高了交通安全与效率。比如，街道的十字路口存在一定的盲区，而通过网联的通讯技术可以提前对路口信息进行预判，这对想要拐角的汽车能够起到很好的规避的效果，保证了汽车的安全。再比如，交通运输过程中，可以有一个汽车在前面带路，而后面的汽车可以通过无人驾驶和智能网联技术来跟随前面的车，这样就形成了一个车间协同的车队，极大的提高了运输的效率。

　　无人驾驶和互联网将会改变未来的生活方式。现在，很多物流公司都在研究智能仓储和物流，通过无人驾驶汽车可以把物流运输和仓库直接连接起来。另外智能的士服务也是一种无人驾驶的应用场景，可以通过手机APP直接请求无人的士来进行服务。因此，APP预约无人驾驶是未来网约车的方向。

　　美国在无人驾驶方面走在了世界的前列。目前，美国的无人车已经进入环境适应性的测试阶段，比如福特的Fusion无人车目前在完全黑暗的环境中行驶。除了传统汽车厂商，崛起的IT科技公司也是一股洪流，比如特斯拉、谷歌、微软等。其中，特斯拉借助摄像头和雷达组合的自动驾驶功能可阻止车祸发生，并且自2015年10月以来自动驾驶行程在短短6个月就达到了4700万英里。另外，谷歌在2014年就计划量产100辆第三代无人车，这款汽车最高时速设定在25英里，发动机盖以泡沫材料打造，将撞车带来的冲击力降至最低。从2015年6月开始，这款汽车就在加州、德州等地进行公路测试。而在2016年12月，谷歌却宣布将无人车项目单独分离并成立子公司，放弃生产无人车，转为提供无人车技术服务，这件事里的原因耐人寻味。

　　德国作为老牌的工业强国拥有很多的汽车厂商，例如奔驰、宝马都已经开始研究无人驾驶技术，还包括汽车核心部件的供应商也开始涉入这个领域。2015年1月，博世BOSCH宣布将推出帮助无人车实现高速自动变道等功能的技术支持和配件。同月，德国政府在慕尼黑至柏林之间的A9高速公路上测试无人车在真实条件下的行驶状态。2016年4月，德国政府表示汽车厂商应该尽快完成无人车的上路测试。

　　英国也在加快无人车的产学研合作。2015年2月，英国正式允许无人车合法上路行驶，RDMGroup也推出了英国首款无人车—LUTZ开拓者。2016年3月，英国计划于2017年开始在高速路上测试无人车。

　　日本也是全球的汽车生产大国，但在无人驾驶领域一直保持低调，其实早在2013年，日本NEDO就在东京测试无人驾驶货车。2015年，日本丰田、日产、本田等6家汽车厂商和电装、瑞萨电子和松下等6家日本零部件企业在高精度三维地图等汽车自动驾驶所需的8个领域展开共同研究，联合推动无人车在2020年上路。2016年，日本“机器人出租车”在神奈川县的普通公路上开始试运行无人驾驶出租车，或将在2020年东京奥运会期间投入运营。

　　我国的无人驾驶正处在研发热潮期。2015年12月，百度无人车在国内首次实现城市、环路及高速道路混合路况下的全自动驾驶。2016年4月，长安汽车进行重庆至北京2000公里无人驾驶测试，达到了自动驾驶三级水平，能够实现结构化自动驾驶，包括全速自适应巡航、交通拥堵辅助、车道对中、交通信息识别、自动换道和非结构化道路接管提醒等。其实，百度和长安汽车只是我国在研究无人驾驶领域的科技和传统汽车厂商的代表性企业，科技公司如乐视、小米、腾讯等已经开始涉入无人驾驶领域。传统企业厂商如一汽、上汽、广汽、吉利、比亚迪都与高校、研究院有着密切的无人车研究合作。

　　那么，国内的无人驾驶研究水平怎么样呢？从2009年开始，在国家自然科学基金委支持下举办了八届“中国智能车未来挑战赛”，汇聚了国内无人驾驶车辆的顶尖科研院所，是现阶段国内唯一的无人驾驶比赛。2009年，参赛的无人车行驶速度很慢，而且周围还是有人跟着车一起跑，有较多的人工干预，而且测试的是像简单的过桩、泊车这样的初级功能。到2014年，无人驾驶的水平就提高了很多，汽车已经能在真实的交通环境中自由驾驶，与其他车辆进行交互，这体现快速、顺畅、安全和智能的理念。今年的第八届“中国智能车未来挑战赛”共有27支车队报名，22支车队的参赛，参赛车有西交广汽联队发现号、军交猛狮1号、2号、武大“途智号”、清华睿龙等。这些改装过的无人车除了车顶的激光雷达以外，已经很难分辨是无人车和还是人工驾驶的汽车了。

　　现在，全球已经有很多的无人车上路了，但是在行驶的过程中出现一些事故，比如无人车撞到路边护栏、或者有时无法分辨路况等。例如，2016年7月份，一辆自动驾驶的特斯拉汽车在交叉路口撞上一辆大卡车，这是在增加了Autopilot功能之后，在超过2.1亿公里的行驶里程中首次发生人员死亡的事故。另外，早在2月14日，谷歌测试的无人车在加州与公交车发生了轻微的碰撞，这也是由于无人车产生误判所引起的事故。除此之外，无人车上路测试还发生过很多的事故，只是没有公开而已。

　　那么，无人车到底能不能上路？我认为，无人驾驶技术还远远不够成熟，离真正实现无人驾驶还需要一段距离。无人车是一个综合的系统，主要包括环境感知、任务规划、行为执行、运动规划和车辆控制等功能。它是像人一样的机器人，各类传感器相当于车的“眼睛”，计算机控制系统是其“大脑”，汽车结构和运动系统就是其“躯干”。

　　自主行驶的关键技术主要包括两个方面。一方面，拥有自然环境感知能力；另一方面，具有智能行为决策。自然感知能力使得无人车能够快速有效的感知道路环境，例如行人、动物、不明物体等。决策能力保证了无人驾驶汽车在感知信息之后，能够做出有效的判断，例如变道、拐弯、减速、刹车、还有自动泊车等功能。在实现无人驾驶的过程中，传感器“功不可没”，一般的无人车上都具有大量各式各样的传感器。例如，卡耐基梅隆Tartan无人车上拥有16个主要的传感器，包括激光雷达、高精度GPS定位器、摄像头、测距雷达和轮速传感器。

　　除了高精度的传感器设备之外，拥有高性能的计算软件也是无人驾驶的必备。无人驾驶的软件作为无人车的“大脑”非常重要，也非常的复杂，而且价格超过百万元。激光雷达在不断的进行360度环绕扫描的过程中产生了大量的数据信息，这些信息需要通过无人驾驶软件进行计算形成了一个局部的地图，并且还需要实时的准确定位汽车的位置信息，这是一个相当复杂的过程。例如，奥迪研发的zFAS驾驶大脑就拥有很强的数据处理能力，除了实现行人探测、交通标识识别、车道识别等各类高级驾驶辅助系统（ADAS）功能外，系统在自动驾驶状态时需要在极短时间对大量数据进行分析处理，进行驾驶员决策，操控汽车行驶。zFAS采用TegraK1主流芯片的模块化设计，这也意味着zFAS日后的升级会变得更加的灵活。

　　虽然无人驾驶技术正在高速的发展，但是机器学习能力还没远远没有达到人脑的水平。现在，无人驾驶技术面临着五大挑战。

　　挑战一：无人车环境感知能力。众所周知，无人车的激光雷达探测包括车辆、行人、树木、路缘等，摄像头可以辨识交通信号和车道等，车身周围的微波雷达则感应移动障碍物等，GPS和惯导可以实时定位车辆位置。那么，这种挑战在于汽车如何在复杂、动态和多样化的交通环境下，克服传感器各自物理限制和车辆运动干扰，提高环境感知精确程度，对动态目标进行识别与估计，完成交通环境信息的多视图数据融合。例如，汽车在农村这样的非结构化交通环境下存在感知困难，难以区分路面和路沿，其环境几何特征多变，这需要采用更高性能传感器和更好信息处理算法，结合机器人学习车间通讯技术扩展功能，解决自身局限性，进一步理解非结构化环境。

　　挑战二：车辆控制与运动规划。车辆控制与运动规划是无人车感知环境后必然的反馈结果，所以保持汽车的行驶路径和汽车的稳定性相当重要。汽车的稳定性可区分为横向稳定、纵向稳定和垂直稳定，这种稳定性之间两两结合又形成了三种控制，横摆控制、侧斜控制和俯仰控制，它们决定着汽车的驾驶性能、操控性和姿态控制、抓地力等功能。汽车的控制单元结合车辆总线控制进行车内深度改造完成各种功能，并建立车辆动力学模型，采用PID、模型预测等先进控制算法实现横纵向控制。

　　无人车的执行器主要分为转向、制动和油门改装等部分。许多车辆总线还没对外开放，现在还有许多实现方案是不对原车做任何改动，直接附加一套电机装置，类似于ADAS测试中使用的AD机器人，但这种方法安全性极低。而基于线控技术集成的自动驾驶系统将极大的提高了智能车辆的可靠性和操控性能。自动驾驶方案中动力、转向和制动（部分还包括悬挂）三个系统需要X-by-wiret线控技术。通过车辆内部CAN通信的方式实现对EPS、ESP等执行机构的准确控制。此外，在纯电动或者混动车基础上改装具备线控（液压）刹车的配置。可行的通用集成方案，将控制系统集成到CAN总线、Flexray或者快速以太网总线上。

　　总线上有待改进的地方还有车载传感器。我们通过车载传感器集成和智能化降低整体的费用，将现有的车载传感器通过各类总线技术进行集成配置，在通过传感器信息的智能化处理，输出无人驾驶所需的环境感知和信息。也需要从车身内的传感器智能化与集成化入手，通过融合车载的IMU、车头指向设备和GPS等传感器进行车辆位姿精确感知，实现车辆控制。还可以通过全新无人车的架构设计，结合集成化控制系统和新型总线，将传感器和智能计算单元进行配置和集成，将为无人驾驶提供基础架构和支撑。

　　挑战三：智能车辆定位与导航。目前的车载定位设备不能满足拥堵交通流中的定位精度要求，这需要改善抗干扰性能、多路径问题的修正和提高GPS信号跟踪能力，以及GPS/INS组合导航技术在信号降低等情况下性能的改善等。可以通过无线网络信号与GPS集成，与精确数字地图集成，与环境感知信息集成，辅以SLAM、视觉导航等技术，在复杂交通环境中增强无人车的定位与自主导航能力。

　　现在，我们可以通过高精度定位和地图降低对传感器的依赖。通过提供厘米级的定位以及应对复杂驾驶环境的精确三维地图数据，让无人车获得最佳行车路线，地形特征，位置映射等，方便进行动态目标检测和障碍物检测等，极大降低对传感器的依赖。

　　在自动驾驶方案中采用ApplanixPOS的系统提供多双频GPS接收信息实时集成，包括GPS方位航向测量、高性能惯导测量单元（6自由度、安装靠近后轴处）、车轮量程计（DMI）、OMNISTAR卫星虚拟基站服务等，系统实时位置误差通常可低于100厘米，方向误差低于0.1度。后续需要集成基于低功耗、低价、微小型定位传感器（MEMSIMU），提供高精度定位服务。

　　挑战四：路径规划与任务规划。在路径规划方面，交通环境通常是部分已知，可能还有障碍物临时出现，所以必须重新规划路径。在实际交通环境下，如何判断虚假拥堵，并进行正确的通行决策，这对路径规划提出了更高的要求。在任务规划方面，如何在复杂的交通场景下实现安全的、与人类驾驶行为类似的自主驾驶，使其不会对正常交通流造成影响，同时保障车辆自主行驶安全性，这也对结构化道路的自主驾驶提出很高的要求。

　　除了交通环境、智能交通系统和通行预测信息对无人驾驶的主导影响之外，导航地图对无人驾驶也是分外重要。虽然当前的导航地图还无法满足无人驾驶的要求，但是通过采用激光雷达获取的三维点云数据，并进行人工标记之后就可以建立路面模型。包含了道路上较为全面的交通标志、交通信号等信息，还包括车道线位置、道路坡度和斜度、车道限高、下水道口、障碍物以及其他道路上一些细节。既提供当前道路的静态环境模型，也可以通过预先存储的点云和图像特征数据来提供高精度定位。目前的高精度导航地图分为两类。一类是谷歌和Here的激光雷达和摄像头获取3D点云数据测量的地图；另一类是通用、大众联手Mobileye的RoadBook众包地图，通过车辆摄像头和GPS，结合本地以及云端软件来开展高精度地图服务。

　　挑战五：学习与自适应。机器学习将是无人车挑战人类智慧的关键，我们需要将机器人学习的研究成果应用到无人驾驶上，使得无人车能够处理复杂的交通环境，并产生自适应行为。另外，可以通过云计算服务器的强大计算和存储能力，实现驾驶环境数据的挖掘、交通标志和移动目标的识别与标记，典型交通场景的识别以及相应的自主行驶动作系列，数据融合以及相关算法适应性学习等，简化无人车的设计，克服智能车辆研究中的难点。而且在复杂的交通场景下实现安全的、类人驾驶行为的自主驾驶，使其不对正常交通造成影响。

　　除了无人车自身需要突破的挑战之外，建立适应无人车运行的交通环境也相当重要。要对现有的交通环境进行改造，建成适合无人车驾驶的交通环境。例如设立专用车道、专用停车位、车路通讯和车间通讯环境、车路协同的交叉口等，还需在路测搭建包括监控设备、无线网络设备。

　　现阶段无人驾驶技术离适用还有一定距离，技术可行、允许和广泛适用等五个方面的障碍还需要克服。

　　第一方面，无人驾驶平台需要通过严格测试认证，其中包括车载传感器、核心部件、计算机平台等整合与测试，还包括环境感知、车辆控制、路径规划和任务处理等功能测试；

　　第二方面，无人驾驶技术还需要完善复杂交通场景下的功能与技术，并让这些技术便宜到市场能够接受的程度；

　　第三方面，需要制定相关法律法规、提升心理认知与接受、需要面向处理交通事故的法律和保险索赔等方面挑战的应用性可行框架；

　　第四方面，需要在现有交通设施基础上建立一个针对自主驾驶的专用环境，例如开辟无人车专用道路等；

　　第五方面，需要开展驾驶员信任与采用新技术的讨论，重新定义“驾驶员”角色等法律问题。

　　除了需要突破无人驾驶的挑战和障碍外，制定规范的无人驾驶自主等级和安全测评标准也是加快无人驾驶技术发展的重要举措。通过分析无人驾驶功能组成与测评指标，开展功能测评；研究无人驾驶综合测评规范与体系，在复杂交通场景下开展测试；通过无人驾驶测评，分析存在的技术问题、技术可靠和成熟程度，随后有针对性开展研究。

　　众所周知，无人车也被称为轮式机器人，所以，无人车还需要面对能否处理“道德”问题的质疑。阿西莫夫在1950年出版的《我，机器人》里提出了“机器人三大定律”，解释了机器人应该具备何种道德智慧。第一定律：机器人不得伤人或看见有人受伤却袖手旁观；第二定律：除非违背第一定律，机器人必须服从人的命令；第三定律：除非违背第一及第二定律，机器人应该保护好自己。

　　“假如一辆大货车突然变道直奔你而来，是猛打方向盘向左撞向那个骑自行车的？或是往右避闪冲向路旁的一家三口？还是猛踩刹车让自己的头撞上方向盘？”，无论撞向哪边，对于人来说是一个艰难的决定。那么，当无人车能分辨一个戴头盔和一个没戴头盔的摩托车驾驶员时，而且当撞车无法避免时，无人车是否应该撞向戴头盔的驾驶员以减小受伤程度？如果这样的话，无人车作出的决定将是惩罚更多具有防护措施的人，这从人性上来讲是违背伦理道德的。那么，无人车的争议之处在于，当遇到无可避免的紧急情况时，它应该做出哪种决定和反应，这种反应有何根据，应该由谁来决定其反应？只有这些质疑完全被解决之后，无人车才能真正上路。

　　无人车到底该不该上路，能不能上路呢？这只有经过大量的测试之后才能决定。无人驾驶的测试必须是在封闭的道路环境下进行，所以拥有完善的无人驾驶测试基础设施相当重要。就目前而言，美国无疑是拥有最完善的无人驾驶测试基础设施的国家。

　　GoMentumStation位于硅谷以北40英里的康科德海军武器站内，占地面积5000英亩，已经铺好了20英里的公路和街道，专门供无人驾驶测试使用，其中立交桥、隧道、铁路等城市基础设施一应俱全。

　　2014年，谷歌租用加利福尼亚Castle空军基地内60英亩土地（现100亩左右）用于测试它的无人车（SDC），并培养无人车司机。在封闭的试验场内部有类似于郊区和城市的街道、支路和公路延伸。同时，还有模拟工作的交通信号灯、停止符和交通环岛，甚至还有雨天模拟器。虽然谷歌现在宣称不在生产无人车，转做无人车的技术服务，但是自谷歌宣布无人车上路以来，其公路道路上和封闭测试区的总行驶里程已经超过130万英里，累积了大量的行驶数据，这对谷歌后期的无人车研究来说是一笔宝贵的财富。

　　另外，密歇根大学交通研究中心（MTC）建立了世界上第一座测试无人车、V2V/V2I车联网技术的无人驾驶试验区—Mcity,它的占地面积为32英里（12.9万平方米）。目前，这个试验区已经开始与福特、通用、本田、日产、丰田、德尔福等15家车企以及零部件供应商以注资的方式开展合作。

　　除了美国之外，世界上其他国家也相继建立了无人驾驶测试示范区。比如在2013年6月，荷兰、德国和奥地利签署协议合作智能交通项目，通过V2X通讯技术在中控基站管理交通和路上的所有车辆；2014年，瑞士也宣布建立AstaZero安全技术总额和试验场；2016年3月，日本政府宣布将在位于筑波科学城的茨城县日本汽车研究所建设一个15万平方米的无人车测试基地。

　　近年来，我国也开始关注无人驾驶技术并积极推动无人驾驶基础设施建设。截至目前，全国已有六个获得工信部批准挂牌的国家智能网联试点示范区。其中，工信部在2015年6月批准上海国际汽车城承担了国内第一个智能网汽车试点示范区，今年6月已经开园。工信部还与北京、重庆、浙江、杭州签署了示范合作框架协议，部地合作开展示范区建设和应用项目合作。重庆试点示范区的模式与上海相似，既有展示又有应用。杭州则偏重于展示，包括V2X、自动驾驶、绿色出行、便捷停车等智慧交通领域的各个方面。北京试点示范区与乐视等公建，模式还有待确定。此外，还有长春、深圳等城市也在开展。

　　2015年8月18日，中国智能车综合技术研发中心与测试中心落户常熟，该中心将建设研发实验室和静态测试实验室，通过对现有道路、路边基础设施和交通信号系统的改造，构建典型的实际交通测试环境并配套车联网设施，提供高精度地图和智能车测试等服务，在独特的测试场地，实现智能车测试的智能化和标准化。中心还将汇聚众多智能车研发单位，提供技术合作的支撑平台，在智能车标准制定、技术交易、产品开发与产业化及高新技术企业培育方面发挥重要作用。

　　我们在拥有了良好的无人驾驶平台之后，就需要深入的研究无人车测试方法。基于实践和其他相关工作，我们提出了一个演化测试流程，以应对自主车辆测试的挑战，包括无人车模块设计和模块验证、无人车顶层设计与系统集成测试、无人车技术规范和系统验证、无人车设计与系统验证。

　　目前常用的无人车的测试方法包括：1.软件测试：可用于无人驾驶功能测试；2.仿真测试:可以用于功能模块验证；3.x-inloop:可以用于验证功能模块，车辆整体功能；4.实际测试：可以用于验证和确认无人驾驶系统。其中，仿真测试更加的有趣。为了对无人车进行科学的安全测试，我们可以通过仿真环境来帮助无人驾驶汽车的感知识别工作，包括车辆、行人和道路标识等。模拟城市环境可以提供道路周边的树木、人行道和道路交叉等准确标记，通过图像、雷达等多传感器视觉可以帮助培训无人车的AI系统，识别和处理各种交通场景，例如下雨或下雪。

　　实际上，我们已经在无人驾驶上做了很多的测试工作，例如测试所需的V2X联网和信号控制基础设施，测试所需的机器假人、移动路障、障碍车，测试所需的视频监控等基础设施等。在2016年的智能车比赛上，我们就对比赛视频监控、比赛结果进行了记录和分析，并展示了比赛现场的动态情况、裁判车、测试点以及无人机传回测试数据等，这些工作都为我们研究无人驾驶仿真提供了丰富的经验。

　　我们通过仿真道路测试场和车辆仿真软件，还有专用测量设备及硬件接口、平台，根据不同的测试对象进行仿真。智能车中心后续还要开展MIL（模型在环仿真）、SIL（软件在环仿真）、HIL（硬件在环仿真）和VIL（实车在环仿真）等四个层次的仿真测试，对仿真测试数据进行分析。

　　综上所述，我们可以看出，演化测试是推动无人驾驶发展的有效方式。从对无人车本身的测试到路测环境测试，形成了交通数据与学习系统的对无人驾驶的认知，再通过机器学习模型的相互学习，真正实现无人驾驶自主服务。

　　未来，智能车中心将基于真实交通环境，构建更复杂的真实交通环境，开展更多的测试，包括车路协同、车间协同等。也将继续提供测试环境无人驾驶专用地图、动态模拟数据等，便于离线开展算法验证。我们还将实现真实交通环境测试与仿真环境测试的平行执行，加速无人驾驶的研发与测试，为我国的无人驾驶汽车发展做出自己的贡献。

　　文章作者系黄武陵博士/副研究员中国科学院自动化研究所复杂系统管理与控制国家重点实验室