互联网技术的迅猛发展给汽车工业带来了革命性的变化，高精度地图的进步与普及使得车辆实时精准定位成为可能，与此同时，智能驾驶技术的广泛应用使汽车驾驶变得更简单更智能。互联网、高精度地图与智能驾驶技术相结合，共同推动了无人驾驶汽车技术的发展。
1 无人驾驶汽车发展现状
近年来，随着市场对汽车主动安全和智能化需求的不断提高，无人驾驶巨大的社会和经济价值越发凸显，越来越多的企业与科研机构积极参与并推动无人驾驶领域的发展。目前，能够实现完全无人驾驶的车辆还没有正式批量生产销售，但已经有相当一部分实验车型可以通过环境感知实现高度自主驾驶行为，如起步、加速、制动、车道线跟踪、换道、避撞、停车等。表 1 给出了 NHTSA (national highway traffic safety administration) 对无人驾驶的定义 [1] ，它将无人驾驶分为 5 个等级，分别是高级辅助驾驶 (advanced driver assistance systems)、特定功能辅助、组合功能辅助、高度自动驾驶以及完全无人驾驶。如表 1 所示，目前大部分车型都还停留在组合功能辅助阶段 (Level 2 级)，要实现完全无人驾驶车的量产化，还有很长一段路要走。
1.1 国外无人驾驶汽车发展现状 20 世纪 70 年代初，许多发达国家 (如美国、英国、德国等) 开始研究无人驾驶汽车，经过长时间的发展，无人驾驶汽车在可行性和实用化方面都取得了突破性的进展[2]。1995 年，美国卡纳基梅隆大学研制的无人驾驶汽车 Navllab-V，完成了横穿美国东西部的无人驾驶实验[3]。2005 年，在美国国防部组织的“大挑战”比赛中，由美国斯坦福大学改造的无人汽车，经过沙漠、隧道、泥泞的河床以及崎岖陡峭的山道最终获得成功[4]。近年来由于谷歌、特斯拉、奔驰、宝马等纷纷加入无人驾驶汽车的研究，无人驾驶技术有了突飞猛进的发展。
1.2 国内无人驾驶汽车发展现状无人驾驶技术在国内的发展较晚，1992 年国防科技大学成功研制出中国第一辆红旗系列无人驾驶汽车[3 0] ;经过一系列的努力和研制，直到 2011 年 7 月 14 日，首次在高速上实现长沙到武汉约 286 km 的全程无人驾驶实验，成为了首个中国自主研制的无人驾驶车辆，突破了在复杂交通状况下的自主驾驶的新纪录，这次成功标志着中国无人驾驶技术在复杂环境识别、智能行为决策和控制等方面的技术突破，达到世界先进水平[31]。 2005 年，首辆城市无人驾驶汽车在上海交通大学研制成功[32]。从 2009 年开始，在国家自然科学基金委“视听觉信息的认知计算”重大研究计划支持下，分别在西安、鄂尔多斯、赤峰、常熟等地举办了七届“中国智能车未来挑战赛 (见图 4)”。该比赛是现有的国内外唯一面向无人驾驶的赛事，极大地推动了中国无人驾驶车辆的研究工作[33]。
2 无人驾驶汽车产业化瓶颈
目前，无人驾驶汽车产业化的瓶颈问题主要有两点：1) 如何更高效快速实现多传感器信息融合; 2) 在保证自动驾驶性能的前提下如何最大限度降低设备成本。
2.1 更高效快速实现多传感器信息融合研发人员当前面临的最棘手的难题是如何提高汽车的视觉能力，目前所研发的计算机视觉系统还非常的低端和原始，如何赋予计算机系统接近甚至达到人类的视觉能力是一项非常巨大的挑战。无人驾驶汽车需要随时注意周边车辆和行人，而且能够实时检测到周围的车道、地面上的画线，认识交通标识、交通灯的含义，应对风霜雨露以及强光、弱光等一系列复杂的环境因素的影响。此外，由于某些原因无法“看清”道路标志甚至在一些根本没有道路标志的环境时，为了实现完全无人驾驶，目前唯一可行的办法是通过多传感器实现信息融合进行决策，综合利用各类传感器的优势从而达到理想的效果，如图 8 所示。例如，毫米波雷达适用于近程、高分辨力的目标监视和目标截获，由于其较强的穿透能力，可以用于视觉系统捕获车道线、交通灯颜色等信息。但是其视觉系统不足之处在于，其测距能力没有激光雷达准确。因此将激光雷达、毫米波雷达与视觉传感器相融合，可以有效解决单独使用的不足之处，在进行物体检测的同时，也可以进行空间测距和图像识别。
2.2 如何降低制造成本目前无人驾驶汽车所使用的设备主要包括激光雷达、车载摄像头、车载雷达、超声波设备以及 GPS 等。利用激光雷达生成的点云，对反射障碍物的远近、高低能较为准确地估计，从而大大提高障碍物检测的准确度，谷歌、Uber 等科技公司都将这种设备应用在原型汽车上[46]。图 10 为目前常用激光雷达 LiDAR 示意图，其中 Velodyne HDL-64E LiDAR 预售价在 10 万美元以上，Velodyne VLP-16 LiDAR 官网报价为税前 7 999 美元，过高的成本大大阻碍无人车的商业化。
3 深度学习在无人驾驶领域的应用
深度学习[50]在计算机视觉获得了巨大成功，彻底颠覆了传统的计算机模式识别方法[51]。在深度学习出现以前，大多数识别任务要经过手工特征提取和分类器判断两个基本步骤，而深度学习可以自动地从训练样本中学习特征。深度学习的快速应用主要有两点原因：1) 更容易获得大量的人工标注数据集，如 ImageNet 大规模视觉识别挑战(ILSVRC) [52] ; 2) 深度学习算法可以在 GPUs 上并行处理图形，提高了学习效率和预测能力。利用深度神经网络自主学习的特性，先通过高性能 GPUs 将庞大复杂的神经网络模型训练好，然后移植到嵌入式开发平台，就可以实现对图像、视频信息实时高效的处理[53]。近年来，从自动驾驶初创企业、互联网公司到各大 OEM 厂商，都在积极探索利用 GPUs 构建神经网络实现最终的无人驾驶。
3.1 无人驾驶硬件实现将深度学习应用于无人驾驶领域的代表公司有 Mobileye 及 NVIDIA 公司，他们把基于深度卷积神经网络的方法用于汽车的视觉系统中，取得了非常理想的效果。其中 Mobileye 公司生产的基于多核架构芯片 EyeQ4(见图 11(a))，使用了 4 颗核心处理器、6 颗 VMP 芯片、2 颗 M PC 核心和 2 颗 PMA 核心，每秒浮点运算可达 2.5 万亿次，而功耗仅有 3 W。通过一系列的算法，EyeQ4 可以同时处理 8 部摄像头 (最高 36f/s) 产生的图像数据[54-56]。英伟达 DRIVE PX2 无人驾驶汽车平台 (见图 11 (b))，支持 12 路摄像头输入、激光定位、雷达和超声波传感器;包括两颗新一代 NVIDIA Tegra 处理器，其中每个处理器包括 8 个 A57 核心和 4 个 Denver 核心;基于 NVIDIA(见图 12) 的新一代 GPU 架构 Pascal 设计，单精度计算能力达到 8 T/S，超越 TITAN X 的 10 倍以上的深度学习计算能力[57]。
3.2 无人驾驶算法实现 Pomerleau 在 1989 年用神经网络搭建了一套自动驾驶系统 (autonomous land vehicle in a neural network，ALVINN)[68]。ALVINN 首次证实了端到端训练的神经网络模型实现无人驾驶的可行性。
近年来，随着深度学习的快速发展，利用深度学习实现图像识别的文章数不胜数。2016 年 5 月 18 日，Y. Lecun 等发表 Stereo Matching by Training a Convolutional NeuralNetwork to Compare Image Patches，首次提出利用 Siamese 网络 (见图 14)，同时输入左视图和右视图两幅图像，利用网络计算出两幅图像的视差图像，从而控制车辆的前进方向[69]
4 无人驾驶汽车行业发展前景预测
随着市场对汽车主动安全技术、智能化等技术需求不断增加，越来越多的企业投入其中，共同推动无人驾驶汽车的发展。与此同时，随着计算机性能的逐步提高，成本降低，无人驾驶汽车使用的各种传感器取得了很大的进步，研发技术的门槛随之降低，前景十分明朗。近年来深度学习在图像识别方面取得了突破性的进展，更是为无人驾驶技术的成熟增添了强劲的活力，利用 GPU 高效的图像处理性能，实现了实时图像处理。智能车辆的国内外研究成果已经取得了重大的进展，但是从近期发生的自动驾驶汽车事故可以看出，智能车辆投入实际使用还需要解决多种问题。 因此未来无人驾驶将需要在以下几个方面取得进步。
首先，需要采用更好的传感器和优化配置改善自动驾驶功能。高精度的传感器才能在复杂交通下检测车辆周围的环境信息。现阶段传感器无法克服车辆运动、环境气候和工作范围的信号干扰，从而无法保证准确检测出所有的行车驾驶要素。而激光雷达传感器的高昂价格也限制了该技术的实际应用。未来激光雷达会变得更小更轻便，集成度更高，价格更低以及变成固态。面向复杂环境感知需求，通过融合多种传感器的数据来实现感知、定位、决策和规划，这是无人车近期的发展方向。其次，为了实现自动驾驶，需要将集成化控制系统、新型总线分布和自动驾驶架构结合。通过多种感知和决策算法的车载软件，提高自动驾驶技术的安全性和鲁棒性。采用车联网络可以实现车辆之间的信息共享，有效提高了传感范围。高精度的地图和 GPS 定位可以通过减少车辆传感器的需求，进而降低自动驾驶技术的难度。另外，结合深度学习技术，集成高性能的车载计算平台，可以提高车辆自动驾驶的水平。此外，无人汽车技术需要高性能计算平台的支持。将车载计算平台与深度学习技术相结合，增强无人车辆的智能水平，将人工智能技术的新突破应用于无人驾驶。
参考文献：
倪暖. 自动驾驶也分三六九等?[EB/OL].(2016-8-07) [2016-09-27] http://www.ednchina.com/news/article/2016 08170801. [1]
佚名. 无人驾驶汽车[EB/OL]. (2016-06-10)[2016-09-27] http://baike.baidu.com/link?url=iObG6G1U5wmuVNCdgm 7wXDpV8418yWtKAlBAVjC4xyVEL7Lgy3fgfkpsda4qiABZHCsxtQ9J9xqqcsZdTu_vF6kAT6xwu7zedQw2ggyuqa.
《深度学习在无人驾驶汽车领域应用的研究进展》来源：《智能系统学报》，作者：王科俊，赵彦东，邢向磊
