乐天堂首页,雷火官网,雷火电竞赛事

來源：互聯網

智能駕駛是匯聚多項AI技術，通過電腦系統實現無人駕駛的技術，其可以通過觀察環境并做出分析和決策。

美國國家公路交通安全管理局（NHTSA）和美國汽車工程師協會（SAE）都曾對智能駕駛做出定義和分類，最終SAE制定的標準體系為世界通用。SAE制定的標準體系將自動駕駛程度分為六個等級，從Level0到Level5。在Level0，沒有任何自動化系統，完全由駕駛人掌控車輛；隨著自動化程度的提高，駕駛人逐漸釋放控制權，直到達到Level5，所有駕駛功能都完全由自動化系統控制。

智能駕駛從系統架構上可以分為感知層、決策層和控制層，從技術架構可以分為車載系統和云端系統兩部分。智能駕駛對于社會發展有巨大的進步意義，但同時也會帶來問題，如：局限性高、接受程度低、安全防御性低等。

歷史沿革

2000年之前，卡耐基·梅隆大學研制的NavLab系列智能車和意大利的ARGO實驗車最具代表性，德國的VaMoRs-P系統也應用了很多無人駕駛車輛技術。中國有關部委“八五”和“九五”計劃支持的“軍用地面機器人”(AutonomousTestBed，ATB)系列，代表了20世紀90年代中國無人駕駛車輛技術研究領域的先進水平。

2004-2007年，美國共舉辦了3屆DARPA無人駕駛挑戰賽。DARPA是美國國防部先進研究項目局(DefenseAdvancedResearchProjectsAgency)機構名稱的縮寫，這項賽事初始目的是為了促進在極限環境下無人駕駛車輛技術的發展。參賽隊伍匯聚高校、企業和其他組織的研究人員，涉及技術涵蓋人工智能、計算機技術、汽車設計等方面。每一屆比賽的舉辦對無人駕駛車輛技術的發展都起到了極大的推動作用。

2009年開始，中國每年舉辦一屆“中國智能車未來挑戰賽”，旨在推動創新、研發無人駕駛汽車，并通過真實道路環境下的自主行駛來檢驗研究成果，以促進研發交流及產業化應用。我國無人駕駛技術與國外研發的無人駕駛汽車的主要不同點在于:國外無人駕駛汽車主要依賴GNSS信息和電子地圖，而參加“中國智能車未來挑戰賽”的無人駕駛車輛則更注重展示車輛感知自然環境并自動處理視聽覺信息的能力和效率。

2014年，國際自動機工程師學會（SAE）制定了首套自動駕駛分級標準，將自動駕駛分為6個等級，即L0至L5級。數值越高，代表自動駕駛的成熟度越高。

2016年，瑞士推出了使用自動駕駛巴士的公共交通服務，同年，多米諾比薩與澳大利亞馬拉頓目標公司合作，在澳大利亞開始展示其送貨上門機器人DRU的運行。在中國，IT巨頭百度集團（Baidu）于2017年4月宣布了“阿瓦羅項目”，這是一個利用開放軟件平臺的自動駕駛開發項目，引領中國自動駕駛的發展。

2022年6月8日，百度和吉利合資的汽車公司集度發布了首款汽車機器人概念車ROBO-01。同年，百度與浙江吉利控股集團合資的吉都汽車（Jidu Auto）將生產，計劃于2023年開始交付。2023年，中國華為發布了HUAWEI ADS 2.0（Advanced Driving System，華為高階智能駕駛系統）。ADS2.0的一大突破便是不依賴高精地圖。HUAWEI ADS 2.0使得平均人工接管里程從HUAWEI ADS 1.0的100km提升到200km。

分級

NHTSA分級標準

2013年，美國交通部下轄的美國國家公路交通安全管理局（NHTSA，NationalHighwayTrafficSafetyAdministration），率先發布了自動駕駛汽車的分級標準，其對自動化的描述共有4個級別。

（1）具有特定功能的自動駕駛：該層次汽車具有一個或多個特殊自動控制功能，例如電子穩定性控制（ESC）、自動緊急制動（AEB）等，車輛通過控制制動幫助駕駛員重新掌控車輛或是更快速地停車。

（2）具有復合功能的自動駕駛：該層次汽車具有將至少兩個原始控制功能融合在一起實現的系統（如自適應巡航控制與車道保持融合一體），完全不需要駕駛員對這些功能進行控制，但駕駛員需要-直對系統進行監視并準備在緊急情況時接管系統。

（3）具有限制條件的無人駕駛：該層次汽車能夠在某個特定的駕駛交通環境下讓駕駛員完全不用控制汽車，而且可以自動檢測環境的變化以判斷是否返回駕駛員駕駛模式，駕駛員無須一直對系統進行監視，可稱之為“半自動駕駛”。目前，谷歌無人駕駛汽車基本處于這個層次。

（4）全工況無人駕駛該層次系統完全自動控制車輛，全程檢測交通環境，能夠實現所有的駕駛目標，乘員只需提供目的地或者輸人導航信息，在任何時候都不需要乘員對車輛進行操控，可稱之為“全自動駕駛”或者“無人駕駛”。只要輸入出發地和目的地，其后責任完全交給車輛端。

SAE分級標準

2014年分級標準

2014年，美國汽車工程師學會（國際汽車工程師學會，國際自動機工程師學會，原譯為美國汽車工程師學會）也制定了一套自動駕駛汽車分級標準J3016《標準道路機動車駕駛自動化系統分類與定義》，其對自動化的描述分為5個等級。

駕駛支援：通過駕駛環境對方向盤和加減速中的一項操作提供駕駛支持，其他的駕駛動作都由人類駕駛員進行操作

部分自動化：通過駕駛環境對方向盤和加減速中的多項操作提供駕駛支持，其他的駕駛動作都由人類駕駛員進行操作。

有條件自動化：由自動駕駛系統完成所有的駕駛操作。根據系統要求，人類駕駛者提供適當的應答。

高度自動化：由自動駕駛系統完成所有的駕駛操作。根據系統要求，人類駕駛者不一定需要對所有的系統請求做出應答，車輛需行駛在限定道路和環境條件下。

完全自動化：在所有人類駕駛者可以應付的道路和環境條件下，均可以由自動駕駛系統自主完成所有的駕駛操作。

2018年分級標準

2018年SAE對駕駛自動化系統分類與定義重新修訂，而SAE International關于自動化層級的定義已經成為自動化/自動駕駛車輛的全球行業參照標準，用以評定自動駕駛技術級別。具體分級如下：

L0：駕駛員完全學控車輛。

L1：自動系統有時能夠輔助駕駛員完成某些駕駛任務。

L2：自動系統能夠完成某些駕駛任務，但駕駛員需要監控駕駛環境，完成剩余部分，同時保證出現問題時，隨時進行接管。在這個層級，自動系統的錯誤感知和判斷由駕駛員隨時糾正。大多數車企都能提供這個級別的自動系統。L2可以通過速度和環境分制成不同的使用場景，如環路低速堵車、高速路上的快速行車和駕駛員在車內的自動泊車。

L3：自動系統既能完成某些駕駛任務，也能在某些情況下監控駕駛環境，但駕駛員必須準備好重新取得駕駛控制權（自動系統發出請求時）。所以在該層級下，駕駛者仍無法進行睡覺或者深度的休息。在L2完成以后，車企的研究領域從這里開始延伸。

L.4：自動系統在某些環境和特定條件下，能夠完成駕駛任務并監控駕駛環境。在這個階段，在自動駕駛可以運行的范圍內，駕駛相關的所有任務和駕乘人已經沒關系了，感知外界的責任全在自動駕駛系統。

L5：自動系統在所有條件下都能完成所有駕駛任務。

中國分級標準

在《中國制造2025》中，中國將智能網聯汽車分為DA，PAHAFA共計4個級別。完全手動駕駛沒有計入其中，總體分級如下。

手動駕駛(MD)：顧名思義就是最普通的手動駕駛汽車。

駕駛輔助(DA)：一項或者多項局部自動功能，例如ESC、ACCAEB等并能提供基于網聯的智能信息提示。

半自動化(PA)：在駕駛者短時間轉移注意力仍可保持控制，失去控制十秒以上予以提醒，并能提供基于網聯的智能引導信息。

高度自動化(HA)：在高速公路和市區內部均可自動駕駛，偶爾需要駕駛員接管，但是有充分的移交時間，并能提供基于網聯的智能控制信息。

完全自動化(FA)：駕駛權完全交給車輛，這種自動化水平允許駕駛員從事計算機工作，休息和睡眠等其他活動。

智能駕駛系統分析

系統架構

感知層

感知層用來完成對車輛周圍環境的感知識別，主要目的是獲取并處理環境信息。汽車自動駕駛常用傳感器主要包括攝像頭、毫米波雷達、激光雷達、超聲波雷達、紅外夜視，以及用于定位和導航的GPS（全球定位系統）和IMU慣性測量單元）。還有一類技術雖然不是主動式的探測元件，但是屬于協同式的全局數據輔助，可以擴展智能車的環境感知能力，在感知層同樣扮演著不可或缺的角色，包括高精度地圖V2X車聯網技術。每種類型的感知技術都有自己的優勢和弊端，它們進行融合達到優勢互補，最終使智能車在各種駕駛場景達到高安全性要求，從而將感知層數據處理后發送給決策層。

決策層

決策層是人工智能真正發揮威力的部分，和人類駕駛員一樣，機器在做駕駛決策時需要回答幾個問題：我在哪里?周邊環境如何?接下來會發生什么?我該做什么?決策層具體來說分為兩步：第一步是認知理解，根據感知層收集的信息，對車輛自身的精確定位，對車輛周圍的環境的準確判斷;第二步是決策規劃，包含對接下來可能發生情況的準確預測，對下一步行動的準確判斷和規劃，選擇合理的路徑達到目標。通過這兩步使無人駕駛車產生安全、合理的駕駛行為，指導運動控制系統對車輛進行控制。行為決策系統是狹義的決策系統，其根據感知層輸出的信息合理決策出當前車輛的行為，并根據不同的行為確定軌跡規劃的約束條件，指導軌跡規劃模塊規劃出合適的路徑、車速等信息，發送給控制層。

控制層

控制層需與車載控制系統深度集成，自動駕駛的實現需將決策控制信息與車輛底層控制系統深度融合，通過線控技術實現執行機構的電控化，進而達成電子制動、電子驅動和電子轉向功能，完成對車輛響應的控制，保障控制精度，實現對目標車速、路徑的跟蹤。具體而言，轉向控制通過轉向電機進行角度或力矩調節；加速控制承擔車輛行駛速度的調節功能；剎車控制包含正常剎車與緊急剎車兩種模式，以保障行駛安全。

技術架構

車載系統

感知層通過各種類型的傳感器采集、接收的數據，通過總線進行集成，再通過數據的融合和智能化處理，輸出自動駕駛所需的環境感知信息。車載傳感器的優化配置，可以在保證精度和安全性的基礎上，降低整體成本。主控系統由硬件部分高性能車載集成計算平臺和軟件部分智能車載操作系統組成。計算平臺融合了傳感器、高精度地圖，V2X的感知信息進行認知和決策計算，硬件處理器可以有GPU、FPGA、ASIC等多種選擇。智能車載操作系統融合了車內人機交互、運營服務商內容服務商的數據，為乘客提供個性化服務，真正把智能車變成下一個互聯網入口，目前的主流操作系統包括Android，LinuxWindowsQNX等最后，主控系統的信息進入車輛總線控制系統，完成執行動作。

云端系統

自動駕駛車輛是一個移動系統，需要云平臺來提供支持。云端主要完成4個功能。

（1）數據存儲：智能車路測中實采的數據量非常大，需要傳輸到云端進行分布式存儲。

（2）仿真測試：開發的新算法在部署到車上之前會在云端的模擬器上進行測試。

（3）高精度地圖生成：地圖的生成采用眾包形式，把每輛在路上行駛的智能車實時采集到的激光點云或視覺數據上傳至云端實現高精度地圖的完善和更新。

（4）深度學習模型訓練：自動駕駛的決策層使用了多種不同的深度學習模型，對于沒有出現過的情況車輛無法處理，因此需要持續不斷地通過新數據進行模型訓練，來提升算法的處理能力。由于訓練的數據量非常大，所以要在云端完成。

作用及意義

按術方面

技術方面看智能駕駛與電動車有著天然關聯性，汽車發展的演進路徑正在從一條變成兩條。智能駕駛與電動車有著天然的關聯性，兩者存在互相促進、互相支持的關系。電動車采用電動控制，電動車的根本在電池和電池控制、電控也是算法驅動的行業，這是電動車區別于傳統汽車的一個特點，車內電信號可以直接被系統收集。其次，采用電動力，而非傳統的物理傳動，使得車內的電信號可以直接被系統收集。智能駕駛能夠幫助解決電動車的充電、節能等核心問題，電動車智能交互系統的背后是將車身機械語言和車聯網電子信息語言統一起來，所有信息可以上傳下達，實現車與人、車與云的互聯。

交通方面

交通方面看智能駕駛將大大提升生產效率和交通效率，并有可能成為人工智能首先突破的領域。

智能駕駛將是未來解決交通擁堵的重要枝術，能大大提升生產效率和交通效率。一方面，隨著智能駕駛的普及，交通擁堵不再是問題，人們可以接受更長的通勤距離，汽車可以是家和辦公室的自然延伸，更有利于新型的城鎮化建設。另一方面，智能駕駛汽車的運行需要配套的交通基礎設施，由于智能駕駛漳傳感器感知路面障礙，或者通過4G/DSRC與道路設施通信，因此需要在交叉路口、路側、彎道等布置引導電纜、磁氣標志列、雷達反射性標識、傳感器、通信設施等。

當前的基礎設施，包括超寬車道、護欄、停車標志、振動帶等現有設置的交通道路將不再適用。更重要的是，智能駕駛可以為構建智能交通系統提供支撐。智能交通系統是將先進的信息技術、數據通訊技術以及技術等有效地綜合運用于整個交通管理體系和車輛而建立起來的一種大范圍、全方位發揮作用的、實時、準確、高效、先進的運輸系統。

更具體來說，高精度全球定位、高速無線通訊、云計算、云控制的智能交通系統的構建是基于配備高精度北斗定位系統和高速無線通訊系統的智能駕駛汽車、配備有的控制中心、移動終端以及相應的配套基礎設施。車輛通過通訊系統將高精度的自身經緯度、高度、目的地等相關數據發送至控制中心。控制中心通過處理全部車輛狀態信息、目的地信息等，為全體車輛規劃最優路線，并將車輛的控制信息實時傳達至全體車輛，從而實現全系統內的智能駕駛。通過完全封閉的雙層道路設計，可以取消全部紅綠燈，并通過在轉彎處設置具有一定斜度的路面，保證車輛在整個系統中可以保持高速行駛。在配套的智能停車系統、智能充電系統、智能檢修系統等輔助系統的支持下，實現車輛使用全過程以及全生命周期的智能化，從而可能成為人工智能首先突破的領域。

產業發展

產業發展方面看智能駕駛將引領汽車產業商業模式創新，并重塑產業生態。汽車產業龐大的用戶群體、多種多樣的使用環境，也將衍生出具有重要商業價值的大數據，從而影響產業鏈條的重組、價值實現方式的轉現方式的轉變和商業模式的創新。由此，整個汽車產業將發生空前深度和廣度的變化：傳統的汽車使用、設計、制造、銷售、售后及管理模式極有可能被徹底顛覆，新模式下的新商機將有無窮多種可能，包括管理、維護、性能檢測、服務、備件、回收與再利用、金融、信用等。在這一巨變過程中，智能駕駛處于中間樞紐和核心環節的地位。

經濟方面

經濟方面看智能駕駛是信息化與工業化融合的典型代表，并有可能引發第四次工業革命。傳統的交通工具，比如汽車是工業文明的代表產品，而人工智能是信息化社會的代表產品，兩者的結合就是智能駕駛，是兩化融合的重要代表。因此，智能駕駛不僅僅是新一代的交通工具，也是個性化需求和數據的收集終端和交互平臺，更是全新的智能制造體系及產業價值鏈的核心環節。

智能駕駛廣闊的商業化前景受到了資本市場的廣泛關注，投資機構、互聯網巨頭等紛紛與車企、科研機構、創業企業等合作進軍該市場。智能駕駛不僅能使交通工具產品本身的價值呈現幾何級數增長，還能為相關領域提供全新的解決方案，與新能源汽車、機械、交通、電子、信息、互聯網、通訊、能源、環保、城市建設等眾多領域進行深入合作，實現協同創新、融合發展。智能駕駛作為引領未來交通產業技術發展方向的戰略制高點，將有可能引發第四次工業革命。

社會方面

社會方面看智能駕駛將緩解勞動力短缺的矛盾。世界經濟發展正面臨著勞動力紅利的缺失、老齡化社會的挑戰。智能駕駛能夠實現“機器換人”和產業轉型升級，“智能+X”將成為萬眾創新的新時尚和新潮流。不能說發展智能駕駛能夠解決所有的經濟問題和社會問題，但是可以說智能駕駛能夠為解決勞動力短缺引的經濟問題和社會問題創造良機。比如，智能駕駛將推動汽車所有權形式和使用方式的改變，既能夠有效降低汽車出行成本，也能夠緩解勞動力短缺。

分析師凱蒂·休伯蒂（KatyHuberty）認為，到2030年，智能駕駛將開創一個規模可達2.6萬億美元的共享機動車市場，并大大降低出行成本。

環境方面

智能駕駛系統能夠有效減少污染物徘放。德克薩斯大學分校的研究人員研究了、、氮氧化物、、溫室氣體和細小顆粒物。結果發現：使用智能駕駛車共享系統不僅節省能源，還能減少各種污染物的排放，其次，智能駕駛能夠通過提高車輛利用率減輕污染。汽車可以按照時間順序依次供需要的人使用，因此可以更好地統籌安排車輛使用，解放司機，提高車輛的使用效率，減少車輛消費總量，有效減少碳排放。此外，智能駕駛通過緩解交通擁堵降低污染物徘放。

安全方面

隨著智能駕駛技術的發展，信息安全問題凸顯，在《智能網聯汽車發展技術路線2.0》等政策指導下，高級別自動駕駛汽車的產業規劃與汽車路線進一步明確了發展方向。而車載計算平臺發展將進一步加速智能網聯汽車品質提升。但計算平臺是智能汽車信息安全防護的重點，符合國家監管行業急需的數據安全和管理，是自動駕駛操作系統的新挑戰。

存在問題

局限性高

無人駕駛汽車在其“視覺能力”方面無法達到人腦的高度，其傳感器通過紅外攝像和普通攝像兩種技術完成道路環境的收集。當車輛在人口密集的樓房建筑區、事故區域或者其他有人通過通用手勢信號來指揮車輛在此區域通行時，無人汽車將遇到判斷難題。另外，道路存在信號標志老舊變形等情況出現，可能會使無人汽車產生誤識或者漏識，造成不必要的事故。

人文接受程度問題

社會對無人駕駛汽車依然存在諸多疑問，如當無人駕駛汽車行駛在這個人口稠密的世界時，發現已經無法避免事故的發生時，智能計算機應該選擇沖向馬路的行人還是直接撞擊迎面而來的車輛，在受到外部虛擬網絡攻擊后是否還可以維持完全駕駛，未被谷歌或GPS完全測繪學的道路如何行使等。無人駕駛汽車在法律法規方面同樣存在極大的挑戰。如產品責任，立法和多重管轄權等，無人汽車與有人汽車發生事故責任判定和無人汽車之間發生事故責任判定等。

安全防御性低

軟件安全公司Security?Innovation首席科學家喬納桑·佩蒂特（Jonathan?Petit）表示，大部分無人駕駛汽車探測障礙物的激光雷達系統只需一個成本不到60美元的裝置即可破解。佩蒂特表示，通過這一裝置，黑客可以在任何位置設置實際并不存在的汽車、行人，或是墻壁，導致無人駕駛汽車的行駛速度放慢，甚至寸步難行。其相關論文已在歐洲黑帽安全大會上發表。

發展趨勢

直接控制式

直接式運動控制是通過縱向控制器直接控制期望制動壓力和節氣門開度，從而實現對跟隨速度和跟隨減速度直接控制，具有快速響應等特點。該系統由PID、PI、滑模控制器和模糊控制器四部分構成。系統通過專家經驗知識設計了控制器間的協調切換邏輯，可以在不同工況下充分發揮其優勢。該系統的缺點是由于控制器的頻繁切換會使執行機構存在時滯和振動。有學者提出采用特定的控制策略對控制系統的參數不確定、非線性等因素進行模擬，例如模糊控制等得到較好的效果。2012年土耳其的VSezer等人設計了一種智能車速度控制器。該控制器是有兩個串聯Mamdani型的是基于模糊邏輯推理系統，串聯結構通過減少模糊控制規則，從而方便了控制器設計，研究結果顯示車輛行駛在急轉向工況時的控制器性能更好。2017年，清華大學李升波等基于分布式H最優控制方法設計一種魯棒縱向控制器，該系統通過信息交換矩陣的線性變換和特征值分解轉換成一個不確定的、對角非線性系統。并通過與非魯棒性控制器對比，分析設計系統的魯棒穩定性和縱向穩定性。2017年，國防科技大學的黃振華等提出一種參數批量化處理的強化學習算法（PAC）為了獲得自動駕駛車輛的最優縱向控制。該方法的采用actor-critic學習結構，且為了提高學習效率采用最小二乘方法更新參數。通過大量的實車實驗顯示通過強化學習的方法縱向控制性能超過了傳統的縱向控制方法。直接式縱向控制器設計采用自適應控制、PID控制等控制方法，建立一種非線性系統模型。目的為了提高系統的自適應能力，降低參數不確定、非線性等對系統的影響。該設計方法集成度高，但是開發難度高。

分層式

縱向控制分層式控制根據控制目標的不同設計上位控制器和下位控制器，上位控制器是用來產生期望車速和期望加速度，下位控制器根據上位控制的期望值產生期望的油門開度和制動壓力，以實現對速度和制動的分層控制。2003年，東京大學MOmae基于H-infnity魯棒控制方法，設計了前饋/H-infnity反饋縱向下位控制器，該設計克服車輛縱向動力學的參數不確定性以及執行機構產生的系統延時，試驗結果表明所設計縱向下位控制器具有良好的魯棒性和穩定性。2007年，GaoF等構建了多模型分層切換縱向下位魯棒控制方法，主要針對車輛縱向動力學系統中參數不確定和模型不確定，通過實車實驗驗證了方法的魯棒性和擾動抑制能力。

應用發展

2025年左右，CA級智能駕駛乘用車技術將規模化應用，HA級智能駕駛乘用車技術開始進入市場。2030年左右，HA級智能駕駛乘用車技術將規模化應用，典型應用場景包括城郊道路、高速公路以及覆蓋全國主要城市的城市道路。2035年以后，FA級智能駕駛乘用車開始應用。

必威电竞|足球世界杯竞猜平台