陈 筱， 朱向冰

（安徽师范大学物理与电子信息学院， 安徽 芜湖241000）

自动驾驶是指能够协助驾驶员转向和保持在道路内行驶，实现跟车、制动和变道等一系列操作的辅助驾驶系统，驾驶员能随时对车辆进行控制，并且系统在一些特定的环境下会提醒驾驶员介入操控。人工智能技术（AI） 是一门研究模拟、延伸和扩展人类智能的理论、方法和技术的科学，由深度学习、语音识别和机器视觉等领域组成。随着AI不断应用于自动驾驶汽车，汽车行业将迎接更广阔的发展前景。

1 自动驾驶的技术架构

自动驾驶需要多种技术的支撑，其中主要涉及到传感器、高精度地图、V2X、AI算法，并且需要将这些技术集成到汽车中。

自动驾驶技术在车道、车距、路障等方面的依赖程度更高，为了实现决策的安全性，甚至需要实现厘米级的精准程度。由于各个传感器有各自的局限性，单一的传感器难以满足各种工况下精确感知的需要，为了能够在各种环境下平稳地运行，需要利用多传感器融合技术［1］。高精度地图则可以通过准确的车辆定位，实现车辆准确还原在不断变化的立体交通环境中。V2X是指汽车与道路上的移动交通控制系统实现交互的技术，X可以是车辆、红绿灯、路标等，也可以是云端数据库［2］。算法是自动驾驶技术的核心部分。随着近些年机器学习的不断发展，很多研究学者不断将机器学习应用到自动驾驶中。数据是机器学习算法的基础，不断地训练和优化算法，车辆将能准确识别周围信息并规划路线，实现自动驾驶。

实现自动驾驶技术一般需要三大系统［3］，在这三大系统中集成了传感器、高精度地图、V2X、AI算法等技术。三大系统分别是感知系统、决策系统和控制执行系统，根据信息的流向，相应地也划分为感知层、决策层和控制执行层。三个系统都离不开人工智能技术的基础，具体结合见图1。

图1 自动驾驶实现流程图

2 感知系统

感知系统是实现自动驾驶的前提和基础，自动驾驶汽车的感知系统中常配备多种传感器［4］，如视觉传感器、毫米波雷达、激光雷达、超声波雷达，也采用车联网技术［5］和语音控制技术等。

2.1 雷达和视觉传感器

激光雷达是自动驾驶不可或缺的传感器。激光雷达指工作在红外和可见光波段的，以激光为工作光束的雷达。激光雷达是向目标发射探测信号，然后将接收到的从目标反射回来的信号与发射信号进行比较，作适当处理后获得目标的有关信息［6］。毫米波的频率大致范围是10～200GHz，非常适合车载领域。超声波雷达常常被用到倒车辅助系统中，告知驾驶员周围障碍物的情况，解除驾驶员倒车时的视野死角，提高驾驶安全性。汽车通过视觉传感器能够清楚地辨识物体，准确理解交通信号灯、标识及车道所表达的含义。大多数视觉传感器识别可见光图像，也有部分传感器识别红外光的图像。表1总结了以上几种传感器的优缺点。

表1 各种传感器性能比较

2.2 其它感知技术

常见的卫星定位系统包括GPS 系统、北斗系统、GLONASS系统、伽利略卫星系统，在车载系统中主要用于导航。通过车联网，可以获取到临近车辆的状态和它们感知的信息，实现人、车、路、环境之间的智能协同。5G技术有助于保证汽车在高速移动过程中与周围事物进行数据通信时的稳定性，当一个网络接入点发生故障时，5G能立即切换到另一个备用的网络接入点以保证像汽车这种高速移动终端永不断网。语音控制是一种方便的人车交互方式，驾驶员在平视的情况下能够全方位发出和接收声音资源，语音在驾驶过程中由于不占用太多的注意力资源而具备较大优势。

2.3 数据融合

自动驾驶所应用的各种雷达和机器视觉在环境感知中具有各自的优势［7］，但若单独使用它们作为车辆检测的传感器时，其缺陷导致其无法胜任准确感知的要求。数据融合就是将不同传感器数据进行智能化合成，实现不同信息源的互补性、冗余性和合作性，从而做出更好、更安全的决策。

文献［8］中提出了一种基于DBN （deep belief network）深度置信网络的多传感器融合的前方车辆检测方法，通过摄像头和毫米波雷达的信息融合完成环境感知［8］。文献［9］中提出了一种生成雷达目标感兴趣区域的方法，将毫米波雷达和机器视觉传感器信息融合来实现障碍物检测［9］。文献［10］中提出一种在主动防碰撞系统中采用视觉和毫米波雷达数据信息融合行人识别算法来识别行人的算法，对不同姿态行人和不同工况下的行人有较高的正确识别率［10］。然而这些算法主要是对雷达和视觉传感器的信息融合，在自动驾驶技术中还需要将自身车辆的信息、通过车联网获取的周围车辆的信息与雷达、视觉传感器的信息进行融合，并将融合后的信息发送给决策系统。

3 决策系统

自动驾驶决策系统具有3个关键功能，分别是任务决策、轨迹规划和异常处理［11］。其中，任务决策功能完成自动驾驶汽车的路径规划任务；轨迹规划功能在不同的局部环境下，进行运动轨迹状态规划；异常处理功能负责故障预警和预留安全机制。

任务决策使自动驾驶的汽车融入整个交通流。自动驾驶中任务规划结构描述了道路、车道和行驶三级任务分工，在道路级进行全局的任务规划，当探测到道路阻塞时，要求重新规划任务，并做分解调整。

轨迹规划是根据局部环境信息、上层决策任务和车身实时状态信息［12］，规划决策出局部空间和时间内车辆期望的运动轨迹，并将规划输出的期望车速以及行驶轨迹等信息给下层车辆控制执行系统。轨迹规划层应能对任务决策层产生的各种任务分解做出合理规划。

异常处理作为预留的智能驾驶系统安全保障机制，一方面是在遇到复杂路面容易造成车辆损坏、部件失效等问题时，通过预警和容错控制维持车辆安全运行；另一方面是决策过程某些算法参数设置不合理、推理规则不完备等原因导致自动驾驶汽车在行为动作中出现某些错误时，能够建立错误修复机制使自动驾驶汽车自主地修正错误，以减少人工干预来解决问题，这是提高车辆智能化水平所必需的。

无人驾驶的决策系统已经一定程度地解决了特定车辆在各种道路环境中行驶的决策问题，各种有效的算法仍然需要不断地研究与探索，使得决策系统能更加智能地完成自动驾驶的行为决策。

4 控制系统

控制系统主要包括2个模块：控制模块和执行模块［13］。其中控制模块主要负责将决策系统的输出信息转换为各个执行模块的控制指令，执行模块在接收到指令之后，根据指令准确地控制各个底层对象 （转向、制动、油门、挡位）［14］。在自动驾驶技术中，控制模块和执行模块目前都比较成熟，也不是研究的重点和热点。

5 人工智能技术在自动驾驶中的应用

人工智能在自动驾驶中有广泛的应用，并具有诸多的优点。在自动驾驶中，采用人工智能技术规划路线，有效提升了交通效率，实现更加便利的交通。通过汽车与周边交通环境如红绿灯、路况监控摄像头、停车场等物联网数据融合，再结合人工智能技术进行实时处理，降低了驾驶员的劳动强度和人力资源成本，并且随着人工智能技术越来越成熟，误操作的可能性会越来越小，安全性越来越高。基于人工智能的自然语言理解技术可以更好地响应驾驶员和乘客的指令，便于用户使用车辆。通过人工智能技术还可以根据用户的习惯调整车辆状态，如空调、音响、座椅、车内灯光等，提高驾乘舒适性，提升用户与汽车环境的交互体验，使人们的出行成为一种享受。

当前在自动驾驶中人工智能技术尚不成熟，由于信息开放带来的安全隐患给自动驾驶汽车发展造成的阻碍难以避免；道路基础设施建设与自动驾驶汽车发展缺少统筹；自动驾驶汽车还难以安全可靠地适应复杂的交通道路；适用于自动驾驶的交通安全法及其实施条例、相关机动车行驶的技术标准缺失，其制定还面临诸多不确定性。

6 结束语

本文介绍了自动驾驶技术，阐述了自动驾驶中的三大系统以及人工智能在各个系统中的应用，最后描述了人工智能应用在自动驾驶的优势与挑战。

自动驾驶的出现将从根本上改变传统汽车的控制方式，在交通系统的安全性、通行效率、舒适性等多个方面有了较大优势。从辅助驾驶到完全实现无人驾驶，不仅需要不断完善人工智能技术，还需要完善相关法规、基础设施，改进网络安全技术等。随着这些技术、法规、设施不断地完善、进步，自动驾驶一定会成为人们依赖的出行方式。