在首钢冬奥园区打车是怎样的体验？
据悉，百度Apollo Moon无人驾驶汽车将会在北京2022冬奥会期间为首钢园内的运动员、冬奥组委工作人员提供接驳服务。目前首钢园内设置了3个无人驾驶汽车站点，用户通过百度ApolloGO App预约乘车【1】。百度Apollo GO“共享无人车”运营路线途经首钢园区场馆区、工作区、停车场、咖啡厅、酒店，可满足用户绝大部分休闲、办公出行需求【2】。接下来，就让我们点击下方视频，一起体验一下吧~
自动驾驶，助力智慧出行
01
自动驾驶汽车概述
或许我们对“自动驾驶汽车”一词并不陌生。简单的说，自动驾驶汽车(Autonomous vehicles)就是一种通过智能系统实现无人驾驶的智能汽车，该系统能模拟人在驾驶汽车时的作用，从而实现驾驶汽车部分或完全自动化。自动驾驶汽车在20世纪已有数十年的历史，进入21世纪后，随着消费者对安全舒适性需求的日益增长以及政府相关法规政策的不断健全，自动驾驶汽车的市场需求不断提升，已经成为了其大规模商业化的主要驱动力。而随着V2X (vehicle-to-everything)网联、人工智能(artificial intelligence, AI)等高新技术的不断发展，使得自动驾驶汽车的实现逐渐变为可能，呈现出接近实用化的趋势【3,4】。
早在1939年美国通用汽车(general motor , GM)公司在纽约世界博览会上首次展出了Futurama无人驾驶概念设计，但由于技术条件的限制，自动驾驶的概念还仅存于设想之中。直至1984年，卡耐基梅隆大学(Carnegie Mellon University, CMU)才研制了全球首辆真正意义上的无人驾驶车辆，21世纪后，美国国防部先进研究计划局(Defense Advanced Research Projects Agency, DARPA)举办的Grand Challenge与Urban Challenge挑战赛，是无人驾驶发展史上里程碑事件，掀起了无人驾驶技术研发的热潮，企业、高校、科研机构、投资商等都纷纷加入到自动驾驶的浪潮之中，资本和人才迅速在该领域聚集，下图展示了2009年至2019年十年间自动驾驶汽车发展的标志性事件，其中“Apollo（阿波罗）”是百度发布的向汽车行业及自动驾驶领域的合作伙伴提供的软件平台，北京用户可以在百度地图及Apollo官网上预约体验Robotaxi。2020年10月11日起，百度自动驾驶出租车服务在北京全面开放，北京的朋友们可在北京经济技术开发区、海淀区、顺义区的数十个自动驾驶出租车站点，无需预约，直接下单免费试乘自动驾驶出租车服务【3,4】。
国内外自动驾驶汽车的标志性事件
随着自动驾驶汽车的发展，不同机构研发的自动驾驶汽车中人介入程度和自动化程度也不同，于是美国汽车工程师学会(Society of Automotive Engineers , SAE)制定的自动驾驶等级划分标准关于智能驾驶的智能化等级划分[5]，如下图所示，其中百度Apollo属L4级。
自动驾驶分级表
02
自动驾驶的关键环节
为了实现高级别的自动化驾驶，需要在各方面模拟人驾驶机动车时的状态，同时保证系统的可靠性。自动驾驶垂直化过程如下图所示，可展开为感知、认知、决策规划、控制、执行5层，关键技术涉及汽车、交通、电子、控制、车联网、信息安全、机器视觉等多个学科领域。
自动驾驶系统结构图
（1）环境感知与认知
环境感知是自动驾驶系统的“感受器”，机动车通过装载视觉、雷达等传感器，获取周围的环境数据，再通过环境认知方案识别障碍物、车道线、信号灯等环境信息，目前主流的环境感知与认知方案如下表所示。
环境感知与认知方案
由上表可知，目前国内外多采用以激光雷达为主、多传感器辅助融合的方式进行环境感知与认知，这种方式虽然会导致系统冗余，但其安全性和可靠性会大大提升。其中激光雷达主要用于周围障碍物目标识别和环境地图构建，其他传感器作为补充传感器，如摄像头用于特定目标障碍物识别、车道线检测和交通标志识别等；毫米波雷达用于中短程目标的检测和避险，补充激光雷达的盲点；超声波雷达用于近距离的避障和空间探测[5]。
（2）决策与规划
决策与规划是自动驾驶系统的“中枢神经”，它需要综合场景认知、先验知识、全局规划、人机交互等信息，在保证行车安全的前提下，尽可能地适应实时工况，做出舒适友好、节能高效的决策。随着人工智能的发展和人工智能与自动驾驶的深度融合，越来越多的决策与规范方法被应用于自动驾驶中，如决策树、深度学习、增强学习等。
自动驾驶决策框图
（3）控制与执行
控制与执行是自动驾驶系统的“效应器”，车辆的控制和执行硬件系统已较为完备，主要包含油门、制动、转向机构等，其作用是按照决策和规划环节的结果控制车辆运动，在满足一定设计需求（如追踪性、舒适性、经济性、安全性等）基础上使得实际轨迹收敛于决策层规划的期望轨迹。
03
激光雷达——自动驾驶汽车的“眼睛”
目前大部分自动驾驶汽车都采用以激光雷达为主的环境感知方案。激光雷达是以发射激光束探测周围物体特征量的雷达系统。其工作过程是在快速旋转（10Hz左右）中向周围目标发射许多组探测信号（激光束），然后将接收到的从目标反射回来的信号（目标回波），其扫描一次的结果为密集的点构成的点云。点云信息通过适当地信号处理，就可获得周围目标的信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数，进而对周围环境进行三维重建[6]。
常见的激光雷达[7]
激光雷达主要由激光发射机、光学接收机、转台和信息处理系统等组成，激光器将电脉冲变成光脉冲发射出去，光接收机再把从目标反射回来的光脉冲还原成电脉冲，送到信息处理系统中，电机转动使得转台带动发射机和接收机旋转，控制扫描速度。
旋转式激光雷达Velodyne HDL 64-E结构图[8]
激光雷达获取点云数据的方法有许多种，常见方法是飞行时间（TOF）法，激光器发射一个激光脉冲，并由计时器记录下出射的时间，回返光经接收器接收，并由计时器记录下回返的时间。两个时间相减即得到了光的“飞行时间△t”，而光速c是一定的，因此在已知速度和时间后很容易就可以计算出距离r=c*△t/2。
飞行时间法（TOF）工作原理
在获取点云数据后，即可对点云数据进行处理：通过滤波消除原始点云数据中的散列点、孤立点，在进行配准后获取点云关键点，对特征进行提取和描述，最后进行环境的三维重建。
基于激光雷达的三维重建
04
语义分割算法——自动驾驶汽车的“大脑”
语义分割是自动驾驶场景理解和分析的基础，其目标是将场景中的每个扫描点进行分类，从而将场景中的点云根据他们的语义分至若干个具有特定语义类别的子集。语义分割方法分为传统方法和基于深度学习的方法。传统点云语义分割方法包括基于投影的点云分割方法和基于统计分析的点云分割方法（属性聚类、模型拟合、区域增长）。基于深度学习的点云语义分割方法包括基于直接点云网络的分割方法（逐点MLP法、点卷积方法、循环神经网络法、图方法）和基于投影的分割方法（多视图投影表示、球面投影表示、体素表示、四面体晶格表示、融合表示）[15]。
点云语义分割算法标注结果
（来源：元戎启行官网）
阿里达摩院3D点云语义分割算法
当前已发展出众多的点云语义数据集，用于测试不断推陈出新的点云语义分割算法。目前的三维点云数据集分为4类：RGB-D数据集、静态点云数据集、点云序列数据集、合成点云数据集。RGB-D数据集由类似于Kinect的RGB-D相机采集，但很难在室外场景中获得高质量的数据，例如NYU-Depth V2数据集。静态点云是由激光扫描仪采集的离散的、独立的、没有动态对象的点云，既适用于室内环境也适用于室外环境，如Paris-Lille-3d数据集。点云序列数据集则是通过移动的激光雷达采集的，每帧激光点云都是稀疏的，例如最常用的KITTI数据集。合成点云数据集是在虚拟环境中合成的点云数据，如SynthCity数据集。2020年5月8日，在自动驾驶权威数据集Semantic KITTI上，阿里达摩院凭借全新算法在“单帧3D点云语义分割”排行榜获得第一。该技术用于达摩院的无人物流车后，大幅提升了车辆的环境精细化理解能力，使车辆能够识别“厘米级”障碍物[16]。
现有的三维点云数据集[15]
05
智能网联——未来的交通
虽然自动驾驶汽车解放了人类的“双手”，改善了人们的驾车体验，但依然无法避免如交通拥堵，这会大大影响出行体验、制约城市发展、增加环境污染[9]，从而使得自动驾驶变得“鸡肋”。自动驾驶的实现标志着机动车实现个体智能，但个体智能相加并不是群体智能，而需要各智能体间、智能体与外界间交互、协同。初步智能化解决方案如利用城市监控检测实时交通、智能交通设施（交通灯、指示牌等）控制车流等，已经向智能化做出一些探索，但目前存在检测数据不够全面，不能作为强依赖数据做决策，可控设施太少等问题，许多交通信息无法及时获取，获取数据方法仅为监控、雷达等有限方法，决策“大脑”不够智能，面对未来大量的交通数据处理能力不足，可控制的设施如交通灯、指示牌、阻拦杆等仅能被动得引导交通情况，机动车本身依然具有主观决策因素无法强干预，仅能通过网络以讯息的方式提醒机动车驾驶者改变决策[10]。
综上所述，出行体验的改善不仅需要自动驾驶的实现，更需一种集检测、决策、控制于一体，系统、实时、鲁棒、智能的交通拥堵解决方案，智能网联交通表现出其强大的竞争力。
随着大数据、云计算、物联网、移动通信、人工智能、测控技术等发展，其在交通领域的应用也越来越广泛，近些年来，车联网（IOV，Internet of Vehicles）、智能汽车（Intelligent Vehicles）、智能网联车（ICV，Intelligent Connected Vehicle）、车路协同系统（CVIS，Cooperative Vhicle Infrastructure System）、车路协同通信（V2X，Vehicle to Everything）等概念被逐步提出，从早期的车通过移动通信设备与互联网实现信息交互，车联网逐步实现，搭载各种先进传感器、控制器和执行器实现环境感知、状态监测、自动驾驶等复杂功能，智能汽车的概念也逐渐被人们接受，由此结合而产生的智能网联汽车已经在许多品牌的工厂中落地实现，至此，交通系统中的主体“车”已经实现了初步的智能化；为更加深度地解决交通问题，车与车、人、基础设施等之间的通信和协同被视为重要的发展方向。
因此，智能网联交通应运而生[11]，其被视作智能交通系统发展的目标和方向。智能网联交通就是运用各项先进技术[12,13]，形成包含交通检测、决策、控制、通信的协同联控制系统，纵观整个系统的发展。
智能网联交通系统[14]
智能网联交通的主要内容为一个目标、两个维度、三个阶段和四项关键技术。
一个目标：交通系统的各主体（机动车、行人、自行车等）有序、快速地通过各交通要素（道路、交叉路口、卡点等），保证总交通效率（时间短、速度快、能耗低）最高。
两个维度：包含“智能”和“网联”两个重点模块。“智能”化赋能各项关键技术，为智能网联交通的实用化提供基础，“网联”化强调通信功能，即信息交互为交通网络形成做好铺垫，“智能”和“网联”相辅相成，相互促进，助力交通发展。
三个阶段：智能网联交通的三个重要阶段为：感知、管理和网联，通过各类传感器获取全面的交通数据，通过智能算法规划、管理、决策各要素，通过通信实现网联，各要素间信息交互，实现车与X（人、路等）协同。
V2X（vehicle to everything）通信场景
四项关键技术：智能网联交通是综合性的超大系统，其数据量大，要速度，要维持系统的正常、安全运转，需要多项核心技术支撑，主要包括外部环境感知技术、车辆自主决策技术、控制执行技术、车路协同技术等4类，人工智能赋能了各项技术的发展。
06
自动驾驶产业化进程
（1）产业链
产业链上游——
感知层：L3级以上激光雷达应用将逐渐增加，并最终在L4级以上自动驾驶汽车中成为核心。传感器。激光雷达目前产能稀缺，对下游有很强的定价权。目前车载激光雷达龙头厂商市占率还相对较小。激光雷达行业技术壁垒高，目前行业内主要的激光雷达公司基本都在国外，包括Velodyne、Luminar、Aeva、Ouster、Innoviz等。2016年后国内激光雷达厂商入局，主要玩家有速腾聚创、禾赛科技等公司，成本有望大幅度降低。
传输层：通信芯片（主流为华为双模通信芯片Balong765等）和无线通信技术（DSRC（专用短距离通信）日本美国主导，5G技术的C-V2X（蜂窝车联网）中国主导）。
决策层：主要增量来自自动驾驶AI芯片（市场集中度较高，CR4为43%，主流为恩智浦、英飞凌，未来随着大量巨头进入将形成多头竞争）和高精度地图（百度、高德、四维图新三家鼎立）。
执行层：技术主要掌握在国外Tier1及主机厂手中。
产业链中游——
平台层：无论是传统国际品牌，还是造车新势力和国内自主品牌，在智能座舱上都积极布局，近一两年都有产品完整产品落地。TSP是产业链中潜在利润空间最大的环节，TSP拥有整个链上最核心的大数据资源，TSP目前主要由整车厂主导和互联网及科技公司主导两种模式，市场竞争激烈。
产业链下游——
整车：新兴车企（蔚来、零跑、理想、小鹏、奇点等）具备后发优势，在研发方面普遍优于传统车企。传统整车厂商（一汽、广汽、北汽、长安、吉利、奇瑞等）多数选择以收购或战略合作的方式与科技企业共赢。
自动驾驶产业链全解析（来源：国金证券）
（2）市场规模和增长前景
中国可能是全球最大的自动驾驶市场，到2030年，自动驾驶汽车总销售额将达2300亿美元，基于自动驾驶的出行服务订单金额将达2600亿美元。如果把目前中国的网约车市场完全替代掉，那么Robotaxi将是一个6万亿美元的市场。自动驾驶行业中，决策软件的市场增长率均高于行业平均增长率；L2&L3解决方案市场规模增长加速，L4&L5解决方案市场规模预计2025-2030年迎来爆发性增长。
2020-2025自动驾驶各细分领域市场规模估计（数据来源：东吴证券）
2020-2030年L2及以上级别自动驾驶汽车销量及市场规模（数据来源：电子发烧友网）
07
结语
随着人工智能技术的迭代和发展，不同成熟级别的自动驾驶逐渐从科幻电影走向现实。未来随着感知算法的逐渐提升和感知设备的不断改进，《我，机器人》电影里那辆能在各种道路上自由驰骋的奥迪RSQ将不再遥远。
作者简介
王嘉清，清华大学水利水电工程系 2020级博士研究生，主要研究方向为水资源管理
曹智超，清华大学深圳国际研究生院2021级硕士研究生，主要研究方向为机器人建图和路径记录研究
参考文献
【1】https://www.sohu.com/a/494724599_121207965
【2】https://baijiahao.baidu.com/s?id=1699000781955673399&wfr=spider&for=pc
【3】https://baike.baidu.com/item/%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E6%B1%BD
%E8%BD%A6/4881925?fr=aladdin
【4】章军辉,陈大鹏,李庆.自动驾驶技术研究现状及发展趋势[J].科学技术与工程,2020,20(09):3394-3403.
【5】陈颖.自动驾驶技术研究现状及发展趋势[J].能源技术与管理,2021,46(03):34-37.
【6】https://baike.baidu.com/item/%E6%BF%80%E5%85%89%E9%9B%B7%E8%BE%BE/237
4379?fr=Aladdin
【7】http://wx.cheyun.com/content/21319
【8】杨永光. 基于点云的目标检测方法研究[D].南京邮电大学,2020.DOI:10.27251/d.cnki.gnjd
c.2020.001110.
【9】陈孟军. 智能网联汽车(ICV)技术的发展现状及趋势 [J]. 时代汽车, 2021, (22): 8-9.
【10】钱志鸿, 田春生, 郭银景, et al. 智能网联交通系统的关键技术与发展 [J]. 电子与信息学报, 2020, 42(01): 2-19.
【11】冉斌, 谭华春, 张健, et al. 智能网联交通技术发展现状及趋势 [J]. 汽车安全与节能学报, 2018, 9(02): 119-30.
【12】钱志鸿, 王义君. 物联网技术与应用研究 [J]. 电子学报, 2012, 40(05): 1023-9.
【13】谷渊. 面向物联网的无线传感器网络综述 [J]. 信息与电脑(理论版), 2021, 33(01): 194-6.
【14】http://www.autor.com.cn/special_category/1.jspx
【15】钟泽宇. 基于激光雷达点云的自动驾驶场景语义理解方法[D]. 中国科学技术大学.
【16】https://baijiahao.baidu.com/s?id=1666096849227072632&wfr=spider&for=pc
文稿 | 王嘉清 曹智超
编辑 | 任万洲
审核 | 陈星安 李 波 蔡世杰