自动驾驶的核心技术是什么呀？

精确定位

自动驾驶汽车需要非常精确的定位。除了基于雷达，激光雷达，GNSS和摄像头的普通传感器之外，对于在城市环境中进行自动导航所需的车道级定位来说，轨迹估计也是必不可少的。当前，用于自动驾驶的高精度定位技术主要有以下三种。

其一，基于参考系统信号的绝对定位技术：具有代表性的一种是全球导航卫星系统，以及UWB、WiF、蓝牙等。其二，环境特征匹配，即基于激光雷达和视觉传感器的相对位置，将传感器观察到的特征与数据库中存储的特征进行匹配定位车辆；其三，INS系统提供航迹估计，一种基于惯性导航IMU的组合导航技术。

人机交互

人机交互技术，尤其是触摸屏、语音控制、手势识别技术，在全球未来汽车市场上有较大可能得到广泛采用。自动驾驶汽车人机界面应集成功能设定、车辆控制、信息娱乐、导航系统、车载电话等多项功能，方便驾驶员快捷地从中设置、查询、切换车辆系统的各种信息，从面使车辆达到理想的运行和操纵状态。

当然，人机界面的设计必须在好的用户体验和安全之间做好平衡。随着技术的快速成熟，车载信息显示系统和智能手机将实现无缝连接，人机界面提供的输入方式将会有更多选择的空间，用户能够采取不同操作，在不同的功能之间进行自由切换。

规划决策

决策是无人驾驶体现智能性的核心的技术，相当于自动驾驶汽车的大脑，涉及汽车的安全行驶、车与路的综合管理等多个方面。通过综合分析环境感知系统提供的信息，及从高精度地图路由寻址的结果，规划决策者可以对当前车辆进行速度、朝向等规划，并产生相应的停车、跟车、换道等决策。

与此同时，规划技术还需要考虑车辆的机械特性、动力学特性、运动学特性等。从目前来看，常用的决策技术有专家控制、模糊逻辑、贝叶斯网络、隐马尔科夫模型等。随着5G网络、车辆、路面、云端、平台等各个环节的技术不断成熟，车辆正从辅助驾驶转向自动驾驶，基于自动驾驶的协作式智能交通也日益临近

无人驾驶的核心技术是什么？会带动哪些行业的发展？

目前，世界各国都在积极制定自动驾驶普及路线图，车载激光雷达作为自动驾驶汽车的关键技术，将引来巨大发展。在激光行业，光库科技的口碑不错，高功率保偏器件做得很专业，是全球MOPA光纤激光器核心光器件的主要供应商，助力过“嫦娥三号”登月。无人驾驶这么高端的技术应该找实力很强的品牌来实现。

自动驾驶五大核心技术包括哪些？

一是车联网。在人工智能和以“电、智、网、共享”为代表的新四化驱动下，引领车联网从第一阶段向第二阶段演进。人机交互逐渐延伸到车辆、车辆与通信设施、车辆与路边单元之间的信息交互。其中，V2X无线通信技术可以将“人-车-路-网-云”等交通参与要素有机结合，不仅可以支持车辆获取比自行车感知更多的信息，还可以推动技术的发展和变革。比如自动驾驶应用，也有助于支撑智慧交通体系建设，推动汽车和交通服务向新商业模式方向发展。

二是激光雷达的强度扫描图像。激光雷达有两种基本的成像方式，一种是3D距离成像，大致可以理解为点云；另一种是强度扫描成像，激光被物体反射，根据不同的反射强度值可以得到强度成像图像。.强度值包含在点云中，这是光强度分离的核心技术之一。这种定位方式需要预先制作一个特殊的SLAM系统，称为位姿图像，勉强可以算是激光雷达制作的高清地图。

三是人机交互。人机交互技术，尤其是触摸屏、语音控制、手势识别技术，很可能在全球未来的汽车市场中得到广泛应用。自动驾驶汽车的人机界面应集成功能设置、车辆控制、信息娱乐、导航系统、车载电话等功能，以方便驾驶员快速、快捷地设置、查询、切换自动驾驶汽车的各种信息。车辆系统，使车辆可以面对面使用。达到理想的跑步和机动状态。

四是识别技术。与人眼一样，这款轮式机器人也有自己的眼睛，用于识别道路上的周围车辆、障碍物、行人等。我们眼睛的主要组成部分是眼球，通过调整镜片的曲率来改变镜片的焦距来获得真实的图像。自动驾驶的眼睛是由什么组成的？答案是传感器。包括摄像头、激光雷达、毫米波雷达，以及红外、超声波雷达等。

五是规划决策。决策是无人驾驶体现智能性的核心的技术，相当于自动驾驶汽车的大脑，涉及汽车的安全行驶、车与路的综合管理等多个方面。通过综合分析环境感知系统提供的信息，及从高精度地图路由寻址的结果，规划决策者可以对当前车辆进行速度、朝向等规划，并产生相应的停车、跟车、换道等决策。

无人驾驶汽车的关键技术

总的来说，无人驾驶技术是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体。按照无人驾驶汽车的职能模块，无人驾驶汽车的关键技术包括环境感知、导航定位、路径规划、决策控制等。

1.环境感知技术

环境感知模块相当于无人驾驶汽车的眼和耳，无人驾驶汽车通过环境感知模块来辨别自身周围的环境信息，为其行为决策提供信息支持。环境感知包括无人驾驶汽车自身位姿感知和周围环境感知两部分。单一传感器只能对被测对象的某个方面或者某个特征进行测量，无法满足测量的需要。因而，必需采用多个传感器同时对某一个被测对象的一个或者几个特征量进行测量，将所测得的数据经过数据融合处理后，提取出可信度较高的有用信号。按照环境感知系统测量对象的不同，我们采用两种方法进行检测：

无人驾驶汽车自身位姿信息主要包括车辆自身的速度、加速度、倾角、位置等信息。这类信息测量方便，主要用驱动电机、电子罗盘、倾角传感器、陀螺仪等传感器进行测量。

无人驾驶汽车周围环境感知以雷达等主动型测距传感器为主，被动型测距传感器为辅，采用信息融合的方法实现。因为激光、雷达、超声波等主动型测距传感器相结合更能满足复杂、恶劣条件下，执行任务的需要，最重要的是处理数据量小，实时性好。同时进行路径规划时可以直接利用激光返回的数据进行计算，无需知道障碍物的具体信息。

而视觉作为环境感知的一个重要手段，虽然目前在恶劣环境感知中存在一定问题，但是在目标识别、道路跟踪、地图创建等方面具有其他传感器所无法取代的重要性，而在野外环境中的植物分类、水域和泥泞检测等方面，视觉也是必不可少的手段。

2.导航定位技术

无人驾驶汽车的导航模块用于确定无人驾驶汽车其自身的地理位置，是无人驾驶汽车的路径规划和任务规划的之支撑。导航可分为自主导航和网络导航两种。

自主导航技术是指除了定位辅助之外，不需要外界其他的协助，即可独立完成导航任务。自主导航技术在本地存储地理空间数据，所有的计算在终端完成，在任何情况下均可实现定位，但是自主导航设备的计算资源有限，导致计算能力差，有时不能提供准确、实时的导航服务。现有自主导航技术可分为三类：

相对定位：主要依靠里程计、陀螺仪等内部本体感受传感器，通过测量无人车相对于初始位置的位移来确定无人车的当前位置。绝对定位：主要采用导航信标，主动或被动标识，地图匹配或全球定位系统进行定位。

组合定位：综合采用相对定位和绝对定位的方法，扬长避短，弥补单一定位方法的不足。组合定位方案一般有GPS+地图匹配、6PS+航迹推算、GPS+航迹推算+地图匹配、GPS+GLONASS+惯性导航+地图匹配等。网络导航能随时随地通过无线通信网络、交通信息中心进行信息交互。移动设备通过移动通信网与直接连接于Internet的WebGIS服务器相连，在服务器执行地图存储和复杂计算等功能，用户可以从服务器端下载地图数据。网络导航的优点在于不存在存储容量的限制、计算能力强，能够存储任意精细地图，而且地图数据始终是最新的。

3.路径规划技术

路径规划是无人驾驶汽车信息感知和智能控制的桥梁，是实现自主驾驶的基础。路径规划的任务就是在具有障碍物的环境内按照一定的评价标准，寻找一条从起始状态包括位置和姿态到达目标状态的无碰路径。

路径规划技术可分为全局路径规划和局部路径规划两种。全局路径规划是在已知地图的情况下，利用已知局部信息如障碍物位置和道路边界，确定可行和最优的路径，它把优化和反馈机制很好的结合起来。局部路径规划是在全局路径规划生成的可行驶区域指导下，依据传感器感知到的局部环境信息来决策无人平台当前前方路段所要行驶的轨迹。全局路径规划针对周围环境已知的情况，局部路径规划适用予环境未知的情况。

路径规划算法包括可视图法、栅格法、人工势场法、概率路标法、随机搜索树算法、粒子群算法等。

4.决策控制技术

决策控制模块相当于无人驾驶汽车的大脑，其主要功能是依据感知系统获取的信息来进行决策判断，进而对下一步的行为进行决策，然后对车辆进行控制。决策技术主要包括模糊推理、强化学习、神经网络和贝叶斯网络等技术。

决策控制系统的行为分为反应式、反射式和综合式三种方案：反应式控制是一个反馈控制的过程，根据车辆当前位姿与期望路径的偏差，不断地调节 方向盘 转角和车速.直到到达目的地。反射式控制是一种低级行为，用于对行进过程中的突发事件做出判断，并迅速做出反应。

综合式控制在反应层中加入机器学习模块，将部分决策层的行为转化成基于传感器的反应层行为，从而提高系统的反应速度。

无人驾驶的核心是什么？是如何运行的？

4级或5级的自主驾驶很难有一个明确的标准来定义，自主驾驶应该不复杂。自动驾驶其实涉及三个问题:一、我在哪里？第二，我要去哪里？第三是怎么去。这三个问题的完整解决方案就是真正的自动驾驶。所以特斯拉升级的8000美元自动驾驶2.0只有部分线控功能，并不是真正的自动驾驶。福特、百度、谷歌做的都是真正的自动驾驶，远超特斯拉，两者差别巨大。

第一个问题是定位，自动驾驶需要厘米级定位。

第二个问题是路径规划。第一层是点对点非时间依赖的拓扑路径规划，第二层是实时毫秒避障规划。第三层是将规划分解为纵向(加速度)和横向(角速度)规划。

第三个问题是车辆执行机构执行垂直和水平规划，即线控系统。

目前自动驾驶的技术基本上来自机器人，自动驾驶可以看成是轮式机器人加舒适的沙发。定位和路径规划是机器人系统中的一个问题。没有本土化，就无法规划路径。厘米级实时定位是目前自动驾驶面临的最大挑战之一。对于机器人系统，定位主要依靠SLAM和Prior Map的交叉比较。SLAM是同时定位和测绘的缩写，意思是“同时定位和测绘”。指的是在根据传感器的信息计算自身位置的同时构建环境地图的过程。目前SLAM主要应用于机器人学、虚拟现实和增强现实。它的应用包括定位传感器本身，以及后续的路径规划和场景理解。

随着传感器类型和安装方式的不同，SLAM的实现和难度会有很大的差异。根据传感器，SLAM主要分为两类:激光和视觉。其中激光SLAM研究较早，理论和工程都比较成熟。目前(2016年)视觉方案还处于实验室研究阶段，商用产品应用在室内和低速都是没有用的，更何况高速运动的室外环境远比室内复杂。单从这一点来看，激光雷达是自动驾驶必不可少的传感器。

自1988年提出SLAM研究以来，已经过去了近三十年。早期的SLAM研究侧重于使用过滤理论。21世纪后，学者们开始借鉴SfM(从运动到结构)，基于优化理论解决SLAM问题。该方法取得了一定的成果，在可视化SLAM领域取得了主导地位。人们有时会混淆SLAM和视觉里程表的概念。应该说，视觉里程表是视觉SLAM的一个模块，旨在增量估计相机运动。然而，一个完整的SLAM还包括添加循环检测和全局优化，以获得准确和全局一致的地图。目前，用于视觉传感器的开源SLAM算法主要分为三类，即稀疏方法，也称为特征点方法。密集法，主要是RGB-D，半密集法是目前最热门的领域，广泛应用于单目和双目。激光SLAM的主要方法有Hector、Gmapping、Tiny。

机器人定位有三种常见的类型:相对定位、绝对定位和组合定位。自动驾驶一般采用组合定位。首先，本体感受传感器如里程计和陀螺仪测量相对于机器人初始姿态的距离和方向，以确定机器人的当前姿态，这也称为轨迹估计。然后使用激光雷达或视觉感知环境，使用主动或被动识别、地图匹配、GPS或导航信标进行定位。位置的计算方法包括三角测量、三边测量和模型匹配算法。从这个角度来说，IMU也是自动驾驶必不可少的一部分。

同时，机器人定位实际上是一个概率问题，所以机器人定位算法有两个流派，一个是卡尔曼滤波，一个是贝叶斯推理。有扩展卡尔曼滤波器(EKF)、卡尔曼滤波器(KF)和无迹卡尔曼滤波器(UKF)。另一种是基于贝叶斯推理的定位方法。网格和粒子用于描述机器人位置空间，递归计算状态空间中的概率分布，如马尔可夫定位(MKV)和蒙特卡罗定位(MCL)。

在地图匹配中，必须有一个优先地图与之比较。这张地图不一定是厘米级高精度地图。有必要谈谈地图，它可以分为四类，即度量、拓扑、传感器和语义。我们最常见的地图是语义级地图。无人驾驶不是导弹。一般输入目的地应该是语义层面。毕竟人类的交通方式是语义层面，不是地理坐标。这是机器人和无人驾驶的区别之一。机器人一般不考虑语义，只需要知道自己在坐标系中的位置。全球定位系统提供全球坐标系的度量。未来，V2X将提供雷达和视觉探测距离(NLOS)之外的特定物体(移动的行人和汽车)的地图，或V2X地图。目前国内处于研究阶段的无人车大多采用GPS RTK定位，必须配合厘米级高精度地图才能获得语义信息，不可能做到真正的无人。