最近上映的《速度与激情8》中有一段非常精彩的无人驾驶汽车片段，看得很多人都热血沸腾。有人开始担心无人驾驶汽车将成为恐怖分子的新型武器，就如同速8中的塞弗一样，通过无线网络，入侵无人驾驶汽车的电脑...

　　尽管这一幕非常恐怖，但是在全球科技巨头的全力推动下，无人驾驶技术发展迅猛，短时间内无法“悬崖勒马”，那我们今天就来聊聊无人驾驶汽车的九大核心技术。

　　无人驾驶产业链分解

　　实现无人驾驶有两条基本路径：一是单车智能化实现无人驾驶。就是车辆本身通过感知、传递与分析、控制来对环境进行反应。二是通过车与车、车与交通联网智慧交通规划来实现无人驾驶。前者是以ADAS 的使用为基础，后者是以车联网为基础的。

　　单车智能的实现形式是包括三个层次。分别是传感即为环境感知，控制还有执行。形象的类比到人的话传感就是人的眼。 ADAS 高级辅助驾驶即是在提高单车智能。

　　传感：如人眼般对环境得到感知。车的感知是通过传感器得以实现的，图像摄像头、激光传感器、毫米波雷达等设备使汽车可以感知图像、距离、夜景等多种功能。

　　控制：将得到的信息进行分析并做出决策。处理阶段可以分为两部分析和决策。传感器传来的只是图像、 距离信息等数据流，通过算法将图像中车辆、行人、道路等甄别出来， 将距离配合车速得到碰撞可能的概率等是进行分析。对分析得到的结果进行决策， 是否应该预警、降低车速等。

　　执行：执行部分，电控转向、油门、刹车可以融合传统车身控制系统实现辅助驾驶，也是对前两步的补充。

　　车联网：V2V(车车通讯)、V2I(车与基础设施通讯)的加入使得车与车之间的协作更加有效，对道路的通讯能及时了解交通信号灯等变化做出反应。车际网能使车辆了解附近的位臵信息和速度信息以及道路的交通状况。这样减少了车辆自身对周边环境的感知。

　　ADAS：无人驾驶的必经之路

　　高级驾驶辅助系统(Advanced Driver Assistant System)，简称ADAS，是利用安装于车上的各式各样的传感器， 实时收集车内外的环境数据， 进行静、动态物体的辨识、侦测与追踪等技术上的处理， 从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性。我们认为，ADAS 是实现单车智能化的一个必要环节。

　　高级辅助驾驶系统(ADAS)先行，加上车联网(V2X)将共同实现智能网联汽车。在行驶过程中，智能网联汽车不仅要实现无人驾驶，而且还要与周围环境、车辆、路况进行实时交互;因此，单车智能化与网联化的结合成为实现智能网联汽车的技术路线。单车智能化主要依靠高级辅助驾驶系统(ADAS)来逐步提高汽车智能化，博世、大陆和德尔福已经开始为高端汽车提供可靠性产品，具备产业化基础。最近产业催化剂不断，工信部即将发布智能网联汽车发展技术路线图;3GPP 加快车联网LET-V 通讯标准统一，消除V2X 推广最大障碍;4G 网络的快速推广，5G 网络通讯技术快速实现突破，我们预计V2X 将迎来产业变革拐点。

　　2014 年，中国前装市场ADAS 新车渗透率在15%左右，主要集中在法规较为严格的美系、德系中高端车型市场。随着国内法规进一步健全，市场对于ADAS 需求的日益严格，前装市场迎来渗透率大爆发，保守预计新车渗透率增速30%，汽车销量年增速4%。根据中国产业信息报告数据，受整车销量、渗透率两方面因素驱动，预计至2020 年，中国ADAS 市场可实现500 多亿元的市场规模，年复合增速近30%。

　　中国ADAS 市场有较大提升空间。ADAS 在中国新车的渗透情况与市场地位极不相符，较欧美地区渗透率和渗透率增速都处于较低位臵，仍有较大的发展潜力。

　　高精度地图：无人驾驶的必要条件

　　高精度地图：厘米级精确度。(1)传统ADAS 地图(精确度只有1-10m 的级别)：只记录高精道路级别的数据：道路形状、坡度、曲率、铺设、方向等。

　　(2)高精度地图(精确度厘米级别)：不仅增加了车道属性相关(车道线类型、车道宽度等)数据，更有诸如高架物体、防护栏、树、道路边缘类型、路边地标等大量目标数据。高精度地图能够明确区分车道线类型、路边地标等细节。在它的帮助下，即使是十分恶劣的天气，无人汽车也能完成高速行进中的变道超车、上下匝道等“高难度动作”。我们认为高精度地图将成为无人驾驶汽车的必备与传感器互相补充，为无人驾驶提供安全保障。

　　无人驾驶的安全保障。前不久谷歌出现首例由于无人车自身失误而导致的事故，其中很大一部分原因可能来自于传感器和控制系统的失误，而完善的高精度地图技术则很有可能大大地改善当前的状况。如果说传感器是无人驾驶汽车的眼睛，那么高精度地图就是无人车的记忆，我们认为高精度地图将成为无人驾驶汽车的必备，与传感器互相补充为无人驾驶提供安全保障。

　　产业链状况。高精度地图和普通电子地图产业链基本一致，从资源获取到制作再到最后的应用。但具体的每个环节与普通电子地图仍有较大差别，如在应用方面也，高精度地图目前主要定位于车载导航及交通信息现实，而电子地图还集成了LBS 等服务。

　　对于地图厂商来说，底层数据才是真正的命脉。没有数据，再好的服务也出不来。采集的主要信息是道路的行驶规则、方向、限速、路口形状、行车引导线、到达坐标等信息以及道路周边的餐饮、酒店、商场、加油站、停车场等兴趣点(POI)信息。Here 的采集车的激光雷达可以每秒钟采集70 万点云数据。

　　采集车的激光雷达运作时，只需进行非接触扫描可以在短时间内获取物体和环境空间点的三维数据和信息，由于收集的数据是以点的形式组成，所以这些数据被称作点云数据，其最大的特点是可以进行后期的处理，依靠获取的数据便能够建立完整的三维立体模型，而如今随着商用GPS 及IMU(惯性测量单元)的发展，通过LIDAR 从移动平台上获得高精度的数据已经成为可能并被广泛应用。

　　主流的测绘方法。高精度地图的数据测量以及制作与传统的电子地图相比具有不少差别，由于精确度的要求，高精度地图的测绘要复杂得多。目前市场上高精度地图的制作主要包括采集车测绘、“众包测绘”两种模式。

　　量产车充当采集车。用传统的采集车测绘技术进行高精度地图的制作需要大量的专业采集车及相关设备，这对于之前没有相关硬件积累，但又想研发自主高精度地图的非图商企业来说无疑是个很大的问题。

　　因此这些厂商采取了由车厂的量产车替代采集车的方法，即所谓的“众包”测绘。以丰田为例，丰田将利用其所生产每辆车的摄像头及GPS 对街景道路等信息进行采集，通过空间信息生成技术对两类数据进行整合处理，最终形成一套高精度的地图。

　　环境感知：无人驾驶的眼睛

　　感知技术作为无人驾驶的核心技术之一，就像是无人驾驶汽车的眼睛一样，能够为无人驾驶汽车提供实时的环境状况。完善的环境感知以高精度地图为技术基础，通过各类传感器对当前行驶的环境状况(包括行驶路径、天气因素、周边物体等)进行捕捉。只有在对环境状况的正确感知的基础上才能进一步进行分析并作出相应的反应，因此可见，环境感知是无人驾驶技术的起点，亦是其发展过程中极为重要的一环。

　　车载传感器分类。车载传感器是环境感知技术最为重要的实现设备。在实际运用过程中，无人汽车通常通过使用和组合不同类别的传感器，对各自所擅长的环境及方位进行探测感知，从而实现绝大部分环境下的感知解决方案。目前主流的无人车载传感器包括毫米波雷达、激光雷达以及视觉传感器等几种类型。

　　超声波雷达主要用于泊车系统中。超声波雷达是利用传感器内的超声波发生器产生40KHz 的超声波，再由接收探头接收经障碍物反射回来的超声波，根据超声波反射接收的时间差计算与障碍物之间的距离。超声波雷达成本较低，探测距离较近，且不受光线条件的影响，因此常用于泊车系统中。大众第三代超声波半自动泊车系统，泊车辅助系统通常使用6-12 个超声波雷达，车后部的4 个短距超声波雷达负责探测倒车时与障碍物之间的距离，一侧的长距超声波雷达负责探测停车位空间;特斯拉搭载的12 个超声波雷达也主要用于自动泊车功能的实现。

　　毫米波雷达。毫米波雷达使用30～300 GHz 的毫米波，通过回波与发出的信号进行比较，得到差值，能够根据得出的时间差与速度迅速计算出物体之间的距离。与其他类型的传感器相比，毫米波穿透烟尘能力强，抗干扰能力出色，几乎适用于所有气候(大雨天除外)，可用于全天候场景下0-300 米范围内的快速感知，由于精度要求严格的缘故，毫米波雷达的相对成本也较高。

　　毫米波雷达主要包括天线、收发模块、信号处理模块和报警模块。毫米波器件的模块化、射频收发前段是雷达系统的核心部件。天线作为汽车毫米波雷达系统的一个关键元件，其性能将深深地影响雷达的探测距离和角度。

　　目前主流的MMIC工艺还是GaAs工艺。GaAs半导体的制造流程与硅相似，从上游材料、IC设计、晶圆代工到封装测试，完成GaAs半导体制造的全部产业链。GaAs半导体产业参与者多为国外IDM厂商。2013年砷化镓市场总产值64.7亿美元中，占比前5的厂商中除了稳懋外，均为集IC设计、晶圆代工、封装测试为一体的IDM厂商。

　　毫米波雷达方面的核心技术和厂商都集中在国外，同时由于国外对我国的技术封锁以及人才短缺、元器件进口依赖等，对于毫米波雷达尤其是77GHz毫米波雷达的技术难度大。

　　但由于毫米波雷达市场空间大、潜力足，所以国内近期涌现出多家相关公司，有望逐步取得技术和市场上的突破。

　　在无人驾驶的浪潮之下，毫米波雷达产业有望得到快速发展，数据显示毫米波雷达2014 年出货量为1900 万颗，业内人士预计未来毫米波雷达市场复合增长率高达24%，到2020 年全球毫米波雷达销售量将达到7200 万颗。

　　毫米波雷达的多项优势，其目前在汽车防撞传感器中占比较大，根据IHS的数据，毫米波/微波雷达+摄像头在汽车防撞传感器中占比达到了70%。

　　在毫米波雷达的频率选择上，各个国家主要有三种波段——24GHz、60 GHz、77 GHz，而目前正在向77GHz靠拢。欧洲和美国选择的是对77GHz的集中研究，而日本则选用了60GHz的频段，随着世界范围77G Hz毫米波雷达的广泛应用，日本也逐渐转入了77GHz毫米波雷达的开发。

　　激光雷达性能精良，是无人驾驶的最佳解决方案。激光雷达相对于其他自动驾驶传感器具有非常优越的性能：

　　1)分辨率高：激光雷达可以获得极高的角度、距离和速度分辨率。通常激光雷达的角分辨率不低于0.1mard 也就是说可以分辨3km 距离上相距0.3m 的两个目标，并可同时跟踪多个目标;距离分辨率可达0.1m;速度分辨率能达到10m/s 以内。如此高的距离、速度分辨率意味着激光雷达可以利用多普勒成像技术获得非常清晰的图像。

　　2)精度高：激光直线传播、方向性好、光束非常窄，弥散性非常低，因此激光雷达的精度很高。3)抗有源干扰能力强：与微波、毫米波雷达易受自然界广泛存在的电磁波影响的情况不同，自然界中能对激光雷达起干扰作用的信号源不多，因此激光雷达抗有源干扰的能力很强。

　　视觉传感器

　　视觉传感器主要指车载摄像头，市场上产品的具体应用包括前视、后视、侧视以及车内监控四个方面。

　　后视、侧视与内部主要采用广视角像头，而前视摄像头则分为单目视觉以及立体视觉，单目摄像头主要原理是将捕获的信息与地图数据进行比对、识别，而立体摄像头则是利用双目实时深度计算得出物体与摄像头的距离。相比之下立体摄像头不需要大量的数据训练，而且具有更低的错误率，但由于需要处理多个摄像头的数据，因此计算量较大，同时成本也更加高。

　　价格方面，车载摄像头市场可以划分为高端、中端以及低端三个档次，价格区间分别在200 美元以上、100 至200 美元、以及100 美元以下，其中中端摄像头市场占比高达41%。根据StrategyAnalytic 预测，到2020 年全球车载摄像头需求量将突破1.1 亿颗，平均每车一颗，考虑到成本降低的因素，我们假设50 美元的市场均价，那么到2020年市场规模将达到55 亿美元。根据SBD 数据， 2015 年国内车载摄像头销量为1300万左右。我们认为，未来五年复合增速有望达到30%，2020 年国内需求量达到4800万，市场规模将超过15 亿美元。

　　激光雷达

　　激光雷达主要通过对外部环境进行扫描，从而为车辆提供精准的三维实时信息，以便无人汽车作出相应的反应。相比于以上两种传感器，激光雷达采用专门的脉冲压缩技术，将脉冲宽度压缩到纳秒级别，大大提高了数字测量识别的精确度。由于激光雷达的极佳性能，目前绝大多数无人驾驶汽车都配备有激光雷达。

　　市场上的激光雷达主要包括高性能360 度旋转激光雷达和小尺寸电子扫描激光雷达，而目前无人驾驶汽车所携带的激光雷达均为第一种类型，而该类雷达最大的问题，就是其高昂的成本，如百度无人车顶所安装的激光雷达价格就高达70 万元，超过了作为无人车原型的宝马汽车3 系，而谷歌汽车所采用的Velodyne 公司的64 线程产品售价则为8 万美元。

　　无人驾驶对激光雷达产业的影响很大。2013 年全球激光雷达市场规模仅为2.25 亿美元左右，而2014 年已达到4.03 亿美元，将近翻倍。根据Transparency Market 预测，未来五年激光雷达市场的年复合增长率将在15%左右，2020 年，激光雷达市场将实现9亿美元的市场规模。

　　夜视系统

　　夜视系统：夜间驾驶的第二双眼。根据交管部门的统计，我国有55%的交通事故都发生在夜间，夜间驾驶的安全性问题一直是司机的最大困扰之一，而夜视系统则致力于提高夜间行车的安全性。汽车驾驶的夜视系统是从军用技术演变而来，至今已形成了微光、主动红外先以及热成像(被动红外)三种夜视技术，其中热成像和微光技术属于被动夜视，主动红线外属于主动夜视。

　　主动红外夜视技术

　　这种技术需要通过红外大灯主动发射红外线，通过滤光镜后，发出波长约0.8~1.2 微米的近红外光，然后利用红外变像管，根据目标反射的红外光将其转换成一定亮度增强的可见光图像呈现出来。

　　高清晰度的显示效果。显示效果来看，三种夜视技术以主动红外技术最为精确，能较为清晰地呈现外部环境，高级的红外夜视仪甚至能分辨出人的五官，由于主动红外技术需要自动投出红外线容易暴露自身的缘故，目前已被军事领域淘汰，转而在民用领域发展，尤其是车载领域，目前配备主动夜视仪的汽车有：奔驰S500、比亚迪思锐等车型。而价格方面，无论是主动红外设备还是被动红外设备都需要很高的成本，微光夜视仪具有较大优势。

　　热成像夜视技术。热成像夜视技术又称为热成像夜视技术，属于高级仿生学的范畴，原理如下：任何物体(高于绝对零度)都能向外辐射红外线，如果物体与外部环境有温差，那么其辐射出的红外线峰值波长就会有不同，光电导传感器根据所接收的不同波长的红外线产生不同电阻，最后将图像呈现在显示器上。

　　无人驾驶的大脑：决策层

　　路径规划。决策层解决的是一个路径规划的问题。关于路径规划的概念，可以解释为：在一定的障碍物环境下，按照一定评价标准和决策算法，来寻找从起点到终点的最优化的路径。按照路径规划的范围，可以分为全路径规划(即不考虑运动细节的全局路径规划)和局部路径规划(具体到运动轨迹)。

　　智能决策支持系统是无人驾驶的核心。智能决策支持系统是人工智能和决策支持系统相结合，使决策支持系统能够更充分应用人类知识，如决策过程中的过程性知识、无人驾驶过程中遇到的路面问题，形成云端数据，通过逻辑推理来解决复杂的决策问题的辅助决策系统。智能决策支持系统在无人驾驶过程中自主规划，基于路况、车况等静止信息和实时的视觉、触觉等运动状态进行规划。

　　无人驾驶中的行为决策可以分为三个层次：每层执行不同任务，包括上层路径规划，中层行驶行为规划和下层轨迹规划。上层路径规划根据某优化目标得到两点之间的最优路径，完成路径规划的传感信息主要来自于GPS 定位信息以及电子地图。中层行驶行为规划是指根据主车感兴趣区域内道路。下层轨迹规划是指在当前时刻，以完成当前行车行为为目标，考虑周围交通环境并满足不同约束条件，根据最优目标动态规划决策出的最优轨迹。

　　路径规划算法

　　路径规划算法的重要性。路径规划看似简单，实际需要考虑到很多复杂情形。如下图，在车辆从起始地向目的方向行驶过程中，面对前方凹形的障碍物，如果直到接近障碍物时才给出路径改变的提示，这样的路径规划显然不是最优的。路径规划算法应该将凹形的障碍物的区域识别扩大，在车辆进入凹形障碍物之前处发出改变路径的提示。

　　路径规划算法的分类。路径规划算法可以分为静态路径规划算法和动态路径规划算法。静态路径规划指的是根据静态的物理地理信息和固定的交通规则来规划最优路径，该算法相对简单比较容易实现;动态路径规划是指在静态路径规划的基础上，结合实时动态的交通信息，对预先规划好的路径进行实时修正。

　　典型的路径规划算法。路径规划算法主要包括：Dijkstra 算法、Lee 算法、Floyd 算法、启发式搜索算法—A* 算法、双向搜索算法、蚁群算法。

　　决策层的技术必备：深度学习算法

　　深度学习的概念。深度学习的概念源于对人工神经网络的研究，属于机器学习的细分领域。深度学习可以建立、模拟人脑进行分析学习的神经网，通过组合低层特征形成更抽象的高层特征，从而实现自动的学习特征，其动机建立、模拟人脑进行分析的精神网络，模仿人脑机制来介绍数据，例如图像、声音和文本。

　　深度学习在无人驾驶中的应用涉及到多个环节，其中卷积神经网络算法已经在语音识别、图像识别等领域应用成熟，用于提高环境感知中的图像识别的准确度。

　　深度学习算法使决策层自主规划道路。决策层依靠深度学习算法对无人驾驶所产生的经验大数据进行学习，从而获得了像成熟司机那样的技术，因此在行驶过程中，决策层可以自主规划无人驾驶的最优策略(如车辆优化调度、路径规划、汽车加减速、超车及停车等)，具有良好的实时性和容错性，提高无人驾驶的安全性和速度。