自动驾驶车辆未来离我们有多远？

　　自动驾驶车辆的未来，究竟离开我们有多远？答案有万千种。实际上，自动驾驶车辆既远在天边，又近在眼前。在过去的几十年里，自动驾驶的概念引起了人们的极大兴趣和关注，因为人们相信它能为个人和社会带来诸多好处：提高道路安全，减少交通拥堵、事故和死亡，节省通勤时间和降低污染。在自动驾驶这个主题上正在进行着很多的工作，关于如何让汽车去感知了解环境，做出类似人类的决定，并实现自动驾驶，人们已经进行了很多研究和实验，批量应用到了呼之欲出的地步。

　　如今，我们已经看到许多自动驾驶车辆，在受控环境中，在人类驾驶员的监督下，在良好的道路和条件下，在道路上进行试验。有关的研究人员预测，到2025年道路上将有大约800万辆自主或自动化车辆。在进入公路之前，驾驶汽车自动化分级首先必须通过六个级别的驾驶员辅助技术进步。美国汽车工程师学会（SAE）定义了六个级别的驾驶自动化，范围从0级到5级。美国交通部（DoT）采用了这些分级标准。它们是：0级-无驾驶自动化；1级-辅助驾驶自动化；2级-部分驾驶自动化；3级-有条件驾驶自动化；4级-高级驾驶自动化；5级-驾驶完全自动化

　　自动驾驶汽车面临哪些挑战？

　　许多人仍然对如何设计一个能够在所有可能条件下像人类一样处理车辆性能的自动或无人驾驶车辆系统感到好奇。自动驾驶汽车是传感器和执行器、复杂算法和执行软件的强大处理器的组合。有数百个这样的传感器和执行器位于车辆的各个部分，由一个高度复杂的系统在驱动。

　　自动驾驶汽车中有不同种类的感知系统：1）导航和导航传感器，用于确定你在哪里以及如何到达目的地；2）驾驶和安全传感器，如摄像头，以确保车辆在任何情况下都能正常工作，并遵守道路规则；3）用于管理车辆内部系统的性能传感器，如功率控制、总功耗和散热。

　　虽然自动驾驶车辆系统之间可能略有不同，但核心软件通常包括定位、感知、规划和控制。感知系统通过摄像头、激光雷达和雷达传感器感知、理解并建立对环境和周围物体的全面感知。规划软件负责路径规划、风险评估、任务管理和路径生成。机器学习（ML）和深度学习（DL）技术广泛用于定位和映射、传感器融合和场景理解、导航和运动规划、驾驶员状态评估和驾驶员行为模式识别，以及感知和规划的智能学习。通过收集传感器数据和发布处理，可以使用地图软件生成和更新高清晰度车道级地图数据。

　　传感器融合是一项重要任务，它将从多个传感器获取的信息进行集成，以检测异常值，并减少每个传感器数据的不确定性，从而提高准确性、可靠性和鲁棒性。对于感知和定位系统，融合方法有三个级别：高级/决策级、中级/特征级和低级/原始数据级。

　　每个融合级别在精度、复杂性、计算负载、通信带宽和融合效率方面都有其优缺点。常用的融合算法有统计方法、概率方法（如卡尔曼滤波和粒子滤波）、基于知识的理论方法和证据推理方法。环境感知地图是根据障碍物、道路、车辆、环境和驾驶员的信息构建的。定位通常使用GNSS、IMU、摄像头和激光雷达进行。

　　新出现的研究提出了不同的方法，以满足本地化和映射阶段的需要，并感知环境以产生端到端的驾驶决策。自动驾驶中使用的三种定位技术：一是：基于GNSS/IMU的定位，以及DGPS和RTK，以确保GNSS信号的连续性；二是基于视觉的定位，包括模拟定位和映射（SLAM）和视觉里程计；三是基于地图匹配的本地化，使用“先验地图”。

　　自动驾驶汽车的以下五大挑战需要持续的研发工作：

　　?传感器。自动驾驶汽车中的传感器绘制环境地图，并将数据反馈给汽车的控制系统，以帮助决定转向何处或何时刹车。一辆完全自主的汽车需要精确的传感器来检测所有条件和环境下的物体、距离、速度等。恶劣的天气、拥挤的交通和不清晰的路标会对激光雷达的精度和摄像头的感应能力产生负面影响。另一个潜在威胁是雷达干扰。在道路上行驶时，汽车上的雷达会不断发射无线电波，这些电波会被周围的汽车和道路附近的其他物体反射。当这项技术用于道路上的数百辆车辆时，汽车很难区分自己的（反射）信号和另一辆车的（反射或传输）信号。鉴于雷达可用的无线电频率有限，不太可能满足所有制造的自动驾驶汽车的要求。虽然全球导航卫星系统具有覆盖全球、全天候运行、提供绝对位置而无需地图或道路标记信息的优势，但其总体准确性和可用性一直是完全自治系统所关注的问题。

　　?机器学习。大多数自动驾驶汽车使用AI或ML来处理来自传感器的数据，以便更好地对物体进行分类，检测距离和运动，并帮助做出下一步行动的决策。它优化并更好地集成不同的传感器输出，从而获得更完整的图像。预计机器将能够比人类驾驶员更有效地执行检测和分类。到目前为止，机器学习算法在所有条件下都是可靠的，这一点尚未被广泛接受和认可。对于机器学习应该如何培训、测试或验证，整个行业缺乏一致意见。

　　?开阔的道路的继续学习。自动驾驶汽车一旦上路就会继续学习。它会检测训练中未遇到的对象，并更新软件。我们需要一个机制或行业协议，以确保任何新的学习都是安全的。

　　?监管。对于一个完全自治的系统，还没有足够的标准和法规。现有车辆安全的现行标准假定在紧急情况下有一名人类驾驶员接手。对于自动驾驶车辆，有针对特定功能的新法规，例如自动车道保持系统。如果没有公认的法规和标准，允许自动驾驶汽车在公路上行驶是有风险的。

　　?社会可接受性。社会接受度不仅是那些愿意购买自动驾驶汽车的人的问题，也是与他们共享道路的其他人的问题。公众是参与自主车辆引进和采用决策的重要因素。

　　自动驾驶汽车的新法规是什么？

　　在美国，联邦汽车安全法规基于联邦机动车安全标准（FMVSS）。这些法规为汽车的每个安全相关部件制定了详细的性能要求。在汽车进入市场之前，制造商必须证明车辆与道路上的汽车一样安全。联邦法规没有太多说明公司在将汽车推向市场之前如何开发和测试汽车。联邦政府正在提供不具约束力的指导，这是在不确定环境下的一种适当方法。

　　在国际上，60多个国家通过了一项联合国法规，该法规将允许在某些交通环境中安全引入自动车辆，从而在机动性方面达到了一个里程碑。联合国法规“三级自动化”对自动车道保持系统（ALKS）提出了严格要求。在禁止行人和骑自行车的道路上，ALK可以在特定条件下激活，并且配备了一个物理分隔装置，用于分隔向相反方向行驶的车辆。ALKS系统的速度限制为60km/h。该法规包括汽车制造商有义务引入驾驶员可用性识别系统，以检测和控制驾驶员的存在，并为车辆配备自动驾驶数据存储系统（DSSAD），以记录何时激活ALKS。

　　自动化和自动驾驶车辆是如何被公众接受的？

　　全自动车辆几乎可以消除影响驾驶员表现的人为因素和错误，如老化、疾病、压力、疲劳、缺乏经验或滥用药物，从而提高安全性。然而，关于自动驾驶车辆的部署，个人和社会都存在一些担忧：维护费用的高昂成本、出行需求增加可能导致的燃油消耗和二氧化碳排放量增加、与保护用户和行人有关的法律和道德问题、隐私担忧和黑客攻击的可能性，以及替代交通服务提供商的工作岗位流失。

　　有人认为，广泛采用自动驾驶的最大障碍是心理上的，而不是技术上的。用户对自动驾驶的接受对于自动驾驶成为未来交通的现实组成部分至关重要。用户接受度的定义没有标准化，因为有许多不同的方法来确定和模拟用户接受自动驾驶车辆的意愿。

　　公众接受自动驾驶的知识有限，需要更多的研究来理解用户接受的心理决定因素。影响因素可能包括对精确自主技术的信任、个人创新能力、放弃驾驶控制可能导致的焦虑程度、与个人位置数据相关的隐私问题，以及用于无线网络、导航系统、自动控制和系统集成的精密传感器系统的高成本。