做者：華爲雲EI專家厲天一 算法
摘要：無人駕駛是經過自動駕駛系統，部分或徹底的代替人類駕駛員，安全地駕駛汽車。汽車自動駕駛系統是一個涵蓋了多個功能模塊和多種技術的複雜軟硬件結合的系統。本文將基於5G技術來探討自動駕駛那點事。
人們愈來愈指望經過無人系統代替人類進行一些活動。小到幫助人們自動清掃地面的掃地機器人，大到進行戰場態勢感知協同做戰的無人機，無人系統已經滲透到人類活動的方方面面。無人駕駛汽車做爲其中之一，其市場需求很是普遍，從港口貨運到乘用車駕駛種類繁多。近年來隨着需求的推進，人工智能的火熱，無人駕駛汽車領域取得不少技術突破，同時吸引更多投資以及科技力量的投入其中，使其成爲一個朝氣蓬勃的新興技術領域[1-4]。安全
無人駕駛是經過自動駕駛系統，部分或徹底的代替人類駕駛員，安全地駕駛汽車。汽車自動駕駛系統是一個涵蓋了多個功能模塊和多種技術的複雜軟硬件結合的系統。在機器學習、大數據和人工智能技術大規模崛起以前，自動駕駛系統和其餘的機器人系統相似，總體解決方案基本依賴於傳統的優化技術。隨着人工智能和機器學習在計算機視覺、天然語言處理以及智能決策領域得到重大突破，學術和工業界也逐步開始在無人車系統的各個模塊中進行基於人工智能和機器學習的探索，目前已取得部分紅果。而無人駕駛系統做爲代替人類駕駛的解決方案，其設計思路和解決方法背後都蘊含了不少對人類駕駛習慣和行爲的理解。如今，無人駕駛已經成爲人工智能最具前景的應用之一[5-7]。網絡
1 自動駕駛的相關工做
自動駕駛是一個系統性的複雜工做，通常是在傳統汽車上進行加裝來構建整個系統。下面引用通用汽車公司的Cruise自動駕駛汽車的硬件系統架構進行介紹[8]，如圖1所示，其餘公司方案相似，能夠清晰地看出，自動駕駛硬件系統主要包含五部分：感知模塊、自動駕駛計算機、供電模塊、信號通訊模塊、執行和制動模塊。架構
圖1 自動駕駛硬件系統框架
Fig.1 Automatic driving hardware systemless
1.1 感知模塊
自動駕駛硬件系統中的感知模塊做爲感知周圍環境的重要途徑，在規格和性能上有嚴格的要求，這是傳統車輛所沒有的。感知模塊的主要做用是代替傳統駕駛汽車中駕駛員的眼睛和耳朵，還有駕駛經驗。一般由攝像頭、激光雷達、毫米波雷達和GNSS/IMU組成。機器學習
攝像頭至關於人類駕駛員的眼睛，主要用於獲取圖像信息，可用於識別行人、車、樹、紅綠燈、交通標誌等物體，以便進行定位。相比之下，激光雷達經過接收的反射數據，能夠獲取更加豐富而準確的信息，如目標距離、方位、高度、速度、姿態、甚至形狀等參數,從而對目標進行探測、跟蹤和識別以及更加準確的定位，其三維測距原理是經過測量激光信號的時間差、相位差肯定距離，經過水平旋轉掃描測角度，並根據這兩個數據創建二維的極座標系，再經過獲取不一樣俯仰角度的信號得到第三維的高度信息。激光獲取的數據信息通過識別分類標註不一樣顏色處理後獲得的可視化信息如圖2所示。electron
圖2 激光雷達獲取信息示意圖分佈式
Fig.2 Schematic diagram of lidar information acquisitionoop
毫米波雷達工做頻率爲通常爲24GHz和77GHz，經過獲取反射數據，可用於識別障礙物和測距。與其餘主流雷達相比，毫米波雷達性能更佳，不受目標物體形狀顏色和大氣紊流的影響，具備很好的穩定的探測性能，環境適應性好。對於平常駕駛可能遇到的惡劣天氣有很好的容錯性，受天氣和外界環境的變化的影響小，在實際應用中，對於雨雪天氣、灰塵、陽光都有很強的適應。並且多普勒頻移大，測量相對速度的精度提升，很適合自動駕駛高精度定位、識別等功能，對自動駕駛的工程應用有很大的促進做用[9]。 GNSS/IMU組合則用於實時獲取全局位置信息。
1.2 自動駕駛計算機
自動駕駛計算負責進行自動駕駛相關的計算處理，通常主要包含五部分：CPU、GPU、內存、硬盤存儲空間和硬件接口。目前還有專門用於加速計算的專用處理器。
其中，根據CPU的性能特色，主要用於通用計算，處理邏輯判斷、進行流程控制以及規劃，GPU用於並行計算，完成大規模大量同類型數據的計算，例如物體識別、分類處理等，通常是做爲深度學習的部署使用，目前還有專門的處理器的替代方案，對矩陣運算作了專門的優化設計，提高計算效率，得到較高的能效比，好比華爲的昇騰系列處理器。內存用於大量數據處理、加載高精度地圖，對系統總體運行速度有較大影響。硬盤存儲空間用於存儲高精度地圖和相關的應用數據。豐富的硬件接口，例如串口、CAN、以太網、USB等，多用於各類傳感器鏈接。
1.3 執行與制動模塊
執行與制動對於駕駛安全相當重要，執行與制動系統也在隨着自動駕駛技術的不斷髮展而取得了長足的進步。執行系統接收自動駕駛控制模塊根據融合決策作出的車輛的具體執行指令，控制車輛動力（油門和檔位）、底盤（轉向和制動）和電子電器等系統的執行，實現自動駕駛的速度和方向控制。相比之下，傳統的汽車底盤制動系統是液壓、氣壓制動，爲了實現車身框架的穩定並將智能駕駛功能延伸，線控制動將是汽車制動技術的長期發展趨勢，線控制動能夠深度融合智能駕駛功能模塊。這一趨勢相似於航空領域飛行操縱系統由液壓逐步轉換爲電傳操縱系統的過程。
1.4 自動駕駛軟件系統架構
總體而言，自動駕駛硬件系統是在傳統車輛硬件標準配置的基礎上，爲更好知足自動駕駛的須要，進行了加裝升級。
相比之下，與之相配套的軟件系統是全新設計的，至關於人類的大腦，負責在融合各類傳感器信息和先驗知識的前提下，作出安全合理的決策，按功能主要分四個模塊：定位、感知、規劃、控制。其中定位模塊是基礎，各模塊包含內容如圖3所示。
圖3 自動駕駛軟件系統架構
Fig.3 Architecture of automatic driving software system
其中，定位解算依賴高精度地圖的輔助，基於定位信息能夠開展環境感知、路徑規劃駕駛行爲決策以及汽車運動控制等內容，而路徑規劃、行爲決策以及運動控制相互聯繫，環環相扣，前一個輸出能夠做爲後一個的輸入條件來使用。簡而言之，控制模塊能夠將決策規劃的動做做爲輸入，計算應該執行的轉彎角和控制的油門。
1.5 定位
定位包括車輛自身在周圍環境的定位和對周圍物體的定位，這是進行決策的重要前提和信息。爲知足自動駕駛需求，目前自動駕駛定位精度最低要求爲10cm，通常來說，很難經過單一解決方案達到高精度的定位，主要是經過多傳感器以及高精度地圖融合的方式，主流方案是GNSS、IMU、激光雷達、相機、高精度地圖融合。其中衛星導航系統（Global Navigation Satellite System，GNSS）主要提供粗略的絕對位置（經緯度），而後根據採集自身所在環境的激光雷達數據和相機數據與高精度地圖匹配獲得更精確的定位。IMU（Inertial Measurement Unit）慣性器件提供狀態估計算法中狀態方程（預測）中的加速度、角速度。
來自百度公司的自動駕駛團隊採用的定位方案框圖如圖4所示。這是目前比較常見且有效的定位算法架構。定位算法的研究難點在於一些微小的處理與改變可能引發較大的精度差距。因此，不斷有研究人員在定位算法上深耕突破。
圖4 定位算法實施框圖
Fig.4 Block diagram of localization algorithm implementation
1.6 高精度地圖
在定位方案中，高精度地圖起到了舉足輕重的做用。高精度地圖是經過高精度激光雷達、相機、GNSS等傳感器獲取道路信息數據。通常來說，傳感器數量越多，信息覆蓋越全面，精度也就越高，高精度地圖就越精確。在自動駕駛使用時，可將其表示爲計算機語言的形式存儲在自動駕駛計算機的硬盤當中，駕駛過程當中經過實時與高精度地圖比對來得到高精度定位[10]。
高精度地圖一般須要預先創建，在創建過程當中存在大量的分類問題，花費巨大，多數開銷在傳感器系統上。因爲採集的數據龐大，格式多樣，維度較多，通常經過人工智能算法進行數據處理。高精度地圖主要包含車道經緯度、車道寬、曲率、高程、車道交叉口位置、寬度、曲率、信號燈位置、道口數、標牌位置以及含義等。目前主要是經過深度學習的方法進行處理，在計算機視覺領域採用卷積神經網絡（Convolution Neural Network，CNN）使問題獲得很好的解決。
圖5 神經網絡示意圖
Fig.5 Schematic diagram of neural network
卷積神經網絡一般由一個或多個卷積層和全鏈接層組成，卷積層執行的計算包含卷積操做和池化操做。卷積計算是經過不一樣窗口數據和濾波矩陣（一組固定的權重）作內積（逐個元素相乘再求和）的操做獲得卷積後的數據；池化計算將數據分塊，每一個數據塊以最大值或求平均值做爲數據塊的表明值。具體操做示意圖如圖6所示。
圖6 卷積（左）和池化（右）操做示意圖
Fig.6 Schematic diagram of convolution (left) and pooling (right) operations
卷積神經網絡算法還有一個特性是權值共享，即對於一幅圖片上每一個點，在某一層的卷積操做權值是相同的，卷積神經網絡訓練的參數轉化爲訓練濾波矩陣（卷積核），參數量大幅度減小。卷積神經網絡就是經過多個卷積層獲得不一樣方向上的幾何信息特徵，經過提取這些特徵，獲得輸入數據的相關性，經過考慮這些相關性減小訓練複雜度，該方法在圖像和語音處理上具備很好的應用。
1.7 感知和規劃
感知和規劃相輔相成，互爲補充。特別是在線進行環境感知，要對採集的數據進行在線實時識別、分類，主要挑戰在於輸入數據是動態的，不肯定的，具備很強的突發性和偶然性，具備很大的挑戰性。
規劃問題是根據感知的動態環境與對運動體的預測狀況進行運動序列決策。自動駕駛要求在複雜環境下作出快速而準確的決策判斷，能夠設想經過一個極其複雜的路口對規劃問題的考驗，是體現自動駕駛智能程度的關鍵問題。傳統的路徑規劃算法對複雜動態環境並不適用，時間複雜度高，而強化學習是解決序列決策問題的好方法，目前在解決自動駕駛規劃問題上有很好的仿真驗證。強化學習是與監督學習、無監督學習平級的機器學習的一個分支，來源於動物學習心理學，最先可追溯到巴普洛夫的條件反射試驗，經過反饋得到成效的評價來不斷提升學習效果[11]。
1.8 控制
控制的任務是消化上層動做規劃模塊的輸出軌跡點，經過一系列動力學計算轉換成對車輛油門、剎車以及方向盤的具體的控制信號，從而儘量地控制車去實際執行這些軌跡點。該問題通常轉化爲找到知足車輛動態姿態限制的方向盤轉角控制（車輛橫向控制）和行駛速度控制（車輛縱向控制）。 對這些狀態量的控制可使用經典的PID控制算法，但其對模型依賴性較強，偏差較大。智能控制算法，如模糊控制、神經網絡控制等，在自動駕駛控制中也獲得普遍研究和應用。其中，神經網絡控制利用神經網絡，把控制問題當作模式識別問題，被識別的模式映射成「行爲」信號的「變化」信號，取得了較好的效果，甚至能夠用駕駛員操縱過程的數據訓練控制器獲取控制算法，具備廣闊的應用前景[12]。
2 5G的啓示與機遇
自動駕駛分爲6個等級，具體如圖7所示，目前真正應用到實際生活中可達到Level 3，主要是基於汽車本地端的傳感器進行數據融合從而作出決策的，有必定侷限性，限制了向更高等級發展，由於在道路環境異常複雜的狀況下，攝像頭和激光雷達等本地傳感器受限於視距、環境等因素影響，沒法作到很高的安全性，好比當汽車以130 km/h的速度行駛時，攝像機和雷達沒法安全檢測到前方超過120米的停車，這將觸發緊急制動，這顯然是沒法接受的。如何須要彌補這種不足，讓自動駕駛看的更遠是研究人員面臨的一個難題。
圖7 自動駕駛等級劃分圖
Fig.7 Automatic driving classification chart
2.1 5G下的自動駕駛方案V2X
目前業界主要採用的是C-V2X，這是一種基於蜂窩網絡的技術，不只支持現有的LTE-V2X應用，還支持5G V2X的應用，如圖8所示。基於強大的3GPP生態系統和連續完善的蜂窩網絡覆蓋，預計可大幅下降自動駕駛和車聯網部署成本，頗有可能成爲5G時代最早成功的垂直行業應用場景[13]。
圖8 V2X演進過程
Fig.8 V2X evolution
與激光雷達等傳感器不一樣，V2X可視爲一種無線傳感器系統的解決方案，容許車輛經過通訊信道彼此分享信息，檢測潛在危險，擴大自動駕駛感知範圍，從而進一步提高自動駕駛的安全性和溫馨性。好比道路前方彎道處停有一輛拋錨的汽車，但正好處於彎道處，這時基於汽車本地的傳感器較難檢測到，而V2X能夠經過網絡共享信息，將拋錨車輛信息傳送給正在行駛的車輛。
5G做爲重要的通信載體，意義重大，特別是短延遲特性使實時通訊再也不是高不可攀，高可靠低時延業務，很適合自動駕駛領域。而要達到自動駕駛L5須要超高可靠低時延的指標，甚至因爲物聯網各類傳感器太多，或許還須要mMTC(海量機器類終端通訊),而URRLC和mMTC是5G標準最後落地的標準。與互聯網「盡力而爲」的數據傳輸方式不一樣，5G提供始終如一的低延時和高速率服務保障，這對安全性要求極高的無人駕駛意義重大，好比當汽車行駛在網絡擁塞區域的時候，仍然能夠得到網絡通訊保證。
5G核心網控制面與數據面分離，NFV令網絡部署更加靈活，從而使分佈式的計算邊緣部署，將更多的數據計算和存儲從核心下沉到邊緣，距離數據更近，從而下降時延和網絡負荷，同時提高了數據安全性和隱私性。
值得一提的是，即便是在沒有4G/5G網絡覆蓋的環境下，C-V2X仍是能夠利用PC5接口進行彼此通訊。
2.2 5G帶來的機遇
對於無人駕駛中核心技術——高精度地圖也有很大的幫助。高精度地圖經過對周圍靜態的環境進行精確描述，來延伸傳感器的感知範圍，以更爲精細的尺度幫助汽車瞭解所處的位置、周圍的環境情況、應該如何進行下一步操做等定位決策問題。
相比傳統導航地圖，高精度地圖的圖層更多，地圖信息量更大。從圖層數量上看，包含諸如道路級別、交通設施等更多的數據。從圖層質量上看，高精度地圖每一圖層的描繪更精細，從而能夠實現釐米級導航。高精地圖提供自動駕駛所需專用道路信息，除了擁有傳統導航地圖具有的道路形狀，通行方向，車道等信息，還包含了諸如車道分隔物類型、交通標誌、限速等信息，和一些道路幾何的三維信息，像彎道、斜坡等。龐大的數據集在存儲、處理和傳輸方面都是一個挑戰，特別是傳輸更新方面，由於高精地圖須要實時更新，經過傳感器、攝像頭採集到的信息經過通信手段與雲端作交互，能使得地圖更加智能。基於智能地圖信息的路徑規劃，通行效率更高，5G的高帶寬、低延時特性使得這一切成爲可能。
另外一方面，高精地圖的數據量巨大，達到Gbit/km級別或以上，以儘可能少的時間完成更新，須要超高速帶寬支撐，這也是5G網絡才能提供的。
最後，高精地圖能夠提供一幅雷達和視覺探測距離以外的特定物體（移動的行人和車）信息，以及紅綠燈、限速要求信息，基於此信息進行避障規劃（包括車車博弈，車人博弈等），基本可確保無人車在開放道路上的安全問題，不會發生任何形式的主動碰撞以及交通違章等。這部份內容的通信時延要求ms級，迫切須要5G的支持。
車輛的傳感器和攝像頭至關於人類的眼睛，自動駕駛系統的邏輯推理和決策至關於人類的大腦，自動駕駛系統的運動控制操做至關於人類的手和腳，這些信息實時互通須要超高速傳輸和超高的可靠性、超低的時延。相對4G網絡，5G傳輸速率提高100倍，峯值傳輸速率達到10Gbit/s，端到端時延達到ms級。在實際應用中，當車輛行駛在路上遇到突發狀況，反應速度相當重要，只有5G這樣的超高速率和超低時延才能知足無人駕駛的要求。
2.3 發展示狀
在2019年世界新能源汽車大會，華爲公司推出的5G + C-V2X車載通訊技術得到了高度承認，且基於此研發了全球首款5G車載通訊模組MH5000，採用自研的Balong 5000芯片，單芯多模，支持SA/NSA雙組網，最高下行峯值速率爲2Gbps，最高上行峯值速率爲230Mbps，支持第三方應用開發，是業界首款集成5G + V2X技術的模組。
世界各國都很重視相關技術的發展，我國鼓勵包括C-V2X在內的車聯網技術的發展。多部委及地方政府，都針對性給出了明確的政策支持。據不徹底統計，目前全國已經擁有超過30個測試示範區，其中包括上海、北京-河北、重慶、無錫（先導區）、杭州-桐鄉、浙江、武漢、長春、廣州、長沙、西安、成都、泰興、襄陽等16個國家級示範區。這些示範區涵蓋了無人駕駛和V2X測試場景建設、LTE-V2X/5G車聯網應用、智慧交通技術應用等功能，提供了涉及安全、效率、信息服務、新能源汽車應用以及通訊能力等的測試內容。
3 結束語
自動駕駛前景廣闊，是將來汽車行業的發展趨勢，相關技術飛速發展，相信隨着5G技術的全面應用，自動駕駛會取得更大發展。
但咱們仍需意識到， 自動駕駛最終目標的實現，並真正落地商用，是一個漫長的過程。除了技術和資金以外，還涉及到法律和倫理的問題。更重要的是，它是否能最終得到用戶的信任和承認，被用戶接受。目前認爲自動駕駛將分爲若干個過程，逐步實現：
- 第一個階段：輔助駕駛安全和提升交通效率。
- 第二個階段：在封閉園區的（商用車）的自動駕駛。
- 第三個階段：在開放道路的（乘用車）的自動駕駛。
參考文獻：
[1] Liu Chuan, Chen Jinying, Zhu Zhengmo, et al. Impact analysis of 5G on Driverless Cars [J]. Communications and Information Technology, 2017(3):43-44.
[2] Chen Xiaobo. Challenges and Prospects for the Development of Autonomous Vehicles [J]. Integrated Transport, 2016 (11) : 9-13.
[3] Yu Adong, Chen Ruiwei. Research on Auto Autonomous Driving Technology [J]. Practical Automotive Technology, 2017 (2) : 124-125.
[4] min-hui zhu. Gradually achieve automated driving five levels [J]. Journal of automobile and accessories, 2016 (11) : 4.
[5] Gao Hongbo, ZHANG Xinyu, ZHANG Tianlei, et al. Research on Variable Particle Size Measurement of Intelligent Driving Vehicles based on Cloud Model [J]. Journal of electronics, 2016,44 (2) : 365-373.
[6] Guo Xu. Analysis and Prospect of Driverless Technology from the perspective of artificial Intelligence [J]. Electronic World, 2017 (20) : 64-65.
[7] Wang Kejun, Zhao Yandong, Xing Xianglei. Research Progress on the Application of Deep learning in the field of driverless cars [J]. Journal of Intelligent Systems, 2012, 13 (1) : 55-69.
[8] 2018 Self-Driving Safety Report [R]. General Motors Cooperation, February 2018.
[9] W. Lu, Y. Zhou, G. Wan, S. Hou and S. Song, "L3-Net: Towards Learning Based LiDAR Localization for Autonomous Driving," 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019, pp. 6382-6391, doi: 10.1109/CVPR.2019.00655.
[10] Seif H G, Hu Xiaolong. Key Challenges of autonomous Vehicle Industry in Smart Cities: HIGH Definition Map [J]. Engineering, 2016 (02) :27-35.
[11] Xue Jianru, Li Gengxin. Scene Understanding and Autonomous Movement of driverless cars [J]. Unmanned Systems Technology, 2012,1 (2) :24-33.
[12] Lillicrap T P, Hunt J J, Pritzel A, et al. Continuous control with deep reinforcement learning [J]. Computer Science, 2015,8 (6) :A187.
[13] Scott P ，Hans A ，Xinxin D ，et al. Perception，planning，control，and coordination for autonomous vehicles［J］. Machines，2017，5（1）.
本文分享自華爲雲社區《5G與自動駕駛那點事》，原文做者：Tianyi_Li。