【第一電動網(wǎng)】（專欄作者 朱玉龍）本文將對Google的無人駕駛車輛的內(nèi)容做一些梳理，包括前幾日已經(jīng)初步拋出來的對人工智能在汽車智能駕駛的路線的話題的一些總結(jié)。本文將分三個部分，介紹Google無人駕駛車輛的主要開發(fā)者和開發(fā)情況，最新車輛的配置信息還有車輛的軟件結(jié)構(gòu)的一些思考。

這里首先初步的梳理一下無人駕駛車輛的歷史：

· 1970年以前：一些車企使用射頻和磁釘?shù)姆绞絹韺б囕v實現(xiàn)自動駕駛。

· 1977～2000年：日本、歐洲和美國的一些高校進行了一些實驗和開放項目，主要提供給高校和研究院所進行的開放項目，如EUREKA Prometheus、CMU NAVLAB、AHS Demo。

· 2004和2006年：分別進行DARPA的一些比賽，鼓勵各個高校組織實際的車輛相互競爭參與比賽。

· 2007年：DARPA城市挑戰(zhàn)賽，這個選擇了城市道路這項有很高難度的項目來給各個高校空間，這里Carnegie Mellon和Stanford這兩個車隊比賽成績很接近。

第一部分 Google無人駕駛車輛的開發(fā)者

Google對無人駕駛車輛的故事應該從DARPA開始的，在《The DARPA Urban Challenge Autonomous Vehicles in City Traffic》這本書收錄了2007年美國的DARPA。

2007年的各個優(yōu)秀車隊的車輛信息，這里就包括兩個主要車隊的人員Boss和Junior車隊，由Carnegie Mellon University和Stanford Artificial。

Intelligence Lab這兩個主體構(gòu)成。

如圖2所示，目前Google車輛的CEO是John Krafcik、項目的總監(jiān)是Chris Urmson，Bryan Salesky負責硬件開發(fā)。

圖2 Google 無人駕駛車輛項目的主要人員

這個項目的前期，是Sebastian Thrun帶著下面這些團隊成員一起去做的整個項目。

· Michael Montemerlo ：是整個項目的靈魂人物，是軟件的負責人，并自己參與規(guī)劃和優(yōu)化的工作中，他目前還在Google。

· Hendrik Dahlkamp ：是軟件工程師，主要的工作是車輛定位和地圖，去了Google以后也是從街景車，目前已經(jīng)從Google離職去了一家創(chuàng)業(yè)公司擔任CTO。

· David Stavens：他的工作也是定位和地圖方面，離開google以后和Sebastian創(chuàng)立了Udacity。

· Dmitri Dolgov ：目前的Google的軟件Lead工程師，也是規(guī)劃和優(yōu)化的工程師。

· Scott Ettinger：系統(tǒng)測試方面的工程師，目前還在Google。

注：這是通過將所有下面成員和Google工程師對比得來的，這里的方法是根據(jù)每個人的去向做了個梳理。在網(wǎng)上可以查到的和Google自動駕駛車輛有關(guān)的共有約80位工程師。

圖3是當時斯坦福參與車輛的團隊構(gòu)成，當時由大眾北美、大陸和博世等德系公司來支持這個項目，而原有斯坦福的團隊主要是在車輛的定位、地圖、動態(tài)識別感知、控制和優(yōu)化那塊做大量的創(chuàng)新性的設計和考慮。

圖 3 斯坦福的無人駕駛車輛參賽團隊

第二部分 Google無人駕駛車輛的配置信息

Google現(xiàn)在正在用的是 23輛 Lexus RX450h SUVs  25 很Q的原型車，之前還有少量的Prius(5輛還有一輛Audi TT)改裝的無人駕駛車輛。對比一下Google使用的感知技術(shù)主要由：

1)360 LIDAR光學雷達：Velodyne HDL-64 LIDAR (HDL)這款光學雷達，兩個隊伍都用著合適就一直保留了下來。

2)毫米波雷達：兩個隊伍分別采用了博世和大陸的毫米波雷達，實際在后續(xù)的設計中也一直保留了下來。

3)天線：這既是GPS的，也是通信所需要的。

4)超聲波傳感器：起到輔助定位的辦法，主要計算作用。

5)攝像頭：圖像的辦法，在識別靜態(tài)物體的時候還是很有用的。

Google經(jīng)過了比賽和大量的嘗試以后，還是找到了自己的將多傳感器融合進行感知的辦法。這點應該來說，是需要大量的實際處理測試之后才能有收獲的。

圖4 Google改裝車的配置

圖5 現(xiàn)在Google 工程車的配置

圖 6 兩輛比賽車的傳感器配置

第三部分 無人駕駛車輛的程序架構(gòu)和Google的進化

對比兩個車隊的實際的程序架構(gòu)，其主要的構(gòu)成主要為：

1)Mission Planning 任務規(guī)劃

任務規(guī)劃車輛根據(jù)已知的路網(wǎng)(通過全局路徑規(guī)劃)，計算可能的路徑對應的成本(時間&風險)，簡單來說就是當前位置A=>目的地B點，我們看到的最佳路徑的任務規(guī)劃器。

2)Behavior Generation 行為生成

根據(jù)任務分配以后，可以將車輛的頂層策略做出來，基本可分為道路行駛、穿越路口和區(qū)域處理(泊車)三部分。這里可以理解為車輛地圖解析出來的戰(zhàn)略行為的執(zhí)行過程，也是車輛的狀態(tài)機的切入點。

3)Motion Planning 運動規(guī)劃

這里其實涉及的內(nèi)容很細，整個車輛的細節(jié)控制加速、減速和轉(zhuǎn)向，以及對應的車輛的自身位置和自身姿態(tài)狀態(tài)的處理尤其關(guān)鍵。這部分更涉及到怎么去控制車輛做到很好的狀態(tài)。

4)Mechatronics & Perception & World Modeling 傳感器處理、環(huán)境感知和建模

通過一系列傳感器的感知，系統(tǒng)監(jiān)控車輛周邊環(huán)境識別，自動識別周圍環(huán)境當中的障礙物(車輛、行人和動物等活動物體及其運動方向和速度)，同時對于車道白線，道路標志和信號燈也能進行正確判斷。其中交通標志如限速牌、紅綠燈，一般通過視覺系統(tǒng)完成，難點主要在實時性和魯棒性，需要考慮道路中可能有的光線變化、遮擋等問題。

這個重點就是將所有的原始數(shù)據(jù)融合形成對道路環(huán)境的認知，簡單一些分類，也可以分為動態(tài)物體和靜態(tài)物體的感知。

圖7 兩個車隊的主體程序架構(gòu)

這里最為核心的還是如何處理復雜多變的路面情況，前面寫了一些簡單的文字，和李博交流，他說有可能是NP Problem，you can‘t solve this problem in your life time。根據(jù)Google的日志情況來看，在服務器上的道路行駛AI是有相當?shù)淖詫W習和自我改進的能力了，一旦這個過程開始，則日積月累，一下走到了所有人的前面。所以看到Google在月度報告里面根據(jù)路面數(shù)據(jù)生成的場景再現(xiàn)，它根據(jù)傳感器數(shù)據(jù)再現(xiàn)的人、車、標志和道路。

圖8 Google在月度報告里面披露的場景圖

所以Google領先汽車廠家的，還是其深度測試和驗證的對汽車的交通規(guī)則讓AI學習的部分，傳統(tǒng)汽車企業(yè)完成ADAS功能，如車道保持、緊急制動、自適應巡航還是在單一場景里面實現(xiàn)的，如何加入整個對基本規(guī)則和各種規(guī)則的適應，這塊是比較難嘗試的。不過隨著豐田投資AI、戴姆勒在卡車領域嘗試測試，不斷的加大投入，科技公司和傳統(tǒng)車企之間在技術(shù)之間會相互融合和考慮，特別像SAE牽頭做的V2V的DSRC(短距離通信)項目。

圖9 交通場景規(guī)則

小結(jié)：Google無人駕駛車輛的資料只有一些表面淺顯的材料可供查詢，只有等到其真正外部測試和比較公開的時候我們才能一窺究竟。目前其戰(zhàn)斗的潛力值還是很高的，需要我們持續(xù)關(guān)注和追蹤。

返回第一電動網(wǎng)首頁 >