#创作先锋团#具备哪些要素才能称得上是一款真正的「智能汽车」？ 原创

结论先行：智能汽车作为未来汽车行业的产品，它将对汽车行业和交通运输业产生较大的影响，一款可以解放驾驶员双手的汽车才是真正的智能汽车，它不仅能够免除驾驶员的驾驶负担，还可以降低甚至消除人为的失误来降低交通事故率，那么这样一款真正的智能汽车要具备先进的环境感知和精确的车辆控制的技术，从自动驾驶的级别来说即L4/L5的水准，其中智能汽车通过精确的车辆控制来提高道路的通行能力，且减少尾气排放对环境产生的污染。

智能汽车可以视为轮式的机器人，如果需要让它从起点自动导航到目的地，提供3个信息：“目前的位置”、“要去的地方”、“如何去目的地”。“目前的位置”和“要去的地方”的信息依赖智能驾驶系统中的定位模块来获取。当下智能汽车定位的方法：
其一是在组合导航 GNSS 基础上的定位方法，此方法适用于空旷的场景（高速公路），然而在城市环境下，会让全球定位系统出现多径的效应，出现定位失败的问题。
其二，通过融合车载摄像头和激光雷达这样的传感器输出环境特征信息来构建高精度的环境地图，再依赖车载传感器输出数据和地图匹配来达到车辆定位的效果。

此方法解决智能汽车在林荫大道和隧道内的定位问题，此环境下的复杂程度高，对智能汽车的定位精度要求也要更高。在解决了“目前的位置”和“要去的地方”的问题，那么还需要依靠智能汽车的决策控制模块从高精度的地图中规划出全局的路径，最终控制车辆顺着路径进行自动导航。因为路况复杂，那么行车环境感知系统作为智能汽车的眼睛，它确保智能汽车能够安全的行驶。

最近几年在国家的支持下，国内智能驾驶技术发展迅速，智能驾驶技术也能够在各种环境工况下，尤其是在相对简单的封闭园区与无人矿区中的商业化应用，然而对车辆密度较高且人车混合的城市工况下，当下的智能驾驶技术还需要进一步优化，特别是城市环境下精确的行车环境感知技术还有待提高，国内举办的智能驾驶挑战赛在一定程度上推动城市环境下的行车环境感知的发展。城市环境下的智能驾驶行车环境感知技术不仅具有挑战性，而且其进步不仅能够提高智能驾驶车辆的运行速度，还能解决复杂环境下的智能驾驶的问题。

随着智能驾驶技术的日益成熟，智能驾驶已从原型技术逐渐向量产化进行推进，通用在2016 年将智能驾驶公司 Cruise Automation收购了，在2017 年制，它制作出世界第一台能够量产的智能驾驶汽车，且规划在 2019 年前大规模生产无方向盘与踏板等传统控制装置的智能汽车。这个与在普通车辆上改装的智能汽车不一样，通用是直接在生产线上改善且优化智能驾驶系统。通用 Cruise 智能汽车搭载 五个 VLP16 三维激光雷达，十六个个相机模组，二十一个毫米波雷达和，在摄像头周围具有红外 LED，能够确保系统在低照度甚至夜间工况下进行正常的工作。在2018 国际消费电子展，丰田推出在雷克萨斯 LS00hl 基础上的智能汽车，它的车顶安装4个远程激光雷达，可以达到 360º全覆盖的效果，还能够检测周围 两百米内的物体。除此以外，智能汽车的车身4个角落分布短波镭射雷达感应器，就算是汽车附近较小的物体也能够探测到，且具备在完全夜间侦察的能力。

行车环境感知是智能驾驶系统中的核心技术，它为智能驾驶汽车提供行车环境的相关信息（标志标线、交通信号灯、道路边界、路面区域、速度、运动方向、车辆周围障碍物的位置），甚至对它未来状态的预测，这是汽车的智能化水准的标志和安全保证。小伙伴随我深入研究实时地面分割、道路边界检测、行车环境中的障碍物的检测和识别。
 
关于实时地面分割的方面，为了达到完全自动导航的效果，智能汽车要准确地感知且理解周围的环境。各类的传感器已经被用到智能汽车的行车感知系统中，比如，超声波雷达、毫米波雷达、激光雷达、相机。
最近几年三维激光雷达被大量应用在智能汽车的感知中。和其它传感器相比，三维激光雷达具有很多优点，比如 Velodyne 系列的三维激光雷达经过机械的旋转可以360º扫描，可以实时且精确地重建车辆周边三维的环境，运用多个激光束能够精确地定位车辆周边的目标，而且不会受到外界环境光照的改变能够全天候的工作。

三维激光雷达输出的点云不仅涵盖周边物体的信息，而且还涵盖地面的信息，此信息在用于目标检测、分类、跟踪时是是冗余的。那么在很多在三维激光雷达基础上的感知系统，一般将地面分割设置为预处理的步骤，便于更有效地的目标检测、分类、跟踪。地面分割结果是输入信息，还能够用在后续的感知任务中，比如道路边界检测、界定可通行区域的范围和行车环境中的障碍物。但是因为三维激光雷达的视场宽，那么输出的点云数据大且空间分布稀疏，则找到满足智能汽车对算法实时和准确要求的地面点云分割方法仍是巨大的挑战，错误的分割结果会引发智能汽车的感知系统错误解析行车环境。 其中地面点云分割方法有基于雷达扫描线的方法、基于栅格映射的方法、基于图论的方法、基于模型拟合的方法、基于深度学习的方法，各有优缺点。
 
关于道路边界检测的方面，由于智能驾驶车辆在复杂的城市环境下具有很多困难，为安全可靠的自动导航，那么智能汽车肯定需要达到准确可靠地检测道路边界。道路边界一般出现在道路和人行道的交界处。除此以外，如果 GPS 信号因为树木或建筑物的干扰会变得不精确甚至信号丢失的时候，道路边界的位置和特征信息能够作为城市环境中典型交通要素用在车辆的定位方面。

由于无人驾驶技术的快速发展，道路边界检测已经非常热门。为有效检测道路的边界，那么多种传感器（单目摄像机、立体视觉、二维激光雷达、三维激光雷达、各组合）会被搭载到道路边界的检测中。
最近业内专家致力于图像处理领域，而且取得很多显著性的成绩，其中一些已被应用到路肩、道沿、车道标志标线、护栏的检测中。在图像的方法基础上利用道路边界的纹理、颜色、亮度的特征，运用边缘检测方法来识别道路的边界，比如 Sobel 算子与 Hough变换。此方法的优势是成本低，且能利用图像提供的丰富上下文的信息。但是相机对外界光照改变较敏感，且单目相机无法直接提供深度的信息。为提高道路边界检测的精度，密集立体视觉系统被研发且搭载到智能驾驶系统。一种运用立体视觉检测道路边界的方法是把立体视觉获取的点云映射到数字高程图DEM中，再分析高程图中的高度改变。由专家提出一种在垂直局部视差直方图基础上的立体摄像机路面分割法, 第一步是计算视差图像中每个像素的 VLDH，且在VLDH 的基础上检测边界。立体视觉虽能提供深度信息，然而视野比较窄。除此以外，立体视觉经过计算图像的视差来获取深度值，此过程非常耗时，而且实时性比较差，这将是智能汽车的瓶颈。

有关目标检测与识别的方面，针对智能汽车，精确且实时的检测它周边的目标对确保行人和它周围车辆的安全非常关键。目标检测方法一般可划分为在三维激光雷达基础上的目标检测、在摄像机基础上的目标检测、在多传感器融合基础上的目标检测方法。

最近几年，伴随三维激光雷达在无人驾驶领域的大量搭载，在三维激光雷达基础上的目标检测法已非常热门。在三维激光雷达基础上的目标检测方法分为：目标候选区域的提取、目标分类。为提取目标的候选区域，一般把三维激光雷达输出的点云转换到体素栅格中便于深入的处理。业内专家第一步将三维激光雷达点云数据编码成三维特征体素栅格，再运用一个三维滑动窗口在特征栅格中检测可能存在的目标。还有专家把全卷积神经网络从两维图像拓展至三维点云，创建一个三维的 FCN 用于车辆检测。