简单百科
智能驾驶

智能驾驶

智能驾驶是汇聚多项AI技术，通过电脑系统实现无人驾驶的技术，其可以通过观察环境并做出分析和决策。

美国国家公路交通安全管理局（NHTSA）和美国汽车工程师协会（SAE）都曾对智能驾驶做出定义和分类，最终SAE制定的标准体系为世界通用。SAE制定的标准体系将自动驾驶程度分为六个等级，从Level0到Level5。在Level0，没有任何自动化系统，完全由驾驶人掌控车辆；随着自动化程度的提高，驾驶人逐渐释放控制权，直到达到Level5，所有驾驶功能都完全由自动化系统控制。

智能驾驶从系统架构上可以分为感知层、决策层和控制层，从技术架构可以分为车载系统和云端系统两部分。智能驾驶对于社会发展有巨大的进步意义，但同时也会带来问题，如：局限性高、接受程度低、安全防御性低等。

历史沿革

2000年之前，卡耐基·梅隆大学研制的NavLab系列智能车和意大利的ARGO实验车最具代表性，德国的VaMoRs-P系统也应用了很多无人驾驶车辆技术。中国有关部委“八五”和“九五”计划支持的“军用地面机器人”(AutonomousTestBed，ATB)系列，代表了20世纪90年代中国无人驾驶车辆技术研究领域的先进水平。

2004-2007年，美国共举办了3届DARPA无人驾驶挑战赛。DARPA是美国国防部先进研究项目局(DefenseAdvancedResearchProjectsAgency)机构名称的缩写，这项赛事初始目的是为了促进在极限环境下无人驾驶车辆技术的发展。参赛队伍汇聚高校、企业和其他组织的研究人员，涉及技术涵盖人工智能、计算机技术、汽车设计等方面。每一届比赛的举办对无人驾驶车辆技术的发展都起到了极大的推动作用。

2009年开始，中国每年举办一届“中国智能车未来挑战赛”，旨在推动创新、研发无人驾驶汽车，并通过真实道路环境下的自主行驶来检验研究成果，以促进研发交流及产业化应用。我国无人驾驶技术与国外研发的无人驾驶汽车的主要不同点在于:国外无人驾驶汽车主要依赖GNSS信息和电子地图，而参加“中国智能车未来挑战赛”的无人驾驶车辆则更注重展示车辆感知自然环境并自动处理视听觉信息的能力和效率。

2014年，国际自动机工程师学会（SAE）制定了首套自动驾驶分级标准，将自动驾驶分为6个等级，即L0至L5级。数值越高，代表自动驾驶的成熟度越高。

2016年，瑞士推出了使用自动驾驶巴士的公共交通服务，同年，多米诺比萨与澳大利亚马拉顿目标公司合作，在澳大利亚开始展示其送货上门机器人DRU的运行。在中国，IT巨头百度集团（Baidu）于2017年4月宣布了“阿瓦罗项目”，这是一个利用开放软件平台的自动驾驶开发项目，引领中国自动驾驶的发展。

2022年6月8日，百度和吉利合资的汽车公司集度发布了首款汽车机器人概念车ROBO-01。同年，百度与浙江吉利控股集团合资的吉都汽车（Jidu Auto）将生产，计划于2023年开始交付。2023年，中国华为发布了HUAWEI ADS 2.0（Advanced Driving System，华为高阶智能驾驶系统）。ADS2.0的一大突破便是不依赖高精地图。HUAWEI ADS 2.0使得平均人工接管里程从HUAWEI ADS 1.0的100km提升到200km。

分级

NHTSA分级标准

2013年，美国交通部下辖的美国国家公路交通安全管理局（NHTSA，NationalHighwayTrafficSafetyAdministration），率先发布了自动驾驶汽车的分级标准，其对自动化的描述共有4个级别。

（1）具有特定功能的自动驾驶：该层次汽车具有一个或多个特殊自动控制功能，例如电子稳定性控制（ESC）、自动紧急制动（AEB）等，车辆通过控制制动帮助驾驶员重新掌控车辆或是更快速地停车。

（2）具有复合功能的自动驾驶：该层次汽车具有将至少两个原始控制功能融合在一起实现的系统（如自适应巡航控制与车道保持融合一体），完全不需要驾驶员对这些功能进行控制，但驾驶员需要-直对系统进行监视并准备在紧急情况时接管系统。

（3）具有限制条件的无人驾驶：该层次汽车能够在某个特定的驾驶交通环境下让驾驶员完全不用控制汽车，而且可以自动检测环境的变化以判断是否返回驾驶员驾驶模式，驾驶员无须一直对系统进行监视，可称之为“半自动驾驶”。目前，谷歌无人驾驶汽车基本处于这个层次。

（4）全工况无人驾驶该层次系统完全自动控制车辆，全程检测交通环境，能够实现所有的驾驶目标，乘员只需提供目的地或者输人导航信息，在任何时候都不需要乘员对车辆进行操控，可称之为“全自动驾驶”或者“无人驾驶”。只要输入出发地和目的地，其后责任完全交给车辆端。

SAE分级标准

2014年分级标准

2014年，美国汽车工程师学会（国际汽车工程师学会，国际自动机工程师学会，原译为美国汽车工程师学会）也制定了一套自动驾驶汽车分级标准J3016《标准道路机动车驾驶自动化系统分类与定义》，其对自动化的描述分为5个等级。

驾驶支援：通过驾驶环境对方向盘和加减速中的一项操作提供驾驶支持，其他的驾驶动作都由人类驾驶员进行操作

部分自动化：通过驾驶环境对方向盘和加减速中的多项操作提供驾驶支持，其他的驾驶动作都由人类驾驶员进行操作。

有条件自动化：由自动驾驶系统完成所有的驾驶操作。根据系统要求，人类驾驶者提供适当的应答。

高度自动化：由自动驾驶系统完成所有的驾驶操作。根据系统要求，人类驾驶者不一定需要对所有的系统请求做出应答，车辆需行驶在限定道路和环境条件下。

完全自动化：在所有人类驾驶者可以应付的道路和环境条件下，均可以由自动驾驶系统自主完成所有的驾驶操作。

2018年分级标准

2018年SAE对驾驶自动化系统分类与定义重新修订，而SAE International关于自动化层级的定义已经成为自动化/自动驾驶车辆的全球行业参照标准，用以评定自动驾驶技术级别。具体分级如下：

L0：驾驶员完全学控车辆。

L1：自动系统有时能够辅助驾驶员完成某些驾驶任务。

L2：自动系统能够完成某些驾驶任务，但驾驶员需要监控驾驶环境，完成剩余部分，同时保证出现问题时，随时进行接管。在这个层级，自动系统的错误感知和判断由驾驶员随时纠正。大多数车企都能提供这个级别的自动系统。L2可以通过速度和环境分制成不同的使用场景，如环路低速堵车、高速路上的快速行车和驾驶员在车内的自动泊车。

L3：自动系统既能完成某些驾驶任务，也能在某些情况下监控驾驶环境，但驾驶员必须准备好重新取得驾驶控制权（自动系统发出请求时）。所以在该层级下，驾驶者仍无法进行睡觉或者深度的休息。在L2完成以后，车企的研究领域从这里开始延伸。

L.4：自动系统在某些环境和特定条件下，能够完成驾驶任务并监控驾驶环境。在这个阶段，在自动驾驶可以运行的范围内，驾驶相关的所有任务和驾乘人已经没关系了，感知外界的责任全在自动驾驶系统。

L5：自动系统在所有条件下都能完成所有驾驶任务。

中国分级标准

在《中国制造2025》中，中国将智能网联汽车分为DA，PAHAFA共计4个级别。完全手动驾驶没有计入其中，总体分级如下。

手动驾驶(MD)：顾名思义就是最普通的手动驾驶汽车。

驾驶辅助(DA)：一项或者多项局部自动功能，例如ESC、ACCAEB等并能提供基于网联的智能信息提示。

半自动化(PA)：在驾驶者短时间转移注意力仍可保持控制，失去控制十秒以上予以提醒，并能提供基于网联的智能引导信息。

高度自动化(HA)：在高速公路和市区内部均可自动驾驶，偶尔需要驾驶员接管，但是有充分的移交时间，并能提供基于网联的智能控制信息。

完全自动化(FA)：驾驶权完全交给车辆，这种自动化水平允许驾驶员从事计算机工作，休息和睡眠等其他活动。

智能驾驶系统分析

系统架构

感知层

感知层用来完成对车辆周围环境的感知识别，主要目的是获取并处理环境信息。汽车自动驾驶常用传感器主要包括摄像头、毫米波雷达、激光雷达、超声波雷达、红外夜视，以及用于定位和导航的GPS（全球定位系统）和IMU惯性测量单元）。还有一类技术虽然不是主动式的探测元件，但是属于协同式的全局数据辅助，可以扩展智能车的环境感知能力，在感知层同样扮演着不可或缺的角色，包括高精度地图V2X车联网技术。每种类型的感知技术都有自己的优势和弊端，它们进行融合达到优势互补，最终使智能车在各种驾驶场景达到高安全性要求，从而将感知层数据处理后发送给决策层。

决策层

决策层是人工智能真正发挥威力的部分，和人类驾驶员一样，机器在做驾驶决策时需要回答几个问题：我在哪里?周边环境如何?接下来会发生什么?我该做什么?决策层具体来说分为两步：第一步是认知理解，根据感知层收集的信息，对车辆自身的精确定位，对车辆周围的环境的准确判断;第二步是决策规划，包含对接下来可能发生情况的准确预测，对下一步行动的准确判断和规划，选择合理的路径达到目标。通过这两步使无人驾驶车产生安全、合理的驾驶行为，指导运动控制系统对车辆进行控制。行为决策系统是狭义的决策系统，其根据感知层输出的信息合理决策出当前车辆的行为，并根据不同的行为确定轨迹规划的约束条件，指导轨迹规划模块规划出合适的路径、车速等信息，发送给控制层。

控制层

控制层离不开和车载控制系统的深度集成，真正的自动驾驶必须将决策控制信息与车辆底层控制系统深度集成，通过线控技术完成执行机构的电控化，达到电子制动、电子驱动和电子转向，并控制车辆响应，保证控制精度，对目标车速、路径等进行跟踪。

技术架构

车载系统

感知层通过各种类型的传感器采集、接收的数据，通过总线进行集成，再通过数据的融合和智能化处理，输出自动驾驶所需的环境感知信息。车载传感器的优化配置，可以在保证精度和安全性的基础上，降低整体成本。主控系统由硬件部分高性能车载集成计算平台和软件部分智能车载操作系统组成。计算平台融合了传感器、高精度地图，V2X的感知信息进行认知和决策计算，硬件处理器可以有GPU、FPGA、ASIC等多种选择。智能车载操作系统融合了车内人机交互、运营服务商内容服务商的数据，为乘客提供个性化服务，真正把智能车变成下一个互联网入口，目前的主流操作系统包括Android，LinuxWindowsQNX等最后，主控系统的信息进入车辆总线控制系统，完成执行动作。

云端系统

自动驾驶车辆是一个移动系统，需要云平台来提供支持。云端主要完成4个功能。

（1）数据存储：智能车路测中实采的数据量非常大，需要传输到云端进行分布式存储。

（2）仿真测试：开发的新算法在部署到车上之前会在云端的模拟器上进行测试。

（3）高精度地图生成：地图的生成采用众包形式，把每辆在路上行驶的智能车实时采集到的激光点云或视觉数据上传至云端实现高精度地图的完善和更新。

（4）深度学习模型训练：自动驾驶的决策层使用了多种不同的深度学习模型，对于没有出现过的情况车辆无法处理，因此需要持续不断地通过新数据进行模型训练，来提升算法的处理能力。由于训练的数据量非常大，所以要在云端完成。

作用及意义

按术方面

技术方面看智能驾驶与电动车有着天然关联性，汽车发展的演进路径正在从一条变成两条。智能驾驶与电动车有着天然的关联性，两者存在互相促进、互相支持的关系。电动车采用电动控制，电动车的根本在电池和电池控制、电控也是算法驱动的行业，这是电动车区别于传统汽车的一个特点，车内电信号可以直接被系统收集。其次，采用电动力，而非传统的物理传动，使得车内的电信号可以直接被系统收集。智能驾驶能够帮助解决电动车的充电、节能等核心问题，电动车智能交互系统的背后是将车身机械语言和车联网电子信息语言统一起来，所有信息可以上传下达，实现车与人、车与云的互联。

交通方面

交通方面看智能驾驶将大大提升生产效率和交通效率，并有可能成为人工智能首先突破的领域。

智能驾驶将是未来解决交通拥堵的重要枝术，能大大提升生产效率和交通效率。一方面，随着智能驾驶的普及，交通拥堵不再是问题，人们可以接受更长的通勤距离，汽车可以是家和办公室的自然延伸，更有利于新型的城镇化建设。另一方面，智能驾驶汽车的运行需要配套的交通基础设施，由于智能驾驶漳传感器感知路面障碍，或者通过4G/DSRC与道路设施通信，因此需要在交叉路口、路侧、弯道等布置引导电缆、磁气标志列、雷达反射性标识、传感器、通信设施等。

当前的基础设施，包括超宽车道、护栏、停车标志、振动带等现有设置的交通道路将不再适用。更重要的是，智能驾驶可以为构建智能交通系统提供支撑。智能交通系统是将先进的信息技术、数据通讯技术以及技术等有效地综合运用于整个交通管理体系和车辆而建立起来的一种大范围、全方位发挥作用的、实时、准确、高效、先进的运输系统。

更具体来说，高精度全球定位、高速无线通讯、云计算、云控制的智能交通系统的构建是基于配备高精度北斗定位系统和高速无线通讯系统的智能驾驶汽车、配备有的控制中心、移动终端以及相应的配套基础设施。车辆通过通讯系统将高精度的自身经纬度、高度、目的地等相关数据发送至控制中心。控制中心通过处理全部车辆状态信息、目的地信息等，为全体车辆规划最优路线，并将车辆的控制信息实时传达至全体车辆，从而实现全系统内的智能驾驶。通过完全封闭的双层道路设计，可以取消全部红绿灯，并通过在转弯处设置具有一定斜度的路面，保证车辆在整个系统中可以保持高速行驶。在配套的智能停车系统、智能充电系统、智能检修系统等辅助系统的支持下，实现车辆使用全过程以及全生命周期的智能化，从而可能成为人工智能首先突破的领域。

产业发展

产业发展方面看智能驾驶将引领汽车产业商业模式创新，并重塑产业生态。汽车产业庞大的用户群体、多种多样的使用环境，也将衍生出具有重要商业价值的大数据，从而影响产业链条的重组、价值实现方式的转现方式的转变和商业模式的创新。由此，整个汽车产业将发生空前深度和广度的变化：传统的汽车使用、设计、制造、销售、售后及管理模式极有可能被彻底颠覆，新模式下的新商机将有无穷多种可能，包括管理、维护、性能检测、服务、备件、回收与再利用、金融、信用等。在这一巨变过程中，智能驾驶处于中间枢纽和核心环节的地位。

经济方面

经济方面看智能驾驶是信息化与工业化融合的典型代表，并有可能引发第四次工业革命。传统的交通工具，比如汽车是工业文明的代表产品，而人工智能是信息化社会的代表产品，两者的结合就是智能驾驶，是两化融合的重要代表。因此，智能驾驶不仅仅是新一代的交通工具，也是个性化需求和数据的收集终端和交互平台，更是全新的智能制造体系及产业价值链的核心环节。

智能驾驶广阔的商业化前景受到了资本市场的广泛关注，投资机构、互联网巨头等纷纷与车企、科研机构、创业企业等合作进军该市场。智能驾驶不仅能使交通工具产品本身的价值呈现几何级数增长，还能为相关领域提供全新的解决方案，与新能源汽车、机械、交通、电子、信息、互联网、通讯、能源、环保、城市建设等众多领域进行深入合作，实现协同创新、融合发展。智能驾驶作为引领未来交通产业技术发展方向的战略制高点，将有可能引发第四次工业革命。

社会方面

社会方面看智能驾驶将缓解劳动力短缺的矛盾。世界经济发展正面临着劳动力红利的缺失、老龄化社会的挑战。智能驾驶能够实现“机器换人”和产业转型升级，“智能+X”将成为万众创新的新时尚和新潮流。不能说发展智能驾驶能够解决所有的经济问题和社会问题，但是可以说智能驾驶能够为解决劳动力短缺引的经济问题和社会问题创造良机。比如，智能驾驶将推动汽车所有权形式和使用方式的改变，既能够有效降低汽车出行成本，也能够缓解劳动力短缺。

分析师凯蒂·休伯蒂（KatyHuberty）认为，到2030年，智能驾驶将开创一个规模可达2.6万亿美元的共享机动车市场，并大大降低出行成本。

环境方面

智能驾驶系统能够有效减少污染物徘放。德克萨斯大学分校的研究人员研究了、、氮氧化物、、温室气体和细小颗粒物。结果发现：使用智能驾驶车共享系统不仅节省能源，还能减少各种污染物的排放，其次，智能驾驶能够通过提高车辆利用率减轻污染。汽车可以按照时间顺序依次供需要的人使用，因此可以更好地统筹安排车辆使用，解放司机，提高车辆的使用效率，减少车辆消费总量，有效减少碳排放。此外，智能驾驶通过缓解交通拥堵降低污染物徘放。

安全方面

随着智能驾驶技术的发展，信息安全问题凸显，在《智能网联汽车发展技术路线2.0》等政策指导下，高级别自动驾驶汽车的产业规划与汽车路线进一步明确了发展方向。而车载计算平台发展将进一步加速智能网联汽车品质提升。但计算平台是智能汽车信息安全防护的重点，符合国家监管行业急需的数据安全和管理，是自动驾驶操作系统的新挑战。

存在问题

局限性高

无人驾驶汽车在其“视觉能力”方面无法达到人脑的高度，其传感器通过红外摄像和普通摄像两种技术完成道路环境的收集。当车辆在人口密集的楼房建筑区、事故区域或者其他有人通过通用手势信号来指挥车辆在此区域通行时，无人汽车将遇到判断难题。另外，道路存在信号标志老旧变形等情况出现，可能会使无人汽车产生误识或者漏识，造成不必要的事故。

人文接受程度问题

社会对无人驾驶汽车依然存在诸多疑问，如当无人驾驶汽车行驶在这个人口稠密的世界时，发现已经无法避免事故的发生时，智能计算机应该选择冲向马路的行人还是直接撞击迎面而来的车辆，在受到外部虚拟网络攻击后是否还可以维持完全驾驶，未被谷歌或GPS完全测绘学的道路如何行使等。无人驾驶汽车在法律法规方面同样存在极大的挑战。如产品责任，立法和多重管辖权等，无人汽车与有人汽车发生事故责任判定和无人汽车之间发生事故责任判定等。

安全防御性低

软件安全公司Security Innovation首席科学家乔纳桑·佩蒂特（Jonathan Petit）表示，大部分无人驾驶汽车探测障碍物的激光雷达系统只需一个成本不到60美元的装置即可破解。佩蒂特表示，通过这一装置，黑客可以在任何位置设置实际并不存在的汽车、行人，或是墙壁，导致无人驾驶汽车的行驶速度放慢，甚至寸步难行。其相关论文已在欧洲黑帽安全大会上发表。

发展趋势

直接控制式

直接式运动控制是通过纵向控制器直接控制期望制动压力和节气门开度，从而实现对跟随速度和跟随减速度直接控制，具有快速响应等特点。该系统由PID、PI、滑模控制器和模糊控制器四部分构成。系统通过专家经验知识设计了控制器间的协调切换逻辑，可以在不同工况下充分发挥其优势。该系统的缺点是由于控制器的频繁切换会使执行机构存在时滞和振动。有学者提出采用特定的控制策略对控制系统的参数不确定、非线性等因素进行模拟，例如模糊控制等得到较好的效果。2012年土耳其的VSezer等人设计了一种智能车速度控制器。该控制器是有两个串联Mamdani型的是基于模糊逻辑推理系统，串联结构通过减少模糊控制规则，从而方便了控制器设计，研究结果显示车辆行驶在急转向工况时的控制器性能更好。2017年，清华大学李升波等基于分布式H最优控制方法设计一种鲁棒纵向控制器，该系统通过信息交换矩阵的线性变换和特征值分解转换成一个不确定的、对角非线性系统。并通过与非鲁棒性控制器对比，分析设计系统的鲁棒稳定性和纵向稳定性。2017年，国防科技大学的黄振华等提出一种参数批量化处理的强化学习算法（PAC）为了获得自动驾驶车辆的最优纵向控制。该方法的采用actor-critic学习结构，且为了提高学习效率采用最小二乘方法更新参数。通过大量的实车实验显示通过强化学习的方法纵向控制性能超过了传统的纵向控制方法。直接式纵向控制器设计采用自适应控制、PID控制等控制方法，建立一种非线性系统模型。目的为了提高系统的自适应能力，降低参数不确定、非线性等对系统的影响。该设计方法集成度高，但是开发难度高。

分层式

纵向控制分层式控制根据控制目标的不同设计上位控制器和下位控制器，上位控制器是用来产生期望车速和期望加速度，下位控制器根据上位控制的期望值产生期望的油门开度和制动压力，以实现对速度和制动的分层控制。2003年，东京大学MOmae基于H-infnity鲁棒控制方法，设计了前馈/H-infnity反馈纵向下位控制器，该设计克服车辆纵向动力学的参数不确定性以及执行机构产生的系统延时，试验结果表明所设计纵向下位控制器具有良好的鲁棒性和稳定性。2007年，GaoF等构建了多模型分层切换纵向下位鲁棒控制方法，主要针对车辆纵向动力学系统中参数不确定和模型不确定，通过实车实验验证了方法的鲁棒性和扰动抑制能力。