【摘要】无人驾驶是通过主动驾驶零碎，局部或齐全的代替人类驾驶员，平安地驾驶汽车。汽车主动驾驶零碎是一个涵盖了多个功能模块和多种技术的简单软硬件联合的零碎。本文将基于 5G 技术来探讨主动驾驶那点事。
人们越来越冀望通过无人零碎代替人类进行一些流动。小到帮忙人们主动打扫高空的扫地机器人，大到进行战场态势感知协同作战的无人机，无人零碎曾经渗透到人类流动的方方面面。无人驾驶汽车作为其中之一，其市场需求十分宽泛，从港口货运到乘用车驾驶品种繁多。近年来随着需要的推动，人工智能的炽热，无人驾驶汽车畛域获得很多技术冲破，同时吸引更多投资以及科技力量的投入其中，使其成为一个暮气沉沉的新兴技术畛域 [1-4]。
无人驾驶是通过主动驾驶零碎，局部或齐全的代替人类驾驶员，平安地驾驶汽车。汽车主动驾驶零碎是一个涵盖了多个功能模块和多种技术的简单软硬件联合的零碎。在机器学习、大数据和人工智能技术大规模崛起之前，主动驾驶零碎和其余的机器人零碎相似，整体解决方案根本依赖于传统的优化技术。随着人工智能和机器学习在计算机视觉、自然语言解决以及智能决策畛域取得重大突破，学术和工业界也逐渐开始在无人车零碎的各个模块中进行基于人工智能和机器学习的摸索，目前已获得局部成绩。而无人驾驶零碎作为代替人类驾驶的解决方案，其设计思路和解决办法背地都蕴含了很多对人类驾驶习惯和行为的了解。当初，无人驾驶曾经成为人工智能最具前景的利用之一 [5-7]。
1 主动驾驶的相干工作
主动驾驶是一个系统性的简单工作，个别是在传统汽车上进行加装来构建整个零碎。上面援用通用汽车公司的 Cruise 主动驾驶汽车的硬件零碎架构进行介绍 [8]，如图 1 所示，其余公司计划相似，能够清晰地看出，主动驾驶硬件零碎次要蕴含五局部：感知模块、主动驾驶计算机、供电模块、信号通信模块、执行和制动模块。
图 1 主动驾驶硬件零碎
Fig.1 Automatic driving hardware system
1.1 感知模块
主动驾驶硬件零碎中的感知模块作为感知周围环境的重要途径，在规格和性能上有严格的要求，这是传统车辆所没有的。感知模块的次要作用是代替传统驾驶汽车中驾驶员的眼睛和耳朵，还有驾驶教训。通常由摄像头、激光雷达、毫米波雷达和 GNSS/IMU 组成。
摄像头相当于人类驾驶员的眼睛，次要用于获取图像信息，可用于辨认行人、车、树、红绿灯、交通标志等物体，以便进行定位。相比之下，激光雷达通过接管的反射数据，能够获取更加丰盛而精确的信息，如指标间隔、方位、高度、速度、姿势、甚至形态等参数, 从而对指标进行探测、跟踪和辨认以及更加精确的定位，其三维测距原理是通过测量激光信号的时间差、相位差确定间隔，通过程度旋转扫描测角度，并依据这两个数据建设二维的极坐标系，再通过获取不同俯仰角度的信号取得第三维的高度信息。激光获取的数据信息通过辨认分类标注不同色彩解决后失去的可视化信息如图 2 所示。
图 2 激光雷达获取信息示意图
Fig.2 Schematic diagram of lidar information acquisition
毫米波雷达工作频率为个别为 24GHz 和 77GHz，通过获取反射数据，可用于辨认障碍物和测距。与其余支流雷达相比，毫米波雷达性能更佳，不受指标物体形态色彩和大气紊流的影响，具备很好的稳固的探测性能，环境适应性好。对于日常驾驶可能遇到的顽劣天气有很好的容错性，受天气和外界环境的变动的影响小，在理论利用中，对于雨雪天气、灰尘、阳光都有很强的适应。而且多普勒频移大，测量相对速度的精度进步，很适宜主动驾驶高精度定位、辨认等性能，对主动驾驶的工程利用有很大的促进作用 [9]。GNSS/IMU 组合则用于实时获取全局地位信息。
1.2 主动驾驶计算机
主动驾驶计算负责进行主动驾驶相干的计算解决，个别次要蕴含五局部：CPU、GPU、内存、硬盘存储空间和硬件接口。目前还有专门用于减速计算的专用处理器。
其中，依据 CPU 的性能特点，次要用于通用计算，解决逻辑判断、进行流程管制以及布局，GPU 用于并行计算，实现大规模大量同类型数据的计算，例如物体辨认、分类解决等，个别是作为深度学习的部署应用，目前还有专门的处理器的代替计划，对矩阵运算做了专门的优化设计，晋升计算效率，取得较高的能效比，比方华为的昇腾系列处理器。内存用于大量数据处理、加载高精度地图，对系统整体运行速度有较大影响。硬盘存储空间用于存储高精度地图和相干的利用数据。丰盛的硬件接口，例如串口、CAN、以太网、USB 等，多用于各种传感器连贯。
1.3 执行与制动模块
执行与制动对于驾驶平安至关重要，执行与制动零碎也在随着主动驾驶技术的一直倒退而获得了长足的提高。执行零碎接管主动驾驶管制模块依据交融决策做出的车辆的具体执行指令，管制车辆能源（油门和档位）、底盘（转向和制动）和电子电器等零碎的执行，实现主动驾驶的速度和方向管制。相比之下，传统的汽车底盘制动零碎是液压、气压制动，为了实现车身框架的稳固并将智能驾驶性能延长，线管制动将是汽车制动技术的长期发展趋势，线管制动能够深度交融智能驾驶功能模块。这一趋势相似于航空畛域航行操纵零碎由液压逐渐转换为电传操纵零碎的过程。
1.4 主动驾驶软件系统架构
整体而言，主动驾驶硬件零碎是在传统车辆硬件标准配置的根底上，为更好满足主动驾驶的须要，进行了加装降级。
相比之下，与之相配套的软件系统是全新设计的，相当于人类的大脑，负责在交融各种传感器信息和先验常识的前提下，做出平安正当的决策，按性能次要分四个模块：定位、感知、布局、管制。其中定位模块是根底，各模块蕴含内容如图 3 所示。
图 3 主动驾驶软件系统架构
Fig.3 Architecture of automatic driving software system
其中，定位解算依赖高精度地图的辅助，基于定位信息能够发展环境感知、门路布局驾驶行为决策以及汽车静止管制等内容，而门路布局、行为决策以及静止管制互相分割，环环相扣，前一个输入能够作为后一个的输出条件来应用。简而言之，管制模块能够将决策布局的动作作为输出，计算应该执行的转弯角和管制的油门。
1.5 定位
定位包含车辆本身在周围环境的定位和对四周物体的定位，这是进行决策的重要前提和信息。为满足主动驾驶需要，目前主动驾驶定位精度最低要求为 10cm，一般来讲，很难通过繁多解决方案达到高精度的定位，次要是通过多传感器以及高精度地图交融的形式，支流计划是 GNSS、IMU、激光雷达、相机、高精度地图交融。其中卫星导航系统（Global Navigation Satellite System，GNSS）次要提供粗略的相对地位（经纬度），而后依据采集本身所在环境的激光雷达数据和相机数据与高精度地图匹配失去更准确的定位。IMU（Inertial Measurement Unit）惯性器件提供状态预计算法中状态方程（预测）中的加速度、角速度。
来自百度公司的主动驾驶团队采纳的定位计划框图如图 4 所示。这是目前比拟常见且无效的定位算法架构。定位算法的钻研难点在于一些渺小的解决与扭转可能引起较大的精度差距。所以，一直有钻研人员在定位算法上深耕冲破。
图 4 定位算法施行框图
Fig.4 Block diagram of localization algorithm implementation
1.6 高精度地图
在定位计划中，高精度地图起到了无足轻重的作用。高精度地图是通过高精度激光雷达、相机、GNSS 等传感器获取路线信息数据。一般来讲，传感器数量越多，信息笼罩越全面，精度也就越高，高精度地图就越准确。在主动驾驶应用时，可将其示意为计算机语言的模式存储在主动驾驶计算机的硬盘当中，驾驶过程中通过实时与高精度地图比对来取得高精度定位 [10]。
高精度地图通常须要事后建设，在建设过程中存在大量的分类问题，破费微小，少数开销在传感器零碎上。因为采集的数据宏大，格局多样，维度较多，个别通过人工智能算法进行数据处理。高精度地图次要蕴含车道经纬度、车道宽、曲率、高程、车道交叉口地位、宽度、曲率、信号灯地位、道口数、标牌地位以及含意等。目前次要是通过深度学习的办法进行解决，在计算机视觉畛域采纳卷积神经网络（Convolution Neural Network，CNN）使问题失去很好的解决。
图 5 神经网络示意图
Fig.5 Schematic diagram of neural network
卷积神经网络通常由一个或多个卷积层和全连贯层组成，卷积层执行的计算蕴含卷积操作和池化操作。卷积计算是通过不同窗口数据和滤波矩阵（一组固定的权重）做内积（一一元素相乘再求和）的操作失去卷积后的数据；池化计算将数据分块，每个数据块以最大值或求平均值作为数据块的代表值。具体操作示意图如图 6 所示。
图 6 卷积（左）和池化（右）操作示意图
Fig.6 Schematic diagram of convolution (left) and pooling (right) operations
卷积神经网络算法还有一个个性是权值共享，即对于一幅图片上每个点，在某一层的卷积操作权值是雷同的，卷积神经网络训练的参数转化为训练滤波矩阵（卷积核），参数量大幅度缩小。卷积神经网络就是通过多个卷积层失去不同方向上的几何信息特色，通过提取这些特色，失去输出数据的相关性，通过思考这些相关性缩小训练复杂度，该办法在图像和语音解决上具备很好的利用。
1.7 感知和布局
感知和布局相辅相成，互为补充。特地是在线进行环境感知，要对采集的数据进行在线实时辨认、分类，次要挑战在于输出数据是动静的，不确定的，具备很强的突发性和必然性，具备很大的挑战性。
布局问题是依据感知的动静环境与对静止体的预测状况进行静止序列决策。主动驾驶要求在简单环境下做出疾速而精确的决策判断，能够构想通过一个极其简单的路口对布局问题的考验，是体现主动驾驶智能水平的关键问题。传统的门路布局算法对简单动静环境并不实用，工夫复杂度高，而强化学习是解决序列决策问题的好办法，目前在解决主动驾驶布局问题上有很好的仿真验证。强化学习是与监督学习、无监督学习平级的机器学习的一个分支，来源于动物学习心理学，最早可追溯到巴普洛夫的条件反射试验，通过反馈取得功效的评估来一直进步学习效果 [11]。
1.8 管制
管制的工作是消化下层动作布局模块的输入轨迹点，通过一系列动力学计算转换成对车辆油门、刹车以及方向盘的具体的管制信号，从而尽可能地控制车去理论执行这些轨迹点。该问题个别转化为找到满足车辆动静姿势限度的方向盘转角管制（车辆横向管制）和行驶速度管制（车辆纵向管制）。对这些状态量的管制能够应用经典的 PID 控制算法，但其对模型依赖性较强，误差较大。智能控制算法，如模糊控制、神经网络管制等，在主动驾驶管制中也失去宽泛钻研和利用。其中，神经网络管制利用神经网络，把管制问题看成模式识别问题，被辨认的模式映射成“行为”信号的“变动”信号，获得了较好的成果，甚至能够用驾驶员操纵过程的数据训练控制器获取控制算法，具备广大的利用前景 [12]。
2 5G 的启发与时机
主动驾驶分为 6 个等级，具体如图 7 所示，目前真正利用到理论生存中可达到 Level 3，次要是基于汽车本地端的传感器进行数据交融从而做出决策的，有肯定局限性，限度了向更高等级倒退，因为在路线环境异常简单的状况下，摄像头和激光雷达等本地传感器受限于视距、环境等因素影响，无奈做到很高的安全性，比方当汽车以 130 km/ h 的速度行驶时，摄像机和雷达无奈平安检测到后方超过 120 米的停车，这将触发紧急制动，这显然是无奈承受的。如何须要补救这种有余，让主动驾驶看的更远是钻研人员面临的一个难题。
图 7 主动驾驶等级划分图
Fig.7 Automatic driving classification chart
2.1 5G 下的主动驾驶计划 V2X
目前业界次要采纳的是 C -V2X，这是一种基于蜂窝网络的技术，不仅反对现有的 LTE-V2X 利用，还反对 5G V2X 的利用，如图 8 所示。基于弱小的 3GPP 生态系统和间断欠缺的蜂窝网络覆盖，预计可大幅升高主动驾驶和车联网部署老本，很有可能成为 5G 时代最先胜利的垂直行业利用场景 [13]。
图 8 V2X 演进过程
Fig.8 V2X evolution
与激光雷达等传感器不同，V2X 可视为一种无线传感器零碎的解决方案，容许车辆通过通信信道彼此分享信息，检测潜在危险，扩充主动驾驶感知范畴，从而进一步晋升主动驾驶的安全性和舒适性。比方路线后方弯道处停有一辆抛锚的汽车，但正好处于弯道处，这时基于汽车本地的传感器较难检测到，而 V2X 能够通过网络共享信息，将抛锚车辆信息传送给正在行驶的车辆。
5G 作为重要的通信载体，意义重大，特地是短提早个性使实时通信不再是遥不可及，高牢靠低时延业务，很适宜主动驾驶畛域。而要达到主动驾驶 L5 须要超高牢靠低时延的指标，甚至因为物联网各种传感器太多，或者还须要 mMTC(海量机器类终端通信), 而 URRLC 和 mMTC 是 5G 规范最初落地的规范。与互联网“尽力而为”的数据传输方式不同，5G 提供始终如一的低延时和高速率服务保障，这对安全性要求极高的无人驾驶意义重大，比方当汽车行驶在网络拥塞区域的时候，依然能够取得网络通信保障。
5G 核心网管制面与数据面拆散，NFV 令网络部署更加灵便，从而使分布式的计算边缘部署，将更多的数据计算和存储从外围下沉到边缘，间隔数据更近，从而升高时延和网络负荷，同时晋升了数据安全性和隐衷性。
值得一提的是，即便是在没有 4G/5G 网络覆盖的环境下，C-V2X 还是能够利用 PC5 接口进行彼此通信。
2.2 5G 带来的时机
对于无人驾驶中核心技术——高精度地图也有很大的帮忙。高精度地图通过对四周动态的环境进行准确形容，来延长传感器的感知范畴，以更为精密的尺度帮忙汽车理解所处的地位、四周的环境情况、应该如何进行下一步操作等定位决策问题。
相比传统导航地图，高精度地图的图层更多，地图信息量更大。从图层数量上看，蕴含诸如路线级别、交通设施等更多的数据。从图层品质上看，高精度地图每一图层的描述更精密，从而能够实现厘米级导航。高精地图提供主动驾驶所需专用路线信息，除了领有传统导航地图具备的路线形态，通行方向，车道等信息，还蕴含了诸如车道分隔物类型、交通标志、限速等信息，和一些路线几何的三维信息，像弯道、斜坡等。宏大的数据集在存储、解决和传输方面都是一个挑战，特地是传输更新方面，因为高精地图须要实时更新，通过传感器、摄像头采集到的信息通过通信伎俩与云端做交互，能使得地图更加智能。基于智能地图信息的门路布局，通行效率更高，5G 的高带宽、低延时个性使得这所有成为可能。
另一方面，高精地图的数据量微小，达到 Gbit/km 级别或以上，以尽量少的工夫实现更新，须要超高速带宽撑持，这也是 5G 网络能力提供的。
最初，高精地图能够提供一幅雷达和视觉探测间隔之外的特定物体（挪动的行人和车）信息，以及红绿灯、限速要求信息，基于此信息进行避障布局（包含车车博弈，车人博弈等），根本可确保无人车在凋谢路线上的平安问题，不会产生任何模式的被动碰撞以及交通违章等。这部分内容的通信时延要求 ms 级，迫切需要 5G 的反对。
车辆的传感器和摄像头相当于人类的眼睛，主动驾驶零碎的逻辑推理和决策相当于人类的大脑，主动驾驶零碎的静止管制操作相当于人类的手和脚，这些信息实时互通须要超高速传输和超高的可靠性、超低的时延。绝对 4G 网络，5G 传输速率晋升 100 倍，峰值传输速率达到 10Gbit/s，端到端时延达到 ms 级。在理论利用中，当车辆行驶在路上遇到突发状况，反应速度至关重要，只有 5G 这样的超高速率和超低时延能力满足无人驾驶的要求。
2.3 倒退现状
在 2019 年世界新能源汽车大会，华为公司推出的 5G + C-V2X 车载通信技术取得了高度认可，且基于此研发了寰球首款 5G 车载通信模组 MH5000，采纳自研的 Balong 5000 芯片，单芯多模，反对 SA/NSA 双组网，最高上行峰值速率为 2Gbps，最高上行峰值速率为 230Mbps，反对第三方利用开发，是业界首款集成 5G + V2X 技术的模组。
世界各国都很器重相干技术的倒退，我国激励包含 C -V2X 在内的车联网技术的倒退。多部委及中央政府，都针对性给出了明确的政策反对。据不齐全统计，目前全国曾经领有超过 30 个测试示范区，其中包含上海、北京 - 河北、重庆、无锡（先导区）、杭州 - 桐乡、浙江、武汉、长春、广州、长沙、西安、成都、泰兴、襄阳等 16 个国家级示范区。这些示范区涵盖了无人驾驶和 V2X 测试场景建设、LTE-V2X/5G 车联网利用、智慧交通技术利用等性能，提供了波及平安、效率、信息服务、新能源汽车利用以及通信能力等的测试内容。
3 结束语
主动驾驶前景广大，是将来汽车行业的发展趋势，相干技术飞速发展，置信随着 5G 技术的全面利用，主动驾驶会获得更大倒退。
但咱们仍需意识到，主动驾驶最终目标的实现，并真正落地商用，是一个漫长的过程。除了技术和资金之外，还波及到法律和伦理的问题。更重要的是，它是否能最终取得用户的信赖和认可，被用户承受。目前认为主动驾驶将分为若干个过程，逐渐实现：
第一个阶段：辅助驾驶平安和进步交通效率。
第二个阶段：在关闭园区的（商用车）的主动驾驶。
第三个阶段：在凋谢路线的（乘用车）的主动驾驶。
参考文献：
[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）.
本文分享自华为云社区《5G 与主动驾驶那点事》，原文作者：Tianyi_Li。
点击关注，第一工夫理解华为云陈腐技术~