13518219792
https://www.toutiao.com/a6679370418282824204/
创新互联是一家专注于成都网站建设、成都做网站与策划设计,孝昌网站建设哪家好?创新互联做网站,专注于网站建设十年,网设计领域的专业建站公司;建站业务涵盖:孝昌等地区。孝昌做网站价格咨询:18982081108
随着时间的推移，现代生活中人类越来越多的将机械物件交由机器系统来负责操控，移动出行用的汽车也不例外，从辅助驾驶的共同控制演变到无人驾驶的授权控制，考验的是机器系统能否更多去面对和适应外面的非机构化环境。
从需求角度看，城市居民对于无人驾驶的诉求是存在的，却无法完全信任其安全可靠性。而在这中间，汽车制造商出于可能要承担法律责任问题限制自动驾驶的能力，导致高新科技面市的推迟。
下面从无人驾驶技术的谈起，聊及城市居民对无人驾驶的需求，以及无人驾驶背后监管的重要性。
无人驾驶汽车（Self-driving Car）是室外轮式移动机器人的一种，它依靠人工智能、传感器、定位系统和导航系统的协同合作，让计算机在没有任何人类主动的操作下，自动安全地操作机动车辆，为人类的交通安全和效率带来全新体验。
·无人驾驶的演进，是一个人类逐步交出操控权、提高安全系数的过程；
无人驾驶演进的阶段，是车辆操控权由人逐步交给计算机系统的一个过程，如上图所示。
无人驾驶距离面市，还横着监管体系的问题
也是安全度不断提高的一个过程（如上图所示，从被动安全到主动安全再到预防性安全）。
结合目前产业普遍的预判周期，亿欧智库分析判断，部分无人驾驶预计会在2025年左右开始商业化，完全无人驾驶的商业化要等到2025年以后，而在此之前，ADAS
（Advanced Driver AssistantSystem，高级驾驶辅助系统）会发挥重要作用。
·无人驾驶汽车涉及的技术=环境感知+定位导航+路径规划+决策控制；
无人驾驶涉及的技术可以分为感知和决策两个层面，如下图所示，一方面通过传感器数据获取局部数据（车辆自身及四周环境的数据），另一方面结合高精度地图和天气数据做到构建全局数据。数据综合起来将与决策层做协调应用，辅助系统做定位和导航，再结合算法模型做路径规划，控制车辆的转向和速度，实现驾驶自动化。决策层得到的数据部分也会反馈回高精度地图上。
·环境感知层面=局部数据的感知+全局数据的辅助；
车辆的感知功能主要是通过传感器来获取数据。传感器相当于无人驾驶汽车的眼睛，用来观察行驶时的动态变化，它是无人驾驶汽车中不可或缺的重要组成部分，常用的传感器包括有摄像头、激光雷达、超声波雷达、GPS、陀螺仪等，摄像头和激光雷达是最主要的两种传感器。
·摄像头；
目前，通过摄像头进行拍摄，在进行图像和视频识别，确定车辆前方环境，是无人驾驶汽车的主要感知途径，这也是很多无人驾驶公司的主要研发内容之一。摄像头作为一种已普遍应用的传感器，具有成本低廉、信息采集量大等特点。目前，车载摄像头主要分为单目和双目两种。
单目摄像头 ，主要基于机器学习原理，利用大量数据进行训练，可以获取道路图像，提取车道线，对环境进行识别。尽管需要大量数据支持，且在恶劣光线条件下的表现不如双目摄像头，但其相对便宜的价格以及成熟的技术也获得了一部分公司的青睐。而双目摄像头则基于视差原理（如下图所示），可以在数据量不足的情况下，测定车辆前方环境（树木、行人、车辆、坑洞等），并且获得准确的距离数据，再辅以算法增强的调节来获取周围环境的景深，用以提供给无人驾驶系统进行车辆控制。
·雷达；
激光雷达的工作原理是通过发射单元将电脉冲变成光脉冲发射出去，接收单元再把从目标反射回来的光放冲还原成电脉冲，通过计算发送信号到接收信号的时间差，可以准确测量视场中物体轮廓边沿与设备间的相对距离，这些轮廓信息组成所谓的点云并绘制出3D环境地图，精度可达到厘米级别，如下图所示。
激光雷达的穿透距离远，高性能激光雷达可以实现200米范围内，精度高达厘米级的3D场景扫描重现，从而帮助无人驾驶系统实现提前行驶路线规划。目前来看，多线激光雷达很有可能是未来无人车的必备传感器，并且与高精度地图及驾驶系统核心算法紧密相关。
目前，多线激光雷达还没有针对车规级的成熟量产方案，机械旋转式多线激光雷达虽然已在普遍应用，但体积较大且价格过于昂贵，更小型更低成本的纯固态激光雷达还未见到成熟产品。
毫米波雷达、超声波雷达：除了激光雷达之外，近年来毫米波雷达和超声波雷达也逐渐成为无人驾驶汽车中，参与多传感器信息融合感知设备。其中，最为知名的例子就是特斯拉在其智能汽车中，完全没有使用激光雷达，而采用毫米波雷达+摄像头的方案。另外，类似博世、大陆这样的智能辅助驾驶巨头，也在毫米波雷达和超声波雷达这样成本较低传感器设备上，拥有比较深刻的技术积累和应用经验。而在国内，像行易道这样的毫米波雷达厂商，也在积极进行技术开发，追赶国际巨头水平。
无人驾驶通过定位技术准确感知自身在全局环境中的相对位置，将自身视作一个质点并与环境有机结合起来。导航技术则帮助无人驾驶汽车“知道”自己所要行驶的速度、方向、路径等信息。
在实际应用中通过信息融合技术将二者组合，从而将环境信息和车身信息融合成一个系统性的整体。
其中高精度地图是无人驾驶实现导航以及后续做路径规划的基础，这些年，卫星导航和基于激光雷达的3D环境建模技术日益成熟，高精度地图测绘质量逐步提升，这为自动驾驶的研发提供了不小的助力。国内高精度地图，以百度地图、高德地图、四维图新等公司为主力；而国外方面，Here、TomTom等公司一直备受称赞。
路径规划技术可以为无人驾驶提供最优的行车路径。在无人驾驶车行驶的过程中，从出行需求出发，在高精度地图的基础之上根据路网和宏观交通信息绘制一条自出发点至目标点、无碰撞、可通过的路径（包括计算道路长度、速度、路段等级、交通口等待时长等），再根据车辆在行驶过程中收集到的局部环境数据、自身状态数据来做最优路径选择。得益于激光雷达，算法可以在更大的尺度、缓慢变换的地图和更长的路径上进行路径规划，如下图所示，并不会等到最后一刻才发现路径有问题。
·算法给无人驾驶技术做底层支撑，应对动态障碍物的检测跟踪；
深度学习在无人驾驶的感知层面主要对摄像头和雷达收集到的局部数据（结合全局数据）做处理，基于动态图像极大的丰富信息以及难以手工建模的特性，深度学习能最大限度发挥其优势。
在决策层面，无人驾驶技术在研究过程中首要解决的是安全问题，但激光雷达只能够提供稀疏的环境信息，而无人驾驶行驶在路上所面对的是一个动态变化，所以提高对动态障碍物检测跟踪的准确率、降低误检率是无人驾驶汽车在环境感知中迫切需要解决的问题。
为了在行驶过程中避免与动态障碍物发生碰撞，无人驾驶系统需要算法的辅助来做到以下3个条件：
·首先要可靠地检测出对行驶有影响的动态障碍物，需要传感器精确测量出障碍物的位置变化并能够提取出障碍物特征用于不同时刻的障碍物之间的匹配，完成对同一个障碍物的跟踪；
·其次，必须预测出动态障碍物的运动路径；
·最后需要识别动态障碍物的种类，不同的障碍物具有不同的运动特性，直接影响着无人驾驶汽车最终采取的避障策略；
除却感知和决策层面，无人驾驶还涉及到车辆的控制、汽车动力学、汽车工程等诸多技术学科，同时还需要汽车控制（刹车、转向、灯光、油门等）配件的支持。
·自动化作为未来城市移动出行趋势中的一支，协助供给侧应对需求侧的诉求；
·未来城市的移动出行的需求侧和供给侧；
城市化和人口增长将推动城市平均人口密度至少增长30%。为此，人口密集城市对移动性的需求将翻番（如果人均出行里程保持稳定，汽车保有量与GDP增速之间的比例保持历史水平）。毫无疑问，人们对移动的需求翻番，引发的交通拥堵（尤其在通勤时间）将大大降低了人们的交通效率。
从（中国超一线城市）居民的角度出发考虑，一方面是交通效率，另一方面是安全可靠性，再有便是基于宜居性和可持续性所衍生出来的全球对尾气排放的监管、以及对可再生能源的支持，试图改善空气质量。
麦肯锡在其《关于未来出行（移动性）的展望》报告中提出了电气化、共享化和自动化三种移动趋势，依据中国具体的城市情况（城市人口密度、经济发展、基础道路设施等）来判断，中国城市未来（相对短期来看会体现在北上深这些超一线城市）会逐步从“清洁能源与共享系统“逐步过渡到“无缝移动性”，大体来看，共享化作为公共交通体系的补充成为中坚支柱，而电气化和自动化是出于改善空气质量和提高交通效率的诉求对共享出来的这部分车辆进行技术上的升级改造。
自动驾驶是在原有车辆的体系上接入大数据做到自动化，如上图所示，自动化作为未来城市移动出行趋势中的一支，协助供给侧应对需求侧的三大诉求。
从商业模式看，无人驾驶汽车在未来技术成熟后、推出市场面向最终C端商业化将以“卖产品”或“提供服务”两种形式出现。以产品形式售卖给高净值收入人群作为私人自动驾驶车辆，而提供服务形式可以分为B2B2C（中间的B端作为共享模式的车辆运营商，提供无人驾驶车辆给C端）、以及B2B2B（相对封闭、路况不复杂的场景，诸如货车、卡车在中间高速路段就交由驾驶系统来掌控）。
目前来看，诸如高速路段等路况相对不复杂的场景商业化速度更快。现下社会正处于从辅助驾驶ADAS向部分无人驾驶和完全无人驾驶过渡的阶段，从城市居民需求的角度看，出于“提高交通效率”和“改善空气质量”的需求，都希望无人驾驶技术的尽快面市，但又犹豫于无人驾驶是否“安全可靠”。
美国MIT麻省理工学院教授Nancy G. Leveson指出ADAS的安全性问题不在个体程序部件，而是在系统的整合上，德国TüV安全认证机构的一份研究报告则指出当驾驶辅助系统开始展现一些（半）自动行为以后有时会伴随若干不稳定的“非必要系统行为”，在严重的情况下将出现威胁到人身安全的后果。
目前研究来看，从辅助驾驶过渡到无人驾驶的过程，是一个不断提高对非结构化环境适应的过程，在这中间存在着隐患以及错误背后引发的隐患：1、受黑客入侵内部网或不当干扰车辆传感器；2、对环境状况理解不完整从而导致的安全事故。
在车联网等数据开放共享的趋势下第1类的安全隐患系数也在提高，而第2类错误可以具体细分为：（1）诸如车辆主动式制动系统无缘由地突然启动等安全隐患；（2）系统技术水平没达到导致系统进行了错误的“分类”和“理解”而导致的安全隐患；（3）无人驾驶系统利用机器学习存在未可知性，可能导致最后的行为脱离汽车制造商的预期。这些隐患随时都可能促使或直接导致交通意外事故。
除却在辅助驾驶人类和机器共同控制的模式之下，存在共同过失判断难的问题。其实从辅助驾驶向部分无人驾驶、完全无人驾驶过渡过程中，交通事故责任出现一种由人类转向汽车制造商的趋势，那么出于对庞大法律责任的考虑，无人驾驶汽车制造商可能因为安全隐患而考虑限制汽车能力，最后导致高新科技无法充分地投入社会中。
归根结底无人驾驶汽车最后能否顺利进入社会与否，并非取决于技术成熟度，而是同时由下而上的社会接受度与由上而下的政策、立法管制考虑。诚如谷歌无人驾驶汽车项目安全主管Medford博士所说的“即使最好的汽车安全科技也不能确保挽救每一条性命。对于安全科技效用的限制在于人们使用（或不使用它）的方式”。
无人驾驶距离面市，还横着监管体系的问题。
