技术贴：谷歌自动驾驶车的难点在哪里？

不好意思，我们又当 知乎的搬运工 了。原问题为《谷歌智能车的难点在哪里？模式识别，还是分析、控制算法？》，讨论的是谷歌的自动驾驶和无人驾驶技术。本文来源于这个问题里点赞最多用户 康费 以及 吕朝阳 的回答，比较长，非常技术流，但是干货也非常多，值得一看。 康费的回答： 1. 传感器技术 不得不承认现在无人车能出现很大程度上依赖传感器的进步。其实早在 80 年代美国就通过磁钉导航完成过很多无人驾驶的实验。他们在地下埋上磁钉，通过寻找磁钉的方式可以完成高速的巡航、并道、超车等一些列的实验。但是显然这种成本太高，只能作为实验。 到了 2007 年，传感器技术已经突飞猛进了。看看他们的传感器吧。 SICK 公司激光雷达。用于检测周围障碍物，无人车需要能够感知周围环境，又不能像人一样单纯用眼睛完成，于是这玩意可以返回周围障碍物的距离，误差毫米级。 这张图上的无人车头顶的不是灯，而是 5 个 SICK。一个 SICK 当时等价于一辆帕萨特。当然现在 Google car 的激光雷达用头上的小东西了。 这个小东西顶至少 4 个 SICK，是 360 度多线激光雷达，今天价值 3 个帕萨特。 剩下的东西没有这个壮观，就不上图了。 除了激光雷达（避障），还有有毫米波雷达（探测）、GPS（定位）、里程计（定位）、陀螺仪（定位）、视觉系统（检测、避障）、数传电台（监控）等等。就不说很多小细节的进步了，但是上述的传感器都是必须的，所以无人车的第一个难点是传感器。 2. 定位 GPS 的定位精度远达不到无人车的需求，GPS 官方定位精度「<10m」，更高精度的 GPS 基本要依靠差分完成。差分的原理很简单：设置一个固定基站，固定基站校准位置，再将信号传递给车载设备，车载设备在接收到基站信号和 GPS 信号后差分获得。但是每一个基站的有效范围也就 30km，怎么大范围应用。于是有很多技术要解决 GPS 精度不足的问题，如地图匹配。 以前 GPS 中会加入干扰，那时候民用 GPS 的精度只有 100m。这个干扰叫 SA，Select Availability，已经于 2006 年取消。SA 依然会在战时开启，那时只有美军自己的 GPS 能有效定位，而其他的 GPS 都将失效（所以我国要研发北斗）。传统 gps 的协议是 0183 格式，这种格式允许小数点后 4 位。军用级别的 gps 在此基础上又加了两位，至于多出来的几位是否真能提高精度就不知道了，得用个绝对位置教一下。 如果是「<1 米」 的精度对于车辆定位基本上够用，但是 GPS 一定要在空旷的场地上才能得到这种级别的定位精度。 除此之外，没有 GPS 呢？ 在树荫下、楼宇间、隧道内 GPS 信号无法到达，这时就需要里程计+陀螺仪，俗称惯性导航单元。这套系统的原理就是：花钱越多，有效时间越久。如果要能在没有 GPS 的情况下坚持 20 分钟，呵呵，3 个帕萨特。 原因是里程计、陀螺仪都存在累积误差。注意误差是累计的，也就是说上一时刻是 0.5m 的误差，下一时刻指定大于 0.5m。因此要尽可能约束累积误差，使其数量级很低，那么就要上光纤陀螺。因为电子级的陀螺通常达不到这个精度要求，不知道挠性陀螺行不行，但是估计挠性陀螺和光纤陀螺造价差不多。 3. 避障 车辆前方有障碍，障碍物是运动的还是静止的，车是停下来还是绕过去。我没仔细研究过这部分的内容，知道的算法是人工势场法。这部分主要的难度是从传感器识别障碍，在车辆运动的前提下，确定障碍的运动状态。也就是说你要在运动的坐标系下，计算另一个物体相对静坐标系的速度，并作出判断。 4. 识别 下面得识别交通标识，如限速牌、红绿灯。这些通过视觉系统完成，难点主要在实时性和鲁棒性。要离线处理这些交通标志是很简单的，但是在无人车上需要能在有限的时间里识别出来，并且考虑道路中可能有的光线变化、遮挡等问题。 5. 控制 你提到控制算法，除了上面的避障以外，其他外围机构的改造可能会存在一些改造上的问题。如何介入转向架、如何介入油门（以前还要考虑如何换挡）。这些工作如果有厂商帮忙还好，没有的话也会是问题，钱的问题。其实控制的难度相对较小，传统 PID 足够，加上部分买的伺服机构，没有多大难度，就是活累。 6. 规划与决策 既然是无人车，一定牵扯「 去哪」。目的地由人决定，但是路线是车子计算出来的，这部分的算法可能你不会，但是你常用，就是百度地图、腾讯地图之类的东西，它们通过一定的算法计算出路径之后车辆会跟随这条路径。当然运行过程中为了解决实际的一些问题，比如修路，也许要决策的机制。 其实对于无人车的控制说小了较控制，说大了叫决策。也可以说，决策是频率比较慢的控制。举个例子，我们对方向盘、车速的控制周期是多少呢？大约 20ms，也就是 1s 中要控制 50 次左右。那么我们对车辆路线的决策周期呢？大约 5s。可以看出，控制是响应速度较快的部分，而决策是响应速度较慢的控制。决策，说白了就是对于一些可能遇到的问题给出的解决逻辑，俗称人性化。这部分我能力有限，希望懂的人可以给些意见。 我觉得，无人车最关键点在于东西不一定复杂，但一定要可靠，所以当有人问 Sebastian Thrun（前面 Google Car 的负责人），你们的车能否在雨雪天开出去的时候。他说，那些日子我们最好不动它。至于你提到的机器学习，我认为这是趋势，可能在识别部分会有应用，但很难成为无人车的核心技术。原因：1）离线学习会导致算法有一定的局限性，你在北美弄好的系统在中国不一定能用。2）在线学习成本太高，给车带个计算机，让它在车辆运行的同时还能逆向运算？ 至于以后的突破口，我觉得是廉价可靠的传感器和相应的识别算法。这些机构到底能做到多小，多便宜又多可靠。至于提取信息以后的控制，前面说了，80 年代就有人做了，还做得不错。 吕朝阳的回答： 我从智能汽车作为一个机器人系统，涉及到的几方面技术，在理论方面的难点做一个解释和补充。 首先，智能汽车作为一个机器人系统，所涉及到的机器人技术主要有 控制（control）, 感知（perception）和路径规划（planning）三大块内容。作为一个独立的机器人系统，其自身的计算机系统以及安全性也是一个很重要的方面。关于这几块目前的研究以及工业界达到的成就，和技术难点，我正在写一篇综述给感兴趣的朋友加以介绍。下面就从者三个大方面来看看都还有哪些棘手的问题。 关于控制方面， 自动巡航系统（cruise control），自动刹车系统（auto braking），自动停车系统（auto … 继续阅读