張宇

摘要：本文首先介紹了無人駕駛汽車的內涵，并對全球的無人駕駛在近幾年的發(fā)展歷史以及研究現(xiàn)狀進行了闡述;其次分析我國無人駕駛汽車技術發(fā)展面臨的主要問題，并提出一定的解決方案;同時分析了深度學習在無人駕駛領域的應用，最后對無人駕駛領域方面的未來做出預測。

關鍵詞：無人駕駛;深度學習;卷積神經網(wǎng)絡;計算機視覺

0 ?引言

近年來隨著人工智能技術的再一次爆發(fā)式發(fā)展，更多的相關技術被應用于自動駕駛這一行業(yè)。許多傳統(tǒng)汽車行業(yè)在汽車自動駕駛技術方面的研究取得了長足進步，互聯(lián)網(wǎng)、高精度地圖與智能駕駛技術的結合使無人駕駛汽車技術得到了巨大的發(fā)展，使其有著廣闊的應用前景。除此之外，像國外的豐田、谷歌;國內的百度、馭勢科技等大公司都在該領域投資并研發(fā)自動駕駛汽車，且結果令人滿意。豐田宣布旗下自動駕駛系統(tǒng)將于2020年正式量產，谷歌的自動駕駛汽車已經安全行駛超過14萬英里;而國內的百度則在2015年年底宣布其自動駕駛汽車計劃三年商用五年量產，馭勢科技在2017年1月份發(fā)布首款無人電動車，沒有方向盤像個大包廂?？梢灶A見，在不久的將來，無人駕駛技術將完全成熟，并且無人駕駛汽車也將得到量產[1]。

然而就目前來說，無人駕駛汽車還存在著包括無人駕駛汽車工作原理、體系架構以及具體實現(xiàn)方法等問題;因為無人駕駛汽車今后要面向普羅大眾，所以還需要考慮成本問題，而且無人駕駛汽車離量產還有一定的距離。針對以上提出的問題，對當前研究現(xiàn)狀進行描述并分析，尋求解決方法，以期對未來的研究提供理論基礎和技術支持。

1 ?無人駕駛汽車發(fā)展現(xiàn)狀

1.1 國內無人駕駛汽車發(fā)展現(xiàn)狀

國內的無人駕駛汽車發(fā)展較晚。但在1992年國防科技大學成功研制出了中國第一輛無人駕駛汽車[2]，并且是首個中國自主研制的無人駕駛汽車，這次成功說明了中國無人駕駛技術正在走向成熟并達到世界先進水平[3]。此外，在近幾年中國各大企業(yè)也開始了在無人駕駛領域的研究。例如2017年3月30日，由馭勢科技自主研發(fā)制造的無人駕駛場地車（見圖1）在廣州白云機場P4停車場內完成試運營的第一次嘗試[4]。2016年11月05日上午，國內智能駕駛研發(fā)公司馭勢科技（北京）有限公司在房山區(qū)舉行馭勢科技智能汽車示范運營啟動暨智能網(wǎng)聯(lián)汽車產業(yè)發(fā)展戰(zhàn)略合作簽約儀式。并與房山區(qū)政府簽訂《智能網(wǎng)聯(lián)汽車產業(yè)發(fā)展戰(zhàn)略合作協(xié)議》，以便在將來全方位的與房山區(qū)政府共同打造智能汽車示范運營的戰(zhàn)略合作[5]。百度深度學習研究院在2013年研發(fā)的無人駕駛汽車項目。在2014年成立的車聯(lián)網(wǎng)事業(yè)部，2015 年底與寶馬合作在北京五環(huán)上展示的全自動駕駛原型車，以及在2016年與烏鎮(zhèn)旅游達成戰(zhàn)略簽議并宣布將在烏鎮(zhèn)旅游景區(qū)實現(xiàn) Level4 的無人駕駛（見圖 2）[6]。

1.2 國外無人駕駛汽車發(fā)展現(xiàn)狀

國外無人駕駛汽車發(fā)展較早，并且在長時間的努力下得到了長足的進步[7]。美國卡納基梅隆大學在1995年研制的無人駕駛汽車 Navllab-V，Google X 實驗室研制的無人駕駛汽車，大眾汽車公司與斯坦福大學共同改裝的大眾途銳，英國的布里斯托爾大學和先進的交通系統(tǒng)公司在2010年合作研發(fā)的一款無人駕駛汽車都說明國外的無人駕駛技術發(fā)展到了一定的程度且未來十分樂觀。其中屬GoogleX 實驗室研制的無人駕駛汽車最為成熟。這輛無人駕駛汽車不僅被美國內華達州的機動車駕駛管理處頒發(fā)了美國首例自動駕駛汽車的路測許可[8]，而且在2015 年 6 月開始上路測試。根據(jù) Google 發(fā)布的自動駕駛項目月報顯示，截至 2016 年 8 月 30 日，這輛無人駕駛汽車累計行駛距離已經超過約 2.9×106km，平均每周1.5～1.7萬英里[9-10]。緊接著特斯拉 ModelS 系列汽車吸引了各界的眼球。為了讓汽車更好的感知環(huán)境，該公司還在汽車上安裝了雷達、攝像頭等設備，更好的利用這些傳感器來實現(xiàn)自動并道、自動停車等輔助功能。2016年8月25日NuTonomy 公司推出了一款全新的無人駕駛出租車，該車配備六套激光雷達以及表盤上裝有兩個攝像頭用來檢查紅綠燈的變化情況以及檢測障礙物。這種出租汽車不僅可以檢測道路上的物體，還能檢測出汽車周圍的靜態(tài)物體，其技術已經相當成熟并完成了試運營載客。

1.3 目前無人駕駛汽車遇到的問題

由以上敘述可以看出中國的無人駕駛汽車同其他歐美國家相比還有很長的路要走。我認為最有空間提升的是技術層面，第一點是多傳感器信息融合問題;第二點是設備成本過高問題。就第一點而言，汽車的視覺能力太低就是一大問題。由于現(xiàn)在的計算機視覺系統(tǒng)還很低端，其需要應對實時檢測道路、認識交通標志以及交通燈等一系列復雜的環(huán)境因素的影響。因此就目前來講，綜合利用各種傳感器的優(yōu)勢從而更好的進行信息融合是一種解決辦法。例如用毫米波雷達捕獲車道線以及交通燈顏色等信息并用激光雷達進行測距，最后將兩種雷達與視覺傳感器相融合，進而解決計算機視覺能力不足的問題。由此可知，如何更好的融合各類傳感器收集到的信息從而應對各種突發(fā)事件與挑戰(zhàn)，是目前實現(xiàn)無人駕駛的關鍵。對于設備成本過高這一問題我認為是由于激光雷達售價過高導致的，所以現(xiàn)在的無人駕駛汽車所使用的傳感器主要還是毫米波和攝像頭。就攝像頭而言如果使用單攝像頭的話容易產生距離誤差，而多攝像頭又會造成額外的成本。此外，光照條件太差也會對光學攝像頭造成一定的影響。所以近年來越來越多的企業(yè)和公司開始通過使用雙/多攝像頭來應對復雜的車道環(huán)境從而實現(xiàn)無人駕駛以及利用 GPU 強大的并行運算能力來大幅度降低計算成本，上述解決方案更是為深度學習應用在自動駕駛領域奠定了基礎。

2 ?深度學習在自動駕駛中的應用

有許多公司將深度學習應用在了無人駕駛上，其中數(shù)Mobileye公司最具代表性。此公司在汽車的視覺系統(tǒng)中應用了卷積神經網(wǎng)絡并取得了非常理想的效果。其生產的芯片 EyeQ4，不僅可以滿足每秒超過2.5萬億次TOPS浮點運算的超高強度要求，還符合車用系統(tǒng)芯片3瓦左右的低能耗標準。提升的運算性能保證基于EyeQ4芯片的高級駕駛員輔助系統(tǒng)可以選用更先進的計算機視覺處理算法，例如深度層次化網(wǎng)絡和圖像模型，從而實現(xiàn)以每秒36幀的速度，同時處理8個攝像頭的影像信息。此外利用深度學習方法對圖像處理的高效性這一特點，可以使無人駕駛汽車利用單/雙攝像頭來代替昂貴的激光掃描儀建立的 3-D 全景地圖進而實現(xiàn)對自動控制的需求，利用上述方法使攝像頭模擬人眼生成的立體空間圖像進而更輕松的判斷距離和實現(xiàn)更好的自動控制功能。

2.1 深度學習原理

深度學習在無人駕駛中的應用十分廣泛，在圖像識別領域中屬卷積神經網(wǎng)絡應用最為成熟并已成為無人駕駛感知部分必不可少的技術研究點。LeNet是早期推動深度學習發(fā)展的卷積神經網(wǎng)絡之一。這是Yann LeCun多次成功迭代后得到的開創(chuàng)性工作，稱之為LeNet5。它主要包含四塊：卷積層（Convolutional Layer），激活函數(shù)（Activation Function），池化層（PoolingLayer），全連接層（Fully Connected Layer）。

2.2 目標檢測

目標檢測，也叫目標提取，它把目標分割并識別，其實時性與準確性在整個系統(tǒng)中十分重要。目標識別對于人來說似乎并不困難，但是計算機面對的是RGB像素矩陣，計算機難以準確的提取出一張圖片上的諸如貓或狗這一類目標，且大部分情況是一張圖片上不僅有目標還有十分復雜的背景，這就對計算機的目標檢測加大了難度，由此觀之目標檢測這項技術十分重要。但就目前來說人臉檢測和行人檢測已經有非常成熟的技術了。雖然普通的目標檢測也有過很多的嘗試，但是效果總是差強人意。

在目標檢測中一般使用基于卷積神經網(wǎng)絡的深度學習模型。其原理是首先輸入一張可能含有人臉的圖片，然后輸出為人臉位置的bounding box，這一過程稱之為人臉識別。其次輸入原始圖片和人臉位置的bounding box，輸出為“校準”過的只含有人臉的圖像，這一步我們一般叫Face Alignment。第三步為輸入“校準”后的人臉圖片，輸出為一個向量表示，這一步就用到了就卷積神經網(wǎng)絡，它把輸入的圖片轉化成了一個向量表示。最后通過人臉驗證、人臉聚類或人臉識別來實現(xiàn)多種多樣的人臉檢測，進而達到各種目標。不過就目前來說，其他物品的目標檢測技術還不是很成熟，后續(xù)發(fā)展仍拭目以待。

3 ?結論

通過對無人駕駛基本概況分析，以及深度學習的原理闡述，發(fā)現(xiàn)西方歐美國家的無人駕駛技術發(fā)展比國內發(fā)展早且技術較為成熟。目前無人駕駛汽車遇到的主要問題為多傳感器的融合與如何降低成本。在目標檢測中一般使用基于卷積神經網(wǎng)絡的深度學習模型。在疲勞駕駛狀態(tài)檢測領域，以深度學習模型CNN為主并使用Perclos疲勞判斷準則判斷疲勞狀態(tài)。

無人駕駛汽車發(fā)展的終極目標，就是建立一個車輛信息化、網(wǎng)絡化的自動平臺，一個實時、高效的無人駕駛系統(tǒng)可以極大地提高社會生產力，產生巨大的社會效益，并且改善人們的出行方式，讓我們的生活環(huán)境更美好。因此我們需要吸取傳統(tǒng)自動駕駛技術中的精華，借鑒深度學習研究的成果，整合傳統(tǒng)特征和深度學習特征，取其精華，去其糟粕，設計自動駕駛技術的新算法，進一步提升深度駕駛的實用化和擬人化水平。

參考文獻：

[1]倪暖.自動駕駛也分三六九等？[EB/OL].（2016-8-07）[2016-09-27] http：//www.ednchina.com/news/article/201608170801.

[2]戴斌，聶一嗚，孫振平，等.地面無人駕駛技術現(xiàn)狀及應用[J].汽車與安全，2012（3）：46-49.

[3]楊帆.無人駕駛汽車的發(fā)展現(xiàn)狀和展望[J].上海汽車，2014（3）：35-40.

[4]華軍軟件園.http：//news.onlinedown.net/it/85126.html.

[5]人民網(wǎng).http：//kpzg.people.com.cn/GB/n1/2016/1105/c404

389-28837361.html.

[6]王麗娜.蓄勢待發(fā)的無人駕駛汽車[J].科技導報，2016，34（6）：8.

[7]佚名.無人駕駛汽車[EB/OL].（2016-06-10）[2016-09-27]http：//baike.baidu.com/link？url=iObG6G1U5wmuVNCdgm7wXDpV8418yWtKAlBAVjC4xyVEL7Lgy3fgfkpsda4qiABZHCsxtQ9J9xqqcsZdTu_vF6kAT6xwu7zedQw2ggyuqa.

[8]林靖東.美國內華達州批準谷歌無人駕駛汽車上路測[EB/OL].（2012-05-08）[2016-09-27]http：//tech.qq.com/a/20120508/000235.htm.

[9]GREENBLATT N A. Self-driving cars and the law[J]. IEEEspectrum， 2016， 53（2）： 46-51.

[10]歐陽.谷歌的“笑臉”GoogleSelf-DrivingCar[J].計算機應用文摘，2014（12）：72.