11月7日，第四次工業革命與智慧出行論壇在上海第四屆中國國際進口博覽會舉行。而“智慧引領 未來已來”的論壇主題，也暗示著自動駕駛的時代即將到來。

　　從無自動化到完全自動化

　　自動駕駛技術根據系統的智能程度可以分為多個等級。目前，業界主要采用美國國家公路交通安全管理局和美國高速公路安全管理局對分級標準的定義，主要分為L0、L1、L2、L3、L4和L5，即從無自動化到完全自動化。現階段各廠商和研究組織主要專注于L2-L4的研究，當然也會聽說L2.5、L2+的概念，它們是介于L2和L3之間的分級。

　　高級別的自動駕駛系統主要包括建圖和定位、感知、規劃和控制這四大模塊，另外無人駕駛系統還會安裝各種傳感器。一輛具備高級別自動駕駛功能的車輛會安裝各種傳感器，包括相機、激光雷達、毫米波雷達、慣性導航等。

　　相機可以提供場景中豐富的紋理信息，激光雷達可以提供更加精確距離信息，毫米波雷達可以對雨霧等極端天氣進行更穩定的觀測，慣性導航設備可以提供更高頻率的車輛位姿信息。不同傳感器之間特性互補、互為冗余，就像人類使用不同感官去感受周圍世界一樣。

　　在現階段高級別自動駕駛智能系統中，高精地圖是一個重要的技術依賴，各廠商所走的技術路線主要包括幾類：

　　在自動駕駛運營范圍內進行自主采集、構建、更新地圖。這條路線運營成本相對較高，比較適合有限區域或者特定場景內的自動駕駛，比如固定園區、機場等。

　　利用諸多終端車輛進行眾包建圖。這些終端車輛為云端服務器構建、更新高精地圖的數據，同時也共享更高質量的高精地圖服務，形成數據閉環。這條路線比較適用于當前比較火熱的Robotaxi或者乘用車領域。

　　一種比較激進的路線，即自動駕駛系統不會過度依賴高精地圖，車輛具有很高的局部區域感知能力，結合道路級的普通地圖就可以支撐自動駕駛功能，特斯拉是這條路線的代表之一。

　　感知模塊主要通過傳感器信息解決“周圍環境是什么樣”的問題。當前火熱的深度學習技術推動了感知技術的發展，感知技術又可以細分為檢測、跟蹤、預測。

　　檢測主要是將不同傳感器的觀測信息輸給深度學習模型，可以檢測出車輛、行人、交通標識等目標物;跟蹤的作用是給每個目標物一個track ID，以實現對這個目標的持續觀測，進而計算出這個目標的速度以及預測未來軌跡。預測基于時序上的檢測和跟蹤結果，結合道路信息預估目標物未來可能的運動軌跡，可以為路徑規劃提供更多的信息，也使系統更加智能。

　　模擬給予數據支撐

　　除了傳感器、定位、感知、規劃和控制幾大核心技術之外，還有仿真技術，它是自動駕駛技術中容易忽略的一部分。自動駕駛領域的“長尾”問題是急需解決的問題，比如基于深度學習模型的各種感知技術。現階段，深度學習模型對于“見過”的或者類似的場景能夠準確感知，但對于未見過的場景大概率會出現錯誤的感知，這對于自動駕駛尤其是高級別自動駕駛來說是很致命的。

　　仿真技術中一個很重要的應用就是可以虛擬化很多逼真的場景，為深度學習模型的訓練提供海量數據，而且可以針對一些不常見的極端場景進行足夠的數據生產，從訓練樣本的數量和多樣性給予深度學習模型足夠的支撐。

　　此外，仿真技術還有很多其他應用，比如可以模擬一些危險的駕駛場景，包括碰撞、各種交通事故等，一定程度上使得自動駕駛系統測試不再強依賴于真實場景的測試驗證，很大幅度降低測試驗證成本、提升效率。

　　目前，高級別自動駕駛技術雖然仍不夠成熟，存在爭議，但相信隨著科學技術的發展，經過一代代人的努力，自動駕駛技術定會走進千家萬戶，改善人們生活。