很多公司致力于开发和推出自动驾驶汽车，从辅助一级汽车到完全自动化的五级不等。那么驾驶自动化的水平是什么？驾驶自动化的五个级别表明了车辆自身行动和反应的能力，这是对每个自动化级别的简单说明。
5种自动驾驶级别
一、零级–无自动化
在“0级自动驾驶”的情景下，驾驶员执行所有的操作任务，例如转向、制动、加速或减速等。
二、一级–驾驶员辅助
在这个级别上，车辆可以辅助一些功能，但驾驶员仍然可以处理所有加速、制动和周围环境的监控。想象一下，当你在高速公路上离另一辆车太近时，车辆会为你自动刹车。
三、第二级–部分自动化
大多数汽车制造商目前都在开发这种级别的汽车，在这种级别上，汽车可以辅助转向或加速功能，并允许驾驶员从他们的一些任务中解脱出来。驾驶员必须随时准备好控制车辆，并且仍然负责大多数安全关键功能和所有环境监测。
四、第三级–条件自动化
从级到3级及以上的最大飞跃是，从3级开始，车辆本身控制着对环境的所有监测（使用像激光雷达这样的传感器）。驾驶员的注意力在这个水平上仍然很重要，但可以脱离制动等“安全关键”功能，在条件安全的情况下将其交给技术部门处理。许多当前的3级车辆在车速低于37英里/小时的道路上不需要人的注意。
五、第四级–高度自动化
在4级和5级，车辆能够转向、制动、加速、监控车辆和道路以及响应事件，确定何时变道、转弯和使用信号。
在第4级，自动驾驶系统将首先在条件安全时通知驾驶员，然后驾驶员才将车辆切换到该模式。它无法在更为动态的驾驶情况（如交通堵塞或并入高速公路）之间做出判断。
六、五级-完全自动化
5级自动化水平就驾驶者参与而言是最不重要的，这种程度的自动驾驶绝对不需要人的注意。无需踩油门、刹车或握方向盘，因为自动驾驶系统控制所有的关键任务、监测环境和识别独特的驾驶条件，如交通堵塞。
自动驾驶辅助是利用车上的各种传感器，在汽车行驶中随时感应周围的环境，收集数据，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性的一种汽车驾驶辅助系统。
驾驶辅助系统有车道保持辅助系统、自动泊车辅助系统、刹车辅助系统、倒车辅助系统和行车辅助系统。
汽车自动驾驶辅助包括不少功能，其中比较有代表性的比如自适应定速巡航（也就是ACC），是用于定速跟车前进；又比如车道保持，能够将车辆保持在车道内行驶。这两者相结合就是最新的堵车驾驶辅助系统，在堵车环境中能够控制车辆的方向和走停。
自动驾驶除了实现驾驶辅助的基本所有功能外，还可以允许驾驶员将注意力从交通情况和控制车辆中解放出来做其它事情。但是，驾驶员仍需要坐在车里，在自动驾驶系统尚未启动或者退出时控制车辆。而无人驾驶则可以没有驾驶员，完全的车辆自主驾驶。
由上述描述可知，可自主规划道路和行使随机作出反应的智能无人车，属于L5；特斯拉的AP（AutoPilot）辅助驾驶，属于L.5。
无人车通过鹤洞大桥↓↓《我是传奇》既视感据文远知行负责人介绍，昨天，广州市政府委托市商务部门紧急召集位于广州市的各家科技企业开会，从各自企业的能力出发能够协助这次抗疫做些什么。“昨天晚上开会到点多，结束之后我们立马就安排工程人员来到鹤洞大桥这边，开始进入封闭管理区做相关的技术测试，然后今天一早七点多我们就出发到这里待命。”该负责人说。有关负责人对记者表示：“今天派赴荔湾的车队由辆无人驾驶小巴和辆无人驾驶出租车组成。这些车辆均是全无人驾驶，车内未配有安全员或司机、工程师，因此在封闭管理区内即可以完成运输物资工作，也不会有人员感染风险。”
文远知行CEO对记者说：物流车司机一旦进入进隔离区，健康码会变成红码，而无人驾驶车辆开进去则不存在健康码的问题，有助解决物资运输的问题。当凌晨决定用无人汽车配送物资后，仅用小时便完成了荔湾区高精地图扫描和车辆部署。无人车通过鹤洞大桥↓↓无人车在广钢新城片区的社区道路上行驶运送生活物资↓↓一辆自动驾驶小车从隔离区返回↓↓自动驾驶小巴从隔离区域返回车上空无一人↓↓据悉，截至今天下午，无人驾驶车辆已完成十多次无人配送，主要是一些基本生活用品，食品、水和药品等。除了市商务局、工信局安排配送的一些物资以外，还有居民自己在网上订的物资，这些物资运不进去，所以也放到无人驾驶车上，带到小区门口，由物业分发给居民。企业负责人表示，“我们今天可能会在广钢新城区域‘开发’更多可以去配送的小区，为市民提供无人驾驶配送服务。”这就是广州力量！更多“战疫”产品将“出战”除文远知行外，记者多方了解到，还有多家位于广州市的科技企业正在筹备进入荔湾封闭管理区参与抗疫：亿航智能方面对记者表示，将派出天鹰系列无人机在今天进行物资配送，目前团队正在进一步勘查确定飞行地点。
从目前对广州荔湾区进行物资配送的科技企业名单来看，多家公司给出的多是当下应用场景较成熟的智能产品。记者此前采访了解到，在武汉科技“战疫”当中，类似智能产品可以助力及缓解医护人员及工作人员一定的工作量。比如智能无人车在不需要人工干预的情况下，实现自主行驶、智能避障、识别红绿灯、智能取货等功能。曾经派出机器人助力武汉“战疫”的广州机器人公司广州赛特智能CEO李睿对记者介绍，医院隔离病区的医护人员有三大痛点：一是新冠肺炎容易造成交叉感染。对此，机器人要可以很好地减少医护人员跟患者的接触次数，从而降低感染风险。二是由于疫情蔓延迅速，医护人员的劳动强度非常巨大，而机器人可以为他们“代劳”一些工作，从而缓解他们的劳动强度。第三则是医疗防护物资紧缺问题。由于消耗量大，口罩、防护服等一系列一线的防护物资都非常紧缺。机器人参与工作，本身不需要防护物资，只需要进行好消毒即可，因此可以减少防护物资的损耗。此外，记者从百度获悉，今天下午，该公司也派出无人车，准备进入广州荔湾配送物资。百度提供3台无人货运配送车，用于日常物资配送；3台无人餐食车，用于餐食配送；台阿波龙minibus、台Robotaxi、台robobus用于接驳或物资配送。
京东对记者表示，京东物流智能无人车即将在荔湾芳村区域投入使用，“今天下午智能车会到芳村，还要采集路线调试等等，最快下周投入试跑。”AI人工智能下自动驾驶的发展及核心技术自动驾驶汽车关键技术主要包括环境感知、精准定位、决策与规划、控制与执行、高精地图与车联网VX以及自动驾驶汽车测试与验证技术等。
在这套技术体系以及关键软硬件设备的支持下，自动驾驶汽车可通过车载摄像机、激光雷达、毫米波雷达、超声波等传感器来感知周围环境，实时动态监测周边环境变化，并依据所获取的信息进行决策判断，形成安全合理的路径规划。在规划好路径之后，汽车执行系统会控制车辆沿着规划好的路径完成驾驶。
这套自动驾驶核心技术体系可简单概括为“感知、决策与执行”。
感知、决策与执行(图片来源：方象知产研究院)
感知系统也被称为“中层控制系统”，负责感知周围的环境，并进行环境信息与车内信息的采集与处理，主要涉及道路边界监测、车辆检测、行人检测等技术。
决策系统也被称为“上层控制系统”，负责路径规划和导航，通过执行相应控制策略，代替人类做出驾驶决策。
执行系统也被称为“底层控制系统”，负责汽车的加速、刹车和转向，主要由电子制动、电子驱动以及电子转向三部分构成。
通过“感知、决策与执行”三个系统的分工协作，责任明确地控制汽车运行，可以令自动驾驶汽车具备理论上“自动行驶”的条件。
自动驾驶汽车常用的各种硬件
核心技术——路径规划
所谓的路径规划通常指全局的路径规划，也可以叫全局导航规划，从出发点到目标点之间的纯几何路径规划，无关时间序列，无关车辆动力学。
避障规划又叫局部路径规划，又可叫动态路径规划，也可以叫即时导航规划。主要是探测障碍物，并对障碍物的移动轨迹跟踪（MovingObjectDetectionandTracking，一般缩写为MODAT）做出下一步可能位置的推算，最终绘制出一幅包含现存碰撞风险和潜在碰撞风险的障碍物地图，这个潜在的风险提示是00毫秒级，未来需要进一步提高，这对传感器、算法的效率和处理器的运算能力都是极大的挑战，避障规划不仅考虑空间还考虑时间序列，在复杂的市区运算量惊人，可能超过30TFLOPS，这是无人车难度最高的环节。未来还要加入VX地图，避障规划会更复杂，加入VX地图，基本可确保无人车不会发生任何形式的主动碰撞。
轨迹规划则源自机器人研究，通常是说机械臂的路径规划。在无人车领域，轨迹规划的定义感觉不统一。有人将避障规划与轨迹规划混淆了。轨迹规划应该是在路径规划和避障规划的基础上，考虑时间序列和车辆动力学对车辆运行轨迹的规划，主要是车纵向加速度和车横向角速度的设定。将设定交给执行系统，转向、油门、刹车。如果有主动悬挂，那么轨迹规划可能还要考虑地形因素。
感知技术
实现自动驾驶，需要优先解决一个问题：行车安全。
为了确保自动驾驶车辆在不同场景下均可以做出正确判断，需要实现对周围环境信息的实时动态获取和识别，这些信息包括但不限于自车的状态、交通流信息、道路状况、交通标志等，以满足车辆决策系统的需求。
换言之，环境感知起着类似人类驾驶员“眼睛”、“耳朵”的作用，是实现自动驾驶的前提条件。
为了满足环境感知的需求，自动驾驶汽车往往装备了诸多摄像机、激光雷达、毫米波雷达、超声波等车载传感器，在这些传感器以及VX和5G网络技术的协作下，可以实时获取汽车所处的交通环境和车辆状态等多源信息，为自动驾驶汽车的决策规划提供支持服务。
目前，环境感知技术有两种技术路线，一种是以摄像机为主导的多传感器融合方案，典型代表是特斯拉。另一种是以激光雷达为主导，其他传感器为辅助的技术方案，典型企业代表如谷歌、百度等。
主流车载传感器的特点(图片来源：36氪)
Ξ.摄像机
车载摄像机是实现众多预警、识别类ADAS功能的基础，是目前最便宜也是最常用的车载传感器之一。
百度Apollo自动驾驶摄像机组件
摄像机可以识别车辆行驶环境中的车辆、行人、车道线、路标、交通标志、交通信号灯等，具有较高的图像稳定性、抗干扰能力和传输能力。
作为一种比较常见的车载传感器，摄像机的优点是可以分辨颜色，比较适用于场景解读。但是其也有比较明显的缺点。
首先摄像机缺乏“深度”这一维度，没有立体视觉，无法判断物体和相机间的距离;其次，摄像机对光线较为敏感，过暗或过强的光线以及二者之间的快速切变都会对其成像造成严重影响。
根据镜头和布置方式的不同，摄像机可大致分为四种：单目摄像机、双目摄像机、三目摄像机和环视摄像机。
单目摄像机主要用于自动驾驶过程中的路况判断，但单目摄像机在测距范围与距离方面，有一个不可调和的矛盾：摄像机的视角越宽，所能探测到精准距离的长度越短;视角越窄，探测到的距离越长。
这与人眼类似，看远处的时候，所能覆盖的范围就窄，看近处的时候，覆盖的范围就会广一些。
为了解决这个问题，实现用一个定焦镜头解决不同距离的观察，双目甚至多目摄像机的方案，逐渐得到越来越广泛的应用。
双目摄像机，顾名思义，拥有两个摄像机组件。相近的两个摄像机拍摄物体时，会得到物体像素偏移量、相机焦距和两个摄像机的实际距离等信息，根据信息即可换算得出物体的距离。
不过，虽然双目能得到较高精度的测距结果和提供图像分割的能力，但它与单目摄像机一样，镜头的视野完全依赖于镜头。而且双目测距原理对两个镜头的安装位置和距离要求较多，在相机标定方面存在一定难度。
目前应用比较广泛的是三目摄像机，三个不同焦距单目摄像机的组合。我们以特斯拉Autopilot为例，下图为特斯拉AutoPilot安装在挡风玻璃下方的三目摄像机：
特斯拉AutoPilot的三目摄像机
特斯拉Autopilot总计拥有8个摄像头、个前毫米波雷达、个超声波雷达的传感器配置，整体俯视图视场覆盖如下：
其中三目摄像机的具体配置如下：
FOV35度，最远距离50米;FOV50度，最远检测距离50米;FOV0度，最远检测距离60米。
三目摄像机以及其他位置摄像机的组合为特斯拉Autopilot提供了全向的环境感知能力，较好地解决了感知范围与感知精度的问题。
除了单目与多目摄像机以外，还有一种比较常见的摄像机类型，即环视摄像机。与上面提到的三种摄像机不同，环视摄像机的镜头是鱼眼镜头，而且安装位置是朝向地面。
环视摄像机的优点是视野广阔，但缺点也很明显，就是图像畸变严重，所以主要用于车身5-0米内的障碍物检测、自主泊车时的库位线识别等。
Ξ.激光雷达
激光雷达是以发射激光束来探测目标空间位置的主动测量设备。在自动驾驶场景中，激光雷达主要有两个功能：3D的环境感知与SLAM加强定位。
根据探测原理，激光雷达可分为单线(二维)激光雷达和多线(三维)激光雷达。
单线激光雷达，通过发出一束激光扫描线对区域进行旋转扫描，并根据区域内各个点与激光雷达的相对空间距离与方位，返回测量值。单线激光雷达的数据缺少一个维度，只能描述线状信息，无法描述面。不过，单线激光雷达是目前成本最低的激光雷达。
多线激光雷达，通过发出两束或两束以上的激光扫描线对区域进行旋转扫描。多线激光雷达能够检测目标的空间距离与方位，并可以通过点云来描述三维环境模型，可以提供目标的激光反射强度信息，提供被检测目标的详细形状描述。
目前，国际市场上推出的主要有4线、8线、6线、3线和64线。激光雷达发出的线束越多，每秒采集的越多，同时造价也越高。
以激光雷达行业内知名企业Velodyne公司为例，旗下的HDL-64E目前的售价在接近0万美金左右：
目前，激光雷达已经发展了三代产品，包括第一代机械扫描激光雷达、第二代混合固态激光雷达以及第三代纯固态激光雷达。
总体而言，激光雷达无论是在技术门槛还是在制造成本上都比较高，自动驾驶商业化应用期待市场出现更多优质且价格较低的同类产品。
Ξ3.毫米波雷达
由于激光雷达价格过高，单独一个雷达的价格可能远超车辆本身的价格，因此很多企业选择使用性价比更高的毫米波雷达作为测距和测速的传感器。
毫米波雷达是指工作在毫米波波段，频率在30—GHz之间的雷达。与激光波雷达相比，毫米波雷达不仅成本更低，且可以同时解决摄像机测距、测速不够精确的问题，此外毫米波雷达还可以完美处理激光雷达所处理不了的沙尘天气。
不过，毫米波雷达也并不是没有缺点。首先，毫米波雷达的数据稳定性较差，对后续的软件算法提出了更高的要求。
此外，毫米波雷达对金属极为敏感，路面的金属广告牌在很多场景下会被认为是障碍物，导致刹车不断。最后毫米波雷达只能提供距离和角度信息，不能像激光雷达那样提供高度信息。
百度Apollo自动驾驶毫米波雷达组件
根据测量原理的不同，毫米波雷达可分为脉冲方式毫米波雷达和调频连续波方式毫米波雷达两种。
脉冲方式毫米波雷达，其基本原理与激光雷达相似，它在硬件结构上比较复杂、成本较高，很少用于自动驾驶汽车，目前大多数车载毫米波雷达都采用调频连续波方式。
调频连续波方式毫米波雷达，具有结构简单、体积小、成本低廉，容易实现近距离探测。
Ξ4.超声波雷达
超声波雷达工作在机械波波段，工作频率在0kHz以上。
超声波雷达的工作原理是通过超声波发射装置向外发出超声波，通过接收器接收回波的时间差来测算距离。常用的工作频率有40kHz,48kHz和58kHz三种。一般来说，频率越高，灵敏度越高，但水平与垂直方向的探测角度就越小，所以一般采用40kHz的探头。
超声波雷达具有频率高、波长短、绕射现象小、方向性好、能够成为射线而定向传播等优点，且兼具防水、防尘的特性，因此非常适合应用于泊车。
一般情况下，超声波雷达会安装在汽车保险杠上方，隐藏在保险杠的某个位置，如下图所示：
常见的超声波雷达有两种。一种是安装在汽车前后保险杠上，用于测量汽车前后障碍物的倒车雷达，称之为UPA;另一种是安装在汽车侧面，用于测量侧方障碍物距离的超声波雷达，称之为APA。UPA和APA的区别还体现在探测范围和探测区域上。
Ξ5.精准定位
自动驾驶汽车的环境感知还包括汽车的精准定位，不仅需要获取车辆与外界环境的相对位置关系，还需要通过车身状态感知确定车辆的绝对位置与方位。
目前自动驾驶领域常见的几种精准定位方式包括“惯性导航系统”、“轮速编码器与航迹推算”、“卫星导航系统”以及“SLAM自主导航系统”等。
惯性导航系统是以陀螺和加速度计为敏感器件的导航参数解算系统，通过测量运动载体的线加速度和角速率数据，并将这些数据对时间进行积分运算，从而得到速度、位置和姿态。
具体来说惯性导航系统属于一种推算导航方式。即从一已知点的位置根据连续测得的运载体航向角和速度推算出其下一点的位置，因而可连续测出运动体的当前位置。
以百度Apollo自动驾驶技术使用的惯性导航系统为例，其采用了松耦合的方式，并采用了一个误差Kalman滤波器。
惯性导航解算的结果用于Kalman滤波器的时间更新，即预测;而GNSS、点云定位结果用于Kalman滤波器的量测更新。Kalman滤波会输出位置、速度、姿态的误差用来修正惯导模块，IMU期间误差用来补偿IMU原始数据。
轮速编码器与航迹推算的原理是通过轮速编码器推算出自动驾驶汽车的位置。轮速编码器主要安装在汽车前轮，用于记录车轮行驶的总转数。
通过分析每个时间段里左右轮的转数，可以推算出车辆向前行驶的距离和左右的偏转度。不过，由于在不同地面材质上转数对距离转换存在偏差，所以时间越久，测量偏差也会越大，这种定位方式更多以辅助的形式存在。
卫星导航系统主要包括中国的北斗卫星导航系统、美国的GPS卫星导航系统以及俄罗斯的GLONASS卫星导航系统。这些导航系统可以提供高精度的定位服务。
SLAM(即时定位与地图构建)，也称为CML(并发建图与定位)。
目前主流有两种SLAM方式。第一种是基于激光雷达的SLAM，以谷歌汽车为例。车辆携带有GPS，通过GPS对位置进行判断，并以激光雷达SLAM点云图像与高精度地图进行坐标配准，匹配后确认自身。
第二种是基于视觉的SLAM，以Mobileye为例。Mobileye提出一种无需SLAM的定位方法——REM。车辆通过采集包括信号灯、指示牌等标识，得到了一个简单的三维坐标数据，再通过视觉识别车道线等信息，获取一个一维数据。摄像机中的图像与REM地图中进行配准，即可完成定位。
目前，SLAM常用于自主导航，特别是在GPS无信号或不熟悉的地区的导航。
Ξ6.高精地图
高精地图是用于自动驾驶的专题地图，由含有语义信息的车道模型、道路部件(Object)、道路属性三类矢量信息，以及用于多传感器定位的特征(feature)图层构成。
高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息，起到构建类似于人脑对于空间的整体记忆与认知的功能，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险，是自动驾驶汽车的核心技术之一。
决策模块
在一套相对成熟的自动驾驶技术体系中，如果将环境感知模块比作人的眼睛和耳朵，那么决策规划模块就相当于自动驾驶汽车的大脑。
自动驾驶汽车在进行决策规划时，会从环境感知模块中获取道路拓扑结构信息、实时交通信息、障碍物(交通参与者)信息和主车自身的状态信息等内容。
结合以上这些信息，决策规划系统会对当前环境作出分析，然后对底层控制执行模块下达指令，这一过程就是决策规划模块的主要任务。
自动驾驶车辆架构图(图片来源：见参考资料3)
换言之，自动驾驶汽车的行为决策与路径规划是指依据环境感知和导航子系统输出信息，通过一些特定的约束条件规划出给定多条可选安全路径，并从中选取一条最优路径作为车辆行驶轨迹的过程。
本文将详细介绍自动驾驶决策规划模块的技术结构体系、技术方法以及主流算法、芯片。
Ξ.技术结构体系
自动驾驶决策规划领域常见的技术结构体系可分为分层递阶式、反应式以及二者混合式。
)分层递阶式体系结构
分层递阶式可以理解为一个串联结构，自动驾驶系统的各个模块有序排列在一条直线上，上一模块处理的内容将直接进入到下一阶段，如下图所示：
分层递阶式的优点是各模块次序分明，层层递进式的结构让每个模块所处理的工作范围逐渐缩小，处理问题的准确度逐渐上升，更容易实现高层次的智能控制。
不过，分层递阶结构也存在一些问题。首先，分层递阶结构需要实时调用传感器信息，对传感器的要求较高。此外，分层递阶式的布局，从环境感知到执行控制，中间存在一定延迟，缺乏实时性和灵活性。
最后，分层递阶式的串联结构存在可靠性不高的问题。在初中物理学上，大家都接触过电路的串联与并联知识。与并联模式相比，串联模式最大的问题就是整体系统的任何部分都不能出现问题，否则信息流和控制流的传递通道就会受到影响，整个系统会随时处于崩溃的状态中。
)反应式体系结构
反应式体系结构与分层递阶式体系结构的最大区别在于，反应式体系结构使用的是并联结构，如下图所示：
在反应式体系结构中，决策规划模块内容以并联模式布置，环境感知的内容会同步传输至多个决策规划模块内，可突出“感知-动作”的特点，易于适应完全陌生的环境。
与分层递阶式体系结构相比，反应式结构体系占用存储空间较小，响应快，实时性高。同时，并联结构提高了整体结构的稳定性，决策规划模块内的某一层内容出现故障，也不会影响到其他层级内容的正常运行。不过，这也提高了整体系统运行的复杂度，需要更高等级智能技术的支持。
3)二者混合式体系结构
由于分层递阶式体系结构和反应式体系结构均存在某些问题，单独一个体系难以满足自动驾驶处理复杂多变场景的实际需求，所以混合体系结构受到越来越多的