智能汽车是新一轮科技革命背景下的新兴技能，集中利用了当代传感技能、信息与通信技能、自动掌握技能、打算机技能和人工智能等技能，代表着未来汽车技能的计策制高点，是汽车家当转型升级的关键，也是目前天下公认的发展方向。
智能汽车在减少交通事件、缓解交通拥堵、提高道路及车辆利用率等方面具有巨大潜能。在此大背景下，中国人工智能协会出台《中国人工智能系列白皮书——智能驾驶2017》，概述汽车智能化发展，剖析国内外技能发展现状，从安全性、经济性、互联性、行业性方面详细阐述智能驾驶的社会效益与影响，并详细先容智能驾驶的技能，包括传感感知技能、定位与导航技能、V2X网联通信技能、决策方案技能构造体系、传感信息领悟、任务决策、方案方案、非常处理这些关键决策方案的关键环节。此外，本白皮书还系统地先容了自动驾驶掌握的核心技能组成部分，包括车辆的纵向掌握、横向掌握、自动驾驶的掌握方法、自动驾驶掌握技能方案。除了详细技能先容之外，该白皮书还先容了仿照仿真技能，包括需求剖析、技能方案、并预期未来发展的技能寻衅和趋势。
本白皮书是中国人工智能学会理事长、中国工程院院士李德毅、科大讯飞实行总裁胡郁、重庆邮电大学教授王国胤、中国科学院院士谭铁牛等产学研的专家撰写而成，引用了104篇国内外论文、著作等。
以下为白皮书的精编内容：
开篇
自20世纪80年代，在美国国防部前辈研究项目局（DARPA，Defense Advanced Research Projects Agency）的支持下掀起了智能车技能研究热潮。1984年由卡耐基梅隆大学研发了全天下第一辆真正意义的智能驾驶车辆，该车辆利用激光雷达、打算机视觉及自动掌握技能完成对周边环境的感知，并据此做出决策，自动掌握车辆，在特定道路环境下最高时速可达31km/h。
汽车智能驾驶技能的内涵
汽车智能驾驶具有“聪慧”和“能力”两层含义，所谓“聪慧”是指汽车能够像人一样智能地感知、综合、判断、推理、决议确定和影象；所谓“能力”是指智能汽车能够确保“聪慧”的有效实行，可以履行主动掌握，并能够进行人机交互与协同。自动驾驶是聪慧和能力的有机结合，二者相辅相成，缺一不可。
为实现“聪慧”和“能力”两方面内容，自动驾驶技能一样平常包括环境感知、决策方案和车辆掌握三大部分。类似于人类驾驶员在驾驶过程中，通过视觉、听觉、触觉等感官系统感知行驶环境和车辆状态，自动驾驶系统通过配置内部传感器和外部传感器获取自身状态及周边环境信息。内部传感器紧张包括车辆速率传感器、加速传感器、轮速传感器、横摆角速率传感器等；主流的外部传感器包括摄像头、激光雷达、毫米波雷达以及定位系统等。通过这些传感器供应海量的全方位行驶环境信息。不同传感器的量测精度、适用范围都有所不同，为有效利用这些传感器信息，须要利用传感器领悟技能将多种传感器在空间和韶光上的独立信息、互补信息以及冗余信息按照某种准则组合起来，从而供应对环境综合的准确理解。决策方案子系统代表了自动驾驶技能的认知层，包括决策和方案两个方面。决策体系定义了各部分之间的相互关系和功能分配，决定了车辆的安全行使模式；方案部分用以天生安全、实时的无碰撞轨迹。车辆掌握子系统用以实现车辆的纵向车距、车速掌握和横向车辆位置掌握等，是车辆智能化的终极实行机构。 “感知”和“决策方案”对应于自动驾驶系统的“聪慧”；而“车辆掌握”则表示了其“能力”。
汽车智能驾驶技能分级
美国高速公路安全管理局（NHTSA）将汽车智能化水平分成五个等级：无自主掌握；赞助驾驶；部分自动驾驶；有条件自动驾驶；高度自动驾驶。
《中国制造2025》将智能汽车分为DA，PA，HA，FA四个等级，并划分了各自的界线。个中，DA指驾驶赞助，包括一项或多项局部自动功能，如ACC，AEB，ESC等，并能供应基于网联的智能提醒信息；PA指部分自动驾驶，在驾驶员短时转移把稳力仍可保持掌握，失落去掌握10秒以上予以提醒，并能供应基于网联的智能勾引信息；HA指高度自动驾驶，在高速公路和市内均可自动驾驶，偶尔须要驾驶员接管，但是有充分的移交韶光，并能供应基于网联的智能掌握信息；FA指完备自主驾驶，驾驶权完备移交给车辆。
自动驾驶VS无人驾驶
自动驾驶是指可以帮助驾驶员转向和保持在车道行家驶，实现跟车、制动以及变道等操作的一种赞助驾驶系统，驾驶员可以随时参与对车辆的掌握，并且系统在特定环境下会提醒驾驶员参与操控。同自动驾驶汽车比较，无人驾驶汽车也配备有各种传感器和相应的掌握驱动器，但是取消了方向盘、加速踏板和制动踏板，汽车在没有人为干预的情形下自主完成行驶任务。
1921年World Wide Wireless期刊上出版的一篇论文中提出，通过无线通信技能实现无人驾驶技能。1955年美国Barret Electronics公司研制出了第一台自动勾引车辆系统AGVS(Automated Guided Vehicle System)。
期后的半个世纪，慕尼黑联邦国防军大学、美国俄亥俄州立大学、德国联邦国防军大学都在推进无人驾驶的研究。
除高校在自动驾驶领域的积极研究外，浩瀚汽车厂商也相继开展了干系研究操持。个中以特斯拉最广为人知，特斯拉开拓了自动驾驶系统Autopilot，并安装在了8万辆Model S上。
此外，以谷歌为代表的IT公司在自动驾驶领域的表现也十分生动，谷歌公司于2009年开始研发无人驾驶技能。2013年，苹果公司也开始想汽车领域进军，开拓了智能车载系统CarPlay。CarPlay能够支持“电话”、“音乐”、“舆图”、“信息”和第三方音频运用程序。
比较之下，海内涵自主驾驶方面研究的起步稍晚。从80年代末开始，国防科技大学先后研制出基于视觉的CITAVT系列智能车辆。后来清华大学在国防科工委和国家“863操持”的帮助下从1988年开始研究开拓THMR系列智能车。吉林大学、重庆大学也在自主驾驶方面取得一定的成果。海内一汽集团、上汽集团、长安汽车等车企也纷纭涉足自动驾驶。
海内互联网百度公司也在2013年开始了百度无人驾驶汽车项目，其技能核心是“百度汽车大脑”，包括高精度舆图、定位、感知、智能决策与掌握四大模块。
个中公开性智能驾驶比赛也对智能驾驶发展具有主要的推动浸染，比如美国国防部前辈研究局所举办的DARPA寻衅赛，，掀起了智能驾驶技能研发的热潮。
汽车自动驾驶家当概述
进入了21世纪后，自动驾驶家当得到了足够的重视和发展。传统的车企方向于从赞助驾驶到自动驾驶的逐步递进方案。图为我国学者于2012年调研得到的赞助驾驶系统的消费认知度情形。
智能驾驶的社会效益
2012年我国均匀每天约 280人因交通事件伤亡，相称于一次重大空难。同时，驾驶员是导致交通事件的紧张成分。
智能驾驶不受人的生理和感情滋扰，遵守交通法规，按照方案路线行驶，可以有效减少人为所造成的交通事件和拥堵。同时，智能驾驶汽车能够比人类更加精准地皮算和利用路权，通过车联网共享交通资源信息，可以最大化利用城市的道路资源。
此外，智能驾驶可以有效地促进节能减排，可以更合理地操控和切换驾驶模式，掌握车辆的提速和减速，避免由于驾驶员的不良驾驶习气导致的车辆能源花费和尾气排放等问题。
倘若智能驾驶汽车与智能交通、云打算相结合，将可以构建城市智能车指挥调度做事中央，共享交通资源，实现最优的交通出行，将会大大地减少汽车的保有量，从而达到节能减排的效果。
智能驾驶将带来汽车下贱家当链的巨大变革，比如汽车驾校的低迷、陪练市场的萎缩、出租车行业的失落业、代驾行业的彻底消逝、汽车维修行业和保险行业的改变等。
智能汽车从根本上改变了传统的“人一车一起”闭环掌握办法，将不可控的驾驶员从该闭环系统中请出去，减少了人为影响成分，由机器驾驶脑实现精确的机器掌握，从而大大提高了交通系统的效率和安全性。
国内外干系政策
由于智能驾驶是新兴的技能，各国政策也在研究乃至出台智能驾驶的干系政策。
美海内华达州一贯领导着许可智能驾驶汽车上路的立法事情。2011年，内华达州立法委员会通过了美国第一部许可测试智能驾驶汽车的法案。
欧盟在顶层设计、重大研发方案上做了很多事情，未来交通研究操持中强调了车车、车路通信，强调了人车路一体化和道路安全。
法国已于2016年年底前实现全国数千公里道路的联网，并推动道路交通法律法规的修订，知足无人驾驶汽车上路哀求。此外，还将向环球汽车生产商开放道路进行无人驾驶汽车的试验。英国政府已表示2017岁首年月次许可无人车在高速公路及主要道路上进行试驾。为欢迎无人驾驶汽车的到来，英国还将修正干系的道路交通法规，目前已由英国科学部与交通部开始动手研究。
日本事土交通省则决定最早将于2017年秋季制订有关在高速公路同车道行驶的自动驾驶安全法规。
目前，我国由工信部组织起草的智能网联汽车标准体系方案已形成标准框架体系，该标准体系框架包括根本、通用规范、产品与技能运用、干系标准四个紧张部分。
环境感知
智能驾驶的核心不在车而在人，是归天驾驶员在长期驾驶实践中，对“环境感知-决策方案-掌握实行”过程的理解、学习和影象。环境感知作为第一环节，处于智能驾驶车辆与外界环境信息交互的关键位置，其关键在于使智能驾驶车辆更好地仿照人类驾驶员的感知能力，从而理解自身和周边的驾驶态势。
相机、雷达、定位导航系统等为智能驾驶车辆供应了海量的周边环境及自身状态数据，这些以图像、点云等形式呈现的数据包含了大量与驾驶活动无关的信息。选择性把稳作为人类自然感知的主要特色，可以帮助智能驾驶车辆聚焦当前驾驶行为，确保智能驾驶的安全性和实时性。环境感知须要遵照近目标优先、大尺度优先、动目标优先、差异性优先等原则，采取干系感知技能对环境信息进行选择性处理。
智能驾驶车辆上安装的每类传感器也都有自身的感知盲区。智能驾驶过程中，通过组合利用多类传感器和利用时序关联的感知技能，可以缩小感知盲区的范围，一样平常不会影响正常驾驶。
环境感知功能系统构成
智能驾驶车辆获取和处理环境信息，紧张用于状态感知和V2X网联通信。V2X（即Vehicle to Everything，车辆同所有交通参与者）网联通信强调了车辆、道路、利用者三者之间的联系， 紧张利用RFID（Radio Frequency Identification，射频识别）、拍照设备、云做事器等得到实时路况、道路信息、行人信息等一系列交通信息，从而提高驾驶安全性和驾驶效率。
状态感知紧张通过车载传感器对周边及本车环境信息进行采集和处理，包括交通状态感知和车身状态感知。V2X网联通信是利用领悟当代通信与网络技能，实现智能驾驶车辆与外界举动步伐和设备之间的信息共享、互联互通和掌握协同。
按照获取交通环境信息的路子，可将这些传感器分为两类：1）被动环境传感器，紧张包括相机等视觉传感器和麦克风阵列等听觉传感器2）主动环境传感器，紧张指激光雷达、毫米波雷达和超声波雷达。
系统硬件配置方案
可用于智能驾驶环境感知的硬件设备有很多，紧张包括相机、激光雷达、毫米波雷达、超声波雷达、GPS、BDS、INS等。目前智能车上采取的配置方案每每是多种型号或多种类型设备的组合。如下图
相机无论是单目相机、双目相机，还是多目相机、深度相机，无论像素再清晰、采样速率再高，也无法办理所有图像采集和处理的难题。由于道路环境、景象环境的多样性、繁芜性以及智能驾驶车辆本身的运动特性，相机随意马虎受到光照、视角、尺度、阴影、污损、背景滋扰和目标遮挡等诸多不愿定成分的影响。
雷达雷达对光照、色彩等滋扰成分具有很强的鲁棒性，但是无论安装多少数量/种类的雷达、选取多高的采样速率，都不可能彻底办理凹坑反射、烟尘滋扰和雨、雪、雾等恶劣景象条件下的探测难题。
定位系统定位导航系统为智能驾驶供应了高精度、高可靠定位、导航和授时做事，RTK（Real-Time Kinematic，载波相位差分技能） + INS组合更是为实时精准定位和位置精度保持奠定了主要根本。但是无论位置做事公共平台多好、陀螺精度多高，还是存在采样频率不足、地理环境过于繁芜、初始化韶光过长、卫星旗子暗记失落效等问题，因此定位导航系统总是存在毛病。
传感感知技能
感知功能的实现既须要得当的感知设备，也离不开相应的感知技能。按照传感器获取的旗子暗记类型，可分为相机视觉、雷达传感和听觉传感。
相机视觉在智能驾驶中，相机取代人类视觉系统作为交通环境感知的传感器之一。相较于其他传感器，视觉传感器安装利用的方法大略、获取的图像信息量大、投入本钱低、浸染范围广，并且近些年更是得益于数字图像处理技能的快速发展和打算机硬件性能的提高。但是在繁芜交通环境下，视觉传感器依然存在目标检测困难、图像打算量大、算法难以实现的问题，视觉感知技能在应对道路构造繁芜、人车殽杂的交通环境时也还存在很多不敷。
视觉感知技能紧张包括三种：
1）单目视觉技能，即通过单个相机完成环境感知任务，具有构造大略、算法成熟并且打算量较小的优点，但是感知范围有限、无法获取场景目标的深度信息；
2）立体视觉技能，基本事理是采取2个（或多个）相机从不同视点不雅观察同一目标，并通过打算图像像素间位置偏差规复三维场景，难点在于探求多个相机图像中匹配的对应点；
3）全景视觉技能，成像视野较宽，但图像畸变较大、分辨率较低。
雷达传感在国内外智能驾驶车辆开拓过程中，传感感知技能研究的重点除了视觉便是雷达。雷达通过对目标发射电磁波并吸收目标回波来得到目标的间隔、方位、间隔变革率等信息。
（1）雷达传感器
雷达传感器一样平常由发射机、发射天线、吸收机、吸收天线、显示器、处理部分以及电源设备、数据录取设备、抗滋扰设备等赞助设备构成。按照电磁波的波段，雷达分为三类：激光雷达、毫米波雷达、超声波雷达。
雷达受外界环境影响小，获取的深度信息可靠性高，测距范围和视角大、准确度高。其余，雷达每帧吸收的点云数据量远小于相机记录的图像信息，更能知足智能驾驶对实时性的需求。雷达的最大缺陷在于制造工艺繁芜、本钱很高，在一定程度上使其广泛运用受到限定。
目前激光雷达常用的感知技能紧张有：
障碍物检测与跟踪，关键在于同一时候障碍点的聚类和不同时候障碍物的匹配，基于深度学习的雷达障碍物检测逐渐成为近年来的研究热点，雷达与图像领悟的障碍物检测技能研究也取得了一定成果；
路面检测，紧张是为了区分路面和道路上的其他目标障碍物，还可以通过检测路面材质和坡度为智能驾驶车辆决策和掌握供应数据参考；
定位与导航，基于激光雷达的SLAM在智能车定位中可以发挥主要浸染，智能车通过检测路边障碍物位置判断道路走向并实现基于雷达的自主导航；
三维重修，利用激光雷达获取的深度信息即可以实现智能车周围环境的三维场景重修。
目前大部分智能驾驶车辆仅依赖视觉感知和雷达感知，已经能够完成绝大多数交通环境感知任务，因此每每忽略了听觉感知。交通环境中有许多声音也会携带主要信息，例如喇叭、警笛等智能驾驶车辆同样须要对环境中的声音有所感知并做出反应。
听觉传感器按照相对付智能车辆位置区域的范围，听觉感知能力可分为三类：1）个域听觉感知2）局域听觉感知3）广域听觉感知。
听觉感知系统紧张涉及三种关键技能：声源定位技能、音频识别技能和软件无线电技能。
目前常用的声源定位技能按其定位事理可分为三大类：
基于最大输出功率的可控波束形成技能，关键在于对吸收的旗子暗记的滤波及加权求和，并掌握阵列波束指向最大输出功率对应的方向；
基于高分辨率谱估计的定位技能，通过求解所吸收旗子暗记与阵列间的干系矩阵确定旗子暗记源方向和位置；
基于声达韶光差的定位技能，紧张是利用声源旗子暗记到每个麦克风阵元的韶光差估计来实现测向和测距。
定位与导航技能
智能驾驶的根本是自主导航，不仅须要获取车辆与外界环境的相对位置关系，还须要通过车身状态感知确定车辆的绝对位置，因此定位与导航也是环境感知的关键技能之一。
感知态势的基准智能驾驶车辆的位置数据不可能分开感知态势的基准，目前在智能驾驶中常用的基准包括：大地坐标系（WGS-84/ CGCS 2000）、摄像机坐标系、图像坐标系、雷达坐标系、驾驶员认知坐标系等。
目前紧张有GPS、北斗卫星导航系统、GLONASS和GALILEO四大环球卫星导航系统，我国常用的为GPS和北斗卫星导航系统。
卫星导航定位技能按照定位办法分为单点定位技能和相对定位技能。
相对定位又分为静态定位和动态定位两种类型，个中实时动态定位RTK技能是一种新的常用的卫星定位丈量方法。RTK是一种基于载波相位不雅观测值的定位技能，利用了参考站和移动站之间不雅观测偏差的空间干系性。与以前的静态定位和动态定位不同，RTK无需事后结算即可在野外实时得到厘米级的定位精度，成为卫星定位运用的重大里程碑。
（2）惯性导航系统
惯性导航系统（简称惯导）由陀螺仪和加速度计构成，通过丈量运动载体的加速度和角速率数据，并将这些数据对韶光进行积分运算，从而得到速率、位置、姿态和航向。
惯性导航系统能够供应包括水平姿态、方位、速率、位置、角速率和加速度等的全面的导航信息，而且数据更新率高、连续性好、噪点低、短期精度和稳定性高。惯导也存在其固有缺陷：定位偏差会随韶光而增大，数据的长期精度较低，而且无法获取韶光信息。其余，惯导在每次利用之前须要较永劫光的初始化，在智能驾驶过程中如果涌现断电等突发状况，每每须要重新初始化。
交通环境繁芜多变，单一的导航系统每每会受限于自身的不敷而无法确保精准定位和导航，因此当前的智能驾驶车辆大多采取GPS/BDS + INS的组合导航办法。
姿态和状态感知智能驾驶车辆环境感知系统对车体的感知包括两部分：车身姿态感知和车身状态感知。
（1）车身姿态感知：紧张指对车辆航向角、侧倾角和俯仰角的感知，一样平常通过惯导或者陀螺仪来获取这些参数。
（2）车身状态感知：紧张包括对车辆行驶速率、纵向加速度、发动机转速、方向盘转角、节气门开度、制动主缸压力等车辆状态信息的感知。
测试技能
智能驾驶对定位导航系统的性能有一定的哀求，须要通过测试得到性能指标数值作为衡量依据。
测试指标一样平常包括：
1）首次定位韶光，用于测试吸收终端搜索旗子暗记的速率；
2）定位测速精度，一样平常包括水平和高程定位精度；
3）失落锁重捕韶光，能够反应吸收终端在旗子暗记失落锁后规复定位的快慢；
4）跟踪灵敏度，紧张评估定位状态下吸收机坚持定位精度所需的最小旗子暗记功率；
5）捕获灵敏度，代表了失落锁状态下吸收机捕获弱旗子暗记的能力。
实际驾驶时，车辆在不同场景下对导航系统的定位性能需求不同，因此导航系统的性能测试一样平常会有针对性地设置特定场景。舆图也包括数字舆图、驾驶舆图等两种形式。
V2X网联通信技能近年来，随着物联网、大数据、“互联网+”等新技能的兴起，智能交通系统（ITS，Intelligent Transport System）在智能网联、车联网方面也有了长足发展。
V2X网联是基于物联网，利用D2D（Device to Device，终端直通）以及信息通信等技能实现车辆与外界互联的无线通信技能。2017年9月19日，我国首部V2X运用层团体标准《互助式智能交通系统 车用通信系统运用层及运用数据交互标准》正式发布。
智能驾驶对V2X网联通信提出了以下几点技能哀求：网络接入韶光短、传输时延低、传输可靠性高、滋扰性低、信息安全性高、频谱可再利用。其余，还须要对海量数据进行剖析与处理，这就哀求V2X技能可以合理借助各种感知传感器，并从获取的数据中探索规律进行有效表示。
V2X技能的实现一样平常基于RFID、拍照设备、车载传感器等硬件平台。V2X网联通信家当分为DSRC（Dedicated Short Range Communication，专用短程协议）和LTE-V2X两个标准和家当阵营。
DSRC的设备组成包括车载单元(OBU，On Board Unit)、路边单元（RSU，Road Side Unit）、掌握中央等。DSRC的上风在于技能成熟可靠，能够担保低时延和安全可靠性，因此依然是当下市场主流的V2X标准。DSRC能够支持的最高车速为200km/h，数据传输速率一样平常为12Mbps，反应韶光为100ms以内，低时延达到20ms。其余也存在一些不敷，包括覆盖范围小、传输速率低、易受到建筑物遮挡、处理大量数据较慢、培植本钱较高档。
目前，DSRC在一直车收费（ETC系统）、车队管理、出入掌握、信息做事等领域已经有广泛运用。
LTE-V2X
LTE-V2X基于现有蜂窝移动通信支持（3G/4G），拥有自主知识产权。
工信部、发改委和科技部等政府部门和高通、华为等公司也在大力推动LTE-V2X技能的家当化发展。LTE-V2X技能按照通信办法分为集中式（LTE-V-Cell）和分布式（LTE-V-Direct）两种，如图2-6所示。LTE-V-Cell以基站为分布中央，须要现有蜂窝网络的支持，具有带宽大、覆盖广的通信特点，能免实现远间隔通信；LTE-V-Direct独立于蜂窝网络，是一种车辆与周边环境节点直接通信的技能，具有低时延、高可靠的上风。
目前，LTE-V2X仍在研发测试阶段，但是已形成可运营的完全网络体系，能够在高频段（5.9GHz）、高车速（250km/h）、高车流量的环境下供应可靠的通信能力，并且在大容量、低时延、抗滋扰性以及可管理性等方面更为成熟。
决策方案
决策方案是自动驾驶的关键部分之一，决策方案按照划分的层面不同可分为全局方案和局部方案两种。
全局方案是由获取到的舆图信息，方案出一条在一些特定条件下的无碰撞最优路径；局部方案则是根据全局方案，在一些局部环境信息根本上，能避免撞上未知的障碍物，终极到达目标点的过程。
轨迹方案是智能汽车自主驾驶行为必须涉及到的一项研究，运动轨迹方案是在静态路径方案的根本上考虑韶光成分和车辆的运动学、动力学约束条件，并根据车辆当前的位姿以及传感器网络到周围环境的状态信息，考虑智能汽车的内在约束条件( 如非完全约束) 和车辆的运动学、动力学约束条件对轨迹天生的影响，方案出可行的参考轨迹。末了将轨迹以掌握量的办法供给到后续的掌握系统，使得车辆可以沿着相应的轨迹行驶，避免碰撞。
决策方案技能构造体系
决策方案技能构造体系包括分层递阶式体系构造、反应式体系构造、稠浊式体系构造。以下的三张图为三种体系构造的图解。
决策方案系统的关键环节
智能驾驶决策方案系统的开拓和集成基于递阶系统的层次性特色，可分为四个关键环节，分别是信息领悟、任务决策、轨迹方案和非常处理。
传感信息领悟是将多个传感器的输出信息统一在车辆坐标系下，建立具有韶光标记的数据关联和领悟，以担保场景数据信息的连贯性和适用性。任务决策作为智能驾驶的智能核心部分，吸收到传感感知领悟信息，通过智能算法学习外界场景信息，从全局的角度方案详细行驶任务，从而实现智能车辆拟人化掌握融入全体交通流。轨迹方案是根据局部环境信息、上层决策任务和车身实时位姿信息，在知足一定的运动学约束下，为提升智能汽车安全、高效和舒适性能，方案决议确定出局部空间和韶光内容车辆期望的运动轨迹，包括行驶轨迹、速率、方向和状态等。
非常处理作为预留的智能驾驶系统安全保障机制，一方面是在碰着不平及繁芜路面易造成车辆机器部件松动、传感部件失落效等问题时，通过预警和容错掌握坚持车辆安全运行；另一方面是决策过程某些算法参数设置不合理、推理规则不完备等缘故原由导致智能汽车在行为动作中重复涌现某些缺点并陷入去世循时，能够建立缺点修复机制使智能汽车自主的跳出错误去世循环，朝着完成既界说务的方向连续提高，以减少人工干预来办理问题，这是提高车辆智能化水平的必需。
决策方案技能方法
决策方案是智能汽车导航和掌握的根本，从轨迹决策的角度考虑的，可分为全局方案和局部方案两个层次。
全局方案方法(1)基于状态空间的最优掌握轨迹方案方法
在状态空间进行轨迹方案的方法紧张有最优掌握方法。最优掌握方法是指通过最优掌握理论找到可行的掌握量 ，使得系统 能够沿着可行轨迹 行驶，该轨迹能够使得评价函数 最小。将评价函数和系统的状态方程联系起来，只有系统状态方程的约束条件知足，评价函数才能置零，求得可行的轨迹 。
(2)基于参数化曲线的轨迹方案方法
B样条曲线由一组称作掌握点的向量来确定，这些掌握点按顺序连接形成一个掌握多边形，B样条曲线便是逼近这个掌握多边形。通过确定掌握点的位置，可以掌握曲线的形状。由于B样条曲线具有曲率连续的优点，在相邻曲线段的节点处曲率也是连续的[31]，且具有局部支撑性等特点，如果轨迹局部的约束条件不知足，可以通过调度相应掌握点的方法来对轨迹进行改动，而不影响其它的轨迹段，具有运用性强的特点。
(3)基于基于系统特色的轨迹方案方法
微分平坦法是基于系统特色的一种轨迹方案方法。微分平坦是指可以找到一组系统输出，使得所有状态变量和输入变量都可以由这组输出及其导数决定(不需积分)。不过该方法在方案轨迹的过程中没有考虑最大曲率和最大曲率变革率的约束条件。文献针对路径方案给定的路径函数信息，通过微分平坦的方法方案出系统输入及状态的韶光干系的轨迹函数，在知足车辆侧向加速度约束的情形下使得系统的某性能指标最优。
局部方案方法局部路径方案的方法紧张包括以下两个关键部分：（1）建立环境模型，即将智能汽车所处现实天下抽象后，建立打算机可认知的环境模型；（2）搜索无碰路径，即在某个模型的空间中，在多种约束条件下，选择合乎条件的路径搜索算法。
路权分配技能路权（Right of Weight，ROW），是指道路利用者依据法律规定，在一定的韶光对一定的道路空间利用的权力。在智能驾驶中，路权可以用来描述知足车辆当前安全行驶所须要的道路空间。
路权与车速强干系，可分为期望路权和实际路权，当两者不一致时，就须要进行调节来办理冲突。自主驾驶是智能汽车在任意时候对路权的检测和利用，多车交互是车群在任意时候对路权的竞争、霸占、放弃等协同过程。自主驾驶的不愿定性，表示在车辆行驶中拥有的路权在一直地发生变革。
掌握工程篇
智能驾驶的全体流程归结起来有三个部分，首先，是通过雷达、像机、车载网联系统等对外界的环境进行感知识别；然后，在传感感知领悟信息根本上，通过智能算法学习外界场景信息，方案车辆运行轨迹，实现车辆拟人化掌握融入交通流中；其次，跟踪决策方案的轨迹目标，掌握车辆的油门、刹车和转向等驾驶动作，调节车辆行驶速率、位置和方向等状态，以担保汽车的安全性、操纵性和稳定性。如果能够默契地进行，那么全体智能驾驶流程就算完成了。
智能驾驶的系统将驾驶认知形式化，利用驾驶认知的图表达措辞，设计通用的智能驾驶软件架构。在这一架构中，智能决策模块基于多传感器的感知信息、驾驶舆图和车联网通信等先验信息综合形成的驾驶态势完成自主决策。智能驾驶试验平台软件的架构如图所示。
自动驾驶掌握核心技能组成
自动驾驶掌握的核心技能是车辆的纵向掌握和横向掌握技能。纵向掌握，即车辆的驱动与制动掌握；横向掌握，即方向盘角度的调度以及轮胎力的掌握。实现了纵向和横向自动掌握，就可以按给定目标和约束自动掌握车运行。
纵向掌握车辆纵向掌握是在行车速率方向上的掌握，即车速以及本车与前后车或障碍物间隔的自动掌握。巡航掌握和紧急制动掌握都是范例的自动驾驶纵向掌握案例。这类掌握问题可归结为对电机驱动、发动机、传动和制动系统的掌握。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的掌握器算法结合，构成了各种各样的纵向掌握模式，范例构造如图所示。此外，针对轮胎浸染力的滑移率掌握是纵向稳定掌握中的关键部分。
横向掌握车辆横向掌握指垂直于运动方向上的掌握，对付汽车也便是转向掌握。目标是掌握汽车自动保持期望的行车路线，并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适性和稳定性。车辆横向掌握紧张有两种基本设计方法，一种是基于驾驶员仿照的方法；另一种是给予汽车横向运动力学模型的掌握方法。
自动驾驶掌握方法
传统的汽车掌握方法紧张有：PID掌握、模糊掌握、最优掌握、滑模掌握等，这些算法运用都较为广泛。相对付传统的掌握方法，智能掌握方法紧张表示在对掌握工具模型的利用和综合信息学习利用上，紧张有基于模型的掌握、神经网络掌握和深度学习方法等，目前这些算法已逐步在汽车掌握中广泛运用。
基于模型的掌握基于模型的掌握,一样平常称为模型预测掌握（Model predictive control，MPC）,又可称为滚动时域掌握（Moving horizon control，MHC）和退却撤退时域掌握（Receding horizon control，RHC），它是一类以模型预测为根本的打算机优化掌握方法，在近些年来被广泛研究和运用的一种掌握策略。其基本事理可概括为：在每个采样时候，根据当前得到确当前丈量信息，在线求解一个有限时域的开环优化问题1，并将得到的掌握序列的第一个元素浸染于被控工具，在一个采样时候，重复上述过程，再用新的丈量值刷新优化问题并重新求解。在线求解开环优化问题得到开环优化序列是模型预测掌握与传统掌握方法的紧张差异。预测掌握算法紧张由预测模型、反馈校正、滚动优化、参考轨迹四个部分组成，最好将优化解的第一个元素（或第一部分）浸染于系统。
神经网络掌握神经掌握是研究和利用人脑的某些构造机理以及人的知识和履历对系统的掌握[60]。利用神经网络，可以把掌握问题算作模式识别问题，被识别的模是映射成“行为”旗子暗记的“变革”旗子暗记。神经掌握最显著的特点是具有学习能力。它是通过不断改动神经元之间的连接权值，并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的掌握具有良好效果。一样平常情形下，神经网络用于掌握系统有两种方法：一种是用其建模，紧张利用神经网络能任意近似任何连续函数和其学习算法的上风，存在前馈神经网络和递归神经网络两种类型；另一种是直接作为掌握器利用。
深度学习方法深度学习源于神经网络的研究，可理解为深层的神经网络]。通过它可以得到深层次的特色表示，免除人工选取特色的繁复冗杂和高维数据的维度灾害问题。 深度学习在特色提取与模型拟合方面显示了其潜力和上风。对付存在高维数据的掌握系统，引入深度学习具有一定的意义，近年来, 已有一些研究关注深度学习在掌握领域的运用。目前较为公认的深度学习的基本模型包括基于受限玻尔兹曼机 (Restricted Boltzmann machine，RBM)的深度信念网络 (Deep belief network，DBN)、基于自动编码器 (Autoencoder，AE)的堆叠自动编码器 (Stacked autoencoders, SAE)、卷积神经网络 (Convolutional neural networks， CNN)、递归神经网络 (Recurrent neural networks，RNN)。无人驾驶系统须要只管即便减少人的参与或者没有人的参与，深度学习自动学习状态特色的能力使得深度学习在无人驾驶系统的研究中具有先天的上风。如何充分利用和发挥深度学习在无人驾驶系统中的上风并发展深度学习在环的无人驾驶系统掌握是目前的研究方向。
自动驾驶掌握技能方案
根据从行驶环境到驾驶动作的映射过程，自动驾驶掌握技能可以分为间接掌握和直接掌握两种不同方案。
基于方案-跟踪的间接掌握方法自动驾驶间接掌握是一类基于方案-跟踪的主流智能驾驶车辆掌握方法。根据当前车辆行为需求，在知足车辆自身运动学和动力学约束条件下方案出一条空间上可行且韶光上可控的无碰撞安全运动轨迹，然后设计适当的掌握律跟踪天生的目标轨迹，从而实现自主驾驶。如下图所示
基于人工智能的直接掌握方法自动驾驶的直接掌握是一类基于人工智能的智能驾驶车辆自主掌握决策方法。自动驾驶直接掌握方法采取人工智能等手段，建立了从行驶环境到驾驶动作的直接映射过程，详细讲是在认知的范畴内试图建立一种前辈的驾驶员模型以完成实际繁芜驾驶过程，此外掌握过程无需建立被控工具的数学模型，具有较强的机动性和实时性。
基于人工智能决策掌握模型实质上是仿照人脑对外界环境信息和车体本身信息的感知（图 4-7），同时由驾驶履历并同在线学习机制来得到持续稳定输出的过程。
人机交互系统
人机交互系统作为智能驾驶的关键技能之一，对付智能汽车发展和运用有着十分主要的浸染和意义，包括：进一步提高智能汽车的可靠性和安全性；拥有更强的实用性和更加出色的用户体验；增强智能汽车的灵巧性和机动性；提高智能汽车的任务实行力。
智能汽车人机交互系统发展现状目前天下上比较主流的人车交互系统紧张有以下几种：奥迪MMI、奔驰COMMAND、宝马iDrive、丰田G-BOOK、苹果CarPlay等人机交互系统。
人机交互系统的核心技能人机界面技能的研究紧张针对驾驶员和车辆驾驶信息的交互。
人机交互的核心技能
驾驶员信息交互的研究开始于1970s，但直到1990s车辆导航系统的涌现才真正运用到商业产品中。在过去十年间，人们通过驾驶员负荷丈量技能研究了驾驶员在利用HMI信息时的精神包袱，这方面的研究结果对HMI的设计起到十分主要的浸染，并且进一步推动了干系标准和设计准则的制订。
人机共驾技能人机共驾技能的研究紧张面向前辈驾驶赞助系统。对付赞助驾驶系统，人机交互是个中很主要的一环。随着越来越多的赞助驾驶系统进入产品化的阶段，系统对付车辆的掌握权变得越来越大，越来越繁芜。因此，如何将多个赞助驾驶系统和驾驶员之间进行集成已经成为当前的一个研究热点。ADAS系统本身就被定义为赞助驾驶系统，这就不可避免的须要考虑到和驾驶员行为之间的交互关系。如果赞助驾驶系统不考虑驾驶员的操纵行为反而会增加车辆行驶过程中的危险性。
驾驶行为特性研究驾驶员在真实道路中的驾驶行为研究是人机共驾技能中十分主要的一部分，也是智能赞助系统的研究的根本。打算机图形学和打算性能的发展使得道路构造和交通车行为的虚拟建模成为可能，这就使得驾驶仿照器可以仿照更为广泛的道路和交通状况。再加上处理器处理能力的发展和本钱的低落，驾驶仿照器再次成为驾驶员行为特性研究的有力工具。和真实道路试验比较，驾驶仿照用具有可重复性好，工况设定更为灵巧，耗时少，效率高，风险低等优点。只管驾驶仿照器现在被广泛的运用于驾驶员特性研究中，但是对付通过驾驶仿照器得到的驾驶员特性数据和真实道路试验得到的驾驶员特性数据比较，其可靠性仍旧须要进一步的验证。
人机交互系统的发展趋势
通过对目前人机交互系统的研究现状的剖析，未来有关人机界面，人机交互和人机共驾可能的发展趋势包括：
在人机交互设计过程中，须要考虑不同人群的需求，这也是未来HMI设计标准和准则的制订方向。
车辆中和驾驶员操纵输入密切干系的部分，如转向盘力感，踏板脚杆，座椅舒适度，体感等，依然会是未来的研究方向之一。更适宜驾驶员的操纵输入和身体感知将是一个须要持续努力的研究方向。
对付ADAS系统，驾驶员在得到赞助驾驶的同时，也会分散把稳力增加驾驶包袱，这是ADAS系统面临的一个主要问题。如何折衷好驾驶员基本操纵行为和赞助驾驶系统之间的关系需进一步研究。
未来车辆以及交通领域不仅仅是驾驶员和车之间关系的研究，这一领域所面临的问题可能会是更为广泛的社会问题，须要更多领域的研究职员参与进来，如城市方案师，社会学家，人类学家等。
目前各国虽然都得到大量的驾驶员行为信息的数据库，但是如何将这些数据运用于工程系统中仍有待研究。
测试验证
自动驾驶将历经4至5个阶段才能进入完备无人驾驶的时期。目前可以实用化的技能是高等赞助驾驶（ADAS），而高等自动驾驶、完备无人驾驶等技能正在实验室和封闭、半封闭测试区紧锣密鼓的进行。只有经由长期的测试验证，自动驾驶车辆才能为大众供应安全可靠的出行做事。详细的讲，自动驾驶测试包括软件在环（SIL）、硬件在环（HIL）、车辆在环（VIL）、场测、路测等环节，测试内容包括传感器、算法、实行器、人机界面等等各个环节，测试目的从运用功能、性能、稳定性和鲁棒性、功能安全、形式认证等等。
自动驾驶汽车的开拓测试，须要大量的演习数据采集和标注事情。如何有效采集数据，以及如何标记数据，是当前自动驾驶领域的一个热门话题。测试数据的大略标注可以自动化，繁芜标注仍旧须要大量人力。首先要有标记和演习学习的事情，把环境关键成分提取出来，然后要用图像处理等办法提取与环境其他要素之间的时空关系，这样形成的数据就可以拿来剖析建模，包括后续的算法开拓和功能测评都可以用。除了演习数据采集，一个全面的评测数据集和合理的评测指标也非常关键。对付不同的任务，不同的技能阶段，须要有不同的评测指标和方法。
在智能驾驶领域，技能的每一步发展都必须以保障个人安全为丈量，于是它的发展除了将带给人们欢畅鼓舞的便利之外，也引发了对其安全性的担忧。自动驾驶汽车的实际道路测试有很大的局限性，须要用仿照仿真测试来填补。谷歌、特拉斯、Zoox等很多公司借助仿照仿真的方法力争使无人驾驶车的行驶里程尽快达到十亿英里。从软件到硬件的仿照仿真被合理建模时，就会为公司实验和测试他们的无人驾驶汽车模式供应了可能性。它包括各种各样的运用处景，实时交通、司机行为、景象以及道路环境等。
技能方案
Waymo的自动驾驶仿照仿真软件Carcraft
最初开拓Carcraft是作为一种“回放”无人车在公共道路行驶经历场景的办法，之后逐步发展成了仿真，并在Waymo自动驾驶项目中发挥了重大浸染。Waymo可以在一天内沿着一条特殊繁芜的道路仿照行驶数十万次，总行驶里程达到800万英里旁边。2016年，与谷歌IRL自动驾驶汽车在实际公共道路上运行的300多万英里比较，Waymo已经行驶了25亿英里的虚拟路程。
仿真测试是Waymo自动驾驶汽车研发中的一部分，仿真将Waymo自动驾驶原型车在实际道路中的测试与中心谷地一个叫做「城堡」（Castle）的秘密基地进行的“构造化测试”项目紧密结合在了一起。Waymo 此前从未公布过「城堡」的内部运作细节。在实际公共道路上进行的测试能够让开发职员知道须要在哪种地形进行额外演习。随后他们将这种地形在秘密基地「城堡」中复刻，使得测试车辆能够在不同的场景中进行演习。在这两种实体测试中，Waymo的自动驾驶原型车捕获了足足数据，未来可以在任何时候进行全数字化的仿真仿照测试。
未来发展的技能寻衅和趋势
对付仿照的里程效用真的有用吗？大家所持不雅观点不一。支持一方认为，仿照可以用来仿照罕见情形和基线数据，罕见的情形是指难以重现或足够随机的场景。如果无人驾驶能够供应99%的可靠性，由于大部分场景已经通过仿照得以优化。而AI或ML的一些未来技能迭代则许可我们在没有事先数据预备的情形下，对极度情形做出反应。打消分外情形之外，仿真对付构建根本数据集也非常有用，并且在此根本上不断进行进一步的测试。反对一方则认为与此相对应的是：仿照环境不足好以至于不能高效地天生模型。常日，这是一个环境与车辆交互的场景，并且很难在现实场景中复现。此外，还存在着图像保真度过低的情景等等。
为了帮助办理有关数据质量的一些问题，研究职员正在测试将虚拟图像输入转化为现实模型的可能性，以改进仿照实验。谷歌曾放出，虽然许多政府机构还不愿意将仿照英里数作为规定中的自主驾驶测试所需里程的一部分，但随着对仿照的监管变得更加明确，这种情形可能会发生变革。
如果精确度足够高，那么仿照是有代价的。诚然，仿照可能不会办理的末了1%的自主驾驶问题。但如果技能可靠，那么在未来可以让模型完成更好的场景识别或应对更大范围的场景。许多公司对此表示赞许，包括特斯拉，Zoox，Comma.ai，Drive.ai等。
仿照仿真技能的利用还能够扩展到无人驾驶领域之外。比如，我们可以借此理解无人机如何感知周围的天下，也能更好地明白交通、驾驶行为，乃至是行人行为的潜在逻辑。一个仿照环境中，存在足够多的特定模型和动态生命，因此我们还可以更好地理解机器人，它们将与我们的真实天下和数字天下发生交互。
以上为雷锋网对中国人工智能学会智能驾驶白皮书的精编，如需下载完全报告请回答（中国人工智能协会智能驾驶）关键词，再次感谢中国人工智能学会对雷锋网的支持。转载请联系雷锋网。