人工智能在自動駕駛研發中的應用1【摘要】行業圖譜研究是本中心科技成果轉化研究的一項子課題，目標定位于清晰理解前沿科技成果的技術核心、科創企業的技術競爭力及科研工作者的研究進度，從而助力科技成果轉化效率的提升。行業圖譜研究將以系列形式展開，選取國家戰略重點科技領域的商業應用場景逐一進行，時效性較強。本報告為行業圖譜的計算機科學系列之自動駕駛領域：人工智能在自動駕駛研發中的應用。當今，自動駕駛技術已經成為汽車產業的未來發展方向。應用自動駕駛技術可以全面提升汽車駕駛的安全性、舒適性，滿足更高層次的市場需求，并推動產業科技升級。得益于人1感謝資本市場與公司金融研究中心的實習生許喜遠同學對本報告的助研工作。許喜遠同學是清華大學醫學院2022級博士。工智能技術的發展，自動駕駛技術在環境感知、精準定位、決策與規劃、控制與執行等方面實現了突破性提升。其中，基于人工智能應用的研發，關鍵性技術競爭點包括高精地圖、傳感器融合、語音與圖像識別等。國外自動駕駛汽車研發歷程較早，已逐步實現商業化應用，國際頂級公司在人工智能自動駕駛領域的研究處于全球引領地位。而我國自動駕駛汽車研發也在逐步崛起。政府鼓勵政策和資金支持成為我國研發自動駕駛汽車的重要動力。本文從自動駕駛汽車的定義、研發歷程到人工智能在自動駕駛汽車中的技術應用、全球自動駕駛市場進行了較為全面的介紹，并匯總了國內重點科學家的研究現狀，以期了解我國當前行業發展的狀態及國際競爭定位。目錄一、自動駕駛汽車概述 1（一）自動駕駛汽車的等級標準及相關概念 1（二）自動駕駛汽車的應用價值 4二、自動駕駛汽車的研發歷程 5（一）國外研發歷程 6（二）我國研發歷程 13三、人工智能在自動駕駛汽車中的應用 18（一）人工智能在環境感知中的應用 19（二）人工智能在精準定位中的應用 22（三）人工智能在決策與規劃中的應用 24（四）人工智能在控制與執行中的應用 27（五）基于人工智能的自動駕駛研發中關鍵性技術競爭點 30四、自動駕駛市場與國內外企業調研 34（一）人工智能在自動駕駛領域的市場情況 34（二）國際頂級公司在人工智能自動駕駛上的最新研發成果 34（三）本章小結 40五、專業術語解析 41參考文獻 44圖表目錄圖1-1SAEJ3016標準 2圖1-2自動駕駛技術 2圖1-3自動駕駛技術的價值 5圖1-4國外自動駕駛汽車發展歷程 6圖1-5谷歌公司的自動駕駛原型車 11圖1-6Pacifica混動廂式自動駕駛出租車 12圖1-7Zoox的自動駕駛汽車 13圖1-8我國自動駕駛汽車發展歷程 14圖1-9百度“阿波龍”自動駕駛巴士 17圖2-1自動駕駛汽車體系結構 18圖2-2環境感知應用中使用的深度學習模型 20圖2-3深度學習智能控制方法 28圖3-1基于人工智能的自動駕駛所需要的條件及關鍵性技術競爭點 31表1-1三屆DARPA自動駕駛挑戰賽 7表4-1全球已上市的人工智能自動駕駛企業 35表4-2國內外重點AI自動駕駛企業的概況以及相應的融資信息 37表4-3自動駕駛技術中國學者研究優勢定位 39（AutomatedVehicleIntelligentVehicle；AutonomousVehicle；Self-drivingCar；DriverlessCar）又稱智能汽車、自主汽車、自動駕駛汽車或輪式移動機器人，是一種通過計算機實現自動駕駛的智能汽車。本文首先講述自動駕駛汽車涉及到的關鍵概念，包括自動駕駛汽車等級標準、智能汽車定義等；接著對國外、國內自動駕駛汽車的發展歷程進行梳理；重點解析人工智能在自動駕駛汽車技術中的應用及其關鍵技術競爭點；最后通過國際市場分析展現全球行業動態及我國在該領域國際科技中的發展定位。一、自動駕駛汽車概述（一）自動駕駛汽車的等級標準及相關概念SAEJ3016該標準于2014年由美國國際汽車工程師學會（SocietyofAutomotiveEngineersInternational，SAEInternational）制定，內容如1-1Level0Level56個級別[1]針對道路機動車輛的自動化系統相關條款做了分類和定義。它不但被美國交通運輸部采納為聯邦標準，同時也已經成為了全球汽車業界評定自動駕駛汽車等級的通用標準。Level0：無自動化，由人類駕駛員全程操控汽車，但可以得到示警式或須干預的輔助信息。Level1：輔助駕駛，利用環境感知信息對轉向或縱向加減速進行閉環控制，其余工作由人類駕駛員完成。Level2：部分自動化，利用環境感知信息同時對轉向和縱向加減速進行閉環控制，其余工作由人類駕駛員完成。Level3：有條件自動化，由自動駕駛系統完成所有駕駛操作，人類駕駛員根據系統請求進行干預。Level4：高度自動化，由自動駕駛系統完成所有駕駛操作，無需人類駕駛員進行任何干預，但須限定道路和功能。Level5：完全自動化，由自動駕駛系統完成所有的駕駛操作，人類駕駛員能夠應付的所有道路和環境，系統也能完全自動完成。圖1-1SAEJ3016標準圖1-2自動駕駛技術自動駕駛汽車自動駕駛汽車是指一種無需駕駛員介入，通過集成多項技術，如計算機視覺、導航、傳感器等系統的汽車。這種汽車可以根據道路環境、周圍車輛、交通規則等信息，自主決策、駕駛和安全操縱。自動駕駛汽車的結構組成包括：①傳感器：包括激光雷達、攝像頭、加速計、陀螺儀、超聲波傳感器等，用于收集道路環境、周圍車輛等信息；②計算機視覺系統：利用攝像頭等數據，對道路環境、周圍車輛等信息進行識別和分析；③導航系統：根據道路地圖、定位信息等，實現汽車的導航；④控制系統：根據道路環境、周圍車輛、交通規則等信息，進行決策和控制，實現自動駕駛；⑤電子控制單元：負責對汽車的操縱，如油門、剎車、轉向等。通過這些組件的集成，自動駕駛汽車可以實現自主駕駛，并且能夠提高駕駛安全性和效率。同時，通過大數據分析和人工智能技術的應用，自動駕駛汽車還可以實現更高效的交通管理和減少交通擁堵[1]SAEJ3016標準可以看出，通常大家談論的自動駕駛汽車對應該標準的Level4和Level5級。自動駕駛技術自動駕駛技術是對人類駕駛員在長期駕駛實踐中，對“環境感知如圖1-2所示。自動駕駛汽車是一個復雜的軟硬件結合的智能自動化（二）自動駕駛汽車的應用價值自動駕駛汽車之所以受到各國政府前所未有的重視[2]，國內外各院校、研究機構都投入了大量人力、物力，各大車企、科技公司、汽車零部件供應商以及自動駕駛汽車創業公司也紛紛在這個領域進行布局，它主要具有以下如圖1-3所示的價值。改善交通安全，出行革命：自動駕駛汽車具有改善交通安全和提升社會效率的潛力。由于駕駛員過失責任是交通事故的主要因素，自動駕駛汽車不受人的心理和情緒干擾，能夠保證遵守交通法規，并按照規劃路線行駛，因此可以有效地減少人為疏失所造成的交通事故。此外，自動駕駛汽車可以通過提高車速、縮小車距以及選擇更有效路線來減少通勤所耗時間，從而消除交通擁堵，提升社會效率。實現節能減排：自動駕駛技術還將帶來出行革命，提高出行安全，實現綠色安全和諧智能交通的融合發展。這不僅將使得出行更加方便，而且更加安全、環保。促進我國產業轉型升級、引領創新：自動駕駛技術是一種先進的出行技術，它聚焦于應用車輛與人工智能、5G集成。自動駕駛技術的發展不僅拉動了國民經濟的轉換，還有助于產業鏈供應鏈的生態化發展和產業轉型。此外，自動駕駛技術還將引領產業的創新。它是科技革命與產業顛覆性創新的載體，將引領行業創造可持續發展的新范式。自動駕駛技術的發展與應用不僅改變了出行方式，而且將引領整個行業的創新與發展。圖1-3自動駕駛技術的價值二、自動駕駛汽車的研發歷程目前對于自動駕駛汽車的研究有兩條不同的技術路線：“漸進演化”和“一步到位”。“漸進演化”路線，指的是從ADAS開始，逐步研發到無人駕駛技術，最終實現完全自動駕駛。傳統車企多選擇從L1-L3級進行大規模量產，逐步提高自動駕駛的級別。“一步到位”路線，則是通過軟件升級的方式，完善自動駕駛系統。一些新興公司如谷歌、福特、通用、MomentaL4或L5級的高等級自動駕駛，跳過漸進演化的過程，直接達到高等級的自動駕駛。總的來說，漸進演化路線與一步到位路線各有特點，前者以安全性為首要考慮，逐步提高自動駕駛的級別；后者更加面向未來，以高效率、快速升級為特點。在此，對國內外自動駕駛汽車技術的研究發展歷史分別進行闡述比較：（一）國外研發歷程20世紀70年代，科技發達國家率先開始了自動駕駛汽車的研1-4時間節點事件。圖1-4國外自動駕駛汽車發展歷程科研院校對自動駕駛技術的研究1984年，美國國防高級研究計劃署（DefenseAdvancedResearchProjectsAgency，DARPA）LandVehicle，ALV）DARPA2004年—20073DARPA自動駕駛挑戰賽[3]1-1所示。第1屆20042115第1屆20042115·梅隆大學的Sandstorm行駛的最遠，共行駛了11.78km。第2屆共有195支隊伍申報參加，有5支隊伍（StanleySandstorm、H1ghlander、Kat-5、TerraMax）通過了全部考核項目。其中，來自斯坦福大學的Stanley30.7km/h65358秒的總時長200萬美元，同時，這也標志著自動駕駛汽車取得了重大突破。第3屆2007696km輛遵守所有的交通規則。這屆比賽不僅要求參賽車輛完成基本的無人行車輛需要根據其他車輛的動作實時做出智能決策，這對于車輛軟件來說是一個特殊挑戰。來自卡內基·Boss410鐘20秒、平均速度22.53km/h的成績取得了冠軍。2080··NavLab系列智能車輛最具有代表性[3]。NavLab-12080GPSWarp28km/h。NavLab-51995·Assist-Ware技術公司合作研制了便攜式高級導航支撐平臺（PortableAdvancedNavigationSupport，PANS）。該平臺為系統提供了計I/O功能，并能控制轉向執行機構，同時進行安全報警SPARCLx，能夠完成傳感器信NavLab-5在實驗場環境道路上的自主行駛平均速度為88.5km/h。Navlab-5公路實驗時進行了首次橫穿美國大陸的長途自主駕駛公4496km98.1%。車輛的橫向控制實現了完全自動控制，而縱向控制仍由駕駛員完成。NavLab-11Wrangler來的信息，并把信息分送到各個子單元。它的最高車速達到了102km/h。VisLabARGO1998年意大利汽車百年行活動中，ARGO2000km長的距離。試驗車行駛的道路既有平坦區域，也包括高架橋和隧道。試驗車的自動駕駛里程為總里程的94%，最高車速達到了112km/h。2010年，ARGO試驗車沿著馬可·15900km5個激光雷達、7GPS全球3臺Linux計算機和線控駕駛系統，全程應用太陽能作為輔助動力源。2013年，該實驗室研制的車輛在自和環島等。傳統汽車制造廠商對自動駕駛技術的研究2013年開始相繼在自動駕駛汽車領域進行了布局。這些傳統汽車制造企業多采用漸進提高汽車駕駛自動化水平和同時積極研發自動駕駛技術的并進發展路線。表現比較突出的是德、美、日、韓等汽車制造廠商生產的汽車。其中，德國汽車制造廠商處于領先地位，其生產的幾乎所有車型都能提供相關駕駛輔助系統功能（SAELevel2級）2018新款奧迪A8Level3級別的自動駕駛系統的車型，其攜帶12551個激光雷達12460km/h以下車速時Level3級自動駕駛，使駕駛員在擁堵路況下可以獲得最大限度的解放[4]。2015年10月，特斯拉推出的半自動駕駛系統Autopilot，AutopilotAutopilot1.02.02.5硬件系統，其自動駕駛功能可OTA（空中下載）Level2Level4+的軟件升級，這是在已量產車上完成了自動駕駛硬件準備。目前，特斯拉的自動駕駛軟件已經更新到版本10最顯著的改進是"FSDBeta"，也就是完全自動駕駛測試版。這個測試"TeslaVision"的新圖像處理系統，這個系統不再依賴于激光雷達，而是完全依賴于攝像頭來感知周圍環境。。2016年，通用汽車收購了自動駕駛技術創業公司CruiseAutomation2013年，一直從20181CruiseAutomation發布了新一代（第四代）自動駕駛汽車——CruiseAVCruiseAV沒有方向盤、油門21165用汽車不僅開始量產CruiseAV的測試車，以便在美國各城市甚至全世界各地進行實際路試，并且也已向美國國家高速公路交通安全管理局遞交請愿書。高科技公司對自動駕駛技術的研究以谷歌為代表的新技術力量這些企業多采用“一步到位”的自動駕駛技術發展路線，即直接研發SAELevel4+級別的自動駕駛汽車。2009年，谷歌公司宣布，由斯坦福人工智能實驗室前主任、谷歌街景的聯合發明人SebastianThrun領導組建一支團隊，開始研發SebastianThrunStanley，2005DARPA大挑戰賽。2012年，美國內華達州的機動車輛管理部門為谷歌公司頒發了全球首例自動駕駛汽車的路測許2015圖1-5谷歌公司的自動駕駛原型車201612201710月，GoogleWaymo已在美國鳳凰城Chandler100600輛克萊斯勒插電式混合動力Level4級自動駕駛汽車進行社會公測，這是Waymo自動駕駛商業化落地的前奏，首次實現了無駕駛員和安全員的公測自動駕駛出租車。2018531Waymo宣布向菲亞特·克萊斯勒（FiatChryslerAutomobiles，FCA）62000Pacifica混動廂式車用于WaymoFCA雙方還在商討如何將自動駕駛汽車賣給普通用戶。這也意味著，在不遠的將來，普通用戶可以在FCA的門店里買到一輛其與Waymo共同打造的自動駕駛汽車[4]。圖1-6Pacifica混動廂式自動駕駛出租車20165UberUberUber首次路測使用的自Fusion混合動力汽車，它同時進行采集測繪Uber包括毫米波雷達、激光雷達以及高分辨率攝像機，以便繪制周邊環2016914Uber在美國匹茲堡市推出城區大范圍自動駕駛出租車免費載客服務并試運行；盡管上面有兩名安全工程師，但商業模式卻是大范圍的城區，比Waymo多。以nuTonomy為代表的創業公司這些企業多采用“一步到位”的SAELevel4+的自動駕駛技術發展路線。nuTonomy2013年從麻省理工學院分離出來的20168nuTonomy在自動駕62用于識別障礙物，檢測交通信號燈變化。此外，車前座還配備一名司機以應對緊急狀況，在后座配備一名研究人員，其職責是觀察車201710nuTonomy[5]。Zoox是硅谷一家神秘的自動駕駛汽車初創公司，目前已經籌集ZooxZoox秘密開發全自動駕駛汽車已有多年。2013年，該公司展示了其車輛的渲染IEEE1-7所示。這種汽車能向任意方向行駛，乘客將面對面而坐。圖1-7Zoox的自動駕駛汽車（二）我國研發歷程我國自動駕駛汽車的研究可追溯自上世紀90年代，真正的突破是在最近十年出現。重要時間節點事件如圖1-8所示。圖1-8我國自動駕駛汽車發展歷程科研院校對自動駕駛技術的研究2080年代末才開始。不同于國外車企以自主研發為主，我國汽車制造廠商多采取與國內科研院所、高校合作研發自動駕駛技術。2080年代末開始先后研制出基于視覺的CITAVTCITAVT-CITAVT-Ⅱ型自動駕駛小車的研制過程中對自動駕駛汽車的原理進行了研究；CITAVT-Ⅲ型的研究以實現在非結構化道路下遙控和自主駕駛為目CITAVT-BJ2020SG吉普車改裝而成，該車型以研究結構化道路環境下的自主駕駛技術為目標，空載條件下110km/h上的低速自主駕駛和結構化道路上的自主駕駛四種工作模式。直至1992年，國防科技大學才成功研制出中國第一輛真正意義上的自動駕駛汽車。8631988年開始研究開發THMRTHMR-境下的車道線自動跟蹤，準結構化環境下的道路跟蹤，復雜環境下的道路避障、道路停障以及視覺臨場感遙控駕駛等功能，最高車速達150km/hTHMR-Ⅴ智能車采用了基于擴充轉移網絡的道路識別技術，大幅度降低了道路圖像處理和車道線識別的計算量，并通過實驗測得在車道線跟蹤階段全部計算過程的周期小于20ms了實際場景下的實時性要求。傳統汽車制造廠商對自動駕駛技術的研究不同于國外車企以自主研發為主，我國汽車制造廠商多采取與國內科研院所、高校合作研發自動駕駛技術。200720117月，由一汽集團與國防科技大學共同研制的紅旗HQ3自動駕駛汽車完成了286km的面向高速公路的全程自動駕駛試驗，人工干預的距離僅占總0.7820154戰略，標志著一汽集團的互聯智能汽車技術戰略規劃正式形成。2015419含手機叫車、自主泊車、擁堵跟車、自主駕駛等四項智能化技術。2012年，軍事交通學院的“軍交猛獅Ⅲ號”以自動駕駛狀態行駛114km105km/h，完成了從京津高速臺湖收費站到東麗收5個毫31GPS能夠幫助自動駕駛車輛識別路況，精確判斷與前后左右障礙物的距離。2015年4月，長安汽車發布智能化汽車“654戰略”，即建立六個基礎技術體系平臺，開發五大核心應用技術，分四個階段逐步實現汽車從單一智能到全自動駕駛。2015832.6km，最高速68km/h20185月，宇通客車在其2018年新能源全系產品發布會上宣布，已具備面向高速結構化道路和園區開放通勤道路的Level4級別自動駕駛能力。20164月的北京車展上，展示了其基于EU260打造的自動駕駛汽車。車輛通過加裝毫米波雷達、高清攝像機、激光雷達和GPS天線等零部件識別道路環境，同時配合高清地圖進行路徑規劃實現自動駕駛。北汽自動駕駛汽車目前搭載的自動駕駛感知與控制設備大部分都采用了國產化采購，目的是為未來的量產打下基礎。高科技公司對自動駕駛技術的研究除了上述傳統的汽車制造廠商在自動駕駛領域的研究外，以百度為代表的高科技公司也相繼加入了自動駕駛汽車領域的研究。百度公司于2013年開始了百度自動駕駛汽車項目，其技術核心是“百度汽車大腦”，包括高精度地圖、定位、感知、智能決策與控制四大模塊。圖1-9201512月初，百度自動駕駛汽車在北京進行自動駕駛測跑，實現多次跟車減速、變道、超車、上下匝道、調頭等復雜駕駛動作，完成了進入高速到駛出高速不同道路場景的切換，最高車速達到100km/h。20151214日，百度宣布正式成立自動駕駛事業部。2017417201874AI會（BaiduCreate2018）Level41-9100輛車接下來會被投放到北京、深圳、武漢等城市，在機場、2019年年初，百度還會跟日本軟銀旗下的SBDrive10百度的阿波羅自駕車開放平臺（3.0版本）下實現無人工介入的自動駕駛，其還加入了自動泊車、面部識別及駕駛者疲勞度檢測等功能。另外，在大會現場百度還宣布會與英特爾合作，將Mobileye的責任敏感安全模型（ResponsibilitySensitiveSafety，RSS）及周圍計算機視覺套件整合入阿波羅，希望以此來進一步提升該平臺的行車安全性。三、人工智能在自動駕駛汽車中的應用近年來，隨著人工智能技術的不斷發展，自動駕駛技術也取得了長足的進展。人工智能在自動駕駛技術中的應用，不僅為自動駕駛研究帶來了新的思路，也為自動駕駛技術的實際應用帶來了巨大的推動。人工智能在自動駕駛技術中的應用，可以幫助車輛實現對周圍環境的實時監測，提高了車輛的安全性。通過人工智能的識別技術，可以識別道路上的障礙物，從而避免事故的發生。本章著重對人工智能在自動駕駛技術研究中的重要應用技術進行介紹，包括環境感知、精準定位、決策與規劃、控制與執行[6]。圖2-1自動駕駛汽車體系結構自動駕駛汽車通過攝像機、激光雷達、毫米波雷達、超聲波等車載傳感器來感知周圍的環境，依據所獲取的信息來進行決策判斷，由適當的工作模型來制定相應的策略，如預測本車與其他車輛、行人等在未來一段時間內的運動狀態，并進行避碰路徑規劃。在規劃好路徑之后，接下來需要控制車輛沿著期望的軌跡行駛。車輛控制系統包括橫向控制（轉向）與縱向控制（速度）。當然，上述的動作都是基于傳感器實時獲取環境信息所做的局部路徑規劃下的動作，還需要與基于完整環境信息的全局路徑相結合[6]2-1所示。（一）人工智能在環境感知中的應用環境感知作為其他部分的基礎，處于自動駕駛汽車與外界環境信息交互的關鍵位置[7]，是實現自動駕駛的前提條件。環境感知指對于環境的場景理解能力，例如障礙物的類型、道路標志及標線、行車車輛的檢測、交通信息等數據的語言分類。定位是對感知結果的后處理，通過定位功能從而幫助車輛了解其相對于所處環境的位欄檢測、行人檢測、機動車檢測、非機動車檢測、路標檢測、交通知技術是利用攝像機、激光雷達、毫米波雷達、超聲波等車載傳感V2X5G網絡等獲取汽車所處的交通環境信息和車輛狀態信息等多源信息[8]。深度學習技術可以讓車輛準確感知和理解周圍環境，從而帶來徹底的自動駕駛領域變革。該領域出現的關鍵技術[9]，其中包括卷積神經網絡（ConvolutionalNeuralNetworks，CNN）、循環神經網絡（RecurrentNeuralNetwork，RNN）、長短期記憶網絡（LongShortTermMemory，LSTM）、深度置信網絡（DeepBeliefNetwork，DBN）和自編碼器（Autoencoder,AE）52-2所示。圖2-2環境感知應用中使用的深度學習模型深度學習中有410自動駕駛技術中，CNN被用于分析攝像頭和激光雷達數據，以圖像的大型數據集進行訓練，能夠學習數據中的復雜特征和模式。基于CNN的自動駕駛系統的一個例子是YOLO（YouOnlyLookOnce）算法，它能夠高精度地實時識別和分類物體。另外，在自動駕駛中，RNN用于隨時間分析傳感器數據以預測未來事件和行為。RNN期動作或分析傳感器數據以預測行人過馬路的可能性。為了確保自動駕駛汽車能夠正確理解周圍的環境并做出相應的規劃和決策，需要利用傳感器獲取大量的周圍環境信息，這就是所謂的環境感知。通過實時拍攝車輛周圍的環境，采用計算機視覺（ComputerVision，CV）技術對所拍攝圖像進行分析，實現車輛周圍的車輛和行人檢測以及交通標志識別等功能。攝像頭的主要優點在于其分辨率高、成本低。但在夜晚、雨雪霧霾等惡劣天氣下，攝像頭的性能會迅速下降。此外攝像頭所能觀察的距離有限，不擅長于遠距離觀察。毫米波雷達也是自動駕駛車輛常用的一種傳感器，毫米波雷達是指工作在毫米波段（波長1-10mm，頻域30-300GHz）的雷達，其基于飛行時間（TimeofFlight，ToF）技術對目標物體進行檢測。毫米波雷達向外界連續發送毫米波信號，并接收目標返回的信號，根據信號發出與接收之間的時間差確定目標與車輛之間的距離。因此，毫米波雷達主要用于避免汽車與周圍物體發生碰撞，如盲點檢測、避障輔助、泊車輔助、自適應巡航等。毫米波雷達的抗干擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比激光和紅外強很多，可全天候工作。但其也具有信號衰減大、容易受到建筑物、人體等的阻擋，傳輸距離較短，分辨率不高，難以成像等不足。激光雷達也是通過ToF技術來確定目標位置與距離的。激光雷達是通過發射激光束來實現對目標的探測，其探測精度和靈敏度更高，探測范圍更廣，但激光雷達更容易受到空氣中雨雪霧霾等的干擾，其高成本也是制約其應用的主要原因。自動駕駛環境感知通常采用“弱感知+超強智能”和“強感知+強智能”兩大技術路線。其中“弱感知+超強智能”技術是指主要依賴攝像頭與深度學習技術實現環境感知，而不依賴于激光雷達。這種技術認為人類靠一雙眼睛就可以開車，那么車也可以靠攝像頭來看清周圍環境。如果超強智能暫時難以達到，為實現自動駕駛，那就需要增強感知能力，這就是所謂的“強感知+強智能”技術路線。相比“弱感知+超強智能”技術路線，“強感知+強智能”技術路線的最大特征就是增加了激光雷達這個傳感器，從而大幅提高感知能力。特斯拉采用“弱智能+超WaymoApollo、Uber等人工智能企業、出行公司、傳統車企都采用“強感知+強智能”技術路線。（二）人工智能在精準定位中的應用自動駕駛車輛需要定位來獲取其相對于外界環境的精確位置，這是其正常運行的基礎。在復雜的地市道路行駛，定位精度要求誤10行更精確的預判和準備；只有準確對車輛進行定位，才能判斷車輛所處的車道。如果定位誤差較高，嚴重時會造成交通完全事故。深度學習是自動駕駛同步定位與地圖構建（SimultaneousLocalizationandMapping，SLAM）經網絡（ArtificialNeuralNetworks，ANN）實時處理和分析大量數據，從而實現智能和自動駕駛車輛的開發。在自動駕駛SLAM領域，有一個典型的例子是使用CNN技術進行對象識別和分類。在自動駕駛系統中，CNN可用于分析車輛傳感器（例如攝像頭和激光雷達）收集的數據，并識別周圍環境中的物相關的物體。一旦對象被識別和分類，CNN就可以將此信息提供給CNN檢測到車輛前方有行人，則控制系統可以采取措施避免碰撞。深度學習技術不僅可以用于物體識別，在自動駕駛領域還可以應用于SLAM系統，實現路線規劃和地圖創建等其他任務。例如，車輛的傳感器可以收集有關周圍環境的數據，然后可以使用這些數3DSLAM系統的另一項關鍵習算法可用于訓練車輛的控制系統，以根據從傳感器接收到的數據做出更好的決策。自動駕駛SLAM中機器學習的一個例子是強化學習（ReinforcementLearning，RL）來教導車輛的控制系統如何根據接收到的數據采取最有效和最安全的行動。例如，可以訓練控制系統根據遇到的交通狀況調整速度。如果車輛在高速公路上行駛，則可能需要以比在城市中行駛更高的速度行駛。強化學習算法可用于訓練控制系統根據從傳感器接收到的數據進行這些調整。自動駕駛汽車中，深度學習和機器學習技術不僅可以用于物體識別和路線規劃，還可以應用于SLAM系統，從而實現車道檢測和SLAM系統的核心組成部分。它們允許車輛實時分析和處理大量數據，使其能夠根據周圍環境做出智能和安全的決策。這些技術對于自動駕駛汽車的發展至關重要，并可能在未來的自動駕駛中繼續發揮核心作用。（三）人工智能在決策與規劃中的應用自動駕駛汽車的決策規劃是至關重要的，它包括多傳感器信息的融合、根據駕駛需求進行任務決策、避開障礙物的約束條件、選擇多條安全路徑和最優路徑等步驟。最終，自動駕駛汽車會選擇一條最優路徑作為車輛的行駛軌跡。人工智能在自動駕駛汽車領域中，行為決策與路徑規劃是另一個重要的應用領域。深度學習在自動駕駛中的關鍵技術之一是目標檢測。這涉及使用神經網絡來識別和分類車輛環境中的對象，例如行人、其他車輛和交通標志。物體檢測對于自動駕駛汽車做出有關如何安全行駛道路和避免碰撞的明智決策至關重要[8]。前期決策樹、貝葉斯網絡等人工智能方法已有大量應用。近年來興起的深度卷積并能進行在線學習優化，由于需要較多的計算資源，當前是計算機與互聯網領域研究自動駕駛汽車的決策與規劃處理的熱門技術[10]。自動駕駛汽車的規劃分為全局規劃和局部規劃兩種。全局規劃是根據獲取到的地圖信息，規劃出一條無碰撞最優路徑，以滿足特定的行駛條件。例如，從上海到北京有很多條路，規劃處一條作為行駛路線即為全局規劃。如柵格法、可視圖法、拓撲法、自由空間法、神經網絡法等靜態路徑規劃算法。局部規劃的則是根據全局的規劃，在一些局部環境信息的基礎之上，能夠避免碰撞一些未知的障礙物，最終達到目的目標點的過程。例如，在全局規劃好的上海到北京的那條路線上會有其他車輛或者障礙物，想要避過這些障礙物或者車輛，需要轉向調整車道，這就是局部路徑規劃。局部路徑規劃的方法包括：人工勢場法、矢量域直方圖法、虛擬力場法、遺傳算法等動態路徑規劃算法等。隨著深度強化學習技術的不斷發展，越來越多的企業和研究機構開始將其應用到自動駕駛汽車的行為與決策中，取得了顯著的成Mobileye公司是其中的典型代表，根據其最新發表的論文，其Mobileye將行為決策分解成兩個部分，可學習部分和不可學習部分，可學習部分是由強化學習來決策行駛需要的高級策略，不可學習部分則是按照這些策略利用動態規劃來實施具體的路徑規劃。無人車的可學習部分將環境映射為一系列抽象策略，以輔助無人車的決策。這個過程包括設計一張策略選項圖，其中包含無人車的加減速、轉向以及對周圍車輛的反應等選項，并利用策略網絡來選擇最合適的應對選項。其中，策略網絡在給定的車輛環境下，評估每一種應對的可能影響，從而選擇最合適的策略。不可學習部分則是將學習到的抽象策略轉化成對車輛的實際控制動作。該部分主要對車輛動作進行具體規劃，檢查抽象策略是否可執行，或者執行滿足策略的動作，從而充分保證系統的安全性。深度學習在交通預測中扮演重要角色。具體來說，我們可以利用神經網絡來預測其他車輛在道路上的運動軌跡，并及時作出反應。這可以包括預測其他車輛的軌跡，以及根據它們相對于自動駕駛車通狀況和其他因素的數據，以確定到達目的地的最有效和最安全的自動駕駛技術中，深度學習在風險評估（認知）子環節得到了廣泛應用。在這個階段，系統需要識別出車輛駕駛中的風險狀態，并為決策進行預測。為了實現這一目的，深度學習技術已經提出了兩種重要的方法：基于深度學習的風險狀態識別和基于時間序列算法的風險預測。首先，基于深度學習的風險狀態識別是一種高效的方法。它基于大量的數據，以分類、識別、識別視覺、聲音等信息為目標。深度學習網絡通過多層的神經元網絡結構，對駕駛中的環境、交通狀況、車輛狀態等多維數據進行分析。從而識別出風險狀態，如高危道路、超速、疲勞駕駛等。其次，基于時間序列算法的風險預測是一種有效的方法。該算法通過對歷史數據的分析，來預測未來的風險情況。時間序列算法可以利用駕駛行為的時間信息，對車輛的駕駛狀態進行推演。從而預測出風險狀態，提前發現風險并采取相應的措施。這樣，系統可以在風險出現之前進行預防，從而提高駕駛的安全性。舉例來說，如果系統通過時間序列算法預測出某車輛駕駛員在過去一段時間內經常駕駛時出現疲勞駕駛現象，那么系統可以在未來的駕駛中，通過輔助駕駛系統提醒駕駛員休息，從而避免因疲勞駕駛造成的危險。總之，深度學習可使車輛能夠隨著時間的推移學習和適應其環境。這可以包括了解不同道路和交通模式的特征，以及適應道路上其他駕駛員的行為。通過不斷學習和適應，自動駕駛汽車可以提高其決策能力，并在道路行駛時變得更加高效和安全。（四）人工智能在控制與執行中的應用自動駕駛的控制核心技術涵蓋車輛的縱向、橫向、驅動和制動控制。其中，縱向控制負責車輛前后運動的控制，而橫向控制則負責方向盤角度和輪胎力的調整。只有同時實現縱向和橫向自動控制，才能使車輛按照預設目標和約束自主行駛。車輛按照縱向控制是在行車速度方向上的控制，即車速以及本車與前后車或障礙物距離的自動控制。相對于傳統的車輛控制方法，智能控制方法主要體現在對控制對象模型的運用和綜合信息學習運用上，如圖2-3網絡控制和深度學習方法等，這些算法已逐步在車輛控制中廣泛應用[11]。圖2-3深度學習智能控制方法神經控制是研究和利用人腦的某些結構機理以及人的知識和經驗對系統的控制。利用神經網絡，可以把控制問題看成模式識別問最顯著的特點是具有學習能力。它是通過不斷修正神經元之間的連接權值，并離散存儲在連接網絡中來實現的。它對非線性系統和難以建模的系統的控制具有良好效果[12]。深度神經網絡學習可以通過獲取深層次的特征表示來避免人工選取特征的繁瑣和高維數據的維度災難問題。這一技術可以讓您更加輕松地進行數據分析和模型訓練。深度學習在特征提取與模型擬合方面顯示了其潛力和優勢。對于存在高維數據的控制系統，引入深度學習具有一定的意義。自動駕駛系統需要盡量減少人的參與或者沒有人的參與，深度學習自動學習狀態特征的能力使得深度學習在自動駕駛系統的研究中具有先天的優勢[12]。強化學習的靈感來自于動物行為訓練，訓練員通過獎勵和懲罰教導動物學習某種行為與狀態之間的聯系規則。強化學習就是要解決這類問題：一個能夠感知環境的智能體怎樣通過學習選擇達到其目標的最優動作[12](ArtificialAI)系統通過反復試驗來學習，并隨著時間的推移逐漸提高其性能。這項關鍵技術越來越多地用于自動駕駛控制和執行領域，因為它允許自動駕駛汽車適應不斷變化的路況，并就如何在交通中導航做出智能決策。強化學習在自動駕駛控制中的一個關鍵方面是獎勵系統的使用。AI并懲罰它的負面行為。通過這種強化，人工智能系統能夠了解哪些行動會帶來積極的結果，哪些不會，從而使其在未來做出更明智的決策。RLAI系統在安全和受控的環境中練習不同的場景并犯錯誤，而不RL中用于自動駕駛控制的另一項重要技術是傳感器的使用。這些傳感器（例如激光雷達、雷達和攝像頭）允許人工智能系統收集有關環境的信息并根據這些和位置，而雷達傳感器可以檢測物體的移動。通過使用這些數據，人工智能系統可以就如何在交通中導航和避免碰撞做出明智的決定。最后，自動駕駛控制中的RL還需要使用能夠分析從傳感器和模擬中收集的數據的算法。這些算法必須能夠適應不斷變化的條件并從錯誤中吸取教訓，以便隨著時間的推移不斷提高其性能。總的來說，RL是自動駕駛控制和執行領域的一項關鍵技術，因用獎勵系統、模擬、深度學習、傳感器和算法，RLAI系統能夠的不斷進步，RL很可能會在自動駕駛汽車的發展和未來的交通運輸中發揮越來越重要的作用。（五）基于人工智能的自動駕駛研發中關鍵性技術競爭點自動駕駛行業的數據數字化近年來呈現大幅增長。然而，數字化帶來的挑戰是如何應用這些數據來解決復雜的實際應用問題。這激發了人工智能的使用，因為它可以通過增強的自動化處理大量數據。人工智能是一個以技術為基礎的系統，包括各種先進的工具和網絡，可以模仿人類的智能。人工智能利用能夠解釋和學習輸入數據的系統和軟件，為實現特定的目標做出獨立的決定。人工智能是當前技術發展的重要方向之一，它的應用可以使汽車具備高效信息處理、感知理解和交互表達等重要能力。人工智能技術的進步，使得汽車能夠通過語音識別、圖像識別、自然語言處理等技術，實現對周圍環境的更加精確的感知和理解，同時能夠更加便捷地與人類進行交互。在人工智能技術的推動下，新型需求如“一芯多屏”、“定制開發”、“開放共享”等正在推動自動駕駛能力的迭代。隨著汽車行業的不斷發展，越來越多的汽車廠商和技術公司正在投入研發，使得自動駕駛技術不斷成熟。在此背景下，要想占據競爭點，必須針對能力和需求，結合算力、算法、數據采集以及用戶數據等多方面因素進行分析，研發出更加先進、更加智能化的自動駕駛技術。針對當前的需求和競爭環境，要想在人工智能領域取得競爭優勢，必須不斷研發出更加先進的技術，提升自動駕駛技術的能力，以滿足不斷變化的市場需求。圖3-1基于人工智能的自動駕駛所需要的條件及關鍵性技術競爭點3-1顯示了基于人工智能的自動駕駛研發所需要的條件及關鍵性技術競爭點。算力、算法、數據采集以及用戶數據是人工智能的AI芯片、決策軟件、傳感器、用戶數據等。AI芯片在自動駕駛技術中具有重要作用。自動駕駛汽車需要進行大量的數據處理和分析，以便對周圍環境進行感知，并做出適當AI能夠快速處理大量的數據并做出決策。AI芯片可以實現邊緣計算，使自動駕駛汽車能夠進行實時決策。它們還可以提供高度能效的運算能力，使自動駕駛汽車能夠以最小的能耗完成所需的計算。此外，AI芯片還可以提供安全性，保證自動駕駛汽車的安全運行。它們可以采用安全隔離技術，將不同功能的軟件隔離開來，以防止單個軟件故障導致整個系統崩潰。首先，車規級芯片作為人工智能芯片的一種，在自動駕駛技術中起到了非常關鍵的作用。這類芯片配備了高度集成的計算資源和專門的自動駕駛技術，能夠提供高效、穩定的計算能力，從而實現自動駕駛車輛的智能化控制。其次，計算平臺核“芯”——自主芯片也是人工智能芯片的重要組成部分。這類芯片不僅擁有強大的計算能力，還具有高度的靈活性和可擴展性。通過使用自主芯片，自動駕駛技術可以更加完善，從而實現更高效、更穩定的自動駕駛功能。在自動駕駛技術中，人工智能芯片還具有高度的安全性，從而保證自動駕駛車輛的安全運行。例如，當發生緊急情況時，人工智能芯片可以快速判斷并采取相應的應對措施，以防止發生事故。在未來，人工智能芯片將繼續在自動駕駛技術中發揮關鍵作用，并為智能化汽車的發展帶來更多的機會和挑戰。有關人工智能芯片在自動駕駛技術中的應用，仍然有很多未知的領域需要我們去探索和開發。決策軟件負責分析來自傳感器的信息，并根據這些信息做出決策。這些決策可能包括轉彎、加速、減速等。決策軟件對于自動駕駛市場來說非常重要，因為它能夠提高自動駕駛汽車的安全性和可靠性。當自動駕駛汽車遇到緊急情況時，決策軟件能夠快速做出反應，避免發生事故。決策軟件還可以幫助自動駕駛汽車更好地適應環境變化。例如，當遇到施工標志或者障礙物時，決策軟件能夠快速做出決策，使自動駕駛汽車能夠安全通過。傳感器可以檢測車輛前方的障礙物、車流、交通信號燈等信息，從而幫助車輛做出正確的剎車、加速和轉彎決策。它們還可以檢測車輛內部的氣壓、溫度、濕度和人體運動等信息，從而保證車輛的安全性和舒適性。傳感器的發展也促進了自動駕駛技術的進步。目米波雷達、超聲波等車載傳感器等。其中，激光雷達是在自動駕駛領域里頭用的最多的傳感器。目前，國際市場（主流公司有美國Velodyne公司、美國的Quanergy公司、Liminar公司和以色列的Innoviz公司）48163264激光雷達發出的線束越多，每秒采集的點云越多，同時造價也越高。用戶數據對于自動駕駛技術來說非常重要，因為它可以幫助自動駕駛技術更好地理解道路環境、駕駛行為和交通規則，從而使自動駕駛系統能夠在更復雜的道路環境中更安全地行駛。通過收集和分析大量用戶數據，可以幫助自動駕駛技術更好地理解道路環境、駕駛行為和交通規則，從而使自動駕駛系統能夠在更復雜的道路環境中更安全地行駛。例如，通過收集用戶數據，可以了解更多關于如何在各種道路條件下安全行駛的信息，從而使自動駕駛技術能夠在不同的道路條件下更好地適應。此外，用戶數據還可以幫助自動駕駛技術更好地理解人類駕駛員的行為，從而使自動駕駛技術能夠更好地與人類駕駛員協作，并在遇到意外情況時采取適當的應對措施。四、自動駕駛市場與國內外企業調研（一）人工智能在自動駕駛領域的市場情況智能化自動駕駛汽車是人工智能技術落地的最大應用場景之一。智能化汽車可能成為未來萬物互聯的終端，成為繼智能手機之后，深刻改變社會形態的產品。智能化將會迎來快速發展期，主要源于以下幾個方面：（1）半導體技術的提升與成本的下降：隨著半導體制造商向汽車領域逐漸發展，規模化生產有利于成本的降低，從而推動銷量擴大形成正反饋，汽車半導體有望復制手機半導體領域的發展規模和速度；（2）電動化的不斷普及加速了智能化：電動車的電機電控特性，相較于燃油車更有助于智能化的控制系統發展；（3）對安全性便捷性和高效出行的要求：為了提升車輛差異化的競爭力，汽車廠商將繼續增加在先進駕駛輔助系統（AdvancedDriveAssistSystem，ADAS）方面的投入，提升自動避險剎車、自動泊車、道路領航等能力，以提升車輛的安全性與便捷性；隨著自動駕駛能力的不斷提高，自動駕駛將有效緩解交通擁堵，大大提高出行的效率。（二）國際頂級公司在人工智能自動駕駛上的最新研發成果Waymo20091月開啟的一項自動駕駛汽車計劃，其主要負DARPASebastianThrun（斯坦福大學人工智SAIL負責人）AnthonyLevandowski（Systems的創立者）。2016年12月由Google獨立出來，成為Alphabet公司旗下的子公司，專注于研發最高級別L4~L5的自動駕駛技術。加2020年自動駕駛的路測數據，Waymo在平均接管兩次間可行駛里程這個指標中排名第一，在測試里程中排名第二。Waymo的有效專利數也是常年領先，近三年增速降低，但仍排在前三位。目前的商業化模式有：自動駕駛出租（鳳凰城的Robotaxi）、卡車貨運、物流配送、軟件授權服務四大業務場景。Waymo的自動駕駛研發實力公認為全球最強，其軟件算法和雷達系統、攝像頭等硬件均實現自研。與很多自動駕駛公司不同的是，Waymo不僅在軟件算法領域投入很大，其在實現自動駕駛的關鍵傳感器激光雷達等硬件的研發實力也非常強大，是軟硬件平衡度很好的技術公司。目前全球已上市的自動駕駛企業見下表4-1，重點關注美國和中國。表4-1全球已上市的人工智能自動駕駛企業自動駕駛公司國別研發技術技術來源研發合作情況Waymo美國自動駕駛領域的軟硬件核心技術自研自動駕駛技術的標桿企業，路測數據及專利數量常年保持領先。Waymo實力公認為全球最強，其軟件算法和雷達系統、攝像頭等硬件均實現自研。Waymo自研激光雷達，掌握核心硬件開發能力。Cruise加拿大自動駕駛領域的軟硬件核心技術自研自動駕駛研發實力強，多項核心測試指標與Waymo相當。Cruise的基本路線與Waymo類似，都是采用自上而下的模式，目前通用CruiseL5與Waymo一爭高下，2020數據顯示，Cruise間平均可行駛里程僅次于Waymo，排名第二。Mobileye以色列L2駕駛系統解決方案自研致力于用單目視覺來解決三維立體環境中的測距問題。自創立公司以來，Mobileye獲得了視覺輔助駕駛領域的多項第一并提供了包括行人檢測、車道保持和自適應巡航等輔助駕駛技術。Mobileye最新的L2級自動駕駛系統稱為SuperVision，使用11枚攝像頭、2顆EyeQ5芯片來完成L2+級別的自動駕駛。英偉達美國算法工具鏈及仿真軟件提供商自研在自動駕駛領域，公司已經形成了分層解耦、全棧式的自動駕駛產品解決方案，并覆蓋L2-L5級自動駕駛應用場景，配套軟件方Constellation（）、DriveOS（底層開發平臺）、Driveworks（服務器平臺配套解決方案）、DriveAV（自動駕駛功能）和DriveIX（人機交互）具鏈易于使用，已經有基于英偉達的小鵬Xpilot已經經受車規級考驗的芯片提供商。Luminar美國激光雷達硬件設計自研主打半固態激光雷達，車規級優勢大過機械式激光雷達；掌握了低成本1550nm及接收技術，使激光雷達的性能得到質的提升。計劃于2022年量產激光雷達IrisSentinel發力，確保量產能夠如期達成。百度Apollo中國自動駕駛領域的軟硬件核心技術合作開發中國自動駕駛研發的先行者與技術的領跑者：百度早在20132015月后，ApolloWaymo似的自動駕駛解決方案，即直接研發載有激光雷達+攝像頭+方案，以算法和解決方案研發為主。小鵬中國自動駕駛領域的軟硬件核心技術合作開發視覺算法能力無法超越特斯拉，因此采用激光雷達+高精地圖+攝像頭等多傳感器共同判斷，依靠中國強大的基建實力以及領先的基站數量可以實現車輛網的優勢，達到安全冗余來實現自動駕駛的方案。優勢是安全系數高，以目前的技術能力來看是商業化達到L5的較為可靠的路徑。與美、歐等發達國家相比，我國在自動駕駛汽車方面的研究起步稍晚，國內汽車企業的市場開發最近五年才開始出現。不同于國外車企以自主研發為主，我國汽車制造廠商多采取與國內科研院所、高校合作研發自動駕駛技術，其核心技術大多來自創業團隊的自主研發以及與院校合作研發。表4-2AI自動駕駛企業的概況以及相應的融資信息。公司成立時間融資信息Waymo2009年Waymo在公司成立時間融資信息Waymo2009年Waymo在3輪融資中總共籌集了55億美元。他們的最新資金于2021年6月16日從私募股權融資中籌集。2021年6月16日：私募股權融資：25億美元2020年5月12日：私募股權圓桌會議：7.5億美元2020年3月2日：風險投資圓桌會議：23億美元*更多的融資信息請查詢網址：https://www.crunchbase.com/organization/waymo/company_financialsCruise2013年Cruise在13輪融資中總共籌集了151億美元。他們的最新資金于2022年3月18日從二級市場融資。2022年3月18日：二級市場-Cruise：21億美元2022年3月18日：公司輪-Cruise：14億美元2021年6月15日：債務融資-Cruise：50億美元*更多的融資信息請查詢網址：https://www.crunchbase.com/organization/cruise/company_financialsMobileye1999年Mobileye55.15億美元201484IPO2014年8月4日：IPO后股權-英特爾公司Mobileye2013年7月7日：私募股權回合-英特爾公司Mobileye：4億美元20071012日：私募股權回合-Mobileye：1億美元*更多的融資信息請查詢網址：technologies/company_financials英偉達1993年NVIDIA在5輪融資中總共籌集了1億美元。他們的最新資金于2022年8月9日從IPO后的一輪股權融資中籌集。2022年8月9日：上市后股權-英偉達：6500萬美元2017年5月24日：私募股權回合-NVIDIA：1000萬美元2010年8月9日：DARPA撥款-英偉達：2500萬美元*更多的融資信息請查詢網址：https://www.crunchbase.com/organization/nvidia/company_financialsLuminar2012年Luminar在11輪融資中總共籌集了10億美元。他們的最新2022120IPO后的一輪股權融資中籌集。2022120日：首次公開募股后股權-Luminar：2030美元2021年2月3日：上市后股權-Luminar:1.54億美元2020年12月2日：上市后股權-Luminar：4.2億美元*更多的融資信息請查詢網址：technologies/company_financials百度Apollo2017年20171128SmartReye這項投資-A系列-SmarterEye-1500萬美元。2017年11月28日：A輪-SmarterEye：1500萬美元小鵬2014年XpengMotors10572022427IPO后債務融資中籌集。2022427日：IPO后債務-XpengMotors：75幣2021年1月11日：IPO后債務-XpengMotors：人民幣128億元2020年8月3日：C系列-Xpeng汽車：4億美元*更多的融資信息請查詢網址：https://www.crunchbase.com/organization/xiaopeng-motors/investor_financials本節通過網絡平臺對自動駕駛人才庫進行數據挖掘，統計分析出領域內學者分布，并介紹了目前自動駕駛汽車領域的國內代表性研究學者，文中排名不分先后。基于中國國內院校學者的調研及文獻報道，國內學者的研究重點同樣集中在算法技術層面上（目前尚未查詢到學者科技成果轉化的相關信息：單位及姓名技術優勢清華大學，王建強教授清華大學是中國首屈一指的研究型大學，以其卓越的學術科研成果和知識轉移能力而享譽國內外。王建強教授作為清華大學自動駕駛領域的專家，在該領域有著廣泛的研究與應用。在自動駕駛領域，王建強教授以其領先的技術實力和創新精神，在多項科研領域取得了顯著的成果。在自動駕駛車輛的感知技術方面，研發出了高精度的激光雷達系統，實現了對環境的高效感知。其次，在自動駕駛車輛的控制技術方面，開發了一套高效的自動駕駛算法，實現了對車輛的穩定控制。在自動駕駛車輛的安全保障方面，研發了一系列先進的安全技術，以確保自動駕駛車輛的安全運行。清華大學、國防大學兼職教授，李德毅教授單位及姓名技術優勢清華大學，王建強教授清華大學是中國首屈一指的研究型大學，以其卓越的學術科研成果和知識轉移能力而享譽國內外。王建強教授作為清華大學自動駕駛領域的專家，在該領域有著廣泛的研究與應用。在自動駕駛領域，王建強教授以其領先的技術實力和創新精神，在多項科研領域取得了顯著的成果。在自動駕駛車輛的感知技術方面，研發出了高精度的激光雷達系統，實現了對環境的高效感知。其次，在自動駕駛車輛的控制技術方面，開發了一套高效的自動駕駛算法，實現了對車輛的穩定控制。在自動駕駛車輛的安全保障方面，研發了一系列先進的安全技術，以確保自動駕駛車輛的安全運行。清華大學、國防大學兼職教授，李德毅教授李德毅教授作為清華大學和國防大學的兼職教授，在自動駕駛領域有著廣泛的研究和實踐經驗。李教授在視覺感知技術方面有著深厚的學識和豐富的經驗。他曾領導團隊開展多項關于視覺感知的研究，如視覺檢測、識別和跟蹤技術。這些研究成果為自動駕駛系統的實際應用提供了有力的技術支持。其次，李教授在自動駕駛決策技術方面也有著出色的表現。他的研究團隊開展了大量關于自動駕駛決策的研究，如道路識別、避障決策和路徑規劃等。這些研究成果為自動駕駛系統提供了強有力的技術支撐。他的團隊開展了大量關于自動駕駛系統的研究，如系統架構設計、性能評估和實際應用等。這些研究成果為自動駕駛系統的實際應用提供了全面的技術指導。南京理工大學，楊靜宇教授南京理工大學是國內一所以工科為主的綜合性大學，在汽車技術領域享有很高的聲譽。楊靜宇教授是南京理工大學汽車工程學院的資深教授，在自動駕駛領域有著豐富的研究經驗，并在視覺感知技術、道路識別、路徑規劃等方面有著豐富的研究經驗，為自動駕駛系統的研發提供了有力的支持。楊教授研制的我國第一套自主式地面自動駕駛平臺，被稱為是“在我國智能機器人領域具有開創性，是我國科技戰線，特別是高技術領域的一項重大科技成果”。楊靜宇教授通過多年的研究，為自動駕駛領域的發展做出了卓越的貢獻，是國內自動駕駛領域的重要人物。西安交通大鄭南寧院士建立的視覺場景理解的立體對應計算模型與視覺注意力學，鄭南寧統計學習方法成為該領域代表性工作，為構造計算機視覺系統和基院士于圖像信息的智能控制系統，提供了理論指導和關鍵技術，提出圖像分析和視覺知識描述新方法，為構造計算機視覺系統和基于圖像信息的智能控制系統，提供了理論指導和關鍵技術。完成了“精密裝配機器人機器視覺系統”研究。發明了一種圖像邊緣曲線擬合的新方法。完成了“高性能機器視覺及車型與牌照自動識別系統。提出在線交互式立體測深方法，研制出“X線數字減影血管造影系統”及“DSA1250數字減影血管造影系統”。研制出具有自主知識產權的數字電視掃描制式轉換及視頻處理芯片。國防科技大學，賀漢根教授賀漢根教授于2000年國防科學技術大學以一輛老式北京吉普車為平臺的自主駕駛汽車進行了75.6km/h的高速公路車道跟蹤實驗。20036CA7460主駕駛轎車。該車在正常交通狀況下，高速公路上最高穩定自主駕130km170km具備超車功能，其總體技術性能達到了當時世界先進水平。2006月，國防科技大學與一汽集團合作研制成功紅旗HQ3自主駕駛轎車，在硬件系統小型化、控制精度和穩定性等方面都有明顯提高。該自主車于當年9月參加了在吉林長春舉辦的東北亞博覽會。20073展覽。2011714HQ3上研發成功，獲準進入京珠高速長沙至武漢段，開展我國首次自動駕駛汽車高速公路長途自主駕駛試驗。201736日，經有關部門批準同意，新一代紅旗自動駕駛汽車獲準在長沙繞城高速公路上開展試驗。（三）本章小結雖然自動駕駛汽車的發展勢頭良好，但因為中國自主研發企業的技術基礎薄弱等緣故，我國在傳感器感知、控制決策、車輛交互、路況識別等核心技術方面都存在瓶頸。特別是路況識別方面，車輛需要完成對周圍障礙、交通信號、行人以及其他車輛狀態的掌控與識別，迄今為止，能夠達到這一效果的自動駕駛汽車很少。目前，L4L2ADAS系統已經成熟。L2L42025后逐步向市場推廣。五、專業術語解析人工智能（ArtificialIntelligence，AI）是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工神經網絡（ArtificialNeuralNetwork，ANN）是由大量處理單元互聯組成的非線性、自適應信息處理系統。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。自主地面車輛（AutonomousLandVehicle，ALV）采用專家系統的計劃功能、計算機視覺、自主導航及先進的并行處理等技術，能獨立進行判斷和計劃，可以用自然語言接受任務，根據要求，計劃出執行任務的方法以及不斷修改計劃。卷積神經網絡（ConvolutionalNeuralNetwork，CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。深度學習（DeepLearning，DL）是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。深度強化學習（DeepReinforcementLearning，DRL）將深度學習的感知能力和強化學習的決策能力相結合，可以直接根據輸入的圖像進行控制，是一種更接近人類思維方式的人工智能方法。慣性測量單元（InertialMeasurementUnit，IMU）是測量物體三軸姿態角(或角速率)激光雷達（LaserRadar，LR）是以發射激光束探測目標的位置、速度等特征量的雷達系統。其工作原理是向目標發射探測信號（激光束），然后將接收到的從目標反射回來的信號（目標回波）與發射信號進行比較，作適當處理后，就可獲得目標的有關信息。毫米波雷達（Millimeter-WaveRadar，MWR）是工作在毫米波波段探測的雷達。與紅外、激光、電視等光學導引頭相比，毫米波導引頭穿透霧、煙、灰塵的能力強，具有全天候(大雨天除外)全天時的特點。另外，毫米波導引頭的抗干擾、反隱身能力也優于其他微波導引頭。自動駕駛汽車（Self-drivingAutonomousvehicle,SdA）又稱自動駕駛汽車、電腦駕駛汽車、或輪式移動機器人，是一種通過電腦系統實現自動駕駛的智能汽車。即時定位與地圖構建（SimultaneousLocalizationandMapping，SLAM）機器人在未知環境中從一個未知位置開始移動,在移動過程中根據位置和地圖進行自身定位，同時在自身定位的基礎上建造增量式地圖，實現機器人的自主定位和導航。參考文獻HermannWinner,“Introducingautonomousdriving:anoverviewofsafetychallengesandmarketintroductionstrategies,”Autom.MethodenundAnwendungenderSteuerungs-,Regelungs-undInformationstechnik,vol.66,no.2,pp.100–106,2018.A.BoukercheandX.Ma,“Vision-basedautonomousvehiclerecognition:Anewchallengefordeeplearning-basedsystems,”ACMComput.Surv.,vol.54,no.4,pp.1–37,2021.L.Wan,Y.Sun,L.Sun,Z.Ning,andJ.J.P.C.Rodrigues,“DeeplearningbasedautonomousvehiclesuperresolutionDOAestimationforsafetydriving,”IEEETrans.Intell.Transp.Syst.,vol.22,no.7,pp.4301–4315,2020.S.Kuutti,R.Bowden,Y.Jin,P.Barber,andS.Fallah,“Asurveyofdeeplearningapplicationstoautonomousvehiclecontrol,”IEEETrans.Intell.Transp.Syst.,vol.22,no.2,pp.712–733,2020.Y.Jeong,S.Son,E.Jeong,andB.Lee,“Anintegratedself-diagnosissystemforanautonomousvehiclebasedonanIoTgatewayanddeeplearning,”Appl.Sci.,vol.8,no.7,p.1164,2018.Z.Zhu,Z.Hu,W.Dai,H.Chen,andZ.Lv,“Deeple