无人驾驶概念及特点分析
一、概述
    无人驾驶是指让汽车自己拥有环境感知、路径规划并且自主实现车辆控制的技术，也就是用电子技术控制汽车进行的仿人驾驶。这篇文章主要是调研无人驾驶的分类、技术组成以及现在的比较热门的ODD（设计运行区域）相关的概念性了解。
二、无人驾驶的分类以及阐述
1、无人驾驶级别
 美国汽车工程师协会（SAE）根据系统对于车辆操控任务的把控程度，将无人驾驶技术分为L0-L5级，分别代表自动无人驾驶不同阶段的概念，如表
2、关于级别定义
        我们常说的自动驾驶系统（ads），通常在3～5层级，随着层级的提高，对系统的要求也随之提高。由于目前无人驾驶的分级，特别是L3和L4处在还没有大规模应用在实际生活之中，对待这个需求就存在一些争议，以下是相关的概述。
分类方法：以动态驾驶任务（DDT）、DDT的任务支援和设计运行范围来区分。
DDT（Dynamic driving task）:动态驾驶任务，指汽车在道路上行驶所需的所有实时操作和策略上的功能（决策类的行为），不包括行程安排、目的地和途径地的选择等战略上的功能。
车辆执行：包括通过方向盘对车辆进行横向运动操作、通过加速和减速来控制车辆；
感知和判断（OEDR，也称周边监控）：对车辆纵向运动方向操作、通过对物体和事件监测、认知归类和后续相应，达到对周边环境的监测和执行对应操作、车辆运动的计划还有对外信息的传递；
动态驾驶任务支援（DDTFallback）：自动驾驶在设计时候，需要考虑系统性的失效（导致不工作的故障）发生或者出现超过系统原有的设计范围之外的情况，当这两者都发生的时候，给出最小化风险的解决路径。
设计运行域（OperationalDesign,ODD,也有称为设计适用域或者设计运行范围）就是一组参数，指自动驾驶系统被设计的起作用的条件及适用范围，把我们知道的天气环境、道路情况（直路、弯路的半径）、车速、车流量等信息作出测定，以确保系统的能力在安全的环境之内。
总结：通过上面的定义和分析，自动驾驶（ads），通常3～5层级的定义可以做出下面的参考：无人驾驶汽车
1、LV3（有条件的自动化）：要求在限定的ODD内能够完成所有的DDT，但是要求驾驶人员时刻准备应对，无人驾驶系统在系统失效或者超出ODD范围时发出的需求驾驶员介入的请求。但是标准中也要求系统能够在发出驾驶员介入请求后驾驶员介入前能够继续控制汽车几秒的世间；
2、LV4（高度自动化）：要求系统在ODD内不止能完成DDT还要能应对系统失效，无需驾驶员介入；
3、LV5（完全自动化）：全工况无人驾驶，无需定义ODD，能够完成所有的DDT以及处理DDT fallback。
除此之外，L2级别的无人驾驶是驾驶员和汽车分享控制权，系统同时具有纵向和侧向的自动控制，且具备两项以上。在整个开启的过程中，驾驶员可以不操作方向盘、油门和刹车（放弃主要控制权），但需要观察周围情况，并提供安全操作。
3、ODD介绍
    ODD这一概念来自于美国汽车工程师协会，定义是：为特定驾驶自动化系统或其功能专门设计的运行条件，包括但不限于环境、地理、时间限制，和/或某些交通或道路特征的存在或缺失。通俗一点总结：主要是在无法完全到达随心所欲的无人驾驶之前，自动驾驶技术需要被一个特定场景限制来运作，以尽可能消除无法应对的不确定性。
    总结一下ODD的条件：
1、公路条件：高速公路（机动车专用公路）或普通公路，车道或人行道，还有自动驾驶车的专用车道等等，这些都是行驶的公路条件。上面的奥迪A8的第一条就是公路条件；
2、地理条件：城市还是山区，或是虚拟的栅栏围出的地理围栏等，不是公路的情况也考虑包括周边的环境来设定的条件。地理围栏，也就是通过设定好让自动驾驶车行驶的范围，构筑一个更适合自动驾驶车行驶的基础设置齐全的环境。
3、环境条件：天气和日照状况（昼或夜）等都输入环境条件，大雨时或是降雪积雪时，对车载传感器有不好影响时通常会提前设定；
4、其它条件：速度限制或是交通灯等设施的有无，特定道路的限定行驶，特定驾驶员的乘车，或是持续时间等，还有其他条件。上面奥迪A8的第二条和第四条都属于其他条件。
三、无人驾驶涉及的技术点
1、感知（Perception）
    主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。
在无人驾驶行业，有一套通用的数据集-KITTI数据集，里面有不同的数据，包括双目视觉的数据、定位导航的数据等。
物体检测（Object Detection）：
    传统方法主要是针对固定物体的检测。一般的方法是HOG（方向梯度直方图），然后再加上一个SVM的分类器。而对于动态物体的检测，主要是使用的是DPM模型的方法，先把手和脚识别出来，再进行组合。
深度学习方法RCNN YOLO
场景分割（Segmentation）:
    人行道是一个场景，道路是一个场景，在场景中对不同的物体进行分类，是一个很重要的问题。传统的方法是采用CRF（条件随机场），基本原理在于图像都是由像素点组成的，若两个像素点都比较像车，那就把二者连接起来，形成对车辆的识别。运用深度学习的方法则使用的是另外一种模型，被称为PSPnet（语义分割）这是金字塔形的场景分割模型，将一个场景不断地压缩，把类似的物体聚类，然后再做判断。双目、光流（Optical Flow）场景流
（Scene Flow）:光流是针对2D图像来说的，如果说一个图片流到另外一个图片，都是2D的物体流动，那就是用光流来做。如果是3D的物体流动，那就是用场景流，场景流在传统的方法上就是使用的是SGBM，利用的是双目成像的技术，把左图和右图合起来提取空间的点，用光流在上面做，就能把场景的流动分析出来。光流也可以用深度学习的模型来做，把左右两图用同样的模型来提取特征，经过计算就能得到一个深度的信息，但这个方式的计算量非常大。
物体追踪（Object Tracking）：
这也是无人驾驶中一个比较重要的技术。如何预测行人下一个动作、怎么去跟踪这个行人，也有一系列问题。里面用到的是马尔可夫链的解决方案，这个技术叫做MDP，跟踪一个人，随时跟踪其下一个动作，预测其下一个动作。以上其实都是一些传统的感知方法，而这些年随着深度学习的不断进步，应用也非常广泛。
2、运动规划（Motion Planning）
主要设计的技术点包括运动规划、轨迹规划、速度规划、运动模型。比较有意思的一些进展
包括通过赛车游戏去学习给予网格的运动规划，重量级火车的避障规划，普适的适用于无人驾驶的双轮模型等等。
3、防碰撞
主要涉及如何通过车内的感知系统以及V2X系统去辅助防碰撞。有意思的一些进展包括如何实时地去评估当前驾驶行为的危险性，如何通过当前道路的拓扑去增强自行车骑士的安全性等等
4、地图与定位
主要涉及如何通过不同的传感器，包括激光雷达、视觉、GNSS，以及V2X去建图和定位。比较有趣的一些进展包括如何在一些特殊的场景去定位，比如在一些长隧道里面，既没有GNSS信号，也没有太好的激光或者视觉特征。
    V2X系统
意为vehicle to everything ，即对外界的信息交换，是未来智能交通运输系统的关键技术。它
使得车与车、车与、与之间能够通信。从而获得实时路况、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、减少拥堵、提高交通效率、提供车载娱乐信息等。
    GNSS
全球导航卫星系统，全球导航卫星定位是利用一组卫星的伪距、星历、卫星发射时间等观测量，同时还必须知道用户钟差。全球导航卫星系统能在地球表面或近地空间的任何地点为用户提供全天候的3维坐标和速度以及事件信息的空基无线电导航定位系统。因此，总结来说，如果你除了想知道经纬度还想知道高度的话，那么，必须收到4颗卫星才能准确定位。
5、合作系统
主要涉及如何协同多个无人车去完成一些任务，比如在多个无人车同时在一个十字路口出现时如何调度，还有就是当有多个无人车同时在停车场时如何有序的停车。
6、控制策略
主要研究在不同的细分场景下的控制策略，比如在十字路口如何控制、转线如何控制，在感知数据不可靠时如何尽量安全的控制等等。
7、车辆检测和跟踪
主要关注如何通过激光雷达、视觉，以及毫米波雷达进行车辆检测与跟踪。比较有趣的工作包括通过深度学习与深度视觉的结合进行车辆跟踪，通过单目视觉深度学习去尽量估计车体大小，通过传统视觉边缘检测方法去判断是否车体等等。
8、静态物体检测
主要涉及通过视觉以及激光雷达去检测一些静态的物体，包括交通灯、交通指示灯、路沿、路面等等，每个物体品类的检测都是一个细分方向。
9、动态物体检测
主要涉及通过视觉、激光雷达、毫米波雷达，以及传感器融合方法去检测一些动态的物体，包括行人、车辆、自行车骑士等等，并根据这些物体的动作去预测行为。
10、道路与路口检测
道路与路口检测由于其特殊性以及对安全的影响，被单独列出作为一个细分的小方向，研究的前沿一般涉及一些细分场景，比如建筑工地的检测、停车位的检测等等。
11、决策系统
主要涉及每个无人车的动作的决策，比如加速、刹车、换线、超车、掉头等等，研究的前沿一般涉及在高速行驶中如何安全的换线，在通过视觉理解了场景后如何决策，在感知信息缺失的时候（比如在隧道中）如何决策。
12、主动和被动安全
主要涉及如何通过不同的传感器的感知去确保无人驾驶以及行人安全，比较有趣的一些研究包括通过对CAN总线的异常检测去评估车辆的安全性，通过对停车场的视频监控去训练自动泊车模型等等。
13、无人车与交通的交互
主要研究无人车如何与现有的交通生态共存，特别是传统车与无人车的共存。比较有意思的一些研究包括V2X虚拟交通标志，通过视觉去评估旁边车道司机的驾驶行为等等。
14、视觉定位
主要研究如何用视觉与激光雷达进行实时定位与建图，比较有趣的一些研究包括视觉上的线上校准，使用车道线进行实时定位与导航等等。
15、环境学习与建图
主要研究如何建立精准的环境信息图。比较有意思的一些研究包括使用低空无人机去创建给无人驾驶使用的地图，以及通过停车场监控摄像头建立辅助自动泊车的地图等等。