无人驾驶作为汽车未来的研究方向，其对于汽车行业甚至是交通运输业有着深远的影响。无人驾驶汽车的来临将能够解放人类的双手，降低发生交通事故发生的频率，保证了人们的安全。同时随着人工智能、传感检测等核心技术的突破和不断推进，无人驾驶必将更加智能化，同时也能够实现无人驾驶汽车的产业化。虽然将无人车理解为机器人并且使用机器人开发的思维处理无人车系统是目前工业界的共识，但是也不乏一些单纯使用人工智能或者是智能体来完成无人驾驶的案例。其中基于深度学习的端到端无人驾驶和基于强化学习的驾驶智能体是目前的研究热点。

下面就来一同探秘无人汽车内部的奥秘。

        无人车功能模块包括感知、定位、路径规划、行为决策、轨迹规划和执行,同时还需要V2X和高精度地图支持配合。

         感知是最核心的模块,也是硏究最多的模块。它简单分为三部分：一是自我感知,即车辆的自我状态,主要是路网级姿态、车道级姿态和精细状态。二是静态目标感知,包括道路标识和静态障碍物。三是动态目标感知,包括动态目标探测、追踪和预测其运动轨迹。

        路径规划则分几级,最上层是路网全局导航级,刷新频率在10秒以上,其次是局部路径规划,刷新频率在0.1-10秒之间,局部路径规划包括车道级路径规划和避障规划。最底层是轨迹规划,刷新频率50-10Hz之间。

        感知是无人驾驶关键步骤，也是目前研究最多的步骤。分两部分：静态的道路层面的特征：比如斑马线，车道线，道路标识道路旁的交通牌，路沿，也就是整个道路的数学模型。动态的就是道路上的交通元素，车辆，行人，交通信号灯等障碍物。

        要准确知道车辆行人、交通信号灯的3D姿态和尺寸，也就是画出3 D Bounding Box。为避障规划做基础。此部分必须使用激光雷达或双目摄像头才能完成，单目无法获得3D信息。目前主要有两种做法：

 1.完全基于激光雷达，需要多个多线激光雷达，将点云转换为体积元素 Voxel，然后再做处理。典型技术就是苹果。

 2.融合激光雷达和摄像头的数据，用视觉识别障碍物边界，用激光雷达点云来获得3D信息。

        大部分厂家都选择后一条技术路线包括 Waymo和百度。前者技术成熟度略低，用的人不多，但理论上可靠性更高，运算资源消耗小，但是对激光雷达要求高，苹果用了12个16线激光雷达后者对激光雷达要求低，32线即可，技术比较成熟，但是可靠性差一点，消耗运算资源很多。

        小科普：

        ResNet是一种残差网络，咱们可以把它理解为一个子网络，这个子网络经过堆叠可以构成一个很深的网络。

        而PointNet是斯垣福大学在2016年提出的一种点云分类分割深度学习框架。众所周知，点云在分类或分割时存在空间关系不规则的特点，因此不能直接将已有的图像分类分割框架套用到点云上，也因此在点云领域产生了许多基于将点云体素化（格网化）的深度学习框架，取得了很好的效果。但是将点云体素化势必会改变点云数据的原始特征，造成不必要的数据损失，并且额外增加了工作量，而 PointNet采用了原始点云的输入方式，最大限度地保留了点云的空间特征，并在最终的测试中取得了很好的效果。