让我们来一点点详解google car的难点，毕竟那是个50多人、10多个教授做出来的东西。

话说智能车的成本高，很大成本上是在激光扫描仪上，那就是说还是对道路环境的识别要求高，但是在复杂环境下的算法也很重要啊（某篇文章上好像说用机器学习分析了大量的数据），以后的突破点究竟在哪儿呢？

让我们来一点点详解google car的难点，毕竟那是个50多人、10多个教授做出来的东西，具体内容可以参见后面提到的论文。

背景

无人驾驶技术取向成熟，源于2007年DAPRA的城市挑战赛。之前的比赛多是在沙漠举办，其主要目的是美军希望使用无人车运送物资，减少战时士兵的伤亡。

图中为2005年的冠军斯坦福大学的史坦利号(Stanley)

Boss

Junior

2007年比赛加入60公里城市道路，要求车辆在无人驾驶的同时，遵守交通规则。完赛的明星有通用汽车与卡内基梅隆大学合作的赛车“Boss”、2007DARPA城市挑战赛亚军——斯坦福大学的“Junior”。照片上的人叫Sebastian Thrun，他及部分团队成员随后被Google挖走，于是有了Google Car。

如果想了解他们的详细内容，可以在Field robotics上找到很多邀稿，是所有DAPRA获奖车辆的技术报告，也是这次的论文掀起无人驾驶的研究热潮。

CMU的技术报告：Autonomous driving in urban environments: Boss and the Urban Challenge

弗吉尼亚理工大学 Odin：Team VictorTango's entry in the DARPA Urban Challenge

介绍完了背景，说说难点。

传感器技术    

不得不承认现在无人车能出现很大程度上依赖传感器的进步。其实早在80年代美国就通过磁钉导航完成过很多无人驾驶的实验。他们在地下埋上磁钉，通过寻找磁钉的方式可以完成高速的巡航、并道、超车等一些列的实验。但是显然这种成本太高，只能作为实验。

到了2007年，传感器技术已经突飞猛进了，看看他们的传感器吧。

SICK公司激光雷达。用于检测周围障碍物，无人车需要能够感知周围环境，又不能像人一样单纯用眼睛完成，于是这玩意可以返回周围障碍物的距离，误差毫米级。

这张图上的无人车头顶的不是灯，而是5个SICK。一个SICK当时等价于一辆帕萨特。当然现在Google car的激光雷达用头上的小东西了。

这个小东西顶至少4个SICK，是360度多线激光雷达，今天价值3个帕萨特。这个小东西顶至少4个SICK，是360度多线激光雷达，今天价值3个帕萨特。剩下的东西没有这个壮观，就不上图了。

除了激光雷达（避障），还有有毫米波雷达（探测）、GPS（定位）、里程计（定位）、陀螺仪（定位）、视觉系统（检测、避障）、数传电台（监控）等等。就不说很多小细节的进步了，但是上述的传感器都是必须的，所以无人车的第一个难点是传感器。

定位       

GPS的定位精度远达不到无人车的需求，GPS官方定位精度“<10m”，更高精度的GPS基本要依靠差分完成。

差分的原理很简单：设置一个固定基站，固定基站校准位置，再将信号传递给车载设备，车载设备在接收到基站信号和GPS信号后差分获得。但是每一个基站的有效范围也就30km，怎么大范围应用。

于是有很多技术要解决GPS精度不足的问题，如地图匹配。由用户评论提到了GPS的干扰，以前GPS中会加入干扰，那时候民用GPS的精度只有100m。这个干扰叫SA，Select Availability，已经于2006年取消。SA依然会在战时开启，那时只有美军自己的GPS能有效定位，而其他的GPS都将失效（所以我国要研发北斗）。

传统gps的协议是0183格式，这种格式允许小数点后4位。军用级别的gps在此基础上又加了两位，至于多出来的几位是否真能提高精度就不知道了，得用个绝对位置教一下。如果是“<1米”的精度对于车辆定位基本上够用，但是GPS一定要在空旷的场地上才能得到这种级别的定位精度。

除此之外，没有GPS呢？       

在树荫下、楼宇间、隧道内GPS信号无法到达，这时就需要里程计+陀螺仪，俗称惯性导航单元。这套系统的原理就是：花钱越多，有效时间越久。如果要能在没有GPS的情况下坚持20分钟，呵呵，3个帕萨特。       

原因是里程计、陀螺仪都存在累积误差。注意误差是累计的，也就是说上一时刻是0.5m的误差，下一时刻指定大于0.5m。因此要尽可能约束累积误差，使其数量级很低，那么就要上光纤陀螺。因为电子级的陀螺通常达不到这个精度要求，不知道挠性陀螺行不行，但是估计挠性陀螺和光纤陀螺造价差不多。

避障      

车辆前方有障碍，障碍物是运动的还是静止的，车是停下来还是绕过去。我没仔细研究过这部分的内容，知道的算法是人工势场法。

这部分主要的难度是从传感器识别障碍，在车辆运动的前提下，确定障碍的运动状态。也就是说你要在运动的坐标系下，计算另一个物体相对静坐标系的速度，并作出判断。

识别       

下面得识别交通标识，如限速牌、红绿灯。这些通过视觉系统完成，难点主要在实时性和鲁棒性。要离线处理这些交通标志是很简单的，但是在无人车上需要能在有限的时间里识别出来，并且考虑道路中可能有的光线变化、遮挡等问题。

控制      

你提到控制算法，除了上面的避障以外，其他外围机构的改造可能会存在一些改造上的问题。如何介入转向架、如何介入油门（以前还要考虑如何换挡）。这些工作如果有厂商帮忙还好，没有的话也会是问题，钱的问题。

其实控制的难度相对较小，传统PID足够，加上部分买的伺服机构，没有多大难度，就是活累。

规划与决策

既然是无人车，一定牵扯“去哪”。目的地由人决定，但是路线是车子计算出来的，这部分的算法可能你不会，但是你常用，就是百度地图、腾讯地图之类的东西，它们通过一定的算法计算出路径之后车辆会跟随这条路径。

当然运行过程中为了解决实际的一些问题，比如修路，也许要决策的机制。其实对于无人车的控制说小了较控制，说大了叫决策。也可以说，决策是频率比较慢的控制。

举个例子，我们对方向盘、车速的控制周期是多少呢？大约20ms，也就是1s中要控制50次左右。那么我们对车辆路线的决策周期呢？大约5s。

可以看出，控制是响应速度较快的部分，而决策是响应速度较慢的控制。决策，说白了就是对于一些可能遇到的问题给出的解决逻辑，俗称人性化。

无人车最关键点在于东西不一定复杂，但一定要可靠，所以当有人问Sebastian Thrun（前面Google Car的负责人），你们的车能否在雨雪天开出去的时候。他说，那些日子我们最好不动它。

至于你提到的机器学习，我认为这是趋势，可能在识别部分会有应用，但很难成为无人车的核心技术。

原因：

• 离线学习会导致算法有一定的局限性，你在北美弄好的系统在中国不一定能用。

• 在线学习成本太高，给车带个计算机，让它在车辆运行的同时还能逆向运算？    

以后的突破口，可能要依赖廉价可靠的传感器和相应的识别算法。这些机构到底能做到多小，多便宜又多可靠。至于提取信息以后的控制，前面说了，80年代就有人做了。