【原价599】无人驾驶实战 [首次全面公开L4级别的全自动驾驶

一、课程背景

无人驾驶近几年在国内国外都特别火，在国内7月4日的百度 AI 开发者大会上，百度宣布全球首款 L4 级量产自动驾驶巴士‘阿波龙’量产下线（底层架构是百度的Apollo自动驾驶系统），今年11月，百度与海淀区政府利用 AI 技术把海淀公园改造为全球首个 AI 公园，从而无门槛体验阿波龙无人驾驶小巴车。此外，百度还将与一汽红旗共同打造中国首款 L4 级自动驾驶量产乘用车。

再观国外，今年8月，Google自动驾驶公司Waymo的实地自动驾驶里程突破 1000 万英里，12月，Waymo 又推出了一款商用自动驾驶车——Waymo One。

自动驾驶技术的发展目前最大的瓶颈不是传感器的昂贵，不是产业发展不完善，更不是公司投入不足，而是研发人才的极度匮乏。目前我国汽车从业人员达到360万，但其中技术人才不到50万，占比不到15%，另外，从自动驾驶专业人才年薪动辄几百万上千万，就可以知道人才有多紧缺。

我们需要更多的工程师和科学家进入这一领域，将现有的技术进行整合落地。但是如何帮助开发者们进入这一新兴领域成了业界非常关注的事情。

二、L4级技术

为让大家对无人驾驶有个全面基本的了解，本课程的授课老师盛老师特给大家介绍下L4级技术。

总的说来，无人驾驶系统主要由三部分组成：算法端、车端和云端。其中算法端包括传感器、感知和决策等智能关键步骤的算法；车端包括机器人操作系统、各种计算硬件和车辆底盘硬件等；云端包括数据挖掘、仿真模拟、高精地图以及深度学习训练等等。

相当于无人驾驶要解决4 个关键问题：我在哪？我周围有什么？接下来会发生什么？我应该怎么做？

2.1 我在哪？

定位问题是无人车首先要解决的问题，只有明白自身的位置才能最优的开往目的地。定位需要依靠一种称为高精地图的技术，该技术会将无人车要走的所有静态环境进行描述，包括车道线、行人斑马线、标志牌等等。这些静态信息可以提供交通信号的关键信息，也会作为定位方案的锚定物对自身的位置进行校准，比如通过摄像头看到距离左边标志牌的距离是2.5m，那么在地图中知道了标志牌的坐标也就知道了自身车辆的坐标。同时，还会依靠GPS/IMU等全局设备来定位自身位置，不过这可比我们目前智能手机里的GPS精度要求高很多，通过差分融合技术可以达到厘米级精度。

2.2 我周围有什么？
有了定位后，无人车的感知系统将通过传感器和人工智能算法将周围的障碍物位置、大小、状态、类别等标识出来。目前主流L4级别的传感器包括GPS/IMU、LIDAR、Camera、Radar等，LIDAR、Camera和Radar都是用于感知周围障碍物的主要传感器，分别在不同环境下能够有不同的优势。这些信息犹如人类驾驶员的眼睛一样看到周围动态环境物体，并将其识别出来，而无人车会利用自己多传感器和计算效率达到远超人类的水平，比如精准识别车辆后方任何物体、同时关注左右两边的车辆状态，在黑暗状态时可以通过激光雷达精准识别。

2.3 接下来会发生什么？
无人车知道周围动态物体后，还需要能够尽可能的预测这些物体的走向，包括行为预测和速度预测。例如这个车是要左转还是直行，这辆车会不会闯红灯等等，汇入车流时速度是多少。这些问题都将决定我们无人车后续应该怎么走，如何避免碰撞发生危险。当然由于人的主观意志具有很多不确定性，在人类司机和自动驾驶司机混合的道路上，人工智能程序还需要学习人类的行为习惯和约定俗成的礼让方式，这些都大大增加了无人车的难度。

2.4 我应该怎么做？
最后一步就是根据上述信息综合来选择一条最适合无人车的道路，如同人类的大脑一样对车辆最终的行为负责，选择最合适的方式达到目的地。这需要考虑行车的体感、安全和快捷等因素，通过最优化算法、搜索算法、蒙特卡洛树采样等多种算法来得到未来的驾驶行为，也有通过模仿优秀老司机的驾驶行为等方式来提升驾驶性能等等。

上述4个问题表面上仅仅是车辆端的问题，但是其背后的技术栈是异常庞大复杂的，这些人工智能技术会用到云端的仿真系统、模型训练系统等等。要做好其中任何步骤都是学术界长期以来不断积累而得，也是需要工程能力非常强大的工程师才能实现的高效算法。无人驾驶作为人工智能的一个重大应用方向，不是某一项单一的技术可以实现的，它是一个目前人类技术巅峰的一个整合创新。需要有算法上的创新、系统上的融合以及云平台的支持。

那如此复杂的技术我们应该如何入门，如何进入这个领域？先来看看这一份技能图谱：