《无人驾驶汽车》系列为笔者近期阅读相关书籍或报告 观点和案例内容的摘录集合，后期持续更新~

《无人驾驶》-美 Hod Lpson and Melba Kurman（通俗易懂，对人工智能+汽车行业有初步认识）

1 深度学习软件通过观察世界来“学习”，这一点赋予了它另一巨大优势——不依赖规则（not rule-bound）人类的婴儿学会依照物体的突出可识别性特征来识别物体，同理，深度学习软件在对物体分类时也是依据物体的视觉特征。

2 构成无人驾驶汽车的技术 传感器 海量数据 处理和计算所有信息的处理芯片。

3 阻碍无人驾驶的7个误区：1）自动化驾驶技术脱胎于当代驾驶员辅助技术；2）技术进步是线性推进的；3）公众会抵制无人驾驶；4）无人驾驶需要在基础设施上大量投资；5）无人驾驶会造成道德困境；6）无人驾驶需要有完美的驾驶记录；7）无人驾驶应用会大量突然爆发

4 交朋友的三个关键因素：相近的地理位置 反复出现的无目的性社交互动 可以放下内心防御的氛围

5 影响未来汽车行业发展的最大疑问 哪家公司（汽车公司或软件公司）会首先研发一套完善智能操作系统。未来车辆的“硬件”-底盘，引擎以及内部装潢，必须优先服务与计算机硬件布置，沦为汽车软件附庸（类似windows系统和PC硬件，苹果软件硬件研发）

6 人机合作劣势-避免“责任分散”（Split Responsibility）管理原则，问题在于负责完成任务的不同成员可能会觉得遗漏一些事项也不要紧，他们会理所当然地认为其他人会弥补上。如果双方都不深究，任务失败。飞机人机切换失事，工程师称其为“自动化偏见”（Automation Bias）：一旦看到技术有效，人们就会很快信任技术，出现问题时，无法第一时间接管机器。（原理适用于公司组织管理）

7 简单机器自动化过程中遇到的困难，机器人学家汉斯。莫拉维克（Hans Moravec）-“莫拉维克悖论”：“想让电脑在智力测验或国际象棋上达到成人水准相对简单，但如果想让他达到1岁儿童的感知能力和移动水平，则困难许多，甚至无法实现。“（波士顿机器人 突破了）

8 无人驾驶操作系统 涉及控制工程学（机械系统的运行）和人工智能研究（具备智能行为的软件）

符号型人工智能（symbolic AI）：复杂情景或任务分解成若干标准的指令或规则条目，规则写进代码，计算机能够依据推理和查找功能执行这套逻辑规则。适用小型状态，可预期

数据型人工智能（机器学习）：应用各种算法对大量数据进行处理，利用统计学技术分类、排序，最终解析数据。

9 底层控制系统：加速 刹车 和转向；上层控制系统：路径规划和道路导航

 中层控制系统：使汽车的操作系统能识别传感器数据，感知车辆周围环境的实体布局，并针对周围事物或事件作出最佳反应方案。

10 中层控制系统：1）占据栅格：对汽车外部环境，实时更新的三位数字建模；2）软件程序，标记汽车传感器导入的原始数据3）不确定性椎：预测汽车附近物体的位置和移动速度4）短期轨迹规划器，汽车前进的最佳线路

11 机器人思考的一大优势，“蜂巢思维（Hive mind）”如果一个机器人学会了某件事，软件可以复制到几十个机器人身上，那些机器人可以用这些知识继续进一步的学习。当有很多不同的机器人系统在一起学习时，每个的学习成果可以集中到一个中央知识库，然后共享给每个独立机器人的思维数据库，每个机器人都能快速学习。

12 “重组创新（recombinant  Innovation）”指用创新的方式，把现行几项技术组合起来的过程，无人驾驶是重组创新的最佳案例。

13 无人驾驶汽车全解读：

1）高清数字地图：详细，精确的模型，提供某个区域最重要的地表特征信息。（问题是，高清测绘在中国需要资质）

2）数码相机：数字地图存储静态数据，帮助识别汽车位置，而数码相机则类似人眼，在实时数据流中捕捉车外环境。数码相机借鉴哺乳动物眼睛的一些概念，硅传感器与视网膜相似，两者的视觉数据都被拆分成几个小的视觉单位处理。视网膜上有数百万的生理感光细胞：视杆和视椎，吸收光子并把光能转化为神经信号，传输给大脑处理视觉信息。而在数码相机里的硅传感器，每个像素在一定间距内呈矩形排列，总共构成100万个像素。

目前解决数码相机“立体视觉”（stereo vision）技术方案：A、同一车内放置多台数码相机。B、结构光相机。具有投影功能的数码相机，使图片数据拥有深度信息。（技术难点，投射光线会受到自然光干扰

3）光检测与测距（激光雷达）：向周围发出脉冲激光，测算出光束反射回来所用的时间，然后根据激光测距原理计算出三维数字模型。

4）无线电检测与测距（雷达）：数码相机在像素网格里捕捉场景，激光雷达类似数码喷漆，雷达传感器依靠电磁波识别周围环境（目前自动驾驶辅助系统）

5）超声波传感器（声呐）：耳朵，发出的超声波。优点：不受干扰，缺点：只能近距离监测物体

6）全球定位系统（GPS）：负责统筹和整合信息，在高清数字地图上为汽车精确定位

7）IMU惯性测量单元：配有加速感应和定位感应，记录汽车行驶的轨迹。推测航行法：里程计（统计车轮旋转的圈数）+加速感应器（加速计算）+指南针（方向）+陀螺仪（测量位姿，车辆前进方向/车前端俯仰角度/倾斜测角度）。缺点，不能长时间脱离GPS，否则产生偏移

8）线控技术。无人驾驶汽车有多个电子通信系统，包括操作系统，高中低水平控制系统解读指令。子系统:引擎控制单元、ABS制动防抱死系统、自动变速箱控制单元（TCU），通过总线（BUS）互联互通。总线协议 CAN总线协议。

9）评估新技术的长期潜力的小型而实用的测试工具，“零原则”（Zero Principle）：产品推出后，一项或多项生产工作的成本降到几乎为0。

无人驾驶将四项核心成本减至接近0：极大降低车祸的直接或间接成本；去除了一项客运或货运的成本；将驾驶的时间减少至0；车辆接近0尺寸，安全设计的原则

10）多种职业消失了，是否会有新职业代替？经济学家约瑟夫.熊彼特提出“创造性破坏理论”，描述因为某种技术的出现摧毁了原有行业后发展出的重建过程。

《寻找无人驾驶的缰绳》——腾讯研究院  2018年全球自动驾驶法律政策研究报告 

1）自动驾驶立法路径：德国保守，美国开放。德国虽然通过了修订道路交通法认可了自动驾驶的合法地位，但却规定有资质的人类司机必须始终坐在方向盘后，必须时刻保持清醒，以便在系统请求时，重新控制车辆。美国对于道路测试法规政策逐步放开，4级和5级驾驶，可以无人驾驶。

2）美国交通部DOT2016年和2017年连续2年出台自动驾驶汽车指南，提出6大原则：1、安全第一2、采取灵活的，技术中立的监管路径，市场决定有效方案 3、监管针对汽车性能，非限制汽车 4、应统一国家和地方监管标准，避免碎片化监管 4、主管部门应探索指南，最佳实践，促使自动驾驶汽车安全融入交通系统 5、自动驾驶汽车与传统汽车共享道路。

3）美国传统汽车制造商的汽车是否遵守联邦安全标准，由汽车制造商自我认证，监管机构会策略性的选择哪个标准和汽车进行测试。对于自动驾驶汽车，提出两种新的方案：1、高度自动化汽车的批准机制；2、自我认证与批准程序的混合机制。

4）司机角色转移给自动驾驶系统可能带来的责任鸿沟。

交通事故和侵权责任主体从司机扩大到制造商、软件设计者等主体；认为过错责任、产品责任等既有责任足以应对自动驾驶技术带来的损害；需要新的责任规则（侵权责任法上严格责任，给予车子法人主体地位，承担赔偿责任）

5）德国保留人对车辆的控制权并禁止事先编程。德国自动驾驶伦理原则第1条指出，个人应征询自治原则，个人也应对享有的自有形式负责。

6）中国对无人驾驶的政策现状：1、自动驾驶面临立法空白困境（道路交通安全法19条）；2、自动驾驶汽车上路合法性质疑。公路法和道路交通安全法实施条例。3、高精地图绘制收到法律资质限制，测绘法。

2018人工智能之自动驾驶研究报告-Aminer版

1）美国 SAE International （国际汽车工程师学会）为联邦标准，成为了全球汽车业界评定自动驾驶汽车等级的通用标准。L0-L5级，L3有条件自动化（还需人类干预），L4高度自动化（无需人类干预，但需限定条件和路段）L5完全自动化（无需任何干预和限制）。无人驾驶汽车一般指的是L4-L5.

2）自动驾驶技术，“环境感知—决策与规划—控制与执行”过程的理解、学习和记忆的物化

3）自动驾驶关键技术

3.1环境感知：摄像机（ CCD 和 CMOS）、激光雷达（二维和三维）、毫米波雷达（脉冲方式和调频连续波）、超声波

3.2精准定位:惯性导航系统(陀螺仪 和 加速度计)、轮速编码器与航迹推算、卫星导航系统（GPS、 GLONASS、北斗）、SLAM 自主导航系统（即时定位与地图构建）

3.3决策与规划：路径规划（算法规划，避免碰撞，最佳路径）、驾驶任务规划（行进方向的顺序排列）

目前，市场上采用的自动驾驶主流芯片主要分为两种，一种是英特尔-Mobileye 开发的Mobileye® EyeQX™系列车载计算平台。另一种是英伟达提供的 NVIDIA Drive PX 系列车载计算平台。

3.4 控制与执行：纵向控制（车辆的驱动与制动控制）、横向控制（通过方向盘角度的调整以及轮胎力的控制）、车辆控制平台（电子控制单元（ECU）和通信总线）

4）高精地图与车联网 V2X

高精地图：1 表征路面特征的精准性。传统地图（米量级的精度），高精地图（达到厘米级的精度）2 比传统地图更高的实时性。update道路整修、标识线磨损或重漆、交通标识改变等。

车联网：V2X 表示 Vehicle to X，其中 X 表示基础设施（Infrastructure）、车辆（Vehicle）、行人（Pedestrian）、道路（Road）等

5）测试与验证：实测、在环仿真

6）人工智能在自动驾驶中的应用：

6.1 在环境感知中的应用：

深度学习在算法和样本量足够的情况下，视觉感知的准确率可以达到 99.9%以上，而传统视觉算法的检测精度极限在 93%左右，人感知的准确率一般是 95%左右。

深度学习按照模型的不同可以分为 CNN、RNN、LSTM、DBN 和 Autoencoder 等 5 种类型，其中 CNN（卷积神经网络）在处理图像和视频上拥有很好的效果。

6.2 在决策与规划中的应用：

前期决策树、贝叶斯网络等人工智能方法已有大量应用。近年来兴起的深度卷积神经网络与深度强化学习，能通过大量学习实现对复杂工况的决策，并能进行在线学习优化，由于需要较多的计算资源，当前是计算机与互联网领域研究自动驾驶汽车的决策与规划处理的热门技术。

6.3 在车辆控制中的应用：神经控制（模式识别）、深度神经网络学习（免除人工标注特征）、深度强化学习（类似动物行为训练）。

7）应用篇

公共交通：2018年3月，法国的 EasyMile 的自动驾驶巴士 EZ10 成为了首辆在加州道路上运营的完全没有司机座驾的汽车。2018年7月，百度 Level 4 级量产自驾巴士“阿波龙”已量产下线。阿波龙能够载客 14 人，没有驾驶员座位，也没有方向盘和刹车踏板，最高时速可达 70km，充电两小时续航里程达 100km。

快递运输：2017 年“6·18”，京东首批试点运营的无人配送车在中国人民大学进行快递投递。2018年“6·18”，在京东的北京上地配送站，20 余台配送机器人快递。

服务于老年人和残疾人：无人驾驶为老人和残疾人提供服务便利