迈向L5级自动驾驶汽车的发展原则.docx

一、引言近年来，自动驾驶汽车的自动化程度正逐渐提高，并引发对更高程度自动化水平的追求。自主性可以定义为一个智能化的系统在系统自身及其环境的不确定性下实现特定任务的能力。在实现特定任务过程中，通常也可认为，系统自身在无/少干扰情况下对于不确定性处理能力越强，其自动化程度越高。目前对于自动驾驶汽车自动化程度的衡量标准多样，而汽车工业界通常采用汽车工程师协会（SAEInternationaI）定义的从0级（完全手动）到5级（完全自主）的6级分级标准。现有SAE对于1.1.1.5级自动驾驶的定义可以理解为:对于1.l级别自动驾驶，可以完成在一个维度（横向或纵向）的驾驶任务；1.2级别自动驾驶可以同时自动进行多维度辅助（如加减速和转向）；1.3级别自动驾驶车辆在特定环境中可以实现自动加减速和转向，无需驾驶人干预；在1.4级别自动驾驶中，在限定条件下如果车辆当前处于自动驾驶状态，则全程无需驾驶者接管方向盘；1.5级别自动驾驶车辆可以在任何条件、任何场景下自动行驶，车辆的自动化系统完全替代了人类驾驶员，车辆达到完全自动化。在1.1.1.5级自动驾驶发展过程中，动态性、随机性和多样化的交通参与者,耦合化、时变化、复杂化的交通环境，以及非结构化、模糊不明甚至不合理的道路基础设施都是实现自动驾驶的潜在挑战。三大主要挑战可以概括为：多场景叠加，如城市闹区等多交通场景叠加情况等；非理想环境适应，如动态变化的天气与路况条件等；交通状态不确定，如随机突发的紧急事件等潜在难题。因此，为实现更高等级的自动驾驶，需要提出一套有效的自动驾驶汽车研发思路，让高等级自动驾驶汽车具备在考虑其他道路使用者的意愿和决策机制的前提下，对交通环境中的风险程度进行估计、判断和预测，规划具体的驾驶策略和轨迹，实现智能车辆在复杂的不确定环境中的安全可靠的高等级自动驾驶。驾驶过程中人为失误导致的交通事故比例已经超过90%,包括驾驶人在感知、认知、推理与决策各阶段自身的局限性。应用自动驾驶技术，逐步提高车辆驾驶的智能化水平，是解决交通安全问题的根本途径。许多自动驾驶制造商都制定了各自研究路线，推动自动驾驶技术发展。目前主流自动驾驶技术路线有：“渐进演化路线。从先进驾驶人辅助系统(ADAS)产品开始生产并逐步研发到无人驾驶阶段，大部分传统车企和零部件企业一般采用这种相对保守的路线。革命性路线。一开始就研发1.4或者1.5级自动驾驶，如谷歌、福特、通用(GM)、MOmenta等公司。特斯拉”路线。在搭载自动驾驶系统硬件的汽车上，首先应用辅助自动驾驶功能，不断积累测试数据，通过软件升级完善自动驾驶统，最终实现无人驾驶。但现有的技术路线在实施过程中都遇到了类似难题：自动驾驶汽车会违反交通规则，频繁制动，牺牲乘客舒适性，对交通造成负面影响；安全算法考虑因素不足，难以准确判别行车危险程度；智能汽车在复杂环境陷入困境后，综合判断能力欠缺，易导致决策冲突等。这些难题带来了在现实行车过程中出现的一系列自动驾驶不合理现象：路遇行人不停车“一次跨越多个车道“路遇车辆频繁制动“左转时犹豫、起停等问题，同时也造成了多起自动驾驶事故。例如，2016年，特斯拉MOdelS电动汽车在途经十字路口的时候，撞上了一辆正在左转的卡车；2017年，自动驾驶汽车Waym。在测试时，发生了追尾事故；2018年，Uber自动驾驶测试车因系统无法准确识别人行横道以外的行人而造成事故。虽然各研究机构的研究路线有所侧重，但针对高等级自动驾驶汽车的研发思路主要是基于场景和任务驱动来进行特定场景下的具体功能开发。这一思路对于1.11.3级的驾驶辅助系统开发有一定指导作用，可以在特定场景下完成指定功能;而1.31.4级自动驾驶属于任务驱动，因此能够实现在限定条件下人机协同共驾。而对于1.5级自动驾驶，场景驱动可能会带来多类场景叠加难题，使得1.5级自动驾驶汽车会为了能够适应这一功能而陷入困境；任务驱动则会导致自动驾驶时多任务冲突，难以让1.5级自动驾驶汽车无条件地自由行驶。例如，交通参与者（车辆、行人、骑行者）对交通规则的遵循意识观念不强；行驶环境的道路结构和交通设施都存在不合理、老旧不清晰等问题。这些特殊化的交通参与者行为和行车环境都大大增加了现有基于场景或任务驱动的研发思路的应用挑战。由此可见，1.5级自动驾驶汽车需要实现超越驾驶人的性能，全方位提高汽车行驶性能，从学习驾驶人的驾驶方式到适应驾驶人驾驶模式再到超越驾驶人驾驶局限。目前仍鲜有从一种全新的“系统、统一、均衡的角度出发，探索高等级自动驾驶系统背后的物理机制，揭示驾驶本质的研发范式。因此针对现有方法的局限性，本文突破传统研发自动驾驶思想，采用推理演绎方式，提出大脑-小脑-器官协调平衡框架，探索“自主学习+先验知识的研究范式。通过开展开拓性研究，旨在实现自动驾驶汽车“自学习、自适应、自超越特性，为1.5级自动驾驶汽车的开发提供新的研究思路和途径。二、现有研发框架的局限性分析现有的自动驾驶汽车的常用开发思路是将整个系统划分为独立的层和功能。例如，智能车辆首先通过感知层感知驾驶环境参数，识别目标类型。然后通过情景评估，提高对驾驶行为意图等驾驶环境的了解，并估计和预测未来的驾驶风险程度，评估其他道路使用者的风险水平，正确认识环境。最后，自动驾驶汽车通过决策和执行控制系统完成行为和路径规划，从而实现驾驶操作任务。具体来说，现有与基于场景和任务驱动的研发思路对应的自动驾驶汽车的开发途径主要分为感知-决策-控制这一分层自动驾驶框架和端到端的整体学习框架。（一）“感知决策控制分层框架分析在目前的自动驾驶系统中，感知系统、决策系统、控制系统、执行系统多依赖功能叠加式的设计方案进行独立设计开发。当自动驾驶汽车在向更高等级发展的过程中，就需要提供更高等级的功能，而现有的研究框架通常在原有系统基础上，直接叠加新的系统，进行功能集成，产生新的功能。这种"结构分层设计，功能叠加产生的集成架构相对简单，容易实现，在智能驾驶系统发展的初级阶段发挥了重要作用。然而，随着智能汽车的等级逐渐提高，功能需求不断增多，子系统不断集成，系统结构愈发复杂，各系统功能与结构存在相互的耦合与重叠,易造成结构配置冗余、资源利用率不高和系统成本增加等问题。特别地，目前在分层式框架中，在决策过程中常采用基于规则的方法。该方法能够有效实现1.21.4级的决策过程,是一种有效针对特定场景和具体任务驱动的自动驾驶模式的方法。该方法的代表性方法包括有限状态机等,其规则直观、可读性较好、易实现，在简单的场景中，适用性比较好。而这类方法的明显缺点是缺乏概括未知情况的能力，这使其很难被扩展到实际驾驶中，尤其是针对高等级自动驾驶。在分层框架中，具体各子系统的特点和存在的不足如表1所示。表I"感知-决策-控制”分层框架特点SystemMetlwxlGMuCtE51心1.imM4donsPercepbonSinsle-iensorperceptionConsiderthephysicdprincipleanddatatypeofe*s<nsor1.imitedpefcep(u*PeTfOnnJnCCJndurgispecifics<efMioi116oorperceptionPCffornUnceincomplexenvirfmmuNosns>etypeofSCMoftocvefallscctwncKPcTCC内OnSimuIunetMisIocaiizMionandmapping(S1.AM)syftm:buildmaptMcdontensor&QinVirtudenvironmtrtVebkie(0(VefytNM(V2×):<o1labo<Miv'ecr<rp(onS1.AM:denseJndcomplexcompuut>of;Uilindramaticallyctungngroodconditions;stro11>ydepend0<1theac(MyofIheinputperceptiondauV2X:EyontheIMrJafVaUrrrr4Mfor11ut>on;requireh<hcommunicationPeffornMnCOandhighrdMbilityDynJmirrJfACwillSCrIOUSIyaffectQheaccuracyandreal-timerobustnessatPCnitioninNoUnifOfmsundMdforinfrM(ructuredeploymentMultipleXnSOrfusionRealizetheCompIemenQryJdvancj¢eofmultipleSrmor3FusionperceptionofsevereWeMherJndIIXhQchAneisUnreIiabkSenSOrdauismpfe.Inconsisxcm.ndbctero9encous117Nofusonao11thmtoSimuItAncomIydedwithfmltipkcensordauPrOHCImAreliableSeMOrCauhdecetonandisolationInethOdstillneedstobeaddedto(ScmIwithsensorUilureDecisionHierarchicalde<iMn-BkinfI8DividedintothreeIeveb:situMx>nAssessmentbehavior<Se<iMon.indmotionPUnIMMConsiderlimitedinterjctivcy.uncerunty,orexplosionDifYIcuhyinmeeting(hedriversEPCctJItomWithoutconsideringtheimMCtof!unitedperceptionandcontrolabilityDependentondautoJ(UPttohigh*dynamicJndrandomredQQmCMefMriM1.imitedselMeamnt4bilrtyIttndef)itsdecision-nukingperformanceinahglevelautopilot1.owcomU(io<MHncievxy(0Jpply(0hiedAVsEnd<oenddecisionmaking119Basedonmachinelearning,thevchco<MrolinformationKSdirectlyoutputfrom(heinputofenvironmentPerrePioninfbmuonSvnpIcJpplKJtionSCelun09Uncleardecisionmechanism1.imitedgenerjva<onJbilwyOtmultipleucnesUckofCOnSideTJtiOnfthem(erxtiobetween(Nffkpi11ipan<»Mj»ivcandCompctbrnsvrdmneedtobeCoIkCMdindvjfe(orQrJmintTheUmnterpreubilitynukesitafreatuncertaintyintheapplication<JdVJnCedJUtonuticdrivingControlUterjlcontrolTheVehideUter4controlismhzedby20mearnci3<Up(ivccontrol.KJmfIofkcontrol,slidingmodeco