本文整理自 刘少山 等几位作者合著的《第一本无人驾驶技术书》。 我们已经拉开了全自动无人驾驶的序幕，在幕布之后精彩的未来将如何，让我们先回顾一下硅谷的发展历史，再以此展望无人驾驶的未来。如图 1-1 所示，现代信息技术始于 20 世纪 60 年代，仙童电子和 Intel 通过硅晶体微处理器技术的创新开创了信息技术的新时代，这也是硅谷的起源。微处理器技术极大地提高了工业化生产力，推进了现代工业的发展。20 世纪 80 年代，随着 Xerox Alto、Apple Lisa 及 Microsoft Windows 等软件系统的发展，图形界面被广泛应用，个人电脑的概念出现并开始普及，现代信息技术以此为基础普惠众人。
21 世纪初，在个人电脑逐步普及并被大规模应用的背景下，Google 的出现通过互联网和搜索引擎的方式将人与浩瀚如星海的信息互联起来了，至此，现代信息技术发展到了第三阶段。始于 2004 年的 Facebook 通过革新的社交网络模式将现代信息技术推进到了第四阶段。至此，人类的交往互联方式从线下扩展到了线上，人类社会在万维网上有了初始的迁移并逐步地成熟完善。
随着互联网人口规模的膨胀，Airbnb 与 Uber 等公司通过共享经济的思维把人类社会的经济模式直接推广到了互联网社会，利用互联网 + 移动设备等直接连接不同用户的经济行为，得到了大范围的成功。信息技术每一阶段的发展及其随后驱动的革新，都极大地改变了人类对信息的访问需求和获取方式。尤其对后几个阶段而言，互联网是一个基础性条件，大多数的服务是通过互联网传达给终端用户的。
现在，我们走到了信息技术发展的第六阶段，机器人开始作为服务的承载体出现，其中的一个具体事例就是无人驾驶的产品化。无人驾驶并不是一个单一的新技术，而是一系列技术的整合，通过众多技术的有效融合，在无人驾车的情况下安全地送达乘客。本章会介绍无人驾驶的分级、ADAS 中的关键应用、无人驾驶中涉及的多项技术并讨论如何安全高效地在无人驾驶系统中完成技术的整合。
预计到 2021 年，无人车将进入市场，从此开启一个崭新的阶段。世界经济论坛估计，汽车行业的数字化变革将创造 670 亿美元的价值，带来 3.1 万亿美元的社会效益，其中包括无人车的改进、乘客互联及整个交通行业生态系统的完善。
据估计，半自动驾驶和全自动驾驶汽车在未来几十年的市场潜力相当大。例如，到 2035 年，仅中国就将有约 860 万辆自动驾驶汽车，其中约 340 万辆为全自动无人驾驶，520 万辆为半自动驾驶。
有行业主管部门人士认为，“中国轿车的销售，巴士、出租车和相关交通服务年收入有望超过 1.5 万亿美元。”波士顿咨询集团预测，“无人车的全球市场份额要达到 25%，需要花 15~20 年的时间。”由于无人车预计到 2021 年才上市，这意味着 2035—2040 年，无人车将占全球市场 25% 的份额。
无人驾驶之所以会给汽车行业带来如此大的变革，是因为无人车带来的影响是空前的。研究表明，在增强高速公路安全、缓解交通拥堵、减少空气污染等领域，无人驾驶会带来颠覆性的改善。
高速公路事故是全世界面临的重大问题。在美国，每年估计有 35000 人死于车祸，在中国这一数字约为 260000 人。 日本每年高速公路事故死亡人数为 4000 左右。 根据世界卫生组织统计，全世界每年有 124 万人死于高速公路事故。
据估计，致命车祸每年会造成 2600 亿美元的损失，而车祸致伤会带来 3650 亿美元的损失。高速公路事故每年导致 6250 亿美元的损失。 美国兰德公司研究显示，“在 2011 年车祸死亡事故中 39% 涉及酒驾。” 几乎可以肯定，在这方面，无人车将带来大幅改善，避免车祸伤亡。在中国，约有 60% 的交通事故和骑车人、行人或电动自行车与小轿车和卡车相撞有关。在美国的机动车事故中，有 94% 与人为失误有关。
美国高速公路安全保险研究所的一项研究表明，全部安装自动安全装置能使高速公路事故死亡数量减少 31%，每年将挽救 11000 条生命。这类装置包括前部碰撞警告体系、碰撞制动、车道偏离警告和盲点探测。
交通拥堵几乎是每个大都市都面临的问题。以美国为例，每位司机每年平均遇到 40 小时的交通堵塞，年均成本为 1210 亿美元。在莫斯科、伊斯坦布尔、墨西哥城或里约热内卢，浪费的时间更长，“每位司机每年将在交通拥堵中度过超过 100 小时。在中国，汽车数量超过 100 万辆的城市有 35 个，超过 200 万辆的城市有 10 个。在最繁忙的市区，约有 75% 的道路会出现高峰拥堵。”中国私家车总数已达 1.26 亿辆，同比增加 15%，仅北京就有 560 万辆汽车。
Donald Shoup 的研究发现，都市区 30% 的交通拥堵是由于司机为了寻找附近的停车场而在商务区绕圈造成的。 这是交通拥挤、空气污染和环境恶化的重要原因。“在造成气候变化的二氧化碳排放中约有 30% 来自汽车”。 另外，根据估算，在都市中有 23%~45% 的交通拥堵中发生在道路交叉处。 交通灯和停车标志不能发挥作用，因为它们是静止的，无法将交通流量考虑其中。绿灯或红灯是按照固定间隔提前设定好的，不管某个方向的车流量有多大。
一旦无人车逐渐投入使用，并占到车流量比较大的比例，车载感应器将能够与智能交通系统联合工作，优化道路交叉口的车流量。红绿灯的间隔也将是动态的，根据道路车流量实时变动。这样可以通过提高车辆通行效率，缓解拥堵。
汽车是造成空气质量下降的主要原因之一。兰德公司的研究表明，“无人驾驶技术能提高燃料效率，通过更顺畅的加速、减速，能比手动驾驶提高 4%~10% 的燃料效率。”由于工业区的烟雾与汽车数量有关，增加无人车的数量能减少空气污染。一项 2016 年的研究估计，“等红灯或交通拥堵时汽车造成的污染比车辆行驶时高 40%。”
无人车共享系统也能带来减排和节能的好处。德克萨斯大学奥斯汀分校的研究人员研究了二氧化硫、一氧化碳、氮氧化物、挥发性有机化合物、温室气体和细小颗粒物。结果发现，“使用无人车共享系统不仅节省能源，还能减少各种污染物的排放。”约车公司 Uber 发现，该公司在旧金山和洛杉矶的车辆出行中分别有 50% 和 30% 是多乘客拼车。在全球范围内，这一数字为 20%。无论是传统车，还是无人车，拼车的乘客越多，对环境越好，也越能缓解交通拥堵。改变一车一人的模式将能大大改善空气质量。
2013 年，美国国家公路交通安全管理局（NHTSA，制定各种监管和标准）发布了汽车自动化的五级标准，将自动驾驶功能分为 5 个级别：0~4 级，以应对汽车主动安全技术的爆发增长。先看 NHTSA 下的定义，如图所示。
（1）Level 0：无自动化。
没有任何自动驾驶功能、技术，司机对汽车所有功能拥有绝对控制权。驾驶员需要负责启动、制动、操作和观察道路状况。任何驾驶辅助技术，只要仍需要人控制汽车，都属于 Level 0。所以现有的前向碰撞预警、车道偏离预警，以及自动雨刷和自动前灯控制，虽然有一定的智能化，但是都仍属于 Level 0。
（2）Level 1：单一功能级的自动化。
驾驶员仍然对行车安全负责，不过可以放弃部分控制权给系统管理，某些功能已经自动进行，比如常见的自适应巡航（Adaptive Cruise Control，ACC）、应急刹车辅助（Emergency Brake Assist，EBA）和车道保持（Lane-Keep Support，LKS）。Level 1 的特点是只有单一功能，驾驶员无法做到手和脚同时不操控。
（3）Level 2：部分自动化。
司机和汽车来分享控制权，驾驶员在某些预设环境下可以不操作汽车，即手脚同时离开控制，但驾驶员仍需要随时待命，对驾驶安全负责，并随时准备在短时间内接管汽车驾驶权。比如结合了 ACC 和 LKS 形成的跟车功能。Level 2 的核心不在于要有两个以上的功能，而在于驾驶员可以不再作为主要操作者。Tesla 推送的 autopilot 也是 Level 2 的功能。
（4）Level 3：有条件自动化。
在有限情况下实现自动控制，比如在预设的路段（如高速和人流较少的城市路段），汽车自动驾驶可以完全负责整个车辆的操控，但是当遇到紧急情况，驾驶员仍需要在某些时候接管汽车，但有足够的预警时间，如即将进入修路的路段（Road work ahead）。Level 3 将解放驾驶员，即对行车安全不再负责，不必监视道路状况。
（5）Level 4：完全自动化（无人驾驶），无须司机或乘客的干预。
在无须人协助的情况下由出发地驶向目的地。仅需起点和终点信息，汽车将全程负责行车安全，并完全不依赖驾驶员干涉。行车时可以没有人乘坐（如空车货运）。
另一个对自动驾驶的分级来自美国机动工程师协会（SAE），其定义自动驾驶技术共分为 0~5 级。SAE 的定义在自动驾驶 0~3 级与 NHTSA 一致，分别强调的是无自动化、驾驶支持、部分自动化与条件下的自动化。
唯一的区别在于 SAE 对 NHTSA 的完全自动化进行了进一步细分，强调了行车对环境与道路的要求。SAE-Level4 下的自动驾驶需要在特定的道路条件下进行，比如封闭的园区或者固定的行车线路等，可以说是面向特定场景下的高度自动化驾驶。SAE-Level5 则对行车环境不加限制，可以自动地应对各种复杂的车辆、新人和道路环境。
综上所述，不同 Level 所实现的自动驾驶功能也是逐层递增的，ADAS（Advanced Driving Assistant System）即高级驾驶辅助系统，属于自动驾驶 0~2 级。如表 1-1 所示，L0 中实现的功能仅能够进行传感探测和决策报警，比如夜视系统、交通标识识别、行人检测、车道偏离警告等。
L1 实现单一控制类功能，如支持主动紧急制动、自适应巡航控制系统等，只要实现其中之一就可达到 L1。
L2 实现了多种控制类功能，如具有 AEB 和 LKA 等功能的车辆。
L3 实现了特定条件下的自动驾驶，当超出特定条件时将由人类驾驶员接管驾驶。
SAE 中的 L4 是指在特定条件下的无人驾驶，如封闭园区固定线路的无人驾驶等，例如百度在乌镇景区运营的无人驾驶服务。
而 SAE 中的 L5 就是终极目标，完全无人驾驶。无人驾驶就是自动驾驶的最高级，它是自动驾驶的最终形态。
全自动无人车可能比半自动驾驶汽车更安全，因为其可以在车辆行驶时排除人为错误和不明智的判断。例如，弗吉尼亚理工大学交通学院的调查表明，“L3 级自动驾驶车辆的司机回应接管车辆的请求平均需要 17 秒，而在这个时间内，一辆时速 65 英里（105 千米）的汽车已经开出 1621 英尺（494 米）——超过 5 个足球场的长度。”百度的工程师也发现了类似的结果。
司机从看到路面物体到踩刹车需要 1.2 秒，远远长于车载计算机所用的 0.2 秒。这一时间差意味着，如果汽车时速是 120 千米（75 英里），等到司机停车时， 车子已经开出了 40 米（44 码），而如果是车载计算机做判断，则开出的距离只有 6.7 米（7 码）。在很多事故中，这一差距将决定乘客的生死。由此可见，站在自动驾驶最高级的无人驾驶才是汽车行业未来发展的“终极目标”。
无人驾驶系统是一个复杂的系统，如图所示，系统主要由三部分组成：算法端、Client 端和云端。其中算法端包括面向传感、感知和决策等关键步骤的算法；Client 端包括机器人操作系统及硬件平台；云端包括数据存储、模拟、高精度地图绘制及深度学习模型训练。
算法端从传感器原始数据中提取有意义的信息以了解周遭的环境情况，并根据环境变化做出决策。Client 端融合多种算法以满足实时性与可靠性的要求。举例来说，传感器以 60Hz 的速度产生原始数据，Client 端需要保证最长的流水线处理周期也能在 16ms 内完成。云平台为无人车提供离线计算及存储功能。通过云平台，我们能够测试新的算法、更新高精度地图并训练更加有效的识别、追踪和决策模型。
算法系统由几部分组成：第一，传感，并从传感器原始数据中提取有意义信息；第二，感知，以定位无人车所在位置及感知现在所处的环境；第三，决策，以便可靠、安全地抵达目的地。
通常来说，一辆无人车装备有许多不同类型的主传感器。每一种类型的传感器各自有不同的优劣，因此，来自不同传感器的传感数据应该有效地进行融合。现在无人驾驶中普遍使用的传感器包括以下几种。
（1）GPS/IMU：
GPS/IMU 传感系统通过高达 200 Hz 频率的全球定位和惯性更新数据，以帮助无人车完成自我定位。GPS 是一个相对准确的定位用传感器，但是它的更新频率过低，仅有 10Hz，不足以提供足够实时的位置更新。IMU 的准确度随着时间降低，因此在长时间距离内并不能保证位置更新的准确性；但是，它有着 GPS 所欠缺的实时性，IMU 的更新频率可以达到 200Hz 或者更高。通过整合 GPS 与 IMU，我们可以为车辆定位提供既准确又足够实时的位置更新。
（2）LIDAR：
激光雷达可被用来绘制地图、定位及避障。雷达的准确率非常高，因此在无人车设计中雷达通常被作为主传感器使用。激光雷达是以激光为光源，通过探测激光与被探测物相互作用的光波信号来完成遥感测量。激光雷达可以用来产生高精度地图，并针对高精地图完成移动车辆的定位，以及满足避障的要求。以 Velodyne 64- 束激光雷达为例，它可以完成 10Hz 旋转并且每秒可达到 130 万次读数。
（3）摄像头：
摄像头被广泛使用在物体识别及物体追踪等场景中，在车道线检测、交通灯侦测、人行道检测中都以摄像头为主要解决方案。为了加强安全性，现有的无人车实现通常在车身周围使用至少八个摄像头，分别从前、后、左、右四个维度完成物体发现、识别、追踪等任务。这些摄像头通常以 60Hz 的频率工作，当多个摄像头同时工作时，将产生高达 1.8GB 每秒的巨额数据量。
（4）雷达和声呐：
雷达把电磁波的能量发射至空间中某一方向，处在此方向上的物体反射该电磁波，雷达通过接收此反射波，以提取该物体的某些有关信息，包括目标物体至雷达的距离、距离变化率或径向速度、方位、高度等。雷达和声呐系统是避障的最后一道保障。雷达和声呐产生的数据用来表示在车的前进方向上最近障碍物的距离。一旦系统检测到前方不远有障碍物出现，则有极大的相撞危险，无人车会启动紧急刹车以完成避障。因此，雷达和声呐系统产生的数据不需要过多的处理，通常可直接被控制处理器采用，并不需要主计算流水线的介入，因此可实现转向、刹车或预张紧安全带等紧急功能。
在获得传感信息之后，数据将被推送至感知子系统以充分了解无人车所处的周遭环境。在这里感知子系统主要做的是三件事：定位、物体识别与追踪。
1）定位
GPS 以较低的更新频率提供相对准确的位置信息，IMU 则以较高的更新频率提供准确性偏低的位置信息。我们可以使用卡尔曼滤波整合两类数据各自的优势，合并提供准确且实时的位置信息更新。如图 1-4 所示，IMU 每 5ms 更新一次，但是期间误差不断累积精度不断降低。所幸的是，每 100ms，我们可以得到一次 GPS 数据更新，以帮助我们校正 IMU 积累的误差。因此，我们最终可以获得实时并准确的位置信息。然而，我们不能仅仅依靠这样的数据组合完成定位工作。原因有三：其一，这样的定位精度仅在一米之内；其二，GPS 信号有着天然的多路径问题将引入噪声干扰；其三，GPS 必须在非封闭的环境下工作，因此在诸如隧道等场景中 GPS 都不适用。
因此作为补充方案，摄像头也被用于定位。简化来说，如图 1-5 所示，基于视觉的定位由三个基本步骤组成：
① 通过对立体图像的三角剖分，首先获得视差图用以计算每个点的深度信息；
② 通过匹配连续立体图像帧之间的显著特征，可以通过不同帧之间的特征建立相关性，并由此估计这两帧之间的运动情况；
③ 通过比较捕捉到的显著特征和已知地图上的点计算车辆的当前位置。然而，基于视觉的定位方法对照明条件非常敏感，因此其使用受限且可靠性有限。
因此，借助于大量粒子滤波的激光雷达通常被用作车辆定位的主传感器。由激光雷达产生的点云对环境进行了“形状化描述”，但并不足以区分各自不同的点。通过粒子滤波，系统可将已知地图与观测到的具体形状进行比较以减少位置的不确定性。
为了在地图中定位运动的车辆，可以使用粒子滤波的方法关联已知地图和激光雷达测量过程。粒子滤波可以在 10cm 的精度内达到实时定位的效果，在城市的复杂环境中尤为有效。然而，激光雷达也有其固有的缺点：如果空气中有悬浮的颗粒（比如雨滴或者灰尘），那么测量结果将受到极大的扰动。因此，如图 1-6 所示，我们需要利用多种传感器融合技术进行多类型传感数据融合，处理以整合所有传感器的优点，完成可靠并精准的定位。
2）物体识别与跟踪
激光雷达可提供精准的深度信息，因此常被用于在无人驾驶中执行物体识别和追踪的任务。近年来，深度学习技术得到了快速的发展，通过深度学习可达到较显著的物体识别和追踪精度。
卷积神经网络（CNN）是一类在物体识别中被广泛应用的深度神经网络。通常，CNN 由三个阶段组成：
① 卷积层使用不同的滤波器从输入图像中提取不同的特征，并且每个过滤器在完成训练阶段后都将抽取出一套“可供学习”的参数；
② 激活层决定是否启动目标神经元；
③ 汇聚层压缩特征映射图所占用的空间以减少参数的数目，并由此降低所需的计算量；
④ 一旦某物体被 CNN 识别出来，下一步将自动预测它的运行轨迹或进行物体追踪，如图所示。
物体追踪可以被用来追踪邻近行驶的车辆或者路上的行人，以保证无人车在驾驶的过程中不会与其他移动的物体发生碰撞。近年来，相比传统的计算机视觉技术，深度学习技术已经展露出极大的优势，通过使用辅助的自然图像，离线的训练过程可以从中学习图像的共有属性以避免视点及车辆位置变化造成的偏移，离线训练好的模型直接应用在在线的物体追踪中。
在决策阶段，行为预测、路径规划及避障机制三者结合起来实时地完成无人驾驶动作规划。
1）行为预测
在车辆驾驶中主要考验的是司机如何应对其他行驶车辆的可能行为，这种预判断直接影响司机本人的驾驶决策，特别是在多车道环境或者交通灯变灯的情况下，司机的预测决定了下一秒行车的安全。因此，过渡到无人驾驶系统中，决策模块如何根据周围车辆的行驶状况决策下一秒的行驶行为显得至关重要。
为了预测其他车辆的行驶行为，可以使用随机模型产生这些车辆的可达位置集合，并采用概率分布的方法预测每一个可达位置集的相关概率，如图所示。
2）路径规划
为无人驾驶在动态环境中进行路径规划是一件非常复杂的事情，尤其是在车辆全速行驶的过程中，不当的路径规划有可能造成致命的伤害。路径规划中采取的一个方法是使用完全确定模型，它搜索所有可能的路径并利用代价函数的方式确定最佳路径。然后，完全确定模型对计算性能有着非常高的要求，因此很难在导航过程中达到实时的效果。为了避免计算复杂性并提供实时的路径规划，使用概率性模型成为了主要的优化方向。
3）避障
安全性是无人驾驶中最重要的考量，我们将使用至少两层级的避障机制来保证车辆不会在行驶过程中与障碍物发生碰撞。第一层级是基于交通情况预测的前瞻层级。交通情况预测机制根据现有的交通状况如拥堵、车速等，估计出碰撞发生时间与最短预测距离等参数。基于这些估计，避障机制将被启动以执行本地路径重规划。如果前瞻层级预测失效，则第二级实时反应层将使用雷达数据再次进行本地路径重规划。一旦雷达侦测到路径前方出现障碍物，则立即执行避障操作。
无人车是移动系统，因此需要云平台的支持。云平台主要从分布式计算及分布式存储两方面对无人驾驶系统提供支持。无人驾驶系统中很多的应用，包括用于验证新算法的仿真应用、高精度地图产生和深度学习模型训练都需要云平台的支持。我们使用 Spark 构建了分布式计算平台，使用 OpenCL 构建了异构计算平台，使用 Alluxio 作为内存存储平台。通过这三个平台的整合，可以为无人驾驶提供高可靠、低延迟及高吞吐的云端支持。
当我们为无人驾驶开发出新算法时，需要先通过仿真对此算法进行全面测试，测试通过之后才进入真车测试环节。真车测试的成本非常高昂并且迭代周期异常漫长，因此仿真测试的全面性和正确性对降低生产成本和生产周期尤为重要。在仿真测试环节，我们通过在 ROS 节点回放真实采集的道路交通情况，模拟真实的驾驶场景，完成对算法的测试。如果没有云平台的帮助，单机系统耗费数小时才能完成一个场景下的模拟测试，既耗时测试覆盖面又有限。
在云平台中，Spark 管理着分布式的多个计算节点，在每一个计算节点中，都可以部署一个场景下的 ROS 回访模拟。在无人驾驶物体识别测试中，单服务器需耗时 3 小时完成算法测试，如果使用 8 机 Spark 机群，则时间可以缩短至 25 分钟，如图所示。
如图 1-13 所示，高精度地图的产生过程非常复杂，涉及原始数据处理、点云生成、点云对齐、2D 反射地图生成、高精地图标注、地图生成等阶段。使用 Spark 可以将所有这些阶段整合成一个 Spark 作业。由于 Spark 天然的内存计算的特性，在作业运行过程中产生的中间数据都存储在内存中。当整个地图生产作业提交之后，不同阶段之间产生的大量数据不需要使用磁盘存储，数据访问速度加快，从而极大提高精度了高地图产生的性能。
无人驾驶作为人工智能的一个重大应用发现从来就不是某一项单一的技术，它是众多技术的整合。它需要有算法上的创新、系统上的融合，以及来自云平台的支持。无人驾驶序幕刚启，其中有着千千万万的机会亟待发掘。在此背景之下，过去的几年中，自动驾驶产业化在多个方面取得了很大进步，其中合作共享已成为共识，产业链不断整合，业界企业相继开展合作，传感器价格将不断下降，预计在 2020 年，将有真正意义上的无人车面市，让我们拭目以待。
我们可以预测一个不远的未来，届时所有行驶的汽车都是无人车，我们将迎来一个更加安全、更加清洁环保的世界。得益于无人驾驶技术，未来我们的交通工具、行驶的道路，甚至是未来的世界都将变得更安全、更高效，极大地降低对石油燃料的消耗，减轻对环境的污染。本章，我们先从无人驾驶的商业前景、无人驾驶面临的发展障碍、无人车行业发展、全球化下的无人驾驶四个方面出发，分析未来无人驾驶的发展和即将面临的问题。最后，将给出无人驾驶发展的时间线，揭示在即将到来的未来二十年内无人驾驶的走势。
无人驾驶带来的商业潜力有多大？从本质上讲，无人驾驶和互联网的共同之处在于：它们都通过去人力化，降低了传输成本。互联网降低的是信息的传输成本，而无人驾驶则降低有形的物和人的运输成本。对比互联网已经产生的商业影响力，就可以想象无人驾驶的商业潜力。随着谷歌、Uber 和特斯拉这样的公司用事实不断展示技术上的进步，传统车厂已经越来越清晰地意识到，无人驾驶技术即将为汽车商业模式带来颠覆式的改变，这可能是自内燃机发明以来，汽车行业最重大的变化。
基于无人驾驶的发展，TaaS 2.0（运输即服务，Transportation as a Service）正在成为业界探讨的热点，这里将 TaaS1.0 定义为有人驾驶，而无人驾驶则是 TaaS 2.0 时代。
摩根士丹利公司在最近的一份报告中表示，实现汽车完全无人驾驶将极大地降低拼车成本，每辆车从目前的 1.50 美元一英里降至 20 美分一英里。借助无人驾驶，一箱德国啤酒从工厂出厂到中国的超市，在运输过程中可以不需要任何人工干预，全程自动化运输，中间会经过轮船运输、海关通关、高速公路运输和抵达城市等多个环节，其中的任务调度都可以在云端完成，这提供了端到端的运输解决方案。
同样借助无人驾驶，从首都机场到上海的淮海路可以提前预约服务，中间也许会经过几次拼车，以实现运算效率最大化，就像手机基站切换那样，全程依然是无缝连接的。这一运输模式的变化对于传统车厂的影响是巨大的，一旦汽车从私人拥有变为共享运输工具，传统车厂的目标客户就将由个人消费者转变为 TaaS 运营商，正如华为和中国移动的关系一样。随之而来的是汽车的设计、销售都将发生根本性的改变是汽车厂商很难维持原来的强势地位。
因为安装了摄像头、雷达、激光雷达和人工智能系统，无人车的最初成本会很高，普通消费者难以接受。无人车可能会先进入特殊群体，比如企业和某些特殊行业将是早期消费群体。最有可能采纳无人车的行业包括约车、巴士、出租车、快递车辆、工业应用，以及为出行的老年人和残疾人士提供服务的行业。
无人车将成为公共交通系统的重要选择。百度计划几年后商业推广无人驾驶汽 车，将首先在中国城市试运行。百度目前已经获得几个地方监管部门的批准，在事先确定的路线进行试验，希望在不远的将来推出这类车辆。一些城市还在考虑将某些街区划定为无人驾驶专区。在 30 或 40 个街区将不再出现人驾汽车和无人车同时存在的现象，无人驾驶出租车和共享出行车辆将提供全部交通服务。城市规划部门将进行区域优化，为无人车服务。
一项来自德克萨斯大学奥斯汀分校的关于分享无人车（SAV）的研究表明，“每辆 SAV 可以取代约 11 辆常规汽车，运营里程可以增加 10% 以上”。这意味着，基于车辆分享的约车或出租车将缓解拥堵，大幅减少交通拥堵和环境恶化，因其方便性将广受消费者欢迎。
快递用车和“列队”卡车将是另一个可能较快采用无人车的领域。在线购物和电子商务网站快速兴起，给快递公司带来利好。人们喜欢在网上订购物品（如食品、货物和服务），几小时就能送货上门。中国电商 2015 年销售总额达到 5900 亿美元，很多产品承诺同日送达。这促进了电动车和卡车快递。
2015 年，中国电商规模比 2014 年增长 33%。卡车占美国机动车行驶里程的 5.6%，但是却占交通死亡事故的 9.5%。因此，在经济效益和避免人员伤亡方面，无人车可以创造不少增加值。大型卡车成本通常超过 150000 美元，安装摄像头和感应器成本效益比较高，因为相比之下，小轿车的自身成本原本就很低，在无人驾驶初期因为成本的限制难以实现大规模推广。
在老年人和残疾人这两个消费群体中，无人车已经开始大规模应用。由于身体条件的限制和视力原因，这两类人都面临出行困难，因此智能车辆能给他们带来不少好处。美国老龄人口到 2050 年预计超过 8000 万，占总人口的 20%。届时，老龄人口将是目前的两倍，他们中有三分之一将面临出行困难。
中国也面临同样的情况。到 2050 年，中国老龄人口预计将占总人口的 33%。 而在日本，到 2060 年，65 岁及以上人群将占总人口约 40%。 残疾人的市场也很庞大。例如，在美国，约 5300 万成年人有残疾，占成年人人口的 22% 左右。约 13% 的美国成年人有出行障碍，约 4.6% 的成年人有视力障碍。
这些有关老年人和残疾人士的庞大数据为无人车提供了现成的市场。这两类群体都 重视独立，无人车可以让他们自由出行，无须依靠朋友、家人。因此，老年人和残疾人对无人车的问世持积极态度。
自从无人驾驶进入公众视野，各大传统汽车厂商和高科技企业相继发布其在无人驾驶领域的研究成果，也相继推出了各自的（半）自动驾驶原型车，如图所示。某些尚未动作的厂商，也展开了针对无人驾驶领域的大幅投入和行业合作，不得不说，现在正是无人驾驶产业蓬勃发展的时期。
1、Uber
Uber 的无人驾驶原型车采用了毫米波雷达、摄像头、激光雷达等传感器，并辅助以高精度地图。作为 2016 年 9 月公布的匹兹堡测试计划的一部分，Uber 推出了利用其无人驾驶技术改装的福特 Fusion 汽车，为了保证安全，每辆 Uber 无人驾驶专车上配备两名 Uber 工程师，一人坐在驾驶座上，随时准备在紧急情况下控制车辆，另外一人监控汽车的动态。Uber 收购了自动驾驶卡车创业公司 Otto。Otto 的自动驾驶卡车 10 月份行驶 120 英里（约合 193 公里），运送了 5 万罐啤酒。Uber 和沃尔沃还联合投资 3 亿美元开发自动驾驶汽车。
2、谷歌
谷歌采取了不同于其他厂商的策略，将直接推出全自动无人车，而非逐步过渡的半自动驾驶功能。谷歌无人车所使用的传感器包括了毫米波雷达、激光雷达、摄像头，并且大量使用高精度地图。谷歌表示将努力在 2020 年完成无人驾驶的技术开发。截至 2016 年 11 月，谷歌的 60 辆无人车已经行驶超过 200 万英里。该公司每月事故报告透明数据显示，7 年间只发生过 17 次小事故，没出现一例重伤。多数事故的原因是其他车辆的行驶难以预测，或者后方车辆追尾。为了保证行车安全，谷歌开发了备用的制动、转向和计算系统，以防备主系统失灵。另外还设计了软件，确保谷歌汽车“在其他司机的盲区之外”，远离车道上的摩托车，并且在绿灯亮起后停顿 1.5 秒，以避开闯红灯的车辆和行人。现在谷歌无人驾驶项目已经拆分为单独的子公司 Waymo，Waymo 将和本田合作，双方计划在 2020 年前后实现高速公路上无人驾驶的实际运用。
3、宝马
宝马以高精度地图结合激光雷达作为无人驾驶的研究方案，以“激光探测器＋双目摄像头”作为量产方案。在上海车展上，宝马自动驾驶汽车配置了 4 个激光雷达，4 个短距离 77G 毫米波雷达位于四个角保险杠；还有 4 个长距离 77G，前面 2 个后前面 2 个；1 个双目 CAM 在前，单目前 4 后 1，4 个 Surrouding View CAM，都挨着短距 77G 毫米波雷达。
宝马在 2015 年 7 月上海创新日上曾以 0~210km／h 的车速实现了车速车道跟踪驾驶系统、全自动遥控泊车、防碰撞系统的演示。宝马与百度合作，以宝马 3 系作为平台，采用百度自动驾驶技术于 2015 年底实现了北京混合路测，从百度大厦－G7－五环路－奥林匹克森林公园往返，完成了途中的自动并线、超车、掉头、左转等操作。2016 年，宝马、Intel 和 MobilEye 将合作开发高度自动无人驾驶和全自动驾驶的解决方案和创新系统，预计在 2021 年量产无人驾驶电动车 iNext，并最终以非独家协议的方式，将该无人驾驶系统提供给业界，包括其他车厂。
4、奥迪
奥迪的自动驾驶原型车传感器包括了激光雷达、ACC 自适应雷达、超声雷达、Mobileye 前置 3D 摄像头、前置红外摄像头，使用 zFAS（TTTech+NVIDIA Tegra K1）作为中央驾驶辅助控制器。在 2016 年 2 月的柏林电影节上，奥迪已经实现了短距离的城市非封闭道路试验性的自动驾驶。奥迪计划 2017 年或者 2018 年量产可达到或接近达到 L3 的自动驾驶车辆。2021 年推出 L4 无人驾驶车型。
5、百度
百度无人车所使用的传感器包括了激光雷达、毫米波雷达、摄像头、红外、惯导，以及高精度地图。百度在 2015 年年底完成了城市环路及高速混合路况的全自动驾驶。在 2016 年 7 月，在乌镇景区推出了 L4 级别的无人驾驶服务。百度已经获批在加利福尼亚州测试其无人车，将于 2021 年开始大规模生产无人车。关于合作方面，百度与福特公司 1.5 亿美元共同投资激光雷达公司 Velodyne LiDAR；百度与英伟达联合开发无人车平台。
6、长安汽车
长安汽车现在有高速环境版和城区低速版两类无人驾驶原型车，使用的是“传感融合 + 高精地图”的技术路线。原型车上采用了激光雷达、毫米波雷达、单目摄像头等传感器。长安汽车已实现了从重庆到北京的 2000 公里实际道路无人驾驶。长安计划 2020 年量产 L3 车型。
7、特斯拉
特斯拉首席执行官埃隆·马斯克（Elon Musk）于 2016 年 10 月末宣布，目前生产的车型包括 Model S、Model X 和未来的 Model 3，在生产时采用了新硬件，支持全自动无人驾驶技术，一旦美国联邦政府开绿灯后，这些汽车就可以升级无人驾驶功能了。此前，特斯拉一直承诺到 2018 年推出具有全自动无人驾驶功能的汽车。值得注意的是，2016 年 5 月特斯拉 S 型轿车在佛罗里达州发生致命车祸，这是首起自动驾驶汽车致命车祸。事发时，自动制动系统软件错把货车的白色车身当成晴朗的天空，在卡车左转弯时未能识别。司机没有控制半自动装置，结果轿车高速撞上了卡车，冲向路灯杆，司机当场死亡。
8、沃尔沃
除与 Uber 在匹兹堡合作外，沃尔沃还计划在中国提供“先进的自动驾驶体验”，100 名志愿者将在公路上测试沃尔沃 XC90，这是其 DriveMe 项目的一部分，该项目计划于 2017 年在瑞典哥德堡和英国伦敦完成对 100 辆自动驾驶汽车进行的测试。
9、尼桑
2016 年 7 月，尼桑在日本发布了 ProPILOT——使汽车能在公路上自动行驶的自动驾驶功能。这一系统最终将登陆欧洲、中国和美国。尼桑将继续为 ProPILOT 增添自动驾驶功能，直至 2020 年推出一款全自动无人车。
10、福特
福特计划 2021 年将无人车用于汽车共享或打车服务。与谷歌的无人车相似，福特无人车也没有方向盘、刹车或油门。福特计划 2017 年在欧洲测试其无人车，把测试汽车数量由目前的 30 辆增加到 100 辆。福特 2016 年联合百度对激光雷达厂商 Velodyne 投资了 1.5 亿美元。
11、通用汽车
通用汽车 2016 年宣布对 Lyft 投资 5 亿美元，联合开发采用无人车的打车服务。通用汽车 2016 年 3 月还以 10 亿美元收购了自动驾驶汽车创业公司 Cruise Automation，增强在自动驾驶汽车开发方面的实力。
12、丰田汽车
丰田宣布正在密歇根大学建立“自动驾驶汽车研究基地”，帮助丰田建设原始模型实验室，在模拟路况中进行低速车辆测试。
目前，无人驾驶发展的格局呈现两种趋势，如图所示，传统汽车公司更倾向于渐进式自动化，而以特斯拉、Google、Baidu 等为代表的科技公司是以人工智能进入完全自动无人驾驶，具有颠覆式的色彩。他们短期内发展的目标也各有侧重，传统车企以渐进自动驾驶的方式逐步提升驾驶体验，而科技类公司直接跨越到以无人驾驶完全替代传统驾驶。
前者依靠的是长期积累的整车经验和在自动控制领域的核心优势，后者则是借由人工智能的大力发展整合传感器、感知算法、计算平台等技术以实现跨越式的发展。他们在营利模式上也有所区别，传统汽车公司依然着重整车销售和售后市场的服务，而科技公司更注重内容资源、平台服务和共享经济带来的新商业模式。
来自中信证券的报告显示，预计至 2025 年，科技型公司将在智能汽车领域分得 40% 的市场，而传统车企将坚持 60% 的市场。科技型公司直接跨越到高自动化无人驾驶，作为行业新进入者并无历史“包袱”，可以实现跨越式发展。此外，科技型公司在数据融合、高精地图等方面具有技术优势，这些既有的优势将助力高速发展。通过实现布局无人驾驶，科技型公司可以将汽车变成下一个“互联网入口”。也有预测认为，中短期科技型企业依然无法撼动传统车企占据的过半市场份额。传统车企从辅助驾驶开始逐步提升，既有品牌与用户优势，且造车门槛较高，因此传统整车厂仍保有全产业链优势，产品安全可靠性更高，且消费者对传统品牌认可度较高，汽车产业不会被科技型公司完全颠覆。当然，科技企业与传统车企的合作越来越多，他们之间的联姻，包括合作与投资，也许会是激烈竞争的另外一个结果。
本节将探讨在全球化的背景下无人驾驶在各个国家和地区带来的预算、政策和监管等具体问题和相应对策。
世界经济论坛的一项调查发现，“75% 的中国人愿意乘坐无人车。” 这种观点也得到了罗兰贝格公司单独调查的印证。后一项调查显示，“96% 的中国人愿意考虑每天都乘坐无人车，远高于美国和德国的 58%。相比其他国家和地区，中国对无人驾驶的接受程度非常高，因此大规模商业化之后，无人驾驶的推广也将更加迅速。另一方面，在中国大部分无人车的监管规范的制定都在国家一级，其自上而下的做法也能简化监管规则和程序。这也是无人驾驶将在中国得到领先发展的一大优势。
因此，无人驾驶在中国的关键是要制定国家层面的无人车政策框架。中国有多个部委负责无人驾驶技术的监管（其中存在责任交叉和重复，以及碎片化的问题）。国家质量监督检验检疫总局（负责产品召回）、工业和信息化部（负责制定产业政策）、交通部（制定交通行业发展规划）、公安部（负责车辆登记、牌照管理和交通安全监督）、国家测绘地理信息局（负责执行地图信息采集规定）都有管辖权。还有其他部门负责环境保护、回收利用、商务和金融。因此需要进一步明确监管部门和监管方式。
目前，中国已经启动了 LTE-V 无线技术和频率划分研究试验工作，华为主推的 Polar 码也被选为 5G eMBB（增强移动宽带）场景的控制信道编码方案，这表明，中国已经开始全面布局基于 5G 的自主车车通信技术，以此推动无人驾驶的发展。
欧洲国家发展无人驾驶乏力的原因之一是没有很多实力雄厚的本土技术公司。欧洲在无人驾驶相关的人工智能、网络、绘图、芯片、感应器、设备和服务方面需要依靠外部企业。美国的谷歌和中国的百度等大型技术企业之所以能快速进军交通领域，其中一个原因是，它们有机会将搜索引擎技术开发获取的信息处理专长和快速学习能力应用到无人驾驶领域。
若想获得无人车领域的竞争能力，奥迪、宝马（与英特尔合作）、大众、戴姆勒、奔驰和沃尔沃等欧洲车企应该培养人工智能、深度学习、大数据分析、高精度测绘等领域的人才，这些技术对未来汽车发展至关重要。
另一反面，欧盟还应确保其数据保护规定不会对车辆和行人的移动和位置信息带来过分限制，从而抑制无人驾驶所需的高精度地图的绘制。欧盟一贯在数据收集和分析领域采取限制性立场。例如，欧盟法规限制谷歌等企业收集路况数据和绘制街景地图。就此，欧盟已经多次因此处罚谷歌，索要谷歌的数据，并对收集的资料进行限制。
最近通过的《欧盟数据保护总则》严格限制人工智能和机器学习的使用。这些规定导致很难将人工智能和高精度测绘纳入无人驾驶汽车之中，没有包含地理编码数据和利用此类信息的深度学习，无人驾驶技术很有可能将在欧洲停滞。
相比中美，日韩政府和车企一直对无人车持谨慎态度。日韩车企投入了大量资源，它们关注其他国家的情况，也在实施试点项目。但是它们对是否将无人车列为发展重点一直持谨慎态度。2016 年 4 月，丰田公司宣布正在密歇根大学建立“自动驾驶汽车研究基地”，其目标是建设原始模型实验室，在模拟路况中进行低速车辆测试，帮助公司在人工智能和高清数据绘图领域迎头赶上。
虽然做了这笔投资，公司领导却宣布“丰田相信丰田汽车绝不会发展到司机无须手握方向盘的无人驾驶状态”。
日本政府 2015 年发布指南，确定 2020 年在车内安装半自动装置，2025 年启动全自动无人车。100 韩国车企起亚和现代已确定于 2030 年完成全自动无人车运行的目标。但是它们的计划远远慢于美国和中国，在这两国，半自动驾驶汽车已经上路运行，全自动无人车也将于 2020 年投入使用。
无人驾驶在美国的主要挑战在于解决监管碎片化的问题，因为五十个州在许可、车辆标准、监管和隐私保护等领域的政策不同。目前，车企（如福特和通用）和软件开发商在多个州都面临规则和监管相冲突的问题。这会影响创新，因为企业在制造无人车时，要满足全国或国际市场的需要。
现今已有无数人投身于无人车领域，长期积累的科研结果及工程进步都致力于将无人驾驶在 2020 年成为现实。人工智能是无人驾驶的核心，但是无人车是一个相当复杂的工程系统，需要众多技术的融合与精确配合，其中包括以下几方面。
（1）算法：
算法部分包括传感，用来从采集到的传感器原始数据中提取有意义的信息；定位，用来精确地控制无人车的行驶方向；感知，用来理解车辆的周边环境，并为车辆的出行与到达提供安全可靠的规划。
（2）客户端系统：
这部分由操作系统和硬件系统组成，将配合算法部分以满足实时、可靠、安全、绿色能耗的要求。
（3）云平台：
这部分提供离线的计算和存储功能以支持测试不断更新的算法、产生高精度的地图及大规模的深度学习模型训练。
我们即将进入混合模式的时代：2020—2040 年。
在这 20 年间，传统的人为操控汽车及无人车将共存。考虑到每一辆机动车的使用寿命是 10~15 年，我们可以预见这一人为驾驶 / 无人驾驶的情况将持续至少 20 年。早期的无人车被设计为能够理解并能处理传统的面向人为驾驶的交通系统。
随着无人驾驶的普及，交通系统将逐渐演化为对无人车更友好的模式，交通灯、Lanes 及 Stop Sign 将进一步装备在路感应器，以更好地辅助无人驾驶。此外，无人车之间的通信将急剧增加，因此能够更好地完成行驶过程中车辆的动态协调。在这一背景下，持续产生的大量数据将推进 AI 算法的持续修正与进步。
到 2040 年，预计所有的汽车将完全转变为无人驾驶模式，今后人为驾驶会成为一件罕有的事情，甚至于由于缺乏足够的安全性被判定为非法行为。届时，我们将迎来全新的交通生态系统，在这个生态下，所有的车辆都是集中控制模式。基于无人驾驶的自动交通运输将像供电、供水一样，成为日常生活中的基础设施。得益于改进的导航系统及传感器对路面和车辆老化状况的检测，传统汽车行驶中的交通事故由现在的每年超过百万起降低至几乎零事故。
当然，正是因为无人驾驶驱动的公共交通对资源的有效共享与分配，整个城市的交通系统只需要较少量的汽车便可以正常运行。一方面能源的使用效率将被极大程度地提高，另一方面将大规模地替代使用新能源，因此，传统化石燃料造成的空气污染将被大规模地降低。我们迫切地期待着无人驾驶的到来。
如果你想了解更多无人驾驶技术细节，这里有免费课程... 无人驾驶是一个复杂的系统，涉及的技术点种类多且跨度大，入门者常常不知从何入手。为此， StuQ 特别邀请 PerceptIn 联合创始人、加州大学欧文分校计算机博士、前百度美国研发中心无人车系统技术架构专家刘少山老师，为大家分享“一小时搞懂无人驾驶学习路线图”。为你的无人驾驶学习之路答疑解惑！
