目录：
一、无人驾驶的概念及发展现状
二、无人驾驶需要解决问题
三、无人驾驶的关键技术点
1、无人驾驶两种技术路径（传统车企业路径、互联网企业路径）
2、激光雷达（单独拿出来是为了区别传统传感器）
3、车联网（重点介绍V2X）
四、上市公司简要对标（初步挖掘简略版、详细对标还需进一步挖掘）
一、无人驾驶的概念及发展现状
无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。其依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
无人驾驶主要原理在于通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标;同时通过车载传感器感知周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。
无人驾驶技术是一个非常宽泛的概念，它包含了很多汽车辅助技术。按照这些技术让汽车达到无人驾驶程度，一些机构对它进行了级别的划分。目前有两个比较权威机构。一个是美国机动工程师协会（SAE），另一个是美国高速公路安全管理局（NHTSA）。SAE将无人驾驶程度分为5个级别，它的分类标准是按照司机从完全掌控驾驶到汽车完全自动驾驶，NHTSA将无人驾驶分为4个级别，两者之间划分原则基本相同，只是SAE对高度自动化驾驶划分更细一些罢了。
从目前发展情况看，自动驾驶作为汽车技术的发展趋势已经得到业界广泛认可，自动驾驶 1 级(个别功能自动)已经得到基本普及，其他级别发展情况不一；自动驾驶 2 级(多种功能自动)普及度不断提高。欧盟 2012 年就出台相关法规，要求所有的商务车辆都要在 2013 年 11月之前安装好紧急自动刹车系统AEB，2014 年起，所有欧盟市场销售的新车都要配备 AEB，没有配备该系统的汽车都不能获得 E-NCAP 五星级的安全认证。Volvo 的城市安全系统、本田的 CMBS、奔驰的 Pre-Safe 都属于这个层次，目前英菲尼迪的新车已能够自动控制方向盘。自动驾驶 3 级(受限自动驾驶)目前已形成雏形。戴姆勒的奔驰 S 系轿车可以在堵车的情况下自动跟车。自动驾驶 4 级(完全自动驾驶)目前应用很少。这个级别是各大主流车企及谷歌、百度等互联网公司致力于达到的终极目标，驾驶者完全不必操控车辆。
二、无人驾驶需要解决问题
1、更好的软件
目前我们开车发生安全事故几率不是很高， 相对而言比较安全，但是无人驾驶汽车需要比这更安全。但是就目前软件的情况，这比较难以实现。这主要是目前技术限制，我们所有的笔记本、手机或者其它电子设备上的软件都不能保证长时间操作而不发生死机或者卡顿的情况，试想如果我们汽车内软件发生了错误，那么将会是多么严重的事情。因此软件设计是其中很重要的一个环节。
2、需要更加细致地图
如果我们要到一个地方去，无人驾驶汽车必须要有一个特定的路线，这就需要用到地图导航的功能。但是要轻松的应对目前城市道路情况，目前地图细致程度还没有达到要求。就Google而言，Google无人驾驶汽车都对试驾场地地图进行了强化，这样汽车就知道街道具体情况，如果碰到障碍可以轻松应对。为什么需要一个细致的地图，主要是因为目前汽车传感器技术和应对策略能力有限。但是目前不论那个地图提供商，对目前道路描绘细致程度都不够。Google也只是绘制了全美640万公里道路其中的3220公里，完成这个目标是个庞大的工程。
3、更加优秀的传感器
无人驾驶实现的最基本要求是汽车必须具有视觉，怎样让汽车看到周围的一切呢？这就需要优秀的传感器了，让它能将周围的环境转换汽车电脑能够识别的语言，让汽车提前预知到危险。怎样的传感器才算是优秀传感器呢？例如路面上钉子和坑洞对汽车会造成威胁，汽车必须能够对它进行感知，但是如果地面上是普通的落叶呢？那么汽车能否出来识别出它是落叶还是钉子。就目前传感器，恐怕还达不到。无人驾驶汽车还必须快速判断路边行人或者汽车是否突然进入自己车道，这需要很快判断，目前传感器处理速度还未达到。这也就埋下了隐患。
4、汽车之间能否进行有效沟通
无人驾驶汽车要做到面对各种路况都能够行驶自如，甚至能够智能规划路线，车与车之间的沟通是少不了的。这样每个汽车在拥堵的时候，共享数据，然后再重新绘制自己的驾驶路线，避免拥堵的产生。但是现在如何做到汽车之间有效沟通，技术上还有待突破。
三、无人驾驶关键技术点
无人驾驶核心技术主要包括信息传递（车载网络）、环境感知（传感器）、定位导航（航迹推算、惯性导航、卫星定位、路标定位、地图匹配定位、视觉定位）、路径规划（环境地图、算法）、运动控制（油门控制、制动控制、主要算法、前馈与反馈控制系统等）几个方面。总结起来主要是智能化和网联化。由于涉及内容繁多，本文主要从两种智能化技术路径、传感器、车联网三个部分对无人驾驶进行浅析。
1. 两种无人驾驶技术路径
现有企业发展无人驾驶主要有两种路径: 1、对传统整车厂来说,采取“从硬到软”、逐步从ADAS过渡到自动驾驶是它们所愿意看到的无人驾驶实现路径；2、而以百度、谷歌为代表的互联网企业是以算法和系统为核心对硬件制造企业进行整合, 以人工智能、高精度地图和激光雷达等技术综合实现最高级别无人驾驶，未来商业模式主要是向整车厂提供无人驾驶系统以及软件服务,相对较为开放。未来两条无人驾驶之路或将共存。
1）传统车企业技术路线(ADAS)
先进驾驶辅助系统（Advanced Driver AssistantSystem），简称ADAS，是利用安装于车上的各式各样的传感器， 在第一时间收集车内外的环境数据， 进行静、动态物体的辨识、侦测与追踪等技术上的处理， 从而能够让驾驶者在最快的时间察觉可能发生的危险， 以引起注意和提高安全性的主动安全技术。ADAS 采用的传感器主要有摄像头、雷达、激光和超声波等，可以探测光、热、压力或其它用于监测汽车状态的变量， 通常位于车辆的前后保险杠、侧视镜、驾驶杆内部或者挡风玻璃上。早期的ADAS 技术主要以被动式报警为主，当车辆检测到潜在危险时， 会发出警报提醒驾车者注意异常的车辆或道路情况。对于最新的ADAS 技术来说，主动式干预也很常见。ADAS是无人驾驶实现必由之路,渗透率持续提升。
实现ADAS第一步是借助于传感器感知行车周边环境信息,其中雷达系、视觉系传感器各有所长,传感器融合、优势互补是未来的趋势;第二步是依靠深度学习和算法对获取的信息进行处理决策,以Mobileye为代表的算法公司崛起显示了算法层在产业链中的核心价值;第三步是通过具体的执行器完成指令动作,零部件厂商凭借精密电控技术和对整车底层系统的理解在执行层环节具有先发优势。
ADAS系统主要由GPS和CCD相机探测模块、通信模块和控制模块等组成。其中，GPS和CCD相机探测模块通过GPS接收机接收GPS卫星信号，求出该车的经纬度坐标、速度、时间等信息，利用安装在汽车前部和后部的CCD相机，实时观察道路两旁的状况；通信模块可以发送检测到的相关信息并在相互靠近的汽车之间实时地传输行驶信息；控制模块可以在即将出现事故的时候做出主动控制，从而避免事故的发生。
2).百度谷歌等互联网厂商
与整车厂商不同的是，互联网厂商始终以颠覆式的姿态进入。互联网厂商则直接从无人驾驶切入，以人工智能、高精度地图和激光雷达等技术综合实现最高级别无人驾驶(任何时间、任何路况自动驾驶)。 “传感器+高精度地图+云计算”目前被业内认定为“最靠谱的自动驾驶方案”。下面以百度为例进行介绍。
人工智能与过去相比，区别在于给它很多数据，它自己能不断提升它自己的能力。核心因素如下：第一就是优秀的算法。关键的因素是人才的优秀程度，它考验的是工程师的水平。第二大关键要素是云计算规模。三年前百度用 48 台服务器搭建了比较小的规模云计算，当时已经相当于中国 2 个天河一号超级计算机的运算能力。第三个关键要素是知识，也就是海量数据，当运算能力很强，算法很好的时候，就看数据，谁的数据多，谁的人工智能的智慧程度就会更高。
无人驾驶汽车开出去，它遇到的每一个新的情况都在学习新的能力，不是在汽车里学，是把新的情况上传到云端，到了数据中心。这里有海量的信息、场景，这些汽车在数据中心里学习怎么处理新的情况、新的场景。随着云端能力的加强，它学会处理各种各样的场景，它要把这个数据和产生出来的模型的东西简单化、缩小化，下载到每辆汽车里。每个汽车遇到任何一个它过去知道的场景的时候，它就知道怎么处理。它遇到不知道的场景的时候，它会赶紧上传到云计算中心，就是经过这样的循环往复，人工智能能力随着时间，随着规模的不断加大、不断提升、不断加强。
百度拥有全球最大的「深度学习」网络，支持参数数量级最根本的指标是万亿级的参数;百度基于「深度学习」做人工智能产品，比如综合语音识别，在安静的环境下，在标准的普通话情况下，我们人类听的能力是 98% 的准确率，百度能达到 97% 的准确率，在车载环境下普通化识别率达到 92 %;图象识别能力准确率达到了 89.32%，达到全球第一。这是无人车上路的重要技术基础和积累;百度的高精地图和地位能力，GPS 定位误差在 5 米左右，百度去年地图定位的准确度和精度在 10 厘米左右。
2.激光雷达
1）各类传感器优缺点
传感器是自动驾驶汽车的眼睛，要让自动驾驶系统代替人类驾驶员，头等大事就是在任何时间、任何地点“看清”周围环境。行车环境复杂，汽车没法单靠一种传感器胜任全部工作。本着“谁行谁上”的原则，摄像头、激光雷达、红外雷达、毫米波雷达发挥各自优势，分工完成了全套感知，保证在不同时间气候下，360度范围内检测车道、交通、行人、标志、刹车灯和路障等各类实时信息。
以摄像头图像给人开起来很直观，但是给计算机看起来比较费劲，尤其是在极端光照条件下，目前所有图像算法都不能用。太阳光直射、目标反光、强阴影等问题都是摆在图像面前的拦路虎。相机可以获取rgb信息，得不到深度信息，通过图像恢复三维信息受光线、路况纹理特征的影响较大，精确度也低。目前也有rgb-d相机，但好像很多是采用红外信息获取深度的，抗干扰不行，分辨率也低。雷达的点云测距很准，点云在障碍检测和车辆跟踪相对视觉有较大优势，但是对识别类任务不太擅长，比如路标识别，行人检测等，由于目标较小，打在目标上的点很少，识别难度大，还有路标主要依靠颜色和图案，是点云不能提供的，这方面还是得依靠视觉。3D激光雷达可以直接获取准确三维信息，探测距离远，精度也较高，只是目前价格还较高，百度那款激光雷达需要70W,而一款velodyne的低端3d lidar，折算人民币价格要差不多5w以上。1. 旋转机构增加成本，导致价格昂贵，2. 旋转结构降低了可靠性 3.旋转机构不方便安装，只能装在车顶，带来诸多问题。希望能用电子机构代替机械旋转结构，同时提高分辨率，降低成本，这样的话3D的前景很好。
2）激光雷达
激光雷达最擅长的部分是障碍探测与障碍追踪。与雷达原理相似，激光雷达使用的技术是飞行时间（TOF，Time of Flight）。简而言之，就是根据激光遇到障碍后的折返时间，计算目标与自己的相对距离。不过据业内人士介绍，激光光束与声波相比更加聚拢，因此可以准确测量视场中物体轮廓边沿与设备间的相对距离，这些轮廓信息组成所谓的点云并绘制出3D环境地图，精度可达到厘米级别。用激光雷达看世界，效果好比近视戴上了合适的眼镜。
这种精度对上路行驶的全自动驾驶汽车而言，更加安全。毫米波雷达可以发现路边障碍，但只能“看到”模糊形体。而厘米级精度可以清楚区分出障碍是道牙还是斜坡，自动驾驶汽车断定是斜坡后，就可以做出安全开上车道的决策。当然激光雷达并非万能。对于环境颜色信息的区分，激光雷达不够直接、快捷，而这方面正是摄像头的强项。毫米波雷达可以快速获得速度信息，并且在雾天衰减率低，穿透性好，这点与激光雷达相比，是其优势。遇到传感器束手无策的天气，就需要借助高精度地图。如谷歌自动驾驶豆荚车的案例，暴雪覆盖路面的时候，豆荚车就在高精度地图基础上，定位计算马路车道线位置，确定行驶轨迹。激光雷达描绘周围图景，线数、点密度、水平垂直视角、检测距离、扫描频率、精度是几个主要的参数。
两种激光雷达车用方案
以地图为中心：谷歌、百度、Uber等企业采用“传感器+高精度地图+云计算”方案，其主要传感器就是3D激光雷达，利用车顶3D激光雷达绘制高精度地图。高精度地图为汽车提供全局视野，尤其擅长预告检测范围外的道路情况。云计算保证传感器数据更新上传，让高精度地图始终处于最新版本并下发车辆。
以汽车为中心：但是对大多数车企而言，他们更想要一款专为汽车量身定制的激光雷达产品。首先，和测绘专用的笨重“大花盆”相比，小型激光雷达和汽车更配。在车企观念中，为了兼顾驾驶乐趣和风阻系数，自动驾驶汽车和普通汽车在外观上不该有任何差别。激光雷达最好能被做成小体积直接嵌入车身，这就意味着要将机械旋转部件做到最小甚至抛弃。其次，嵌入式安装方式导致的监测范围遮挡，可以用多点布局的方式覆盖整车360°视角。
随着自动驾驶汽车的普及和智能交通的全面覆盖（我们后面会谈到车联网），激光雷达的数量会越来越少。未来路上实现自动驾驶的车辆越来越多，车尾的激光雷达可以逐渐取消，所需检测可由后方车辆前脸激光雷达代劳。一些欧美城市开始陆续在十字路口布置激光雷达，车身布置的激光雷达数量也相应减少。并且当“智能网联”逐渐变为寻常，各处汇入的信息也会减少激光雷达的负担。
最后，在保证上述功能的前提下，成本也是无法忽略的因素。Velodyne64线激光雷达目前售价7万5千美元，但这款产品本身定位试验级别而且用于地图行业，把它与车用激光雷达比价并不恰当。从真正为汽车量身定制的产品来看，一批低价车用激光雷达正在准备进入市场。电子激光雷达还在实验阶段，机械激光雷达作为成熟技术，仍为市场主流。
3、网联化
智能化和网联化是无人驾驶的两翼，网联化可以理解为大家好才是真的好。车联网通信是发展车联网产业的关键环节，为满足汽车防撞预警、自动刹车、车与路侧设备（如智能交通监控设备）共享信息等方面的需求，车与车之间、车与路侧设备等智能交通设备之间的通信，必须达到低时延、可靠性高且具有自组网功能的要求。车联网通过整合全球定位系统（GPS）导航技术、车对车交流技术、无线通信及远程感应技术奠定了新的汽车技术发展方向，实现了手动驾驶和自动驾驶的兼容。车联网技术：V2X，V2X包括车与车、车与道路设施、车与行人互联，可以获得实时路况、道路信息、行人信息等一系列交通信息。
V2X对传输有更高的可靠性和延时要求。DSRC和LTEV是两条主要技术路线。DSRC作为Wifi的升级版技术较为成熟，但国内积累不多。LTE-V共用4G网络，各项指标更优。国内4G网络铺设较为领先，LTE-V更受产业青睐。LTE-V综合能力更强也更符合中国国情。在LTE-V中，蜂窝通信与直接通信技术分别为LTE-V-Cell和LTE-V-Direct。LTE-V-Cell利用现有的基站和频谱进行蜂窝通信，LTE-Direct作为一种自组织网络，在较小的的范围内进行V2X通信。
LTE-V的优势：
LTE-V作为一种基于LTE的增强技术，则不仅拥有LTE相对于无线局域网的技术优势，还在时延和可靠性等关键指标上进行了改善。
1）更小的时延和时延抖动。为保证交通安全，实现实时通信，V2X通信的关键是实现相对于普通交通系统更低的时延，要求通常要小于100ms。基于DSRC标准的802.11p在5.9GHZ频率短距离通信的系统时延超过100ms，而LTE-V通常为50ms。并且，由于DSRC传输质量难以保证，时延抖动通常很大。LTE-V在满足时延要求的前提下，也有更小的时延抖动。
2）更高的可靠性。可靠性直接影响信息传输的质量以及控制执行的操作，是智能驾驶服务提供的重要保障，V2X通信对可靠性有很高的要求。数据包传输率（丢包率的反向指标）是衡量数据传输可靠性的主要指标。根据大唐电信对LTE-V-Direct方案的仿真测试，两种V2X通信方式覆盖范围均低于1000m，而在覆盖范围内，相对于基于802.11p的DSRC，LTE-V-Direct在各个传输距离的数据包传输率明显上升，可靠性程度均上升15%-25%。
3）更大的系统容量。统容量汽车保有量和销售量的增长使得交通系统中的联网汽车更加密集，系统容量的大小因此成为V2X通信性能的重要衡量指标。相对于单播和广播的方式，LTE-V-Direct的点对点通信拥有更大的系统容量，这也是LTE-V技术中应用D2D的初衷。V2X通信的系统容量通常用可容纳的车流密度衡量，即在某一瞬间单位长度的一条车道上的通信系统可接入的车辆数。根据大唐电信的仿真测试，在可容纳的车流密度方面，相对于单播和组播的通信方式，LTE-V-Direct分别有257%和39%的提高。
4）技术演进方向明确：5G。LTE-V是基于TD-LTE的演进技术，相对于LTE，在时延、可靠性等方面进行了优化，使其更符合车联网的应用场景需求，可看成是LTEAdvanced。显然，5G是其未来的演进方向。相对于4GLTE，5G不仅在时延可和可靠性方面进行了改进，诸如多址接入、超密集组网、全频谱接入等关键技术也将得到突破和应用。因此，技术演进的路径非常明晰。而基于802.11无线局域网标准的802.11p，未来的演进路径不清晰，将在未来的一段时间制约V2X的发展。
5）低成本助力商业模式形成。基于802.11p的DSRC技术的组网需要新建大量的路侧单元（RSU），这种类基站设备的新建成本较大。而作为专用短程通信技术，还需要915MHZ/5.8GHZ/5.9GHZ等专门的频谱资源。在协议标准各异，前装技术不统一，车联网服务平台无法互联互通的情况下，硬件产品的成本也将比较高昂。而LTE-V直接利用现有的蜂窝网络，使用现有的基站和频段，组网成本明显降低。在全球LTE标准统一性较高的条件下，车联网相关的硬件产品有望标准化规模化生产，成本降低可期，商业模式更易于寻找。
基于通信安全和国内企业未来发展的角度，中国通信业界和中国政府更倾向LTE-V技术。 我国将于8月发布“智能网联汽车技术发展路线图”。该标准体系框架将明确智能网联汽车的基础定义、应用安全与分级、车辆的控制交互与信息处理等方面，并为通讯协议、界面街头等制定标准。这套标准体系框架包括基础、通用规范、产品与技术应用、相关标准四个主要部分。其中基础和通用规范涉及到网联化共性的基础标准；产品与技术应用涉及到具体的设计标准，是该框架的主干部分，包含：信息采集、决策报警、车辆的控制等方面的细则。而相关标准则涉及到信息交互、通讯协议、接连接口等。技术路线图的发布，将为国内车联网技术确定明确的智能设备接口标准、V2X通讯标准、CAN总线标准等，是无人驾驶技术的一大飞跃。
技术突破，标准先行，3GPP预计最快今年9月冻结LTE-V2V相关标准，LTE-V随之将进入商用化进程。2017年年中冻结V2I、V2P等标准。标准冻结意味着LTEV2X商业化的正式起航，LTEV商用化芯片标准冻结后一年内上市。
LTE-V标准冻结影响堪比NB-IoT标准冻结，相关板块就加大受益。
