李升波：智能汽车的核心技术和未来之路

4月23日，由牛车网和汽车智能举办智能汽车沙龙上，清华大学汽车工程系副教授、智能交通学者李升波介绍了智能汽车的核心技术和未来之路。

李升波（清华大学汽车工程系副教授、智能交通学者）：各位媒体的朋友，各位牛车网的同仁们，还有我们的海兰女士，非常感谢你们邀请我来参加今天这个沙龙活动。坦白讲，我不是什么特别的 专家，只是在智能汽车领域进入得早一点，做了一点技术研发工作，稍微了解了一点。今天非常高兴借这个机会能够和各位一起来分享我在智能汽车方面的一些体会和心得。内容会稍微偏一点技术方面。我会用通俗的语言来跟大家讲解。

由于时间有限，我讲得会稍微快一点，如果有什么问题大家可以随时打断我，一块儿来探讨。今天我准备的题目是“智能汽车的核心技术和未来之路”。为什么我今天特别想跟大家分享一下核心技术呢？我想，整个智能汽车发展的大的趋势和内容媒体朋友已经特别熟悉了，应该是比我更擅长去解读。但是，就像刚才海兰讲到，我们汽车在发展过程中有很多吵杂的声音，我看到很多人在讲智能汽车，但是对智能汽车的理解不够细致，所以就想跟大家分享一下，希望我能够把技术的体系和大家一起梳理一下。

我今天从现代道路交通的事故说起。实际上我们整个中国2020年的目标是一个非常严酷的发展目标，我们希望万车死亡率接近中等发达国家的水平，乘用车的油耗达到百公里5升。大家都在开车，现在内燃机的汽车油耗大概是7到8升，稍微差一点的车是在10升左右。汽车的污染物排放量我们希望能够减少30％到80％。大家可以看得出到2011年，汽车的死亡率中国大概是美国的6倍，是德国的10倍，是日本13倍。可想而知，我们想要达到这个目标会有多困难。

汽车在道路交通的 “人、车、路” 各要素之中，人是最重要的环节。什么原因呢？其实人在长期地进化，使得我们各种器官、认知系统以及我们的行为准则系统都特别适合步行和跑步的速度，并不适应高速运动的汽车。进入到智能化的时代，实际上是车辆传感器的引入，我们有可能通过传感的技术采取自动控制的措施，来实现人、车、路统一的协调。

什么是自动汽车呢？其实这个概念本身是非常广的，用一个很简短的内容很难描述智能汽车的全部内容。我在这里提一个最普通的定义，“智能汽车是具有环境认知、自主决策和自动控制能力的汽车”。我们开车的时候，是通过眼睛、耳朵、手、脚和汽车系统的交互来体会的。“我们到底是处于一种什么样的环境？”“我是要超车还是要变道呢？”等等，这是决策方面的内容。

什么是自动控制？人通过手来控制方向盘，通过脚来控制踏板，智能汽车就需要用智能来完成这些内容。在国际上最耳熟能详的智能汽车是谷歌的无人驾驶汽车，在2013年的时候谷歌智能汽车获得了首例的驾驶牌照，已经行驶了30万公里，当初事故还不是特别的多。现在程达到了600万公里。在刚刚的消息是谷歌的智能汽车和一个公交汽车撞在了一起，这是它的决策系统出了小误差，我们如果来看谷歌的无人汽车，就是有基本的环境感知、决策还有控制能力。

下面我们要解释一下，智能汽车到底是个怎么样的体系。我们现在经常讲的智能汽车在多数人的眼里是这种谷歌层面的智能驾驶汽车，其智能驾驶汽车智能化的水平是分为3级的，跟大家分享一下。

完全没有智能化的，手动化的汽车就是手动驾驶汽车。从智能化水平的低到高，我们分为驾驶辅助级别的智能汽车，半自动化的智能汽车，高度智能化的智能汽车，还有完全自动化的智能汽车。驾驶辅助型智能汽车是能够在单个的方向实现一定自动的功能的，比如说我们现在能够看到的车道偏离的预警系统等，这属于这一级别的智能汽车，这一级别的智能汽车主要的功能是有一定的传感器来代替人类的感知，危险情况发生时，给驾驶员一个预警的信号，这是基本功能的模式。这个体系是美国的NHTSA的标准，很多国家的标准都是这个标准。后面我会讲具体企业发展的脉络。

下面讲讲半自动化，半自动化是在动向方向、前进方向有自动驾驶功能的，或者说是横向方向有自动驾驶功能的，这个就是半自动的智能汽车。比如说，有的车的ACC系统，还有LKS系统。我们现在最常说的无人驾驶系统是高度自动化的无人驾驶系统。这种汽车是集成了前面的驾驶辅助、半自动化功能，然后它具体的经营是在结构化的道路，也就是在比较好的城市道路，比如说在四环路、五环路，或者说城际告诉公路上，这样的叫做高度自动驾驶汽车。完全驾驶汽车还没有人做到，这一点这是我们的理想和目标了。

再来看，这是我总结的国内外做无人驾驶汽车产业化的大概时间点。我们可以看到，谷歌原来计划是在2018年来做这个系统推向市场，包括通用、宝马、尼桑也计划在2020年将无人驾驶推向市场。我了解到几乎所有的IT行业和汽车行业都计划在2020年到2025年间，将刚才所说的，类似谷歌的无人驾驶汽车推向市场，这是这个行业起步的时间节点。

主要的汽车行业还有IT行业，他们在制定发展脉络的时候都借鉴了我刚才所说的四级的智能化水平的发展脉络，沃尔沃是四级的发展脉络，德国博世公司都是四级的发展脉络。

下面再跟大家分享一下无人驾驶汽车到底有什么技术？为什么能够实现无人驾驶的功能呢？主要是跟大家分享一下它的关键技术。从无人驾驶功能的实现方案来说，智能化汽车的核心技术主要是通过传感器、控制器和执行器来代替人对于环境的认知、人的行为决策和驾驶操作，尤其是在环境认知和行为决策里面，大量的使用了我们所说的技术，机器学习、人工智能，这也是现在人工智能非常热门的原因。也是百度为什么请到了斯坦福的教授作为他们的首席科学家的原因之一，就在于他的认知和行为决策里面大量的使用编译的智能化算法。如果说我们进入到无人驾驶系统，无人驾驶汽车的内部功能分为这几个模块。我们有摄像头、雷达、GPS导航系统，然后我们通过两个关键技术，一个是车辆的环境感知技术，一个是多元传感器融合技术。

在决策的方面一般会分为3个层级的决策。首先是人，我们从清华大学到天安门，首先要知道在什么道路行驶，这是导航要做的工作，有了导航推荐的路线之后需要任务层的决策，有了任务层的决策我们在道路上要规划一下车辆行驶的轨迹。当然在整个的算法之中，我们要考虑人和车的交互行动。因为人最终是智能汽车的使用者，它的特性决定了智能汽车的外部表现，同时我们希望能够满足一些性能，比如说安全性、经济性、舒适性、交通的平顺性。

环境感知是智能汽车的瓶颈，我在跟美国的朋友开玩笑说，“谷歌的无人驾驶汽车能够在美国跑，但是不一定能够在北京跑，因为北京道路交通要比美国道路交通复杂10-20倍。”在交通环境中，尤其是城市交通中，人、自行车、车辆会有各种各样的复杂情况。另外我们不可避免有雨、雾、霾等等，怎么能做到百分百的检测呢？这就是为什么无人驾驶汽车难做的原因。我和很多人开玩笑问，“做无人驾驶汽车，你们有多少团队成员？”有人告诉我有10个人。我说，“你们的投资资本是1千万，肯定是干不成的。”谷歌的团队你们猜一下有多少人来做无人驾驶？50个人？100个人？500个人？你们选哪一个？到去年为止327个人，从最早开始研发的2005年到现在已经过去了11年，谷歌的车刚刚获得了现在的这个程度，所以它的困难可想而知。

我们来看现在主流的解决技术方案，以谷歌为代表的无人驾驶环境的感知，主要的方案是翻译地图与扫描式雷达。不同的企业有不同的解决方案，我个人比较偏向于这个方案，什么原因呢？我们一般有两个解决方案在环境感知领域，一个是以谷歌为代表的，也就是说从机器人领域。另一套解决方案是从传统的驾驶员辅助系统过来的，是用低成本的雷达来感知到的。它的优点是能够全方位的感知到周围3D的信息，这样成本非常高，数据量非常大，对整个算法的要求非常高。到目前为止我知道做成的只有谷歌公司。其他的很多公司也做了很多环境感知的，但是没有做到这个级别。

我们来看一下这个传感气探测到周围的景色是怎么样的。它看到的周围环境描述都是一个点一个点描述出来的，然后通过图像处理的方式能够识别车、行人、障碍物等信息，最后结合地图来实现车辆对环境的感知，我们简单的看一个视频来了解一下，一个无人驾驶汽车他到底看到什么信息？

我们来看一下无人驾驶汽车能够看到什么信息。它就是看到这些信息，然后它要用相应的技术来处理这些信息，这是实际道路的场景。为什么这个技术能够做成呢？因为这是有可能做到非结构化道路识别的技术。就像是这种没有任何标志的道路，只是一个乡村道路，它是可以做到识别的。这是在城市工况的一个结果，这是实际的场景，这是这个车的位置所看到周围的环境体系，大概是这么的一个情况。

这是第二个方面，第二个方面是多元传感器融合技术。我们也有朋友是从投资行业来的，这个是决定了最终能够达到什么高度的一个关键。这是多元传染器融合方案的具体地点，大家可以看到一个车的周围要用到多少的传感器才能把周围的环境安全地覆盖到。这些细节我们都不看了，非常的困难且具有挑战。其实这个技术目前做得好的我没有看到，所以难度很高。

我们再来看决策。决策和轨道的规划是无人驾驶汽车的核心内容，决定了车在道路上怎么样跑。目前的决策一般是模拟人的决策方式。实际上，人开车的时候是把决策分为3个层级，第一个层级是人要决定我从清华大学到前门，走什么道路？我是走四环还是走三环还是走二环呢？什么地方进四环，什么地方出四环？第二，什么是引导层呢？到了道路上我是要超车呢还是跟着前面的车跑？还是怎么办？这是引导层的内容。第三是操作层的内容。我具体指导我要超车了，那我就加一点油门，然后我打一下方向盘，然后从左侧的车道超过去。所以就是这操作层的主要任务。具体的方法就是我们刚才讲的利用机器学习的技术来完成。跟普通的轨道规划有什么区别呢？本身的轨道规划非常的困难，它的困难来源于多种因素。第一个是车辆本身，我们的车不是说非得某一方向移动的。这个系统从学术上来讲是非完整约束系统，人对周围的环境是有一个大概的预期的。旁边的车是出租车，开车的司机行为比较烈，我离得远远的。但是智能汽车知道吗？他不知道这个是一个出租车，也不知道是不是比较保守的驾驶员，尤其是在拥堵的情况下。比如说我们在四环上堵住了，我要加塞到旁边的车前面，智能车能会挤吗？他能够做出这个决策吗？谷歌的驾驶汽车做得就够好了，但是在和公交车挤的时候，他还是失败了。如何去预测周围的环境，这是一个非常困难的任务。

我们来看一下戴姆勒S500的路径规划是怎么样做的？戴姆勒这一辆车所感知到的周围的环境的信息，可以看到它比刚才的所看到的信息会更少，如何利用这么少的信息去做决策和判断呢？大家想想难度可想而知，人的眼睛所看到的东西比这个信息要丰富太多。

这是实际所看到的所有的信息都在这边，然后这是对应的真实的场景是这样的场景，智能汽车所知道的信息就只有这些。

由于时间的关系，我们快一点往下走。最后一点是执行器，执行器的技术基本被汽车供应商所把握着，比如说德国的博世公司，美国的德尔福公司，因为智能汽车基本执行器，一个是线控转向系统，这个系统是从一级供应商过来的，一个是驱动系统，直接控制发动机的ECU，发动机ECU能不能给你开放端口，这决定了你的智能汽车是否能够配套到车上去，这也就是很多公司同时要造车的原因。第三就是要控制制动，制动是我们要把送到两个执行期里面去，一个是EBS里面去，另外一个是ESP系统里面去，如果说这些系统控制端口的命令不给我们公开，可能这一家公司只能够停留在样车阶段，很难的去进行产业化。这一块的内容我就说，因为商业化的原因，有很多的挑战，它的控制的难点有两个，第一个难点是我们称之为轮胎动力学的特性，轮胎的特性是一个特殊的非线性的系统，这是非常困难的，所以我们可以看到，目前谷歌公司和国内很多无人驾驶的汽车，他们很多的环境，道路也没有雨雪，但是无人驾驶汽车考虑雨雪，在这样的环境下车的控制是非常难的。这个视频我自己在美国的斯坦福大学和他们合作所做的一个研究，然后大家可以看一下，我希望也是做无人驾驶汽车，但是它的环境信息和决策我们认为是已知的，我们主要看怎么样能够达到比较好的极限的性能。这个是做了一个极限的一个甩尾一样的，我们希望能够像跑车的驾驶人一样做到甩尾，能够在极限的情况下去跑。目前的技术水平在实验室能够做到，但是如何推到产业上还有一定的距离。

最后的一个关键的技术，很多做无人驾驶的公司不会提的，包括我们也看到不太多的，就是人机交互基础，为什么人机交互重要呢？这是因为无人驾驶的功能跟传统汽车的区别有关系的。传统汽车它主要的任务是由人进行操作的，所以它要研究人的特性来保证汽车的安全性，它的一个很重要的，传统汽车一个很重要的观点就是要吸引人的特性，让人不要疲劳。但是智能汽车不一样，智能汽车上人可能是在喝咖啡、读报纸，是放松的状态，所以智能汽车有一个很重要的事就是要保证人的驾驶警觉性，这是无人驾驶汽车非常重要的难点。我不知道大家是否有乘坐过一个无人驾驶汽车？当你乘坐这个汽车的时候，你感觉不知道这个车要干嘛，总是很快速的加速、转向，到底是要干嘛？你不知道，你会对他有很强的不信任感，你不信任的话，怎么样去用这个功能呢？所以这个就是决定市场化的一个最后的门槛。

最后我们讲几个简单的例子，就是现在做的一些辅助功能的，还有全自动驾驶的无人驾驶的汽车，通用公司有一个系统，这个系统是集成了纵向和横向的自动控制功能。这个是我参与在国内的一个无人驾驶汽车的开发，是郑州宇通客车的无人驾驶功能。这个汽车，我们用的传染器的系统还是多个传感器，然后我们做成了这样的模式，他能够实现的功能是在高速公路的路况下能够做到完全的前向驾驶。这是我们所做的视频，在郑州的开封道路上我们做了这个测试。我刚刚参与的一个项目是长安的无人驾驶汽车，可能大家熟知的也知道，刚刚完成了从重庆到北京的无人驾驶，我们是帮助他们做了传感系统、决策系统和控制系统，但是到目前为止我们还没有人机交互的系统，目前还是在技术开发的阶段。

这是我比较喜欢的视频，也是沃尔沃的朋友做出来的，就是它的队列系统，将来在道路上行驶的时候，无人驾驶车不会孤立的在跑，也可能是组队的跑，目前这个概念的测试已经开始了。比如说瑞典的项目，日本还有一个项目，美国也有这样的一个项目，他们都在这个方面做了很好的测试，我们希望无人驾驶汽车跟车的距离能够进一步的缩短。

抱歉我的演讲非常的长，最后我来结束我的演讲。我还是重复我刚才所讲的观点，无人驾驶汽车的开发难不难？以我这十年多的经验来说，我认为非常的困难，大量使用各种各样的先进技术，这和传统的很多技术的开发完全不一样，这是我们的困难点。将来无人汽车的开发有哪些技术和问题更值得关注呢？我大概的总结一下，第一是对道路交通的环境认知能力有待提高，对环境规划的判断能力仍然不足，能够达到99％的准确的判断，但最后的1％很可能决定了无人驾驶汽车的成败。第三个刚才也讲到，无人驾驶汽车跟人的交互，目前还没有公司在做，这个问题有可能会制约无人驾驶是否能够推向市场化。最后也就是政府关心的问题，你的无人驾驶汽车，你的IT行业或者说是汽车行业，你们造出来了、卖出去了、盈利了，但是对整个道路交通有无益处呢？如果没有益处反而会降低交通的效率，政府反而不会答应这个车的上路。最后一点也需要去分析和研究的，是智能汽车进入到交通之后，与交通的匹配的能力怎么样去做？然后这是我的整个的一个小的建议和思考，我觉得无人驾驶技术，如果你深入之后会发现技术的体系其实是有很多各种各样的千变万化的。很多的技术可能适合欧美，但不一定适合中国，如何去选择适合中国的技术发展路径，这是我们作为中国无人驾驶汽车的学者和研究人员还有媒体朋友们值得关心的问题。无人驾驶汽车发展不是单独一个行业能够主导，有可能是汽车IT、交通行业共同的合作，最后融合的一个产物。我现在看到的一个趋势就是，可能IT行业的风投应该喊的口号更响一点，汽车行业是在偷偷摸摸的追赶。交通这样的行业在逐步传感器上做得深入一点，但是我想最后能够形成这个产业的时候，应该不是哪个行业能够主导的，因为你有车没有算法，你有算法没有车，最后的结局都是一样的，都会失败。好的我的演讲到此结束谢谢各位。

主持人：非常的感谢李老师的精彩分享，接下来大家有没有相关的问题可以向李老师提问的？

提问者：您好，在整个汽车的外部感知上，激光雷达几个线的比较合适？

李升波：非常的感谢你这个问题，这个问题是一个好问题，很难。包括我在美国，我在国内看到的几个线都用过的。64线是谷歌的方案，用得非常好。然后加州大学伯克利分校和现代公司做的是用的4线的方案加8线的方案做得也非常好。清华大学用的是4线的方案加周围的传感器融合，现在觉得效果也还不错，我想制约最后会选择什么方案呢？有两个原因。第一是成本。根据我了解，前几年激光雷达是10万美元，这是传染器的本身，4线的现在降到1万甚至5000美元，我们是因为成本的原因是比较低成本的。但是如果说将来传感器的成本能够降下来，有一个技术可以去关注了，原来为什么成本高呢？是有了机器的扫描的功能，现在有一个固态的扫描的功能，和我们的硬盘一样是一个磁盘，现在有固态硬盘的道理一样，现在有固态扫描，如果这个技术能够成功，64线将不是问题。如果不成功，那可能现在还是因人而异的，我大概的理解是在这个程度。

车联网联盟提问者：您好，感谢您的分享，我是车联网联盟的，我想要了解一下，咱们在智能汽车的领域里我分析比较关键的是V TO V技术，我不知道您在这方面对目前咱们国际上最新的能够达到一个比较高的高度？或者说什么时候能够有实际的应用？

李升波：非常的感谢您的问题，我不是车联网的研究者可能对这方面的了解比较的粗浅，我们现在只是在用这个信息，用这个信息早期的时候我们还能够为控制提供一些支持。很多日本的企业已经有专门的基于DR3C的设备，这个做通讯已经是完全没有问题了，现在我们国内在推的，希望能够将4G的RT技术的往5G和6G上去推，根据华为告诉我的结果是，5G的数据传输能够大概在100M左右，传输的延迟能够降到100毫秒以下，这个技术能够成型的话，有可能它将来是运用到智能汽车的决策感知和控制上去。但是我们基于4G的技术现在用起来困难比较大，速度的带宽不够强，通讯的延迟很大，可靠性也比较差。

目前RT的技术就像是手机一样，是用到娱乐、信息服务这个领域，还没有完全的用在智能汽车这个方面。所以还是要看将来4G、5G和6G的技术发展会到什么程度，我大概了解的就是这样，非常的抱歉，对这个技术趋势没有太好的研究，谢谢。

观点：李升波教授的专业性讲解说明了造出智能汽车以及做好自动驾驶的技术支持并非易事。自动驾驶技术的环境感知、决策和轨道的规划等都是智能汽车发展之路艰巨任务，有车没有算法，有算法没有车都无法让智能汽车获得成功，我们仍需努力。