无人驾驶汽车产业化瓶颈

目前，无人驾驶汽车产业化的瓶颈问题主要有两点：1)如何更高效快速实现多传感器信息融合；2)在保证自动驾驶性能的前提下如何最大限度降低设备成本。
2.1 更高效快速实现多传感器信息融合
研发人员当前面临的最棘手的难题是如何提高汽车的视觉能力，目前所研发的计算机视觉系统还非常的低端和原始，如何赋予计算机系统接近甚至达到人类的视觉能力是一项非常巨大的挑战。无人驾驶汽车需要随时注意周边车辆和行人，而且能够实时检测到周围的车道、地面上的画线，认识交通标识、交通灯的含义，应对风霜雨露以及强光、弱光等一系列复杂的环境因素的影响。此外，由于某些原因无法“看清”道路标志甚至在一些根本没有道路标志的环境时，为了实现完全无人驾驶，目前唯一可行的办法是通过多传感器实现信息融合进行决策，综合利用各类传感器的优势从而达到理想的效果，如图8所示。例如，毫米波雷达适用于近程、高分辨力的目标监视和目标截获，由于其较强的穿透能力，可以用于视觉系统捕获车道线、交通灯颜色等信息。但是其视觉系统不足之处在于，其测距能力没有激光雷达准确。因此将激光雷达、毫米波雷达与视觉传感器相融合，可以有效解决单独使用的不足之处，在进行物体检测的同时，也可以进行空间测距和图像识别。
无人驾驶实现示意
车载传感器是研发无人驾驶汽车时，需要多方面综合考虑的对象，其包括传感器的精度、灵敏度、主动与被动传感器等。表3为各类车载传感器性能指标对比，表4详细分析实现不同自动驾驶功能所需传感器及感知参数。
Click to view table content
表 3 车载传感器指标对比
Tab.3 Vehicle sensor comparison
Click to view table content
表 4 实现不同自动驾驶功能所需传感器及感知参数分析[43]
Tab.4 Sensors required to achieve different automatic driving functions
除了上述各类传感器之外，还需要选配高精度GPS定位系统及高精度测距传感器。如图9所示，该图中的汽车是Stanford 大学研发的Junior无人车，该车配备4个激光雷达（IBEO、Riegl、SICK LMS和Velodyne），1个Applanix GPS惯性导航系统，5个BOSCH毫米波雷达，以及前向相机系统[44]。
由于需要种类繁多的传感器，如何将上述各种设备采集到的信息实现高效快速的融合，形成一个稳定而智能的系统从而应对各种突发事件和挑战，是目前实现无人驾驶的关键[45]。
无人驾驶车辆及其传感器配置
2.2 如何降低制造成本
目前无人驾驶汽车所使用的设备主要包括激光雷达、车载摄像头、车载雷达、超声波设备以及GPS等。利用激光雷达生成的点云，对反射障碍物的远近、高低能较为准确地估计，从而大大提高障碍物检测的准确度，谷歌、Uber等科技公司都将这种设备应用在原型汽车上[46]。图10为目前常用激光雷达LiDAR示意图，其中Velodyne HDL-64E LiDAR预售价在10万美元以上，Velodyne VLP-16 LiDAR官网报价为税前7 999美元，过高的成本大大阻碍无人车的商业化。