自动驾驶技术概论

什么是自动驾驶？

The Essence of Autonomous Driving

当我们谈论自动驾驶时，我们首先需要明确一个核心问题：究竟什么是自动驾驶？简而言之，自动驾驶（Autonomous Driving）是指车辆能够在没有人类驾驶员持续监控或干预的情况下，自主感知周围环境、做出驾驶决策并执行控制操作的技术系统。这一看似简单的定义背后，蕴含着感知、决策、控制三大核心系统的深度融合，以及人工智能、传感器技术、车联网通信、高精度定位等多领域前沿科技的协同支撑。

自动驾驶的内涵与外延

自动驾驶的内涵可以从三个维度来理解。第一个维度是技术维度，即车辆具备独立完成驾驶任务的能力，包括环境感知（通过摄像头、雷达、激光雷达等传感器获取车辆周围信息）、态势理解（对感知数据进行处理和分析，识别道路、车辆、行人、交通标志等）、行为决策（根据当前态势决定加速、减速、转向等驾驶行为）和运动控制（将决策转化为具体的车辆控制指令）四个关键环节。第二个维度是功能维度，即自动驾驶系统能够替代人类驾驶员执行部分或全部驾驶任务，从简单的自适应巡航控制到复杂的城市道路导航，涵盖从辅助驾驶到完全自动化的多个层级。第三个维度是安全维度，自动驾驶的核心目标是通过消除人为失误（疲劳驾驶、分心驾驶、酒驾等）来显著提升道路交通安全水平，这也是推动自动驾驶技术发展的根本动力。

> 自动驾驶系统架构概览 > > | 层级 | 功能描述 | 技术要素 | > |------|----------|----------| > | 感知层 | 环境信息采集与融合 | 摄像头、毫米波雷达、激光雷达、超声波传感器、GPS/IMU | > | 决策层 | 态势理解与行为规划 | 深度学习、计算机视觉、传感器融合、路径规划 | > | 控制层 | 车辆运动控制与执行 | 线控底盘、电子稳定系统、动力总成控制 | > | 通信层 | 车与外界信息交互 | V2X通信、高精度地图、云平台 |

The architecture of autonomous driving systems can be conceptualized as a hierarchical structure comprising four primary layers. The perception layer serves as the system's sensory apparatus, analogous to human eyes and ears, collecting real-time data about the vehicle's surroundings through an array of sensors. The decision layer functions as the system's brain, processing sensory inputs to understand the current traffic situation and determine appropriate driving actions. The control layer acts as the system's executive arm, translating decisions into precise vehicle movements through drive-by-wire technology. Finally, the communication layer enables the vehicle to exchange information with its environment, including other vehicles (V2V), infrastructure (V2I), pedestrians (V2P), and cloud services (V2C), forming the comprehensive Vehicle-to-Everything (V2X) ecosystem.

从梦想到现实：自动驾驶的百年演进

The Centennial Journey: From Dream to Reality

人类对自动驾驶汽车的想象与探索，可以追溯到一个世纪以前。这段跨越百年的技术演进史，既是科技创新的缩影，也是人类追求更安全、更高效出行方式的真实写照。

1920年代：无线电控制的萌芽

The 1920s: Radio Control as a Precursor

自动驾驶的历史起点通常被认为是在1920年代。1926年，美国无线电设备公司（American Radio Equipment Company）推出的“Linrric”无人驾驶汽车堪称这一时期的标志性尝试。这辆基于Chrysler Imperial底盘改装的车辆，通过后排座位上的人员使用无线电发射器来操控方向盘、刹车和引擎点火，从而实现远程控制行驶。尽管这种“无人驾驶”与我们今天理解的自动驾驶有着本质区别——它依赖于人类操控者的实时指令而非车辆自主决策——但它首次证明了通过外部信号来引导车辆行驶的可行性，为后续发展奠定了概念基础。

这一时期的探索具有重要的启示意义：它表明车辆控制可以被外部化和远程化，这为后来自动驾驶系统中“决策”与“执行”的分离提供了最初的技术想象。然而，局限于当时的无线电技术、传感技术和计算能力，这种方案存在着严重的延迟问题、安全隐患和操控距离限制，难以在实际道路上推广应用。

1950-1960年代：电子时代的开启

The 1950s-1960s: The Electronic Age Begins

进入1950年代，随着电子技术的快速发展，自动驾驶研究进入了新的阶段。1958年，美国无线电公司（Radio Corporation of America, RCA）与通用汽车公司（General Motors）展开合作，共同开发了一套旨在高速公路场景的自动控制系统。该系统通过埋设在道路下方的电缆产生电磁场，车辆上的检测装置接收信号后可以识别车道边界和位置信息，进而实现自动循迹行驶。这一方案虽然需要大规模的道路基础设施改造，但它首次将“专用基础设施”与“车辆自动化”结合在一起，具有重要的先驱意义。

1961年，约翰逊总统（President Lyndon B. Johnson）在白宫玫瑰园观看了RCA自动驾驶系统的演示后，给予了高度评价，并预言这一技术将在20世纪末得到广泛应用。尽管这一预言最终未能如期实现，但相关研究为后来的车道保持辅助系统（Lane Keeping Assist）和自适应巡航控制系统（Adaptive Cruise Control）奠定了技术基础。

同一时期，斯坦福研究院（Stanford Research Institute, SRI）的工程师们也在进行着另一条技术路径的探索。1966年，SRI研发的Shakey机器人是世界上第一台具备自主感知和决策能力的移动机器人。虽然它体积庞大、速度缓慢，但集成了视觉感知、路径规划和问题解决能力，被认为是现代自动驾驶汽车软件栈的鼻祖。Shakey项目开发的许多算法，如A*路径搜索算法，至今仍被广泛应用于机器人导航和自动驾驶领域。

1970-1980年代：DARPA的军事驱动

The 1970s-1980s: Military-Driven Innovation

1970年代至1980年代，自动驾驶技术发展的重要推动力来自美国国防部高级研究计划局（Defense Advanced Research Projects Agency, DARPA）。冷战时期的军事需求促使DARPA大力资助自主车辆研究，目标是开发能够执行危险任务的无人驾驶战车。

这一时期的标志性成果是1979年卡内基梅隆大学（Carnegie Mellon University, CMU）研发的Navlab项目。Navlab系列车辆经历了长达数十年的持续迭代，从最初的Navlab 1（基于厢式货车改装，配备早期摄像头和计算设备）到后来的Navlab 5（1990年代成功实现自动横向控制和限速道路自主行驶），积累了丰富的感知、决策和控制经验。Navlab项目的研究团队开发了多项核心技术，包括道路图像处理、机器视觉和自适应控制算法，这些成果后来成为自动驾驶研究的重要基石。

1987年，德国慕尼黑联邦国防军大学（Universität der Bundeswehr München）的恩斯特·迪克曼斯（Ernst Dickmanns）团队在欧洲尤里卡计划（Eureka Project PROMETHEUS）的资助下，开发了配备视觉系统的自动驾驶货车，能够以90公里/小时的速度在高速公路上稳定行驶。迪克曼斯的工作首次将计算机视觉大规模应用于车辆自主导航，其“主动视觉”方法——通过有目的性地控制摄像头运动来获取关键信息——对后来的视觉导航系统产生了深远影响。

1990年代：挑战与突破

The 1990s: Challenges and Breakthroughs

1990年代见证了自动驾驶从实验室走向真实道路的重要转变。1994年，意大利帕尔马大学（University of Parma）的Alberto Broggi教授领导的ARGO项目，驾驶一辆装备视觉系统的改装厢式货车完成了跨越意大利的自动驾驶测试。ARGO项目开发的GOLD系统（Generic Obstacle and Lane Detection）证明了仅凭单目摄像头就能实现可靠的车道检测和障碍物识别，为低成本自动驾驶方案开辟了道路。

1995年，卡内基梅隆大学的Navlab 5完成了从华盛顿特区到圣迭戈的跨美国大陆自动驾驶测试，全程4,580公里，其中98%的路程由系统自主控制。这一里程碑事件充分展示了自动驾驶技术的实用潜力，也让公众开始真正关注这一技术的未来发展。

与此同时，军事领域的无人地面车辆（Unmanned Ground Vehicles, UGV）研究也在持续推进。美国国防部设想的自主越野车辆能够独立完成战场物资运输任务，避免士兵暴露在敌方火力之下。这些军事应用场景对自动驾驶系统的可靠性和鲁棒性提出了极高要求，推动了传感器融合、实时计算和故障安全机制等关键技术的研究。

2000年代：DARPA大挑战的催化效应

The 2000s: The DARPA Grand Challenge Catalyst

2000年代初期，DARPA通过举办一系列挑战赛，彻底点燃了自动驾驶技术研发的全球热潮。2004年，首届DARPA无人驾驶挑战赛（DARPA Grand Challenge）在莫哈韦沙漠举行，吸引了来自全球的参赛队伍。尽管没有任何车辆完成比赛（约170英里的赛道），但这次尝试激发了学术机构和科技企业的极大兴趣。2005年的第二届挑战赛上，斯坦福大学的Stanley车队率先完成比赛并夺冠，这辆基于大众途锐改装的无人车使用了当时先进的激光雷达、摄像头和机器学习技术，证明了自动驾驶在复杂地形环境中的可行性。

2007年的DARPA城市挑战赛（DARPA Urban Challenge）将比赛场景从沙漠拓展到模拟城市环境，要求参赛车辆在遵守交通规则的前提下自主完成导航、汇入车流、避让行人等任务。卡内基梅隆大学的Boss车队（基于雪佛兰Tahoe改装）获得冠军，其感知系统能够实时检测和跟踪其他车辆，决策系统能够处理复杂的交通情境，展现了自动驾驶在城市道路上应用的可能性。

DARPA挑战赛的意义远不止于技术展示。更重要的是，它成功地将分散在高校、研究机构和初创企业中的自动驾驶研究力量汇聚起来，形成了开放竞争的创新生态。许多在DARPA挑战赛中崭露头角的团队，后来成为Waymo、Uber ATG、Cruise等自动驾驶领军企业的核心成员。可以说，DARPA挑战赛是现代自动驾驶产业的重要催化剂。

2010年代：商业化浪潮

The 2010s: The Wave of Commercialization

2010年代是自动驾驶从技术验证走向商业化的关键十年。谷歌（Google）于2009年秘密启动了自动驾驶项目（后发展为Waymo），在经过多年技术积累后，于2016年正式独立成为Alphabet旗下的自动驾驶子公司。Waymo的自动驾驶车辆在凤凰城（Phoenix）开展无人出租车服务，标志着自动驾驶技术首次进入商业化运营阶段。

这一时期，多家科技巨头和传统汽车制造商纷纷加大自动驾驶研发投入。特斯拉（Tesla）于2015年推出Autopilot辅助驾驶系统，通过OTA（Over-the-Air）空中升级不断迭代功能，开创了“渐进式自动驾驶”的商业模式。通用汽车（General Motors）收购了自动驾驶初创公司Cruise Automation，奥迪（Audi）推出了搭载L3级自动驾驶功能的A8轿车，丰田（Toyota）、福特（Ford）、宝马（BMW）等传统车企也相继公布了自动驾驶战略规划。

中国在自动驾驶领域的快速崛起成为这一时期的重要特征。百度Apollo于2017年发布开源自动驾驶平台，汇聚了全球范围内的开发者和合作伙伴。小马智行（Pony.ai）、文远知行（WeRide）、图森未来（TuSimple）等中国自动驾驶初创企业相继成立并获得巨额融资，在robotaxi、干线物流等场景开展商业化探索。政府层面，北京、上海、广州、深圳等城市先后出台自动驾驶道路测试管理规定，开放了大量测试道路和区域，为技术验证和商业落地提供了政策支持。

2020年代：规模化与落地

The 2020s: Scaling and Implementation

2020年代，自动驾驶技术进入了规模化部署和商业化落地的深水区。Waymo继续在凤凰城和旧金山扩展无人出租车服务，通用Cruise在旧金山开展商业化运营，百度Apollo萝卜快跑在北京、上海、广州、深圳等城市提供出行服务。L2+级别的高级辅助驾驶系统（Advanced Driver Assistance Systems, ADAS）开始在量产车型上大规模普及，特斯拉FSD（Full Self-Driving）、华为ADS、小鹏XNGP等系统让越来越多的普通消费者体验到了自动驾驶技术的便利。

与此同时，技术路线之争也愈发激烈。以Waymo为代表的激光雷达优先路线（Lidar-First Approach）坚持使用高线数激光雷达构建高精度的三维环境感知，追求“绝对安全”。以特斯拉为代表的视觉优先路线（Vision-First Approach）则主张依靠纯视觉感知和深度学习算法来实现通用的人工智能驾驶能力，通过海量数据驱动不断进化。这两种路线的竞争，推动了传感器技术、感知算法和计算硬件的持续创新。

SAE自动化等级标准：理解自动驾驶的分级体系

Understanding the SAE Levels of Driving Automation

在讨论自动驾驶技术时，SAE自动化等级是一个不可回避的核心概念。SAE International（国际汽车工程师学会，前身为美国汽车工程师学会）于2014年首次发布了J3016标准《道路机动车驾驶自动化系统相关术语和分类》，并在2021年更新至第四版，成为全球范围内最权威、应用最广泛的自动驾驶分级标准。

六个等级的详细解析

SAE J3016标准将驾驶自动化分为0至5共六个等级，核心划分依据是“驾驶自动化系统承担驾驶任务的多少”和“人类驾驶员在系统运行中扮演的角色”。

Level 0: No Driving Automation（无驾驶自动化）

L0级代表最传统的人类驾驶状态。驾驶员完全承担所有驾驶任务，包括持续的纵向控制（加速、减速）和横向控制（转向），以及对周围环境的监控和响应。L0并不意味着车辆没有任何辅助功能，许多量产车辆配备的前向碰撞预警（FCW）、自动紧急制动（AEB）等功能属于“被动安全辅助”，只能提供信息或警告，最终的驾驶决策和执行仍由人类驾驶员完成。需要特别指出的是，即使在L0级别，驾驶员仍然可以依赖这些辅助系统的信息来辅助决策，但系统不会主动干预驾驶过程。

Level 1: Driver Assistance（驾驶辅助）

L1级是驾驶自动化的入门级别，系统能够在特定维度（纵向或横向）提供持续的驾驶辅助。最典型的L1功能是自适应巡航控制（Adaptive Cruise Control, ACC）——系统自动调节车速以保持与前车的安全距离，但驾驶员仍需手握方向盘并负责转向。另一种L1功能是车道保持辅助（Lane Keeping Assist, LKA）——系统通过摄像头检测车道线，当车辆偏离车道时自动进行轻微的转向修正，但驾驶员需要自行控制车速。L1级的关键特征是系统只能同时执行“纵向”或“横向”其中一种控制任务，而不能同时兼顾。

Level 2: Partial Driving Automation（部分驾驶自动化）

L2级是当前量产车型中最高级别的自动驾驶功能。系统能够同时执行纵向和横向控制任务，在特定设计运行范围（Design Operating Domain, ODD）内实现自动跟车、车道保持、换道辅助等功能。特斯拉Autopilot、蔚来NIO Pilot、小鹏XPILOT等都属于L2级别系统。然而，L2级的核心特点在于：驾驶员仍然是驾驶主体，必须始终保持对交通环境的监控，双手不能离开方向盘（尽管系统允许手离开一段时间），并随时准备接管车辆。当系统发出接管请求或遇到超出能力范围的情况时，驾驶员必须立即介入。这一“责任归属”问题是L2与L3的本质区别。

Level 3: Conditional Driving Automation（有条件驾驶自动化）

L3级是SAE分级体系中一个具有里程碑意义的等级，首次实现了“车辆在特定场景下承担驾驶主体责任”的跨越。在L3级别的设计运行范围内，驾驶员可以将注意力从驾驶任务中解放出来，无需持续监控道路状况，车辆将负责应对各种驾驶情境。当系统检测到即将超出其能力范围时，会提前向驾驶员发出“接管请求”，提供足够的时间让驾驶员重新介入。

L3级的典型应用场景是交通拥堵辅助（TJA）和高速公路自动驾驶（HWP）。2019年，本田（Honda）推出的Legend Hybrid EX成为全球首款获得L3级自动驾驶认证的量产车型，获准在日本的特定高速公路上使用“Traffic Jam Pilot”功能。然而，L3级面临一个被广泛讨论的伦理和技术难题：当系统需要人类在紧急情况下接管时，人类可能已经失去对道路状况的实时感知，形成所谓的“接手悖论”（handover problem）。这一挑战促使许多厂商在推进L3技术时格