随着人工智能与自动驾驶汽车的深度融合，未来10~20 年必将过去积累研成果成为现实，自动驾驶可以实现高度智能化，Level 4+级的自动驾驶车辆批量上市，是一个看得见的将来。自动驾驶技术将全面提升汽车驾驶的安全性、舒适性，其节能减排效果也是直接的，还能满足更高层次的市场需求等。下面对自动驾驶汽车技术原理及应用于介绍和讨论。
主要内容有：
第一章 自动驾驶汽车概论
一、自动驾驶汽车相关有概念
二、自动驾驶汽车等级标准
三、自动驾驶技术推广应用战略意义
四、国外、国内自动技术发展历程
第二章 自动驾驶汽车关键技术
一、自动驾驶汽车关键技术体系
二、环境感知系统
三、决策与规划系统
四、控制与执行系统
五、自动驾驶汽车测试与验证技术
六、人工智能在自动驾驶汽车中的应用
第三章 自动驾驶技术推广应用场景
一、推广自动驾驶技术应用的目的
二、自动驾驶技术发展现状分析
三、线控底盘是中国发展自动驾驶车辆的瓶颈
四、推广自动驾驶汽车可行的场景势
五、国家层面在自动驾驶技术推广应用的工作
六、开发自动驾驶汽车，零部件和整车厂迎来新机遇
七、整车和零部件企业抓住机遇发展
第二章 自动驾驶汽车关键技术
自动驾驶汽车关键技术包括:环境感知、精准定位、决策与规划、控制与执行、高精地图与车联网 V2X 以及自动驾驶汽车测试与验证技术。
一、自动驾驶汽车关键技术体系
1.技术体系分为三部分，如图2-1所示。
(a)环境感知系统:车辆状态监视系统、环境感知系统、驾驶员状态监视系统；
(b)决策与规划系统（计算单元）:T-BOX、黑匣子；
(c)车辆控制(执行）系统:车辆控制、警告系统。
(1)环境传感器布置图，如图2-2所示。
(2)计算单元体系结构图，如图2-3所示。
(3)线控系统，如图2-4所示。
线控技术可以说是未来自动驾驶汽车的标配。
二、环境感知系统
自动驾驶汽车需要和其他车辆、自行车和行人一样，能够识别出来交通信号和标志。他们也需要感知到一个迎面而来的物体的距离和速度，以便能够知道该如何做出反应。
环境感知在自动驾驶汽车起着人类驾驶员“眼睛”“耳朵”的作用。处于自动驾驶汽车与外界环境信息交互的关键位置，是为自动驾驶汽车的决策规划进行服务的基础，是实现自动驾驶的前提条件。
环境感知技术是利用摄像机、激光雷达、毫米波雷达、超声波等车载传感器，以及 V2X和5G网络等获取汽车所处的交通环境信息和车辆状态信息等多源信息。
1.摄像头
摄像头在自动驾驶汽车和装备ADAS功能的汽车上被普遍使用。自动驾驶汽车中配置的视觉传感器主要是工业摄像机，摄像头它具有较高的图像稳定性、抗干扰能力和传输能力等特点，它是最接近于人眼获取周围环境信息的传感器。
为了处理从摄像头接收到的数据，自动驾驶汽车的系统借助训练好的计算机视觉软件来识别物体和信号。这个软件应该能够识别车道线特定的细节（比如车道边界的颜色和图案）并且评估合适的交通规则。运用摄像机可以识别车辆行驶环境中的车辆、行人、车道线、路标、交通标志、交通信号灯等。摄像头系统视觉效果,如图1-5所示。
摄像头在探测深度和距离的时候与激光雷达相比有所不足。
摄像机按照芯片类型可分为CCD 摄像机和CMOS摄像机两种。
(1)CCD摄像机
CCD是Charge Coupled Device（电荷耦合器件）的缩写，它是一种半导体成像器件，其作用是进行光电转换，输出视频信号,由光学镜头、时序及同步信号发生器、垂直驱动器及模拟/数字信号处理电路组成。
因而具有灵敏度高、抗强光、畸变小、体积小、寿命长、抗震动、重量轻、低功耗、无滞后、无灼伤、低电压等特点，如图1-6所示。
其工作方式：被摄物体的图像经过镜头聚焦至CCD芯片上，CCD根据光的强弱积累相应比例的电荷，各个像素积累的电荷在视频时序的控制下，逐点外移，经滤波、放大处理后，形成视频信号输出。视频信号连接到监视器或电视机的视频输入端便可以看到与原始图像相同的视频图像。它是一种半导体成像器件，为简化CCD摄像机的供电，一般从外部只输入一种电源（12V），而机内其他各种电压值的电源都由电源变换获得。
(2)CMOS摄像机，集光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器于一体，具有传输速率高、动态范围宽、局部像素的可编程随机访问等优点。
摄像机的分辨率计算公式，如图2-8所示。
(2)激光雷达
激光雷达是以发射激光束来探测目标空间位置的主动测量设备。根据探测原理，激光雷达分为单线（二维）激光雷达和多线（三维）激光雷达。目前，国际市场上推出的主要有 4 线、8 线、16 线、32 线和 64 线。激光雷达发出的线束越多，每秒采集的点云越多，同时造价也越高。例如，美国
Velodyne 公司的 16 线激光雷达 VLP-16（Puck）目前售价是 3999 美元，而 64 线激光雷达 HDL-64E 的售价高达 7 万美元。如图2-9所示。
激光雷达的技术门槛和成本较高。目前，激光雷达已经发展了三代产品，包括第一代机械扫描激光雷达、第二代混合固态激光雷达以及第三代纯固态激光雷达。第三代纯固态激光雷达可以使激光雷达的成本大幅度降低，使激光雷达在自动驾驶汽车上的应用能够普及。
固态激光雷达 Velarry 和 128 线激光雷达 VLS-128。在性能方面，Velarry 能够提供 120 度的水平视角和 35 度的垂直视角， 能够在 200m 范围内检测到低反射率的物体。VLS-128 的探测距离可达 300m，扫描精度为3cm，性能是 64 线激光雷达产品的 10 倍，但体积是其 1/3。
激光雷达工作原理：
(a)单线激光雷达，通过发出一束激光扫描线对区域进行旋转扫描，并根据区域内各个点与激光雷达的相对空间距离与方位，返回测量值。
(b)多线激光雷达，通过发出两束或两束以上的激光扫描线对区域进行旋转扫描。多线激光雷达能够检测目标的空间距离与方位，并可以通过点云来描述三维环境模型，可以提供目标的激光反射强度信息，提供被检测目标的详细形状描述，如图2-10所示。
激光雷达被视为最先进的传感器。激光雷达能创建车辆周围环境3D透视图的能力，能够促进对于物体的识别，如图2-11。
激光雷达技术利用激光传感器来确定物体的距离。传感器发射高频脉冲激光并且计算波束往返的时间。
(2)毫米波雷达
毫米波雷达通过发射一种无线电波探测物体。毫米波雷达是指工作在毫米波波段、频率在 30—300GHz 之间的雷达。汽车可以借助其来探测迎面而来的物体的距离、范围和速度。毫米波雷达具有全天候、探测距离远、价格便宜、质量轻、体积小等优点，能够较精确。根据测量原理的不同，毫米波雷达可分为脉冲方式毫米波雷达和调频连续波方式毫米波雷达两种。目前大多数车载毫米波雷达都采用调频连续波方式。
(a) 脉冲方式毫米波雷达，其基本原理与激光雷达相似，它在硬件结构上比较复杂、成本较高，很少用于自动驾驶汽车。
(b) 调频连续波方式毫米波雷达，具有结构简单、体积小、成本低廉，容易实现近距离探测。得到目标的相对距离和相对速度。不足之处是分辨率低，在很多场合易受干扰。毫米波雷达结构图如图2-12所示.
连续波雷达发射的信号可以是单频连续波(CW)或者调频连续波(FMCW)，调频方式也有多种，常见的有三角波、锯齿波、编码调制或者噪声调频等。其中，单频连续波雷达仅可用于测速，无法测距，而FMCW雷达既可测距又可测速，并且在近距离测量上的优势日益明显。FMCW雷达测距、测速的工作原理：
毫米波雷达技术被视为比激光雷达更可靠的技术，因为它的远距离探测能力，并且没有易损坏的旋转运动的元件。并且它成本更低。因此毫米波雷达被广泛应用于自动驾驶汽车和ADAS功能中。LMetawave已经开发出一种使用金属材料以达到更高速和更远探测距离的模拟天线。如图2-14所示。
(3)超声波传感器
超声波传感器是利用超声波的特性研制而成的，工作在机械波波段，工作频率在 20kHz 以上。超声波雷达的数据处理简单快速，检测距离较短，多用于近距离障碍物检测。超声波具有频率高、波长短、绕射现象小、方向性好、能够成为射线而定向传播等优点。不同规格的超声波传感器，如图2-15所示。
超声波雷达的不足在于距离信息不精准，一般用于精度要求不高的地方，如倒车雷达等。超声波传感器工作原理:
超声波传感器是将超声波信号转换成其他能量信号（通常是电信号）的传感器。超声波是振动频率高于20kHz的机械波。它具有频率高、波长短、绕射现象小，特别是方向性好、能够成为射线而定向传播等特点。超声波对液体、固体的穿透本领很大，尤其是在阳光不透明的固体中。超声波碰到杂质或分界面会产生显著反射形成反射回波，碰到活动物体能产生多普勒效应。
目前，环境感知技术有两种技术路线:
一种是以摄像机为主导的多传感器融合方案，典型代表是特斯拉。如图2-10所示。
另一种是以激光雷达为主导，其他传感器为辅助的技术方案，典型企业代表如谷歌、百度等。谷歌自动驾驶汽车，如图2-16所示。
(4)精准定位
精准导航是自动驾驶汽车的基础，一是要知道车辆与外界环境的相对位置关系，二是通过车身状态感知确定车辆的绝对位置与方位。主要技术有：
(a)惯性导航系统
惯性导航系统由陀螺仪和加速度计构成，通过测量运动载体的线加速度和角速率数据， 并将这些数据对时间进行积分运算，从而得到速度、位置和姿态。如图2-17所示。
惯性导航系统以牛顿力学定律为基础，工作原理是根据陀螺仪的输出建立导航坐标系并给出姿态角，再根据加速度计的输出解算出运动载体的速度和位置，实现惯性参考系到导航坐标系的转换。惯导属于推算导航方式，即在已知基准点位置的前提下根据连续观测推算出下一点的位置，因而可连续测出运动载体的当前位置。
(b)轮速编码器与航迹推算
通过轮速编码器可以推算出自动驾驶汽车的位置。通常轮速编码器安装在汽车的前轮，分别记录左轮与右轮的总转数。通过分析每个时间段里左右轮的转数，可以推算出车辆向前走了多远，向左右转了多少度等。由于在不同地面材质（如冰面与水泥地）上转数对距离转换存在偏差，随着时间推进，测量偏差会越来越大，因此单靠轮测距器并不能精准估计自动驾驶汽车的位姿。如图2-18.
(c)卫星导航系统
目前全球卫星导航系统包括美国的GPS、俄罗斯的 GLONASS、中国的北斗卫星导航系统、欧盟伽利略，如图2-19所示。.
(i)GPS是由美国国防部研制的全球首个定位导航服务系统，空间段由平均分布在6个轨道面上的 24 颗导航卫星组成，采用WGS-84 坐标系。
(ii)GLONASS 由苏联在 1976 年启动建设，正式组网比 GPS 还早。苏联解体后，GLONASS 由俄罗斯负责运营。空间段由 27 颗工作星和 3 颗备份星组成，27 颗星均匀地分布在 3 个近圆形的轨道平面上。
(iii)北斗卫星导航系统是中国自主研发、独立运行的全球卫星定位与通信系统，空间段包括5 颗静止轨道卫星和30颗非静止轨道卫星，采用我国独自建立使用的 CGCS 2000 坐标系。
(iii)欧盟伽利略导航系统。伽利略导航卫星系统是由欧共体发起，旨在建立一个由欧盟运行、管理并控制的全球导航卫星系统。其总体设计思路有四大特点：自成独立体系：能与其他的全球导航卫星系统兼容：具备先进性和竞争能力；公开进行国际合作。
(d)自主导航系统
SLAM（Simultaneous Localization And Mapping，即时定位与地图构建），也称为 CML（Concurrent Mapping and Localization，并发建图与定位）。SLAM 最早由 Smith、Self 和Cheeseman 于 1988 年提出。SLAM 起源于机器人领域，SLAM 问题可以描述为：机器人在未知环境中开始启动，并尝试从一个未知位置开始移动，在移动过程中根据自身位姿估计和地图匹配进行自身定位。然后在自身定位的基础上实现运动中拓展地图，最终实现全局机器人的自主定位和导航。目前主流有两种 SLAM 策略。
第一种是基于激光雷达的 SLAM，以谷歌汽车为例。车辆携带有GPS，通过 GPS 对位置进行判断，并以激光雷达SLAM点云图像与高精度地图进行坐标配准，匹配后确认自身位姿。
第二种是基于视觉的 SLAM，以 Mobileye 为例。Mobileye 提出一种 SLAM 的变种定位方法——REM。车辆通过采集包括信号灯、指示牌等标识，得到了一个简单的三维坐标数据， 再通过视觉识别车道线等信息，获取一个一维数据。摄像机中的图像与REM 地图中进行配准，即可完成定位。如图2-20所示。
三、决策与规划系统
自动驾驶汽车的行为决策与路径规划是指依据环境感知和导航子系统输出信息，通过一些特定的约束条件如无碰撞、安全到达终点等，规划出给定起止点之间多条可选安全路径， 并在这些路径中选取一条最优的路径作为车辆行驶轨迹。自动驾驶汽车的决策与规划系统主要内容：
1.任务规划与路径规划
(a)驾驶任务规划：即全局路径规划，主要的规划内容是指行驶路径范围的规划。当自动驾驶汽车上路行驶时，驾驶任务规划会为汽车的自主驾驶提供方向引导方面的行为决策方案， 通过GPS 技术进行即将需要前进行驶的路段和途径区域的规划与顺序排列。
(b)路径规划：在行驶任务设定之后，自动驾驶车辆中的路径规划算法，会将完成任务的最佳路径选取出来，避免碰撞和保持安全距离。在此过程中，会对
路径的曲率和弧长等进行综合考量，从而实现路径选择的最优化。如图2-
2.行为决策算法
(a)基于神经网络：自动驾驶汽车的决策系统主要采用神经网络确定具体的场景并做出适当的行为决策。
(b)基于规则：工程师想出所有可能的“if-then 规则”的组合，然后再用基于规则的技术路线对汽车的决策系统进行编程。
(c)混合路线：结合了以上两种决策方式，通过集中性神经网络优化，通过“if-then 规则” 完善。混合路线是最流行的技术路线。
感知与决策技术的核心是人工智能算法与芯片。人工智能算法的实现需要强大的计算能力做支撑，特别是深度学习算法的大规模使用，对计算能力提出了更高的要求。
3.自动驾驶主流芯片
随着人工智能业界对于计算能力要求的快速提升，进入 2015 年后，业界开始研发针对人工智能的专用芯片，通过更好的硬件和芯片架构，在计算效率上进一步带来大幅的提升。目前，市场上采用的自动驾驶主流芯片主要分为两种，
一种是英特尔-Mobileye 开发的Mobileye® EyeQX™系列车载计算平台。如图2-11所示。
另一种是英伟达提供的 NVIDIA Drive PX 系列车载计算平台。
(a)英特尔-Mobileye
Mobileye 公司作为开发高级辅助驾驶系统的全球先行者，是由 Amnon Shashua 和 Ziv Aviram 于 1999 年创立。Mobileye 的目标是开发和推广协助驾驶员在驾驶过程中保障乘客安全和减少交通事故的视觉系统。
Mobileye 公司的获奖产品EyeQ™和EyeQ2™视觉处理器是一项重大突破，具有高性能、低成本以及多应用整合于一个平台上等特点。它们可提供面向所有细分市场的高端功能组合。英特尔在 2017 年以 153 亿美元收购了 Mobileye 公司，并且将其作为自动驾驶技术的研发战略核心。包括菲亚特-克莱斯勒、宝马等多家汽车厂商都已经计划在未来的产品中使用英特尔-Mobileye 提供的自动驾驶技术。目前，英特尔-Mobileye 公司已宣布正式加入自动驾驶汽车研发的竞争中，并且在耶稣撒冷投放一组测试车队，在没有使用激光雷达的情况下在城市街道上测试行驶。如图2-21所示。
(b)英伟达（NVIDIA）
2010 年英伟达开始布局人工智能产品，2014 年宣布了新一代PASCAL GPU 芯片架构， 这是英伟达的第五代 GPU 架构，也是首个为深度学习而设计的 GPU，它支持所有主流的深度学习计算框架。2016 年上半年，英伟达又针对神经网络训练过程推出了基于 PASCAL 架构的 TESLA P100 芯片以及相应的超级计算机 DGX-1。
GTC 2017 大会上，英伟达正式发布了新一代处理器架构 Volta，以及使用新架构的第一款设备——适用于深度学习任务的加速卡 Tesla V100，英伟达将这块显卡称为全球最先进的数据中心GPU。GTC 2018 大会上，英伟达发布了新一代超级计算机 DGX-2，DGX-2 是英伟达首款 2- petaFLOPS 系统，其在两块独立的GPU 板卡上配备了 16 块Tesla V100 GPU，每块 V100 拥有 32GB HBM 2 显存。如图2-22所示。
四、控制与执行系统
自动驾驶汽车的车辆控制系统是自动驾驶汽车行驶的基础，包括车辆的纵向控制和横向控制。如图2-23所示
1.纵向控制
自动驾驶汽车的纵向控制，即车辆的驱动与制动控制，是指通过对油门和制动的协调，实现对期望车速的精确跟随，采用油门和制动综合控制的方法来实现对预定车速的跟踪，各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制算法相结合，构成了各种各样的纵向控制模式。
2.横向控制
横向控制，即通过方向盘角度的调整以及轮胎力的控制，实现自动驾驶汽车的路径跟踪。车辆横向控制主要有两种基本设计方法：基于驾驶员模拟的方法和基于车辆动力学模型的控制方法。
(a)基于驾驶员模拟的方法：一种是使用较简单的动力学模型和驾驶员操纵规则设计控制器； 另一种是用驾驶员操纵过程的数据训练控制器获取控制算法。
(b)基于车辆动力学模型的方法：需要建立较精确的汽车横向运动模型。典型模型如单轨模型，该模型认为汽车左右两侧特性相同。
3.车辆控制平台
车辆控制平台是无人车的核心部件，控制着车辆的各种控制系统。其主要包括电子控制单元（ECU）和通信总线两部分。
(1) ECU(“行车电脑”或者“车载电脑”)
(2) ECU 主要用来实现控制算法，从用途上讲则是汽车专用微机控制器，也叫汽车专用单片机。车载电脑如图2-24所示。
它和普通的单片机一样，由微处理器（CPU）、存储器（ROM、RAM）、输入/输出接口（I/O）、模数转换器（A/D）以及整形、驱动等大规模集成电路组成。
发动机在运行时，它采集各传感器的信号进行运算，并将运算的结果转变为控制信号，控制被控对象的工作。它还实行对存储器（ROM、RAM），如图2-25所示。
输入/输出接口（I/O），如图2-16所示，和其他外部电路的控制。
存储器 ROM 中存放的程序是经过精确计算和大量实验获取的数据为基础，这个固有程序在发动机工作时，不断地与采集来的各传感器的信号进行比较和计算。把比较和计算的结果用来控制发动机的点火、空燃比、怠速、废气再循环等多项参数。它还有故障自诊断和保护功能。
存储器RAM 也会不停地记录行驶中的数据，成为 ECU 的学习程序，为适应驾驶员的习惯提供最佳的控制状态，这个程序也叫自适应程序
(3)通信总线
通信总线主要用来实现 ECU 与机械部件间的通信功能。如图2-27所示。
目前，车用总线技术被国际自动机工程师学会（SEA）下的汽车网络委员会按照协议特性分为 A、B、C、D 共 4 类:
A 类总线面向传感器或执行器管理的低速网络， 它的位传输速率通常小于 20Kb/s，以 LIN 规范为代表。LIN的全称为Local Interconnect Network。
LIN总线是目前常见的一种A类网络协议。LIN主要功能是为CAN总线网络提供辅助功能，应用场合有智能传感节点、自动车窗节点等。目前最新的LIN协议是LIN2.2，制定于2010年。LIN的一大优点是成本低，但其最大传输速率为20Kbps。建议的通信速率如下，低速2400bps，中速9600bps，高速19200bps。根据OSI参考模型，LIN总线仅规范了数据链路层和物理层。LIN总线的应用，如图2-28所示。
LIN的特点如下：
(a)采用单主多从的组网方式，无CAN总线那样的仲裁机制，最多可连接16个节点（1主15从）。
(b)对硬件要求简单，仅需UART/SCI 接口，辅以简单驱动程序便可实现 LIN 协议。故几乎所有的MCU均支持LIN。
(c)不需要单独的晶振，便能完成主、从节点的同步，硬件成本大幅降低。
(d)仅使用一根信号线便可完成信息的传输，即所谓的单总线设备。
(e)传输速率最高可达20Kbps，符合A类网络标准，满足车身控制需要。
(f)在LIN 网络中加入新节点后，对网络中其他原有节点的软硬件设计不会造成影响。
B 类总线面向独立控制模块间信息共享的中速网络，位传输速率一般在 10~125Kb/s，以 CAN 为代表。
CAN是控制器局域网络(Controller Area Network)的简称，它是由德国的Bosch公司及几个半导体生产商开发出来的，CAN 总线是一种串行多主站控制器局域网总线。CAN 总线应用，如图2-29所示。
它具有很高的网络安全性、通讯可靠性和实时性,简单实用,网络成本低。特别适用于汽车计算机控制系统和环境温度恶劣、电磁辐射强和振动大的工业环境。
CAN总线可有效支持分布式控制或实时控制，通信介质可以是双绞线，同轴电缆或光纤，其主要特点是：
(a)CAN总线为多主站总线，各节点可在任意时刻向网络上的其他节点发送信息，不分主从，通信灵活。
(b)CAN总线采用独特的非破坏性总线仲裁技术，优先级高的节点优先传送数据，可满足实时性要求。
(c)CAN总线具有点对点、一点对多点及全局广播传送数据的功能。
(d)CAN总线采用短帧结构，每帧有效字节数最多为8个，数据传输时间短，并有CRC及其他校验措施，数据出错率极低。
(e)CAN总线上某一节点出现严重错误时，可自动脱离总线，而总线上的其他操作不受影响。
(f)CAN总线系统扩充时，可直接将新节点挂在总线上，因而走线少，系统扩充容易，改型灵活。
(g)CAN总线最大传输速率可达1Mb/s（此时通信距离最长为40m），直接通信距离最远可达10km（速率5kbps以下）
(h)CAN总线上的节点数主要取决于总线驱动电路。在标准帧（11位报文标识符）可达110个，而在扩展帧（29位报文标识符）其个数几乎不受限制。
C 类总线面向闭环实时控制的多路传输高速网络，位传输速率一般在 125Kb/s ~1Mb/s，C类总线主要用于车上动力系统中对通讯的实时性要求比较高的场合，主要服务于动力传递系统。在欧洲，汽车厂商大多使用“高速CAN”作为C类总线，它实际上就是ISO 11898-1 中位速率高于125Kb/S的那部分标准。
D 类总线面向多媒体设备、高速数据流传输的高性能网络，位传输速率一般在 2Mb/s 以上。
(4)高精地图与车联网 V2X
(a)高精地图
传统地图只需要做到米量级的精度，就可以实现基于 GPS 的导航，而高精地图需要至少达到厘米级的精度才能保证自动驾驶汽车行驶的安全。
高精地图相比服务于 GPS 导航系统的传统地图而言，最显著的特征是其表征路面特征的精准性,，如图2-30所示。
高精地图还需要有比传统地图更高的实时性。由于道路路网经常会发生变化，如道路整修、标识线磨损或重漆、交通标识改变等。这些改变都要及时反映在高精地图上，以确保自动驾驶汽车的行车安全。
高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息，起到构建类似于人脑对于空间的整体记忆与认知的功能，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等， 更好地规避潜在的风险，是自动驾驶汽车的核心技术之一。
(c) 车联网V2X
V2X技术能够帮助扩展激光雷达、毫米波雷达和摄像头等视野探测类传感器的限制。V2X传感器可以探测道路险况、堵车和视野外的盲区。 V2X、激光雷达、毫米波雷达和摄像头感知能力区别如图2-31所示。
V2X 表示 Vehicle to X，其中 X 表示基础设施（Infrastructure）、车辆（Vehicle）、行人（Pedestrian）、道路（Road）等。V2X 网联通信集成了 V2N、V2V、V2I 和 V2P 共四类关键技术。
V2X 技术的实现一般基于RFID、拍照设备、车载传感器等硬件平台。V2X 网联通信产业分为 DSRC 和 LTE-V2X 两个标准和产业阵营。车联网V2X示意如图2-32所示。
(i)V2N（Vehicle to Network，车-互联网），通过网络将车辆连接到云服务器，能够使用云服务器上的娱乐、导航等功能。
(ii)V2V（Vehicle to Vehicle，车-车），指不同车辆之间的信息互通。
(iii)V2I（Vehicle to Infrastructure，车-基础设施），包括车辆与路障、道路、交通灯等设施之间的通信，用于获取路障位置、交通灯信号时序等道路管理信息。
(iiii)V2P（Vehicle to Pedestrian，车-行人），指车辆与行人或非机动车之间的交互，主要是提供安全警告。
2010 年美国颁布了以 IEEE 802.11P 作为底层通信协议和 IEEE 1609 系列规范作为高层通信协议的V2X 网联通信标准。2015 年我国开始相关的研究工作，2016 年国家无线电委员会确定了我国的V2X 专用频谱。
五、自动驾驶汽车测试与验证技术
2016 年 6 月，V2X 技术测试作为第一家“国家智能网联汽车试点示范区”及封闭测试区的重点布置场景之一。2017 年 9 月，《合作式智能交通系统车用通信系统应用层及应用数据交互标准》正式发布。自动驾驶汽车测试与验证技术如下。
(a)实测
让车辆行驶数百万公里，以确定设计的系统是否安全并按照预期运行。该方法的困难在于必须累积的测试里程数，这可能要花费大量的时间。自动驾驶汽车路实测如图2-33所示。
(b)软件在环或模型在环仿真
更可行的方法是将现实世界的测试与仿真相结合。在仿真软件所构建的各种场景中，通过算法控制车辆进行相应的应对操作，来证明所设计的系统确实可以在各种场景下做出正确的决定，这可以大大减少必须完成的测试里程数。自动驾驶汽车软件在环或模型在环仿真如图2-34所示。
(c)硬件在环仿真
为了验证真实硬件的运行情况，硬件在环仿真可以对其进行测试，并将预先记录的传感器数据提供给系统，此种技术路线可以降低车辆测试和验证的成本。
六、人工智能在自动驾驶汽车中的应用
(a)人工智能在环境感知中的应用
环境感知包括：可行驶路面检测、车道线检测、路缘检测、护栏检测、行人检测、机动车检测、非机动车检测、路标检测、交通标志检测、交通信号灯检测等。对于如此复杂的路况检测，深度学习能够满足视觉感知的高精度需求。基于深度学习的计算机视觉，可获得较接近于人的感知能力。
深度学习一般包括输入层、卷积层、池化层、输出层等 4 种类型的神经网络层。其中，卷积层和池化层是深度学习的核心处理层：卷积层主要是用于负责物体特征的提取，池化层主要是负责采样。如图2-35所示。.
深度学习的工作一般可以分为两部分，即训练和测试。训练一般是将采集到的样本输入到线下的训练网络中，训练网络进行前向输出，调整参数让输出误差在接受范围内从而得到模型。将训练好的模型进行测试和性能评估。测试网络可以对输入的图像和视频等进行检测和识别。
通常情况下，样本的数量越多，识别的精度越高，所以样本的数量是影响深度学习精度重要的一个因素。
(b)人工智能在决策与规划中的应用
行为决策与路径规划是人工智能在自动驾驶汽车领域中的另一个重要应用。近年来兴起的深度卷积神经网络与深度强化学习，能通过大量学习实现对复杂工况的决策，并能进行在线学习优化，由于需要较多的计算 资源，当前是计算机与互联网领域研究自动驾驶汽车的决策与规划处理的热门技术。
前期决策树、贝叶斯网络等人工智能方法已有大量应用。随着深度强化学习的兴起，越来越多的公司和研究者把强化学习应用到无人车的行为与决策中，并取得了不错的效果。Mobileye 公司是其中的典型代表，其设计的车辆模型已经能自如地应对一些复杂的交通任务，如双向通道变线、复杂十字路口等场景。
Mobileye 将行为决策分解成两个部分，可学习部分和不可学习部分，可学习部分是由强化学习来决策行驶需要的高级策略，不可学习部分则是按照这些策略利用动态规划来实施具体的路径规划。
可学习部分是将无人车所处的环境映射成一系列抽象策略的过程。他们设计了一张策略选项图，主要包含无人车的加减速、转向以及对周围车辆的反应，并利用策略网络来选择合适的应对选项。其中，策略网络在给定的车辆环境下，评估每一种应对的可能影响，从而选择最合适的策略。不可学习部分则是将学习到的抽象策略转化成对车辆的实际控制动作，该部分主要对车辆动作进行具体规划，检查抽象策略是否可执行，或者执行满足策略的动作， 从而充分保证系统的安全性。
(c)人工智能在车辆控制中的应用
相对于传统的车辆控制方法，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，包括神经网络控制和深度学习方法等，这些算法已逐步在车辆控制中广泛应用。
神经控制，是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制。利用神经网络，可以把控制问题看成模式识别问题，被识别的模式映射成“行为”信号的“变化” 信号。神经控制最显著的特点是具有学习能力。它是通过不断修正神经元之间的连接权值， 并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的控制具有良好效果。
深度神经网络学习，源于神经网络的研究，可理解为深层的神经网络。通过它可以获得深层次的特征表示，免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。深度学习在特征提取与模型拟合方面显示了其潜力和优势。对于存在高维数据的控制系统，引入深度学习具有一定的意义。自动驾驶系统需要尽量减少人的参与或者没有人的参与，深度学习自动学习状态特征的能力使得深度学习在自动驾驶系统的研究中具有先天的优势。
深度强化学习，强化学习的灵感来源于生物学中的动物行为训练，训练员通过奖励与惩罚的方式让动物学会一种行为与状态之间的某种联系规则。强化学习就是要解决这类问题： 一个能够感知环境的智能体怎样通过学习选择达到其目标的最优动作。