信息技术：汽车自动驾驶算法行业专题.pdfVIP

信息技术：汽车自动驾驶算法行业专题

1、自动驾驶一数据驱动下的算法迭代

1.1、自动驾驶算法是感知、预测、划、控制的结合体

自动驾驶算法反应了工程师们根据人的思维模式，对自动驾驶所需处理过程的思考。

通常包含感知、预测、划模块，同时辅助一些地图、定位等模块，实现自动驾驶功

能的落地。

1.1.1、感知：感知外部世界

感知模块主要解决四类任务：1（）检测：找出物体在环境中的位置；2（）分类：明确

对象是什么，如分辨不同类别交通标志；3（）跟踪：随着时间的推移观察移动物体，

通常采用跨帧追踪对象将（不同帧中检测到的对象进行匹配）、BEV加入时序信息等

实现；4（）语义分割：将图像中的每个像素与语义类别匹配，如道路、天空、汽车

等，用于尽可能详细了解环境。以Apollo感知算法框架为例，其算法包含预处理、神

经网络模型、后处理等模块。首先图像预处理主要是对图像进行调整、畸变校正等，

使之更符合机器学习的要求。其次分别对红绿灯、车道线、障碍物等特征进行检测，

其中红绿灯通过检测边框、颜色等进行进一步的识别：障碍物则经过2D到3D的转

换，得出真实的信息坐标，再融合车道线检测信息、外部传感器信息等得出真实世界

的障碍物信息。该部分通常采用全卷积神经网络或者YOLO等算法实现。

1.1.2、预测：理解外部环境和当前状态

预测模块实际上是算法对外部环境和自车状态的理解。预测模块首先收集感知模块输

入的车道线、障碍物、红绿灯、地图、定位等信息对主车的状况进行判断。其次场景感

知模块对外部障碍物的优先级、路权等外部环境对主车的影响进行感知。评估器则会根

据场景信息和障碍物信息判断出障碍物的轨迹或意图。预测器则根据短期的预测轨迹

和意图判断障碍物等外部环境相对长期的轨迹。这将为未来汽车的划提供重要的参

考。算法层面通常以RNN为主。

图3:百度Apollo的算法中，预测模块包含场景理解、评估、预测等环节

感知信息容器场景感知评估器预测器

轨迹生成

当/向翦皤

1.1.3、规划：思考如何行动

规划指找到合理路径来到达目的地。规划通常分为全局路径规划、行为规划与运动规

划几个部分。其中，全局路径规划指智能汽车依靠地图规划出理想状态下到达目的地

的路径。行为规划则是主车在实际行驶的过程中，面临实时的交通环境，做出的各类

驾驶行为，如跟车、换道、避让等。运动规划生成与驾驶行为对应的驾驶轨迹，包含

路径规划和速度规划。最后再采用一些优化方式让变道加速等行为变得平顺以满足舒

适性要求。算法层面，通常采用基于规则的规划决策算法，前沿的玩家也开始引入机

器学习等方式，以提升决策效能。

1.2、数据：算法的养料，现实与虚拟的交织

算法、算力和数据是人工智能的三大要素，数据在模型训练中拥有不可忽视的影响。

一方面，Transformer等大模型在大体量数据集训练下才能表现更佳的特性带来其对

训练端数据的要求激增，特斯拉在2022年AIDAY上曾表示，训练其占用网络采用了

14亿帧图像数据。另一方面，由于自动驾驶面临的场景纷繁复杂，诸多长尾问题需要

在现实或虚拟场景中获取。因此数据闭环在自动驾驶领域弥足重要。亳末智行将数据

作为自动驾驶能力函数”的自变量，认为是决定能力发展的关键，Momenta也曾表

示，L4要实现规模化，至少要做到人类司机的安全水平，最好比人类司机水平而一个

数量级，因此需要至少千亿公里的测试，解决百万长尾问题。

数据挖掘和针对性的训练能显著减少ComerCase。以特斯拉为例，在面临一看起

来像临时停车但实际上是永久停车的场景时，最初算法会将其判定为临时停车,当特斯

拉通过数据挖掘在训练集中增加了1.4万类似场景的视频并训练模型后，神经网络

便理解了这辆车里面没有司机，将其判别为永久停车。

2、大模型横空出世，自动