无人驾驶

虽说无人驾驶很火，尤其近几年。但是基于目前实际街道场景、安全、成本、存储、法律法规等，以及更多实际的未能预料的“坑”，估计短时间内会一直维持现状，难以实现真正的上路。

实际上无人驾驶技术整体上已经非常成熟，整个技术环节也都已完善，在高速路段也许可以真正放开双手，但是在城市到路上个人觉得暂时真的需要打个“？”。这里仅从slam方面说下个人思考。

目前行业上无人驾驶采用方式主要分为两大类：以视觉方案为主，如特斯拉；以激光雷达为主的方案，如google无人车。个人非常崇拜马斯克包括他的个人魅力以及他想打造的帝国，只是我作为一个技术人员的片面认为，采用纯视觉方案十分冒进。这里只谈谈应用于室外无人驾驶的激光雷达slam的方案。

目前无论室内外服务类机器人还是无人驾驶车辆所采用的slam技术实际上从应用角度看仅仅是mapping。即仅第一次采用slam技术对新的环境进行探索并进行自动化地将所采集的数据拼接构建出环境map。然而一般人却会误认为robot在实时导航时实时在采用slam，即同时建图与定位。也许家用扫地机可以如此，因为家庭环境小，允许自由探索。其中室外无人驾驶车辆一般采用3d slam创建3d点云地图。而室内移动机器人则创建的为2d的栅格地图。

无人驾驶车辆实际上并没有采用slam技术，而是采用已有的高精度地图（即提前已获取的地图)进行实时定位。说的通俗的点，即会有专门的采集车（可能也为无人驾驶车量本身，只是应用不同）事先对道路环境进行激光数据采集，然后进行一次真正意义上的slam，创建出环境地图，从此不会再使用真正意义上的slam。

思考1: slam即同时建图与定位，但是无人驾驶在真正应用时仅是使用已有的地图进行实时定位，而不会实时更新地图。如果环境发生了改变，无人驾驶车辆如何感知?


希望有专业人给个详细回答。个人认为暂时没有办法，本身无人车已经有许多冗余设计，允许环境发生一定的改变不会导致严重问题。但是仍是持续改进的问题，此现象需要制作高精度地图的团队进行定期更新。或者每辆无人车上传激光点云数据，后台进行定时匹配更新，此工作量以及通信量十分庞大，不知现在采用何方式。

思考2：采用激光进行slam，在室外一般采用多线激光雷达，创建的地图为3D点云地图，人眼观看可看出环境的基本轮廓与形态。但是不能明确指示是什么，哪里可通过，哪里不可通过，再加上法律法规的约束，使无人驾驶无法像人一样遵守一定规则进行运行；因为纯粹的激光点云地图无法提供语义信息，如人行道，车道，红绿灯等。如何获取这些语义信息?


目前深度学习发展的水深火热，在基于视觉和3d点云的语义分割也有一定造诣，我相信在未来完全可以采用自动语义分割进行自动标注，但目前不现实。现阶段仍是个大问题，因为目前采用的手段主要是在slam后的地图上进行人工标注。“my god”，多么庞大的工作量。即使一般目标检测进行训练标注，整个深度学习过程中，标注过程就占了大部分时间。可想而知完成几条街道的标注，是怎样的工作量，更别说一个城镇，一个城市。同时标注的质量严重影响无人驾驶运行的结果；

思考3：如果像像思考2中回答那样，那高精度地图在语义信息获取方面，现在主要依赖人工标注，从可行性上来看只是工作量问题，而非技术难度问题？所以会有许多制作高精度地图的公司，可独立于无人驾驶公司？

不知道是否专业人回答，个人觉得现阶段的确是这样，不知道理解是否准确。高精度地图是基础，因此完全可独立于无人驾驶技术存在，可共享所有无人驾驶车辆使用。无人驾驶企业与团队也可专心致力于车辆自动驾驶功能的研发。

思考4：大家都知道在室外运行的汽车，其定位可用gps。因为GPS可提供绝对的位置信息（即使有误差），如果高精度地图的与gps绝对位置进行匹配记录，即已知地图中哪个位置对应的经纬度。如此则无人驾驶车辆第一次开机定位时，可直接获取GPS作为初始位置，开始在其附近搜索点云匹配，则可快速实现激光匹配。同时在激光定位实时，gps同样也可防止激光定位位置丢失。但是市面上基于激光雷达的室内移动机器人反而没有此全局定位信息，初始定位和中间若定位丢失如何解决？如此来看，无人驾驶中的定位技术比较室内移动机器人相对来说反而简单？


不知道是否有专业人给出回答呢。

思考5：目前无人驾驶可行驶的路线显然应是高精度地图中标注的车道线（不能像一般机器人一样任意行走无碰撞，悬崖即可），即可行走的路线点为已知的waypoints。从此方面看，在全局路径规划来看相对于难道与市面上常见的移动机器人如客服类、清洁类反而较低？


从一定程度上来看，无人驾驶算是在已知的结构化道路上运行，而常见的小型移动机器人反而在非结构化环境中运行，其创建的slam地图一般为栅格地图（下节在介绍），会简单指示可行走的区域与不可行走的区域，然后采用如Astar算法或全覆盖算法规划全局路径。从技术上应是一致的，因为无人驾驶也需要从某一位置到达目标位置，中间的全局路线已知，但均为独立的段（即某某路，某某桥等），同样需要类似Astar的规划算法选择几段路线构建全局路线。

思考6：当无人驾驶车辆有了地图，有了定位，有了全局导航路线，剩下则是控制车辆沿着全局路线运行，且不能发生碰撞的交通意外，则可到达目的地，即所谓的局部路径规划。由于车辆在道路上行驶需遵守交通规则，一条路可有多条车道线或一条，而车辆必须在此路的车道线内运行。即如同人开车一样，如果所有车道线上完全无障碍，沿着某一车道线跟踪即可。如果车道内有车辆或其他，则按照一定平滑算法切换一条无障碍的车道即可，或者跟随前车，或者停车（依据障碍状态），可以说更像是策略控制。简单概括来说即加速、减速、变道。但是在室内由于没有一定规律，如人行走，物体摆放等，反而局部避障规划需要一定算法支持。


不清楚理解是否准确，是否有人有相同思考。许多公司都在推出无人驾驶车辆，甚至已经上路，有些在高速上，有些在封闭环境中，可实现固定路线的运行，而非真正在城市间任意道路运行。

思考7：车辆运行在道路上实际上不仅仅是加速、减速、变道，当然我认为其99%时间是在做如此功能。但是剩下1%的时间却要完成99%的功能。就像考驾照一样，将车沿着道路行驶最为简单，但实际上大多时间本是如此。但是却要考虑与学习如红绿灯、前方学校、斑马线、隧道、前方行人，前方交通事故、有人插车、前方有动物、前方堵车、会车、侧方停车、倒车等等。就如同列举一样，但每一种可列举的情况可以根据交通规则与经验用程序控制车辆行为。但是如何保证所列举的情况是完整的？就如同交通法中也无法定义所有行为，同时交通法也在实时更新。更何况不同国家交通规则不一样，甚至同一国家不同城市也有一定区别。同时其他车辆也有不按规则行驶，无人驾驶该如何解决剩下这1%?


我也查过许多资料大多数目前采用均是策略控制，总体采用状态机进行控制车辆行为，即不同情况采用不同策略。而遇到的情景设计中未考虑到的话，仅能停车或者人工控制。 目前随着深度学习不同的深入，也有采用自动处理，但是大家都知道深度学习需要大数据的支持，如果人现阶段未能考虑到情景，其数据又应该如何获得。

思考8：经过以上思考，可看出无人驾驶整体框架与室内移动机器人基本相同，某些方面甚至在室内会考虑更多。但是无人驾驶技术为什么仍是移动机器人导航技术的最高峰？


毕竟刚才的思考均为最基础的框架，本质上基本一致。但是无人驾驶车辆往往运行速度更高，其安全性，可靠性，完善性等性能方面才是无人驾驶技术未来发展的方向和重点解决的方向。因此无人驾驶车辆需要有更加完备的感知传感器、数据融合、语义分析、精确决策，在任何一部分都可以继续深入挖掘。只是现阶段大多数无人驾驶公司在基本框架上短时间内都得到了快速发展，但如今都停留在“真正释放双手”这一步，毕竟安全第一。未来还有太多的坑要填。

思考9：目前室内仓储agv和快递分拣机器人已经成功应用，即环境中全部为智能移动机器人，则完全可按照一定规则进行移动，同时可进行统一调度。同理如果道路上均为无人驾驶车辆，且车辆间可相互通信，则所谓许多坑是否可避免？


个人理解从技术角度来说应该可行，但是从实际出发不可能。因为根本就无法让所有汽车同时更换，必然要经历无人车辆和人类驾驶长期共存时期，“坑”必须要先填，才能到达电影《机械公敌》、《机器人总动员》中描述的场景，全部为无人车辆。