自动驾驶

自动驾驶是一种能够通过感知周围环境，在没有任何人为干预的情况下自行操作并执行必要功能的技术。有个不同级别的自动化，随着级别的提高，无人驾驶汽车在操作控制方面的独立程度也会增加。

Level 0，汽车无法控制其运行，人类驾驶员完成所有驾驶。

Level 1，车辆的高级驾驶员辅助系统（Advanced Driver Assistance System，ADAS）能够通过转向或加速和制动来支持驾驶员。

Level 2，ADAS 可以在某些情况下监督转向、加速和制动，尽管人类驾驶员需要在整个旅程中继续完全注意驾驶环境，同时还要执行其余的必要任务。

Level 3，高级驾驶系统（Advanced Driving System，ADS）可以在某些条件下执行所有部分的驾驶任务，但当 ADS 要求人类驾驶员重新获得控制权时，它必须能够重新获得控制权。在其余条件下，人类驾驶员执行必要的任务。

Level 4，车辆的 ADS 在无需人工注意的特定条件下独立执行所有驾驶任务。

Level 5，涉及完全自动化，车辆的 ADS 能够在所有条件下执行所有任务，无需人类驾驶员提供驾驶辅助。这种完全自动化将通过 5G 技术的应用实现，这将使车辆不仅可以相互通信，还可以与交通信号灯、标牌甚至道路本身进行通信。

自动驾驶等级

1 场景概述

汽车自动驾驶具有“智慧”和“能力”两层含义。所谓“智慧”指汽车能够像人一样智能地感知、综合、判断、推理、决断和记忆；所谓“能力”指自动驾驶汽车能够确保“智慧”有效执行，可以实施主动控制，并能够进行人机交互与协同。自动驾驶是“智慧”和“能力”的有机结合，二者相辅相成，缺一不可。为了实现 L4 级或 L5 级的自动驾驶，仅仅实现单车的“智慧”是不够的。需要通过车联网（Vehicle to Everything，V2X）实现车辆与道路以及交通数据的全面感知，获取比单车的内外部传感器更多的信息，增强对非视距范围内环境的感知，并通过高清 3D 动态地图实时共享自动驾驶的位置。例如在恶劣天气下，或在交叉路口、拐弯等场景下，雷达和摄像头无法清晰辨别前方障碍，通过 V2X 来获取道路、行车等实时数据，可以实现智能预测路况，避免意外事故的发生。

随着 5G 网络、边缘计算与云计算的发展，自动驾驶通过 5G 网络将数据传输到更靠近用户的边缘计算平台，时延敏感性、计算稀疏性业务在边缘计算处理；而时延非敏感性、计算密集性业务可以由云计算处理；5G 网络根据汽车的移动，自动实现数据流向的转移以及网络切片的划分以保证汽车运行时数据的稳定传输，保证车辆的安全驾驶。通过与 5G 技术的结合，实现了高宽带和低延时的网络通信能力，但是光是网络层面仍远远不够目前运营商们都在建设更多的基站，甚至“微基站”来满足大量的终端的接入，由于汽车上可能有大量的感知设备，因此在边缘网络中，“多接入”和“低延迟”成为了无人驾驶场景中的关键特性。面向典型行业的云网边端智能协同与剪裁

多接入：自动驾驶需要的传感器系统主要有三种类型：摄像头、雷达和激光雷达，摄像头具有分辨颜色（识别指示牌和路标）的优势，易受恶劣天气环境和光线的影响，但雷达在测距、穿透雨雾等有优势，两者互补融合可作出更精确、更可靠的评估和判断。在接入层有大量的终端接入，每个终端或者每辆车需要一个 IP，在路段拥堵的情况下，可能存在大量的 IP 需求，那么 IPv6 的需求会增强。

低延迟：5G 核心网控制面与数据面相互分离，NFV 令网络部署更加灵活，从而使能分布式的边缘计算部署。边缘计算将更多的数据计算和存储从“核心”下沉到“边缘”，部署于接近数据源的地方，一些数据不必经过网络到达云端，从而降低时延和网络负荷，提升了数据安全性和隐私性。这对于时延要求极高、数据处理和存储量极大的自动驾驶领域而言，重要性不言而喻。未来对于靠近车辆的移动通信设备，如基站、路边单元等或均将部署车联网的边缘计算，来完成本地端的数据处理、加密和决策，并提供实时、高可靠的通信能力。

图 具体描述了未来无人驾驶的场景，通过大型的基站，覆蓋一部分路段，并提供大量的计算、存储能力，在基站附近建设边缘云，连接路边的其他基础设施，如红绿灯、路灯、摄像头，并连接路面上行驶的车辆。边缘计算云提供了基础设施服务，而上层的自动驾驶的软件应用将根据边缘计算采集的数据，进行智能分析，并快速地为汽车提供准确、安全的操作指令。

无人驾驶场景

性能分析

自动驾驶是通过自动驾驶系统，部分或完全的代替人类驾驶员，安全地驾驶汽车。汽车自动驾驶系统是一个涵盖了多个功能模块和多种技术的复杂软硬件结合的系统。在机器学习、大数据和人工智能技术大规模崛起之前， 自动驾驶系统和其他的机器人系统类似，整体解决方案基本依赖于传统的优化技术。随着人工智能和机器学习在计算机视觉、自然语言处理以及智能决策领域获得重大突破，学术和工业界也逐步开始在无人车系统的各个模块中进行基于人工智能和机器学习的探索。而无人驾驶系统作为代替人类驾驶的解决方案，其设计思路和解 决方法背后都蕴含了很多对人类驾驶习惯和行为的理解。现在，无人驾驶已经成为最具前景的应用之一。自动驾驶是一个系统性的复杂工作，一般是在传统汽车上进行加装来构建整个系统。

自动驾驶硬件系统包含五部分：感知模块、自动驾驶计算机、供电模块、信号通信模块、执行和制动模块。因此自动驾驶主要分析交通环境感知、车载芯片以及高精度定位性能。

（1）环境感知：

感知模块可以代替传统驾驶汽车中驾驶员的眼睛和耳朵，并学习其驾驶经验。通常由摄像头、激光雷达、毫米波雷达和 GNSS/IMU 组成。摄像头相当于人类驾驶员的眼睛，主要用于获取图像信息，可用于识别行人、车、树、红绿灯、交通标志等物体，以便进行定位。相比之下，激光雷达通过接收的反射数据，可以获取更加丰富而准确的信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对目标进行探测、跟踪和识别以及 更加准确的定位，其三维测距原理是通过测量激光信号的时间差、相位差确定距离，通过水平旋转扫描测角度，并根据这两个数据建立二维的极坐标系，再通过获取不同俯仰角度的信号获得第三维的高度信息。毫米波雷达 工作频率为一般为 24GHz 和 77GHz，通过获取反射数据，可用于识别障碍物和测距。与其他主流雷达相比，毫米波雷达性能更佳，不受目标物体形状颜色和大气紊流的影响，具有很好的稳定的探测性能，环境适应性好。

对于日常驾驶可能遇到的恶劣天气有很好的容错性，受天气和外界环境的变化的影响小，在实际应用中，对于雨雪天气、灰尘、阳光都有很强的适应。而且多普勒频移大，测量相对速度的精度提高，很适合自动驾驶高精度定位、识别等功能，对自动驾驶的工程应用有很大的促进作用。GNSS/IMU 组合则用于实时获取全局位置信息。

当前，所有感知问题的关键仍然是神经网络算法，对于域控制器处理过程能力来说，其需要重点考虑计算精度、实时性、算力利用率等，这是确保物体不被漏检或误检的前提。其中由于感知硬件设备中输入的超大分辨率像问题，涉及单目或多目摄像头对感知输入的处理问题都是需要重点关注的。此类感知任务的难点或者优化方向核心主要在于如下几个方向：

■ 如何处理高分辨的输入

■ 如何提高密集小目标检测

■ 如何解决类多目标重叠问题

■ 如何利用少量的训练数据解决目标多样性问题

■ 如何利用单目摄像头进行目标位置的精确估计

（2）车载芯片

自动驾驶计算负责进行自动驾驶相关的数据处理，一般包含五部分：CPU、GPU、内存、硬盘存储空间和硬件接口。目前还有专门用于加速计算的专用处理器。根据汽车智能化的分级标准，L2 级自动驾驶需要的计算力<10TOPS，L3 需要的算力为 30~60TOPS，L4 的算力需求 >100TOPS，L5 需要的算力目前未有明确定义（有预测需要至少 1000TOPS），自动驾驶等级每增加一级，算力需求增长一个数量级。如果考虑功能安全的冗余备份，算力需求还要翻倍。根据行业推算，全自动驾驶时代，每辆汽车每天产生的数据量高达 4000GB。 随着高级别智能驾驶的到来，智能汽车需要处理大量的图片 / 视频等非结构化数据，仅依靠传统 MCU 芯片不能满足运算需求，具备 AI 能力的主控芯片成为主流，汽车主控芯片结构形式也由 MCU 向 SOC 异构芯片方向发展。而各大自动驾驶汽车厂家也发布了自己的解决方案。地平线宣布第三代车规级产品——征程 5 芯片流片成功，该芯片主打高算力低功耗，面向 L4 高等级自动驾驶的大算力需求。征程 5 系列芯片算力最高 128TOPS（另有说法为 96TOPS），同时支持 16 路摄像头感知计算。地平线基于自身强大的芯片能力，可提供全系自动驾驶解决方案。包括 Horizon Matrix Mono 辅助驾驶解决方案、Horizon Matrix Pilot 领航驾驶解决方案，以及 Horizon Matrix FSD 全自动驾驶解决方案，面对不同的应用场景提供相应的算力。特斯拉 FSD 计算平台横空出世，以 144 TOPS 算力的全自动驾驶双冗余（单芯片算力为 72 TOPS） 引领车载芯片市场，重新定义智能汽车时代核心技术，也标志着特斯拉正式步入 HW3.0 时代。

芯片内部简单架构图

英伟达目前旗下有 Xavier、Orin 和 Altan 三款自动驾驶芯片。Xavier 芯片算力 30TOPS，支持 L2-L3；Orin单颗芯片算力 200TOPS，支持 L3-L4，目前还未量产；Altan 单颗芯片算力达到了 1000TOPS，支持 L4-L5。Mobileye 是通过多个芯片组成的一整套自动驾驶解决方案，在集成度上存在不足，但 Mobileye 的自动驾驶组合更加自由，从而提供给客户更多的解决方案。EyeQ3 和 EyeQ4 是目前 Mobileye 在市场上的主流产品。EyeQ3 发布于 2014 年，主要负责视觉处理；EyeQ4 芯片算力为 2.5 TOPS，最高支持 L3 级自动驾驶。而性能更强大的 EyeQ5 芯片，算力达到了 24 TOPS。高通推出了 Snapdragon Ride 自动驾驶解决方案，可以为 L1/L2、L2+/L3、L4 等不同等级的自动驾驶系统提供不同的 SoC。面向 L1/L2 级自动驾驶，配备单个高通骁龙ADAS 应用处理器；面向 L2+/L3 级自动驾驶，可以采用算力达到 30 TOPS 等级单颗 SoC，如果是 L4/L5 级自动驾驶，则可以采用多颗 SoC，算力超过 700 TOPS，功耗为 130W 的设备。华为在自研芯片领域的技术底蕴大家也都有所了解。自动驾驶领域，华为自主研发的 MDC 810 是面对 L4-L5 级自动驾驶推出的高算力自动驾驶 SOC 芯片，支持 400TOPS/800TOPS 两档算力。2019 年，黑芝麻发布了旗下第一颗芯片——华山一号（A500）。2020 年 6 月，黑芝麻智能推出了第二款自动驾驶计算芯片——华山二号 A1000，这是针对 L3、L4 智能自动驾驶级别而设计的芯片，单芯片算力高达 70TOPS。

自动驾驶芯片

（3）高精度定位：

高精度定位可以按照不同的定位技术分为三类：

第一类，基于信号的定位，如 GNSS（全球导航卫星系统）定位。

第二类，依靠 IMU（惯性测量单元）等进行航迹推算，根据上一时刻的位置和方位推断现在的位置和方位。

第三类，环境特征匹配，基于激光雷达的定位，用观测到的特征与数据库及存储的特征进行匹配，得到车的位置和姿态。在基于信号的定位方法中，GNSS 和 4G / 5G 通常用于室外定位，UWB 用于室内定位。通过结合不同的定位术，5G 与车身传感器融合（雷达，摄像头，激光雷达和地图相结合）是人口稠密地区 L4 / L5 自动驾驶的两种最佳解决方案。

然而，卫星定位更适用于人口稀少的地方，因为它不适合大规模建设 5G 基站。具有米级定位精度的 GNSS 远远不能实现自动驾驶。厘米级卫星定位需要校正由电离层引起的 GNSS 定位误差，这通常通过实时动态（RTK）来完成，RTK 是从传统的 1 + 1 或 1 + 2 系统演变为广域差分系统的技术。在一些城市建立的连续运行参考站（CORS）可以显著改善了 RTK 测量范围。

GNSS 定位

3 对云网边端协同的潜在需求与应用

随着自动驾驶中各种传感器的加入，车辆会产生海量数据，车载计算机的性能始终有限，所以需要将一些上传到云计算平台中。但云计算与车辆的距离远，因此车辆不能将所有的任务都卸载到云端；随着 5G 网络和边缘计算的发展，车辆接入 5G 网络，可以快速稳定的将数据传输到边缘计算以及云计算平台中。因此，自动驾驶未来将依赖云计算、边缘计算和 5G 网络达到更高级别。自动驾驶将何种任务卸载到边缘计算、何种任务卸载到云计算平台中，5G 网络如何保证自动驾驶数据传输的时延以及安全性，是目前亟需考虑的问题。另外，自动驾驶汽车中的各种传感器也可以通过 5G 网络接入云计算以及边缘计算平台，将云计算、边缘计算、5G 网络以及终端设备协同起来，以实现更好的自动驾驶。

图 描述了云网边端协同下的自动驾驶整体架构。其中自动驾驶车辆通过自身的传感器与周围环境进行交互，以掌握交通环境信息。为了保证数据的实时性，车辆可以将时延敏感型任务直接在本地计算以及通过 5G 网络的 UPF 将任务发布到边缘计算平台中。边缘计算接受到车辆发布的任务以后，通过本地计算完成相应的任务再回传给车辆。车辆中一些常见的日志信息，如果全部保存到本地，会消耗大量的存储资源。因此可以将大部分常见的日志信息传输到云计算平台中，让云计算保存。由于云计算具有海量的存储资源以及强大的计算资源，一方面可以满足数据存储功能；另一方面也可以借助强算力进行数据的挖掘进一步的实现智能算法的更新迭代。

云网边端协同下的自动驾驶

自动驾驶在云网边端多层级平台在横向维度上可按照“边缘”“区域”“中心”三个维度进行解构。其中，边缘 MEC 平台构筑在边缘机房，通过蜂窝通信模式，提供小区级微观交通服务。区域 MEC 平台部署在边缘MEC 平台之上，可与一个或多个边缘 MEC 平台联动，提供大区级宏观交通服务，实现更上层、更全局的用户管理、数据汇聚和业务调度。中心平台构筑于区域 MEC 平台之上，作为业务应用顶层，提供广域级宏观交通服务。在纵向维度上可按照“业务面”与“管理面”进行分解，在业务面上，各层级平台联合承载自动驾驶综合数据底座、车路协同事件与消息服务等业务类功能，支撑车路协同辅助 / 自动驾驶应用、公共交通出行、交通管理管制等服务。在管理面上，各层级平台协同负责路侧基础设施运维管理、车联网用户管理、平台安全管理等管理类功能，为产业可持续化运营提供基础支撑。平台的业务面与管理面联动配合，支撑实现车路协同场景。