自動駕駛系統系統采用先進的通信、計算機、網絡和控制技術，對列車實現實時、連續控制。采用現代通信手段，直接面對列車，可實現車地間的雙向數據通信，傳輸速率快，信息量大，后續追蹤列車和控制中心可以及時獲知前行列車的確切位置，使得運行管理更加靈活，控制更為有效，更加適應列車自動駕駛的需求。

自動駕駛系統是指列車駕駛員執行的工作完全自動化的、高度集中控制的列車運行系統。自動駕駛系統具備列車自動喚醒啟動和休眠、自動出入停車場、自動清洗、自動行駛、自動停車、自動開關車門、故障自動恢復等功能，并具有常規運行、降級運行、運行中斷等多種運行模式。實現全自動運營可以節省能源，優化系統能耗和速度的合理匹配。自動駕駛系統要求建設的城市軌道交通在互聯互通、安全、快捷、舒適性方面具有很高的水平.20世紀90年代以來，隨著通信、控制和網絡技術的發展，可以在地車之間實現大容量、雙向的信息傳輸，為高密度、大運量的地鐵系統成為真正意義上的自動駕駛系統提供了可能 [1] 。

本月初，重慶、武漢兩地率先發布自動駕駛全無人商業化試點政策，在外界看來，這標志著我國自動駕駛將迎來高速增長拐點。從2017年開始，工信部、公安部、交通運輸部、國家標準委等部委先后發布《智能網聯汽車道路測試管理規范(試行)》《智能網聯汽車道路測試與示范應用管理規范(試行)》等文件。近年來，中央和地方陸續推出一系列支持政策，推動無人駕駛技術進步和商業化落地。

作為未來出行的核心支撐，自動駕駛技術猶如一把打開新興產業大門的金鑰匙。據不完全統計，已有北京、上海、廣州、深圳、長沙等多個地區出臺了相應管理辦法或實施細則，從道路測試、載人測試、示范運營到無人化等多個階段開展探索。

與此同時，近期與“自動駕駛”相關的交通事故頻上熱搜。8月上旬，一輛小鵬P7在開啟LCC(車道居中輔助系統)功能進行輔助駕駛的狀態下發生交通事故。這并非個例，去年8月連鎖餐飲品牌創始人林文欽駕駛蔚來ES8并使用NOP領航功能發生車禍去世，而業界圍繞自動駕駛系統安全性的爭議從未停止。

8月初，深圳首次為自動駕駛交通事故責任認定提供了法律依據，其中，如果汽車完全無人駕駛，車主將負責，在確認是由車輛缺陷導致事故的情況下，車主可以向自動駕駛車輛制造商尋求賠償。

自動駕駛時代或許不遠，這一技術是否成熟又面臨哪些難點，什么原因導致事故頻發，行業亟待怎樣的監管規范。對此，新京報貝殼財經記者專訪了北京市高級別自動駕駛示范區工作辦公室常務副主任捷菲，同濟大學教授、汽車安全技術研究所所長朱西產以及國家發改委綜合運輸研究所城市交通中心主任程世東。

政策層面，我國一直持鼓勵態度。8月8日，交通運輸部發布《自動駕駛汽車運輸安全服務指南(試行)》(征求意見稿)(以下簡稱《指南》)，向社會公開征求意見。業內人士判斷，近期的政策動作，都圍繞著同一個詞——商業化落地。

而在企業層面，7月21日上午，百度在2022百度世界大會上，發布了第六代量產無人車Apollo RT6，號稱具有L4級自動駕駛水平。

當然，也不全是令人振奮的消息。例如，近日杭州交警部門對7月29日深夜杭州西溪濕地景區福堤附近發生一起特斯拉Model X沖出路面，撞上路邊的路燈桿交通事故的調查結果公布，該事故由駕駛員鄭某負責。經調查確認，發生事故前，車內僅駕駛員鄭某一人，且其全程坐在駕駛座上。司機鄭某承認事發時喝過酒，卻認為自動輔助駕駛系統應承擔車禍責任。

在自動駕駛領域，最為核心的一點，其實是達到什么樣水平的車輛才可以商用。我們不該只看概念車，應該從數據中去獲得答案。筆者認為，不應該一上來就允許無安全員的自動駕駛商業化運行。

競爭焦點在L4等級上

自動駕駛的功能效果可以分為6個等級，從L0到L6。目前主要是集中在從L3向L4等級邁進，競爭的焦點就是L4。所謂L3，指的是有條件自動駕駛。例如在外部環境比較穩定的高速公路，駕駛員可以完全放開方向盤。但L3需要人類駕駛員在必要時主動接管，所以依然需要人類駕駛員在駕駛室。而L4屬于高度自動駕駛，可以認為是限定區域內的無人駕駛，在自動駕駛感知信息來源比較充分的區域，可以沒有司機，汽車可以自動運行，甚至不再需要裝方向盤。L5屬于完全自動駕駛，在所有路段均可以完全無人駕駛。

L3是自動駕駛，但L3有個大難題：需要人類駕駛員在必要時候主動接管。那么，什么時候是必要時候?由于現實道路路況復雜，人類司機對于L3，存在過度信賴和完全不信賴兩種極端分化的心態。完全不信賴讓L3技術毫無意義，而過度信賴L3又會導致大量交通事故的發生。L3當前所有交通事故，依然需要人類駕駛員自己承擔。所以實際上L3只是一個過渡性玩具，它不能真正解放人類駕駛員。L5是無法實現的，這幾乎已經成為自動駕駛行業的共識。

L4是在限定區域內實現無人駕駛技術，由此，自動駕駛未來數年的應用限定在幾個領域：出租車、公交車、干線物流(高速無人卡車)、末端配送(無人配送車)、園區景區(低速游覽車)、礦區(無人特種車)、港口(港口無人車輛)、環衛安防(清潔車)、機場(無人引導車)等。所有的應用本質上都在限定區域。而實現這些L4應用，從技術上看有以下三種路徑：

其一，無人、封閉區域運行。園區景區低速游覽車、工業物流園區、礦區、港口、機場等，這些場景實現L4較為簡單，自動駕駛可以在軌道車和傳送帶的基礎上優化實現，當前物流領域的無人倉儲已經非常成熟。

其二，單車智能。視覺神經網絡下的弱智能+包含激光雷達的強感知+高精地圖。同樣是單車智能，特斯拉屬于異類，想要打造強智能的視覺神經網絡，不肯用激光雷達和高精地圖，實踐證明特斯拉的自動駕駛水平停留在L3階段。最樂觀的看法，也需要10年才能碰到L4的門檻。但特斯拉并非盲目，訓練一個和人眼同樣強大的AI視覺，成功了確實是跨越式發展，哪怕失敗了，以新能源汽車起家的特斯拉也耗得起。但單車智能當前通行的做法還是AI弱智能+激光雷達強感知+高精地圖的解決方案。

本輪自動駕駛的熱潮起于谷歌。2012年谷歌開始試驗無人駕駛車輛，積累數據，谷歌也是深度學習神經網絡的早期推動者。其開發無人駕駛的初衷實際上是想要將深度學習應用在自動駕駛上，但其后發現，開放道路的環境實在太過復雜。視覺AI即便能夠準確識別99%的物體，但只要1%的未識別、識別錯誤存在，其安全性就無法保障。深度學習本身是一個技術黑箱，設定算法，輸入數據進行訓練，如果導出結果是正確的，則調參激勵，如果導出結果是錯誤的，則調參懲罰。這也導致很多AI視覺神經網絡無法識別的情況沒辦法找到原因。所以谷歌在自動駕駛上增加了激光雷達和高精地圖，同時配合輸入環境參數，限制自動駕駛在固定區域內運行。這就有了谷歌旗下waymo在美國幾個城市開展的Robotaxi業務。限定區域、輸入環境參數、AI神經網絡、激光雷達、高精地圖，單車智能幾乎用上了所有可用的工具，但也只是勉強實現了L4。而同樣的一套自動駕駛系統，在更換運行區域的時候，需要重新設定環境參數，要重新積累數據。

目前汽車最有吸引力又最危險的莫過于自動駕駛技術。谷歌自動駕駛汽車于2012年5月獲得了美國首個自動駕駛車輛許可證。而現在大多數乘用車輛都已經配備了自動駕駛的一系列功能。

安全性一直是自動駕駛不可回避的問題，無知將會讓我們陷入人云亦云的恐慌，所以今天我們來一起了解一下什么是自動駕駛?自動駕駛發展現狀如何?自動駕駛未來將何去何從?

自動駕駛技術簡而言之就是將人對汽車的駕駛控制，轉移到汽車對自身的控制方面，主要涉及感知、決策、執行三大環節。

感知環節相當于人的眼和耳，主要通過車載攝像頭、激光雷達、毫米波達等各類車載傳感器在行車過程中完成對環境及車輛的感知、搜集周圍環境數據并將其傳輸到決策層;決策環節相當于人的大腦，主要通過操作系統、芯片與計算平臺等對接收到的數據進行實時處理并輸出相應的操作與指令任務;執行端則相當于人的四肢，將接收到的操作指令執行到動力供給、方向控制、車燈控制等車輛終端部分。

2016年，《“十三五”國家科技創新規劃》和《“十三五”國家戰略性新興產業發展規劃》中正式提出發展智能自動駕駛汽車，并將其上升為國家發展戰略。各地積極推進高等級自動駕駛車輛的商業化應用，開放測試道路、出臺管理細則，推動無人駕駛技術進步和商業化落地。我國車企在自動駕駛領域的研究可以算得上行業領先。

目前，自動駕駛分為兩派，分別是“激光雷達”和“純視覺計算”兩派。

激光雷達派的優勢首先是能獲取空間的深度信息，其次由于其自發光源，無需外界的燈光輔助，比純視覺方案來得更簡單。目前，各大自動駕駛方案大廠都逐漸用混合固態的激光雷達來取代傳統的旋轉式激光雷達。

劣勢：一是激光雷達的方案不夠成熟，激光雷達的分辨率遠低于攝像頭的程度。雨霧天氣下，激光雷達的探測能力會大打折扣。二是成本更高，激光雷達的X,Y,Z, 反射率信息，甚至RGB信息對CPU的處理能力都有更高的要求，更好的CPU需要更高的價格。

目前，在汽車行業，激光雷達已經成為了車企新車的競爭焦點之一，與此同時圍繞激光雷達的“軍備賽”也已開啟。

更多信息可以來這里獲取==>>電子技術應用-AET<<