感知，包括了傳感器融合(整合多傳感器的數據)、物體檢測(發現障礙物)、物體分類(障礙物是不是行人)，物體分割(行人位于道路右側還是左側)和障礙物跟蹤(行人在向哪個方向移動)等。
感知，是自動駕駛的前提，沒有精確的感知，自動駕駛就是一場災難!要做到精確的感知，必須采用多種探測技術，因為目前全世界還沒有一種探測技術能適應所有場景。
常見的感知傳感器主要有：視覺類成像傳感器(包括單目/雙目立體視覺、全景視覺、紅外相機等)和雷達類測距傳感器(包括激光雷達、毫米波雷達、超聲波雷達等)。
在光照良好的條件下，可見光視覺類傳感器就像人類的眼睛，可以提供最全面最準確的環境信息，但是在黑夜、雨霧雪等惡劣環境下，它們就無能為力了。紅外傳感器是近些年才被人們所重視的，能在任何環境或天氣條件下較準確地識別到生物，但是對徑向運動的辨別能力很差，沒有角度測量能力，不能完成靜止測距。
雷達類傳感器一般不受天氣或光照影響，但是它們不能精確地確定物體的大小和形狀，只能確定在距離多遠的地方有物體存在;有的雷達技術對部分材料敏感、對部分材料不敏感，可能會造成誤判。
激光雷達傳感器也是近些年比較火的技術，與其他的雷達類傳感器不同，它綜合了視覺傳感器和雷達傳感器的優點：能成像能測距、不受光照影響，但是也有缺點：成本很高、會受雨霧灰塵等環境因素影響。
前面說的這些感知技術，都是從車輛自身的角度來說的，是汽車采集環境數據的第一來源，但僅靠這些手段去實現高級別的自動駕駛還是不夠的。我們在ITA視角第三期文章《車聯網與5G和自動駕駛》里講過，借助于車聯網的V2X通信，汽車可以從周邊車輛、道路、基礎設施等獲取到更多信息，大大增強汽車對周圍環境的感知。通過這種方式，可以突破單車感知的局限性，降低單車傳感器的成本，擴大單車感知的范圍。
綜上所述，汽車會通過自身安裝的多個攝像頭、多個雷達等傳感器實時采集環境數據，也會通過V2X通信技術從周邊車輛等獲取環境數據，那么，這么多數據應該怎么處理呢?
首先，一個基本原則是，以汽車自身傳感器采集到的數據為主，從周邊車輛等獲取到的數據為輔。因為，沒有人愿意把自己的安危交給他人決定，萬一周邊車輛等傳遞過來的數據是過期失效、甚至是惡意篡改的呢?
其次，汽車自身采集的數據也有很多種，有的是2D圖像數據，有的是3D激光點云數據，還有的是距離數據等。而且，不同種類的數據還會有多個來源，有的是車前方的，有的是車后方的，還有的是車兩側的。所有這些數據，有兩種處理方案：集中式處理方案和分布式處理方案。所謂集中式處理，就是傳感器只管產生數據，把產生的大量數據通過高帶寬的總線傳輸到高性能的中央處理器，由中央處理器進行大量的運算處理;所謂分布式處理，就是傳感器不僅產生數據，還要把產生的數據先進行預處理，然后再把處理后的少量數據通過總線傳輸到中央處理器，中央處理器只需要進行融合等少量的運算處理。
不管哪種方案，所有傳感器的數據都需要進行深度融合，合成為包含多個角度、距離、維度的全方位的環境數據，然后在此合成數據基礎之上再進行識別和處理，進行物體檢測、物體分類，物體分割和障礙物跟蹤等。
除了需要感知，汽車還需要定位和高精度地圖。有了定位和地圖，才能知道我在哪里、目的地在哪里、怎么去目的地。地圖好說，有專業的公司專門負責制作和維護，那么定位怎么弄呢?一般有三種方法：
1、基于地標定位。根據視覺傳感器或者激光雷達傳感器采集到的圖像，與數據庫中的特征進行匹配，確定車輛的位置。
2、基于信號定位。車輛安裝GPS和/或北斗，獲取衛星定位信號;還可以通過4G/5G的蜂窩通信系統基站定位。
3、基于慣性定位。首先知道車輛的起始位置，然后根據慣性傳感器來的數據計算車輛當前的位置和方向，本質上就是在初始位置上不斷累加位移矢量來計算當前位置。
通常情況下，使用最多的定位方法，是2、3兩種方法的結合，即衛星定位+慣性導航。而在自動駕駛中，為了保證高準確度，往往采用1、2、3三種方法結合，即先使用衛星定位+慣性導航先判斷出大概位置，再使用高精度地圖與感知系統獲取到的圖像進行對比計算，確定出更精確的位置。
最后，有了對當前周邊環境的感知，有了定位和地圖，那么就可以通過大量復雜的計算，制定出車輛的運動軌跡和行為動作，也就是規劃與決策。為了保證自動駕駛的安全性和舒適性，對算法就提出了很高的要求：速度要快，要能對動態的大量數據快速計算出結果;結果要合理，稍有差錯可能就造成嚴重的后果;算法要智能，能自動學習，能正確處理各種未知的突發情況。
在以前，傳統的編程模式是窮舉式的，典型的就是if...else if...else這種結構，把所有已知情形都列舉出來并一一給出處理辦法，然后其他所有未知的都歸并到else這一個地方給出一個籠統的處理辦法。以這種思路寫出的程序如果用于自動駕駛，可能會出現什么樣的結果?大家自己可以想象。
隨著技術的發展，神經網絡理論逐漸成熟，科學家基于對人類大腦神經細胞、學習和條件反射的觀察和研究，建立并完善了深度學習的算法模型。與以前算法最大的不同就是，它是基于大量數據訓練逐步自己完善自己的，而不是由開發者事先確定好的。甚至模型中的很多參數，開發者自己都不能解釋為什么應該是這個值而不是其他值。
很多人在上大學時可能都干過這樣的事：做實驗，自己的實驗沒做好，結果不理想，于是從別的同學那里抄來結果，然后開始修改自己的實驗中間過程數據，讓數據能跟結果看起來吻合。深度學習算法本質上也是這樣做的：原始輸入數據和對應的最終結果都有了，算法開始自己拼湊公式中的參數，以使能根據輸入數據計算出相同的結果;然后換一批輸入數據重復相同的過程，拼湊出的參數既要保證本次計算能得出正確的結果，還要保證以前的數據也還是能得出正確的結果;重復這樣的過程，直到所有數據都訓練完，這樣最終拼湊出的參數模型，能保證所有已知數據都能計算出相應的正確結果。樣本數據越多，拼湊出的參數模型越能接近反映事物的本質。
實踐已經證明，這種解決問題的思路，要比從探究事物本質原理的角度建模寫算法要好，簡單、粗暴、有普適性。但是，畢竟是拼湊出來的，只能是盡可能地接近事物的本質，而不能保證100%就是事物的本質。
當前自動駕駛大部分是在L3級別的，叫有條件自動化，對方向盤和加減速中的多項操作提供駕駛支援，其他的駕駛操作由人類駕駛者完成。
L4級別是高度自動化，由無人駕駛系統完成全時駕駛操作，根據系統請求，人類駕駛者不一定需要對所有的系統請求做出應答，限定道路和環境條件，這是后面幾年人們的研發重點。
L5級別是完全自動化，允許車內所有乘員從事其他活動，無需對車輛進行監控。這是人們追求的目標，什么時候能實現?也許十年，也許二十年。但真到了L5普及的那一天，你敢用嗎?我覺得汽車的安全防護技術要有重大突破，即使自動駕駛決策失誤，也不能造成非常嚴重的后果，這樣人們才能安心地將自己的安危完全托付給汽車。
