|---|---|---|---|---|---|---|---|-------------------------|---|---|---|---|---|---|---|---|---|
| || ||| ||||||| ||| |||
| ++物联网前沿技术++ 课程考核论文 |-----------|-------------------| | 论文题目： | 自动驾驶汽车的关键技术综述 | | 学生姓名： | 杜子健 | | 专业班级： | 物联网2303 | | 学生学号： | 231040700302 | | 指导教师： | 马海华 | |||||||||||||| ||||
| 考核项1 ( 10分) ||| 考核项2 (20分) ||| 考核项3 (30分) || 考核项4 (40 分) | 合计 |||| |||||
| ||| ||| || | |||| |||||
| | ||| ||| || | | ||||| | |
| | | | | | | | | | | | | | | | | | |
自动驾驶汽车关键技术综述
摘要
自动驾驶汽车是汽车电子、智能控制与互联网技术深度融合的产物，其核心系统遵循 "感知 - 控制 - 执行" 框架，需通过多技术协同实现环境认知、决策规划与操作落地。本文基于王艺帆、孟祥雨及徐向阳等学者的研究成果，结合传感器参数、测试里程等数据，辅以系统架构描述，系统梳理自动驾驶感知系统、决策规划与执行控制、测试场景构建三大关键技术模块的核心观点、应用案例与性能指标。分析表明，多传感器融合、组合定位导航、V2X 通信是感知系统的核心支撑，虚拟测试场景构建则是解决实车测试效率低、危险场景覆盖不足的关键路径。当前技术发展仍面临传感器成本高、恶劣环境适应性弱、测试标准不统一等挑战，未来需通过技术融合与标准化体系建设推动自动驾驶落地。
关键词
自动驾驶；感知系统；传感器；定位导航；V2X；测试场景
目录
[1 感知系统：自动驾驶的环境认知核心... 5](#1 感知系统：自动驾驶的环境认知核心... 5)
[2 决策规划与执行控制：自动驾驶的操作核心... 7](#2 决策规划与执行控制：自动驾驶的操作核心... 7)
[3 测试场景构建：自动驾驶的安全验证关键... 9](#3 测试场景构建：自动驾驶的安全验证关键... 9)
[4 结论与展望... 10](#4 结论与展望... 10)
引言
自动驾驶汽车通过技术替代人类驾驶员完成 "环境感知 - 决策控制 - 操作执行" 全流程，实现无需人工介入的安全行驶，其发展对提升交通效率、降低事故率具有重要意义。美国国家公路交通安全管理局（NHTSA）将自动驾驶技术分为 0-4 级，从 0 级完全人工操作到 4 级全场景自动控制，各级别升级的核心均围绕感知精度、决策智能化与执行可靠性的提升展开（王艺帆，2016），如表1.1所示。王艺帆（2016）提出自动驾驶系统由感知、控制、执行三部分构成：感知系统替代驾驶员 "感知" 功能，获取车辆自身与外界环境信息；控制系统替代 "大脑"，通过算法分析信息并制定决策；执行系统替代 "手脚"，实现加速、减速、转向等操作。孟祥雨等（2021）进一步补充，感知系统需涵盖环境感知、内部感知与驾驶人感知，其中环境感知是核心，需实时识别周边物体、路况、天气等信息，为后续决策提供数据支撑。而徐向阳等（2021）则指出，传统实车测试需累计 142 亿公里道路测试才能验证 L4 级自动驾驶的安全性，但其单台车年测试里程仅约 10 万公里，成本高、周期长的缺陷已无法满足技术迭代需求，虚拟测试场景构建成为关键突破口。本文基于上述三篇核心文献，结合数据表格与系统架构描述，从三大技术维度综述自动驾驶关键技术的核心观点、应用案例与性能指标，为技术研发与产业应用提供参考。
表1 NHTSA 自动驾驶等级划分表
| 等级 | 技术名称 | 核心特征 | 典型功能案例 |
|---|---|---|---|
| 0 | 无自动化 | 驾驶员操作汽车所有动作，无任何辅助功能 | 无 |
| 1 | 单项功能自动化 | 自动控制方向或加减速中一项，驾驶员主导监控 | 自动紧急制动（AEB）、自适应巡航（ACC） |
| 2 | 多项功能自动化 | 自动控制方向和加减速，驾驶员需实时监控，突发情况需手动接管 | 车道保持辅助（LKA）+ACC 组合 |
| 3 | 有限自动驾驶 | 自动控制所有驾驶操作，突发情况提供足够时间让驾驶员介入，适用于特定场景 | 高速公路自动驾驶 |
| 4 | 完全自动驾驶 | 自动控制整个旅程，应对所有场景，驾驶员完全无需介入 | 城市全场景无人驾驶 |
1 感知系统：自动驾驶的环境认知核心
感知系统是自动驾驶的基础，需实现对局部环境的实时识别与全局位置的精准定位，核心通过传感器、定位导航、V2X 通信三大技术协同实现（王艺帆，2016），三者分别解决 "局部环境识别""全局位置确定""超视距信息交互" 问题，共同构成自动驾驶的 "感知网络"。
传感器是感知系统的 "眼睛"，负责采集行驶路径、周围障碍物与行驶环境信息，主流技术包括视觉感知、激光感知、微波感知，三者各具特征，需根据场景需求选择应用（王艺帆，2016）。视觉感知基于摄像头采集图像信息，通过视觉算法处理识别车道线、信号灯、行人等目标，具有信息量丰富、实时性好、体积小、能耗低的优势，是 ADAS（高级驾驶员辅助系统）的核心技术之一，如前碰撞预警（FCW）、车道偏离预警（LDW）功能均依赖视觉感知实现，但易受光照（强光、逆光）与运动速度影响，三维信息测量精度低，例如在暴雨天气下，摄像头易出现图像模糊，无法准确识别远处交通标志。激光感知依托激光雷达获取点云数据，通过滤波、聚类技术生成环境三维模型，可直接获取物体三维距离信息，测量精度达厘米级，且对光照变化不敏感，适用于城市复杂场景的环境感知，如宝马将激光扫描仪安装在前保险杠下方，实时生成前方路况的 3D 信息，辅助车辆识别静态路障与动态交通参与者，但激光雷达存在体积大、价格昂贵的问题，早期多线激光雷达单价超 10 万美元，难以大规模普及，同时无法感知无距离差异的平面内目标（如相邻车道的静止车辆与护栏），需与其他传感器配合使用。微波感知（如毫米波雷达）基于微波信号采集目标距离与速度信息，具有抗干扰能力强、实时性好、体积小的优势，对光照变化不敏感，适用于高速场景的远距离检测，如 79GHz 毫米波雷达的探测范围可达 150 米，可支撑自适应巡航（ACC）功能，在高速公路上实现与前车的安全跟车，但其缺陷与激光雷达类似，无法识别平面内无距离差异目标，对非金属物体（如塑料路障）的识别灵敏度低。单一传感器安全性与整体性较差，多传感器融合是未来趋势，例如欧盟 PROTECTOR 计划研发的行人安全检测系统，融合激光雷达（三维测距）与光学摄像头（图像特征）数据，将行人识别准确率从单一传感器的 78% 提升至 98% 以上，有效避免了暴雨、逆光场景下的误判（王艺帆，2016），当前 ADAS 系统已广泛应用该技术，如泊车辅助系统结合超声波雷达（近距离探测）与鱼眼摄像头（视野覆盖），既解决了超声波雷达探测距离短的问题，又弥补了摄像头弱光环境下的识别缺陷，如表2所示，以下为主流传感器参数。
表2 主流传感器技术参数对比表
| 传感器类型 | 核心参数 | 优势 | 局限 | 典型应用场景 | |
|---|---|---|---|---|---|
| 视觉感知（摄像头） | 帧率 30-60fps，分辨率 1920×1080 | 信息量丰富、实时性好、体积小（<100cm³）、能耗低（<5W） | 易受光照 / 运动影响，三维测距精度低（误差 > 5%） | 车道偏离预警（LDW）、交通标志识别 | |
| 激光感知（激光雷达） | 测距精度 ±2cm，探测距离 200m，点云密度 150 点 /㎡ | 三维测距精度高、不受光照影响 | 体积大（多线雷达直径 > 20cm）、成本高（早期多线雷达 > 10 万美元）、无法识别平面无距离差异目标 | 城市复杂场景环境建模 | |
| 微波感知（毫米波雷达） | 测距精度 ±0.5m，探测距离 150m，时延 < 50ms | 抗干扰强（雨雪天气衰减 < 20%）、实时性好、体积小（<50cm³） | 无法识别平面无距离差异目标、非金属物体灵敏度低（塑料路障识别率 < 30%） | 前碰撞预警（FCW）、ACC |
传感器仅能获取局部环境信息，无法实现全局高精度定位，定位导航系统通过融合卫星定位、惯性导航、地图匹配等技术，为车辆提供全局位置、路径设计与引导功能（王艺帆，2016）。常用定位技术中，卫星定位（GPS / 北斗）具有全天候、全球性优势，但信号易受遮挡（高楼、隧道），城市密集区定位误差可从 10 米级扩大至 50 米以上；惯性导航（INS）短期精度高（数据更新率 100Hz），但误差随时间积累，5 分钟后定位误差可从 1 米扩大至 10 米（王艺帆，2016）。组合定位导航成为主流方案，其中 GPS/INS 组合利用 INS 短期高精度辅助 GPS 保持低跟踪带宽，同时通过 GPS 修正 INS 的积累误差，例如在高速公路隧道中，INS 可在 GPS 信号丢失的 1-2 分钟内维持高精度定位；GPS/INS/GIS 组合则通过地图匹配算法将定位数据与电子地图实时匹配，无需额外硬件即可提升精度，百度 Apollo 系统采用该方案，城市复杂场景下定位连续性达 99.9%（王艺帆，2016）。高精度智能地图是定位导航的关键支撑，其通过激光雷达 3D 扫描、摄像头图像采集构建车道级三维模型，同时依托云端更新动态交通数据，例如谷歌自动驾驶车队通过激光扫描仪与 GPS 采集数据，绘制的高精度地图可识别 0.1 米宽度的车道标线；丰田则将 GPS 数据与地面摄像头图像整合，实现地图信息的实时更新（王艺帆，2016）。
V2X（车联通信）是感知系统的 "延伸"，通过车与车（V2V）、车与基础设施（V2I）的信息交互，实现超视距感知，消除视野盲区。自动驾驶系统 "感知 - 控制 - 执行" 核心架构中，V2X 通信作为感知系统的延伸模块，直接向控制系统传输超视距信息，该架构清晰展示了感知系统（内部 / 驾驶人 / 环境感知）向控制系统（信息融合、行为决策）传输数据，控制系统输出指令至执行系统（制动 / 转向 / 照明）的全流程，同时外部环境（道路 / 交通 / 事件）为感知系统提供输入（孟祥雨等，2021）。NHTSA 预测，V2V 技术可避免 80% 的中轻型车辆交通事故、71% 的重型车交通事故，V2I 技术可减少 12% 的道路安全事故（王艺帆，2016）。当前主流通信技术为专用短程通信（DSRC），其传输时延 < 50ms、通信距离 50-500 米，符合自动驾驶的低时延需求，且已实现规模化应用，美欧日的智能交通项目（美国 IntelliDrive 项目、欧洲 CVIS 项目、日本 Smartway 计划）均以 DSRC 为核心，通用 2017 款凯迪拉克 CTS 率先搭载 DSRC 系统，结合 GPS 可获取周边 300 米内车辆的位置、速度、加速度数据，提前 1.5 秒预警碰撞风险（王艺帆，2016），以下是V2X 通信技术性能对比表如表3所示。
表3 V2X 通信技术性能对比表
| 通信技术 | 时延 | 通信距离 | 传输速率 | 适用场景 | |
|---|---|---|---|---|---|
| DSRC | <50ms | 50-500m | 3-27Mbit/s | 车车实时交互、路口预警 | |
| WiFi | 秒级 | <1km | 6-54Mbit/s | 低速封闭场景（如停车场） | |
| 蜂窝网络（4G） | 秒级 | <10km | <10Mbit/s | 远程数据传输（如导航更新） | |
| 5G-V2X | <10ms | 1-3km | 100-1000Mbit/s | 车队自动驾驶、车路协同 |
2 决策规划与执行控制：自动驾驶的操作核心
决策规划与执行控制是自动驾驶的 "大脑" 与 "手脚"，前者基于感知数据制定行驶策略，后者将决策指令转化为实际操作，两者协同保障车辆安全高效行驶（孟祥雨等，2021）。
决策规划需在符合交通法规的前提下，形成 "任务 - 行为 - 动作" 三层规划体系。任务规划作为最高层级，负责确定从起点到终点的全局路径，需结合实时交通数据（拥堵、管制）与车辆性能（续航、动力）优化方案，例如在城市通勤场景中，系统通过整合拥堵信息，在 "最短距离" 与 "最短时间" 间选择最优路线，常用 A * 算法的路径搜索效率较 Dijkstra 算法提升 60%（孟祥雨等，2021）。行为规划是中间层级，将全局路径分解为具体行驶行为（跟车 / 超车 / 避让），需处理交通参与者的不确定性，例如在高速公路场景中，系统根据前车速度与车距决策超车时机，特斯拉 Autopilot 通过真实道路数据训练模型，变道决策的安全性已接近人类驾驶员（孟祥雨等，2021）。动作规划是最低层级，将行为转化为控制指令，采用模型预测控制（MPC）算法，预测车辆未来运动状态，避免失稳，例如在紧急制动场景中，MPC 算法可计算最小安全距离，控制制动压力变化速率，避免车轮抱死（孟祥雨等，2021）。
执行控制系统通过制动、转向、油门三大模块实现指令落地，环境感知与控制执行的详细流程架构清晰呈现了数据流向与执行逻辑：环境感知系统（雷达 / 摄像头 / 激光仪）向信息处理系统传输数据，规划决策系统输出指令，通过数据总线传递至运动控制系统（油门 / 制动 / 转向）与辅助驾驶系统（应急制动 / 限速识别）（孟祥雨等，2021）。各模块的核心性能指标各有侧重，制动系统采用电子液压制动（EHB），响应时间 < 100ms（较传统制动提升 50%），结合 ABS/ESP 实现制动力精准分配；转向系统中，电动助力转向（EPS）的转向精度达 0.1 度，支持自动泊车，线控转向（SBW）响应速度提升 30%，但受安全冗余限制尚未普及；油门系统的电子节气门控制精度 0.5%，定速巡航的车速波动 <±1km/h，优于人类驾驶员的控制稳定性（孟祥雨等，2021），三个模块整理如表4所示。
表4 执行系统核心模块性能表
| 执行模块 | 技术类型 | 响应时间 | 控制精度 | 安全冗余设计 | |
|---|---|---|---|---|---|
| 制动系统 | 电子液压制动（EHB） | <100ms | 制动力分配误差 < 5% | 双回路设计，单回路失效仍维持 70% 制动力 | |
| 转向系统 | 电动助力转向（EPS） | <200ms | 转向角度误差 < 0.1° | 无机械冗余，依赖电子故障检测 | |
| 转向系统 | 线控转向（SBW） | <150ms | 转向角度误差 < 0.05° | 双电机 + 双 ECU，失效接管时间 < 50ms | |
| 油门系统 | 电子节气门 | <200ms | 开度控制误差 < 0.5% | 单电机 + 故障熔断，失效时关闭节气门 |
3 测试场景构建：自动驾驶的安全验证关键
传统实车测试效率低下，虚拟测试场景构建成为验证自动驾驶安全性的核心技术（徐向阳等，2021）。场景是描述人 - 车 - 路 - 环境动态关系的模型，需涵盖 10 层信息，包括场景要素（交通设施、动态参与方、环境状态）与测试要素（驾驶目标、失效策略）。欧盟 PEGASUS 项目将场景按抽象程度分为三类，功能场景描述功能需求（如 "前碰撞预警"），逻辑场景定义要素关系（如 "高速公路前车紧急制动"），具体场景则包含具体参数（如 "主车 100km/h，前车 0km/h，车距 50 米"），三类场景分别适用于自动驾驶研发的不同阶段，为测试提供清晰的分层框架。
场景构建需经历完整的技术流程，首先是具体场景提取，从自然驾驶数据与事故数据中获取基础场景信息，中国 FOT 项目累计采集 1000 万公里自然驾驶数据，提取近万例典型场景，涵盖城市道路、高速公路、乡村道路等不同路况，国家市场监督管理总局则基于 NAIS 数据库，构建 1000 例以上预碰撞场景，补充危险场景数据（徐向阳等，2021）。其次是典型逻辑场景挖掘，通过聚类分析（k-means、k-medoids）从离散场景中提取代表性特征，例如 NHTSA 基于 NASS-GES 数据库，提取 37 类乘用车预碰撞场景，其中追尾场景占比 60%，关键参数范围为车速 40-100km/h、车距 20-50 米，侧面碰撞场景占比 25%，多发生于路口通行场景，相对速度 30-60km/h，这些数据为后续针对性测试提供了依据（徐向阳等，2021）。然后是危险场景推理，针对自动驾驶特有的风险因子（如传感器失效、通信延迟），结合感知、决策、执行、通信四个维度分析潜在危险，例如感知维度中激光雷达在暴雨下探测距离缩短 50%，需构建 "暴雨天气前车紧急制动" 场景，决策维度中人类驾驶车辆违规变道易导致误判，需构建 "邻车道车辆违规切入" 场景，ISO/PAS 21448 标准已明确风险因子分析框架，为危险场景推理提供指导（徐向阳等，2021）。最后是场景重构衍生，通过随机采样、重要性采样等算法批量生成具体测试场景，随机采样适用于基础场景生成，但危险场景占比低，重要性采样通过偏向危险参数范围（小车距、高车速），可大幅提升测试效率，密歇根州立大学的该算法将碰撞场景测试效率提升 7000 倍，原本需要 1 亿公里实车测试才能覆盖的危险场景，通过虚拟测试可在数小时内完成（徐向阳等，2021）。
虚拟测试通过专业软件实现场景验证，主流工具包括 VTD、PreScan、CarMaker，这些软件支持场景可视化编辑、车辆动力学仿真与传感器仿真，可实现从场景构建到测试执行的全流程自动化。虚拟测试应用主要分为三种方式，单一片段测试以独立场景用例验证特定功能，如 AEB 系统在 "前车紧急制动" 场景下的性能，E-NCAP 已将该测试纳入评分体系，流程清晰、覆盖度高，是当前主流测试方式；组合片段测试通过场景触发机制拼接多个场景，实现连续测试，适用于 L3 及以上等级自动驾驶，可验证系统在复杂交互场景下的功能连续性；融合交通流测试基于真实交通大数据训练交通流模型，提升场景真实性，例如腾讯 TAD Sim 平台可构建包含数千辆虚拟车辆的交通流模型，模拟早晚高峰拥堵场景，验证自动驾驶系统在复杂交通流中的跟车、变道等功能（徐向阳等，2021），以下是虚拟测试和实际测试的对比表，如表5所示。
表5 实车测试与虚拟测试效率对比表
| 测试方式 | 测试里程（万公里） | 测试时间（天） | 危险场景覆盖数 | 成本（万元） | |
|---|---|---|---|---|---|
| 实车测试 | 1000 | 300 | 100 | 5000 | |
| 虚拟测试 | 1000（等效） | 1 | 10000 | 500 |
4 结论与展望
基于王艺帆、孟祥雨、徐向阳等学者的研究，自动驾驶关键技术已形成 "感知 - 决策 - 执行 - 测试" 完整体系，感知系统通过多传感器融合、组合定位导航、V2X 通信实现环境全面认知，为后续决策提供精准数据支撑；决策规划与执行控制通过三层规划架构与三大执行模块，将感知数据转化为安全高效的驾驶操作；测试场景构建则通过虚拟技术解决实车测试瓶颈，保障技术迭代与安全验证效率。
当前技术发展仍面临诸多挑战，感知层面，激光雷达成本高、恶劣天气适应性弱，多传感器融合算法复杂度需进一步降低；决策层面，交通参与者行为不确定性与伦理决策问题尚未形成统一解决方案；测试层面，场景构建方法链与工具链不完善，标准体系尚未统一。未来发展需聚焦三方面，一是推动多技术深度融合，如传感器与 V2X 协同提升感知范围，定位导航与高精度地图动态更新保障全局位置精度；二是完善测试标准体系，建立覆盖场景构建、虚拟测试的统一标准，实现测试结果互认，降低企业研发成本；三是加快核心技术国产化，降低激光雷达、高算力芯片等关键部件的进口依赖，推动自动驾驶从特定场景向全场景普及，最终实现交通领域的安全、高效、智能转型。
参考文献
1\] 王艺帆。自动驾驶汽车感知系统关键技术综述 \[J\]. 汽车电器，2016 (12):12-16. \[2\] 孟祥雨，张成阳，苏冲。自动驾驶汽车系统关键技术综述 \[J\]. 时代汽车，2021 (08):4-5. \[3\] 徐向阳，胡文浩，董红磊，等。自动驾驶汽车测试场景构建关键技术综述 \[J\]. 汽车工程，2021,43 (4):611-619.