近年来随着科技技术水平的发展和世界工业制造业的进步，无人驾驶技术正经历着前所未有的迅猛发展。无人驾驶汽车能够利用计算机的发展和人工智能技术的进步，把这些技术运用到汽车上，最终解放驾驶员的双手，使汽车这种交通工具变得更智能，更便捷。小编主要介绍无人驾驶汽车的概念及其技术的工作原理。无人驾驶室建立在信息感知、中央处理器控制和执行机构等部分的基础上的跨学科、跨专业的综合性技术。它的核心技术主要有对环境的感知能力、对前方道路物体的识别能力，对识别的信息进行分析处理和判断的能力。最后展望了无人驾驶未来的发展前景。

一、无人驾驶汽车介绍

无人驾驶汽车属于智能汽车的一种类别，有时候也被称为轮式移动机器人，它主要依靠传感器采集的信息输送到车内的计算机系统，经过计算机系统的分析计算和处理，然后控制汽车执行相应的操作和指令的机器。车辆能够通过感知道路的环境信息和车辆信息，自行规划最佳的行车路线并控制车辆到达乘客设定的目的地的智能汽车。无人驾驶主要是由车上安装的各种各样的传感器来感知道路前方和两旁的各种信息、障碍物和车辆的位置信息。常用的传感器有毫米波雷达、激光雷达以及安装在汽车上的摄像头。车辆控制系统技术除了传统的 PID 控制外，在无人车系统也越来越多的引入了神经网络模糊控制技术。自动驾驶技术的发展，很大程度上是为了改善人们的生活质量，防止不必要的人为车祸，减少拥堵，为人类出行提供更大便利。

二、人工智能技术在无人驾驶中的应用

（一）计算机视觉技术

计算机视觉是一门研究如何使机器更聪明的“看”的科学，更确切的说，就是利用安装在特定地方的摄像头或者电脑对目标进行识别、测量和跟踪等等的机器视觉，从而最终能够代替人类的眼睛来工作。通过识别技术后，利用计算机的图像处理能力，把已经存储的图片经过一定的处理和过滤，让它能够更易于人类的眼睛观察或者更利于计算机或相关的仪器设备进行分析处理。作为一门独立的学科，计算机视觉的最新研究集中在如何能够从图形中智能的获取信息并进行分析和处理，当然这里的信息是指能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指 Shannon 定义的，可以用来帮助做一个“决定”的信息。因为感知环境周围的信息可以看作是从感官信号中提取相应的环境信息，所以计算机视觉技术也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。计算机视觉技术是利用各种成象原理制成的系统代替人类视觉系统作为输入信号，由计算机来代替人类的大脑进行信息信息的交换和分析处理。计算机视觉技术的最终想要实现的就是使计算机能象人类一样，仅仅只是通过视觉观察和理解世界，具有计算机系统适应环境的能力。而这是要经过数十年的发展和科学技术的进步才能达到的目标。例如，计算机视觉技术的一个主要应用就是无人驾驶技术，但是在人类还没有完全研发出像人类一样的视觉系统时，我们现在只是具备在特定道路上车辆具有道路跟踪能力，最后能够达到避免与前面的汽车相撞的视觉辅助驾驶系统。

（二）目标识别

在无人驾驶技术中，主要用到技术之一就是目标体的识别，它为下一步的计算机决策提供了必要的信息和数据，在目标识别领域，目前应用最多的就是深度学习中的卷积神经网络（Convolutional Neural Network）,它是最近几年提出和发展的新技术，随着 ImageNet 比赛的进行和持续，卷积神经网络在物体识别方面的错误率越来越低。在深度学习模型层数很深和数据量足够大的时候，卷积神经网络的物体识别错误率已经做得比人类更优秀了。卷积神经网络主要有输入层、卷积层、激励层、池化层、全连接层、输出层组成。它们各自具备独特的功能。输入层：用于数据的输入，在 CNN 的输入层中，数据输入的格式 与 全连接神经网络的输入格式（一维向量）不太一样。CNN 的输入层保持和原有图片的本身结构一样，而不是像全连接神经网络中的一维向量一样。卷积层：利用多个卷积核对图像进行特征提取的过程，一个感受视野就是相对于的一个卷积核，我们将感受视野中的权重 w 矩阵称为卷积神经网络中的卷积核 ；将感受视野每次移动的距离称为步长，当移动的距离比较大时，为了得到边界的信息，这时就需要对边界进行扩充，扩充的方式分为两种类型。激励层：由于卷积在数学计算上是一种线性运算，而线性运算之后得到的信息不过是之前信息的线性组合，因此需要增加非线性映射，这就是激励层的作用，把线性运算通过作用得到非线性结果。池化层：对激励层的数据进行下采样，对特征图稀疏处理，减少计算机需要工作的运算量。全连接层：在 CNN 的最后进行数据的重新拟合，目的就是为了减少相关的特征信息的缺损。输出层：最后在全连接的计算后，通常利用 softmax 函数对要分类的结果设置相应的数量，每一个相应的数字对应相应的类别，用于输出结果。

（三）车辆决策信息处理

无人驾驶汽车的行为决策系统或者叫驾驶决策系统，通常来说包括对于全局路线的规划决策能力和局部区域的避障避险能力，当然也包括常规的对于道路上的交通信号灯和交通指示牌的识别与决策，在全局的算法和策略使用和局部的避障避险中，它们都使用了深度学习中的神经网络技术。把从摄像头捕捉到的原始像素图特征作为神经网络的输入端，输出端为为汽车的操控命令。车辆摄像头采集的相关的图像信息经过神经网络处理，提取出车道数、车道线、交通标识和车辆行人信息，然后以这些信息作为输入，利用 vfh/dwa 算法进行即时驾驶和避障控制，比如变道 减速 刹车等等。谷歌无人车自动驾驶系统使用的就是这种控制策略。有一种最简单的设计无人驾驶系统的办法，就是只用神经网路来做一切控制，我们只需要用大量的数据来训练它，这样就不用写复杂的控制策略算法代码了，我们只要训练好神经网络，然后用很少的代码让它运行就可以了。

三、无人驾驶的未来前景

未来的汽车可能已经不仅能只是我们日常生活中的一种交通工具，它会更多的向互联网的方向发展，最终形成车联网。无人驾驶汽车将感知环境、决策汽车行驶状态、控制车辆的转动与反馈通过一定的操作整合到一个系统中，实现了汽车脱离驾驶员而能保证其驾驶稳定性与行车的安全性。无人驾驶的出现将从根本上改变传统汽车的控制方式，对于交通系统的安全性与通行效率有了较大保障。随着大数据、物联网、云计算的不断深入发展，无人驾驶汽车的性能将会更加完善，我们相信在未来的不远，无人驾驶汽车将会奔驰在中国的大地上。