汽車自動駕駛算法目前發(fā)展迅速且應(yīng)用廣泛，但也存在一些挑戰(zhàn)和不斷改進的空間。

在感知模塊，主要通過攝像頭、激光雷達和雷達等傳感器來實現(xiàn)功能。攝像頭存在長焦抖動、廣角成像不清、變焦不穩(wěn)定等問題，未來需要滿足低照度、高動態(tài)等要求。激光雷達有點云成像不理想、環(huán)境適應(yīng)性差、成本高等不足，未來期待高分辨率、點云均勻分布且低成本的固態(tài)產(chǎn)品。雷達無法三維成像，對目標(biāo)識別精度較低，未來可能發(fā)展低成本可成像的雷達。感知算法模塊面臨訓(xùn)練樣本少、標(biāo)注成本高、數(shù)據(jù)不平衡、場景覆蓋不全等導(dǎo)致精度下降的問題，未來應(yīng)關(guān)注模型可解釋性、小樣本學(xué)習(xí)等方向，且融合應(yīng)偏向異構(gòu)，加強對場景的理解和仿真在線認(rèn)證。

在預(yù)測模塊，算法對外部環(huán)境和自車狀態(tài)的理解至關(guān)重要。收集感知模塊輸入的各類信息來判斷主車狀況，評估障礙物軌跡或意圖，為規(guī)劃提供參考，通常以 RNN 為主。

規(guī)劃模塊分為全局路徑規(guī)劃、行為規(guī)劃與運動規(guī)劃。全局路徑規(guī)劃依靠地圖規(guī)劃理想路徑，行為規(guī)劃根據(jù)實時交通環(huán)境做出駕駛行為決策，運動規(guī)劃生成駕駛軌跡并優(yōu)化。算法層面，通常采用基于規(guī)則的規(guī)劃決策算法，也有引入機器學(xué)習(xí)提升決策效能的嘗試。

自動駕駛算法中，深度學(xué)習(xí)算法是當(dāng)前應(yīng)用較廣的，如 BEV+Transformer 算法。它能生成鳥瞰圖感知外部世界，解決距離尺度和遮擋問題，且 Transformer 大模型具有全局信息感知能力強、適用于大規(guī)模數(shù)據(jù)訓(xùn)練、多模態(tài)感知、靈活泛化性能好等優(yōu)勢。特斯拉的 BEV+Transformer 算法在 2D 圖像到 3D 空間的轉(zhuǎn)換及圖像融合、加入時序信息讓算法擁有“記憶”等環(huán)節(jié)表現(xiàn)出色。

目前學(xué)術(shù)圈用“打榜”來對自動駕駛算法評分，常用 nuScenes 數(shù)據(jù)集。但嚴(yán)格意義上的自動駕駛算法評分對比很難做到完全公允，還需考慮算法效率和落地可行性，以及訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)結(jié)構(gòu)等。純視覺效果落后于視覺和激光雷達融合，但純激光雷達效果與融合效果相差不大。

自動駕駛算法雖不斷進步，但仍面臨諸多挑戰(zhàn)，如算力需求高、成本高昂等。未來還需持續(xù)優(yōu)化和創(chuàng)新，以推動自動駕駛技術(shù)的廣泛應(yīng)用。

（圖/文/攝：太平洋汽車 整理于互聯(lián)網(wǎng)）