详述人工智能在自动驾驶技术中的应用
随着技术的快速发展云计算、大数据、人工智能一些新名词进入大众的视野，人工智能是人类进入信息时代后的又一技术革命正受到越来越广泛的重视。作为人工智能等术在汽车行业、交通领域的延伸与应用，无人驾驶近几年在世界范围内受到了产学界甚至国家层面的密切关注。
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。自动驾驶技术将成为未来汽车一个全新的发展方向。本文将主要介绍人工智能技术在自动驾驶中的应用领域，并对自动技术的发展前景进行一个简单的分析。
01
人工智能是一门起步晚却发展快速的科学。20世纪以来科学工作者们不断寻求着赋予机器人类智慧的方法。现代人工智能这一概念是从英国科学家图灵的寻求智能机发展而来，直到1937年图灵发表的论文《理想自动机》给人工智能下了严格的数学定义，现实世界中实际要处理的很多问题不能单纯地是数值计算，如言语理解与表达、图形图像及声音理解、医疗诊断等等。
1955年Newell和Simon的LogicTheorist证明了《数学原理》中前52个定理中的38个。Simon断言他们已经解决了物质构成的系统如何获得心灵性质的问题(这种论断在后来的哲学领域被称为“强人工智能”)，认为机器具有像人一样逻辑思维的能力。1956年，“人工智能”(AI)由美国的JohnMcCarthy提出，经过早期的探索阶段，人工智能向着更加体系化的方向发展，至此成为一门独立的学科。
五十年代，以游戏博弈为对象开始了人工智能的研究；六十年代，以搜索法求解一般问题的研究为主；七十年代，人工智能学者进行了有成效的人工智能研究；八十年代，开始了不确定推理、非单调推理、定理推理方法的研究；九十年代，知识表示、机器学习、分布式人工智能等基础性研究方面都取得了突破性的进展。
人工智能在自动驾驶技术中的应用概述
人工智能发展六十年，几起几落，如今迎来又一次热潮，深度学习、计算机视觉和自然语言理解等各方面的突破，使得许多曾是天方夜谭的应用成为可能，无人驾驶汽车就是其中之一。作为人工智能等技术在汽车行业、交通领域的延伸与应用，无人驾驶近几年在世界范围内受到了产学界甚至国家层面的密切关注。目前，人工智能在汽车自动驾驶技术中也有了广泛应用。
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，它是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统,它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术,是典型的高新技术综合体。
这种汽车能和人一样会“思考”、“判断”、“行走”，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。按照SAE（美国汽车工程师协会）的分级，共分为：驾驶员辅助、部分自动驾驶、有条件自动驾驶、高度自动驾驶、完全自动驾驶五个层级。
第一阶段：驾驶员辅助目的是为驾驶者提供协助，包括提供重要或有益的驾驶相关信息，以及在形势开始变得危急的时候发出明确而简洁的警告。现阶段大部分ADAS主动安全辅助系统，让车辆能够实现感知和干预操作。例如防抱死制动系统（ABS）、电子稳定性控制（ESC）、车道偏离警告系统、正面碰撞警告系统、盲点信息系统等等，此时车辆是能够通过摄像头、雷达传感器获知周围交通状况，进而做出警示和干预。
第二阶段：部分自动驾驶车辆通过摄像头、雷达传感器、激光传感器等等设备获取道路以及周边交通信息，车辆会自行对方向盘和加减速中的多项操作提供驾驶支援，在驾驶者收到警告却未能及时采取相应行动时能够自动进行干预，其他操作交由驾驶员，实现人机共驾，但车辆不允许驾驶员的双手脱离方向盘。例如自适应巡航控制（ACC）、车道保持辅助系统（LKA）、自动紧急制动（AEB）系统、车道偏离预警（LDW）等。
第三阶段：有条件自动驾驶由自动驾驶系统完成驾驶操作，根据路况条件所限，必要时发出系统请求，必须交由驾驶员驾驶。
第四阶段：高度自动驾驶由自动驾驶系统完成所有驾驶操作，根据系统请求，驾驶员可以不接管车辆。车辆已经可以完成自动驾驶，一旦出现自动驾驶系统无法招架的情形，车辆也可以自行调整完成自动驾驶，驾驶员不需要干涉。
第五阶段：完全自动驾驶自动驾驶的理想形态，乘客只需提供目的地，无论任何路况，任何天气，车辆均能够实现自动驾驶。这种自动化水平允许乘客从事计算机工作、休息和睡眠以及其他娱乐等活动，在任何时候都不需要对车辆进行监控。
02
自动驾驶的实现
车辆实现自动驾驶，必须经由三大环节：第一，感知。也就是让车辆获取，不同的系统需要由不同类型的车用感测器，包含毫米波雷达、超声波雷达、红外雷达、雷射雷达、CCDCMOS影像感测器及轮速感测器等来收集整车的工作状态及其参数变化情形。第二，处理。也就是大脑将感测器所收集到的资讯进行分析处理，然后再向控制的装置输出控制讯号。第三，执行。依据ECU输出的讯号，让汽车完成动作执行。其中每一个环节都离不开人工智能技术的基础。
图片来源：网络
人工智能在自动驾驶定位技术中的应用
定位技术是自动驾驶车辆行驶的基础。目前常用的技术包括线导航、磁导航、无线导航、视觉导航、导航、激光导航等。
其中磁导航是目前最成熟可靠的方案,现有大多数应用均采用这种导航技术。磁导航技术通过在车道上埋设磁性标志来给车辆提供车道的边界信息,磁性材料具有好的环境适应性,它对雨天,冰雪覆盖,光照不足甚至无光照的情况都可适应,不足之处是需要对现行的道路设施作出较大的改动,成本较高。同时磁性导航技术无法预知车道前方的障碍,因而不可能单独使用。
视觉导航对基础设施的要求较低,被认为是最有前景的导航方法。在高速路和城市环境中视觉方法受到了较大的关注。
人工智能在自动驾驶图像识别与感知中的应用
无人驾驶汽车感知依靠传感器。目前传感器性能越来越高、体积越来越小、功耗越来越低，其飞速发展是无人驾驶热潮的重要推手。反过来，无人驾驶又对车载传感器提出了更高的要求，又促进了其发展。用于无人驾驶的传感器可以分为四类：
雷达传感器。主要用来探测一定范围内障碍物（比如车辆、行人、路肩等）的方位、距离及移动速度，常用车载雷达种类有激光雷达、毫米波雷达和超声波雷达。激光雷达精度高、探测范围广，但成本高，比如Google无人车顶上的64线激光雷达成本高达70多万元人民币；毫米波雷达成本相对较低，探测距离较远，被车企广泛使用，但与激光雷达比精度稍低、可视角度偏小；超声波雷达成本最低，但探测距离近、精度低，可用于低速下碰撞预警。
视觉传感器。主要用来识别车道线、停止线、交通信号灯、交通标志牌、行人、车辆等。常用的有单目摄像头、双目摄像头、红外摄像头。视觉传感器成本低，相关研究与产品非常多，但视觉算法易受光照、阴影、污损、遮挡影响，准确性、鲁棒性有待提高。所以，作为人工智能技术广泛应用的领域之一的图像识别，也是无人驾驶汽车领域的一个研究热点。
定位及位姿传感器。主要用来实时高精度定位以及位姿感知，比如获取经纬度坐标、速度、加速度、航向角等，一般包括全球卫星定位系统（GNSS）、惯性设备、轮速计、里程计等。现在国内常用的高精度定位方法是使用差分定位设备，如RTK-GPS，但需要额外架设固定差分基站，应用距离受限，而且易受建筑物、树木遮挡影响。近年来很多省市的测绘部门都架设了相当于固定差分基站的连续运行参考站系统（CORS），比如辽宁、湖北、上海等，实现了定位信号的大范围覆盖，这种基础设施建设为智能驾驶提供了有力的技术支撑。定位技术是无人驾驶的核心技术，因为有了位置信息就可以利用丰富的地理、地图等先验知识，可以使用基于位置的服务。
车身传感器。来自车辆本身，通过整车网络接口获取诸如车速、轮速、档位等车辆本身的信息。
人工智能在自动驾驶深度学习中的应用
驾驶员认知靠大脑，无人驾驶汽车的“大脑”则是计算机。无人车里的计算机与我们常用的台式机、笔记本略有不同，因为车辆在行驶的时候会遇到颠簸、震动、粉尘甚至高温的情况，一般计算机无法长时间运行在这些环境中。所以无人车一般选用工业环境下的计算机——工控机。
工控机上运行着操作系统，操作系统中运行着无人驾驶软件。如图1所示为某无人驾驶车软件系统架构。操作系统之上是支撑模块（这里模块指的是计算机程序），对上层软件模块提供基础服务。
支撑模块包括：虚拟交换模块，用于模块间通信；日志管理模块，用于日志记录、检索以及回放；进程监控模块，负责监视整个系统的运行状态，如果某个模块运行不正常则提示操作人员并自动采取相应措施；交互调试模块，负责开发人员与无人驾驶系统交互。
图|某无人驾驶车软件系统架构
除了对外界进行认知之外，机器还必须要能够进行学习。深度学习是无人驾驶技术成功地基础，深度学习是源于人工神经网络的一种高效的机器学习方法。深度学习可以提高汽车识别道路、行人、障碍物等的时间效率，并保障了识别的正确率。通过大量数据的训练之后，汽车可以将收集到的图形，电磁波等信息转换为可用的数据，利用深度学习算法实现无人驾驶。
在无人驾驶汽车通过雷达等收集到数据时，对于原始的训练数据要首先进行数据的预处理化。计算均值并对数据的均值做均值标准化、对原始数据做主成分分析、使用PCA白化或ZCA白化。例如：将激光传感器收集到的时间数据转换为车与物体之间的距离；将车载摄像头拍摄到的照片信息转换为对路障的判断，对红绿灯的判断，对行人的判断等；雷达探测到的数据转换为各个物体之间的距离。
将深度学习应用于无人驾驶汽车中，主要包含以下步骤：
1.准备数据，对数据进行预处理再选用合适的数据结构存储训练数据和测试元组；
2.输入大量数据对第一层进行无监督学习；
3.通过第一层对数据进行聚类，将相近的数据划分为同一类，随机进行判断；
4.运用监督学习调整第二层中各个节点的阀值，提高第二层数据输入的正确性；
5.用大量的数据对每一层网络进行无监督学习，并且每次用无监督学习只训练一层，将其训练结果作为其更高一层的输入。
6.输入之后用监督学习去调整所有层。
图片来源：网络
人工智能在自动驾驶信息共享中的应用
首先，利用无线网络进行车与车之间的信息共享。通过专用通道，一辆汽车可以把自己的位置、路况实时分享给队里的其它汽车，以便其它车辆的自动驾驶系统，在收到信息后做出相应调整。
其次，是3D路况感应，车辆将结合超声波传感器、摄像机、雷达和激光测距等技术，检测出汽车前方约5米内地形地貌，判断前方是柏油路还是碎石、草地、沙滩等路面，根据地形自动改变汽车设置。
另外，汽车还将能进行自动变速，一旦探测到地形发生改变，可以自动减速，路面恢复正常后，再回到原先状态。
汽车信息共享所收集到的交通信息量将非常巨大，如果不对这些数据进行有效处理和利用，就会迅速被信息所湮没。因此需要采用数据挖掘、人工智能等方式提取有效信息，同时过滤掉无用信息。考虑到车辆行驶过程中需要依赖的信息具有很大的时间和空间关联性，因此有些信息的处理需要非常及时。
人工智能应用于自动驾驶技术中的优势
人工智能算法更侧重于学习功能，其他算法更侧重于计算功能。学习是智能的重要体现，学习功能是人工智能的重要特征，现阶段大多人工智能技术还处在学的阶段。如前文所说，无人驾驶实际上是类人驾驶，是智能车向人类驾驶员学习如何感知交通环境，如何利用已有的知识和驾驶经验进行决策和规划，如何熟练地控制方向盘、油门和刹车。
从感知、认知、行为三个方面看，感知部分难度最大，人工智能技术应用最多。感知技术依赖于传感器，比如摄像头，由于其成本低，在产业界倍受青睐。以色列一家名叫Mobileye的公司在交通图像识别领域做得非常好，它通过一个摄像头可以完成交通标线识别、交通信号灯识别、行人检测，甚至可以区别前方是自行车、汽车还是卡车。
人工智能技术在图像识别领域的成功应用莫过于深度学习，近几年研究人员通过卷积神经网络和其它深度学习模型对图像样本进行训练，大大提高了识别准确率。Mobileye目前取得的成果，正是得益于该公司很早就将深度学习当作一项核心技术进行研究。认知与控制方面，主要使用人工智能领域中的传统机器学习技术，通过学习人类驾驶员的驾驶行为建立驾驶员模型，学习人的方式驾驶汽车。
无人驾驶技术所面临的挑战和展望
在目前交通出行状况越来越恶劣的背景下，“无人驾驶”汽车的商业化前景，还受很多因素制约。主要有：
1.法规障碍
2.不同品牌车型间建立共同协议，行业缺少规范和标准
3.基础道路状况，标识和信息准确性，信息网络的安全性
4.难以承受的高昂成本
此外，“无人驾驶”汽车的一个最大特点，就是车辆网络化、信息化程度极高，而这也对电脑系统的安全问题形成极大挑战。一旦遇到电脑程序错乱或者信息网络被入侵的情况，如何继续保证自身车辆以及周围其他车辆的行驶安全，这同样是未来急需解决的问题。虽然无人驾驶技术还存在着很多挑战，但是无人驾驶难在感知，重在“学习”，无人驾驶的技术水平迟早会超过人类，因为稳、准、快是机器的先天优势，人类无法与之比拟。
驾驶有时并不是负担，相反是一种乐趣，体现了人类拓展自身极限的能力。笔者相信，完全的无人驾驶也许有些遥远，但随着机器学习算法的提升和应用的挖掘，更接地气人机和谐共驾指日可待。不管在自动驾驶这条路上有多少困难，但我相信总有它出现在城市道路上的一天，技术的发展充满激情与动力。在不久的将来，也许自动驾驶会成为主流。
（文章内容来源于公共交通资讯）
无人驾驶汽车的相关技术,无人驾驶相关技术知识
无人驾驶涉及哪些技术无人驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，通过电脑实现无人驾驶，可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
无人驾驶依赖几种先进技术，这些互为补充的技术感知周围环境、进行自我导航。究竟这些技术如何协同工作？
除了Waymo等知名的领头羊之外，又有哪些公司在推动这个行业发展感知能力，无人驾驶汽车必须要能够识别交通信号和标志，以及其他汽车、自行车和行人。它们还必须能感知前方物体的距离和速度，以便作出对应反应。
摄像头和计算机视觉，摄像头普遍用于无人驾驶车辆和配备先进驾驶辅助系统（ADAS）的车辆，是无人驾驶环境下一种重要的感知设备。
摄像头可以识别颜色和字体，帮助检测道路标志、交通信号灯和街道标记——这是其相对于雷达和激光雷达的一个优点。不过，在检测深度和距离上，摄像头远远不及激光雷达。
无人驾驶感知系统基于计算机视觉技术来检测物体和信号，以此处理从摄像头提取的数据。
计算机视觉软件需要能够识别车道边界的具体细节（比如，线条颜色和图案等），还需要能评估适当的交通规则，在复杂交通场景下实现安全的、与人类驾驶行为类似的自主驾驶。
无人驾驶需要实现什么样的技术？阶段一：辅助驾驶阶段。车道保持、自适应巡航等辅助驾驶功能，均属于这个阶段的技术，不过驾驶员仍旧是操作主体。阶段二：半自动驾驶。
在这个阶段中，电脑操纵下的自动驾驶已经可以完成前往目的地的过程，其可作为备用系统完成行驶，但受限于法律法规等因素，其仍旧不能作为整个驾驶行为的主体存在。阶段三：全自动驾驶。
技术、成本、法衡去规等因素都不再成为影响普及的因素，电脑控制的系统已经作为驾驶主体而存在，驾驶员也可以随时接管操作系统。由于技术和法规等的限制，目前的无人驾骆气车大多处于第＝阶段。
当前主流的无人驾驶汽车技术有激光雷达式和摄像头+;%距雷达式两种。
自动驾驶汽车涉及哪些技术1、传感器技术：自动驾驶汽车上，前后左右装有认识周围环境、道路、交通状况的各种传感器。
光学摄像头包括单摄像头、多摄像头，多普勒雷达包括短距离雷达、远距离雷达，还有激光雷达就是车顶上那个旋转的机器，GPS定位装置，等等，构成汽车认识环境的眼睛。
2、芯片技术：也就是能够处理多个传感器采集的数据，并能整合的类似小计算机的超级芯片，使汽车的“总计算机”体积、成本大为减小，并能应用于汽车成为可能。
否则汽车里将没有人坐的地方、老百姓也买不起这些庞大计算机群的汽车。3、操作系统：计算机控制系统将处理结果与操作硬件结合起来，实现加速减速、刹车停车、变向避让，以及人机对话等等。
无人驾驶汽车具备了替代人工操纵的能力。
4、网络技术：无人驾驶汽车要能上路，必须具备与互联网、局域网联络和识别功能，包括车与车的联络对话、车与卫星通讯、车与天气预报的联络、车与交通指挥网的联络，才能正确识别和选择道路、正确服从交通警察的指挥、正确决定通过交叉路口、正确避让危险和安全行车。
自动驾驶级别L0：车辆完全由驾驶员掌控，驾驶员拥有绝对控制权，且车上不存在任何的自动驾驶技术，L1：驾驶员依然需要去驾驶车辆，只不过出现了像ACC自适应巡航等安全系统，对驾驶员的驾驶起到一个辅助的作用，手不得离开方向盘，眼不得离开周围路况。
L2：来到L2这个级别，自动驾驶技术就可短暂接管一些驾驶任务，眼和手可短暂获得休息，但是仍需做好随时接管驾驶任务的准备，时刻准备着，因为还不足以应对变化的交通路况。
L3：来到L3这个级别，在某种意义上就可以算作自动驾驶，也可以把这个级别称为真正自动驾驶的开端。驾驶员可以将手离开方向盘，脚离开踏板。
L4：第4等级可以说是真正意义上的自动驾驶，不需要驾驶员随时接管，也不需要驾驶员的干预，你只需要坐在驾驶席上做自己想做的事，剩下的一切交给技术就好了。
汽车无人驾驶技术是啥？无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。
它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度。
无人驾驶核心技术不包括以下哪个包括了：车联网、激光雷达、精确定位、人机交互、规划决策。
车联网，由人工智能和“电动化、智能化、网联化、共享化”为代表的新四化变革驱动，正在引领车联网由第一阶段向第二阶段演进，车联网从汽车内部互联、车与人的交互，慢慢延伸到车与车、车与电信设施、车与路边单元之间的信息交互。
激光雷达，作为自动驾驶汽车的“眼睛”，激光雷达是重要的传感器之一，对于保证自动驾驶汽车行车安全具有重要意义。
激光雷达应用主要分为两个部分：一是落地到自动驾驶测试的无人车上，二是落地到汽车厂商推出的具有辅助驾驶功能的量产车上。精确定位，自动驾驶汽车需要非常精确的定位。
除了基于雷达，激光雷达，GNSS和摄像头的普通传感器之外，对于在城市环境中进行自动导航所需的车道级定位来说，轨迹估计也是必不可少的。当前，用于自动驾驶的高精度定位技术主要有以下三种。
人机交互，人机交互技术，尤其是触摸屏、语音控制、手势识别技术，在全球未来汽车市场上有较大可能得到广泛采用。
自动驾驶汽车人机界面应集成功能设定、车辆控制、信息娱乐、导航系统、车载电话等多项功能，方便驾驶员快捷地从中设置、查询、切换车辆系统的各种信息，从面使车辆达到理想的运行和操纵状态。
规划决策，决策是无人驾驶体现智能性的核心的技术，相当于自动驾驶汽车的大脑，涉及汽车的安全行驶、车与路的综合管理等多个方面。
通过综合分析环境感知系统提供的信息，及从高精度地图路由寻址的结果，规划决策者可以对当前车辆进行速度、朝向等规划，并产生相应的停车、跟车、换道等决策。
无人驾驶技术目前发展到什么阶段了？这一技术未来的趋势如何？一般而言自动驾驶可以分为6个等级，从完全人类驾驶到完全自动驾驶这一过程的实现需要高度智能的技术支持，同时也需要法律法规的不断完善。
从目前的情况来看，在肉眼可见的未来，自动驾驶很可能只会处于辅助状态而无法完全达到不需要驾驶员的完全自动驾驶状态。
技术的飞速发展一直以来自动驾驶技术都是影视作品、科幻作品中的基础操作，无论是国内还是国外，只要涉及到对未来生活的畅想，势必会牵扯到未来汽车的无人驾驶。
这些年来，随着时代的不断发展，处于初级阶段的驾驶技术已经得以实现，比如很多汽车都能实现驾驶员在特定情况下获得技术辅助的功能，无论是紧急情况下的自动制动或是偏离车道时的智能修正等，其实都属于无人驾驶中最低级的技术。
不过，目前科学技术的发展还是要求车辆在行驶时需要驾驶员的监管，在特殊情况下可能提供辅助功能，但驾驶员还是需要随时准备接管车辆。
近些年来，有部分汽车声称其技术能够达到有条件的自动驾驶，不过这终归还是属于畅想规划阶段，具体成熟的技术也确实尚未实现落地。
质疑声的不停如果哪一天在大街上真的能看到无需驾驶员的汽车行驶，也就意味着当下我们的社会能够实现完全自动驾驶技术，那个时候的科技水平也就达到了高度智能的状态。
车辆可能会在任何情况下都能承担全部驾驶任务，而这个时候无人驾驶技术就实现了人的全面解放。其实在上个世纪也很难有人想象无人驾驶技术的如此发展。
坦白说单纯从技术层面上而言，无人驾驶在未来势必会有很大的前景，毕竟科技的发展确实蒸蒸日上。但从伦理道德以及法律法规层面上而言，这一技术的发斩势必会伴随着反对之声。
即便能够实现人的全面解放，从本质上而言也无法打消人们对于技术问题所存在的顾虑。在涉及生命安全的问题上人类还是比较理性的。
人工智能在无人驾驶的应用人工智能在无人驾驶中的具体应用人工智能技术是无人驾驶发展的基础，并且在系统上有着大量的应用，可以说是密不可分。这其中主要分为三大部分：环境感知模块、决策规划模块以及控制执行模块。
（1）环境感知模块作为无人驾驶中最重要的一环，它的发展往往决定了无人驾驶的应用程度。
无人驾驶最重要的就是实时感知周围环境信息，以便及时获取数据信息，这些都是由传感器完成的，比如摄像头、激光雷达、毫米波雷达、超声波传感器[4]，无论是在熟悉的环境还是新环境，汽车可根据这些传感器数据做聚类处理，并利用各种算法对周围进行车道线或标志物检测，并通过系统内的分析模块来分析。
唯一的不足就是已有的自身感知技术无法达到较高精度，只能通过GPS获取车身状态信息，位置来进行导航。
（2）决策规划模块根据传感器传回的实时路网信息、交通环境信息和自身驾驶状态等信息，无人驾驶系统通过分析来产生决策，比如遵守交通规则（包括突发异常状况）的安全快速的自动驾驶决策[5]。
这与最近刚出现的5G技术有关，由于无人驾驶技术在道路上会有巨量的实时数据进行传输和获取，原本的网络技术已经满足不了这种需求，5G就合理的应用起来，既更加保证了行驶的安全，也加速了该技术的发展。
（3）控制执行模块根据规划的行驶轨迹，以及当前行驶的位置、姿态和速度，产生对油门、刹车、方向盘和变速杆等的控制命令。传统控制方法有PID控制、滑模控制、模糊控制、模型预测控制等[6]。
如较低等级的汽车定速巡航到现在的无人驾驶都是这一模块控制的具体体现。
无人驾驶未来真的可以实现吗？想学这方面的技术应该选什么专业？学习无人驾驶汽车需要了解哪方面技术？。
自动驾驶技术首先离不开硬件支持，还有控制器、定位系统、惯性测量单元、感知传感器、软件、信息采集技术、坐标转换、决策规划等，涉及到的技术比较多，建议你去清华大学孵化的汽车学堂在线学习平台，上面的课程比较专业，建议你去试试哦！
国产无人驾驶出租车上的机械式激光雷达，这一技术在全球属于什么水平？我们的国产激光雷达现在在世界上处于非常领先的水平。去年全球对激光雷达的融资为138亿元，其中中国在该领域的投资已达50.89亿元。而且近年来，很多中国企业打破了美国公司在这一领域的垄断。
今年，市场上有近20种配备激光雷达的型号。2019年，北京将允许自动驾驶汽车在延崇高速公路和服务区进行道路测试。当很多人认为自动驾驶的冬天已经到来的时候，也许真正的战斗才刚刚开始。
在这一点上，先进自动驾驶汽车的“眼睛”激光雷达也是自动驾驶汽车中最关键的传感器部件，这必然会导致更加激烈的产业竞争。目前，世界各国都在积极制定自动驾驶普及路线图。
作为自动驾驶汽车的关键技术，车载激光雷达将获得巨大发展。在激光行业，光库技术口碑很好，大功率保偏器件很专业。是全球MOPA光纤激光器核心光学器件的主要供应商，曾助力“嫦娥三号”登月。
这么高端的无人驾驶技术，应该是有强势品牌来实现的。激光雷达具有高精度、高分辨率的优点，具有在其周围建立三维模型的前景。但其缺点在于对隔离带等静止物体的探测能力较弱，且现有技术成本较高。
领先的激光公司威力登的64线产品供货价格高达8万美元，相对便宜的32线和16线激光雷达也分别为3万美元和8000美元。价格是激光雷达普及的最大障碍。
有趣的是，今年年初，谷歌宣布其自动驾驶公司Waymo将独立开发无人驾驶组件，包括激光雷达，其成本将下降90%，至7500美元。
其他供应商也相当清楚，激光雷达的高价将不利于产品的普及，预计量产后成本会大幅下降。威力登认为，2018年后可能会大规模采购激光雷达，届时可能会实现50万台的销量，成本会快速下降。
这是一个潜力巨大的增量市场。目前降低激光雷达成本的方法主要有两种：使用低线雷达配合其他传感器，以及使用固态激光雷达代替传统激光雷达。
激光雷达最基本的扫描原理是飞行时间测量——激光雷达中的这个激光器首先发射一个激光脉冲，投射到目标物体上然后漫反射，然后传感器接收漫反射的激光。
激光雷达通过激光束在空气中的飞行时间来计算目标物体和传感器之间的距离。