一文詳解自動駕駛關(guān)鍵技術(shù)

自動駕駛基本過程分為三部分：感知、決策、控制。其關(guān)鍵技術(shù)為自動駕駛的軟件算法與模型，通過融合各個傳感器的數(shù)據(jù)，利用不同的算法和支撐軟件計算得到所需的自動駕駛方案。

自動駕駛中的環(huán)境感知指對于環(huán)境的場景理解能力，例如障礙物的類型、道路標(biāo)志及標(biāo)線、行車車輛的檢測、交通信息等數(shù)據(jù)的分類。定位是對感知結(jié)果的后處理，通過定位功能幫助車輛了解其相對于所處環(huán)境的位置。環(huán)境感知需要通過多傳感器獲取大量的周圍環(huán)境信息，確保對車輛周圍環(huán)境的正確理解，并基于此做出相應(yīng)的規(guī)劃和決策。

目前兩種主流技術(shù)路線，一種是以特斯拉為代表的以攝像頭為主導(dǎo)的多傳感器融合技術(shù)方案；另一種是谷歌為代表的以激光雷達(dá)為主導(dǎo)，其他傳感器為輔助的技術(shù)方案。為高效解決純視覺方案下多個攝像頭的數(shù)據(jù)融合問題，特斯拉在2021年提出BEV+Transformer方案，2022年推出占用柵格網(wǎng)絡(luò)（Occupancy）進一步疊加完善3D空間識別。在常規(guī)的前視視角與后融合路線之外，這套方案將數(shù)據(jù)整合在鳥瞰視角下，避免了視野遮擋，以O(shè)ccupancy優(yōu)化邊界感知與物體識別，再通過基于注意力機制（Attention Mechanism）的神經(jīng)網(wǎng)絡(luò)模型Transformer，更加靈活、高效地感知和處理數(shù)據(jù)，進一步反哺高階自動駕駛的能力提升。

大模型進一步推動感知算法升級，自動駕駛逐步走向“輕圖”時代。從2023年開始，以BEV+Transformer等感知層面的神經(jīng)網(wǎng)絡(luò)大模型為基礎(chǔ)、借助純感知和融合感知路線、通過“重感知+輕地圖”徹底擺脫成本高鮮度低的高精地圖成為實現(xiàn)城市NOA的主流路線。相較于CNN（卷積神經(jīng)網(wǎng)絡(luò)）和RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）等小模型，Transformer等大模型長序列處理能力更強、并行計算效率更高，可以通過注意力層的結(jié)構(gòu)識別元素之間的多維信息，泛化性更強，從而減小車端硬件成本，成為目前城市自動駕駛技術(shù)方案的優(yōu)先選擇。

決策是依據(jù)駕駛場景認(rèn)知態(tài)勢圖，根據(jù)駕駛需求進行任務(wù)決策，能夠在避開存在的障礙物前提下，通過一些特定的約束條件，規(guī)劃出兩點之間多條可以選擇的安全路徑，并在這些路徑當(dāng)中選擇一條最優(yōu)的路徑，決策出車輛行駛軌跡。

最后由線控底盤系統(tǒng)來執(zhí)行駕駛指令、控制車輛運行，如車輛的縱向控制，即車輛的驅(qū)動與制動控制，是指通過對油門和制動的協(xié)調(diào)，實現(xiàn)對期望車速的精確跟隨；車輛的橫向控制，即通過方向盤角度的調(diào)整以及輪胎力的控制，實現(xiàn)自動駕駛汽車的路徑跟蹤。

自動駕駛系統(tǒng)主要由環(huán)境感知單元、決策單元、控制單元組成，如圖1所示。

圖1 自動駕駛系統(tǒng)架構(gòu)

（一）環(huán)境感知單元

環(huán)境感知單元主要包含各類傳感器如攝像頭、毫米波雷達(dá)、激光雷達(dá)、超聲波雷達(dá)以及GPS&慣導(dǎo)組合等，獲取車輛所處環(huán)境信息和車輛狀態(tài)信息。環(huán)境感知起著類似人類駕駛員“眼睛”和“耳朵”的作用，是實現(xiàn)自動駕駛的前提條件。

其中車輛本身狀態(tài)信息包括車輛速度、行駛方向、行駛狀態(tài)、車輛位置等；道路感知包括道路類型檢測、道路標(biāo)線識別、道路狀況判斷、是否偏離行駛軌跡等；行人感知主要判斷車輛行駛前方是否有行人，包括白天行人識別、夜晚行人識別、被障得物遺擋的行人識別等；交通信號感知主要是自動識別交叉路口的信號燈、如何高效通過交叉路口等；交通標(biāo)識感知主要是識別道路兩側(cè)的各種交通標(biāo)志，如限速、彎道等，及時提醒駕駛員注意；交通狀況感知主要是檢測道路交通擁堵情況、是否發(fā)生交通事故等，以便車輛選擇通暢的路線行駛；周圍車輛感知主要檢測車輛前方、后方、側(cè)方的車輛情況，避免發(fā)生碰撞，也包括交叉路口被障礙物遮擋的車輛。

在復(fù)雜的交通路況環(huán)境下，單一傳感器無法完成全部的環(huán)境感知，必須整合各種類型傳感器，利用傳感器融合技術(shù)，使其為自動駕駛汽車提供更加真實可靠的路況環(huán)境信息。

（1）激光雷達(dá)

激光雷達(dá)實時感應(yīng)周邊環(huán)境信息，形成高清立體圖形。其工作原理是向目標(biāo)發(fā)射探測信號（激光束），然后將接收到的從目標(biāo)反射回來的信號（目標(biāo)回波）與發(fā)射信號進行比較，作適當(dāng)處理后，就可獲得目標(biāo)的有關(guān)信息，如目標(biāo)距離、方位、高度、速度、姿態(tài)，甚至形狀等參數(shù)。

激光雷達(dá)優(yōu)勢在于障礙物檢測，速度反應(yīng)快、探測距離遠(yuǎn)、精度較高。是目前已知的環(huán)境測量方案中測量精度最高的傳感器解決方案。和攝像頭這類被動傳感器相比，激光雷達(dá)可以主動探測周圍環(huán)境，即使在夜間仍能準(zhǔn)確地檢測障礙物。因為激光光束更加聚攏，所以比毫米波雷達(dá)擁有更高的探測精度。但激光雷達(dá)更容易受到空氣中雨雪霧霾等的干擾，且現(xiàn)階段的成本較高。

（2）毫米波雷達(dá)

毫米波雷達(dá)是在自動駕駛中廣泛使用的傳感器，主要用于避免汽車與周圍物體發(fā)生碰撞，如盲點檢測、避障輔助、泊車輔助、自適應(yīng)巡航等。

毫米波雷達(dá)由芯片、天線、算法共同組成，基本原理是發(fā)射一束電磁波，觀察回波與入射波的差異來計算目標(biāo)與車輛之間的距離、速度等。成像精度的衡量指標(biāo)為距離探測精度、角分辨率、速度差分辨率。毫米波頻率越高，帶寬越寬，成像越精細(xì)。

毫米波雷達(dá)工作在毫米波頻段，是指波長在1～10毫米的電磁波，對應(yīng)的頻率范圍為30～300GHz。在毫米波雷達(dá)的頻率選擇上，主要由三種波段，24GHz，60GHz，77GHz。毫米波雷達(dá)波長短，頻帶寬，穿透能力強，探測距離遠(yuǎn)，檢測速度快、準(zhǔn)確，可以在雨雪天氣等各種惡劣環(huán)境中穩(wěn)定全天候工作。但是精度不高，對車道線交通標(biāo)志等無法檢測，且信號衰減大、容易受到建筑物、人體等的阻擋，傳輸距離較短，難以成像等。

隨著毫米波芯片技術(shù)的發(fā)展，應(yīng)用于車載的毫米波雷達(dá)系統(tǒng)得到了大規(guī)模應(yīng)用，然而傳統(tǒng)雷達(dá)系統(tǒng)面臨著以下缺陷：

a）當(dāng)有靜止車輛，目標(biāo)信息容易和地雜波等摻雜在一起，識別難度較大，而移動車輛可以靠多普勒識別。

b）當(dāng)有橫穿車輛和行人，多普勒為零或很低，難以檢測。

c）沒有高度信息，高處物體如橋梁路牌和地面的車輛一樣區(qū)分不開，容易造成誤剎，影響安全性。

d）角度分辨率低，當(dāng)兩個距離很近的物體，其回波會被混在一起，很難知道有幾個目標(biāo)。

e）用雷達(dá)散射截面積區(qū)分物體難。可以通過不同物體的雷達(dá)散射截面積的不同和不同幀之間反射點的不同來區(qū)分路牌、立交橋和車輛，然而準(zhǔn)確率并不高。

f）最遠(yuǎn)探測距離一般不超過200米，探測距離范圍有限。

4D高分辨毫米波雷達(dá)（4D High Resolution Radar），也稱為4D成像毫米波雷達(dá)，其中4D指的是距離（Range）、速度（Velocity）、水平角度（Azimuth）和俯仰角度或高度（Elevation）四個維度的信息。4D成像毫米波雷達(dá)突破了傳統(tǒng)車載雷達(dá)的局限性，可以以很高的分辨率同時探測目標(biāo)的距離、速度、水平角度和俯仰角度/高度，使得：

a）最遠(yuǎn)探測距離大幅提升，可達(dá)300多米，比激光雷達(dá)和視覺傳感器都要遠(yuǎn)。

b）4D毫米波雷達(dá)系統(tǒng)水平角度分辨率較高，通?？梢赃_(dá)到1°的角度分辨率，可以區(qū)分300米處的兩輛近車。

c）4D毫米波雷達(dá)系統(tǒng)可以測量俯仰角度，可達(dá)到優(yōu)于2°的角度分辨率，可在150米處區(qū)分地物和立交橋。

d）當(dāng)有橫穿車輛和行人, 多普勒為零或很低時通過高精度的水平角度和高精度的俯仰角度可以有效識別目標(biāo)。

e）目標(biāo)點云更密集，信息更豐富，更適合與深度學(xué)習(xí)框架結(jié)合。

（3）攝像頭

攝像頭是自動駕駛車輛最常用、最簡單且最接近人眼成像原理的環(huán)境感知傳感器。通過實時拍攝車輛周圍的環(huán)境，采用計算機視覺技術(shù)對所拍攝圖像進行分析，實現(xiàn)車輛周圍的車輛和行人檢測以及交通標(biāo)志識別等功能。

攝像頭的安裝位置有前視、側(cè)視、后視和內(nèi)置。主要用于前向碰撞預(yù)警系統(tǒng)、車道偏離警示系統(tǒng)、交通標(biāo)志識別系統(tǒng)、停車輔助系統(tǒng)、盲點偵測系統(tǒng)。攝像頭通常分為單目攝像頭和雙目攝像頭兩種，一般情況下單目車載攝像頭的視角為50°~60°，可視距離為100米~200米。而雙目攝像頭能夠通過模擬人類的視覺成像方式進行3D成像，比較兩個攝像頭獲得的不同圖像信號，識別物體更可靠，通過算法得出物體的距離、速度信息等。

攝像頭的主要優(yōu)點在于其分辨率高、成本低。但在夜晚、雨雪霧霾等惡劣天氣下，光照的變化對其識別精度的影響較大，攝像頭的性能會迅速下降。此外攝像頭所能觀察的距離有限，不擅長于遠(yuǎn)距離觀察，且目前的攝像頭技術(shù)對于靜態(tài)圖像中的遠(yuǎn)方物體難以識別。

（4）超聲波雷達(dá)

超聲波雷達(dá)是利用聲波的傳播來提取環(huán)境信息。首先發(fā)出高頻聲波，并且接收物體反射來的回波，最后計算從發(fā)送信號到收到回波的時間間隔，從而確定物體的距離。超聲波雷達(dá)的成本較低、重量輕、功耗低，但是探測距離很近，適合測量0.2米~4米左右的距離。

（5）5G/C-V2X

車聯(lián)網(wǎng)5G/C-V2X就是把車連到網(wǎng)或者把車連成網(wǎng)，包括V2V、V2I、V2N和V2P。C-V2X是自動駕駛加速劑，能夠有效補充單車智能的技術(shù)缺失。通過C-V2X網(wǎng)絡(luò)，相當(dāng)于自動駕駛打通外部大腦，提供了豐富、及時的外部信息輸入，能夠有效彌補單車智能的感知盲點。5G網(wǎng)絡(luò)具備低時延、大帶寬、高可靠的特性，大大提升了C-V2X傳輸信息的豐富性，也提高了C-V2X傳感器的技術(shù)價值。

（6）多傳感器融合技術(shù)

多傳感器融合技術(shù)，也稱為多傳感器信息融合（Multi-sensor Information Fusion，MSIF），有時也稱作多傳感器數(shù)據(jù)融合（Multi-sensor Data Fusion），是一項實踐性比較強的應(yīng)用技術(shù)，涉及到信號處理、計算機技術(shù)、概率統(tǒng)計、模式識別、統(tǒng)計數(shù)學(xué)等多學(xué)科。

該技術(shù)實際上是對人腦綜合處理復(fù)雜問題的一種功能模擬。與單傳感器相比，多傳感器融合技術(shù)在解決探測、跟蹤和目標(biāo)識別等問題時，能夠增強系統(tǒng)的生存能力，提高整個系統(tǒng)的可靠性和健壯性，增強數(shù)據(jù)的可信度，提高精度，擴展系統(tǒng)的時間、空間覆蓋率，增加系統(tǒng)的實時性和信息利用率等。

多傳感器融合技術(shù)的主要目的是剔除無用的和錯誤的信息，保留正確的和有用的成分，從而實現(xiàn)對多種信息的獲取、表示及其內(nèi)在聯(lián)系的綜合處理和優(yōu)化。這不僅可以提高系統(tǒng)決策、規(guī)劃、反應(yīng)的快速性和正確性，還能使系統(tǒng)獲得更充分的信息。

此外，多傳感器融合還涉及硬件同步和軟件同步的概念。硬件同步通過使用同一種硬件同時發(fā)布觸發(fā)采集命令，實現(xiàn)各傳感器采集、測量的時間同步，確保同一時刻采集相同的信息。而軟件同步則包括時間同步和空間同步，通過統(tǒng)一的主機給各個傳感器提供基準(zhǔn)時間，以及將不同傳感器坐標(biāo)系的測量值轉(zhuǎn)換到同一個坐標(biāo)系中。

多傳感器數(shù)據(jù)融合的主要步驟如下：

a）通過多個傳感器對待測目標(biāo)進行測量，獲得有效數(shù)據(jù)；

b）對各個傳感器的采集數(shù)據(jù)進行特征點提取，得到想要的關(guān)于待測目標(biāo)特征值；

c）對于得到的特征值進行模式識別處理，比如使用統(tǒng)計概率的方法判定其目標(biāo)特點，以完成各傳感器關(guān)于目標(biāo)的確切描述；

d）將同一目標(biāo)的描述數(shù)據(jù)進行整理歸類；

e）最后利用融合算法將同一目標(biāo)的特征進行融合，得到該目標(biāo)的確切描述。

多傳感器融合技術(shù)在結(jié)構(gòu)上按其在融合系統(tǒng)中信息處理的抽象程度，主要劃分為三個層次，數(shù)據(jù)層融合、特征層融合和決策層融合。

a）數(shù)據(jù)層融合：也稱像素級融合，首先將傳感器的觀測數(shù)據(jù)融合，然后從融合的數(shù)據(jù)中提取特征向量，并進行判斷識別。數(shù)據(jù)層融合需要傳感器是同質(zhì)的（傳感器觀測的是同一物理現(xiàn)象），如果多個傳感器是異質(zhì)的（觀測的不是同一個物理量），那么數(shù)據(jù)只能在特征層或決策層進行融合。數(shù)據(jù)層融合不存在數(shù)據(jù)丟失的問題，得到的結(jié)果也是最準(zhǔn)確的，但計算量大且對系統(tǒng)通信帶寬的要求很高。

b）特征層融合：特征層融合屬于中間層次，先從每種傳感器提供的觀測數(shù)據(jù)中提取有代表性的特征，這些特征融合成單一的特征向量，然后運用模式識別的方法進行處理。這種方法的計算量及對通信帶寬的要求相對降低，但由于部分?jǐn)?shù)據(jù)的舍棄使其準(zhǔn)確性有所下降。

c）決策層融合：決策層融合屬于高層次的融合，根據(jù)不同通道的判決結(jié)果，經(jīng)過關(guān)聯(lián)處理和決策融合判決等手段來得到最后的決策結(jié)果。決策層融合的主要研究方法包括遺傳算法、貝葉斯決策、D-S證據(jù)推論法、人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)法等。決策層融合的主要優(yōu)勢在于它能夠?qū)Ω鱾€通道的信息進行綜合考慮，從而得到更加準(zhǔn)確和可靠的決策結(jié)果。然而，由于對傳感器的數(shù)據(jù)進行了濃縮，這種方法產(chǎn)生的結(jié)果相對而言最不準(zhǔn)確，但它的計算量及對通信帶寬的要求最低。

（二）決策單元

決策規(guī)劃是自動駕駛的關(guān)鍵部分之一，如果將感知模塊比作人的“眼睛”和“耳朵”，那么決策規(guī)劃就是人的“大腦”。大腦在接收到傳感器的各種感知信息之后，對當(dāng)前環(huán)境做出分析，然后對底層控制模塊下達(dá)指令，這一過程就是決策規(guī)劃模塊的主要任務(wù)。同時，決策規(guī)劃單元可以處理復(fù)雜的場景，也是衡量和評價自動駕駛能力最核心的指標(biāo)之一。

車輛的決策以橫縱向駕駛行為可分為：駕駛行為推理問題，如停車、避讓和車道保持等；速度決策問題，如加速、減速或保持速度等。實現(xiàn)自動駕駛關(guān)鍵在于車輛的行為決策是否合理可行，如綜合車輛運行環(huán)境及車輛信息，結(jié)合行駛目的做出具有安全性、可靠性以及合理性的駕駛行為是決策控制的難點亦是實現(xiàn)自動駕駛的難點。應(yīng)對環(huán)境多變性、檢測不準(zhǔn)確性、交通復(fù)雜性、交規(guī)約束性等諸多車輛行駛不利因素，如何降低或消除其產(chǎn)生的不利影響，是行為決策模塊的研究重點。

此前已有許多應(yīng)對不同環(huán)境的決策方法，可分為基于規(guī)則的行為決策方法和基于統(tǒng)計的行為決策方法。目前應(yīng)用較廣的模型有基于有限狀態(tài)機模型和深度強化學(xué)習(xí)模型的自動駕駛決策方法。

（1）基于有限狀態(tài)機的行為決策模型

有限狀態(tài)機模型作為經(jīng)典的智能車輛駕駛行為決策方法，因其結(jié)構(gòu)簡單、控制邏輯清晰，多應(yīng)用于園區(qū)、港口等封閉場景。在這些封閉場景中道路具有固定的路線和節(jié)點，因此可預(yù)先設(shè)計行駛規(guī)則。這種預(yù)先設(shè)計行駛規(guī)則的方法將特定場景的車輛決策描述為離散事件，在不同場景通過不同事件觸發(fā)相應(yīng)的駕駛行為。這種基于事件響應(yīng)的模型稱為有限狀態(tài)機決策模型。

有限狀態(tài)機（Finite-State Machine，F(xiàn)SM）是對特定目標(biāo)在有限個狀態(tài)中由特定事件觸發(fā)使?fàn)顟B(tài)相互轉(zhuǎn)移并執(zhí)行相應(yīng)動作的數(shù)學(xué)模型。已經(jīng)被廣泛應(yīng)用在特定場景無人駕駛車輛、機器人系統(tǒng)等領(lǐng)域。車輛根據(jù)當(dāng)前環(huán)境選擇合適的駕駛行為，如停車、換道、超車、避讓、緩慢行駛等模式，狀態(tài)機模型通過構(gòu)建有限的有向連通圖來描述不同的駕駛狀態(tài)以及狀態(tài)之間的轉(zhuǎn)移關(guān)系，從而根據(jù)駕駛狀態(tài)的遷移反應(yīng)式地生成駕駛動作。此方法在簡單場景時具有較高可靠性，很難勝任具有豐富結(jié)構(gòu)化特征的城區(qū)道路環(huán)境下的行為決策任務(wù)。

（2）基于深度強化學(xué)習(xí)的行為決策模型

深度學(xué)習(xí)（Deep Learning，DL）在圖像處理、語音識別、自然語言處理和視頻分析分類等方面的應(yīng)用取得了巨大的成功。所謂深度學(xué)習(xí)是指通過多層的神經(jīng)網(wǎng)絡(luò)和多種非線性變換函數(shù)，以組合低層特征的方式描述更加抽象的高層表示，這樣便可以發(fā)現(xiàn)數(shù)據(jù)的分布式特征。

深度學(xué)習(xí)來源于人們對于人工神經(jīng)網(wǎng)絡(luò)的深入研究。人們在日常生活、學(xué)習(xí)等各種活動中每時每刻都需要感知大量數(shù)據(jù)，但是人類總是能從這些龐大的數(shù)據(jù)中以一種無法解釋的方式獲得有用的數(shù)據(jù)，這種方式正是人腦思維方式導(dǎo)致的，并且腦力思維至今為止還沒有一種科學(xué)的方法來解釋。近年來，深度強化學(xué)習(xí)技術(shù)方法越來越廣泛的應(yīng)用于智能網(wǎng)聯(lián)車輛環(huán)境感知與決策系統(tǒng)。

（3）路徑規(guī)劃

智能網(wǎng)聯(lián)車輛的路徑規(guī)劃就是在進行環(huán)境信息感知并確定車輛在環(huán)境中位置的基礎(chǔ)上，按照一定的搜索算法，找出一條可通行的路徑，進而實現(xiàn)智能車輛的自主導(dǎo)航。

路徑規(guī)劃的方法根據(jù)智能網(wǎng)聯(lián)車輛工作環(huán)境信息的完整程度，可分為兩大類：

基于完整環(huán)境信息的全局路徑規(guī)劃方法。例如，從上海到北京有很多條路，規(guī)劃出一條作為行駛路線即為全局規(guī)劃。如柵格法、可視圖法、拓?fù)浞ā⒆杂煽臻g法、神經(jīng)網(wǎng)絡(luò)法等靜態(tài)路徑規(guī)劃算法。

基于傳感器實時獲取環(huán)境信息的局部路徑規(guī)劃方法。例如，在全局規(guī)劃好的上海到北京的那條路線上會有其他車輛或者障礙物，想要避過這些障礙物或者車輛，需要轉(zhuǎn)向調(diào)整車道，這就是局部路徑規(guī)劃。局部路徑規(guī)劃的方法包括人工勢場法、矢量域直方圖法、虛擬力場法、遺傳算法等動態(tài)路徑規(guī)劃算法等。

（三）控制單元線控技術(shù)

隨著汽車智能化發(fā)展，智能汽車的感知識別、決策規(guī)劃、控制執(zhí)行三個核心系統(tǒng)中，與汽車零部件行業(yè)最貼近的是控制執(zhí)行端，也就是驅(qū)動控制、轉(zhuǎn)向控制、制動控制等，需要對傳統(tǒng)汽車的底盤進行線控改造以適用于自動駕駛。

傳統(tǒng)汽車底盤主要由傳動系、行駛系、轉(zhuǎn)向系和制動系四部分組成，四部分相互連通、相輔相成。線控底盤是對汽車底盤信號的傳導(dǎo)機制進行線控改造，以電信號傳導(dǎo)替代機械信號傳導(dǎo)，從而使其更加適用于自動駕駛車輛。具體來說，就是將駕駛員的操作命令傳輸給電子控制器，由電子控制器將信號傳輸給相應(yīng)的執(zhí)行機構(gòu)，最終由執(zhí)行機構(gòu)完成汽車轉(zhuǎn)向、制動、驅(qū)動等各項功能。在這一過程中，線控結(jié)構(gòu)替代了方向盤、剎車踏板與底盤之間的機械連接，將人力直接控制的整體式機械系統(tǒng)轉(zhuǎn)變?yōu)椴僮鞫撕驮O(shè)備端兩個相互獨立的部分，實現(xiàn)多來源電信號操作，使得線控底盤具備高精度、高安全性、高響應(yīng)速度等優(yōu)勢。

如果把自動駕駛車輛比作人，那么線控底盤執(zhí)行機構(gòu)就是我們通常意義上的手和腳，用來做控制執(zhí)行，是自動駕駛控制技術(shù)的核心部件。線控底盤主要有五大系統(tǒng)，分別為線控轉(zhuǎn)向、線控制動、線控?fù)Q擋、線控油門、線控懸掛。從執(zhí)行端來看，線控油門、線控?fù)Q擋、線控空氣懸掛技術(shù)相對成熟，線控轉(zhuǎn)向和線控制動是面向自動駕駛執(zhí)行端最核心的產(chǎn)品。線控底盤是智能汽車實現(xiàn)L3及以上高階自動駕駛的必要條件。

（1）線控制動系統(tǒng)

線控技術(shù)（X-By-Wire）源于飛機的控制系統(tǒng)，其將飛行員的操縱命令轉(zhuǎn)化成電信號通過控制器控制飛機飛行。線控汽車采用同樣的控制方式，可利用傳感器感知駕駛?cè)说鸟{駛意圖，并將其通過導(dǎo)線輸送給控制器，控制器控制執(zhí)行機構(gòu)工作，實現(xiàn)汽車的轉(zhuǎn)向、制動、驅(qū)動等功能，從而取代傳統(tǒng)汽車靠機械或液壓來傳遞操縱信號的控制方式[1]。

制動系統(tǒng)將朝著智能化、線控化的方向發(fā)展，線控制動系統(tǒng)將取代以液壓和氣壓為主的傳統(tǒng)制動控制系統(tǒng)，成為未來制動系統(tǒng)的主流。線控制動系統(tǒng)采用電子控制的方式，可以大幅減少制動系統(tǒng)的反應(yīng)時間，作為“控制執(zhí)行層”中最關(guān)鍵組成之一，具備能量回收、響應(yīng)迅速、安全冗余、適應(yīng)高集成發(fā)展趨勢以實現(xiàn)底盤域控的目標(biāo)等優(yōu)勢?？梢詽M足未來高等級自動駕駛系統(tǒng)的需求。

電子液壓制動系統(tǒng)（Electronic Hydraulic Brake System，EHB）、電子機械制動系統(tǒng)（Electro Mechanical Brake，EMB）是線控制動的兩大技術(shù)路線。

EHB是由傳統(tǒng)液壓系統(tǒng)和電子控制單元構(gòu)成，相比EMB成本較低、制動力充足，且冗余系統(tǒng)備份提升安全性，是目前主流線控制動方案。

EMB為完全意義線控制動，摒棄傳統(tǒng)制動系統(tǒng)的制動液及液壓管路等部件，由電機驅(qū)動制動器產(chǎn)生制動力，仍處于發(fā)展初期。

從發(fā)展階段來看，線控制動尚處于發(fā)展早期的階段，目前滲透率較低，僅有少量車型配置，新能源汽車配置相對較高。

（2）線控轉(zhuǎn)向系統(tǒng)

轉(zhuǎn)向系統(tǒng)經(jīng)歷四個發(fā)展階段，從最初的機械式轉(zhuǎn)向系統(tǒng)（Manual Steering，MS）發(fā)展到液壓轉(zhuǎn)向系統(tǒng)（Hydraulic Power Steering，HPS），然后又出現(xiàn)了電控液壓助力轉(zhuǎn)向系統(tǒng)（Electro Hydraulic Power Steering，EHPS），以及現(xiàn)在主流的電動助力轉(zhuǎn)向系統(tǒng)（Electro Power Steering, EPS）。

EPS系統(tǒng)主要由扭矩傳感器、車速傳感器、電動機、減速機構(gòu)和電子控制單元等組成。駕駛員在操作方向盤進行轉(zhuǎn)向時，扭矩傳感器檢測到轉(zhuǎn)向盤的轉(zhuǎn)向以及轉(zhuǎn)矩的大小，將電壓信號傳送到電子控制單元。電子控制單元根據(jù)轉(zhuǎn)矩傳感器檢測到的轉(zhuǎn)矩電壓信號、轉(zhuǎn)動方向和車速信號等，向助力電機發(fā)出指令，使電動機輸出響應(yīng)大小和方向的轉(zhuǎn)向助力轉(zhuǎn)矩，從而產(chǎn)生輔助助力。

智能化推動線控轉(zhuǎn)向成為新的趨勢，對于L3及以上的智能駕駛車輛，部分或全程的駕駛工況，會脫離駕駛員的操控，對轉(zhuǎn)向系統(tǒng)的控制精確性、可靠性要求會更高，因此只有線控轉(zhuǎn)向可以滿足。

從發(fā)展階段來看，當(dāng)前線控轉(zhuǎn)向尚處于早期發(fā)展階段，目前滲透率較低，僅在少量車型配備，隨著自動駕駛的需求不斷提高，線控轉(zhuǎn)向的需求將會不斷提高。在線控轉(zhuǎn)向方面，也需要充分考慮冗余方案，冗余環(huán)節(jié)包括供電電源冗余、電源分配冗余、扭矩轉(zhuǎn)角傳感器冗余、微控制器MCU冗余、電機控制及驅(qū)動冗余、電機本體冗余等，從而可以在任意單點失效的情況下，系統(tǒng)仍然具備一定的轉(zhuǎn)向助力能力，確保車輛的橫向控制功能不受影響。線控轉(zhuǎn)向取消轉(zhuǎn)了方向盤與轉(zhuǎn)向輪之間的機械連接，具備體積小、安全性高等優(yōu)勢，更加貼合高級別自動駕駛的需求，未來滲透率有望快速提升。

參考文獻

[1] 信達(dá)證券.汽車行業(yè)線控底盤系列研究之四：線控轉(zhuǎn)向，邁向高階能駕駛，2023年迎量產(chǎn)元年[EB/OL].2022,12.