驾驶辅助的趋势是车越来越复杂，每辆车都是一个自我决断中心，其越来越像一个完整的生物体，具备全套的感知、决策与执行能力（见图10.9）。与驾驶辅助系统不同，自动驾驶车辆所能带来的安全、节能、减排、高效方面的社会效益只有通过协同驾驶才能实现，例如，只有密集编队形式才能降低油耗和提高公路利用效率，只有通过车—车通信才能建立无红绿灯路口，等等。因此，“协同”是自动汽车时代的核心技术关键词。从理论上看，越复杂的单体协调起来就越困难；从自然界也可以看出，低等动物的协调动作能力更加出色，如蜜蜂、蚂蚁、鱼类。
图10.9 智能车的基本构成
有些海里的小体型鱼种，为了提高捕食效率、规避被捕食风险，经常在白天采用同步式游进方式（见图10.10），鱼群可以整体在瞬间同步改变队形和游进方向，其中以鲱鱼为最快。描述其中个体行为的模型主要有距离关系模型和拓扑关系模型两种［30］，［31］（见图10.11），个体行动遵守以下行为准则：
图10.10 海鱼同步群游
（图片来源：http://(reativecommons.org)）
（1）临近个体同向移动准则；
（2）与临近个体之间的距离控制准则；
（3）与临近个体之间的避撞准则。
这两个模型只能粗略描述群体，而不能解释群体协调动作的控制机理。据推测，生物之间传感主要靠光学、声学和信息激素类传感器。
图10.11 两种同步行为模型［30］，［31］
（图片来源：https://en.wikipedia.org/wikj/shoaling_and_schooling）
细胞与鱼、蜜蜂、蚂蚁相比，其生命形式更加简单，本身没有决断能力，几乎没有任何功能，但是细胞可以自发地组织成有机体，因此在自我组织和自主装配方面的能力更加高超。自主装配是指低能的单体可以自发组成远高于自身功能的集合体，例如细胞可以组成蚂蚁，蚂蚁可以组成过水的“蚂蚁桥”。可以发现，细胞具有以下协同特征：
（1）单体细胞的自我组织和自主装配能力；
（2）集合体对单体细胞具有容错能力；
（3）单体细胞具有自我修复能力；
（4）组装规模具有可扩展能力。
通过模仿动物在微观（细胞自组装）和宏观（鱼群、鸟群）的集群行为，“群机器人”学科专门研究智能机器的集群行为。2014年，哈佛大学Kilobot小组的成果被评论为是一个群机器人研究的里程碑［32］。Kilobot是上千个硬币大小的简单小机器人的集群，可以按照人工的初始指令自主协同完成组型、均布、群体移动等任务。自主协同的含义是机器人群不通过任何中央智能系统的引导，没有统一的领导，只接受初始命令，在过程中必须像蜜蜂和蚂蚁一样自主协作。Kilobot对单元机器人做出了很多限制，其中包括最简化限制：单元不对整体任务负责，只负责自己的动作执行，就像一个生物细胞，只对自己在微环境下的行为负责，简单的运算能力只完成简单的任务：相对于邻居单元，应当站在什么位置。这种最简化的小机器人成本只有14美元，只配一个仅能与周边几个单元进行通信的红外传感器，计算自己与邻近同伴间的距离。同时，从群体效应上来看，要求群机器人具有可扩展性，也就是说将机器人总数减少到500或增加到2000以后，机器人群都依然能完成同样的任务。可扩展性要求每个单元都具有同样的模块化接口设置。
当4级自动化汽车分布到全社会以后，群体无人驾驶车辆的行为与上述Kilobot群体机器人很类似。驾驶辅助功能的感知系统只依靠车载传感系统规避障碍，而自动驾驶汽车却要靠通信连接形成协同操作。与辅助驾驶相比，协同驾驶可以将安全与可靠级别提高到另一个等级。协同驾驶行为与海里的鱼群协游类似，甚至于应当与细胞行为更接近。3级自动化是以车辆自决判断和车辆中央任务控制为特征，机器的复杂程度在无人自动驾驶的演变过程中将达到最高峰。相比之下，4级自动化汽车则应当朝着简单单元、集群行为化发展。每辆自动化汽车将成为一个整体集群的单元，集群具有容错能力和可扩展能力，同时单元具有自我修复能力。
与Kilobot项目类似，如果把4级自动化汽车设计成一个机器人集群里的单元，为了满足自组织、自组装、自我修复、集群容错等要求，车辆应该具备以下基本功能与特征：
（1）理解所有临近相关车辆的运动方向；
（2）理解所有临近车辆与自己之间的距离；
（3）根据车辆动力学行为制订避撞计划；
（4）根据其他车辆的运动方向、位置和避撞准则制订自己的路径规划；
（5）集群控制的可扩展性；
（6）每辆车的控制模式都是标准一致化的。
图10.11中的距离关系模型和拓扑关系模型都可以用来描述自动车辆集群行为。无论采用哪种模型，如果仍然沿用现在的车载传感技术，要想实时监测周边车辆的相对位置和相对速度，就需要在车体周边上安装众多数量的探测传感器，无论从成本、重量、可靠性上都会带来负面影响。和鱼群同步群游一样，未来自动驾驶的环境感知关键技术是精准定位和通信。
精准定位技术就是要求在全球坐标系里标定出每一个车辆的动态三维坐标。当每辆车实时测量的坐标精度都达到分米级以内，并同时告知其他车辆时，就可以应用到集群运动的协同和避撞控制里了。有了临近车辆的精准坐标历史，我们就可以很容易推断出邻车和主车之间的相对位置关系、相对速度关系、邻车下一刻的运动方向等运动学信息。
依靠目前的卫星定位（GPS系统、北斗系统、Galileo系统、GLONASS系统），实时精度（±15～30m）还达不到避撞控制应用的要求，如果要求将定位精度提高到亚分米级别，则要依靠载波相位差分技术（RTK，Real Time Kinematic）或者WADGPS（广域差分全球定位）等技术，在地面增设补偿基站。在避撞安全的应用中，必须考虑车辆高速运动给定位信息带来的滞后误差。以100km/h（28m/s）速度行驶的车辆，如果以100Hz的频率接受卫星定位的信号，每次接受信号期间车辆已经又移动了2.8m，在此期间的中间值一定要用其他的装置来补偿，最常用的技术是惯性导航单元（IMU）。可以看到，为了得到实时的车辆精准定位信息，必须依赖于RTK的民用化普及和激光惯导IMU单元的小型轻量化、低成本化发展。
如果高精卫星定位设备不能得到及时普及，依靠环境景象分析的高精定位系统也是很有希望的未来技术［74］。景象定位基本原理和人的视觉定位过程非常相似：当你看到了一个熟悉的环境镜像，你就知道自己处在什么方位。在行进过程中，车载摄像头会不断摄取街景，每拍摄一张街景照片的时候也会同时得到一个此刻的普通精度卫星定位信息，然后把这个图像和相应卫星定位数据成对地发送给图像定位系统的中央服务器。其他路过此点的车辆也会给服务器发送同类数据，但是由于卫星定位数据的误差，故与此点照片对应的定位坐标数据是离散的。当关于此点的数据量达到一定数量以后，离散的坐标数据就会收敛到一个分布中心，这就是与此位置相对应的精确坐标值，而且其精确度会随数据量的增加而不断提高。最后，当再拍摄到这张景象时，只要发送给中心服务器，服务器就会给车辆反馈一个精准的定位坐标信息（见图10.12），当数据积累到一定阶段后，设置不再需要卫星的支持就可以定位，这就和我们人类的视觉定位过程是一样的了。无论是依靠卫星定位还是视觉定位，作为与用户之间的应用界面，高精度地图总是必不可少的［79］。
从图10.12可以看到，通信与定位技术一样重要。通信对象包括车—车、车—驾驶员、车—行人/自行车/摩托车、车—中央服务器，等等。如何搭建高速、安全、稳定的通信系统是协同自动驾驶的基础。
图10.12 视觉定位系统［74］
自动化车辆的运行环境和对车辆感知、决策和执行等环节的要求见图10.13。综上所述，环境感知和通信是4级自动化集群控制的技术关键。环境感知研究需要解决三方面的问题：
图10.13 自动化车辆运行所需的内部、外部环境
（1）人员状态在线监测：通过多元信息综合传感（车载传感、穿戴电子传感），依靠机器学习等理论综合分析，对人员的疲劳、健康、注意力、能力进行全时在线监测，并与自动驾驶控制系统进行实时通信。
（2）车辆状态与故障在线监测：通过多元信息综合传感，依靠机器学习等理论进行综合分析，对车辆的机械故障、电子故障、安全隐患、行驶状态进行实时监测和模式识别，监测结果可实时发送给自动技术决策系统及车辆厂后台服务中心。
（3）精准车辆环境感知：利用卫星定位、视觉定位和高精地图进行三维亚分米级的高精定位技术；主动式移动障碍射频信标定位、地面设施信标引导技术；利用V2X通信对车载传感、信标传感、精准定位传感进行多元信息综合，为路面移动障碍避撞/车线识别/路口避撞/自动驾驶提供“互联式环境感知网络”支持。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
