无人环保车，无人公交车，无人校车，虽然都是在路况简单的交通环境运行，但是无人驾驶技术确实已经逐渐走进我们生活中实用的一面了。无人驾驶离我们越来越近，那无人驾驶到底是什么呢？
无人公环保车
无人公交车
无人校车
要了解无人驾驶，首先要明白，无人驾驶其实也分等级。0级属于只能由人驾驶；1-3级属于半自动驾驶，这个阶段的无人驾驶，系统只能帮助驾驶员预测环境可能出现的情况，预先警告可能发生的危险，但最终做决策的还是驾驶员，也就是说，这个阶段的无人驾驶其实是辅助驾驶。到了4-5级，绝大部分情况都可以由系统处理，这个时候才是真正的自动驾驶。
在实现无人驾驶的过程中，以特斯拉为代表的汽车制造企业，很早就进入了L2、L3阶段，通过系统在实际驾驶过程中获取的大量数据，不断完善辅助驾驶系统，最终达到让系统智能到取代司机来驾驶汽车的目的。
但是，无人驾驶技术并不必需由L3到L4这样循序渐进的发展。很多公司就选择直接进入最高级L4、L5的完全无人驾驶，比如百度、谷歌。
无论是循序渐进也好，还是直接研究完全无人驾驶也好，在实现无人驾驶的路上，要解决的问题都差不多。一是给汽车定位，然后选择合适的路径；二是让汽车识别周围的环境；三是让汽车做出正确的判断。
定位方面，一个是定位技术、一个是高精度地图。
常用的定位技术有三种，一种是基于信号的定位，比如全球导航卫星系统（GNSS）；一种是航迹推算，依靠惯性测量单元（IMU），根据上一时刻的位置和方位推断现在的位置和方位；还有一种是环境特征匹配，基于激光探测器的定位，用观测到的特征和数据库里的特征以及存储的特征进行匹配，得到现在车的位置和姿态。
三种定位技术各有优劣。
信号导航定位精度可以做到厘米级，但是严重依赖卫星数量，基站铺设成本也比较高。在一些特殊环境比如桥洞、高楼大厦下面，或者容易受到电磁干扰的环境，被干扰之后可能就没法定位。
航迹导航这种方法，以牛顿力学定律为基础，比较依赖仪器系统，系统造价高。优点是短时精度高，但是误差会随时间积累。而激光定位这种方法，必须要预先制作地图，有了地图，汽车搭载的激光雷达扫描到的环境信息就能跟地图上的对比，得出位置。这种方法要不断更新新地图，还有就是雨雪天气也会受到影响，因为会影响激光反射。
除了定位系统以外，高精度的地图也十分需要。因为需要定位系统与高精地图配合提供静态场景，然后车辆将感知得到的动态物体（行人、车辆等）正确放入静态场景中，才能根据位置和姿态用于路径规划和车辆控制。
这跟人类识路的感觉很相似，先记住路上的标识，指示牌、特殊建筑等等，然后把看到的信息与记忆比对，最后判断是不是走对了路。但是对于无人驾驶而言，这里的要求更高。车辆还需要根据搜集到的信息作出驾驶方面的判断。
关于高精度地图这一方面，无论是辅助驾驶也好，还是完全无人驾驶也好，都要事先搜集地图信息。
辅助驾驶（L1—L3）的模式是通过给大量的汽车预装摄像头，让汽车上路之后搜集路标、标识、线路等信息，最后汇总到地图上。这一模式的优势是制图成本低，但是地图的精度不够高。
完全无人驾驶（L4以上）的模式，通过给车辆加装激光雷达，激光雷达对环境的感知更强，搜集到的信息也更多。车辆行驶时，激光雷达同时扫描搜集周边的地图信息，搜集来的信息可以层叠相加，图层越多，地图也越精确。
搜集的这些信息，一方面用来更新地图，另一方面也是汽车作出判断的依据。除了雷达、摄像头等传感设备以外，无人驾驶汽车还有其它设备。但大都跟定位和识别相关。
雷达的主要作用是识别周围的行人、车辆、障碍物，测定距离速度等；
摄像头的作用是识别标识，包括红绿灯、指示牌、交警的手势等。
前面说了，无人驾驶最重要的三点，定位、识别环境、作出判断，无论是哪一点都离不开智能的系统。无人驾驶的历史很长，但无人驾驶正在进入“大航海时代”却是在深度学习爆发之后。
无论是定位还是识别周围的环境，车载摄像头、雷达等设备，每时每刻都会搜集海量的数据。传统的机器学习的系统，计算能力不足以处理这么多数据，深度学习出现之后，可以理解为系统在处理数据时做了精简，不用再被无关的数据影响。
谷歌无人驾驶系统
特斯拉辅助驾驶系统
无论是谷歌的无人驾驶，还是特斯拉的辅助驾驶，系统都只关注了道路上车辆、行人、路标等影响驾驶的关键因素，而忽略了大量的无关信息，做出正确的驾驶判断就容易了很多。最后，大量的路测可以不断完善这种无人驾驶系统，最终实现无人驾驶。
未来的无人驾驶，无论是私家车模式，还是共享模式，对于大众而言，都能获得更安全的乘车条件和更便利的出行环境。
推荐阅读
拐卖、，我们能为孩子做点什么？
滴滴恢复顺风车服务，即使加了人脸识别你还敢坐吗？
500多家企业亮相警用装备展，哪些产品值得一看？
构筑与时俱进的安全生态环境 ——大安防体系环境篇
刚刚过去的Google I/O大会，终于让我见识了AI到底有多强
