無人駕駛軟件分為車輛端和云端2個部分，其中車輛端運行操作系統(tǒng)和無人駕駛系統(tǒng)，云端提供無人駕駛所需要的各種服務。操作系統(tǒng)主要負責無人車硬件資源（包括傳感器、系統(tǒng)總線、網絡等）的管理以及計算資源的調度。

對無人駕駛來說，操作系統(tǒng)的實時性非常重要，操作系統(tǒng)要保證任務能夠在規(guī)定的時間內得到響應。無人駕駛系統(tǒng)實現了無人駕駛所需要的各種算法，包括定位、環(huán)境感知、路徑規(guī)劃和控制等，無人駕駛系統(tǒng)是無人駕駛軟件的核心部分。最后云平臺提供了無人駕駛所需要的各種基礎服務，共同構成了整個無人駕駛軟件。

圖源 CSDN況祥彬博客

自動駕駛操作系統(tǒng)

構建自動駕駛汽車是一項挑戰(zhàn)，構建自動駕駛汽車操作系統(tǒng)則更具挑戰(zhàn)性。

讓汽車更智能、更安全比建造今天在我們的街道上行駛的任何汽車都要困難得多。自動駕駛汽車操作系統(tǒng)也是如此。選擇汽車操作系統(tǒng)是一件大事，因為它需要控制汽車的核心功能，同時保證乘客和駕駛環(huán)境的安全。操作系統(tǒng)是指控制和管理整個計算系統(tǒng)的硬件和軟件資源，并合理地組織調度計算機的工作和資源，以提供給用戶和其它軟件方便的接口和環(huán)境的程序集合。

而自動駕駛的操作系統(tǒng)較之手機電腦的操作系統(tǒng)，顯得更加地復雜，對安全性要求也更高。由于無人車的軟件算法都運行在操作系統(tǒng)之上，對操作系統(tǒng)最主要的要求是穩(wěn)定性和實時性。穩(wěn)定性體現在操作系統(tǒng)占用的資源少，出現故障之后系統(tǒng)不會奔潰，能夠長時間運行。而實時性要求系統(tǒng)能夠及時響應控制指令，工業(yè)設備、汽車電子、航空航天等領域都要求采用實時操作系統(tǒng)，因為在這些領域操作系統(tǒng)如果不能及時響應控制指令，會產生很嚴重的后果。試想一下在駕駛過程中發(fā)出了緊急剎車指令，而操作系統(tǒng)沒有及時響應，會導致嚴重的交通事故。

自動駕駛系統(tǒng)

前面介紹了實時操作系統(tǒng)，在實時操作系統(tǒng)之上運行的就是無人駕駛中最重要的算法實現。算法實現有2種不同的架構，一種是模塊化的軟件架構，這是目前無人駕駛系統(tǒng)的主流方案，世界上最大的2個無人駕駛開源社區(qū)Apollo和Autoware都是采用這種架構。

另一種是端到端的軟件架構，和模塊化的思路不同，端到端的自動駕駛直接采用傳感器（攝像頭等）的數據作為輸入，通過深度學習模型，直接輸出控制信號（油門、剎車、方向轉角）控制汽車的行駛。端到端的自動駕駛結構非常簡單，但性能高效。由于深度學習模型不能安全硬編碼，并且具有不可解釋性，目前端到端的自動駕駛更多的只是作為研究手段。

現如今自動駕駛系統(tǒng)一般將核心的算法模塊化劃分為感知層、定位層、預測層、決策規(guī)劃層以及控制層，這一套系統(tǒng)的劃分經歷過大量的實驗及時間檢驗，可以說是目前無人車中運用最廣泛的系統(tǒng)之一。模塊化劃分的好處就是各個模塊各司其職，只用專心處理這一層所需要處理的數據，將輸出盡可能穩(wěn)定地傳給下一層，使其完美完成自動駕駛操作的閉環(huán)，但同時，模塊間的信息交互、接口制定、互相配合的難度也是極大的，也造成了目前自動駕駛領域中部分難題難以劃定為某一模塊的劣勢。

而端到端的自動駕駛方法和人類的駕駛方式很相似，結構簡單高效，并不依賴高精度地圖，但用于生產實踐具有可解釋性差的問題，由于自動駕駛過程中的感知、決策和規(guī)劃都是通過深度學習模型完成的，出現故障后，沒法分析具體的原因。并且也不能硬編碼安全規(guī)則。在算法失控的時候，不能保證安全，而這一條足以使其無法應用于實際的工程應用之中。

再根據無人車是否聯(lián)網，可以將無人駕駛車分為單車智能和網聯(lián)智能，單車智能強調車本身的智能，即使在沒有網絡的情況下，也具備完全自動駕駛能力。而網聯(lián)車則強調車和車、車和環(huán)境的交互，通過整個車聯(lián)網來實現更高級的智能，車本身可以具備自動駕駛能力，也可以只具備部分自動駕駛能力，通過網絡獲取更高級的智能。從目前的發(fā)展趨勢來看，無人駕駛車要更快的落地，單車智能和網聯(lián)智能二者需要互相融合，共同發(fā)展。

自動駕駛云服務

云服務是自動駕駛不可或缺的一環(huán)，自動駕駛相關的高精度地圖、數據存儲、模型訓練、自動駕駛仿真等都依賴于云服務。目前已經宣布能提供自動駕駛服務的云平臺有百度Apollo、亞馬遜AWS和華為Octopus，提供的主要功能包括：數據采集和存儲、數據Pipeline、模型訓練部署以及自動駕駛仿真。

講到云服務，首先提到的是數據存儲。數據存儲首先需要的是一個分布式的文件系統(tǒng)，大數據時代已經被廣泛證明了分布式文件系統(tǒng)的好處，最主要的好處是容量可以水平擴展，而且可靠性高。自動駕駛每天產生的大量數據都可以通過分布式文件系統(tǒng)保存下來。

其次是數據處理，深度學習模型訓練、高精度地圖生成以及自動駕駛仿真等都需要進行數據處理。自動駕駛的數據處理流程包括：收集、清洗、標注、訓練和部署。用于自動駕駛模型訓練的數據首先需要人工標注，然后再進行模型訓練，最后才能得到能夠識別車輛和行人的深度學習模型。數據的自動化標注是很大的挑戰(zhàn)，通過工程的方法盡量減少人工標注，可以大幅度提高標注效率。數據處理的另一個挑戰(zhàn)是大規(guī)模并行處理數據，由于數據量巨大，如何快速的處理數據是瓶頸。

有很多優(yōu)秀的分布式計算框架，其中Apache Spark可以構建大規(guī)模集群并發(fā)執(zhí)行多個任務，在大規(guī)模數據處理中有非常好的實踐。能夠快速高效的處理數據，是自動駕駛數據處理的核心競爭力。

最后便是地圖服務，云端應該實時提供自動駕駛所需要的地圖服務。地圖包括道路信息和動態(tài)信息，道路信息不用再過多介紹，就是傳統(tǒng)的道路信息，動態(tài)信息是地圖上出現堵車或交通管制等需要實時動態(tài)更新的信息。在這之中，高精度地圖的維護是目前面臨的最大問題，因為涉及到整個地圖的采集、加工和標注，實時維護大體量的高精度地圖目前來說成本高昂，一些高精度地圖服務提供商提出采用眾包的方式更新高精度地圖。

總結

以上便是自動駕駛中軟件系統(tǒng)整體框架的全部內容，可以看到，作為目前最前沿、最火熱的技術，自動駕駛中囊括了太多目前尖端的科技，也不難理解為何如此多的人才涌入進該行業(yè)中。而要實現真正的無人駕駛，顯然也有很長的路需要走，也需要以上的各個方向，都能取得革命性的突破，才能使得自動駕駛不再有短板，也變得越來越安全。

參考資料：

[1] https://blog.csdn.net/qq_40337086/article/details/125540221