这里首先初步的梳理一下无人驾驶车辆的历史：
　　·1970年以前：一些车企使用射频和磁钉的方式来导引车辆实现自动驾驶。
　　·1977～2000年：日本、欧洲和美国的一些高校进行了一些实验和开放项目，主要提供给高校和研究院所进行的开放项目，如EUREKAPrometheus、CMUNAVLAB、AHSDemo。
　　·2004和2006年：分别进行DARPA的一些比赛，鼓励各个高校组织实际的车辆相互竞争参与比赛。
　　·2007年：DARPA城市挑战赛，这个选择了城市道路这项有很高难度的项目来给各个高校空间，这里CarnegieMellon和Stanford这两个车队比赛成绩很接近。

　　第一部分 Google无人驾驶车辆的开发者
　　Google对无人驾驶车辆的故事应该从DARPA开始的，在《TheDARPAUrbanChallengeAutonomousVehiclesinCityTraffic》这本书收录了2007年美国的DARPA。
　　2007年的各个优秀车队的车辆信息，这里就包括两个主要车队的人员Boss和Junior车队，由CarnegieMellonUniversity和StanfordArtificial。
　　IntelligenceLab这两个主体构成。
　　如图2所示，目前Google车辆的CEO是JohnKrafcik、项目的总监是ChrisUrmson，BryanSalesky负责硬件开发。

　　图2 Google无人驾驶车辆项目的主要人员

　　这个项目的前期，是SebastianThrun带着下面这些团队成员一起去做的整个项目。
　　·MichaelMontemerlo：是整个项目的灵魂人物，是软件的负责人，并自己参与规划和优化的工作中，他目前还在Google。
　　·HendrikDahlkamp：是软件工程师，主要的工作是车辆定位和地图，去了Google以后也是从街景车CONTROL ENGINEERING China版权所有，目前已经从Google离职去了一家创业公司担任CTO。
　　·DavidStavens：他的工作也是定位和地图方面CONTROL ENGINEERING China版权所有，离开google以后和Sebastian创立了Udacity。
　　·DmitriDolgov：目前的Google的软件Lead工程师，也是规划和优化的工程师。
　　·ScottEttinger：系统测试方面的工程师，目前还在Google。
　　注：这是通过将所有下面成员和Google工程师对比得来的，这里的方法是根据每个人的去向做了个梳理。在网上可以查到的和Google自动驾驶车辆有关的共有约80位工程师。
　　图3是当时斯坦福参与车辆的团队构成，当时由大众北美、大陆和博世等德系公司来支持这个项目CONTROL ENGINEERING China版权所有，而原有斯坦福的团队主要是在车辆的定位、地图、动态识别感知、控制和优化那块做大量的创新性的设计和考虑。

　　图3 斯坦福的无人驾驶车辆参赛团队

　　第二部分 Google无人驾驶车辆的配置信息
　　Google现在正在用的是23辆LexusRX450hSUVs25很Q的原型车，之前还有少量的Prius(5辆还有一辆AudiTT)改装的无人驾驶车辆。对比一下Google使用的感知技术主要由：
　　1)360LIDAR光学雷达：VelodyneHDL-64LIDAR(HDL)这款光学雷达，两个队伍都用着合适就一直保留了下来。
　　2)毫米波雷达：两个队伍分别采用了博世和大陆的毫米波雷达，实际在后续的设计中也一直保留了下来。
　　3)天线：这既是GPS的，也是通信所需要的。
　　4)超声波传感器：起到辅助定位的办法，主要计算作用。
　　5)摄像头：图像的办法，在识别静态物体的时候还是很有用的。
　　Google经过了比赛和大量的尝试以后CONTROL ENGINEERING China版权所有，还是找到了自己的将多传感器融合进行感知的办法。这点应该来说，是需要大量的实际处理测试之后才能有收获的。

　　图4 Google改装车的配置

　　图5 现在Google工程车的配置

　　图6 两辆比赛车的传感器配置

　　第三部分 无人驾驶车辆的程序架构和Google的进化
　　对比两个车队的实际的程序架构，其主要的构成主要为：
　　1)Mission Planning任务规划
　　任务规划车辆根据已知的路网(通过全局路径规划)，计算可能的路径对应的成本(时间&风险)，简单来说就是当前位置A=>目的地B点，我们看到的最佳路径的任务规划器。
　　2)Behavior Generation行为生成
　　根据任务分配以后，可以将车辆的顶层策略做出来，基本可分为道路行驶、穿越路口和区域处理(泊车)三部分。这里可以理解为车辆地图解析出来的战略行为的执行过程，也是车辆的状态机的切入点。
　　3)Motion Planning运动规划
　　这里其实涉及的内容很细，整个车辆的细节控制加速、减速和转向，以及对应的车辆的自身位置和自身姿态状态的处理尤其关键。这部分更涉及到怎么去控制车辆做到很好的状态。
　　4)Mechatronics & Perception & World Modeling传感器处理、环境感知和建模
　　通过一系列传感器的感知，系统监控车辆周边环境识别，自动识别周围环境当中的障碍物(车辆、行人和动物等活动物体及其运动方向和速度)，同时对于车道白线，道路标志和信号灯也能进行正确判断。其中交通标志如限速牌、红绿灯，一般通过视觉系统完成，难点主要在实时性和鲁棒性，需要考虑道路中可能有的光线变化、遮挡等问题。
　　这个重点就是将所有的原始数据融合形成对道路环境的认知，简单一些分类，也可以分为动态物体和静态物体的感知。

　　图7 两个车队的主体程序架构

　　这里最为核心的还是如何处理复杂多变的路面情况，前面写了一些简单的文字，和李博交流www.cechina.cn，他说有可能是NPProblem，youcan‘tsolvethisprobleminyourlifetime。根据Google的日志情况来看，在服务器上的道路行驶AI是有相当的自学习和自我改进的能力了，一旦这个过程开始，则日积月累，一下走到了所有人的前面。所以看到Google在月度报告里面根据路面数据生成的场景再现，它根据传感器数据再现的人、车、标志和道路。

　　图8 Google在月度报告里面披露的场景图

　　所以Google领先汽车厂家的，还是其深度测试和验证的对汽车的交通规则让AI学习的部分，传统汽车企业完成ADAS功能，如车道保持、紧急制动、自适应巡航还是在单一场景里面实现的，如何加入整个对基本规则和各种规则的适应，这块是比较难尝试的。不过随着丰田投资AI、戴姆勒在卡车领域尝试测试，不断的加大投入，科技公司和传统车企之间在技术之间会相互融合和考虑，特别像SAE牵头做的V2V的DSRC(短距离通信)项目。

　　图9 交通场景规则

　　小结：Google无人驾驶车辆的资料只有一些表面浅显的材料可供查询，只有等到其真正外部测试和比较公开的时候我们才能一窥究竟。目前其战斗的潜力值还是很高的，需要我们持续关注和追踪。