很多人很關心自動駕駛是怎么起源的？為什么人類需要自動駕駛？這就需要先從自動駕駛帶給人類的好處說起，我們一般會聽到他對人類產生以下好處：

安全，可以減少道路的事故。根據歐美相關政府數據， 94% 的撞車事故的因素是駕駛員的行為或錯誤。而自動駕駛汽車，由于是機器，所以沒有情緒，沒有疲勞，沒有分心，他可以幫助減少駕駛員的錯誤，從而增加安全。

節能，可以通過自動駕駛優化速度，規劃出行從而可以減少能源損耗。

增效，大規模的使用自動駕駛，可以把人類從駕駛中解放時間，從而提高人類的時間效率。

所以人類會愿意發明與創造去推動此項科技的應用落地發展。例如在無線電通訊蓬勃發展的20世紀初，美國發明家弗朗西斯·胡迪納（Francis Houdina）就利用無線電技術在美國曼哈頓街道上演示了一輛無人駕駛的汽車。 而后60年代太空競賽月球登陸車利用攝像頭跟隨路面開啟了基于圖像算法的自動駕駛研究時代。 最后DARPA（Defense Advanced Research Projects Agency）在2004年和2005年，2007年分別舉行了關于自動駕駛的挑戰賽，特別是2007年的Urban Challenge城市挑戰賽。開啟了自動駕駛產業起源，當前的自動駕駛技術應用都來自于此挑戰的概念。

接下來本文將結合DARPA相關資料，重點介紹DARPA挑戰賽，并整理以下方面信息：

DARPA挑戰賽的起源

DARPA挑戰賽的內容

DARPA挑戰賽獲獎車輛技術

DARPA挑戰賽對當前自動駕駛的影響

希望通過以上信息給大家帶來一些對于當代自動駕駛的技術發展的信息和啟發，如果能引發關于驅動和預測科技的發展進步的思考就太棒了。DARPA挑戰賽的起源DARPA挑戰賽，先不管這是什么賽事，先看看舉辦單位DARPA，也就是美國國防部高級研究計劃局。好吧攤牌了，當代自動駕駛產業落地的催生萌芽其實是軍事。 當然美國還有很多大挑戰GrandChallenge，美國認為大挑戰可以：

幫助創造未來的產業和就業機會；

擴展人類對我們自己和我們周圍世界的知識的前沿；

幫助解決與能源、健康、教育、環境、國家安全和全球發展相關的重要問題；

充當公共和私營部門合作的“北極星”。

這種以國家牽頭，向社會開放廣泛報名、激發創新的項目，是一個開放和激發社會活力的好項目。 回到DARPA Challenge，其實DARPA挑戰賽之前美國DARPA進行了另外一項計劃，DARPA Strategic computing program中文就是“戰略計算計劃”，該計劃從 1983 年到 1993年資助了先進計算機硬件和人工智能AI的研究。該計劃旨在支持在規定的十年時間內開發機器智能所需的各種項目，包含從芯片設計到制造，計算機體系結構到人工智能軟件。美國國防部在該項目上總共花費了 10 億美元，花費一半在工業界，一半在大學和政府實驗室。 當然這項計劃也算是受1982年日本的第五代計算機系統的10年計劃刺激，第五代計算機系統其實就是當前人工智能火熱的智能計算系統，也就是多運算單元組合形成超算系統——而不是之前通過專注于增加單個 CPU 中邏輯元素的數量來增加算力的方式。現在英偉達以及Tesla的Dojo就是采用此類方式，多計算單元CPU和GPU的組合形成超算，其中一個重要的技術是各個運算單元之間的高速接口連接，具體了解可以點擊《被美國禁售的A100和H100 ,MI250人工智能芯片能干啥？》和下面視頻可以了解第五代計算機系統。 而DARPA Strategic computing program戰略計算計劃，他的落地應用DARPA設想了三個軍事“任務計劃”：

給美國陸軍開發自動駕駛陸地車輛。

給空軍開發飛行員助理，也就是自動飛控系統。

給海軍開發航空母艦作戰管理系統。

到 20 世紀 80 年代后期，DARPA Strategic computing program戰略計算計劃催生了計算機、芯片等在美國的大力發展，但是該項目無法成功地創造落地出預期水平的機器智能。DARPA當時的領導人Schwarz認為應該只將資金集中在那些最有希望的技術上。用他的話說，DARPA 應該“沖浪”，而不是“狗槳”，他強烈認為 AI 不是“下一波浪潮”。 而DARPA的自動駕駛汽車落地的是美國武器公司馬丁公司（后來并入了鼎鼎大名的軍火公司洛克希德·馬丁），顯然他們當時造出的自動駕駛車輛可能難以量產或者實用。 但彼時2001年，美國深陷阿富汗戰爭，為了應對路邊炸彈引起的大量傷亡，于是美國國會通過了一項法案：在2015年，軍方三分之一車輛必須進行無人駕駛。 到2003年，伊拉克戰爭爆發，無人駕駛技術還沒有大的進展。根據法案，國會命令DARPA負責推動相關技術的發展，授權該局對無人駕駛汽車的研發人員進行現金獎勵。有了獎金的支持，DARPA決定另辟蹊徑，舉辦一項獎金為100萬美元的公開競賽，吸引更多的團隊投入智能車研究。所以從2004到2007年，DARPA共贊助了三場公路賽事，分別是：2004年和2005年DARPA大挑戰賽和2007的DARPA城市挑戰賽，這幾項賽事奠定了當代自動駕駛汽車的技術基礎。DARPA挑戰賽的內容2004年和2005年DARPA大挑戰賽，這兩次挑戰的基本性質一樣，在典型的戰地場景，希望汽車能夠按照DARPA給出GPS路線避障安全抵達目的地。 2004年3月13日在美國莫哈韋沙漠地區舉行的第一屆無人駕駛汽車比賽。規定10小時內完成這條 150 英里（240 公里）的越野路線。最后沒有一輛機器人車輛完成路線。卡內基梅隆大學紅隊的車輛行駛了最遠的距離，完成了 11.78 公里（7.32 英里）的路線。100萬美元的獎金無人認領。

當時美國的頭條新聞會嘲笑DARPA挑戰賽是一個夸大其詞的科學項目。《連線》雜志評論道“挫敗：DARPA機器人都倒下了。美國有線電視新聞網寫道“沒有人贏，甚至沒有人接近”。就連《大眾科學》雜志也發文指責聯邦調查局：“如果 DARPA 明顯犯了什么罪，那它就沒有管理過高的期望。比賽經理 Negron 在方格旗出現前的幾個月里，沒有將首屆大挑戰賽標榜為未準備好黃金時段的現場測試，以校準未來努力所需的內容，而是繼續預測勝利者。” DARPA沒有一個勝利者，但尷尬的賽事負責人Tether 選擇專注于積極的方面。看著這些科技的參與者在沙漠中競爭又聚在一起，交換故事和策略，他并不擔心他們留下的鋼鐵尸體和燒毀的輪胎。這次偉大比賽證明了創造自動駕駛汽車的動力就在那里，而且它找到了有動力實現這一目標的人才。他并不打算放棄。有記者問他現在打算怎么辦。“我們會再做一次，”Tether 說。“而這一次，獎金將是 200 萬美元。” 于是一年之后，2005年DARPA 大挑戰賽開始了，獎金翻倍200萬美金。這次無人駕駛汽車比賽是 212 公里（132 英里）的越野賽道。最后195 支隊伍中有五支跑完賽道。其中斯坦福大學的汽車“Stanley”以 6 小時 53 分鐘的成績獲得第一名，贏得了 200 萬美元的獎金。

至此2005年DARPA大挑戰賽開啟了當代自動駕駛汽車的一個里程碑，證明了可行性。但是2004年和2005年的DARPA大挑戰賽考驗的是給出線路，然后躲避靜態障礙，并且所有參賽車輛不會在比賽中有相會的交集。可是現實生活中的自動駕駛車輛必須要能夠感知其他動態的交通參與者，并且與其進行互動，最后到達目的地。 所以DARPA決定組織新的挑戰，也就是2007 Urban challenge城市挑戰賽，他的設計就是為了探索自動駕駛汽車在有其他交通參與者的情況下，進行自動駕駛抵達目的地，也就是推進自動駕駛更貼近現實。 2007年Urban challenge城市挑戰賽在美國西部加利福尼亞州維克多維爾，現已關閉的喬治空軍基地（目前用作南加州物流機場）所在地舉行。此次的獎金共計350萬美金，規定在6個小時內完成96公里的路程且最高車速不超過48km/h，里程中重點考察挑戰交通中的互動例如：

十字路口

交匯

泊車

臟路面

此次挑戰賽11輛自動駕駛汽車參加了最后的決賽，比賽的時候DARPA官方在賽道上增加了30輛帶司機的汽車，以增加交通密度。

參賽團隊事先對賽道一無所知。DARPA在比賽前24小時向所有車隊提供了一份路線網絡定義文件（RNDF），RNDF與車載GPS導航系統使用的數字街道地圖非常相似，該文件以GPS坐標定義了道路位置、車道數、交叉口甚至停車位位置。比賽當天，每個團隊都得到了第二個唯一的文件，稱為任務定義文件（MDF）。該文件僅包含RNDF內車輛需要穿越的檢查站（或位置）列表，這些車輛必須按照特定順序訪問檢查站，就像無人駕駛軍車在執行任務時必須執行的操作一樣。 最終6輛車汽車完成了比賽，其中3輛按照規定的時間完成，獲得獎金。DARPA挑戰賽獲獎車輛技術最終完成的比賽的有：

卡內基梅隆大學的Boss 用時420第一名; 在整個過程中平均每小時大約 14 英里（22.4 公里/小時）贏得200萬美金。

斯坦福大學的Junior 用時428第二名；在整個過程中平均每小時約 13.7 英里（22.0 公里/小時）贏得100萬美金。

弗吉尼亞理工大學的Odin用時438第三名；在整個過程中平均速度略低于每小時 13 英里（21 公里/小時）.

麻省理工學院的Talos用時大約6個小時第 4 名

另外還有賓夕法尼亞大學的Little Ben和康奈爾大學的Skynet超過 6 小時限制，成功完成挑戰線路。所以共計 6 支隊伍完成線路。

下圖為獲獎以及完成比賽的車輛照片，是不是和我們常常在路面上看到的自動駕駛車輛很類似，頭頂著激光雷達？另外所有參賽者的感知套件以及機構都非常類似。

根據DARPA的規定，以及提供的路線網絡定義文件（RNDF）其實可以認為對于定位，參賽者統一采用其地圖（可以認為是高精地圖），定位的技術方案也是一樣就是利用IMU,GPS還有RTK，可以看到第一名boss的傳感器套件里面有Trimble也就是RTK高精定位供應商，目前不少廠家在用。據文獻了解當時地圖精度0.1米也就是分米，當前商用高精地圖也就是厘米級別。 對于感知傳感器方面，可以了解下第一名boss的傳感器套件

1個最大探測距離70米的機械式360度掃射激光雷達-Velodyne HDL-64 LIDAR (HDL) ，視場角FOV 360 × 26 0.1度角分辨率。

6個最大探測距離80米激光雷達SICK LMS 291-S05/S14 LIDAR (LMS) ，視場角FOV 180/90× 0.9 度，1/0.5角分辨率。用來識別道路以及車道線。

2個探測距離達300m的激光雷達 IBEO Alasca XT LIDAR (XT)，視場角FOV 240 × 3.2度。

2個探測距離達150m的激光雷達Continental ISF 172 LIDAR (ISF)，視場角FOV 12 × 3.2度。

5個大陸的Continental ARS 300 Radar (ARS)毫米波雷達，FOV 60/17 × 3.2 度，最大探測距離60/200米。顯然毫米波雷達是用來探測道路中其他運動車輛。

2個高速黑白攝像頭Point Grey Firefly (PGF)，視場角為45度。應該是用來識別道路的車道線。

1個GPS+IMU高精定位系統Applanix POS-LV 220/420 GPS/IMU (APLX)

其實查閱資料，基本上完成比賽的6個車采用相同的傳感器方案，有的差異只是多少個，放的位置罷了。所以這里可以回到文章講到的DARPA挑戰賽的大背景是Strategic computing program戰略計算計劃，更多的是挑戰基于計算，芯片的軟件應用。 對于計算，第一名Boss使用了一個帶有10個2.16-GHz Core2Duo處理器的Compact PCI機箱，每個處理器有2 GB內存和一對千兆以太網端口。每臺計算機都從一個4 GB閃存驅動器啟動，降低了磁盤故障的可能性。其中兩臺機器還安裝了500-GB硬盤用于數據記錄。每臺計算機還通過定制的每秒脈沖適配器板進行時間同步。也有用8個蘋果MAC迷你電腦的。而其他幾家也基本差不多，多個計算機運算，整車汽車后備箱塞滿了計算機，其實現在自動駕駛開發的工控機類似了。

對于軟件方面，基本上以Unix/Linux的系統為自動駕駛的運行系統，在商用系統方面Unix/Linux有著工程師們熟悉的各種庫，接口和算法調用，來實施感知，規劃，當前自動駕駛依然一樣。最后是顯示，畢竟還需要操作員和監控員，所以顯示基于QT的圖形用戶界面（GUI），為操作員、工程師或測試人員提供了方便，用于啟動和停止軟件、查看狀態/健康信息以及調試正在執行的各種任務的工具。

另外通過對參賽車輛的車身噴涂廣告，可以看到計算機的英特爾，我們現在激光雷達的先驅ibeo，Velodyne;視覺算法上車的巨頭Moileye，視覺傳感器安森美;電子架構專家Vector,汽車雷達巨頭們等等。 最后盡管DARPA挑戰賽從完成的速度上來看，離實際使用尚有距離，但它確實實現了一些特定的技術目標，例如地面導航的目標。特別是卡內基梅隆大學的自主陸地車輛計劃及其姊妹Navlab項目，為隨后的許多無人駕駛車輛計劃奠定了科學和技術基礎，例如 Demo II 和 III 計劃（ALV 是演示 I)、感知器和DARPA 大挑戰。SCI ALV 計劃首創的攝像頭加激光雷達和IMU慣性導航裝置的使用構成了幾乎所有商用無人駕駛汽車的基礎。它還在相當大的程度上幫助推進了計算機硬件的技術水平。DARPA挑戰賽對當前自動駕駛的影響2007 年 DARPA 城市挑戰表明，無人駕駛車輛技術比您想象的更接近。雖然這項技術存在很多缺陷，但對于人類司機來說也是如此。最終現代汽車自動駕駛的技術基礎奠定了：

感知，基于激光雷達，攝像頭，毫米波雷達等傳感器的算法環境感知。

規劃，通過各類機器學習的算法進行路徑，路線的規劃。

定位，基于GPS，通過RTK，IMU結合高精地圖（DARPA官方提供的RNDF在線地圖）定位。

執行，DARPA的參賽人員花了大量的時間對當時基于液壓系統的執行架構轉向，制動，換擋進行電氣化改裝，此項工作當時就篩選了不少人，但當代電動汽車已經全面完全電氣化，所以天然奠定電子化執行的基礎,也就是當前火熱的詞電控底盤概念。

后來城市挑戰賽中第一名卡內基梅隆大學總結了，當時自動駕駛技術走向商業的一些產業約束有：

商業激光雷達相當昂貴

雷達是高檔汽車的選項

攝像頭已經被未來汽車考慮應用

計算單元需要越來越快，同時安全運行很重要。

所以大家可以看到以上2007年總結的觀點，可以對應到今天，也就是當前自動駕駛硬件發展的一些攔路虎或者大家相互競爭的點。 激光雷達，在中國制造產業的優勢引導下，成本持續下探。憑借著受光線影響小、高分辨率等特點成為穩健、高安全自動駕駛必備傳感器。另外其在定位方面的獨特作用也在各種泊車應用場景大放異彩。目前激光雷達不但“上車了”而且還在“差異化”發展，例如前向遠視激光雷達，側向補盲等。 雷達也就是普通毫米波雷達。已經在輔助駕駛時代普及，目前根據其產業成本優勢，在持續進化朝著4D以及更高精度方向發展。 而當時剛剛興起的攝像頭，在互聯網時代催生的海量圖片以及視頻的大數據下，伴隨著視覺人工智能算法迅猛發展（80年代互聯網還沒有大批量民用，所以當時美國戰略計算計劃的AI缺少廣泛參與以及海量數據和應用基礎），所以攝像頭猶如我之前文章《視覺為王-小鵬以及特斯拉的自動駕駛方案》講到越發重要。 計算單元，算力TOPs不斷的內卷，從個位數到幾千的落地，已經給汽車電腦也就是Domain域控制器，不僅僅是計算，還有內存、硬盤、通訊、圖像解碼等等芯片帶來巨大的市場。寫在最后當前自動駕駛依然還在產業落地的路途中，而當年第一名卡內基梅隆大學總結的幾個約束，其實在當代依然存在；而這些約束本質上又回到DARPA自動駕駛挑戰賽的母計劃DARPA Strategic computing program（戰略計算計劃）先進計算機硬件和人工智能AI的研究。在自動駕駛產業中，不管是感知用的芯片，計算用的芯片都屬于此類。 而當前地緣政治抬頭下，各家對于數據的地緣化，對芯片以及各個產業的逆全球化，已經給自動駕駛產業化帶來了更大的挑戰，這可能也就是當前自動駕駛產業寒意濃濃的根本源頭。但這種地緣化的時代，也同樣是催生驅動技術的發展，不過這種發展是地緣化，個體化的。例如DARPA開啟于蘇美冷戰時刻，助力美國計算科技崛起，所以冬天是一個好積蓄的時間點，對于國家，企業，個人都一樣。 作為制造和市場都異常巨大的中國，要贏得智能自動駕駛時代可能還需要在類似美國的DARPA Strategic computing program（戰略計算計劃）上多下功夫。

審核編輯 ：李倩