虽然google car现在的实际技术水平完全超出我们的想象，但科技的进步都是不断更新继承带来的，以下是两篇Google car无人驾驶技术深度影响的两篇论文，仔细对这两篇论文的学习必然有助于对当下技术的深刻理解。

『Stanley：The Robot that Won the DARPA Grand Challenge』

下载地址：XXXXXXXXXXXXXXXXXXXXXXXXXX/papers/XXXXXXXXXXXXXXXXXXml

『Junior：The Stanford Entry in the Urban Challenge』

下载地址：

XXXXXXXXXXXXXXXXXXXXXXXXXX/papers/XXXXXXXXXXXml

Google car 的无人驾驶技术最早可以追溯到2004年由DARPA（美国国防高级研究计划局）举办的“ DARPA挑战赛 ”，这场比赛美国国会授权DARPA为第一次大挑战提供奖金，但最终却没人拿到奖金，因为没有队伍完成这条线路，这场比赛在美国莫哈韦沙漠地区举行，沿着150英里（240公里）的路线的路程。卡内基梅隆大学完成最远距离11.7公里，就算这个距离，貌似也才完成5%。

这场比赛弥补了之前没有涉及到的一些问题，城市边界，更复杂的交通情况、交通规则、十字路口等，最终卡内基梅隆大学和通用汽车（通用汽车）团队创建的汽车“BOSS”排名第一，由Thrun领导的斯坦福大学团队创造的汽车“Junior”排在第二位。

自此以后，Thrun开始在Google开发Google Car，而DARPA继续开发用于军事用途的“GUSS（Ground Unmanned Support Surrogate）”。在2004年开始的挑战十年后，谷歌汽车完全能够在在实际的城市地区进行试运行，而GUSS已经能够参加军事演习。

BOSS和Junior使用的传感器以及当前Google Car安装的传感器几乎没有太大的差距。主要是以下传感器。

激光雷达的工作原理与雷达非常相近，以激光作为信号源，由激光器发射出的脉冲激光，打到地面的树木、道路、桥梁和建筑物上，引起散射，一部分光波会反射到激光雷达的接收器上，根据激光测距原理计算，就得到从激光雷达到目标点的距离，脉冲激光不断地扫描目标物，就可以得到目标物上全部目标点的数据，用此数据进行成像处理后，就可得到精确的三维立体图像。

Google Car使用的LIDAR主要是由Velodyne制造的名为“HDL64E”的产品。使用该产品，3D数据可以转换为大约120米，测量误差小于5厘米，360度测量最多只需66毫秒。

现在多数的汽车配备毫米波雷达用于自动制动系统，以避免碰撞，谷歌同样也使用了汽车毫米波雷达。雷达可以检测到物体的“距离”和“相对速度”。

　汽车已经配备了激光雷达，也许你就会认为毫米波不需要了，但根据Udacity的Thrun先生的讲解，LIDAR和用于汽车的毫米波雷达是具有不同的特性的。因此，因此毫米波雷达也是必要的。例如，LIDAR使用的红外激光大约是900nm的短波长，在出现雨或者雾的情况就会出现被遮挡的情况。而汽车的毫米波雷达波长约为几厘米，就会弥补这样特殊环境下的缺陷。而且，可测量的距离是不同的。激光雷达只能探测到120米，但汽车的毫米波雷达可以探测到前方的250米。更重要的是，用于车辆的毫米波雷达可以使用多普勒效应测量物体的相对速度，并且可以提前检测早期移动物体。

它是一种传感器（行驶测量员），通过计算轮胎的旋转来测量汽车前进的各项数据。

GPS为汽车提供合理的路线导航，但会存在一个问题，在行驶的过程中存在诸多GPS无法到达的情况。

IMU用于汽车行驶中的惯性导航，它从加速度和角速度中计算汽车的当前状态，估计当前位置，为汽车在无法被GPS覆盖的领域提供导航。

传感器的目的在于获取车辆所面临的外部环境数据，将其输入的软件当中，谷歌宣称，Waymo的自动驾驶软件已经过“50亿英里的模拟驾驶和500万英里的公路驾驶体验”的培训和测试。它由机器学习算法提供支持。

自动驾驶的传感器必须测量的外在信息

一旦创建了一个能够很好地再现现实世界的虚拟世界，谷歌汽车将在这个虚拟世界中与机器人制定一个“行动计划”。具体要做的事情主要有以下几点。

一旦您制定了行车计划，例如行车速度和车速，Google Car就会将该计划付诸实施。为了执行该计划，有必要具体确定要制造多少转向角，以及如何调整加速器和制动器。换句话说，我们计算实现行动计划的实际行动量。为此，我们将使用“PID控制”方法。

这张图中绿色的方块是我们要到达的目的地，绿色的轨迹是我们行驶过的路线，红色是车所面临的障碍物，前面的树枝状是不断探索的路线，黄色便是不断试验失败的路线，就是这样不断试验出路线不断的产生失败路线。

路径搜索算法是人工智能中的经典问题，典型的就比如象棋和围棋等棋类运动的计算，其思路也是类似的，从很多个路径中选择出最佳路径，关键在于如何这一系列行为前进行试验和试错。Google car所使用的方法在论文自动驾驶的路径搜索实用算法中有描述。

阅读地址：XXXXXXXXXXXXXXXXXXXXXX/~ddolgov/papers/dolgov_gpp_stair08.pdf