A Survey of Autonomous Driving: Common Practices and Emerging Technologies
A Survey of Autonomous Driving: Common Practices and Emerging Technologies
Section titled “A Survey of Autonomous Driving: Common Practices and Emerging Technologies”⚠️ AI 生成 · 建议对照原文 本页为自动整理的学习笔记；关键数据与引用如需引用，请回查 PDF / 官方版本。
学习档位 中文笔记
类型 文献 · 更新 2026-07-19
所属 自动驾驶 3D 感知、时序融合与跟踪 · 端到端学习
中文学习笔记（自动生成，需核验）
Section titled “中文学习笔记（自动生成，需核验）”Topic: autonomous-driving · Tier: foundational · Year: 2020 · Venue: —
Evidence level: partial · 本地全文: 是 · 建议阅读: ~90 分钟
Paper: https://arxiv.org/abs/1906.05113
Code: —
Generator: grok
为什么值得读
Section titled “为什么值得读”这篇2020年综述全面覆盖自动驾驶系统（ADS）的挑战、高层架构（ego-only/connected、modular/end-to-end）、核心功能（定位建图、感知、评估、规划决策、控制、人机接口）及新兴趋势，并通过在自有平台真实驾驶中实现比较SOTA算法，同时总结数据集与工具，适合建立领域全貌并理解设计取舍。
本文系统综述自动驾驶常见实践与新兴技术，对比模块化与端到端等架构，指出level 4/5与城市场景鲁棒性仍为开放问题。
ADS承诺安全、舒适、高效驾驶并带来巨大社会效益，但94%事故由人为错误引起，现有ADS事故上升、城市环境鲁棒自动化尚未实现，level 3及以上接管风险与伦理困境等挑战突出，需全面调查未解问题与技术现状。
车辆动力学与控制基础、计算机视觉与深度学习、机器人学、传感器模态（如lidar）、SAE自动化等级定义及智能交通系统常识。
- 讨论未解决问题并全面调查ADS技术方面，包括当前挑战、高层系统架构、新兴方法与核心功能（定位、建图、感知、规划、人机接口）
- 在自有平台真实世界驾驶设置中实现并比较多种SOTA算法
- 总结可用数据集与ADS开发工具
- 通过表格对比现有综述，覆盖更全面（含connected系统、end-to-end、HMI、datasets与implementation）
作为综述，先分类系统架构（standalone ego-only vs connected multi-agent；modular pipeline vs end-to-end），再分模块回顾定位建图、感知、场景评估、规划决策、车辆控制与HMI，最后概述数据集与工具；信息流从传感器输入经各模块到执行器输出。
关键模块和设计取舍
Section titled “关键模块和设计取舍”核心模块包括localization and mapping、perception、assessment、planning and decision making、vehicle control、human-machine interface。设计取舍：modular将任务分解为易解决子问题并支持冗余与安全硬编码，但易误差传播且复杂；end-to-end直接从感知到动作（监督/强化学习/神经进化），但缺乏硬编码安全与可解释性，且真实城市场景应用有限；ego-only实用便于开发，connected潜在益处大（共享感知）但额外挑战多（如VANET安全路由）。
数据集、实验设置与指标
Section titled “数据集、实验设置与指标”论文结论部分概述可用数据集与ADS开发工具（Section IX）；作者在自有平台用开源软件实现比较SOTA算法于真实驾驶设置，但具体数据集名称、实验设置与定量指标待来源核验。
主要结果（需原文证据）
Section titled “主要结果（需原文证据）”待来源核验
局限、失败场景与适用边界
Section titled “局限、失败场景与适用边界”level 4/5尚未实现（尤其城市网络）；系统失败导致事故（感知误分类传播等）；level 3接管增加碰撞风险；端到端缺乏安全措施与可解释性且真实城市未充分验证；connected系统尚无运营实例；伦理困境（不可避免事故行为）、风险可靠性认证与多目标优化（时间/油耗/舒适）使问题复杂；极度谨慎的ADS也产生负面印象。
与前序 / 同期 / 后续方法的关系
Section titled “与前序 / 同期 / 后续方法的关系”与现有综述[14]-[25]对比（Table 1），本文覆盖更广（含connected、end-to-end、assessment、HMI、datasets、implementation）；历史脉络包括Eureka PROMETHEUS（1987-1995，VITA II公路自动驾驶）、DARPA Grand Challenge（2004全失败、2005五队完成）、DARPA Urban Challenge（2007六队完成但缺行人/自行车等真实元素）及后续竞赛；端到端可追溯至ALVINN等。
官方代码与复现建议
Section titled “官方代码与复现建议”作者使用开源软件在自有平台实现比较部分SOTA算法；无明确官方代码仓库提及。复现建议：基于开源ADS软件栈在真实或仿真平台对比modular与end-to-end组件，优先验证感知-规划误差传播与安全约束。具体链接与细节待来源核验。
推荐阅读顺序
Section titled “推荐阅读顺序”先读Abstract与Introduction建立动机与历史；再Section II Prospects and Challenges；然后Section III System Components and Architecture（含Figure 1/2与Table 2）；接着按IV Localization、V Perception、VI Assessment、VII Planning、VIII HMI顺序；最后IX Datasets and Tools；对照Table 1理解贡献边界。
- Q: SAE定义的自动化等级中，level 3与level 4的主要区别是什么？ A: Level 3为有条件自动化，驾驶员需快速响应紧急接管且ODD有限（如高速）；level 4及以上无需人类注意力，但level 4仍限特定ODD，离开后需自动停车。
- Q: 模块化ADS的主要优缺点是什么？ A: 优点：分解任务易解决、可叠加安全约束与冗余、直接复用机器人/视觉/动力学知识；缺点：易误差传播（如感知误分类导致事故）与过度复杂。
- Q: 端到端驾驶的三种主要训练策略及主要局限？ A: 直接监督深度学习（模仿人类，可离线但泛化差）、深度强化学习（如DQN学习最优，需在线交互）、神经进化（无需反向传播，需在线）。局限：缺乏硬编码安全与可解释性，真实城市场景实现有限。
- Q: 为什么目前ego-only系统比connected更常见？ A: ego-only便于开发自足平台；connected虽有共享传感器等潜在益处，但引入VANET安全、路由、缓存等额外巨大挑战，且尚无运营系统。
- Q: DARPA Urban Challenge的意义与局限？ A: 2007年首次在类城市场景测试，六队完成，吸引大量关注；但测试环境缺乏真实城市的行人与自行车等元素。
- Abstract (page 1): This paper discusses unsolved problems and surveys the technical aspect of automated driving. Studies regarding present challenges, high-level system architectures, emerging methodologies and core functions including localization, mapping, perception, planning, and human machine interfaces, were thoroughly reviewed. Furthermore, many state-of-the-art algorithms were implemented and compared on our own platform in a real-world driving setting. The paper concludes with an overview of available datasets and tools for ADS development.
- Section I Introduction (page 1-2): According to a recent technical report by the National Highway Traffic Safety Administration (NHTSA), 94% of road accidents are caused by human errors [1]. … If widespread deployment can be realized, annual social benefits of ADSs are projected to reach nearly $800 billion by 2050…
- Table 1 (page 2): TABLE 1: Comparison of ADS related survey papers … Ours X X X X X X - X X X
- Section II B Challenges (page 3): Level three is conditional automation; the driver could focus on tasks other than driving during normal operation, however, s/he has to quickly respond to an emergency alert from the vehicle and be ready to take over. … No production vehicle is capable of level four or five driving automation yet.
- Section III A System Architecture (page 3-4): ADSs are designed either as standalone, ego-only systems [15], [47] or connected multi-agent systems [48]–[50]. Furthermore, these design philosophies are realized with two alternative approaches: modular [15], [47], [51]–[58] or end-to-end driving [59]–[67].
- Section III 2) Modular systems (page 4): The major disadvantages of modular systems are being prone to error propagation [31] and over-complexity. In the unfortunate Tesla accident, an error in the perception module in the form of a misclassification of a white trailer as sky, propagated down the pipeline until failure…
- Table 2 (page 4): TABLE 2: Common end-to-end driving approaches … [59]–[63] Direct supervised deep learning Imitates the target data: usually a human driver. Can be trained offline. Poor generalization performance.
Discovery evidence
Section titled “Discovery evidence”- topic:
deployment-inference - sources:
asta,openalex - retrieved_at: 2026-07-20
- query: Find foundational and recent research papers for the topic «部署与推理» (deployment-inference). Prefer peer-reviewed or widely cited work with clear method contributions. Include open-source code when available. Exclude pure survey spam unless highly cited. Core concepts: deployment, inference optimization, edge, latency, quantization. Search facets: autonomous driving model deployment inference optimization; edge latency optimization perception planner; model quantization real-time autonomous drivin
- corpus_id:
186206717 - doi:
10.1109/access.2020.2983149 - relevance_score:
0.35508911536796595 - score_total: 50
- suggested_tier:
foundational
Relevance
Section titled “Relevance”(no prose relevance explanation — numeric score only or HTTP source)
Snippets
Section titled “Snippets”(no snippet evidence in candidate pool)
延伸解读与背景补充
Section titled “延伸解读与背景补充”生成：2026-07-21 · 来源条数 2 · 模型
heuristic· 需人工核验数字
围绕「A Survey of Autonomous Driving: Common Practices and Emerging Technologies」的核心问题与动机（待结合全文核验）。
方法要点补强
Section titled “方法要点补强”- 见原文方法章节；以下为基于摘要/摘录的要点提示。
- Accepted March 22, 2020 Digital Object Identifier 10.1109/ACCESS.2020.2983149 A Survey o…
与相近工作的关系
Section titled “与相近工作的关系”与相近工作的关系待核验；请对照 related work。
- 勿仅凭摘要推断未给出的数值指标。
- 这篇工作的输入/输出表示是什么？（A Survey of Autonomous Driving: Common Practices and Emerging Technologies）
- 训练目标与评测协议各是什么？
- 主要失败模式或局限是什么？
外部解读索引
Section titled “外部解读索引”- [1906.05113] A Survey of Autonomous Driving: Common Practices and Emerging Technologies — 2026-07-21 — 官方摘要/二次页面（自动抓取）
- [1906.05113] A Survey of Autonomous Driving: Common Practices and Emerging Technologies — 2026-07-21 — 官方摘要/二次页面（自动抓取）
方法结构（重绘）
Section titled “方法结构（重绘）”flowchart LR A["输入 / 观测"] --> B["表示 / 编码"] B --> C["推理 / 解码"] C --> D["输出 / 动作或检测"] %% method sketch for: A Survey of Autonomous Driving: Common Practices and Emerging Technologies方法结构示意（重绘；细节以原论文为准，待 PDF 核验）。
论文摘录图/表
Section titled “论文摘录图/表”
来源：原论文约 p.3（arch）；学习用途摘录。
来源：原论文约 p.2（table）；学习用途摘录。
英文自动分析（可折叠）
Section titled “英文自动分析（可折叠）”展开英文 Paper Card / AI deep analysis
Paper Card
Section titled “Paper Card”| Field | Content |
|---|---|
| Year | 2020 |
| Authors | Ekim Yurtsever, Jacob Lambert, Alexander Carballo, K. Takeda |
| arXiv | 1906.05113 |
| DOI | 10.1109/access.2020.2983149 |
| Topics | ad-perception-tracking, end-to-end-learning |
| Paper | https://arxiv.org/abs/1906.05113 |
原文摘录与素材（可折叠）
Section titled “原文摘录与素材（可折叠）”展开 Extract / Selections / Local assets
Selections
Section titled “Selections”ad-perception-tracking: tier=needs-review score=56 — auto refresh 2026-07-18 sources=openalexautonomous-driving: tier=foundational rank=2 score=61 — Survey of autonomous driving common practices and emerging technologiesend-to-end-learning: tier=foundational rank=1 score=52 — auto refresh 2026-07-19 sources=openalex
Extract excerpt
Section titled “Extract excerpt”(no PDF text available; metadata-only card)