安信:2019自动驾驶趋势研究报告(六)

3.2.3 自动驾驶算法

3.2.3.1 自动驾驶算法的定义和分类

算法是自动驾驶的大脑。根据面向的不同环节,可以分为感知层的算法和决策层的算法。其中:

1)感知层算法核心任务——是将传感器的输入数据最终转换成计算机能够理解的自动驾驶车辆所处场景的语义表达、物体的结构化表达,具体可以包括:物体检测、识别和跟踪、3D 环境建模、物体的运动估计;

2)决策层算法的核心任务——是基于感知层算法的输出结果,给出最终的行为/动作指令,包括行为决策(汽车的跟随、停止和追赶)、动作决策(汽车的转向、速度等)、反馈控制(向油门、刹车等车辆核心控制部件发出指令)。

整体来看,不同等级的自动驾驶算法的焦点不同。L3 级别的自动驾驶,侧重于替代人的环境感知能力,因此感知层算法将是核心。L4 级别的自动驾驶,除了环境感知能力之外,侧重点更在于复杂场景的决策算法的突破。

3.2.3.2 算法验证迭代之路——仿真or路测

算法的验证及迭代需要路测+仿真。按照产业普遍观点,车企需要 100 亿英里的试驾数据来优化其自动驾驶系统,若要达到该测试里程数,按照目前的实际路测能力计算,即便是一支拥有 100 辆测试车的自动驾驶车队,7X24 小时一刻不停歇地测试,要想完成 100 亿英里的测试里程也需要花费大约 500 年的时间。为了破解这一难题,仿真测试成为大多数公司的共同选择。所谓自动驾驶仿真测试,简单来说,就是计算机模拟重构现实场景,让自动驾驶算法在虚拟道路上做自动驾驶测试,虚拟场景中也可以包含道路设施、老人小孩等各种行人。目前仿真测试已经成为了真实路测的一个有益补充,而未来随着深度学习技术地进一步深入运用,仿真测试将来自动驾驶研发方面发挥越来越重要的作用,并将推动自动驾驶技术早日实现商业化。相对于真实的路测而言,仿真的一大优势就是其可重复性,毕竟「人不能两次踏进同一条河流」,但仿真通过在计算机的虚拟世界中重构现实场景可以做到这一点。从产业来看,为了更高效的迭代和验证自动驾驶算法,仿真系统已经逐渐成为标配,Waymo、百度、腾讯将仿真系统研发作为头等大事;AutoX、Roadstar.ai、Pony.ai 等诸多自动驾驶初创公司也在自主研发仿真环境;业内开始出现 CARLA、AirSim 等开源式自动驾驶仿真平台。

4.JPG

3.2.4 高精度地图

高精度地图的定义和特性。在自动驾驶时代,「地图」一词已经失去了其传统路线图的含义。目前大多数车载地图的分辨率已足够用于导航功能,但想要实现自动驾驶,需要掌握更精确、更新的车辆周边环境信息,从而通过其他驾驶辅助系统做出实时反应。因此,未来的「地图」实际上指的是非常精确且不断更新的自动驾驶环境模型。目前,业界对于高精度地图所包含的内容尚未有准群的定义,但大体上高精度地图将满足「高精度+高鲜度」的两高特性:

1)高精度是指地图对整个道路的描述更加准确、清晰和全面。高精地图除了传统地图的道路级别,还有道路之间的连接关系(专业术语叫 Link)。高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道。即它把所有东西、所有人能看到的影响交通驾驶行为的特性全部表述出来;

2)高鲜度则是指数据将更为丰富以及需要动态实时更新。实时性是非常关键的指标,因为自动驾驶完全依赖于车辆对于周围环境的处理,如果实时性达不到要求,可能在车辆行驶过程中会有各种各样的问题及危险。

按照数据的更新频率,高精度地图可以分为静态数据和动态数据两层。

静态数据是指高精度地图需要将道路基本形态(车道线等数据),通过地图或矢量数据来正确表达出来。在静态高精地图模型中,车道要素模型包括车道中心线、车道边界线、参考点、虚拟连接线等;

动态数据是指天气、地理环境、道路交通、自车状态等需要动态更新的数据。

通过静态数据和动态数据的叠加,高精度地图将最终实现对于自动驾驶的环境建模。



0 个评论

要回复文章请先登录注册