日立:从汽车导航地图自动生成自动驾驶地图

概要

  • 自动驾驶/ADAS功能商业化的问题

  • 解决问题的假设~涉及到外界识别的2个组件技术升级~

  • 道路空间数据(DGM)和行驶逻辑数据(ADD)

  • 从汽车导航地图或高清地图生成DGM

  • ADD(行驶逻辑数据)的适用范围

  • ADD的期待效果的案例

摘要

提高车辆自动驾驶功能/性能,扩大自动驾驶工作范围

本报告将介绍株式会社日立制作所 Life业务统筹总部 数字前业务总部 智能网联汽车总部 业务开发部 主任技师 野村高司以《推动ADAS和自动驾驶技术升级的地图技术与数据库构建》为题的演讲概要。
当前,主要整车厂正在推进的自动驾驶系统基于高清地图信息(HD-MAP: High Definition Map),将各类传感器获得的信息与高清地图信息相匹配后进行行驶。也就是说,相当于在地图这一轨道上行驶。而今后在实现普通道路上的自动驾驶时,目前在高速公路和汽车专用道路方面已较为完善的高清地图要扩展至普通道路所需的成本非常庞大。此外,地图存在刚完成就会过时的问题。
但是,今后随着传感器、GNSS的进一步发展,AI的功能将得到提升,有助于提高预测功能的数据内容预计将进一步扩充,如此一来,即使地图不是高清(相对于位置信息,不需要±25cm的绝对精度,最多只需要±1m即可),也能利用实时获得的周边信息进行行驶。在此前提下,日立制作所的野村高司正在推进基于汽车导航地图(SD-MAP:Standard map)生成新构想的自动驾驶地图的计划,并称之为“DGM(Detailed Geometry Map):道路空间数据”(区别于高清地图,也称之为高详细地图)。
日立制作所还计划实现智能的自动驾驶,将驾驶员在驾驶困难或驾驶起来很费功夫的地点所积累起来的经验建立数据库,并嵌入DGM,并将其称之为“ADD(Autonomous Driving experience Database:行驶逻辑数据)”。

其构想是,提升传感器、GNSS等的性能,结合DGM/ADD,将扩大无限制的(普通道路上的)3-4-5级自动驾驶车可安全行驶的范围。日立与地图制作商的开发项目已经启动,期望2021年度发布部分成果。

一、自动驾驶/ADAS功能商业化的问题


<利用人工智能(AI)“预测”的难度>
AI在自动驾驶中的作用是识别、判断以及预测。其中,识别与判断的性能在很多方面都接近人的能力。人的识别对于计算机来说相当于慢动作,难度并不高。但是,要让AI与人脑一样进行相同的“预测”并不简单。近年来的自动驾驶试验车事故也大多起因于此。

高清地图的作用

<构建地图数据的难度>
  高清地图是让自动驾驶车顺畅行驶的功能件之一。提供如下所示的车载传感器无法捕捉的信息。

1)推测:

  • 因本车周围的障碍物无法把握路面情况时

  • 在无车道线的区间或道路油漆(车道边界线)不清晰的情况下对其进行补充

  • 传感器功能不完整时的补充

2)传感器感应范围外的预测

在日本,动态地图基盘株式会社(DMP)已制作了日本全国高速公路的高清地图,而日产利用该高清地图,使ProPILOT 2.0实现了特定条件下在高速公路上释放双手驾驶的功能,本田则计划2020年内实现3级自动驾驶(释放双手和双眼)。但是,DMP覆盖的范围只有全长约3万km的汽车专用道路。日本全国的普通道路长达150~160万km,想要在普通道路上也导入高清地图,需要庞大的资金,这并不现实。如果考虑实现所有车辆可行驶道路的自动驾驶功能,则需要以不同于以往的思路完善并更新地图。

二、解决问题的假设~涉及到外界识别的2个组件技术升级

日立制作所利用导航地图生成自动驾驶地图的计划中提出了以下两个假设。
1)以2025年前后为界限,提升传感器装置本身的性能,降低成本,推进小型化及提升其使用技术(包括Weak AI-Tech)。
 (注)Weak AI是指实现和提升部分特定人工智能功能的AI
  • 摄像头、雷达、激光雷达等
    提高鲁棒性、周围移动物体的行动预测及自由空间(自动驾驶车能够行驶的空间)推测精度等
  • GNSS、IMU
    通过采用cm~dm(10cm)级测位演算方式等,提升高精度绝对位置的稳定性等
    (注)GNSS(Global Navigation Satellite System / 全球导航卫星系统)是GPS、GLONASS、Galileo、准天顶卫星(QZSS)等卫星导航系统的总称。IMU(Inertial measurement unit、惯性测量装置)是用于检测掌管运动的3轴角度(或角速度)和加速度的装置。
  • V2X(V2V/V2I/V2P/V2N)
    计划仅设在汽车专用道路中复杂的并道/分流、普通道路路口车辆/行人/自行车等复杂交错的地点,以提高安全性能。

2)为提高推测功能(外界识别装置的启动范围)以及预知功能(离本车较远的范围),参考数据内容将进一步扩充。

以传感器捕捉到的信息为主的思路

目前主要整车厂计划的自动驾驶中,都以高清地图的准确性为前提,将车载传感器捕捉到的信息与该地图进行比对后行驶。也就是说,相当于在地图这一轨道上行驶。

但是,如果上述假设得以实现,就能把传感器捕捉到的信息(影像和动作)视为正确的,即使是低清地图,只要与传感器捕捉到的信息相结合,就能保证系统整体的可靠度和稳定性,就不需要高清地图那样±25cm水平的绝对精度。在此情况下,作为数据内容记录在地图这一假想空间内的行驶逻辑就凸显出其重要性,以下将对此作详细介绍。

三、道路空间数据(DGM)和行驶逻辑数据(ADD)


图* 在道路空间数据中记录行驶逻辑数据

以下将介绍野村高司推进的计划的核心内容“道路空间数据(DGM: Detailed Geometry Map)”与“行驶逻辑数据(ADD: Autonomous Driving experience Database)”。

<道路空间数据(DGM)>

DGM(Detailed Geometry Map)是从汽车导航地图(SD-MAP)生成的道路空间数据,根据MAP-ECU(控制单元)的性能和成本,可灵活选择数据内容/道路覆盖率/成本,实现广泛的利用。

<行驶逻辑数据(ADD)>

ADD是指将在驾驶较为困难或需要费功夫驾驶的地点的驾驶员经验建立数据库,嵌入DGM,是实现智能自动驾驶的行驶逻辑数据。无需大量探查数据,仅靠用户本身就能提升自动驾驶车的能力。其经验还能在云端共享,提升其他用户的经验值。

在道路空间数据(DGM)中记录行驶逻辑(ADD)

右图展示了在道路空间数据中记录行驶方法的事例。此道路情况下,高架下方有较长的右转车道,要进行右转,需要很早提前从右侧车道进入右转车道。如果错过了这个时机,就无法再右转,因此没有经验的人在此驾驶时会很困难。通过将驾驶员的经验建立数据库,自动驾驶时就会通过“行驶逻辑数据”(黄线)来提醒右转的行驶方法。

四、从汽车导航地图或高清地图生成DGM

左下图展示了利用日立制作所开发的“Model converter”从汽车导航地图(SD-MAP)或高清地图转换为DGM(道路空间数据)的过程。可以像这样灵活应对数据内容/道路覆盖率/成本的需求,生成Low-accuracy DGM、Medium-accuracy DGM、High-accuracy DGM三种精度的DGM。汽车导航地图中的道路虽然只记载了1条线(Road center),但具有Lane(车道)相关信息(称之为ADAS attribute),因此可生成记录Lane中央线的DGM。虽然生成的是Low accuracy DGM(High detail/low accuracy/low cost),但道路覆盖范围广。
日立制作所还计划将现有的高清地图(HD-MAP)用于DGM。此种情况下,将利用高清地图的内容生成High-accuracy DGM (High detail/high accuracy/high cost),但由于high cost,所以道路的覆盖率将较为有限。
日立制作所计划像这样来灵活应对数据内容/道路覆盖率/成本的需求,生成DGM的不同精度产品,即Low-accuracy DGM、Medium-accuracy DGM、High-accuracy DGM三种精度的DGM。
此外,以左下图的“North America”为例,表明日立制作所在该计划中的合作方HERE已生成了北美1,218万km汽车导航地图和70万km高清地图。
右下图是加利福尼亚州森尼韦尔的立交桥,展示了从图上方的导航地图转换为图下方的DGM的Model Convert(模型转换)事例。上方的“SD-MAP + ADAS attribute”显示的是Road center(道路中心),但从中生成了包括Lane中央线、Lane中央线的网络、限速、Lane的弯曲方式(曲率)等在内的Low-accuracy DGM(High detail/low accuracy/low cost)。
通过Model converter(模型转换)从SD-MAP生成DGM

Model Conversion的事例(美国加利福尼亚州森尼韦尔)

• 无限制(普通道路上)的3-4-5级自动驾驶的开发实际状态与期待


自动驾驶的工作范围
右图展示了当前和2030年度以后的无限制(普通道路行驶)3-4-5级自动驾驶地工作范围。左右的圆圈表示原来自动驾驶应该能行驶的所有道路。左边的圆圈(2019年度)中,以目前的技术水平能稳定(安全)地自动行驶的范围是中间的浅绿色范围,其周围的浅黄色是“虽然能自动驾驶但存在危险”的范围,外侧还有“需要解除自动驾驶,由远程操作介入”的范围
到了2030年度前后,如右边圆圈所示,“能稳定行驶的范围”有望扩大,但需要提高车辆本身的自动驾驶功能/性能(Vehicle AD Technology),如不提高,就会增加远程操作的协助请求,有可能因此导致其运行出现故障。
此外,到2030年前后,在不具备驾驶设备的自动驾驶车上应该不会完全没有远程操作协助。

五、ADD(行驶逻辑数据)的适用范围

左下图以X轴(本车至前方的距离)和Y轴(道路空间的情况→行驶逻辑)的图表展示了DGM与ADD覆盖的范围。

黑色虚线表示的HD-MAP覆盖了X轴上离本车较近的范围和Y轴上道路空间的情况范围,而黄色虚线表示的DGM则覆盖了X轴上更远的范围。

红色虚线表示的ADD相比道路本身,将知识和经验建立数据库,主要覆盖了图表上方的行驶逻辑范围。还利用探查信息,展示了 1)行驶方法相关信息、2)识别车群中本车的信息、3)车载传感器无法捕捉的前方信息、4)需要提高车载传感器精度和识别性能的信息。

<通过DGM/ADD可加强预测功能>

右下图显示,DGM/ADD可用于加强传感器和AI的功能及性能。通过DGM/ADD可理解传感器范围外的道路结构、连接关系及行驶方法,从而能更广范地理解时时刻刻物体识别的意义,因此可加强对实时发生的情况的预测功能。

ADD是可在广泛利用场景下利用的知识和经验数据库

ADD也能用于扩展和加强传感器和AI的功能及性能

六、ADD的期待效果的案例

以下介绍说明ADD(行驶逻辑数据)期待效果的5个案例:

<案例1>识别车群中本车的信息:

从前进方向左侧出口下高速公路或汽车专用道路时,一旦错过排队的车队,中途再想插入的话,自动驾驶就可能失效。通过提早进入左侧车道,就不用插队,从而扩大自动驾驶的工作范围。

<案例2>车载传感器无法捕捉的前方信息以及行驶方法相关信息:

在左下图的案例2中,如果就这样笔直前进的话,并道的地点就会有些许危险。如果能事先换至左侧车道,就能避开碰撞事故。

<案例3>行驶方法相关信息:

通过“提示符合目的地的变道点标准”,实现安全且稳定的行驶。

<案例4>行驶方法相关信息:

在有多个红绿灯且双向车道分离较远的路口,如存在不需要确认的红绿灯时的处理方法:如右下图所示的红色箭头路线右转时,只记录①停止线、②人行横道、③的红绿灯相关信息,不记录右转车辆不需要确认的④的红绿灯信息。如此一来便能实现顺畅的自动驾驶。

<案例5>行驶方法相关信息:

较宽的单车道在部分时间带会自然形成多条列队。
案例5的情况下,部分时间带会形成等待右转的车辆列队。如果是自动驾驶车的话,就会因为是一条单车道而行驶至列队的最后等待。但是这种情况下,有经验的驾驶员看到等待右转的列队左侧空出来时就会从左侧通行过去。只要将这类经验建立数据库,就能扩大自动驾驶工作范围,从而消除后续车辆的拥堵。

DGM/ADD的期待效果案例(案例1~3)

DGM/ADD的期待效果案例(案例4~5)

展望未来

在自动驾驶车问世初期,传统汽车与自动驾驶车并存的时代,像上述期待效果案例2、4、5那样,自动驾驶车(右转车及从支道向总道并道的车辆等)如果不是优先车辆就很难行动,可能最终导致自动驾驶车无法动弹。即使实现了V2X的扩充等功能,自动驾驶系统想要接近人脑的机制也非易事。

目前来说,通过ADD事先对经常发生交通事故的地点和自动驾驶频繁遭到解除的危险地点进行定义,有效地将驾驶权限转移至驾驶员或远程操作等,也许是一个较为现实的解决方法之一。

通过像这样的积累,如本报告“概要”部分的图那样,将有望逐步扩大自动驾驶车的安全(稳定)行驶范围。

<总结>

  • DGM与ADD的组合除了自动驾驶以外,还能应用于提升ADAS及导航的功能。

  • ADD可根据不同地区交通环境的差异(例如,中国、印度等,日本国内例如关东和关西地区的差异)对行驶方法建立模型,还能针对个人使用进行私人订制。(作者:焉知自动驾驶

0 个评论

要回复文章请先登录注册