第十八届电动汽车全球技术法规(EVS-GTR)工作组会议在日本召开

中美欧日四国共同牵头的电动汽车安全全球技术法规(EVS-GTR)工作组第十八次会议暨二阶段第四次会议于2019年6月10日-14日在日本东京召开,来自中国、美国、欧盟、日本、韩国、加拿大等WP.29缔约国代表以及全球主要的汽车研究机构、整车和零部件企业的 ...查看全部

中美欧日四国共同牵头的电动汽车安全全球技术法规(EVS-GTR)工作组第十八次会议暨二阶段第四次会议于2019年6月10日-14日在日本东京召开,来自中国、美国、欧盟、日本、韩国、加拿大等WP.29缔约国代表以及全球主要的汽车研究机构、整车和零部件企业的40多名专家参加了会议。中国作为EVS-GTR工作组的副主席国共同主持本次会议,技术专家组由工业和信息化部装备司组织中汽中心、宁德时代、清华大学、一汽等单位共12名代表组成。

1.png

本次会议对法规二阶段涉及的动力电池热扩散、泡水安全、振动安全、高压安全等问题进行了充分讨论并明确了二阶段的重点研究议题。其中中方在一阶段提出的电池热扩散安全研究已经成为全球范围内电动汽车安全研究的焦点议题,此次会议上就外部加热(含快速加热)、自加热、针刺等触发热失控方法进行了深入讨论,并在签约国层面就热扩散的研究场景达成了重要共识。

同时中国牵头了电池振动、泡水安全等议题的讨论,会议上,中国进一步提供了电池振动必要性、振动曲线的合成方法以及泡水安全的必要性和泡水试验带来的安全益处,并且在下一次会议之前中国将组织各签约国和OICA进行进一步的讨论,巩固了中国在上述话题研究中承担牵头的角色。会议同时讨论了UNR100等电动汽车安全法规的修订。

本次会议全面总结了中、加、欧等国开展热扩散研究的进展,中国代表团在本次会议上牵头了该议题的讨论,并积极提出意见和建议,体现了我国参与国际标准法规研究制定工作的信心与力度。

电动汽车安全全球技术法规(EVS-GTR)一阶段成果在2018年正式发布生效,成为第20项汽车全球技术法规(UN GTR20)。本次会议为后续提升我国汽车产业国际影响力和竞争力、促进我国电动汽车标准法规的制修订工作打下坚实基础,对促进国标与国际法规的协调具有重要意义。

博客 tututu

LV5
2019-06-14 16:25
400

Mobileye致力推动智慧交通发展 让大型商用车不再盲行

1971年,英特尔推出了全球第一个微处理器,它所带来的计算机和互联网革命,改变了整个世界。而后PC时代,有了错失移动时代的教训,让英特尔在云时代,找到了数据为中心的转型战略。英特尔作为战略的制定者、规划者,Mobileye作为英特尔在自动驾 ...查看全部

1971年,英特尔推出了全球第一个微处理器,它所带来的计算机和互联网革命,改变了整个世界。而后PC时代,有了错失移动时代的教训,让英特尔在云时代,找到了数据为中心的转型战略。

英特尔作为战略的制定者、规划者,Mobileye作为英特尔在自动驾驶以及和汽车相关领域坚不可摧的壁垒,同样在落地数据为王的理念。根据Mobileye透露的数据,目前全球有超过3200万台汽车配备了Mobileye技术,已有13家汽车制造商与Mobileye联手开发自动驾驶,有近100万辆汽车(2019年2月的资料)正在将地图数据传回Mobileye的云平台。

LYL02415

“当前,Mobileye正凭借其领先的ADAS产品让道路和驾驶更安全,未来Mobileye将以数据驱动智慧出行引领交通变革。”在2019北京国际道路运输、城市公交车辆及零部件展览会期间,英特尔子公司Mobileye大中华区总经理童立丰先生,在接受赛迪网专访中这样说到。

说到底,企业的发展必须要有创新和革命的精神。童立丰表示,旨在感知未来的Mobileye此刻正在摒弃传统的硬件销售模式,转而投向以机器学习、数据分析、定位、地图等技术为主的硬件加软件模式,最终形成完全以大数据为主的新战略。同时依旧深耕于自动驾驶芯片的研发,2019年1月MobileyeEyeQ5芯片已进入下一阶段的测试与开发。

地图成为智慧出行突破口

作为一家专注与从辅助驾驶到自动驾驶的技术公司,在Mobileye眼中数据不再是简单的0和1堆叠,为了更好的体现数据的价值,专访期间童立丰表示Mobileye成立了Intelligent Mobility SolutionsDivision部门。IMS部门主要聚焦于智慧出行以及大数据,由于考虑到整个自动驾驶产业发展方向以及不同落地场景的应用,目前IMS部门由后市场部门加上部分OEM团队组成。

LYL01905

童立丰认为,自动驾驶分为四个重要部分,传感器、地图、决策和执行。当中,从现在的L2+到未来L4的过程当中,地图的更新起到了决定性作用。目前来讲,传统的地图厂商在做高精度地图或者是自动驾驶地图的时候,只能做到地图底层,但是对自动驾驶来说,需要的是实时地图信息。

本质上讲,为了实现地图更新层面的布局,Mobileye推出了REM服务,REM旨在进行地图定位的同时帮助Mobileye实时更新REM地图数据。而最新的Mobileye 8的产品,在ADAS系统、EyeQ4基础上也加入了REM服务,装在车前方的摄像头实时扫描路况,包括车辆、车道线或行人等信息。此外,实时获取的信息通过采集上传到云端,并且在云端整合之后做出地图的卫星层,并且下放到自动驾驶的汽车,给车辆做扫描范围内的自动驾驶应用。

上个月初,Mobileye与英国最大的测绘公司Ordnance Survey(英国地形测量局)举行了合作发布会,双方就Mobileye8的产品展开合作,安装在公交车、出租车或者是工程车辆上的设备实时采集伦敦路上标志物信息,包括红绿灯、标志、标线等信息,并通过人工智能的分析之后可以生成一张热力地图,此外这些信息还可以帮助市政府用于市政翻新,减少人力物力的投入。童立丰也表示,这样的智慧城市应用案例,也是IMS部门未来主要聚焦的一个方向。到目前为止,Mobileye已经在在日本完成了整个日本的高速公路的整体数据的收集和绘制,以及纽约、伦敦、巴塞罗那、韩国大丘等城市也开始了试点。

而就产品本身而言,童立丰认为,由于汽车行业对于新产品稳定性的要求,决定了产品从研发到市场的时间需要一定的周期。Mobileye 8产品截止到今年,已经基本上在产品功能和产品质量等方面完成了定型,预计在今年下半年或者是年底的时候,正式投入中国市场。

重视国内市场需求

根据Mobileye的数据显示,超过51%的恶性交通事故都是在盲区发生的,而且盲区发生的事故有一个特性,只要是在盲区发生的事故,70%以上都是恶性事故。由于大型车辆的盲区多是由于车辆设计先天缺陷所致,所以在国内各个地方法规或者是国家法规已经有要求“两客一危”或者是公交逐步的安装ADAS系统。所以在今年的道路运输车辆展上,Mobileye展出了针对城市公交和大型车辆的Mobileye神盾防御探测系统(Shield+)和Mobileye 630防撞预警系统。

LYL01901

神盾防御探测系统(Shield+)包含两到八个视觉传感器,可以不断监测车辆前方的道路以及车辆两侧、A柱处和左后视镜的盲区,进而分析驾驶环境,识别包括其他车辆、行人、骑行人和摩托车人在内的危险。一旦检测到危险,Mobileye Shield+会对其进行跟踪,并在必要时实时发出声音和视觉警报,以帮助司机避免或减轻碰撞。当天在会议现场,Mobileye也进行了盲区产品体验。

LYL02237

据此前美国华盛顿州的对比研究显示,安装了Mobileye Shield+的公交车在测试中没有发生任何碰撞事故,相比之下,对照组则发生了284次。伦敦主要巴士运营商Abellio London*对Mobileye防撞产品的安全测试也证明了Mobileye防撞技术的有效性,测试结果显示,Mobileye的防撞技术将可避免的碰撞减少了29%,并将此类碰撞造成的伤害降低了60%。

有了国外较为丰富的实践经验,在中国市场上发展规划上,童立丰表示,除了自动驾驶或是前端技术之外,我们的产品还要贴合国内市场的发展,同时Mobileye不提“复制”这个概念,虽然任何实际的应用经验相对于其他地方也有一定的帮助,但每一个用户都有着不同的需求和不同的情况。

一方面,Mobileye先从细节入手,在ADAS产品上进行了本地化的应用,作为专门应用于公交的产品,在车上除了前向的ADAS摄像头之外,在左右两侧各放了两个摄像头通过总摄像头的总的芯片的控制来做实时的盲区识别和预警。另一方面,Mobileye通过整合供应链打造了一个完整版解决方案,包括ADAS、DMS与DVR,为用户提供高性价比的一站式服务体验,同时也解决了很多合作伙伴或是用户短期内对ADAS集成产品的需求。

特别是在2019年1月的CES 2019上,Mobileye还同北京公交集团以及北京市北太机电设备工贸有限公司达成战略合作,共同围绕自动驾驶在交通领域的落地展开深入合作,该解决方案将于2022年首次部署,同样也是作为2022年北京冬奥会的技术支持。Mobileye也是希望根据北京公交的经验,推进中国公共交通领域自动驾驶解决方案的发展。

童立丰希望,自动驾驶真正要落地不是光技术、光法律,或是基础设施就够了,而是需要每一位消费者都可以真正接受自动驾驶的概念。只有当人们开始接受自动驾驶,认为自动驾驶有利于自己时,那才是自动驾驶真正实现的时候。


博客 tututu

LV5
2019-06-14 15:57
317

地平线发布AI on Horizon战略,与首汽约车、禾赛科技分别达成战略合作

在第十八届上海国际汽车工业展览会上,地平线以“AI on Horizon,Journey Together”为主题,展出了多个最新智能驾驶解决方案,十多款地平线AI芯片和算法赋能的智能车载设备,并在17日举办的媒体发布活动上,解读了AI on Horiz ...查看全部

在第十八届上海国际汽车工业展览会上,地平线以“AI on Horizon,Journey Together”为主题,展出了多个最新智能驾驶解决方案,十多款地平线AI芯片和算法赋能的智能车载设备,并在17日举办的媒体发布活动上,解读了AI on Horizon的商业理念和智能驾驶战略,宣布和首汽约车、禾赛科技的重磅合作……系列动作在上海车展实力吸睛。
做AI时代最底层的赋能者
人工智能无疑正在成为这个时代最火热的关键词,也成为本届车展各界关注的一个重点领域。在向人工智能时代迈进的途中,AI技术将如何落地?AI企业将扮演什么样的角色?产业链上下游企业和AI公司将是怎样的关系?是产业普遍关注,也是众多AI创业公司在试图回答的问题。
本次上海车展,地平线创始人兼CEO余凯首次对外明确了地平线的战略选择——AI on Horizon,做AI时代最底层的赋能者。地平线将充分发挥自身在人工智能软硬件方面的核心优势,聚焦在边缘AI芯片+工具链组成的基础技术平台的搭建和打磨,赋能产业合作伙伴,向行业提供“超高性价比的AI芯片、极致功耗效率、开放的工具链、丰富的算法模型样例和全面的赋能服务”。

地平线创始人&CEO余凯
余凯在发布会上表示:AI on Horizon,就是通过底层的人工智能处理器进行开放的赋能,提供丰富的工具链,提供强大的服务,使得我们的客户,我们的合作伙伴能够在芯片之上去构建它的产品,构建它的应用,提供它的服务。而贯穿在其中精神内涵,就是Journey together,一路成就客户,因为我们相信只有以成就客户作为信仰的企业才能够获得越来越多的社会的支持,才能够不断的往前发展。在底层哲学上我们深刻的相信,只有充分的开放,才能真正的成就客户,只有把我们的AI芯片、工具链,乃至所有的资源都开放出来,让我们的客户能够不光能够打造无与伦比的产品,而且能够实现充分的差异化,使他们在市场上有差异化的竞争力
此次上海车展的地平线展台上,也展示了AI on Horizon在智能驾驶方面的初步成果——十多款合作伙伴基于地平线AI芯片和算法打造的智能车载设备,包含智能后视镜、DMS产品、ADAS产品、智能出租车终端等等。
边缘AI芯片开放赋能智能驾驶,多项最新方案展出
余凯曾发文称“自动驾驶处理器是人工智能产业的珠穆朗玛”,自动驾驶处理器在性能、可靠性、实时性、功耗效率以及对应的算法等方面都提出了人工智能行业应用中最高标准的要求,也天然的是边缘AI计算。自2015年成立起,地平线便聚焦边缘AI芯片的研发,智能驾驶正是其从一开始就选定的重要落地场景。
上海车展的媒体发布活动上,地平线副总裁&智能驾驶产品线总经理张玉峰介绍了地平线成立至今在智能驾驶方面所取得的成绩以及未来的发展规划,并发布了地平线智能驾驶战略。
基于创新的人工智能专用处理器架构 BPU(Brain Processing Unit ) ,地平线于2017年12月发布了第一代自动驾驶处理器——征程1.0,可用于L2级别的高级驾驶辅助系统(ADAS),并于2018年4月发布了地平线Matrix自动驾驶计算平台,并获得2019美国CES创新奖。据介绍,搭载了地平线第二代BPU的车规级人工智能芯片也将于2019年发布,这将是中国第一个车规级芯片。而与此同时,地平线也将迎来多个前后装项目定点。
 
地平线副总裁&智能驾驶产品线总经理张玉峰
 
张玉峰表示,基于“AI on Horizon”的商业理念,在汽车产业里,地平线定位自己为Tier 2,是Tier1和OEM的AI赋能者,通过提供基础的“芯片+工具链”,并向合作伙伴提供先进的模型编译器、完备的训练平台、场景驱动的SDK、丰富的算法样例等工具和服务,赋予汽车感知、建模的能力,实现车内车外智能化,用边缘AI芯片全面赋能智能驾驶。
地平线目前基于自主研发的芯片、工具链加上典型算法样例,已经形成了“综合环境感知”和“多模人车交互”车内车外智能化的综合能力,开放赋能智能驾驶,并在本届上海车展全数展出。地平线携手行业伙伴,一方面,共同向行业提供高性能、低成本、低功耗的多类别环境感知、众包高精地图采集与定位等方案。另一方面,共同打造 DMS、AR HUD、Face ID 等基于视觉感知与语音技术的多种智能人机交互方案。其中,基于地平线AI芯片和算法样例打造的多模态人车互动解决方案是首次公开展出,地平线NavNet众包高精地图采集与定位方案在国内展会首秀,在现场吸引了广泛关注。
 多模态人车互动解决方案华丽首秀,1+1>2
汽车产业内有一大趋势共识——主动交互的智能人车互动。为达到这种主动交互的能力,需要突破多模态融合技术。地平线多模态人车互动解决方案旨在打造新一代的车内人机交互系统。一方面,地平线融合了视觉与语音等各领域的AI技术,结合用户的行为习惯进行预测。另一方面,可以通过地平线的AI芯片和AI算法更为精准地判断出用户的真实意图,快速推荐、处理相应的产品。譬如,多模态人车互动解决方案可以通过云端数据(包含天气、地点、日期、音乐历史类型等)+车内摄像头采集到的车内人物数据,个性化地推送最符合当前场景的歌单。
“算法的预处理、算法模型、后处理策略”,地平线从这三个阶段着手进行多模感知融合。基于征程2.0架构,地平线整合视觉与语音技术,提供的是一整套的车载多模交互解决方案。1+1>2,多模态人车互动解决方案真正使得汽车成为具备多模感知、深度决策、主动交互的智能机器人。
NavNet众包高精地图采集与定位方案
在高精地图受到技术局限又亟需的困境下,地平线因时度势,推出了NavNet众包高精地图采集与定位方案。得益于地平线Matrix强大的视觉感知能力,在仅使用单目摄像头的情况下,NavNet即可实现道路语义重建并输出局部三维地图,进而用以与已有高精地图进行匹配获取定位。此外,NavNet还可在无地图区域进行自动建图,赋能高精度地图众包建图与更新。目前,地平线NavNet支持十六大类地图元素的重建、识别、矢量化(包括车道线、地面标识、停止线、人行道、交通灯标志牌等)。
智能驾驶朋友圈再拓展
除了商业模式、战略发布和多款新品展出,此次车展上,地平线与首汽约车、禾赛科技分别达成战略合作,一方面推动高级驾驶辅助系统(ADAS)和驾驶员监测系统(DMS)的大规模落地,提升驾驶安全;另一方面和行业伙伴共同推动高级别自动驾驶研发与应用。
 
地平线副总裁&智能驾驶产品线总经理张玉峰、首汽约车车联网项目负责人夏智卿、禾赛科技董事长&首席科学家孙恺、地平线创始人&CEO余凯(从左至右)
首汽约车是首汽集团互联网转型的成功典范,是互联网出行领域的优秀代表,在当前汽车智能化的浪潮中,首汽约车也在积极探索,用最新的智能化手段提升网约车的乘坐体验和运营管理效率,引领智慧出行时代。此次合作,地平线将通过联合行业合作伙伴,为首汽约车的运营车辆提供智能车载终端,用地平线的AI芯片和针对网约车行业定制化开发的算法技术,将传统后视镜改造成具备高级驾驶辅助(ADAS)和驾驶员行为分析(DMS)、人脸识别、语音识别等AI能力的智能车载设备,包含车道偏离预警、前车碰撞预警、车内人脸识别、疲劳监测、抽烟打电话等危险驾驶行为检测等功能。
禾赛科技专注于面向无人驾驶的激光雷达开发,其自主研发的激光雷达Pandar40系列已经装在了硅谷、底特律、匹兹堡及欧洲和中国各地的数十家顶尖自动驾驶公司的无人车上。地平线低功耗、高性能的AI芯片能够为激光雷达感知方案提供强大算力支持。此次战略合作后,将充分发挥双发的核心优势,共同向自动驾驶市场提供高性能、低功耗、易用性强的激光雷达感知方案,推动L3以上级别自动驾驶的研发与应用落地。

博客 地平线

企业
2019-04-28 14:01
399

奇点汽车全球首发高品质微型智能电动汽车iC3概念车

奇点iC3利用丰田eQ为基础开发,预计将于2021年初量产上市。 在上海车展上,奇点汽车全球首发微型智能电动汽车iC3概念车,该车型利用丰田eQ为基础开发,预计将于2021年初量产上市。 据了解,奇点iC3是基于丰田的授权、以 ...查看全部

奇点iC3利用丰田eQ为基础开发,预计将于2021年初量产上市。
在上海车展上,奇点汽车全球首发微型智能电动汽车iC3概念车,该车型利用丰田eQ为基础开发,预计将于2021年初量产上市。
据了解,奇点iC3是基于丰田的授权、以丰田eQ为基础开发的一款微型智能电动汽车,专门针对城市短途出行或共享出行市场而生,i代表intelligent、C代表Chaser(灵感来自概念车名称“Urban Dream Chaser都市逐梦者“)、3代表车型尺寸。
                                            
奇点汽车希望基于原本丰田高品质的eQ车型,并利用全新的内外饰设计、增强优化后的三电系统以及奇点领先的智能化技术,将iC3打造为“集品质感、科技感、潮流感于一身的全新价值高品质微型智能电动汽车,从而切入高品质微型电动车这一空白市场。
具体来看,奇点iC3车身尺寸长宽高为3166mm*1680mm*1480mm、轴距为2000mm、和同级车型相比iC3继承了eQ车型原有的空间布局优势,性能方面,奇点iC3 将在充满电后的续航里程超过 300km,全新的电池包可支持快充模式,更适合都市短途出行或共享出行场景。
沈海寅表示:“奇点iS6是针对都市中远途出行而开发的高品质中大型智能电动SUV,奇点iC3是针对都市短途出行和共享出行开发的高品质微型智能电动汽车,两者以互补的定位实现互联网时代下丰富出行场景的满足。奇点汽车将利用高品质的丰田eQ车型实现全新车型奇点iC3的高效研发与快速量产,从而加速产品线的丰富。”
除此之外,在车展上,奇点汽车还发布了“大车+小车、4轮+2轮、乘用+商用”的车型布局战略,欲构建出以智能为基础、以用户体验为核心的奇点全场景出行生态图谱。
                                 
随着新能源补贴不断退坡,即将“断奶”的中国新能源汽车正处在由政策培育期向市场化发展转化的关键时期。在后补贴时代,所有企业都站在同一起跑线上,考验是一样的,大家面临的就是一个问题:如何靠产品打动市场?是否最终满足用户的需求?
针对此问题,奇点汽车CEO沈海寅提到:“奇点从来就没有将新能源补贴政策视为进入智能电动汽车行业的必要条件来考虑。以电动化为平台、智能化为核心竞争力,奇点坚持以‘满足互联网时代丰富的出行场景需求’、‘对标豪华车型的高品质和高性价比’为自己的‘盔甲护身’,在中国汽车行业的浪潮中砥砺前行,致力于让每次出行都成为美好的记忆。”

博客 奇点汽车

企业
2019-04-28 11:59
247

工信部:今年新能源汽车产量将超150万辆 后续氢能有望接力

4月23日,国务院新闻办公室举行2019年一季度工业通信业发展情况新闻发布会。工业和信息化部新闻发言人、运行监测协调局局长黄利斌,新闻发言人、信息通信发展司司长闻库出席发布会介绍2019年一季度工业通信业发展情况,并回答了记者提问。新能源汽车界微信公众号特别摘 ...查看全部
1.jpg

4月23日,国务院新闻办公室举行2019年一季度工业通信业发展情况新闻发布会。工业和信息化部新闻发言人、运行监测协调局局长黄利斌,新闻发言人、信息通信发展司司长闻库出席发布会介绍2019年一季度工业通信业发展情况,并回答了记者提问。新能源汽车界微信公众号特别摘登有关汽车的内容,以供参考。
   
01 
今年新能源汽车产量预计将超150万辆
2.jpg

 
一季度新能源汽车产量增长48.2%,增幅较大,对此,黄利斌表示,据行业协会统计,一季度我国的新能源汽车产销分别完成了30.4万辆和29.9万辆,产销增幅同比分别达到102.7%和109.7%。这个速度是在财政补贴逐年退拨的基础上完成的。近年来,我国新能源汽车发展取得了显著成效,推广规模全球领先,技术水平显著提升,整车和关键零部件均取得长足进步。充电基础设施建设顺利推进,特别是《乘用车企业平均燃料消耗量与新能源汽车积分并行管理办法》的实施,标志着我国新能源汽车市场化发展的长效机制在不断完善。整体看,我国已建立起全球最为完备的新能源汽车发展支持体系。同时,我国新能源汽车的市场结构也在逐步优化,在乘用车销售中的占比进一步提高,个人消费市场也在快速兴起。这次财政补贴政策做了一些调整,也是基于2020年以后补贴政策全面退出,并根据新能源汽车规模效益、成本等因素,以及补贴政策退坡退出的规定,综合考虑作出的调整,有助于发挥补贴政策的基础性、导向型作用,促进产业优胜劣汰,防止市场出现大起大落。
 
下一步,我们将通过以下措施进一步推动新能源汽车高质量可持续发展。
 
一是坚持创新驱动,完善以企业为主体、市场为导向、产学研相结合的协同创新体系。充分发挥企业的主体作用,加快产品升级换代步伐,提升产品市场竞争力。
 
二是加快充电设施建设,优化公共充电桩布局,研究新能源汽车专用号牌基础上,给予更多使用环节的优惠措施,提升用户使用体验。
 
三是完善扶持政策,实施《乘用车企业平均燃料消耗量及新能源汽车积分并行管理办法》,建立新能源汽车市场化发展的长效机制,引导地方财政补贴从鼓励购买向支持充电设施建设、补贴充电服务费等使用环节过渡。
 
四是健全体制机制,完善新能源汽车监管信息平台,建立健全安全检查制度、消防救援体系、安全事故调查处理机制等,提高新能源汽车的安全运行水平。预计今年新能源汽车产量可能会超过150万辆。
 
02 
氢燃料电池汽车将与纯电动汽车长期并存互补
 
最近工信部发布了2019年第三批新能源汽车推广目录,有三款燃料电池汽车入选,氢燃料电池汽车技术路线是否成为未来重点支持的发展方向?
 
黄利斌对相关问题进行了解答,他称,氢燃料电池汽车和采用锂电池的纯电动汽车都是新能源汽车的重要技术路线。从技术特点及发展趋势看,纯电动汽车更适用于城市、短途、乘用车等领域,而氢燃料电池汽车更适用于长途、大型、商用车等领域。我们认为氢燃料电池汽车将与纯电动汽车长期并存互补,共同满足交通运输和人们的出行需要。
 
从目前看,氢燃料电池汽车的产业化进程明显要晚于纯电动汽车。我国氢燃料电池汽车在基础材料、关键零部件、系统集成等方面与国际先进水平还存在差距,整车成本较高,氢能基础设施建设也相对滞后。氢燃料电池汽车的发展不仅是一个技术问题,还依赖于整体氢能产业链的发展及相关的政策、标准、法规的不断优化完善,某种程度上比电动汽车的推广难度可能还要大。
 
下一步,我们将进一步加大工作力度,联合有关部门开展示范运行,破解氢燃料电池汽车产业化、商业化难题,大力推进我国氢能及燃料电池汽车产业的创新发展。

博客 betty19920416

LV5
2019-04-24 12:41
279

面向结果的自动驾驶功能评价

1引言 自动驾驶功能的重要性日益凸显,但仍没有统一的方法评价其性能。因为道路测试需要投入过多的时间和费用,因此当前业界普遍认为需要一种仿真测试方法。用于测试的仿真环境通常包括3个关键部分: ...查看全部
1引言
自动驾驶功能的重要性日益凸显,但仍没有统一的方法评价其性能。因为道路测试需要投入过多的时间和费用,因此当前业界普遍认为需要一种仿真测试方法。用于测试的仿真环境通常包括3个关键部分:车辆模型(本车)、被测系统模型(system under test , SUT, 此处即指ADF)和系统预期运行环境条件模型。环境条件通常概述于“场景”中,包括但不限于道路属性(车道数、坡度、出口、路障、道路条件等)、交通属性(其他交通参与者的数量和速度、其他驾驶员的可能模型)和总体环境条件(能见度、天气条件等)。典型的基于场景的ADF评价首先通过对真实数据分析识别得到相关交通状况,然后对场景进行建模并用于ADF的仿真和评价。
tu1.png
图1 总体评价结构
随着ADF功能性提高和运行持续时间延长,很难找到一组先验定义的相关场景。例如为了评价自适应巡航控制器(Adaptive Cruise Controller, ACC)的燃油节省量,场景中必须包括实际交通中经常出现的“正常工况”(normal cases);而对于安全性评价,导致事故的“极限工况”(limit cases)至关重要。目前为止,对于同一功能的使用场景并没有唯一的定义,以ACC为例,根据关注点是燃油经济性还是安全性,可以使用完全不同的场景进行评价。考虑到这一情况,献中推荐使用连续交通微观仿真环境,而不是纯粹基于场景进行测试,这些仿真环境包括旨在反映真实驾驶情况的交通模型。
仿真测试存在一些局限性。首先,仿真结果不是先验正确的,因为没有模型是完美的并且可以无限精确地表示真实行为。其次,重要特征可能在建模阶段受到人为影响,或者在仿真运行中表现不足或过多,导致评价结果出现偏差。此外,尽管相比于道路测试,仿真测试速度更快且重复性好,但若考虑所有工况,仿真仍需要大量时间。在实践中经常使用先验停止标准(a priori stopping criteria)来执行测试,例如每种工况的最长仿真时间或固定重复次数,由此得到的最终结果通常是无需进一步分析的某些绩效指标的平均值。
已有研究显示,在不评价统计特性的条件下使用和比较仿真结果可能会产生误导,因此我们建议将结果的统计显著性评价与仿真运行相关联,这可以为所有仿真运行确定先验显著性水平,以使结果有可比性或可用于其他方案的评价。
 
2评价方法
2.1 ADF目标确定
每个ADF具有至少有一个必须满足的关键功能,例如ACC的速度跟踪功能和制动辅助的紧急情况减速功能等,通常用与控制器任务直接相关的可测变量来量化其性能。如果我们用变量x表示本车状态,则控制器目标可用目标集X*进行识别。以ACC为例,目标集是本车的期望速度。在评价已定义的ADF质量,即实际数据与目标集之间的差距时,对于ACC,这可以是由周围交通的扰动引起的与期望速度的偏差。
[b]2.2 与目标一致的KPI定义[/b]
评价过程的第二步是定义一个能够“观察”SUT与期望目标或行为间偏差的指数。若我们将SUT的状态视为随机过程X(t),则关键绩效指标(Key Performance Index,KPI)可定义为在系统状态下通过定义函数f(KPI)得到的另一个随机过程Y(t)。原则上,选定的函数f(KPI)既不能忽略SUT由于测试过程中的扰动而产生的与其期望行为的偏差,也不能突出这一偏差。对函数f(KPI)的最低要求是单边有界,并在X*处达到其最小值。为了清楚起见,我们指出,原则上,KPI可以同时评估多个目标但不能作为风险函数。只有在进行单一安全评价的情况下才可以用风险函数表示KPI。
2.3 KPI描述统计值选定
由于KPI是一个随机变量,我们感兴趣的是它在统计方面的表征(本文中指其统计特征参数)。因此,所研究参数的随机“时刻”(平均值、方差或等效标准偏差)、中位数以及形状参数(如偏度、峰度、所研究参数的置信区间)是出于这一目的考虑的自然统计参数。用通用统计数据值q(KPI)描述KPI,并假设由于实际原因,q(KPI)是有限的。
这些参数的估计只能通过在仿真期间收集KPI测量值来完成。应特别注意用于收集测量值和估计随机过程统计数据的方法,因为一般来说它会影响估计。                                       
2.4 仿真流程定义
对于随机过程,文献中提供了大量针对期望算子的估计方法。通常,不同的估计程序可导致对相同量估计的不同,这些结果既受基础随机过程的性质的影响,也受到用于评价的样本的代表性的影响。另外,抽样过程也取决于估计目标。
第一种期望估计方法称为遍历。这一方法假设在足够长的观察时间内,随机过程的每个轨迹都将在相同的评价时刻显示其样本几何的相同特征,即状态空间平均值可以用时间平均值代替。第二种期望估计方法称为蒙特卡洛方法,这一方法将随机过程Y中的N个互相独立的、时长足够的仿真中出现的极限值视为总体样本。
2.5 收敛准则定义
仿真运行期间,模拟器产生的场景(包括周围交通和本车的轨迹)会扰乱SUT,并通过估计KPI的值测量实际数据与控制器目标间的偏差。经过一定的仿真时间(或n个样本)后,将不再有新事件产生,即KPI的统计量不会随着仿真时间的增加而显著变化。收敛意味着随着仿真时间的增加,统计量的估计值会收敛到一个恒定值,并且值置信水平很高。一般而言,从统计角度来看,关键是有足够的样本量以确保KPI统计量具有一定的置信度。
 
3应用案例及结果
3.1 应用案例
ACC在跟踪期望速度的同时,还应确保不会对周围交通造成危险。在本文中,我们以ACC功能评价为例应用所提出的方法。控制器输入为纵向加速度a,并考虑到真实驾驶情况,将a的值限定在±2.5m/s^2之间。控制器则根据本车状态变量进行控制,周围交通环境中的所有相关信息在建模中视为本车状态扰动。ACC功能被认为是在两种行为模式之间转换:本车速度控制目标为期望速度的巡航模式;本车速度控制目标为前车速度的跟车模式。对于两种行为模式需要分别选取合适的KPI。
本文中用于评价SUT的仿真环境包括在贝叶斯网络图形模型基础上建立的随机交通环境模型,交通参与者的预期运动位置建模则使用的是叫作条件线性高斯模型的一类特殊贝叶斯网络,根据其前后驾驶行为对其状态进行分区,针对每个预定义的前后驾驶行为(巡航、跟车、向左换道、向右换道)提出合理假设,并在实际交通测量数据基础上进行训练。
tu222.png
图2 仿真环境示意图(红色为本车)
由于ACC有两种运行状态,故f(KPI)由两部分组成,计算定义如下:
tu2.png

当相对速度小于0时,即本车速度小于前车速度,计算式中两者均不为0,即ACC功能性能损失增加。因此,该参数的引入可以防止ACC功能产生过于保守的减速行为。
f(KPI)的值在本文研究中需要进行两次估计分析。第一次估计分析采用的是遍历方法,随后采用蒙特卡洛方法对第一次分析所得的f(KPI)估计值进行第二次估计。
3.2 仿真结果
tu22.png
图3 某次仿真过程所得结果
对于图3中的仿真过程,本车最初处于巡航模式下,并在ACC的控制下以期望速度行驶,在此阶段,不对f(KPI)进行评价。一旦安全距离内出现前车,ACC则切换到跟车模式,并开始对f(KPI)进行评价。本文共进行了200次仿真,f(KPI)值的分布如图4所示。
涂.png
图4 f(KPI)值分布直方图和拟合曲线
本文同时研究了样本大小n对f(KPI)值置信区间的影响。按图5所示,直方图分布服从Gamma分布,且随着n的增加,95%置信区间变窄。
tu5.png
图5 样本大小对f(KPI)值置信区间的影响
图5的结果表明,为了在随机仿真环境中评估ADF,应仔细选择仿真持续时间。较短的仿真(本文中小于1000或2000个样本)可能得到误导性的性能评价,其结果仅表征特定仿真下的ADF行为。而从一定的仿真长度开始(本文中为3000-4000个样本),测试中的ADF性能变得可靠,且几乎独立于随机模型生成的仿真条件。
 
4结论和展望
本文提出了一种在随机仿真环境中评价自动驾驶功能的整体方法。本文讨论的关键问题是如何确定必要的仿真时间以获得可靠的评价结果。基于ACC的应用案例表明,随机环境中较短的仿真可能导致对ADF性能评价做出错误的结论。另一方面,过长的仿真并不能提供有关ADF性能的额外信息,且计算成本大幅提高。
目前的研究是在对正常交通行为进行校准的交通随机模型上进行的。这项工作可扩展至探索在不同校准或甚至产生更危险的情景特定校准下,KPI估计值如何变化。我们还期望通过使用基于KPI的ADF性能统计分析,以实现不同交通场景之间的比较(例如对于测试中的ADF更具挑战性的场景)以及不同ADF之间的比较(执行相同的操作任务)。一旦成功,还可以进一步预选出对相应ADF的测试来说至关重要的场景,这将意味着显著减少评价ADF所需的时间和成本。

博客 别碰我的刘海

LV1
2019-04-23 10:34
1236

3D-LaneNet:端到端3D多车道检测网络

编者按:三维车道检测是实现自动驾驶的关键技术,它需要对主控车辆的可行驶车道的三维位置进行精确估计。这篇文章提出了一个基于CNN的端到端的3D车道线检测网络3D-LaneNet,可以直接检测多个车道,并估计车道曲率,对三维车道检测的相关研究具有重大的启发与促进作 ...查看全部
编者按:三维车道检测是实现自动驾驶的关键技术,它需要对主控车辆的可行驶车道的三维位置进行精确估计。这篇文章提出了一个基于CNN的端到端的3D车道线检测网络3D-LaneNet,可以直接检测多个车道,并估计车道曲率,对三维车道检测的相关研究具有重大的启发与促进作用。
 
摘要:
这里介绍一种架构,它可以直接从一张图像预测出道路场景中的三维车道,这项工作标志着首次尝试通过在线感知解决这一任务,而不是依赖于预先映射的环境。我们的网络架构,3d-lanenet中有两个新的概念,1.网络内部的反透视变换。2.基于anchor的车道线表示。网络内反透视变换投影使得在常规图像视图和俯视图中都能方便地表示信息流.一个基于anchor的列输出表示使得我们这个端到端的方法能够替代传统的启发式方法,比如聚类和奇异点处理。此外,我们的方法精准的解决了复杂情况,比如车道的合并以及车道的分开(比如一条车道延伸之后分叉类似这种情况)。在我们的new 3D lane synthetic dataset 上,架构表现出了非常好的结果。为了和现有的方法作对比,我们验证了在image-only tuSimple lane detection benchmark 上的有效性,并获得了非常具有竞争力的表现。
 
 
1.介绍
 
三维车道检测是实现自动驾驶的关键技术,它包括对相对于主控车辆的可行驶车道的三维位置的精确估计。存在两种互补的技术解决方案:加载离线生成的预映射车道和基于感知的实时车道检测。离线解决方案在给定精确当前车辆定位(在地图坐标中)的情况下具有高的几何精度,但是部署和维护起来很复杂。最常见的基于感知的解决方案是使用单目摄像头作为主要传感器来解决任务。现有的基于相机的方法检测图像中的车道,然后通过平坦地面的假设,将它们投射到三维世界,当然当地面平坦这个假设不对的时候,会导致不准确的估计与检测。
 
受到近年来CNN在单目深度信息预测的成功激励,我们提出了直接检测3D车道线的方法。更正式地说,给定从前置摄像头拍摄的一张图像,任务是输出一组车道实体,每个实体在相机坐标中表示为3D曲线,描述车道分隔符(分隔符就是传统意义上的车道线)或车道中心线(中心线是两条传统意义上的车道线中间的线)。我们提出了3D- lanenet,一个基于CNN的模型,可以进行3D车道检测。该网络经过端到端的训练,输出是在道路的每一个纵向切片上(道路被竖着分为很多的列,每一个列相当于一个切片。),这些输出包括车道线经过这个纵向切片的置信,以及他的3D曲线坐标。我们的方法原理在图1中做了解释。 我们直接的单阶段的方法避免了使用现有方法进行后处理,包括聚类,奇异点处理等。整个网络的架构基于一个创新的双通路(并不是并行的)结构,这个结构在网络内部,对特征图进行一些透射投影变换以生成虚拟的鸟瞰视图。这种双特征表示(正常视图特征,以及鸟瞰视图特征,原文是image view 以及 top view)提高了在道路场景下,网络的推断能力。输出被表示为一个新的基于列的anchor编码(即在该anchor下的各种参数信息),这使得网络具有水平不变形,并且保证了端到端。每个输出都对应一个anchor,类似于基于anchor的单阶段目标检测办法,比如SSD[20],YOLO[27]。

1.webp_.jpg

图1.(a)端到端的方法的原理图解,以及在俯视图上的车道检测结果实例。(b)结果在原图上的投影。
 
为了完成这项任务,获取带有3D标记的地面真实数据是一项需要多传感器和昂贵的高清地图的工作,在我们的工作中,我们训练和测试我们的网络通过一个新的和合成数据集synthetic-3D-lanes,你可以获得每一条车道线的所有的精确3D位置坐标。数据集目前限制在高速公路场景中,尽管有一些道路模拟器,但是他们的目的不是为了3D车道线检测任务的。并且限制了相关场景属性(如车道曲率)的可变性。我们在该领域的主要成就是能够随机生成具有可变三维形状和车道拓扑结构的高速路段。而我们方法的主要优势在于估计3D车道线,还有纯图像进行车道线检测。我们在tuSimple数据集上对我们的直接方法进行了训练和测试,在不使用通常的后处理技术的情况下,我们获得了与现有技术相媲美的结果。
总结一下我们的主要贡献:


  • 定义了3D车道线检测任务的度量标准,同时也第一个提出了3D检测任务的解决办法


  • 一个创新的双通路带有内部投影变换的结构.


  • 一个新的基于anchor的车道线输出表示,使得网络支持直接的端到端的预测。这可以应用于3D车道线检测和基于图像的检测


  • 一种随机生成具有车道拓扑变化(车道数、汇集、分叉)和三维形状的合成样本的方法。


 
2. 相关工作
 
传统的车道检测系统(将低层次的操作(如方向滤波器)与高层次的启发式(如霍夫变换)结合起来检测图像中的连续车道。一个通常的流程包括4个阶段:局部车道特征提取(1)、车道模型拟合(2)、图像与世界的对应(3),聚合(4)。近年来,局部特征提取阶段是通过对图像应用一个或多个CNNs来完成的,但总体上流程仍然非常相似,后期处理仍然存在。
 
具体来说,CNNs可以通过增强边缘图或分类候选块来改进特征提取。Huval检测本地车道线通过目标检测CNN。VPGNet Lee等人遵循类似的概念,并且额外检测其他道路标记和消失点,以改进车道检测。KIM和park重新定义了特征提取阶段,将其作为一个分割问题,这个问题有两个分类类别,左车道线和右车道线,延伸网络的范围来执行(extending the reach of the network to perform clustering.)但是,仍然必须为每个cluster安装一个世界坐标车道模型,并且无法处理多车道问题。Nevenetal.[23]尝试端到端多车道检测,通过训练CNN不仅创建一个0,1车道像素掩码,而且还为每个像素点嵌入用于聚类车道点的特征向量。Ghafooria提出使用生成对抗网络使语义分割网络的工作输出在车道检测的背景下更加真实。一些工作(如Meyer等人的,Oliveira等人的)是基于类似的方法构建的,其中主车道和相邻的车道是语义类(车道内部整片而不是车道线)。
 
与所有提出的方法相反,3D- lanenet统一了前三个阶段的共同流程,提供了一个完整的在三维世界坐标体系的多车道表示方法,并且只通过一次前向传播。此外,以往的方法采用平面假设进行图像到世界的对应,而我们的方法估计了车道的整个三维形状。
 
IPM通过相机视角图像生成一个场景的虚拟的鸟瞰图,这个的具体操作Mal-lot et al. [21]在障碍检测中解释了。并且第一次被Pomer-leau在车道线检测中使用,IPM已经在车道线检测任务中被广泛的使用,因为在鸟瞰图视角中,车道线相互平行,并且他们的曲率情况可以用低阶多项式拟合。此外,进行透视变换后,使得他们看起来更加的想近了,(当然会有一些模糊效果)(本来远处的车道线在相机图像上比较小。)最近,He等人引入了一种“Dual-viewCNN”它由两个独立的子网络组成,每个子网络产生一个车道线描述(每个视图一个车道线描述),然后将描述符连接并应用于候选图像位置。Li等人使用CNN直接在鸟瞰图上检测车道标记和几何属性,如局部位置和方向,在鸟瞰图上,这些属性保持不变。此外,他们还部署了第二个循环网络,该网络遍历图像以检测一致的车道。Neven等人使用子网络(“H-net”)预测每张图像中的俯仰,将车道投影到俯视图,以改进曲线拟合。与以前的工作不同,我们使用协同的单一网络方法来利用这两种观点。
 
更一般地,我们提出了第一种方法,这种方法使用端到端训练的CNN直接检测多个车道,并估计每个车道的三维曲率。我们还展示了我们的方法既适用于中心线,也适用于通常意义下的车道线,并且具有处理汇聚和分叉的能力,无需任何进一步的后处理。

2.webp_.jpg

图2.在测试集’synthetic-3D-lanes dataset’上,置信度大于0.5的车道中心线估计结果实例。在每一幅图片中,对真值(蓝色)和方法的结果(红色)进行了展示,并配有一个3D的可视化。需要主要的是,3D可视化轴的尺度根据场景而变化。被忽略的车道被标记为蓝绿色。右下角是一个失败的例子,可能是由于阻塞,在这个例子中,这条路被错误地认为是右车道。
 
 
3.方法
 
我们的方法从安装在车辆上的前置摄像头获取单个图像作为输入,如图4。我们假设相机的内参矩阵κ已知(焦距,光心)我们还假设车辆相对于路面的侧倾角为0。我们假设不知道高度和俯仰角,因为随着车辆的动力学运动,他们是会改变的。道路场景中的车道线可以被表示为中心线的集合[size=11]{Ci}i=1:Nc或者车道线的集合{Di}i=1:Nd(之后车道线就指代传统的我们说的车道线,中心线就是两条车道线中的线),如图3所示。每条车道实体(中心线或车道线)用摄像机坐标体系[/size]Ccamera下的三维曲线表示。我们将任务定义为检测给定图像的一组车道中心线和车道线。

3.webp_.jpg

图3. 带注释的例子。中心线用蓝色标出,车道线用黄色虚线标出
 

4.webp_.jpg

图4.相机姿态和道路投影面
 
 3.1俯视图投影我们简要回顾 (IPM)。简而言之,IPM是一个单应性变换,它获取一个前视图图像并生成一个虚拟鸟瞰视图图像,如图1(a)中的图像所示。这相当于应用相机旋转矩阵,然后在各个方向上进行不同尺度的缩放(放大或缩小)处理。在我们的实现中,我们想要确保鸟瞰视图图像中的每个像素在道路上对应一个预定义位置(路面坐标系下的绝对位置),这个位置独立于摄像机的内部特性及其相对于道路的姿态。 如图4所示,对照此图进行定义,相机坐标Ccamera = (´x,´y,´z) 是一个集合,´y是他的镜头面法线(´y是深度方向),Proad是路面的切面。我们这样定义路面坐标系Croad=(x,y,z),z方向是路面的法线,y是相机坐标系´y在Proad的投影,原点也是相机坐标系原点在路面切面上的投影,Tc2r是一个6自由度的变换矩阵(3个旋转,3个平移),他描述从相机坐标系到路面坐标系的一个变换,既然我们假设了侧倾角为0,那么Tc2r实际上被俯仰角θ以及高度hcam所定义。单应性矩阵(K*Tc2r-1),将路面上的每一个点映射到图像坐标系上。最后IPM通过单应性矩阵以及一组参数被获得,决定了俯视图上的边界以及从米到像素的缩放尺度,俯视图通过双线性差值采样,这个过程定义Sipm。
 3.2射影转换和双特征模块在我们的结构中一个主要的部分是射影变换层。它对Ui(普通图像视图)进行可微采样,获得Ut,Ut对应俯视特征图。具体的在俯视图投影部分讲述了(就是三维的STN)。双特征模块,正如在图5中所示,使用射影变换层,创造更高描述层级的特征图。信息在在多通道的特征图Ut(对应正常视图特征)和Vt(对应俯视图特征)之间流动,使用上述的采样方法(类STN方法)Ui被变换为Ut,并且和Vt合并,他么分享共同的空间尺度。以上就只这个基础模块,他可以在网络中重复使用。考虑现在有一个特征图Mt,他的获得是通过将Vt与Ut合并为[Vt;Ut],然后应用一个卷积层,获得Mt,Mt组合了在车道线检测中的两个有用的性质。1.首先,俯视图上的平移不变性,这十分有价值,因为在俯视图上,车道线有着相似的样子和空间上的几何结构。第二,保存了在两个视角下的信息(正常视图与俯视图),正常视图编码了一些在俯视图上没有的信息,比如栅栏,天际线,树木。这对于3D空间结构至关重要。特别的,对于远处来说,正常视图有着更加丰富的视觉信息,相比于俯视图,描述了一个更大的真实空间。

5.webp_.jpg

图5.双特征模块
 3.3网络架构
架构总览如图6所示,信息在两条通路中被处理,正常视图通路,俯视图通路,我们管这个叫做双通路结构。正常视图通路处理和保存信息,而俯视图通路提供具有平移不变性的特征,并用于预测3D车道线输出。正常视图通路基于VGG16[29],俯视图通路类似。信息经过射影变换层后流向俯视图通路,这样的通路有四条。为了避免流入的特征图的通道(C)数超过原有的通道数,通过1*1的卷积对其进行了降维,当然除了第一次流入(第一次流入没有原来的)。

6.webp_.jpg

图6.3D-LaneNet的整体结构
 3.3.1道路投影预测分支这条通路估计路面投影平面Proad,具体的,分支预测Tc2r(通过监督方式),Tc2r决定了Hr2i,以及Sipm过程。这些是俯视图处理通路所需要的参数。在推理时,也被用于将网络的输出,输出是Croad坐标转换为Ccamera坐标。正如前边所描述过的,Tc2r使用俯仰角θ以及hcam定义的,因此道路投影预测分支预测这两个参数。
 3.3.2车道线预测头我们的端到端方法的核心是基于anchor的车道线结果表示,受到目标检测方法的启发,我们使用anchors去定义候选车道线,并且用精细的几何表示方法来描述每个anchor的精确的3D车道线形状。输出所在的坐标体系是Croad,这个体系被前边定义的hcam,和θ所定义。我们的ahcnors在这个坐标系下对应纵向线,对于每一个anchor,根据3D点,做最终3D车道线的精细化处理。正如图7所展示的那样。我们将anchor定义为垂直于x轴的等距纵向线,他的集合是{XiA}i=1:N,每一个XiA线对应着2K个输出,这个输出集合表示为(xi,zi)={(xij,zij)}j=1:K,K是预先定义的一个超参数,对应着预先定义好的K个y方向上的位置,他们一起组成一个3D点集。xi代表着相对于anchorXiA的水平偏移,这意味着(xi,zi)代表着点(xi,XiA,yi,zij),这个坐标是在Croad这个坐标体系下的。此外对于每一个anchor i,我们还会输出一个置信pi,这个代表着车道线与anchor的关联程度。我们使用一个预先定义的纵坐标Yref位置来表述这种关联,具体来说与XiA相关联的车道线,是在y = Yref这条水平线上,x的坐标偏移最小的那条车道线(简单看一下output的数量 2K个点加上一个置信p也就是说一个anchor对应2K+1个输出,如果只预测一条中心线,或者只预测一条车道线的话)。

7.webp_.jpg

图7.输出表示。注意输出的anchor的数量等于输出层的宽(图6中被标记为w/8)
 
每一个anchor,网络输出3种类型的车道分割,前两组代表着中心线,第三组代表着分隔线,为每个anchor分配两条可能的中心线将产生对汇聚和分叉的描述支持,这通常会导致两条车道的中心线在Yref重合,并在不同的道路位置分开,如图7中最右边的例子所示。车道线的拓扑结构相比于中心线来说,通常会更加的复杂,我们现在的这种表示方式,还不能描述所有的情况,比如图7中车道线没有经过Yref。车道线预测头被设计为输出如我们描述的那样的输出,通过一系列的y方向的无padding的卷积,特征图在H方向上逐渐减小,最终形成N×1×3×(2K+1)的输出(按照标准pytorch描述,可以说成是batch, (3*(2K+1),1,N),前面最后一个之所以乘3,是对每一个车道输出三种描述,分别是中心线,中心线,和车道线)中的一个i∈{1...N},对应着一个anchorXiA,每一个anchor,XiA,类型t∈{c1,c2,d}被输出表示为(xti,zti,pti),最终的输出还会经过一个1D的非极大抑制,就如在目标检测中的那样,只保留局部最大置信度的车道(与左右相邻anchor相比),每一个被保留的车道线,都有少量的3D(K个)点,然后利用他们,利用样条插补的方式完成光滑曲线的生成。
 
 3.4训练与真值关联给定一个图片,和他对应的3D曲线,训练过程如下:第一真值坐标系Croad被定义为与当前路面切面相关的,使用θ和hcam定义的,如前面所描述的那样。接下来,每一个车道曲线,投影到Croad坐标系下的X–Y平面上,并且与他们关联的anchor定义为在Yref处与他们最近的那个。(这里的关联就是这个anchor负责预测哪个,与yolo里目标中心落在哪个小方格中心,哪个小方格就预测谁类似)对于每一个anchor来说,最左侧的中心线,以及最左侧的车道线t∈{c1,c2,d}被定义为集合中的c1和d1,如果还有额外的中心线,那门它被定义为c2。这种方式将真值定义为与输出相同的形式,每一个anchorXiA和类型t相关的GT被标记为(xti,zti,pti),pti是在坐标系Croad下的分配标识(我理解为有就是1,没有就是0)。 在训练以及评估阶段,整个车道将会被忽略,如果他们在俯视图中在y = Yref处没有值,并且如果他们被地形所挡住,他呢也将被忽略(比如被小山丘挡住),整个的loss函数被给出,如下,它结合了三个等权重的loss,车道线检测(有无)(交叉熵损失)三维几何形状损失,以及道路平面估计损失。

8.webp_.jpg

 
 
4. 模仿合理行为
 
我们的实验描述按如下步骤:我们先回顾一下我们生成的synthetic-3D-lanes 数据集,我们的大多数结论产生于此。接下来,我们描述下对于3D车道检测任务的评估方法,然后,我们展示在我们制作的这个数据及上的结果,以及控制变量法检查每一个概念(方法)对于我们整个方法的贡献。最后,为了证明我们的方法在真实数据上的可用性,我们将我们的方法与其他单图片车道检测办法在tuSimple benchmark 上进行了比较。
 4.1合成的3D车道数据集
我们生成synthetic-3D-lanes 数据集使用考元的图形引擎blender,我们的方法允许我们随机生成模型的各个部分,从场景的3D几何形状,到目标的类型,如图8所示。

9.webp_.jpg

图8.随机生成的数据集。(a)路面(b)道路拓扑结构和曲率(c)路与路面(d)渲染场景。
 
 
生成每一个场景的步骤如下:

  • 3D地形:地形通过随机生成参数的高斯混合分布来生成,如图8a所示。

  • 地形拓扑:车道的数量是被选定的,然后我们选择是否有第二条路,和在这条路里的车道,取决于后来在场景中相机的方向,第二车道的连接被视为一个车道汇聚或者车道分叉。

  • 车道曲率:每一个车道在俯视图中的几何形状用三次多项式建模,如果存在汇聚/分叉,则选择连接点,这个在俯视图上的结果如图8b所示,车道的宽度被随机选择为3到4米。

  • 3D车道:俯视图上生成的三次多项式会被映射到之前生成的地形上,第二车道也是,模仿正常道路的拓扑结构,如图8c所示的那样。

  • 地形和道路表示:道路和地形的纹理是从一组纹理中选择的。车道标记的类型和颜色也是随机的。

  • 目标:车辆和树木分别摆放在场景中、道路上和道路外。它们的模型是从一组可选模型中选择的。

  • 场景生成:主车相机通过选择它的车道和他相对于车道中心的横向偏移放置在主道路上。相机的高度被随机设置为140cm到190cm,俯仰角被随机生成为0到5度,最终,光度被设置,并且场景从相机视角生成,每条车道中心线与车道线的3D点被转换为相机坐标系下的坐标,来产生真值。图8包括几个场景的例子,展现了场景的多样性与复杂性。

  • 应用细节:正常视图通路用预训练的VGG16进行初始化,我们使用adam优化方法,学习率设置为5.1*10-4,我们使用在循环学习率上的变化机制如[30]中描述的那样,并且设置最小的学习率为10-6俯视图上的场景在真实场景中的尺寸为80m*20m,IPM在xy两个方向上具有不同的缩放尺度,在第一次俯视图特征图上(第一次变换的)每一个像素点代表着真实世界16cm的宽度(x向)和38.4cm的长度(y向)最后一张特征图的边长是第一张的八分之一,并且每一列代表一个anchor,所以两个临近的anchor之间的距离为真实世界中的128cm(16*8),我们将K设置为6,预设的y的位置为:y={5,20,40,60,80,100}和Yref=20m。 


 4.1.1评估方法我们提出一种对于3D车道检测的评估办法,他讲检测的准确率与几何估计准确率分割开来,检测准确率通过标准的平均精度办法(AP)来计算回归曲线的精度。我们首先计算真值曲线与预测曲线的加权欧式距离,我们计算在预先设定的各个y位置上距离,每80cm的图片距离代表实际的80m,远处的点的距离计算给予较低的权重,然后,我们通过选择减少相似性的配对来执行一对一(曲线)匹配,当他们的加权距离小于一个阈值,匹配被认为是成功的,迭代这个阈值,已获得更加精确地阈值。 对于配对的曲线,我们评估几何估计精度通过计算他们误差的分布,(这在计算距离的时候用到过),我们将整个数据集的车道线点分为近距离(0-30m)与远距离(30-80m)由于他们误差的巨大差异。然后我们计算误差为1δ误差的,比如百分之68这样,还有误差为2δ误差的,比如百分之95类似这样,道路中心线与车道线都各自用这种方法评估。在训练阶段被忽略的那些点,在评估的时候也被忽略。
 4.1.2评估结果在测试集上典型的网络结果如图2,用真值做标记。表1第一行为3D-LaneNet中心线检测定量结果。一个对合成数据集有必要的担心是,他的变换实在是太有限了,导致网络记住了整个样例空间,而不是去学习如何泛化,一个积极地结果表明这种情况没有发生是测试集的AP(0.952)略低于训练集AP(0.966)对于几何误差也是同样的。在接下来的控制变量实验中,我们都用训练好的3D-LaneNet的参数做初始化,用以减少训练时间。
表1.在synthetic-3D-lanes dataset 上的中心线检测结果

10.webp_.jpg

 我们首先通过与其他结构进行比较来探求双通路结构的作用,只有正常视图通路的版本,将网络后部分直接连接到lane detection head 输出Croad下的3D坐标,就如完整版本那样,这个时候anchor 被最后一张特征图上的列所决定,对于每一列,我们在预定义的图像y坐标上选取一个像素,并将其投影到俯视图中,以确定与列对应的anchor。只有俯视图版本,首先将图片投影到俯视图上,然后后面继续进行和完整版本的俯视图通路同样的计算。除此之外,我们还测试了两个版本,它们包含双通路结构,但是这个机构的个数和位置不同。Early IPM版本包含一个双特征模块(dual context module),并且是第一个,late IPM同样只包含一个,不过包含的的是最后那个。结果在被总结在表格1中,结果表示了,带有完全体双特征模块的相对于其他变体有着非常好的超级表现,特别的,只有正常视图通路的有着最差的结果,这说明,俯视图通路的处理是十分有必要的。注意late ipm版本,只包含一个双特征模块,表现出了第二高的准确率,但是却减少了很多的计算,这使他成为一个可实时应用的候选模型。 我们尝试了几个版本的道路投影平面定义,这是我们架构和输出表示的核心,我们的第一个尝试是在没有显示监督的情况下,学习每个场景的最佳道路投影平面,类似于[23]中的“H-net”地平线估计,但是这种方法没有得到令人满意的结果。我们认为这一方向值得进一步研究,因为这是最自然的方向。另一个自然的选择是在拟合道路平面时考虑整个场景,而不仅仅是局部道路的发现。为此,我们设计了一种地面真值生成算法,该算法取最远处可见的道路点,并将其与当前道路位置相连接以确定俯仰角。由于这种方法类似于水平估计方法,所以在表格中将其称为水平(horizon)。显然,它的表现总的来说略差,虽然我们一直观察的情况下,场景地形有利于这一定义。我们也尝试假设一个固定的相机位置,其中平均俯仰角为(2.5◦)和相机高度(165厘米)这两个数据被用来定义Tc2r。 表格1中的最后一行显示了假定地面是平坦的图像到世界转换的结果。这通过将我们完整版的网络中估计的z设置为0来实现。尽管这个糟糕的结果有一些繁琐,并且有着高度的数据依赖性,但他还是告诉我们3D车道探测的重要性。带着0.966的AP,完整版的3D车道检测网络在车道线的检测上超过了中心线的检测,这可能是因为在图片中,车道线有比较明显的显示。在他们的位置误差分布上也是同样的(nearrange: 10.5cm@1σ,28cm@2σ; far range:27.3cm@1σ and 106cm@2σ) 既然输出从路面坐标系通过Tc2r转换到了相机坐标系,我们也评估了这种估计的质量以及他对最终结果的影响。俯仰角和相机高度误差的中位数为0.09°和2.4cm,为了消除这两个误差对最终结果所造成的影响,我们评估了Croad下的坐标,方法是通过直接拿到网络的原始输出。
 
 
5. 总结及未来工作
 
我们提出了一个单帧单次cnn前向传播,不需要其他后续处理工作的车道检测办法。在tuSimple benchmark 上,我们展现了富有竞争力的结果,并且在我们合成的3D车道线数据及上,我们的方法能够进行多车道的3D检测。最重要的是,接下来的研究证明了这是可以应用在真是世界的数据上的。我们现在的表示在(在纵向上的anchor,判断Yref存在与否)还比较粗糙,这限制了该方法对车道复杂拓扑结构的表示,比如城市内部,在接下来的工作中,我们会更新我们的表示方法使用端到端的机制来来处理这些情况。

知识讲堂 betty19920416

LV5
2019-04-23 10:33
1126

谷歌ChauffeurNet:训练能够鲁棒地驾驶实车的网络

编者按:Waymo于2018年底发表了本论文,介绍如何利用并改进模仿学习以获得能够较为鲁棒的驾驶模型ChaufferNet。它与典型的端到端学习不同,采用的是mid-mid的方式,在仿真环境和实车测试中都有不错的表现。模型一方面基于大量数据模仿学习合理的驾驶行 ...查看全部
编者按:Waymo于2018年底发表了本论文,介绍如何利用并改进模仿学习以获得能够较为鲁棒的驾驶模型ChaufferNet。它与典型的端到端学习不同,采用的是mid-mid的方式,在仿真环境和实车测试中都有不错的表现。模型一方面基于大量数据模仿学习合理的驾驶行为,另一方面通过在合理驾驶轨迹上附加扰动以制造各种特殊的驾驶情形,结合对应的附加损失函数,训练网络如何应对扰动和避免不良行为。ChaufferNet驾驶模型具有较好的鲁棒性,虽然目前还不能够和运动规划方法竞争,但的确是机器学习驾驶模型前进的一大步。
 
 
摘要:
我们的目标是通过模仿学习训练出能足够鲁棒地驾驶真实车辆的网络。我们发现单纯的行为模仿不能应对复杂的驾驶场景,即使我们利用感知系统预处理传感器输入,同时利用控制器在车辆上执行模型输出:3000万量级的学习样本仍然不够。我们尝试利用在合理驾驶的数据上附加扰动得到的合成数据来辅助学习,创造出一些特别的驾驶情形,如车辆发生碰撞或驶离道路。我们不是纯粹模仿所有合理驾驶的数据,而是在模仿损失上增加了一些损失,用于惩罚不良的行为并鼓励学习的进展。在合理驾驶的数据上增加的扰动为这些损失提供了重要信号,并导致学习得到的模型具有鲁棒性。我们证明了ChauffeurNet模型可以应付仿真环境中的复杂情形且能够合理地应对随机因素,同时进行了实验对本文提出的各项改进的重要性加以说明。最后我们展示了使用训练得到的模型在现实世界中驾驶汽车的效果。
 
关键词:深度学习 mid-mid驾驶 驾驶行为学习 轨迹预测
 
 
1.介绍
 
驾驶员在驾驶时需要观察和理解环境中的各种物体,预测它们未来可能的行为和交互情况,然后思考如何控制汽车,在遵从道路交通规则的条件下安全到达目标位置。这项任务对于机器来说是很有挑战性,人类却可以很好地完成,因此模仿学习是解决这个问题的一种很有前景的方法。我们工作的目标就是使得模仿学习得到的模型能够达到可用于驾驶真实车辆的水平。我们在利用大量训练数据(3000万现实世界中合理驾驶的样本,相当于持续驾驶约60天)的基础上尽可能高效地构建了我们的系统。的确,端到端的驾驶行为学习有很多令人兴奋的地方。它们通常致力于通过学习,在相机或激光雷达数据等原始传感器输入数据的基础上,直接预测诸如转向或制动等原始控制输出。但为了降低样本的复杂性,我们选择了建立在感知和控制组件之上的中级输入和中级输出表示。我们使用能够加工处理原始传感器信息的感知系统来产生这种中级输入:俯视的环境表达和目标路线,车辆等物体被绘制为有向的边界框,道路信息和交通信号灯状态也在其中。我们将这种中级输入注入到一个名为ChauffeurNet的循环神经网络中,由这个网络输出一条驾驶轨迹,再由控制器将此驾驶轨迹转换为转向和加速度控制指令。使用这些中级表示的另一个优点是:网络既可以使用实际数据,也可以使用模拟数据来训练,且可以在部署到实车之前在闭环仿真中轻松完成测试和验证工作。
 
我们的第一个发现是,即使在拥有3000万个驾驶样本并使用中级输入和中级输出表示减轻感知与控制负担的条件下,单纯的模仿学习依然不能达到目标。例如我们发现这种情形:本车会与一辆停在狭窄街道一侧的车发生碰撞或者卡在这辆车后不动,然而此时避让和超车都是完全可行的。关键的挑战是我们需要闭环地运行系统,而误差的累积将会导致驾驶情形偏离训练时的分布。这一结果是单纯的模仿学习在驱动车辆驾驶领域具有局限性的很有价值的证据。此外我们还发现在模仿损失的基础上,增加一些抑制不良行为并鼓励学习进展的损失,同时增加附加了扰动的合成驾驶轨迹可以克服这一挑战。这些改进使得模型能够接触到发生碰撞和驶出道路等非常规行为,同时损失函数的增大将引导模型避免这些行为。正是由于采用中级的输入输出表示,我们才能得到大量这样的合成驾驶轨迹。这些扰动很难从原始传感器输入或直接馈送到车辆的控制器输出中生成。
 
我们首先在仿真中评估整个系统以及进行损失函数扩增和数据扩增的重要性,之后展示最终模型如何在现实世界中驾驶汽车,并协调处理涉及其他交通参与者、转弯、停车标志和交通信号灯等对象的驾驶情形。变道等具有高度互动性的驾驶情形,仍然需要在强化学习的框架内进行大量的探索。这就要求实现对其他交通参与者例如行人的模拟,而这种模拟也是一个正在迅速发展的值得探索的研究领域。本文的贡献可以理解为:在没有使用强化学习的条件下,我们仍然可以用纯粹的离线数据来完成更多的驾驶学习任务。
 
2. 相关工作
 
ALVINN上数十年的工作(Pomerleau(1989))揭示了浅层神经网络如何直接利用相机数据和激光测距数据使车辆沿着道路行驶。以端到端的方式学习自主驾驶在近些年掀起新的热潮。Chen等人最近的工作(2015)展示了使用一个卷积网络来预测可行驶空间,例如和前方车辆的距离。预测的可行驶空间可用于控制器的编程,控制在高速公路上行驶的车辆。NVIDIA的研究者们(Bojarski等人(2016,2017))展示了如何训练一个端到端的深度卷积神经网络,利用相机输出的数据作为输入,控制车辆的转向。Xu等人同样利用相机输出的数据,训练了一个神经网络用于预测离散的或连续的动作。Codevilla等人(2018)也训练了一个网络,使用相机的输出作为输入,使用高级的控制指令来输出对转向和加速度的控制。Kuefler等人(2017)使用生成对抗模仿学习(GAIL),使用简单的affordance-style特征作为输入,以克服基于行为复制策略得到的模型中经常出现的过大误差,因而对于扰动有更好的鲁棒性。Hecker等人最近(2018)训练了一个使用360度环视相机输出作为输入,包含目标路线规划模块的驾驶模型,可以预测转向和车速。CARLA模拟器(Dosovitskiy等人(2017))在Sauer等人的工作(2018)中都有用到,它可以基于传感器数据估计若干个可行驶空间并在仿真的城市环境中驾驶车辆。Muller等人(2018)利用和本文思路相似的中级表示,在仿真环境中使用CARLA训练了一个系统。具体的方法是从一个场景分割网络中训练驾驶策略,并输出高级的控制指令,方便了后续基于迁移学习的方法利用现实世界驾驶数据训练得到的一个不同的场景分割网络。Pan等人(2017)同样描述了如何利用基于学习的intermediate场景标注方法,将仿真环境中训练得到的模型向真实世界中迁移。Shalev-Shwartz等人(2016)提到在模拟器中使用强化学习训练机器完成诸如变道等复杂的且具有高度交互性驾驶任务。目前已经有机器学习之外的大量的车辆运动规划方面的工作,Parden等人(2016)对此给出了一个很好的调研。
 
3.模型架构
 
3.1输入输出表示
首先描述网络如何处理俯视的输入表示,进而输出可行驶的轨迹。在任何时间t,本车状态可以俯视坐标系中的坐标pt,θt,st来表示,其中pt=(xt,yt)表示位置,θt表示航向角或行驶方向,st表示速度。俯视的坐标系按照以下规则选定:本车在当前时刻t=0的位置p0始终位于图像中的固定位置(u0,v0)。为了在训练阶段扩增数据,每一个训练样本都在θ0±Δ的角度范围内随机选择坐标系的方向,其中θ0表示本车在当前时刻t=0的航向角或行驶方向。俯视图由一组分辨率为W×H的图像表示,地面的采样分辨率为φ米/像素。随着本车的移动,这些环境视图也发生移动,因此本车总是观察一个固定前视范围内的环境,即[Rforward=(H-v0)φ]米。这样就模拟出了车载的传感器只观察车辆前方Rforward米范围内的环境的情形。
 

1.webp_.jpg

                                                                                    图1:驾驶模型的输入(a-g)和输出(h)
 
如图1所示,模型的输入由几个大小为W×H,并且调整到俯视坐标系的图像组成。(a)路线图:一幅3通道彩色图像,包含各种地图特征如车道、停车标志、人行横道和路缘等。(b)交通信号灯:灰度图像的时间序列,序列中的每一帧表示一个过去时间步的交通信号灯状态。我们在每一帧中为每个车道的中心线着色,最亮的灰度级对应红灯,中间灰度级对应黄灯,较暗的灰度级对应绿灯或未知信号灯。(c)限速:单通道图像,车道中心的着色灰度与本车道对应的限制车速成比例。(d)路线:驾驶的目标路线,它由一个路线规划模块产生。(e)本车边界框:显示了本车在当前时间t=0的完整边界框。(f)环境中的动态对象:图像的时间序列,序列中用有向边界框的形式显示所有的动态物体(车辆,骑自行车者,行人等)。(g)本车的历史位姿:本车的在各个历史时刻的位姿,用单个灰度图像中某个点的运动轨迹表示。

2.webp_.jpg

图2:驾驶模型的训练 (a)ChauffeurNet的模型核心是一个FeatureNet网络和一个AgentRNN网络 (b)共同训练的路标预测网络和PerceptionRNN (c)训练的损失函数以蓝色显示,绿色部分代表真值。虚线箭头表示从一次迭代到下一次迭代的预测值的循环反馈。
 
我们使用δt的固定时间间隔,来采样过去或者未来时间点上的信息,例如上述输入中的交通信号灯状态和动态对象状态。在过去的Tscene秒内对交通信号灯和动态对象进行采样,在过去的Tpose秒甚至更长的时间间隔内对本车的位姿进行采样。这种简单的输入表示,特别是用边界框表示其他动态对象,使得从仿真或实际感知系统记录的检测和跟踪对象日志中生成输入数据变得更加容易。这样在实车运行之前,就可以在闭环仿真中完成测试和验证的工作。仿真数据的利用,使得模型可以充分探索现实中较少发生的驾驶情形,从而改进模型。例如在现实世界中,我们很难获得与发生碰撞相关的数据。使用二维的俯视图还意味着可以实现有效的卷积输入,允许以灵活且易读的方式表示各种数据以及它们的空间关系。使用I表示上面列举的输入图像的集合,ChauffeurNet模型便以这些输入为基础反复预测本车的未来位姿,如图1(h)中绿色的点所示。

3.webp_.jpg

                                                            图3:(a)ChauffeurNet概览    (b)多次迭代中的存储单元更新
 
公式1中,当前位姿p0是已知的输入,然后ChauffeurNet执行N次迭代并输出预测的未来轨迹{ pδt,p2δt,…,pNδt }和如未来速度等一些其他的属性。该轨迹可以输入到优化控制器内,以计算出具体的驾驶控制指令(例如转向和制动命令)。当然,这些控制指令要满足车辆动力学约束。不同类型的车辆可能利用不同的控制输出来实现相同的驾驶轨迹,这也印证了训练网络直接输出低层次的转向和加速度控制指令在这里是不太合适的。
 
3.2 模型设计
概括地说,驾驶模型由如图2所示的若干部分组成。图中(a)部分是ChauffeurNet模型的主要部分,由特征提取卷积网络(FeatureNet)组成。FeatureNet使用中级输入数据来创建可由其他网络共享的特征表示。这些特征被本车的循环神经网络(AgentRNN)使用,以迭代地预测驾驶轨迹中的后继点。轨迹中时刻t对应的点用位置pt=(xt,yt),航向角θt和速度st来描述。AgentRNN还在未来的每个时间步上,以heatmap的形式预测车辆的边界框。图的(b)部分可以看到另外两个网络,它们使用相同的特征表示作为输入共同训练。Road Mask网络预测视野中的可驾驶区域(道路与非道路),感知循环网络(PerceptionRNN)迭代地预测描述空间分布的heatmap。利用和主要任务共享的特征表示来很好地完成这些附加任务,改进了模型在完成主要任务基础上的泛化能力。图2(c)显示了训练模型过程中使用的各种损失,这些损失将在下面详细讨论。

                                                           
4.webp_.jpg

                                                                图4:信息流图表示的端到端驾驶软件架构
 
图3更详细地说明了ChauffeurNet模型。图1中的输入传递给具有skip-connections结构的卷积神经网络FeatureNet。FeatureNet输出的特征表示F中包含了环境的上下文信息。这些特征被提供给AgentRNN,并由AgentRNN基于一系列条件预测驾驶轨迹的下一个点pk以及预测本车边界框的heapmap:Bk。这些条件包括FeatureNet得到的特征表示F,迭代次数k:{1,…,N},对AgentRNN的过去获得的预测结果的记忆Mk-1,以及在前一次迭代中预测的本车边界框heatmap:Bk-1
                                                             
                                                                         
5.webp_.jpg

 
存储单元Mk是由单通道图像组成的叠加式存储单元。AgentRNN的第k次迭代中,存储单元(单通道图像)在AgentRNN预测的图像位置pk处增加1个点,然后此存储单元传递给下一次迭代。AgentRNN在heatmap上输出对本车下一位姿的预测,使用arg-max操作可从heatmap中获取位姿的粗略估计pk。AgentRNN采用一个较浅的且具有一个全连接层的卷积网络,对姿势δpk进行亚像素级别的细化,并估计出航向θk和速度sk。在训练时AgentRNN会展开固定次数的迭代,下面要描述的损失将在这些展开的迭代步中进行累加。这样之所以可行,是因为我们使用的是非传统的RNN,采用的存储单元是显式设计的而不是通过学习产生的。
 
3.3系统架构
图4表示的是在自动驾驶系统中如何使用神经网络的系统层面的概述。通过感知系统处理真实世界传感器输出或者从仿真环境获取,更新本车和环境状态。目标路径从路径规划模块获得,且根据本车是否能够跟随过去的目标路径驾驶进行动态更新。环境信息被整合到图1所示的输入图像中并传递给RNN,由RNN输出未来的轨迹并送到优化控制器,进而输出驱动车辆的低级控制信号(在现实世界或仿真环境中)。
 
 
4. 模仿合理行为
 
4.1 模仿损失
4.1.1本车位置,航向角和边界框预测
AgentRNN在每次迭代k产生三个输出:(1)基于空间softmax得到的预测路点在空间坐标系中的概率分布P
k(x,y)。(2)当前时间步k对应的预测本车边界框heatmap: Bk(x,y),基于逐像素的sigmoid激活函数生成,表示本车占据特定像素的概率。(3)回归获得的边界框航向角输出θk。掌握上述预测量真值的条件下,我们可以为每次迭代定义相应的损失:
 

                                                                                         
6.webp_.jpg

 
其中上标gt表示对应的真值,而H(a,b)是交叉熵损失函数。注意[Pgtk]是二值图像,只有对应目标真值坐标的像素的值才被设置为1。
 
4.1.2本车预测
预测网络在每一次迭代中,基于特征并且使用回归的方式,对粗略的路点估计结果生成亚像素级别细化的δp
k以及每个点的速度估计sk。我们对这两种输出均采用L1损失函数:
 

7.webp_.jpg

 
4.2 对过去运动行为的dropout
训练过程中,过去的运动历史被作为输入之一提供给模型。训练过程中的运动历史来自合理驾驶的示范,因此网络可以基于过去作出僵化的推断而不是发现行为背后的具体原因,类似“欺骗”。在进行闭环推理时这种“欺骗“就会崩溃,因为运动历史来自于网络本身在过去的预测。这样训练出来的网络,也许会只有在过去运动历史中发现减速时,才在停车标志前停车,永远不会在闭环推理时在停车标志前停车。为了解决这个问题,我们引入了一个针对运动历史的dropout机制:对于50%的样本,在输入数据中的本车历史位姿这一通道中,仅仅保留本车当前位姿(u0,v0)。这一点迫使网络寻找环境中的其他线索,来解释训练样本中的提供的未来运动数据。
 

8.webp_.jpg
图5:轨迹的扰动。(a)原始记录的训练样例,其中智能体沿着车道的中心行驶。 (b)扰动样例,通过扰动原始记录中当前智能体的位置(红色点)使其远离车道中心,然后拟合新的平滑轨迹,该轨迹使智能体沿车道中心返回到原始目标位置。
 
 
5. 在纯模仿之外的工作
 
5.1合成扰动
将模型作为闭环系统的一部分运行,随着时间的推移,输入数据会偏离训练时的分布。为了防止这种情况出现,我们在训练模型时对一部分本车轨迹的样本,附加现实中可能出现的各种扰动。轨迹的起点和终点保持不变,扰动施加在轨迹中点的周围,且在周围的多个轨迹点上得到平滑。定量地来看,各个轴上产生在[-0.5,0.5]m范围内均匀分布的随机抖动,航向角产生在[-π/3,π/3]弧度范围内的随机抖动。我们用平滑的轨迹拟合扰动后的点和原始的起点与终点。这类附加扰动的训练样本,使汽车在受到扰动后能够回到原来的行驶轨迹上。我们通过设置轨迹曲率的阈值,滤除了一些实际中不太可能出现的扰动后的轨迹。我们允许扰动后的轨迹与其他车辆发生碰撞或驶离道路,因为只有这样,网络才能在原有样本中没有类似情况出现的条件下,也能经历并且学会如何避免这样的行为。训练过程中我们给附加了扰动的样本的权重是真实样本的权重的1/10,避免学到的模型有始终在扰动状态下驾驶的倾向。
 
5.2 模仿损失之外的损失
5.2.1 碰撞损失

由于我们的训练数据没有任何实际碰撞,因此避免碰撞的想法是隐式的,不能很好地泛化。为了缓和这个问题我们增加了一个专门的损失函数,直接度量在每一个时间步上预测的边界框Bk与场景中所有物体的边界框真值的重叠率。
 

9.webp_.jpg

 
其中Bk是输出本车边界框预测的似然图,Objgtk是时间k对应的二值化的掩模图像,所有被其他动态物体(其他车辆,行人等)占据的像素的值都为1。训练过程中的任何时候,如果模型预测到将会发生碰撞,大的重叠率会造成的损失增加,进一步影响到模型更新的梯度,从而纠正这种错误。但是这种损失仅在训练的初始阶段有效,也就是在模型还没有能够预测出接近真值的位置时。在轨迹上附加扰动之后,这个问题得到了缓和。这是因为在附加扰动的样本中,人为制造出来的碰撞情形使得上述损失函数在训练过程中能够发挥出作用,影响模型更新的梯度。此外这种方法还达到了类似在强化学习中设置在线探索的效果。
 
5.2.2 驶离路面损失
轨迹扰动同时会产生车辆驶离道路或驶上路缘的情形。为了训练网络避免车辆驶上道路边缘,我们增加了一个专门的损失函数,在每一个时间步k上度量预测的本车边界框和表示视野中的道路和非道路区域二值掩模图像Roadgt的重叠率。
                                                           
                                                               
                                                         
9.webp_.jpg
   
 
5.2.3 目标轨迹几何损失
我们希望显式地约束本车,使其沿着独立于速度曲线的目标轨迹行驶。通过用平滑曲线拟合目标路点,并将此曲线调整为俯视坐标系中的二值化图像,来对目标轨迹几何形状进行建模。该曲线的宽度被设定为和本车宽度相等。我们用类似定义碰撞损失的方式,通过预测的本车边界框和二值化的目标轨迹几何图像Geomgt的重叠率,度量这种与目标轨迹几何形状相关的损失。边界框的任何不与目标几何轨迹重叠的部分,都将被转化为惩罚值并加入损失函数中。
 
                                                               
10.webp_.jpg


                                                               
11.webp_.jpg
图6:在样例输入上将预测和损失函数可视化。上面一行是输入的分辨率,而下面一行是当前智能体位置周围的放大视图。
 
5.2.4 附加损失
与预测本车轨迹类似,循环网络也可以用来预测其他交通参与者。因此我们添加了一个感知循环网络PerceptionRNN,它使用FeatureNet创建的共享特征F和它自己在前一次迭代预测的heatmap:Objk-1作为输入,并预测每次迭代的heatmap:Objk。Objk(x,y)表示k时刻位置(x,y)被动态物体占据的概率。对于k=0的迭代步,使用动态对象的真值数据输入到PerceptionRNN中。
 

11、12.jpg

 
5.3 Imitation Dropout
总的来说我们的损失可能分为两组。模仿损失如下:
 

13.webp_.jpg

 
环境损失如下:
                                                          
                                                           
14.webp_.jpg

 
模仿损失导致模型模仿合理驾驶的示范行为,而环境损失抑制了诸如碰撞等不良行为。为了进一步增加环境损失的有效性,我们试验时使用了具有随机退出机制的模仿损失,称为"imitation dropout"。在实验中我们证明"imitation dropout"相比于简单地降低模仿损失的权重,可以得到更好的驾驶模型。在"imitation dropout"过程中,每个训练样本的模仿损失wimit被按照一定的概率随机置为0或1。整体损失由下式给出:

15.webp_.jpg

 
 
6. 总结
 
在本文中,我们介绍了让模仿学习在现实世界的完成驾驶任务也能拥有良好表现的研究经验。我们发现成功的关键在于,在合理驾驶行为的基础上附加扰动合成出各种驾驶情形,并增加适当的损失来抑制不良的行为。这些改进可以使模型学会如何避免发生碰撞和驶离道路,即使这些情形在合理驾驶的样本中很少出现。为了支持这一点,并更好地利用合理驾驶的数据,我们使用了中级的输入和输出表示,从而轻松混合真实和仿真数据并减轻学习感知和控制的负担。基于这些要素我们得到了一个足以驾驶真实车辆的模型。虽然该模型还没有完全实现与运动规划方法展开竞争,但我们认为这是机器学习驾驶模型迈出的一大步。通过在模拟中探索罕见和困难的情景,对合理的驾驶行为进行彻底的增强(也许是在强化学习框架中完成),将是提高这些模型的性能并将其用于具有高度交互性的交通场景的关键。

知识讲堂 betty19920416

LV5
2019-04-23 10:21
1109

2019第十一届全球汽车产业峰会圆满落幕

  2019年4月18日,由上海市国际贸易促进委员会指导,盖世汽车、AC汽车联合主办的第十一届全球汽车产业峰会于上海国家会展中心隆重召开,本次峰会也得到了嘉定区政府与中国汽研的大力支持。1000余位汽车产业的价值链、产业链、创新链、多元化最具代表性 ...查看全部
 
2019年4月18日,由上海市国际贸易促进委员会指导,盖世汽车、AC汽车联合主办的第十一届全球汽车产业峰会于上海国家会展中心隆重召开,本次峰会也得到了嘉定区政府与中国汽研的大力支持。1000余位汽车产业的价值链、产业链、创新链、多元化最具代表性的企业和专家相聚上海车展,共同谈论当前行业的发展现状以及未来趋势。
 

▲ 活动现场
 

▲ 盖世汽车创始人兼CEO周晓莺

在本次峰会上,周晓莺表示:随着新一轮科技革命带来的产业变革,汽车产业和产品的内涵和外延不断的在扩展,电动化、网联化、智能化、共享化已经成为主要的特征。盖世也很高兴能够在上海国际车展同期内展开我们的第十一届全球汽车产业峰会,通过本次峰会,也希望所有参与者能够开拓思路,共同助力汽车产业未来的发展。
 

▲ 中国汽车工业协会副秘书长师建华
 
我们处在转型升级主动变革、实现高质量发展的关键时期,虽然面临着诸多的挑战,但是我们有两个有力的支撑。首先中国汽车市场的刚性需求为产业的发展提供了持续动力,这个是中国汽车产业长期发展的一个根本。第二点,新技术的进步,作为产业升级的发展动力在推动着我们汽车产业跨越新的高度,目前,以智能化为主要特征的新一轮科技革命和产业变革,正在加速向经济社会各个领域纵深推进。
 

▲ 上海市国际展览有限公司副总裁李征伟
 
在汽车展发展的过程当中,技术方面也展示了产品的理念,代表了最新汽车工业发展的方向,以及整合当前各方面最先进的科研成果的运用场景。
 

▲ 威马汽车首席数据官梅松林
 
智能电动车有很大的挑战,传统的有什么配置可以看得到,摸得到,智能电动车最大的难点是怎么样和消费者沟通,只有开了才知道这个功能,很多是软件化的东西。
 

▲ 新思科技董事长兼联席首席执行官
Aart de Geus博士
 
软件和机械、电子元件,对于汽车厂商来说同样重要,软件的开发,需要这样一个过程,始于一个很好的点子不断的试错和调整。
 

▲ 长城汽车副总裁、蜂巢易创董事长唐海锋
 
未来的发动机是持续的小型化,同时在涡轮增压技术方面,未来会有一个长足的发展。国产乘用车的自动档的渗透率,一直在提升,目前已经达到65%以上,同时,DCT变速箱未来预计占到50%。
 

▲ 德州仪器(TI)中国区汽车业务部总经理张磊
 
谈到整个系统级的创新,实际上德州仪器公司治理是从一个器件的供应商,变革为更多方案的提供商,更贴近于用户和市场。
 

▲ ANSYS中国汽车行业电气化专家、资深高级应用工程师童辉
 
仿真技术在汽车领域有非常广泛的应用,针对当前新技术影响下整个汽车行业的需求,童辉谈到,ANSYS希望能够将仿真向前拓展到我们概念阶段,向后拓展到我们制造阶段,再往后甚至是在运营,以及维护阶段做一个深刻的迭代。
 

▲ 地平线副总裁,智能驾驶产品线总经理张玉峰
 
所有的人工智能深度学习在过去几年给汽车行业带来了很多新的解决问题的办法,让以前很有挑战的一些问题可以通过数据基于数据的一种新的编程方式,让一些之前很复杂,很难解决的感知问题,比如说对于驾驶场景下其他的交通参与者行为的预测等这些问题变得相对来讲更容易来解决,更容易去用更少的开发的精力和资源来解决更复杂的挑战。
 

▲ 佛吉亚内饰系统驾舱科技事业部太销售总监孔敏
 
在整个未来座舱继续研发以及继续往前发展过程当中佛吉亚总结出来的七个趋势,认为在这七个趋势方面一定要有所突破,在产品级别有所实现,才能真正能给我们的用户带来实际的改善。这七个趋势分别为:1、安全;2、加强式的舒适和所谓的健康的侦测;3、关注热能和空气质量;4、声学;5、HMI;6、未来座舱的可变性;7、所有信息的连接。
 

▲ 中国恒瑞有限公司首席技术官
Giacomo  Dal  BuscoGiacomo

我们要进行轻量优化,从2020年开始我们要用到混合式的设计,意思是要结合不同的解决方案和成分,金属复合材料,应用到大规模量产,对很多的OEM来说都是一个势在必行的趋势。
 

▲ 长安汽车动力研究院副院长杨柏林
 
插电混动在竞争上面也是有很多的优势,国家十三五规划当中提出了对新能源汽车进行支持,新能源汽车一直都是包含PHEV就是插电式混合动力,国家长期以来都是把它定义为新能源汽车。
 

▲ 北京首汽智行科技有限公司CEO谭奕
 
汽车产业链当中,技术担任了非常重要的角色,在过去的两年、三年和在未来的五年里,技术如何进一步赋能这个共享出行行业,让它更具有想象力,让它更性感,让它做起来将来可以发展得更快,让用户更加便利。
 

▲ 沈阳美行科技有限公司深圳分总经理康健
 
谈到导航的话,我们很大程度上都会从传统的角度上理解,导航是给车主或者消费者,让他从A点顺利到达B点。但是事实上在现在的智能网联时代,导航更大程度不是为人导航,而是逐步从为人导航转向为车导航。
 

▲苏州思必驰信息科技有限公司副总裁雷雄国
 
在最近三年,可能在伴随着移动互联网,慢慢地让车联网到物联网的发展过程当中,随着技术的成熟,我们整个行业跟市场对于语音交互技术而言它的诉求已经慢慢地从技术本身已经转移到这个技术背后能够提取的服务与内容。
 

▲ 上海重塑科技孙北
 
对于像燃料电池来讲,除了国家现在有非常明确的不退坡的补贴支持,一定程度上各地方为了推广各地方自己相应的燃料电池发展规划的话,也是有相应的地方性质的补贴策略来做一些支撑,这里面覆盖的范围其实包括整个燃料电池行业的全产业链,包括像加氢站,一些燃料电池核心零部件,像燃料电池发动机这样的产品。
 


▲圆桌讨论
 
此外,本次峰会还进行了两场C-TALK圆桌讨论,分别以未来汽车产业价值链展望和未来出行3.0,变革与挑战为主题,上汽集团乘用车技术中心总监徐政、图达通智能联合创始人CEO鲍君威担任主持人,奇点汽车战略和品牌部副总裁赵强、安波福电子与全亚太区首席技术官王忻、法雷奥中国区CTO顾剑民博士 ,Lidar Velodyne总裁 &CCO Michael Jellen;巴巴拉德动力前 CTO、广东国鸿氢能科技有限公司CTO Chris Guzy,北京首汽智行科技有限公司 CMO秦岭,苏州思必驰信息科技有限公司副总裁雷雄国,地平线副总裁、智能驾驶产品经理张玉峰,上海艾拉比智能科技有限公司芮亚楠、上海重塑科技孙北等嘉宾,带来了针对一场汽车行业发展方向与趋势展望的精彩讨论。
 


▲ “金辑奖”颁奖现场
 
峰会同期,还进行了金辑奖的颁奖盛典,这也是盖世汽车举办的首届“金辑奖”,旨在鼓励专门针对中国汽车产业由大做强,中国汽车品牌升级发展过程中,促进我们汽车产业升级,打造具有竞争力的整零协同关系,助力汽车强国目标而做出积极贡献的企业、单位和个人。

博客 betty19920416

LV5
2019-04-22 16:31
340

新能源和智能化“攻陷”上海车展 这8款车不得不看

近日,点燃汽车爱好者热情的2019上海车展正如火如荼。 今年如往年一样,我们发现了一些令人激动的新车从概念设计走向落地,尽管与最初概念车模样略有不同,但在这些量产车型中,我们依然可以发现一些酷炫美观,令人惊喜的新型号。 在本次上海车展中 ...查看全部
近日,点燃汽车爱好者热情的2019上海车展正如火如荼。
今年如往年一样,我们发现了一些令人激动的新车从概念设计走向落地,尽管与最初概念车模样略有不同,但在这些量产车型中,我们依然可以发现一些酷炫美观,令人惊喜的新型号。
在本次上海车展中,汽车制造商们蜂拥而至,各自拿出杀手锏,一时间展出了几十种电动车,从豪华SUV到定价低于1万美元的微型/紧凑型电动车,它们将与燃油车在性能、成本以及外观上一较高下,下面网易智能为大家速览最受关注的几款新能源与智能化汽车:

特斯拉 Model Y
Model Y与Model 3基于同一平台打造,公用75%零件,保留Model 3无进气格栅前脸、犀利的前大灯、隐藏式把手等讨喜设计,保险杠位于雾灯和前大灯之间,再加上由于车顶增高带来的使发动机盖更具幅度的视觉错觉,整个前脸更具层次感。
内饰上,新车与Model 3基本一致,保留车顶全景天窗、1.9m?的储物空间,车内最大的亮点在于,除了常规的5座布局外,还将提供2+3+2的7座布局选择,分体式折叠第二排座椅,使得车内体积也将更加紧凑。
动力方面,Model Y将搭载Model 3的同款21700电池组,配合第三代超级充电桩,峰值充电功率可以达到250kW,是目前V2超充的两倍,充电5分钟行驶120公里,15分钟即可充至50%。

小鹏P7
小鹏汽车的目标是想要造年轻人喜欢的互联网汽车。何小鹏曾说:要想造车,车的基础部分最多也就是那样了,还是要在别的方向上找到突破口。于是,小鹏汽车更注重做适应中国市场的自动驾驶以及更贴近中国用户的车载互联网功能。
这款P7诞生自SEPA平台架构,底层硬件具备扩展性、兼容性、共用性和进化性;同时,P7搭载智能双擎高通骁龙820A车规级芯片、系统级自动驾驶芯片NVIDIA DRIVE Xavier,在人机交互和高级智能辅助驾驶方面将较G3有进一步提升,可以支持L3级别自动驾驶。
动力部分,新车搭载双电机四驱系统,官方称百公里加速进入四秒俱乐部,NEDC续航超过600km,车长达到4.9米;轴距达到3米;底盘和悬挂规格及调教越级对标德系豪华运动车型。

理想ONE
前不久,“理想智造”品牌已经正式更名为“理想”,口号是“为用户打造没有里程焦虑的智能电动车”,因而采取了一条和绝大部分新造车不同的路线,它打造的是一台增程式电动车,一台需要加油的电动车,某种程度上,它与日系的混合动力还是有些相似。
理想ONE定位为中大型SUV,车长超过5米,宽度接近2米。内饰上,理想ONE提供6座和7座两个版本,分别采用222和232的座椅布局,内部布置保证了充裕的三排乘坐空间。
动力方面,理想ONE采用增程式电驱动系统,前后双电机实现了电动四驱,其综合总功率为326马力,最大输出功率达到530牛·米,0-100公里/小时加速时间为6.5秒。

威马EX5 Pro
对比其他几家新造车企业,业界人士认为,威马更像新能源车界的小米。
外观上,威马EX5 Pro在沿用标准EX5的基础上,细节进行了一定程度的运动升级,包括19英寸专属低风阻轮毂、空气动力学运动套件等。此外将整车风阻系数降至0.3以下,辅以Pro专属龙胆蓝外观配色、冰原蓝内饰拼色主题。
内饰上,采用了超纤绒和真皮的搭配,配有11个扬声器的WM-Sonic 立体环绕音响,动力部分,威马EX5 Pro搭载Living Motion三电动能系统,可实现0.2秒快速动力响应和百公里加速8.1秒的表现。

极星Polestar 2
前不久,作为从沃尔沃高性能部门独立出来的Polestar正式发布官方中文名称“极星”,为了更好地实现本地化,Polestar选择与高德地图、科大讯飞、阿里巴巴人工智能实验室等展开合作,
内饰上,Polestar 2采用11英寸大屏,支持OTA空中升级,海外版搭载了谷歌Android HMI、车机版Google智能助手等智能应用,未来国内方面也会跟进语音助手功能。
动力方面,前后双电机的配置可以提供300千瓦的最大输出功率和660牛·米的峰值扭矩,百公里加速的“目标”时间为4.7秒,72千瓦时电池组在NEDC工况下的“目标”续航里程为500公里。

奥迪e-tron
40年前的燃油车时代,奥迪凭借quattro竖起了拥有赛道动力的豪车招牌;如今,奥迪用e-tron展示电动化决心。
奥迪e-tron是奥迪首款纯电动SUV,外观上采用了奥迪家族新的设计理念,大尺寸的六边形进气格栅搭配两侧尖锐、狭长的大灯组,真皮多功能方向盘和换挡拨片的组合让整车运动感十足。
内饰上,新车配备了全液晶仪表盘,且搭载了双触控屏,分别控制着多媒体娱乐系统和空调系统,同时更有全景影像为泊车提供更加全面和安全的引导。
动力方面,奥迪e-tron采用双电机四驱的驱动形式,最大功率300马力,0-100km/h加速的时间小于6秒,初创性能可与跑车相媲美。

奔驰EQC
奔驰EQC外观上很大程度的还原了Generation EQ概念车的设计语言。前脸设计在保留了传统进气格栅设计的同时又进行了密封处理,并搭配上可发光的奔驰 LOGO以及LOGO上方的灯带,营造出了不俗的质感。
内饰上, EQC采用了双10.25英寸显示屏作为仪表盘和中控大屏,装配有EQ系列车型专属的“电路板风格”的空调出风口、蓝紫色的仪表背光、氛围灯和全新的三辐式方向盘并拥有双拇指控制(Dual Thumb Controls)系统。
动力部分,梅赛德斯-奔驰 EQC于底盘上搭载了前后双电机,其中后电机负责提供大的推力,前电机负责兼顾日常的轻度使用,并可实现四轮驱动。此外,该车还装配有动态扭矩分布,当超出一定的运转范围,电控系统会在车轴间智能分布扭矩,这将为达到高扭矩创造足够条件。双电机的最大输出功率达到300kW(408PS)、最大扭矩765N·m,可实现5.1s完成0-100km/h的加速和180km/h的最高速度。
“大象转身难”,作为汽车行业巨头,奔驰的电动化之路举步维艰。但也有人认为,在全球车企迎接新能源化的过程中,相比于BBA中的另外两大豪华品牌,奔驰的转身相对还算灵活。按照计划,奔驰EQC新车将于2019年底在华实现国产化生产。但这还远远不够,在豪华车品牌的下一个电动车战场,奔驰不止要大象转身,还要与更多新入局车企比拼速度,这需要让大象“跑”起来。

比亚迪E2
比亚迪E2外观的整体设计风格融入了“Dragon Face”的设计元素,,新车前脸采用了六边形大尺寸前格栅设计,内部则以点阵式进行装点,配合两侧棱角锋利的大灯组以及线条夸张的L型进气口,车尾部分比前脸更加激进,尾灯采用折线设计造型。
内饰上e2的内饰和 e1基本保持一致,诸如全液晶仪表盘、智能旋转大屏和三幅运动化平底方向盘都被保留,但在最终量产时,是否调整还未知。
动力方面,新车将搭载永磁同步电机,最大功率为70kW,电池方面使用的是镍钴锰酸锂电池,新车的NEDC续航里程有望达到360km或以上。
在转向新能源的路上,比亚迪走得非常迅捷,在去年,比亚迪品牌内部新能源车型销量首次超过传统燃油车,同时并未局限于入门级车型,而是完成了下至10万,上至30万的全方位产品布局,成为电动车行业里,竞争力不容小觑的参与者。
2019是汽车行业巨变的年份,四化(电动化、智能化、网联化、共享化)浪潮席卷整个产业,新能源汽车不断涌现,它们是汽车新秀,也是燃油派劲敌,而且这一次,不再是空泛的预测,一切将成为现实。
在2019年的路上,不少新伙伴就要与我们相见,记住这些全新的面孔,或许在你的车库,就有专为它留下的一隅。网易智能将持续关注汽车行业全新的变化和趋势,明年车展见。

博客 betty19920416

LV5
2019-04-18 11:19
1037

东风襄阳华为携手共拓智慧交通大市场

每天上下班,一辆无人驾驶微公交会按照预约时间准时在楼下等你;大型物流园区,无人驾驶货车穿梭其间,机器人正在对货物进行自动识别、分拣和调度;在看不见的“云端”,一个智慧的交通云平台正在实时采集信息、发出 ...查看全部
每天上下班,一辆无人驾驶微公交会按照预约时间准时在楼下等你;大型物流园区,无人驾驶货车穿梭其间,机器人正在对货物进行自动识别、分拣和调度;在看不见的“云端”,一个智慧的交通云平台正在实时采集信息、发出指令,确保一切秩序井然;在虚拟试车场,只需输入技术参数,就可对车辆进行各类自动驾驶场景的测试……不远的将来,这些看似遥远的想象,都将得以实现。
《经济参考报》记者获悉,在智慧城市建设步伐加快的同时,以5G、AI、云端技术、大数据等技术形成的智慧交通体系也将加速成型。相关研究报告显示,到2024年,全球智能交通市场的市场价值将从目前的410多亿美元增长到1300多亿美元,中国将呈上升态势。地方政府和相关企业正加强合作共拓智慧交通大市场。
近日,东风汽车集团有限公司(以下简称“东风公司”)、湖北省襄阳市人民政府、华为技术有限公司(以下简称“华为”)在襄阳正式签署“智行隆中”项目战略合作框架协议。致力于把襄阳打造成为国家智能网联汽车示范区、智慧出行和智慧物流创新试验区和智慧交通标杆城市。

智慧城市建设开启智慧交通大市场
当前,在经济全球化、信息化的大格局下,在“创新、协调、绿色、开放、共享”发展理念的引领下,中国正在经历一场深刻变革。不断提速的智慧城市建设成为这场变革的一个缩影。
前瞻产业研究院发布的《智慧城市建设行业发展趋势与投资决策支持报告》显示,全国100%的副省级城市、89%的地级以上城市、49%的县级城市已经开展智慧城市建设,累计参与的地市级城市数量达到300余个,规划投资达到3万亿元,建设投资达到6000亿元。
智慧交通体系正在成为智慧城市的风向标。2017年,国务院印发《新一代人工智能发展规划》,明确提出研究建设营运车辆自动驾驶与车路协同的技术体系,研发交通信息综合大数据应用平台,检车智能交通监控、管理和服务系统。
交通运输部公路科学研究院研究员张纪升表示,近十年,中国智能交通市场稳定增长,2013年为720.9亿元,2017年为1413.81亿元,2018年预计超过1600亿元。
不少政府和企业都在加快智慧交通市场的布局。东风公司、湖北省襄阳市人民政府和华为的强强联手就是一例。据介绍,此次合作将充分发挥东风公司在汽车研发、制造、检测、出行等领域的雄厚实力,华为在云计算、大数据、物联网、5G、AI等方面的技术优势和华中大区云数据中心资源优势,以及襄阳市独特的区位优势和产业特点,共同把襄阳打造成为国家智能网联汽车示范区、智慧出行和智慧物流创新试验区和智慧交通标杆城市。

四大工程引领城市智慧交通新生态
东风公司、襄阳市、华为正式启动的“智行隆中”项目,旨在打造宜居的城市智慧交通新生态。而不断变革的汽车产品,优越的交通区位优势,以及大数据、物联网、AI等核心技术的强强联合成为三方合作的最大亮点。
业内人士指出,在汽车行业,“五化”(轻量化、电动化、智能化、网联化、共享化)趋势带来了汽车产品和技术的变革,出行形态正在被重构;顺应产业变革和科技浪潮,襄阳以建设“一极两中心”为契机,正在加快城市智慧交通布局;基于5G、AI、云端技术、大数据等形成的智慧交通体系,为智慧城市建设提供了技术支撑。
据介绍,未来,三方将共同推进“智行隆中”项目分阶段实施,打造智慧汽车谷、智慧出行、智慧物流和智慧交通云平台等四个工程,从产业智慧到城市智慧,构建一个万物互联的智能世界。
智慧汽车谷方面,将依托现有的汽车生产制造优势,检验检测优势和服务配套优势,依次建成智能网联汽车数字化试车场、虚拟仿真试车场和自动驾驶示范区、建立封闭半封闭和开放道路测试区,建设智能网联小镇,助推汽车生态产业链协调发展,最终实现集研发、生产、测试、体验、应用配套于一体的智慧汽车生态圈,聚集形成国内首个智慧汽车谷。
智慧出行方面,依托东风出行平台,将实现智能网联汽车商业化示范运营。车辆将搭载华为自主研发的新一代通讯模块。打造城市级5G及V2X车路协同基础设施,构建智慧交通神经网络。提供公交、出租、网约、分时租赁一站式出行服务;构建智慧充电、智慧停车、智慧救援出行生态圈,整合铁路客运、公路客运、民航、货运等资源,实现多式联运“一次支付”,打造国内领先的一站式多元化出行平台。
智慧物流方面,将依托智能网联和自动驾驶技术,从物流全价值链的可视可查到智能仓储,实现物流精细化管理,提升利用效率,并利用平台数据的分析能力实现在途车辆的动态规划最终实现全价值链定制化、高效化、无人化的运营布局,以商业模式创新打造襄阳城市智慧物流生态圈。
智慧交通云方面,将以襄阳云国际T3+标准的基础设施为基础,云上赋能AI+EI,不断提升SaaS服务能力,支撑智慧汽车谷、智慧出行、智慧物流完美落地,并带动产业、民生、政务“智能+”转型。

有望成智慧城市政企合作新典范
业内认为,未来的城市,联接无处不在,智能无所不及。东风公司、襄阳市、华为三方将在深化合作的基础上,发挥互补优势,把“智行隆中”项目打造成政企合作可复制推广的典范。
作为拥有30多年汽车产业发展史的汉江流域中心城市,襄阳是东风公司国内重要的整车生产基地、核心零部件生产基地、试验检测基地,同时也是华为华中地区数据中心所在地。当前,襄阳在政策法规、汽车产业、交通设施、通讯环境、能源配套、数据互联等方面不断发力,助力智慧城市落地。
而智慧交通城市的构建,离不开智慧交通体系,也离不开智慧出行载体。在发布会当天,现场展出了由东风公司自主研发的用于共享出行的东风风神全新一代AX7、东风风神E70,以及东风自动驾驶物流车等多款智能网联汽车产品。其中,首度亮相的全新Sharing-VAN移动出行服务平台圈粉无数,车内既没有驾驶座,也没有方向盘、油门和刹车,可供6人同时乘坐,也可用于智慧物流、移动零售等应用场景。
据了解,这款移动出行服务平台集LTE-V/5G、无人驾驶、新能源电动汽车、分时租赁、公共出行服务等最新技术成果于一身,旨在探索下一代公共出行服务新模式。未来,在越来越多的交通接驳区、风景园林区、科技产业园、郊外住宅区,都可能会出现它的身影。
东风公司相关负责人表示,通过本次战略合作,东风公司将充分发挥自身在智慧汽车、智慧出行、检验检测方面的优势,以及30年来在襄阳的产业积淀,为城市智慧交通赋能。同时,项目的加快落地,也将助力东风公司加速实现“三个领先、一个率先”战略目标。
此外,对于华为而言,将从车端(车载通信、车载计算)、路端(5G及C-V2X车路协同)、云端(华为襄阳云数据中心)等方面与襄阳和东风公司展开深度合作,助力打造城市交通的神经网络和智慧大脑,为华为探索智慧城市解决方案提供更多鲜活的样本。襄阳市则将通过加强项目服务、规划引领、产业集聚等举措,推动“智行隆中”项目早落地、早见效,从而加快打造智慧城市样本。
转自 新华网(记者 班娟娟)

博客 别碰我的刘海

LV1
2019-04-15 09:09
306

2019世界新能源汽车大会7月在海南举办

以“新时代 新变革 新产业”为主题,由中国科协和海南省人民政府主办的世界新能源汽车大会(World New Energy Vehicle Congress,简称:WNEVC)将于7月1-3日在海南博鳌 ...查看全部
以“新时代 新变革 新产业”为主题,由中国科协和海南省人民政府主办的世界新能源汽车大会(World New Energy Vehicle Congress,简称:WNEVC)将于7月1-3日在海南博鳌举办。  
据悉,本次大会突出电动化、智能化、共享化融合发展特色,聚焦汽车与能源、交通、信息、通讯等领域联动以及和智慧城市应用场景的深度融合,邀请全球各国政要、企业领袖及专家学者对当前产业变革和技术创新展开讨论和交流。
据介绍,本次大会包含了会议、先进技术展示体验、科技评选三个环节活动。
会议方面:包括了全体大会、9个主题峰会、2个边会以及闭门会议等内容,将围绕能源变革、环境保护与汽车产业绿色发展;汽车产业转型升级及创新发展;新能源汽车前沿技术及发展趋势;新能源汽车跨界融合新趋势等议题开展深入讨论。
先进技术展示体验方面:将邀请国内外整车企业、新势力造车企业、国内外零部件厂商/供应商重点展示新能源汽车领域先进技术,展区内也将分布展示我国“十三五”新能源汽车重点专项成果,同时还将举办技术演示及试乘等体验活动。
大会还将组织开展全球新能源汽车前沿及创新技术评选活动,准确把握全球新能源汽车领域在创新技术应用和前沿技术研究方面的最新进展,并将评选结果将在大会期间进行全球发布。
中国科协相关负责人表示,本次大会既是一场全球汽车转型升级和创新发展的年度盛会,也是一次技术创新与绿色发展的年度峰会。会议具有邀请参会嘉宾规格及层次高、主题内容及活动设计丰富等特点,预计超过1200名国内外政府及产业各界嘉宾及代表将参会。
转自:人民政协网北京4月9日电(记者 周丽燕)

博客 tututu

LV5
2019-04-11 09:48
241

丰田通用福特共同组建自动驾驶汽车安全联盟

丰田 汽车、美国通用汽车(GM)以及福特汽车3家汽车厂商近日宣布,将携手制定自动驾驶汽车的安全标准。将在此前各自独立推进的安全测试标准化及数据收集等方面开展合作,力争确立行业统一的标准。还将推动政府机 ...查看全部
丰田 汽车、美国通用汽车(GM)以及福特汽车3家汽车厂商近日宣布,将携手制定自动驾驶汽车的安全标准。将在此前各自独立推进的安全测试标准化及数据收集等方面开展合作,力争确立行业统一的标准。还将推动政府机关等面向完全自动驾驶的实用化完善基础设施和相关法规。 
3家车企将与美国汽车工程师学会(SAE)共同组建“自动驾驶汽车安全联盟”(AVSC)。将携手推进行驶数据的共享、车辆的相互利用以及安全测试指南的制定等。还将呼吁国际性团体及开发自动驾驶汽车的其他车企一起展开合作。 
在美国等地,自动驾驶汽车的公路测试取得进展。不过,作为前提的数据和安全性标准却尚未统一。丰田等3家车企着眼自动驾驶汽车的实用化,将加紧构建环境。 
美国汽车工程师学会将自动驾驶技术分为5个等级,预计由无人驾驶系统完成所有驾驶操作的“Level 4”以上的自动驾驶车辆将在2021年前后投入实用化。福特计划2021年量产商用型自动驾驶汽车。丰田计划2020年上半期将在特定的条件下无需人参与驾驶的“Level 4”的自动驾驶车辆推向实用化。要引入自动驾驶系统,除了安全标准外,还需要完善 交通基础设施及相关法规。 

博客 别碰我的刘海

LV1
2019-04-10 15:41
196

向超级中央计算机迈进 --智能汽车电子构架变革迎接数字化重塑

本文作者李星宇,地平线市场拓展与战略规划副总裁,自动驾驶行业专家,前飞思卡尔应用处理器汽车业务高级市场经理、原士兰微电子安全技术专家,16年半导体行业经验。 引言: 在数字化重塑的浪潮下,一场深刻的汽车电子电气(E/E)构架变革正在 ...查看全部
本文作者李星宇,地平线市场拓展与战略规划副总裁,自动驾驶行业专家,前飞思卡尔应用处理器汽车业务高级市场经理、原士兰微电子安全技术专家,16年半导体行业经验。
引言:
在数字化重塑的浪潮下,一场深刻的汽车电子电气(E/E)构架变革正在酝酿,汽车行业正在沿着当年PC和手机行业走过的路迈向智能时代。这背后将折射出怎样的技术挑战、行业变局与应对措施? 
只有把视野放在在机器人时代宏大的叙事背景下,我们才能看到这场智能汽车电子构架变革之于时代的全部意义。看到趋势并不难,难的是自我革命,谁能更坚决地拥抱这一趋势,谁就能赢得汽车行业百年巨变的竞争。
以下是本文几个关键结论:
1.    智能汽车将将成为一部移动的超级计算机兼数据中心,是IT史上最复杂的单一产品,将诞生新的Wintel。
2.    新的E/E构架商业化落地时间大约在2025年。
3.    组织变革是OEM在这场技术革命中面临的最大挑战。
4.    智能汽车作为移动自主机器的第一形态,将撬动比自身市场大得多的商业价值。
5.    E/E构架变革四大趋势:计算集中化、软硬件解耦、平台标准化以及功能定制化。
6.    新的E/E构架将基于中央计算机-层-区的概念构建,体现服务导向构架(SOA)的理念。
7.    新的E/E构架将使OEM在与领先的Tier1的博弈中重新赢得主动权。
8.    AI边缘计算芯片是技术制高点,需要越过成本、功耗和性能的临界点。
大趋势:从分布式走向集中式
今天,E/E构架设计面临四大挑战:功能安全、实时性、带宽瓶颈、算力黑洞。为此,智能汽车E/E构架正从分布式走向集中式;其终极形态将是超级中央计算机,这其中包括四个关键趋势:计算集中化、软硬件解耦、平台标准化以及功能定制化。

01.png

图 1 智能汽车电子电气构架发展趋势
1.计算集中化:服务导向的系统构架(SOA)将成为主流,为软件提供高性能实时计算平台,在这样一个大的理念下,将催生真正的汽车大脑:超级中央计算机。并与MEC(多接入边缘计算)以及云计算组成协同式解决方案,避免车端算力需求无限增长。
伴随着计算集中化,产生了一个新的概念:区控制(zone control),与目前流行的域控制器概念有本质不同。拿军事打个比方,域概念就像是按照职能划分海陆空三军(电源域、底盘域、娱乐域、安全域),并且有独立的作战权,但不能彼此共享资源,而区概念则是按照战区进行组织划分,与中央计算机形成了联合作战司令部+战区的概念,协同性和执行效率将得到质的飞跃。
2.软硬件解耦:SOA构架还将产生硬件抽象层(HAL)的概念,硬件不再被某个功能独享,例如,一颗前视摄像头过去可能被AEB/ACC系统独占,但现在,任何车载功能都能调用这颗摄像头,这意味着一个独立的感知层会出现,成为一种公用资源。
今天,功能安全是智能汽车面临的最大挑战之一,如果按照分布式的构架,为每个功能增加独立的安全冗余硬件,简直就是一场成本灾难,但基于新设计构架,可以将所有的硬件资源与应用打通,将有更多的安全路由选择,为功能安全以经济成本实现开辟一条新的道路。
在供应链管理方面,因为每种资源都有很多独立供应商,OEM将有更多的选择,而不像选择域控制器供应商那样打包购买,让OEM跟领先的Tier1的博弈之间重新赢得主动权。
3.平台标准化:在未来,OEM可能只会开发一个电动汽车平台,覆盖低端车型、中端和高端车型。主机厂将打造自己的硬件平台,并满足三个原则:通用性、标准化以及互操作性,它使得智能汽车行业的协同进化变得更加高效。
更重要的原因来自商业考虑:钱!开发这样的智能平台可能需要编写超过3亿行代码,比Windows操作系统要高一个数量级,开发并维护多个平台在经济上不可行。
大众和福特已经在电动汽车领域共享MEB平台,以降低开发成本。近日,戴姆勒与宝马宣布合作,共同开发自动驾驶技术,以降低开发成本,并建立自动驾驶标准。
随着这一趋势深入发展,很可能会出现类似PC行业的Wintel平台,进而形成一个面向智能汽车的生态系统,这一通用平台将被大多数OEM采用,正如我们在PC和手机行业看到的那样。
4.功能定制化:智能化是未来品牌差异化的核心要素,主要是通过增加软件功能来实现。在未来,OEM交付的汽车将不是一个功能固化的产品,而是一个持续进化的机器人,Tesla最近通过OTA升级发布的“哨兵模式”和“狗狗模式”非常生动地体现了这一点。

02.png

图 2 未来的智能汽车将有一个开放的应用平台
几乎可以肯定的是,智能汽车是IT史上软硬件开发量最大的单一产品,将引领IT工业迈入亿级代码+千T级算力的时代。

03.png

图 3 智能汽车所需要的软件代码量远超IT史上任何一个产品          
智能化重塑挑战
对于OEM来说,这是一次彻底的颠覆,将带来四个方面的巨大变化:组织、人才、供应链和核心技术。
组织变革最具挑战性,将所有汽车功能域进行集成对组织机构的冲击空前;从根本上重塑主机厂的组织构架,从面向功能的组织转向平台型开发组织。
重新定义智能化时代的核心技术:计算平台、操作系统和应用软件。Tesla的核心技术布局是芯片和软件,可谓切中要害。
从技术角度看,最大的挑战来自AI边缘计算。
在过去的数年里,我们看到自动驾驶的等级每提高一级,AI算力差不多要提升一个数量级。如果要实现全自动驾驶,我们需要1000TOPS量级的算力,这已经达到人脑的算力。

这个等级的算力需要AI芯片突破成本、功耗和性能的瓶颈,就必须将处理器构架的创新,与算法和工具链相结合,软硬协同进行设计。脱离算法和工具链,单纯谈芯片的绝对算力是没有实际意义的。
当前的业界存在一个很大的误区,往往会把绝对算力当作衡量AI芯片的主要指标,但我们真正需要的是有效算力,需要从四个维度来衡量:算力的有效利用率,每瓦的有效算力,每美元的有效算力,以及算力转化为AI结果的效能(目标数量,帧率等)。
这样的整体解决方案决定了数据转化为决策/服务的效率和质量,是时代真正呼唤的硬科技。谷歌是这个理念的实践者,TPU的成功已经证明了这一点,在国内,初创公司地平线基于这样的理念,推出了极高效能的征程AI芯片,2017年发布的第一代征程芯片已经获得了行业的广泛认可,并即将推出第二代征程芯片。
可以说,未来的智能汽车就是一部移动的超级计算机兼数据中心,而边缘的人工智能处理器是智能汽车竞争的主战场,更是技术制高点。
应对措施与行业实践
预测未来的最好方法就是去创造它,特斯拉、安波福、GM以及宝马等是这场变革的先行者。
根据安波福的规划,这种转变是分阶段进行的。2022年将会推出一个混合构架,把PDC(电源数据中心)整合到传统的车载E/E构架中。到2025年,将实现开放式中央计算机的构架。


04.png

图 4  安波福的中央计算构架定义
最激进的车厂非特斯拉莫属,在Model 3的E/E构架中,域控制器的概念被区控制替代,整个构架仅由三大模块构成。
博世的渐进式路线从域的集中化开始演进,终极目标一样是车载中央计算机。


05.png
 
图 5博世的渐进式路线
宝马在E/E构架方面的变化清晰地折射出计算集中化的趋势。


06.png
 
图 6 宝马规划的下一代E/E构架
结语
从技术上总结,中央计算机-层-区的概念将建立起智能汽车的新构架。区是局部控制、感知与执行单元,层是按照职能划分的资源池,中央计算机是真正的决策大脑,面向应用/服务,调用各层资源,执行高级决策,由区控制单元执行决策或完成态势感知任务。
对于车载E/E构架来说,中央计算机概念是全新的,但对于PC和手机行业,都已经是非常成熟的概念。当智能化浪潮从IT行业延伸到汽车的时候,我们看到了相同的故事正在上演,汽车行业的基因正在发生改变。
从这个意义上讲,无论是苹果、英特尔、高通、三星还是华为,他们大举进军汽车行业的逻辑,绝非简单地复制,而是将自身的IT基因与汽车固有的基因进行新的编辑,进化出新物种,并引领计算行业从手机的TOPS时代走向POPS(1000TOPS)时代,在这一过程中,他们有先天的基因优势。
目标往往是清晰的,但通往目标的路径却大相径庭,无论是IT新贵,还是汽车行业老兵,大家都是基于自己的优势积累,从不同的坡,爬同一座山。在这个过程中,对于产品路线图、性能、安全性和成本的拿捏,各家都不尽相同,很难讲哪条路更好,所以无论是大陆和博世的渐进式域融合(domain fusion)路径,还是特斯拉和安波福更激进的实践,都是面向未来的探索,都值得尊重。
从PC到手机,再到机器人,每一代智能设备相比前代,都是十倍体量的增长。智能汽车作为移动自主机器的第一形态,是机器人时代当之无愧的杀手级应用,更是技术旗舰,将催生无数种的移动机器人。正如蒸汽机开启了工业革命时代,手机行业引领了整个移动设备时代一样,智能汽车最终将撬动比自身市场大得多的商业价值。

博客 李星宇

专家
2019-04-02 13:40
249

苗圩出席博鳌亚洲论坛2019年年会 表示5G的应用范围将极大地扩展,以无人驾驶为代表的车联网将是其中一项重要应用

2019年3月28日,工业和信息化部部长苗圩出席博鳌亚洲论坛2019年年会,并在“5G:物联网的成就者”分论坛上就5G标准制定、发展前景及其对社会生活的影响等问题发表看法并回答听众提问。 ...查看全部
2019年3月28日,工业和信息化部部长苗圩出席博鳌亚洲论坛2019年年会,并在“5G:物联网的成就者”分论坛上就5G标准制定、发展前景及其对社会生活的影响等问题发表看法并回答听众提问。
111.png
苗圩强调5G发展最关键的是开放合作和全球统一标准。统一标准对产业发展和应用具有极其重要的作用,各国产业界、研究部门对5G全球统一标准均作出了贡献。目前5G必要专利分布在中国和其他多个国家的企业和机构,这是全球共同努力的成果。
苗圩指出,与4G相比5G的应用范围将极大地扩展,预计将有20%用于人和人之间的通信,80%用于物和物之间的通信,以无人驾驶为代表的车联网将是其中一项重要应用。工业和信息化部正在与交通运输部合作积极推动中国公路系统的数字化、智能化改造,利用5G技术发挥车路协同优势。5G网络的部署将带来更多的创新应用,促进各行各业之间融合渗透。
在回答记者关于5G何时商用的提问时,苗圩表示,工业和信息化部将根据产业和应用等情况适时发放5G牌照。5G的大规模商用还需等到网络完善以后,所以需要一定时间,目前将推进运营商在全国范围建设5G网络,为大规模商用提供基础和条件。
论坛期间,苗圩还分别会见了韩国产业通商资源部部长成允模、美国奥尔布莱特石桥集团联席董事长古铁雷斯、三星电子会长权五铉、法国达索系统公司首席执行官夏伯纳、德国默克集团执行董事会成员毕康明等,就双方关心的问题交换了意见。
工业和信息化部国际合作司、信息通信发展司等有关单位负责人参加了上述活动。
转自:中华人民共和国工业和信息化部官网
原标题:苗圩出席博鳌亚洲论坛2019年年会

博客 tututu

LV5
2019-04-01 16:10
246

自动驾驶发展现状及热点研究——仿真模拟平台

对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。 仿真模拟平台 ...查看全部
对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。


仿真模拟平台

顺便介绍一下,仿真模拟平台的发展。

DARPA当年比赛的时候前几名都做了模拟系统,谷歌收购斯坦福团队以后就先把模拟仿真平台升级了。毕竟它是一个软件系统,谷歌天生就强。这里不包括那些车体动力和电子性能的模拟仿真工作,这个已经存在好多年,是车企的强项,比如它们常用的CarMaker,PreScan,CarSim等商用软件系统。

这是谷歌CarCraft和Xview的样子:

33.jpg

34.jpg




其中提到的"fuzzing"图就是这样的:

35.jpg



仿真模拟平台已经是自动驾驶开发的标配,看看Daimler汽车公司这部分工作的介绍:

36.jpg



还有自动驾驶高校研究的例子:北卡的AutonoVi-Sim

37.jpg



专做这块的小公司,比如英国的rFpro,这两个图来自它发的一篇论文:


38.jpg

39.jpg



以上就是个人总结的自动驾驶几大板块的研究热点,欢迎探讨。

知识讲堂 奇点汽车

企业
2019-04-01 13:43
426

自动驾驶发展现状及热点研究——规划控制

对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。 规划控制 下面该是规划控制( ...查看全部
对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。

规划控制

下面该是规划控制(包含预测和决策)。

规划分三个层面,路径规划(任务规划),行为规划和运动规划。最后一个运动规划,和后面的控制模块捆在一起,基本上L2-L4都通用了,除非软硬件联合开发,L2和L4用的运动规划(经典的有RRT,Lattice planner)及控制(PID,MPC之类)没啥变化。路径规划,就是基于道路网络确定地图上A点到B点的路径,这个以前导航地图也是要做这个任务。那么,剩下一个最新的问题就是行为规划了。

行为规划需要定义一个行为类型集,类似多媒体领域采用的ontology,领域知识的描述。而行为规划的过程,变成了一个有限状态机的决策过程,需要各种约束求解最优解。这里对周围运动障碍物(车辆/行人)的行为也有一个动机理解和轨迹预测的任务。上面谈到的,感知模块对周围车辆行人的行为理解,就会在这里扮演一个重要的角色。

深度学习在这里有价值了。行为模型的学习过程需要大量的驾驶数据,包括感知和定位的输出,路径规划和车辆的运动状态作为输入,最终的车辆行驶的控制信号(方向盘,油门,刹车)作为输出,那么这就是一个E2E的行为规划+运动规划+控制的模型;如果把车辆轨迹作为输出,那么这个E2E就不包括控制。

如果把传感器/GPS/IMU/HD Map和路径规划作为输入,那么这个E2E就是前端加上感知的模型,这就变成特斯拉想做的software 2.0,不过感知太复杂了,不好办。还是觉得把感知和定位的输出作为输入吧,这样放心:)。

这里不得不提到自动驾驶的仿真模拟系统,按我看,这种规划控制的行为模型学习,最适合在模拟仿真环境做测试。Waymo在Carcraft仿真系统中测试左拐弯行为时候,会加上各种变化来测试性能,称子为“fuzzing"。

这里给大家推荐两篇重要论文做参考:
1 “A Scenario-Adaptive Driving Behavior Prediction Approach to Urban Autonomous Driving”
2 “ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst”

第一篇是中科大的论文,个人认为非常适合大家了解百度刚刚发布的Apollo 3.5的行为规划模型。这篇文章我一年前就读了,不是深度学习的方法。这里贴几个截图:

25.jpg

26.jpg

27.jpg

28.jpg






第二篇论文是Waymo最近发的research工作,是深度学习方法,完全依赖其强大的感知模块输入,还有1000万英里的驾驶数据,强烈推荐。附上几个截图:

29.jpg

30.jpg

31.jpg

32.jpg

知识讲堂 奇点汽车

企业
2019-04-01 13:41
747

自动驾驶发展现状及热点研究——传感器技术

对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。   传感器技术 传感器而言,大 ...查看全部
对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。
 
传感器技术

传感器而言,大家比较关心新技术。

在摄像头技术方面,HDR,夜视镜头,热敏摄像头等是比较热的研究。前段时间有研究(MIT MediaLab教授)采用新技术穿透雾气的镜头,叫做single photon avalanche diode (SPAD) camera;另外,能不能采用计算摄像技术(computational photography)改进一下如何避免雨雪干扰,采用超分辨率(SR)图像技术也可以看的更远。前不久,图森的摄像头可以看1000米远吗,要么采用高清摄像头4K甚至8K,要么采用SR技术实现。

这是介绍SPAD的两个截图:

1.jpg


2.jpg



另外,单目系统比较流行,现在也有双目系统存在,比如安霸从意大利帕尔马大学买到的VisLab自动驾驶技术,还有Bertha Benz著名的Stixel障碍物检测算法。因为基线原因,车上可以配备多个双目系统,以方便测量不同距离的障碍物。懂计算机视觉的同学知道,立体匹配和基线宽度在涉及视觉系统的时候有一个权衡。深度学习已经用来估计深度/视差图,就如分割一样,pixel-to-pixel。甚至单目也可以推理深度,结果当然比双目差。

3.jpg


4.jpg



激光雷达最热,一是降低成本和车规门槛的固态激光雷达,二是如何提高测量距离,三是提高分辨率和刷新频率,还有避免互相干扰和入侵的激光编码技术等。其实激光雷达的反射灰度图也是一个指标,3-D点云加上反射图会更好,比如用于车道线检测。

另外,摄像头和激光雷达在硬件层的融合也是热点,毕竟一个点云的点是距离信息,加上摄像头的RGB信息,就是完美了不是?一些做仿真模拟以及VR产品的公司就是这么做的,去除不需要的物体和背景就能生成一个虚拟的仿真环境。

这里是一家美国激光雷达创业公司AEye的技术iDAR截图,iDAR 是 Intelligent Detection and Ranging,最近该公司宣称已经能够实现测距1000米(一两年前谷歌就说,它的激光雷达能看到3个足球场那么远):

5.jpg



毫米波雷达方面,现在也在想办法提高角分辨率。毕竟它是唯一的全天候传感器了,如果能够解决分辨率这一痛处,那么以后就不会仅仅在屏幕上展示一群目标点,而是有轮廓的目标,加上垂直方向的扫描,完全可以成为激光雷达的竞争对手。希望新的天线和信号处理技术可以解决雷达成像的难点,包括功耗。

这里是NXP提供的新型高分辨率雷达和激光雷达比较的截图:

6.jpg



超声波雷达,基本是用在泊车场景,便宜。

知识讲堂 奇点汽车

企业
2019-04-01 13:36
378

自动驾驶发展现状及热点研究——感知模块

对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。感知模块 下面谈感知模块。 感 ...查看全部
对自动驾驶而言,传感器、感知、地图定位和规划控制是目前研究的热点,本文奇点汽车美研中心首席科学家兼总裁黄浴博士从多个方面综述了目前自动驾驶的技术水平以及不同板块的重要性。感知模块

下面谈感知模块

感知是基于传感器数据的,以前反复提过了,传感器融合是标配,信息越多越好吗,关键在于怎么融合最优。比如某个传感器失效怎么办?某个传感器数据质量变差(某个时候,比如隧道,比如天气,比如夜晚,比如高温低温等等造成的)怎么办?如果你要用数据训练一个感知融合模型,那么训练数据是否能够包括这些情况呢?

这里当然谈到深度学习了,而且深度学习也不仅仅用在图像数据,激光雷达点云数据也用,效果也非常好,明显胜过传统方法。不过,深度学习有弱点,毕竟还是靠大量数据“喂”出来的模型,有时候很敏感,比如像素上改变一点儿对人眼没什么而机器识别就造成错误,还有当识别类别增多性能会下降,同时出现一些奇怪的误判,比如谷歌曾经把黑人识别成猩猩。机器学习一个问题是泛化问题(generalization),如何避免overfitting是一个模型训练的普遍问题,当然大家都提出了不少解决方法,比如data augmentation,drop out等。

深度学习发展还是很快的,好的模型不断涌现,如ResNet, DenseNet;好的训练方法也是,比如BN成了标配,采用NAS基础上的AutoML基本上可以不用调参了(GPU设备很贵呀);具体应用上也是进步很大,比如faster RCNN,YOLO3等等。

在激光雷达数据上,最近深度学习应用发展很快,毕竟新吗,而且这种传感器会逐渐普及,成本也会降下来,毕竟是3-D的,比2-D图像还是好。这里要提到sync和calibration问题,要做好激光雷达和摄像头数据的同步也不容易,二者的坐标系校准也是,去年有个CNN模型叫RegNet,就是深度学习做二者calibration的。

7.jpg


8.jpg



谈到融合,这里包括几个意思,一是数据层的直接融合,前面提到硬件层可以直接完成,软件也可以,而且还可以解决硬件做不了的问题:激光雷达毕竟稀疏,越远越稀疏,有时候还会有“黑洞”,就是不反射的物质,比如车窗玻璃;而图像可以致密,分辨率也可以很高,毕竟造价便宜,二者在深度图(depth map)空间结合是一个互补,深度学习可以帮上忙,有兴趣的可以看看MIT的论文。

9.jpg



除了数据层,还有中间模型层融合,以及最后任务层(一般指多个模型结果输出)的融合,目前深度学习用在激光雷达数据以及结合图像数据融合的目标检测识别分割跟踪等方面有不少论文,基本可以在这三个层次划分。

很有趣的现象是,激光雷达点云投射到平面上变成图像数据是一个很讨巧的方法,而且鸟瞰平面比前视平面(摄像机方向)效果好,当然也有直接在3-D数据上做的,比如VoxelNet,PointNet。很多工作都是将图像领域成功的模型用在激光雷达数据上,做些调整和推广,比如faster RCNN,其中RPN和RCNN部分可以通过不同传感器数据训练。

这里是一个激光雷达+摄像头融合做目标检测的论文截图:

10.jpg



谈到深度学习在图像/视频/深度图/3-D点云上的应用,不局限在检测识别分割上,这个以后再谈吧,又要写一篇才行。

感知的任务是理解自动驾驶车的周围环境,除了定位跟地图有关,像障碍物检测,运动目标跟踪,红绿灯识别,道路标志识别,车道线检测(根据需要而定,比如有些地图直接用路标或者特征匹配实现定位,车道线就是由地图给出)都是感知的任务。更高级的任务会涉及对周围其他物体的行为预测,比如行人,尤其是路口行人过马路的预测,比如行驶车辆,到底是打算cut-in还是仅仅偏离了车道,在高速入口的车辆,到底是想加速先过还是减速等你,这些都是“老司机”很擅长的,而提供线索的恰恰是感知模块。

这里是一个做红绿灯检测识别的NN模型例子:


11.jpg


而一个检测路牌的NN模型:

12.jpg



这是一个车道线检测的NN模型LaneNet示意图:车道线proposal network和车道线localization network。

13.jpg

14.jpg




这个NN模型就是对行人预测的:

15.jpg



应用场景可以看下面的示意图:激光雷达点云作为输入

16.jpg



顺便说一下,我对一些大讲“感知已经OK,现在最重要的是规划决策”的言论难以苟同,毕竟感知在这些行为细节上缺乏充分的数据提供给预测和规划部分,所以也很难有更细腻的规划决策模型来用。当然采用大数据训练的规划决策模型可以包括这些,但仅仅凭轨迹/速度/加速度这些输入信息够吗?大家也可以注意到一些startup公司已经在展示人体运动跟踪,头部姿态,路上人工驾驶车辆的驾驶员视线方向 (gaze detection) 和面部表情/手势识别的结果,说明大家已经意识到这些信息的重要性。

这里展示最近一些基于深度学习的人体姿态研究论文截图:

17.jpg

18.jpg

19.jpg





另外,感知模型基本上是概率决策,是软的推理(soft inference),最后是最小化误差的硬决定(hard decision),所以误差是难免的。现在一些安全标准,比如ASIL,ISO26262, NHTSA,要求做到功能安全,还有最近的SOTIF,要求考虑unknown safe/unsafe,这些对感知在自动驾驶的作用是提出了更严格的标准。说白了就是,以前给出判断就行,现在必须给出判断的可靠性以及不自信的警告(confidence score)。有时候融合就要考虑这个问题,最好给出多个模型输出,当一个模型可靠性不高的时候,就要采用其他可靠性高的模型输出,当所有模型都不可靠,自然就是准备进入安全模式了。对突发性事故的适应性有多强,就考验安全模型了。

以前提到过L2-L3-L4演进式开发自动驾驶模式和L4这种终极自动驾驶开发模式的不同,提醒大家可以注意一个地方:特斯拉的演进模式在用户自己人工驾驶的时候仍然运行自动驾驶程序,称之为“影子”模式,当用户的驾驶动作和自动驾驶系统的判断出现矛盾的时候,相关上传的数据会引起重视,以帮助提升自动驾驶系统性能,比如一个立交桥出现,自动驾驶系统误认为是障碍物,而驾驶员毫无犹豫的冲过去,显然这种传感器数据会重新被标注用来训练更新模型,甚至引导工程师采集更多相关数据进行训练;另外,当驾驶员突然刹车或者避让,而自动驾驶系统认为道路无障的情况,收集数据的服务器一端也会将这种数据重新标注。

这种影子模式就是演进式开发模式系统升级的法宝,同时大量驾驶数据的收集也可以帮助规划决策的提升,这个下面再讲。相比之下,谷歌模式在安全员操控车辆时候,自然也在收集数据,当运行自动驾驶出现报警或者安全员觉得危险需要接管的时候,这种数据也会像影子模式一样需要注意。两种开发模式都会及时获取特别数据方法,唯一不同的是前者是付钱的(买车),而后者是要钱的(工资)。

知识讲堂 奇点汽车

企业
2019-04-01 13:36
1026