自动驾驶

自动驾驶

苹果自动驾驶量产供应链“揭开面纱一角”

博客gaohong 发表了文章 • 0 个评论 • 14 次浏览 • 14 小时前 • 来自相关话题

苹果的自动驾驶供应链正在慢慢揭开面纱。这其中,关系最为紧密的就是苹果现有产品的ODM供应商,考虑到在硬件制造环节的先天优势,这些代工厂也对自动驾驶汽车有着雄心勃勃的计划。 ...查看全部

苹果的自动驾驶供应链正在慢慢揭开面纱。

这其中,关系最为紧密的就是苹果现有产品的ODM供应商,考虑到在硬件制造环节的先天优势,这些代工厂也对自动驾驶汽车有着雄心勃勃的计划。

1571621512733325.jpg

近日,有知情人士透露,全球第一大笔记本电脑研发设计制造公司广达电脑(Quanta Computer)正在向苹果提供“自动驾驶解决方案”。这意味着苹果的自动驾驶汽车已经进入量产前的供应链伙伴选择阶段。

广达电脑高级副总裁迈克·杨(Mike Yang)表示,公司已经在美国开发并测试了第一辆在封闭道路行驶的自动驾驶汽车,这让它能够“证明自己在设计自动驾驶平台方面的能力”。

不过,广达没有透露车辆或测试的细节。消息称,谷歌(Waymo)和苹果目前都是其客户(可能是ECU等相关硬件的ODM角色)。此前,广达还是特斯拉Model 3的主板供应商(另一家是和硕)。

此前,特斯拉主要将其汽车主板订单外包给富士康电子(鸿海精密工业股份有限公司)和捷普,但在富士康投资和谐汽车(也就是拜腾的前身)之后,特斯拉将其订单从富士康转移到广达和和硕。

目前,广达电脑在上海的工厂也正在为特斯拉的Autopilot 3.0的中央处理单元(Ecu)硬件提供部分ODM,而核心的芯片则是有三星代工。

2015年以来,广达一直以苹果手表的主要组装商而闻名,但一篇报道称,出于“利润考虑”,该公司可能会在2020年停止组装苹果手表。

而在此之前,广达电脑在自动驾驶行业的布局已经开始。

两个月前,一家日本初创公司Tier IV, Inc.从广达电脑获得了约900万美元的A轮融资(此轮融资金额在1亿多美金),用于开发下一代自动驾驶电子控制单元(ECUs)。

此次测试,广达电脑的自动驾驶车辆正是基于上述ECU原型,采用Autoware自动驾驶全栈开源软件平台(Tier IV, Inc.牵头开发)。

考虑到自动驾驶量产需要足够的资金和供应链能力支持,类似广达电脑这样的传统智能设备ODM代工企业似乎有更大的竞争力。

广达电脑是世界500强企业,成立于1988年,总部设在台湾,在亚洲、加拿大、北美、南美及欧洲均设有基地。该公司目前在全球拥有超过9万名员工,2018财年的综合收入达到340亿美元。

作为日系自动驾驶初创公司,Tier IV, Inc.自然得到了日本企业的支持。雅马哈在A轮宣布了追加投资,目标是提高Autoware的安全质量(产品安全和功能安全),将自动驾驶相关业务商业化。

1571621540693990.jpg

1571621558357482.jpg

1571621597568321.jpg


作为一个开源自动驾驶协作联盟,Autoware使用ROS 2.0对车辆使用的可认证软件栈的重写,同时还包括ECU、异构架构、车辆控制接口,以及一组第三方软件和工具。

ROS是早期自动驾驶开发者主要采用的开源平台,然而其本身的性能和可伸缩性跟不上市场需求,比如自动驾驶汽车,因此有不少企业采取了重新开发。

ROS起初设计目的是在桌面Linux环境中控制单个机器人,但类似自动驾驶汽车的应用需要具有安全关键的实时性能,并且可能在内存有限、网络不可靠的分布式环境中运行。去年,ROS2.0版本进行了新一代的重新设计,采用DDS作为连接框架,来改善这些潜在限制。

DDS(数据分发系统)是一个开放标准的连接框架,可以快速移动大量数据,并且达到更高的安全标准。除了ROS2.0,DDS还被AUTOSAR用于其自适应平台(专为自动驾驶车辆设计),被FACE联盟用于军用飞机,并被工业互联网联盟确定为核心连接标准。

比如,苹果公司此前收购的Drive.ai,也是基于ROS开源技术框架进行的软件开发。

目前,Autoware联盟高级成员包括几家全球巨头,像丰田、Arm、华为、LG,还有包括Velodyne、AS;其他等级合作伙伴还有英特尔、赛灵思、日立、镭神等相关供应商。

广达电脑的另一家合作伙伴是AImotive,目前后者的自动驾驶测试车上已经部署了广达的新一代汽车级处理平台。

AImotive的aiDrive是一个模块化的自动驾驶软件栈,而广达电脑则基于英特尔的Xeon、英伟达的Xavier和Pegasus,为不同级别的自动驾驶提供硬件解决方案。

两家公司表示,合作强调了自动驾驶技术的可扩展性的重要性。而客户则可以看到基于各种硬件配置的测试方案。

此外,AImotive的另外两套产品方案aiSIM和aiWare,前者是一个用于测试的模拟器,并作为后端来查看软件在真实路况数据集下的反馈。

1571621627665990.jpg

后者是一个可扩展的神经网络加速器IP,具有可定制的架构。该IP带有SDK、工具和NNEF(神经网络交换格式)支持,可以支持Caffe、Pytorch和Tensorflow。

而对于AImotive来说,目前最大的问题是运行aiDrive堆栈的计算机还太大。所以,他们找来广达电脑来为其瘦身,未来开发的体积大小与英伟达Jetson差不多。

1571621644607178.jpg

目前正在使用的这款名为广达V32的开发平台(上图),比现在车里用的已经要小很多。搭载的处理器、GPU和内存均为汽车级,运行完整的aiDrive,采用液冷散热技术。

1571621655855415.jpg

图中的小黑盒子是一个Nvidia Jetson开发平台(也就是未来广达要开发的自动驾驶ECU体积大小),运行一个功能有限的aiDrive和aiSIM模块。

作为汽车级ECU的新玩家,广达电脑在今年3月的一次公开活动中还是展示了几款自动驾驶处理单元。其中一款基于英伟达处理器,集成这两个ECU平台和一个集群网关,提供6个CAN、4个LIN和2个Flexray接口。

在《高工智能汽车》看来,随着传统笔记本、台式机ODM厂商向自动驾驶汽车行业转移,未来车载计算单元的竞争将进入白热化竞争,正如我们经常说的那样,未来车载ECU既是电脑主板(供应链和制造能力),也不是电脑主板(汽车级的要求及复杂度)。


5至10年后的汽车会怎么样? 这13项技术给你一点启示!

博客gaohong 发表了文章 • 0 个评论 • 13 次浏览 • 14 小时前 • 来自相关话题

盖世汽车讯 据说,未来5至10年内,汽车的变化将超过过去50年内的变化。虽然有些变化可能与电动汽车的增长有关,不过汽车业内最大的变化仍在自动驾驶技术和网联技术领域,将会彻底改变整个驾驶体验。而造成这些变化的背后驱动力就是改善道路安全、降低排放以及减轻驾驶 ...查看全部

盖世汽车讯 据说,未来5至10年内,汽车的变化将超过过去50年内的变化。虽然有些变化可能与电动汽车的增长有关,不过汽车业内最大的变化仍在自动驾驶技术和网联技术领域,将会彻底改变整个驾驶体验。而造成这些变化的背后驱动力就是改善道路安全、降低排放以及减轻驾驶压力。安全检测机构欧洲新车安全评估协会(Euro NCAP)正在推进零事故愿景( Vision Zero),而且为此制定了2020至2025时间表,以测试一系列新技术。

1571620768395085.jpg

(图片来源:丰田)

欧洲新车安全评估协会推动汽车制造商达到五星评级

从2020年开始,欧洲新车安全评估协会将开始测试自动紧急转向、驾驶员监控系统和自动紧急制动系统,此类系统可以在交叉路口和停车位倒车时发挥作用。届时,最新款的车型将会配备此类技术,因为要获得全五星安全评级,此类技术将不可或缺。

到时,汽车将不仅能够保护人们免受伤害,还可以提供大量实时、有用的信息。例如,可以让汽车找到餐厅,在附近预订一个停车位,然后告知行进路线。如果是一辆自动驾驶汽车,还可以投射出一个三维数字形象陪伴乘客。

现在,全球超过一半的汽车都可连入互联网,而未来的汽车则可以在物联网(IoT)中相互通信,与道路基础设施、智能路口和智能路灯通信。此类汽车将能够利用此类设施上传的信息,在行进路线上提供有关潜在危险或延误的预警。

那么,我们可以看看未来汽车上可能会出现的13种技术:

加强安全的系统:

1、虚拟侧后视镜(摄像头)

1571620781972688.jpg

(图片来源:雷克萨斯官网)

今年8月,美国国家公路交通安全管理局(NHTSA)表示计划研究,在传统侧后视镜和摄像头系统下,驾驶员的驾驶行为以及驾驶员如何进行变道操作。根据规定,所有汽车都必须配备反光的侧后视镜,不过,联邦政府强制所有新车还需配备后视摄像头。而在欧洲或日本等市场,汽车制造商也开始为汽车配备摄像头用作侧后视镜(camera-as-mirror)技术。

此类摄像头与侧后视镜不同,安装在汽车两边的摄像头可将实时影像传送至仪表板角落或车门的屏幕上。而且,此类摄像头产生的风噪声和空气阻力更小,能够将盲点区域最小化,在恶劣天气条件下还可提供更清晰的视野。

此类摄像头还会自动改变视角,以应对高速公路驾驶、转弯和停车操作。如果配备了触敏式屏幕,驾驶员还可以利用手指放大影像,更详细地看到特定区域的情况。

2018年底,雷克萨斯率先在ES轿车上采用了该技术,不过只在日本市场提供。不过,今年7月开始,奥迪E-tron电动SUV开始将虚拟侧后视镜作为选装,价格为1250英镑。本田即将上市的电动城市汽车E也将标配该项技术,E将于明年初上市。

2、数字后视镜

1571620858318306.jpg

(图片来源:捷豹路虎)

只需轻按一下开关,后视镜就会变成高清屏幕,显示后方路面的超宽(50度)全景,从而消除盲点,以及解决驾驶员无法看清后方高个子乘客挡住视线的问题。

此外,在弱光照条件下,数字后视镜比传统的后视镜提供的可视性更好,而且是倾斜式后视镜,不会有因反射造成视野不佳。

虽然在许多年前,数字后视镜就开始出现在概念车上,但直到2016年,该技术才正式上市,出现在凯迪拉克CT6豪华轿车上。直到最近,该技术才成为一项主流技术,相继出现在捷豹路虎第二代路虎揽胜和改款的捷豹XE车型上。

3、车下摄像头

1571620869404332.jpg

(图片来源:捷豹路虎)

安装在车门侧后视镜和前格栅上的车下摄像头会让引擎盖隐形,有关前轮和引擎盖底下路面情况的实时视频画面会显示在车内的信息娱乐系统显示屏上,在不易停车的地方停车、高高的路沿和凹凸不平的车辙内行车时,该技术可对驾驶员提供很大帮助。

捷豹路虎的Clearsight系统就是业界首款此类产品,该系统能够显示挡风玻璃前8.5米、后视镜外1.2米、车前15米处的情况。

今年,Clearsight系统就出现在了全新款路虎揽胜极光车型上。

4、智能前大灯

1571620924663154.jpg

(图片来源:大众)

近光灯和远光灯很快将成为历史,因为最新型的智能前大灯能够遮挡任何针对迎面车辆的光线,防止其他道路使用者眩目。而且,此种前灯的光束长度和亮度会根据天气和驾驶条件自动变化。

与普通的氙气灯相比,LED矩阵前大灯的光线更亮、照明和发光强度更精确,可在晚上让驾驶员更易识别路况和障碍物。

2013年,奥迪旗舰车型A8轿车首次采用了LED矩阵前大灯,现在该品牌在几款车型上都配备了该种灯。采用类似技术的智能前大灯还出现在宝马、奔驰、大众和沃尔沃的某些车型上。

5、智能玻璃

1571621071565456.jpg

(图片来源:大陆)

未来的汽车将配备内置传感器的车窗和挡风玻璃,在明亮的太阳光下可使玻璃变暗,防止乘员眩目,同时保持车内凉爽,并阻隔有害的紫外线。此外,此类智能玻璃将采用新型液晶薄膜技术,无需电线就可加热。

大陆公司就开发了一种薄膜技术,可以根据指令,更有效地调节全景天窗亮度,阳光强烈时,挡风玻璃可部分着色,B柱后面的窗户也可以调暗,保护后座乘客隐私。在没有加热线的情况下,窗户可以自动加热。受益于新的调光和加热功能,还将大大节省能源。

现在,有些汽车已经配备了全景天窗,可以通过开关调暗。在未来几年内,有些汽车将配备能够自动调暗、变亮和加热的车窗以及其他玻璃部件。

6、智能轮胎

1571621087221156.jpg

(图片来源:大陆)

智能轮胎可以实时为驾驶员和自动驾驶汽车车队运营商提供有关胎面深度和温度的信息,例如,大陆集团的Contisense轮胎就可以使用导电橡胶复合物持续监控轮胎,如果轮胎超过安全范围就会发出警报。此外,据说,大陆还研发出一款能够自动充气的轮胎。

如果有物体穿透了轮胎的胎面或侧壁,此类轮胎会立即发出警报,而现有的轮胎压力监测系统只会在轮胎压力低于某一水平时发出警告。

目前,Contisense轮胎还是处于研发中的概念轮胎,不过,据说有几家汽车制造商正在讨论采用该技术。

7、自适应车轮

自适应车轮即在轮胎中集成微型压缩装置,以调整轮胎的压力和轮辋宽度,改变与路面接触的轮胎范围,以适应当前的驾驶条件。而且,此种车轮可调整成正常、潮湿、不平和湿滑四种模式。在平坦、干燥的道路上行驶时,轮辋更窄,轮胎被打足了气;而在光滑路面上行驶时,轮辋的宽度会增加,而压力会降低。

此种轮胎会具备三种不同的胎面,以便在干燥、潮湿和光滑的路面上行驶,与路面接触的区域会根据车轮的设置而变化。

目前,该技术还处于开发中,预计到本世纪20年代中期会用于量产车中。

8、转弯辅助

转弯辅助技术采用车辆两侧的雷达,可以检测150度视野内的区域,从而警告驾驶员盲区有其他物体。自动紧急制动系统也是一种转弯辅助技术。

如果有弱势道路使用者出现,系统就会亮起警示灯,只要驾驶员做出指示,该技术就会启动。如果驾驶员仍然转动方向盘,而弱势道路使用者出现在1.5米内,汽车就自动紧急停下。

该系统正处于研发中,以符合欧洲NCAP计划于2022年引入的安全测试,届时应该会安装在一些新车型上,可能最早会出现在载重车(HGV)上,因为此类车辆的盲点更明显。

车内的新技术

9、驾驶员监控

关注于驾驶员的摄像头可以探测到驾驶员是否在专心驾车,并可发出警告。如果驾驶员忽视警告,驾驶员监控系统会促使汽车采取有效行动,例如在安全的地方靠边停车,增加车道保持援助等其他主动安全系统的灵敏度。

引入先进驾驶员监控系统是减少交通事故的重要举措,因为90%的交通事故都是因人为失误造成。而且,在引入自动驾驶系统时,该系统还可以确保汽车和驾驶员之间能够安全移交驾驶权。

虽然驾驶员注意力监控系统已经非常普遍(事实上,早在2006年雷克萨斯已经开始提供该功能),不过该系统还不能在驾驶员不适合驾驶时,自动将车停到路边,不过,沃尔沃计划明年将实现该功能。

10、语音激活数字助理

虽然语音控制技术已经投入使用很长时间了,不过未来该技术将变得更加高级,将能够理解自然语言,而不用学习特定的命令。

例如,驾驶员可以要求系统在指定位置找到一个空置的停车位,并提供卫星导航。像“我饿了”等简单的话语就可以启动餐厅搜索,而且还可以完善搜索结果。

宝马、福特、奔驰、日产和丰田等主流汽车制造商推出的一些较新车型已经提供了类似或基于亚马逊、苹果和谷歌的数字助手。

11、3D显示屏和增强现实技术

3D显示屏会将车内外传感器的信息与互联网的数据融合,以跟踪车辆周围的环境情况,从而绘制出车辆周围情况的360度虚拟空间,提供有关道路、其他车辆和道路使用者的信息。

例如,日产的“无形可视化(Invisible-to-Visible system)”系统就可以将有用的信息投射到车窗上。或者,如果车辆是自动驾驶汽车,就可以将虚拟世界投射到玻璃上。此外,该系统还可以通过互联网与朋友连接,并让朋友变成3D数字化身,陪伴乘客。

去年,奔驰开始在A级轿车上提供虚拟现实卫星导航系统,当车辆接近交叉口时,车载显示屏会显示有关前方道路状况的实时视频,而且会显示方向箭头,未来几年内,此类功能将变得更加复杂、更具综合性。

未来的道路

12、智能基础设施

不仅车辆可以通过互联网共享信息,道路基础设施也可以提供有关路况和潜在危险的最新信息。许多公司正在研发该技术,而且该技术不仅对人类驾驶员有帮助,对自动驾驶汽车来说也是至关重要。

来自物联网的信息可用于评估汽车的行车速度,以确保安全且快速的旅程。例如,当车辆靠近弯道时,车辆能够获取下个弯道的角度和路况的数据,从而计算出过弯道的最佳车速。

在基础设施方面,智能交叉路口会采用雷达和摄像头来评估交通流量,如果前方出现其他车辆或行人试图通行时,该智能交叉路口会向迎面而来的车辆发出警报。

智能路灯也可以提供有关交通流量的信息,以控制交通灯的顺序,从而增加交通流量,减少车辆排放,还可以向车辆发送警报,告知前方有危险,以及照亮空余的停车位,以便驾驶员更易找到。

目前,大陆集团的eHorizon系统已经被某些商用车辆采用。基于高精度的地形数据和GPS信号,eHorizon能为车辆上的自适应巡航控制和其他电子控制装置提供前方线路的3D图。结合车辆制造商提供的适合车辆道路驾驶样式的软件,从而让eHorizon有效助力油耗的降低。与此同时,英国等多个国家都对智能基础设施进行了几年的试验,但在大规模推广该技术之前,需要一个发展成熟的5G数据网络。

13、机器人出租车

有些市中心已经禁行柴油车,而且对污染严重的汽车实行诸多限制和进行收费,因此急需找到替代的交通解决方案。

十多年来,谷歌一直致力于研发无人驾驶汽车技术,而Waymo正在美国试行机器人出租车服务,采用经过改装的克莱斯勒Pacifica小型货车,配备人类驾驶员(以防发生紧急情况),在凤凰城郊区推出了自动驾驶商业化服务Waymo One。

不过更常见的是可以用智能手机应用程序打到的低速自动驾驶接驳车,例如6座的Easymile EZ10,该车采用了7个传感器、4个环视摄像头和3个激光扫描仪,创造一个有关200米半径内周围环境情况的360度图像。

目前,在英国的某些公共场所,低速自动驾驶接驳车已经接受了测试,而且计划进行更多测试。此前,英国政府希望到2021年自动驾驶汽车能够上路。


自动驾驶汽车16问

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 23 次浏览 • 3 天前 • 来自相关话题

1自动驾驶分级:你是一级一级来还是直接到Level5?自动驾驶行业里一个主流的假设是“一切移动工具都将能够自主移动”,说的不仅是汽车,还包括路上跑的卡车、天上飞的无人机、购物车、甚至玩具车都将变成自动驾驶的车辆,直到人类对驾驶的插 ...查看全部

1

自动驾驶分级:你是一级一级来还是直接到Level5?自动驾驶行业里一个主流的假设是“一切移动工具都将能够自主移动”,说的不仅是汽车,还包括路上跑的卡车、天上飞的无人机、购物车、甚至玩具车都将变成自动驾驶的车辆,直到人类对驾驶的插手成为初级、无必要、甚至非法的动作。美国汽车工程师协会提出了自动驾驶的6个等级的分类系统:Level 0:完全无自动这层很好理解,就是驾驶人需要完全掌控车辆。Level 1:驾驶辅助今天的汽车基本上都处于这一级别,驾驶辅助汽车是指装有防抱死刹车和定速巡航装置等的汽车,这些装置可以接管驾驶中一些非关键性的操作。Level 2:部分自动化自动驾驶系统可以在特定的情形下接管控制汽车,但驾驶人需要随时监控着系统。这种情况适用于高速公路,汽车可以在高速公路上自动驾驶,驾驶人只需坐在旁边看着。Level 3:有条件自动化这一等级的自动驾驶意味着驾驶人不必一直监视系统,但要处于随时能够接管操作系统的状态。也就是说,驾驶人不需要一直把手放在方向盘上,但是在系统识别到紧急情况并发出警报时,人类驾驶员需要马上接管。Level 4:高度自动化当汽车能够自动停车就到达 Level 4了。这一等级的自动驾驶汽车在特定的使用情形或旅途的某一段路上,完全不需要驾驶人操作。Level 5:完全自动化这一等级的自动驾驶汽车,系统能在整个旅程中自动处理所有的情况,完全不需要人的介入,这也意味着坐在车上的人并没有选择的余地。

2

硬件架构:你是哪一种传感器?LIDAR还是其他?下一个问题是哪些硬件能让我们到达Level 5,是需要新的传感器,还是在现有的基础上进行改进?像Google这样的公司都依赖 LIDAR 技术,即激光雷达,是一种使用脉冲激光测量与周围目标的距离(可变距离)的光学遥感技术。3D激光地图与摄像头和智能软件相结合,已经足以让汽车在不需要人类驾驶员的情况下在道路上自主行驶。目前实现的是Waymo把激光雷达的成本降至7500美元,激光雷达的高昂价格一直是自动驾驶技术在工业上大规模推广的主要障碍。不过也有一些固态激光雷达成本最终能低至250美元。那么,能够计算3D空间的立体相机(stereo camera)如何呢?这种相机能够让人们避免互相互相碰撞,利用到车上面,几乎具有LIDAR所能提供的所有好处,而成本并没有LIDAR那么高。

3

先验知识:新型的预计算地图?人人都使用的谷歌地图、Apple地图等已经有非常高的分辨率,能让人们无障碍地在城市道路上穿行。但对于自动驾驶汽车来说,这样的分辨率仍然是不够的。这些地图可能缺失的信息包括:哪里是拐弯处哪里有路障什么时候需要打远光灯普通的地图也丢失了其他所有类型的微分辨率细节。因为我们人类不关心这些,当前的这些地图是为人类而非机器设计的。那么,我们需要特意为自主车辆设计单独的预计算地图(precomputed maps)吗?答案显然是肯定的,但谁来做,做的成本是多少?以及在这个空间是否有垄断的机会?这是个还没有人问过的有趣问题。因为在不远的将来我们就可能到达Level 5,到那时你已经没有选择,没法选择自己去驾驶车辆——你不得不完全依赖驱动自动驾驶汽车的基础架构。我们会看到预计算地图的成本降低?这将允许自动驾驶汽车以一定的低速度、维持一定的安全水平自主驾驶。那么,谁将管理这个有潜在危险的灰色地带?这也有能耗的影响,因为你不得不依赖后备箱里的超级计算机来处理这些复杂的、数以百万计的参数预计算高精地图,而这会消耗大量的能耗。

4

软件架构:你使用哪些软件技术?深度学习很热,但机器人以及路径搜索(path finding)等其他领域也有一些成就,不应该被忽视。这些方法之间主要的区别是系统是从以前的经验/数据集学习,还是仅基于硬线逻辑(hardwired logic)或规则进行决策。实际上,波士顿动力机器人也没有使用任何的机器学习,但仍让人们深感震撼。尽管那些直接编程的规则可能无法击败利用深度学习算法的AlphaGo,但它们可以与机器学习的最新进展相结合,提供更好的结果。

5

测试:真实世界vs虚拟世界的测试需要多少?机器学习需要用非常大量的数据集来学习,这些数据集包含以前的经验、正确驾驶行为的例子以及环境数据。这里的问题是,在真实道路上行驶的真实汽车的数据与从模拟环境中得来的数据之间存在差距。实际上,已经有一些使用模拟环境(例如Open AI的Universe平台)来简化这种学习过程的尝试。那么,我们能确保使用模拟环境训练的算法得到与真实世界中相同的预测吗?使用虚拟世界的平台可以模拟更多的情况,但考虑到预计算地图的精度和颗粒度,这些模拟的情况有多少是准确的呢?

6

车联网:V2X对你会起重要作用吗?V2X是一种能让车辆与交通系统中周围的移动物进行通信的技术。V2V技术,也就是vehicle to vehicle,是让车辆与它周围的车辆通信的技术。V2X的使用情形包括:当周围没有其他汽车,而你的车在红绿灯前等了超过5分钟,这时自动驾驶系统就可以与红绿灯通信;又如在更危险的情况下,车辆之间需要紧急传递前方车祸之类的紧急情况。最近有一则关于特斯拉的高级辅助驾驶系统避开一起车祸的视频,让V2X这项技术特别令人关注。时间在去年12月27日,车主开着特斯拉的Model X行驶在高速公路上。视频显示,车辆突然发出警报并全力刹车,在警报声响起约1秒后,前方一辆红车猛烈追尾更前方的一台黑色车辆,红车翻倒在路边,黑车严重损毁停在路上,而Model X已经在后边安全停下。车主称在警报响起的同时,自己还没反应过来车辆已经自动刹车,从而避免了事故。想象一下,假如道路上的所有车辆都能够和周围环境在有需要时进行通信,可以避免多少事故。这里主要的问题是协议兼容性和通信的效率,因为这样的决策往往是在毫秒内进行的,并没有时间由于通信中“语言”的不同进行额外的运算。这是一种实现美好未来的技术,不过没有计划将其作为第一代的完全自动驾驶车辆。

7

基础设施:你觉得交通灯可以取消吗?十字路口的交通信号灯十分恼人,假如汽车之间能够相互通信了,而且实现了完全自动驾驶,那么为什么不能取消交通灯呢?可能一开始会显得十分无序,不过,互联网数据包不也是以这样的方式移动的嘛?这可能会造成需要为交叉路口设计智能的排列算法和严格的监控,但这完全是值得的,因为它将带来交通效率的极大提升。

8

落地合作:你觉得汽车制造商会如何把他们的车“本地化”?每个城市都有不同的驾驶文化,所以自动驾驶汽车应该怎样处理各种不同的行驶路况呢?比如说,在印度班加罗尔是很安全的驾驶方式,到了美国波士顿可能会引发交通瘫痪。“本地化”(localization)是一个计算机科学的术语,意思是软件以某种方式为不同的执行环境做好准备。那么用到自动驾驶领域,可以采用哪些形式进行本地化呢?有专为各个不同城市设计的不同类型的算法吗?我们会有适应各个城市的不同驾驶习惯的算法,比如波士顿版、班加罗尔版,等等?还是有一个通用的算法,只要花更多的时间熟悉路况,就能适应任何环境?这就涉及到完全是另外一个领域的研究了,涉及通过观察周围的人和物的行为,创建新的学习规则。通过学习社会习俗和典型的人类行为,自动驾驶汽车应该能够表现得更好。

9

谁将成为赢家? 硅谷还是中国还是现在的大车厂?这里提出的一个主要假设是,现在的大车厂拥有最容易成功的方法,因为它们已经在造车,具有所有必要的基础设施。这些汽车制造商纷纷在硅谷设立办公室,积极搜罗人才以更快地推动创新,因为他们知道自动驾驶汽车的实现主要还是软件的问题。但硅谷本地的汽车公司也有机会,例如特斯拉。中国的很多汽车制造商以及百度等技术公司也都非常积极地在推动这个领域,值得关注。

10

未来展望:你觉得未来我们会购买汽车还是购买出行服务?假如我们作为消费者,将从汽车制造商那里购买汽车的习惯转变为从Uber、Lyft这些公司购买出行服务,那么整个出行市场的方向将会发生完全的转变。这会使得汽车行业变得更像航空业,你不会去选要乘哪架飞机,而是选择哪一家航空公司。这将导致车企转型为B2B,而不是B2C的企业,汽车制造商的客户会变成 Uber这些服务提供商。

11

一级效应:你觉得事故率将发生怎样的变化?假如所有汽车都变成完全自动驾驶汽车,事故率将变成0。因为大多数的交通事故都是人为原因,25起事故中24起都是人为错误引起的,比如超速、疲劳驾驶、醉驾、闯红灯,等等。但假如是自主汽车和普通汽车一半一半的混合状态会是怎样?由于仍然有一部分汽车是人操作的,可能会导致的意外事故是我们从未经历过的。

12

什么时候“开车”会变成非法行为?假如从统计学上来说,算法真的比人类司机更好,那么就不应该让人类开车。但还是会有很多人喜欢开车,开车可能变成一个有趣的娱乐活动,但我们可不希望人类开的车行驶在路上。

13

一级效应:你觉得通勤将发生怎样的变化?有一个观点是,通勤将变得需要更长时间,因为不管通勤需要多长时间对人们来说无关紧要了。到了所有汽车都完全自主的时候,没有交通灯,不会发生事故,在通勤路上人们可以做任何事情。甚至可以在通勤路上睡觉,就像在火车或者飞机上可以睡觉一样。通勤的过程肯定会变得更加舒适。另一方面,这也会释放更多的空间(停车场、汽车修理店),因此人们会住到离工作地点更近的地方,通勤的距离会缩短。

14

一级效应:你觉得城市将发生怎样的变化?自动驾驶将带来非常多的效应,但现在是不可能预测的。可以确定的是,它肯定将改变我们的社会,并创造前所未有的获利机会。

15

二级效应:你觉得保险业将发生怎样的变化?自动驾驶技术将会改变的一个行业是保险业。现在车险的价格是用一个函数计算的,会考虑你的人口统计学数据,你的车的价格,以及你的居住地等等。但到了新的自动驾驶的时代,保险公司需要考虑的是哪些因素呢?算法的效率会成为核心的指标吗?会考虑汽车经理?汽车制造商?还是继续考虑购买或租赁汽车的车主?以及,维修成本如何算?因为自动驾驶一定会使事故减少,可是修理汽车的激光系统、预计算地图、超级计算机分析器,以及其他的昂贵硬件,会有多复杂?

16

终极梦想:你觉得完全自动驾驶的汽车什么时候才会实现?一些在造自动驾驶汽车的参与者预测说完全自主的汽车将出现在2020~2040年。我们将在有生之年见到这个美好世界,问题是我们需要做好充分的准备。(作者 | Andreessen Horowitz(翻译:新智元)来源 | 新智元、智能网联汽车网


自动驾驶汽车要“上路”,相关标准要“先行”

博客gaohong 发表了文章 • 0 个评论 • 74 次浏览 • 2019-10-14 10:04 • 来自相关话题

这几年,自动驾驶技术经历了快速发展,但与之匹配的相关标准一直未跟上。制定自动 ...查看全部

这几年,自动驾驶技术经历了快速发展,但与之匹配的相关标准一直未跟上。制定自动驾驶相关标准,显得尤为迫切。从国家政策、行业学会、协会,以及上下游的企业,现阶段对于自动驾驶相关标准的制定,都给予了极大的关注。

 

2019年5月15日,工信部官网发布了《2019年智能网联汽车标准化工作要点》,将加快自动驾驶相关标准制定,并将有序推进汽车信息安全标准制定。

工作要点中提到,稳步推动先进驾驶辅助系统标准制定。完成乘用车和商用车自动紧急制动、商用车电子稳定性控制系统等标准制定。全面开展自动驾驶相关标准研制。完成驾驶自动化分级等基础通用类标准的制定,组织开展特定条件下自动驾驶功能测试方法及要求等标准的立项,启动自动驾驶数据记录、驾驶员接管能力识别及驾驶任务接管等行业急需标准的预研。

图片.png

9月21日,中国公路学会自动驾驶工作委员会、自动驾驶标准化工作委员会发布了《智能网联道路系统分级定义与解读报告》(征求意见稿)(以下简称报告)。

报告从交通基础设施系统的信息化、智能化、自动化角度出发,结合应用场景、混合交通、主动安全系统等情况,把交通基础设施系统分为I0级(无信息化/无智能化/无自动化)、I1级(初步数字化/初步智能化/初步自动化)、I2级(部分网联化/部分智能化/部分自动化)、I3级(基于交通基础设施的有条件自动驾驶和高度网联化)、I4级(基于交通基础设施的高度自动驾驶)、I5级(基于交通基础设施的完全自动化驾驶),并进行了明确定义和详细解读。


针对智能网联道路系统I0-I5的分级及应用场景,中国公路学会自动驾驶工作委员会、中国公路学会自动驾驶标准化工作委员会主任委员冉斌,中国公路学会自动驾驶工作委员会、中国公路学会自动驾驶标准化工作委员会副主任委员张毅等进行了深刻的解读分析。


其中关于I1级、 I2级的定义,冉斌解读称,I1级,我们称为初步的自动化、初步的信息化、初步的智能化,我们交通基础设施,我们的路具备比较微观的传感和基础预测,即具有基本的预测计算功能,可以支持比较低空间和低时间纬度的解析度。


I2级,我们称为部分的网联化、部分的智能化、部分的自动化,目前基本不存在,只有很小的示范区,因此我们定义是指我们交通基础设施,我们的路具备比较复杂的传感功能和深度的预测功能,而且它通过与车辆系统进行信息交互,其中I2X可以支持较高空间和时间解析度的自动化的驾驶辅助和交通管理。要做到辅助驾驶,就必须使传感的时间、空间的维度达到一定的级别。


其中关于I3级的定义,张毅解读称,I3级是有条件的自动化和高度的网联化。I3级的网联化、信息化达到了非常高的程度,才能逐渐的、部分的、有条件的自动化和智能化。在这个层级上主要还是解决单车智能,即横向和纵向控制,两项控制可以在一定程度上进行交互。


在高速公路里面如果进入专用道,必然会有方向问题,想让基础设施来支持自动驾驶,适度的转弯,这种情况下就要支持一定程度的横向控制,这样对整个层级的应用,实际上是一个条件。有了这些条件我们可以做一些特定场景下,或者特殊情况下的一些应用,如货运,可以带有一定的自动驾驶功能,但又不全是,第一辆汽车不用自动驾驶,可以人开,后面的汽车有自动驾驶功能的,可以支持1.5级以上的自动驾驶,由于有车路协同的存在,这种情况下就保证了第一辆车和最后一辆汽车信息共享是同步的,这就使自动驾驶和车路协调在尽可能短的时间里面,能看到它的一些使用性。

车路协同,即采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,充分实现人车路的有效协同。


自动驾驶车辆要在城市道路、高速场景大规模运行落地,很多应用场景单纯依靠车辆智能无法彻底解决问题,必须辅以车路协同。


针对该报告,行业内的相关企业代表纷纷建言献策。


公安部交通管理科学研究所首席研究员袁建华的建议指出,现在这个分级和智慧高速的分级,这二者是合二为一,还是互相独立,是不是需要从两个维度来考虑?从智能化、网联化、自动化三个维度来定义我们的分级,是否可以与交通安全、交通效率、交通服务提供这三个维度结合起来?目前基础设施方面主要讲基础设施与车,能否围绕基础设施在整个交通环境的各个方面展开考虑?


从地图的角度,四维图新政府事务部高级总监邹德斌给出的建议指出,自动驾驶地图标准体系的建设方案,首先要跟国际水平保持同步,要跟踪欧美相关的标准化组织的一个发展;另外,国内的汽车尤其是智能汽车的应用以及高速公路和高等级智慧道路,中国是全世界第一,要有足够的信心,相信自己能做好自己的标准;此外,要想超越国外同行的标准,应该重点考虑这个动态信息的标准建设,而不是从基础的高精度地图静态信息的建设;最后,标准建设要全面考虑,不只是地图的格式,更顶层的基础要素地理编码,地图的分类,尤其是动态实时高精度地图的各种分类标准,还有地图的一些质量标准、质量保障标准、安全信息标准等也要同步跟上。


站在主机厂的角度,比亚迪汽车工程院副院长钟益林表示,通过开发无人驾驶车,我们发现成本确实非常高,有很多地方需要设计,传感器的成本也非常高。


车路协同的解决方案如果能够做得好,确实可以降低整车的成本。今天的报告主要面向的对象是驾驶员和车辆,是不是可以再扩展研究一下,因为道路的情况很复杂,它有很多的随机场景出现。


在钟益林看来,我们做无人驾驶研究这么多年了,能解决交通事故的场景相对做得好的,只能做到百分之五十几,全世界做到最好的也就只能解决78%的交通事故,想要做到99%甚至100%目前是不可能的。


无人驾驶现在确实离我们有点远,如果在有人驾驶的时候能发挥这个路很聪明,可以在很多情况下能够提前告知车辆,就能提前采取应对措施。  


大众汽车(中国)投资有限公司蔡纪勇则表示,国内行业内的各个领军企业,其实已经达成了相对的共识,即高级别的自动驾驶很难在短期内通过单车智能形式来实现,那么车路协同就是一个非常重要的手段。车路协同有三个部分,一个是车,一个是路,然后还有一个是连接车和路的通信标准。实际上真正的实现这个通过远程控制来实现高级别的自动驾驶,必须要依靠5G标准的落地,我们看到5G的标准将会在2020年左右就能够落地。


从主机厂的角度来看,实现高级别的车路协同的自动驾驶,可能只要车端具有L2级别的单车智能,那么就可以实现。


蔡纪勇指出,到2020年底,5G在国内能够实现落地时,当这些标准软件的东西可以落地、场景基本可以确定下来的情况下,我们的道路系统是否能跟5G标准的落地,同步实现硬件对于自动驾驶的支持,这是一个需要思考的问题。


交通部通讯信息中心王玮则认为,车路协同的发展实际上是基础性工作,是支撑将来自动驾驶,包括道路安全、行驶安全非常重要一个抓手。


对于报告,他的建议有三,一是关于基础设施等级的问题,可以更加结合车路协同的定义来;二是采用车和路之间的协同能力,来判断自动驾驶的等级,这样定义可能更清楚一些;三是标准体系,首先顶层设计要做好,标准要有一个规划。


针对具体的自动驾驶路线图和标准,华为技术有限公司公司标准与产业发展部主任工程师李洋提出的建议主要有三个方面,一是路线图,不管是我们规划到2035年还是2045年,产业现在最关键的还是2025年,即最近几年的发展落地。路线图在制定方面,目标的可实现性,还要具有一定程度的牵引,其中牵引的作用这方面还需要深度再考虑一下。


二是车路协同,需要车路网三方共同的发展,但实际上,它现在并不是一个很平衡完全协调的状态,可能需要通过车路协同这个系统,将三方的建设能够拉齐。


三是标准方面,从车路协同整个体系来说,由于整个行业它有很多的相关的联盟或者是标委会,可能有一些相关的工作,具体它们之间如何实现协同也需要考虑。


而对于自动驾驶相关标准的制定,盖世汽车也采访了自动驾驶领域的相关企业,他们对此也发表了各自不同的看法和建议。


作为智能驾驶解决方案服务商和产品供应商,福瑞泰克智能系统有限公司副总裁李意欣表示,智能驾驶的前提是安全,行人和环境的共同安全是行业的共同使命。中国交通场景非常多元和复杂,城市管理者将决定出行行业的未来,在这个过程中我们行业上下游需要协同合力形成联盟来共同推动行业标准的落地,更需要从驾乘者的角度思考我们需要什么样的交通环境可以实现更安全的出行和更智慧的城市。


从自动驾驶测试验证的方面来看,目前,L3&L4自动驾驶测试验证的行业标准也尚未形成。


亮道智能市场总监江南逸表示,行业和国家标准的推出,依赖于技术的成熟和市场的需求,否则很难设立统一的行业和国家标准。要实现自动驾驶的量产项目,车辆的感知决策的能力必须有统一的测试标准。目前亮道智能也在积极参与到行业标准制定方的标准制定工作当中。


她指出,从测试的角度来看,需要有统一的测试场景来评估自动驾驶的感知决策能力,目前在欧洲ASAM汽车行业标准协会牵头组织open系列的自动驾驶系列标准,在国内,中汽中心、国汽智联等也在积极组织标准的制定。


这一系列的标准当中,自动驾驶场景库标准是其中较为重要的标准之一,是自动驾驶测试中的一个重要环节,它是一定时间和空间范围内汽车驾驶行为与行驶环境的综合反映,亮道智能目前在欧洲加入ASAM,参与在场景库标准课题研究中,通过提供自动化的场景提取软件,为标准制定提供工具。


对于当前自动驾驶相关标准的现状,大众问问(北京)信息科技有限公司CEO张人杰则指出,现在国内大部分主要还是以智能网联汽车相关的标准为主,而不是自动驾驶相关标准为主。这二者的区别很大,智能网联偏向于车路协同,自动驾驶偏向于单车智能。由于单车智能和车路协同结合在一起才能完成自动驾驶,最终这两个领域还是一个融合发展的趋势,但现在还是各有各的侧重点。


在张人杰看来,最近自动驾驶的热度在下降,正处于一个变动的时间节点,或许再过几个月形势会更明朗一些。当这种过热的状态稍微降下来一点,反而会让产业更理智一点,从而去建立相应的法规政策以及这些行业标准。


小结


近日,刚刚发布的《交通强国建设纲要》中也明确提到,“加强智能网联汽车(智能汽车、自动驾驶、车路协同)研发,形成自主可控完整的产业链”,此外也有提到“推广智能化、数字化”交通装备及成套技术装备。


早在2016年,工信部就已经开始在上海进行智能网联汽车试点,并在北京、浙江、重庆、吉林、湖北等省市(直辖市)开展“基于宽带互联网的智能汽车和智慧交通应用示范”,大力推行自动驾驶测试工作;北京已经出台智能驾驶汽车与智慧交通应用示范5年行动计划,将在2020年底完成北京开发区内所有主干道路智慧路网改造;2019年5月举办第十一届中国汽车蓝皮书论坛上专门针对智能驾驶进行了讨论;而就在今年9月7日三部门联合启动车联网(智能网联汽车)和自动驾驶地图应用试点;以及9月16日,刚刚在上海东海大桥高速公路上多辆具备智能驾驶功能的汽车完成了我国首次在高速实际交通环境下进行的较大规模的智能网联汽车道路测试。


而随着《智能网联道路系统分级定义与解读报告》(征求意见稿)的发布,中国自动驾驶道路分级也将很快有“标”可依。从我国在智能驾驶方面的布局,可以看到智能驾驶时代即将来临。


正如中国公路学会理事长翁孟勇而言,2017年,十九大交通强国战略的提出,看见了中国车路协同自动驾驶的曙光,今年迎来了朝霞,很快会迎来朝霞满天。


虽然汽车行业寒冬还未过去,但是在车路协同这个领域有春天。


当自动驾驶汽车被追尾

博客gaohong 发表了文章 • 0 个评论 • 85 次浏览 • 2019-10-08 09:55 • 来自相关话题

但凡自动驾驶汽车发生事故,都会成为新闻的大头条。有趣的是,从统计数据上来看,大多数都是追尾事故,而且是自动驾驶汽车被有人驾驶汽车追尾。国外媒体 Wired 就做了个一组统计:拿 2018 年来说,加州有 28 名 ...查看全部

但凡自动驾驶汽车发生事故,都会成为新闻的大头条。

有趣的是,从统计数据上来看,大多数都是追尾事故,而且是自动驾驶汽车被有人驾驶汽车追尾。

国外媒体 Wired 就做了个一组统计:

拿 2018 年来说,加州有 28 名司机(其中一人骑自行车)在驾驶时与前方自动驾驶汽车「亲密接触」,占到了所有自动驾驶事故的三分之二。

翻阅加州的自动驾驶事故报告,你就能会发现,这些事故非常相似,几乎都遵循着相同的模式。

举例来说,去年 9 月,加州有三辆自动驾驶汽车出现了剐蹭事故,另外三辆则被其他车辆追尾。

最让人尴尬的一次事故是,去年 6 月,两辆 Cruise 自动驾驶测试车前后行驶,前车采用自动驾驶模式,后车是安全员手动驾驶。然而在一个转弯处,后车追尾了前方的自动无人车。

在研发人员看来,自动驾驶汽车是消除道路交通事故并拯救生命的神器。但想获得这一神力业内还得花费数十年时间,其背后也离不开无数的路测工作。

因此,类似的事故也引出了多个问题:

比如,如何管理未来全面开花的机器人及 AI 测试?如果公众不同意怎么办?最坏的情况是什么?

关于这一系列问题我们谁也给不出答案。但解决问题始于了解问题,所以我们得从数据中找答案。

01 深挖数据,我们发现了这些

普通人能接触到的数据实在有限,真正手握数据的公司也不大可能会主动分享信息量巨大的测试数据。

这些公司只是象征性邀请媒体或公务人员参与试乘活动,在可控环境中展示自己最光鲜的一面。

关于自动驾驶汽车的那些坊间传闻(比如 Waymo 的「左转无能」),则被很好的隐藏了起来。

据汽车之心了解,在亚利桑那、加利福尼亚、密歇根、内华达和宾夕法尼亚五大自动驾驶测试中心,明确要求各家公司披露项目相关细节的只有加州。

也就是说,每年各家公司都要向加州车管所(DMV)呈交一份自动驾驶报告,详细解释自家测试车的接管率(安全驾驶员接管车辆的频率)。

除此之外,只要出了事故,无论多么轻微,都要在 10 个工作日内对整个事故进行复盘并提交事故报告。

这一规定 2014 年起开始执行,截止 2018 年 10 月末,加州车管所已经收到了 104 份自动驾驶事故报告。

鉴于测试车数量逐年递增,因此去年事故也最多,仅 10 个月就新增 49 份报告。

当然,这些事故大多数都是小擦小碰,值得上新闻的都很少。

但从这些事故之中,我们依然能一窥当下自动驾驶测试的进展以及自动驾驶汽车与其他车辆分享道路的能力。

显然,这些车辆真如坊间传闻——它们的驾驶方式总是出乎意料,有时简直是路怒症的催化剂。


截止 2018 年 10 月 9 日,8 家公司向 DMV 上报 49 起事故

如上图所示,2018 年,Cruise 是递交事故报告最多的自动驾驶公司。Cruise 一直在向加州调兵遣将,并将测试地选在了交通混乱的旧金山。

Waymo 则排在第二。主要原因是 Waymo 的测试主力被安排在了亚利桑那州。

当然,加州车管所也给了这些公司解释的机会。

但有些原因,听起来有些匪夷所思。

比如,一辆 Cruise 的自动驾驶测试车被附近高尔夫球场飞出来的一颗高尔夫球击中,车辆的前风挡玻璃破裂,所幸没有造成伤亡。

还有一些测试车在停车待行时,被出租车司机下车追击,结果测试车被司机弄出不少划痕。


被追尾是自动驾驶频率最高的事故类型

当然,正常的碰撞事故也时有发生,比上面的奇葩事故频繁多了。

深挖数据,我们能发现这样一个规律:

在这 49 起事故中,有 28 次都是自动驾驶汽车被追尾,几乎占到了三分之二。其次是侧向碰撞,其中还有两起是与行人的碰撞。当然,这仅有的两次也是行人自己撞上的。

02 追尾事故剖析

一般来说,在法律框架下,如果某人从后面追尾,那么这位车主肯定是全责。

不过,28 起事故中有 22 起都发生在自动驾驶模式下,这个比例太高了,前方的自动驾驶车辆肯定也有问题。

是这些车辆跑起来过于兴奋?还是说经常没原因就停车?当然,这些都不是坏事,它显示了厂商对安全的重视,多停两次车肯定比出现一次恶性事故要好。

可惜,一个好司机的基本素养是不一惊一乍。自动驾驶汽车可不行,它踩刹车时经常会让人意想不到。

侧面撞击原因也并不复杂,人类驾驶员试图超越慢速或停住的自动驾驶汽车时玩脱了。

当然,我们也不能 100% 确定自动驾驶汽车行驶起来是否神经质,毕竟加州车管所也没有要求各家公司上报不同模式下的行驶里程。

对于这一问题,Cruise 联合创始人 Kyle Vogt 在 Medium 一篇文章中指出,「它们都是自动驾驶汽车,当然大部分时间是自动化。」不过,Cruise 却不愿公布详细数字。

在报告中, Cruise 是一家颇具代表性的公司,因为它在旧金山的测试车队规模不小。

对经验丰富的人类驾驶员来说,旧金山就是交通地狱,这里有无数的棘手十字路口、手推车、自行车、行人、道路工程和陡峭的山丘需要征服。

除此之外,旧金山还有各种开车很冲的驾驶员。

在 Cuirse 看来,这里才是最棒的「练兵场」,比相对简单且枯燥的亚利桑那街道可要「有趣」多了。

数据显示,Cruise 在旧金山遭遇紧急情况时,触发紧急状态的频率比凤凰城郊区高了 46 倍,在建筑工地则会高出 39 倍。

研究人员相当务实,他们均认为没有公路测试就没有更加安全的自动驾驶汽车。

不过,这也引发了新的问题。

密歇根大学福特自动驾驶中心负责人 Matthew Johnson-Roberson 就表示:「通过某个级别的基础性能测试之前,一股脑涌上街头真的好吗?」

诚然,加州的测试执照需要申请,但加州交管局可没有为各家自动驾驶公司出考题。

Vogt 指出,加州自动驾驶汽车事故报告显示,人类总期待着别人也破坏交规,比如加速抢黄灯或压着限速行驶,但自动驾驶汽车可不会这样做。

如果驾驶员清楚地知道自动驾驶汽车遵章守法,他们就不会报各种不切实际的幻想,我们的道路也会更加安全。

也就是说,人与自动驾驶汽车之间应该有更加行之有效的互动。

03 加强对自动驾驶汽车的认知

这类的事故的关键点是什么?

——认知。如果公众能多了解这些自动驾驶汽车(如何工作、测试以及习惯),就一定能从中受益。

不过,这个过程需要各家公司开诚布公,大方承认自家车辆的能力上限,而不是用炫目的 PPT 刷存在感。

有些公司为了体现科技感不愿传达类似信息,但如果业界建立起基础测试标准的话,这在提升用户接受度方面将会非常管用。

最后,如果你有幸在路上见到一辆自动驾驶汽车,跟车时千万别分心,给自己留下充足的反应时间和空间。


共享出行、自动驾驶等新技术让交通更安全 还是愈发危险?

博客gaohong 发表了文章 • 0 个评论 • 89 次浏览 • 2019-10-08 09:55 • 来自相关话题

10月8日消息,市区出现了比以往更多的交通选择:有Uber和Lyft这样的按需出租车,也有满大街的共享单车和滑板车。新一波的交通技术本应使世界更容易出行,且更安全。但在前进的道路中,未来主义的汽车、电动自行车和滑板车首次上路时,出行可能会暂时变得更危险。 ...查看全部

10月8日消息,市区出现了比以往更多的交通选择:有Uber和Lyft这样的按需出租车,也有满大街的共享单车和滑板车。新一波的交通技术本应使世界更容易出行,且更安全。但在前进的道路中,未来主义的汽车、电动自行车和滑板车首次上路时,出行可能会暂时变得更危险。

出行的未来开始成为一种公共健康危害。加州大学和斯坦福大学的一项研究对加州两家医院的急症部门进行了为期一年的调查,发现249人受伤与滑板车有关。由于性侵犯和假冒Uber司机的问题,Uber不得不断开发新的工具来证实其对安全的承诺。

去年,由于媒体大肆报道的事故和一起死亡事故,人们一说起自动驾驶便联想到车祸。

但事实证明,就算是符合标准的新车上的某些功能也未必可靠。据外媒报道,美国汽车协会发布的一项新研究称,行人躲避技术是包括紧急制动、车道保持、自适应巡航控制、有限自动驾驶和碰撞警告等在内的几种新型自动化工具之一,但在最需要的时候它却不起作用。

通常情况下,这是没问题的,因为方向盘后面有一个司机,逻辑上是这样的。但是辅助功能带来了一个新问题,那就是司机变得过于依赖它们,在开车的时候就会走神。

没有哪家公司能像特斯拉这样深切感受到这种痛苦,该公司生产的汽车自带名为Autopilot的自动驾驶技术。到目前为止特斯拉卷入了几起公开的撞车事故。首席执行官埃隆·马斯克表示,所有这些事故都是粗心司机的错。那可能是真的,但它没有反映出情况的复杂性。2018年,一辆特斯拉撞上了停在高速公路上的消防车。事故发生前不到一秒,这辆车就向司机发出了警报,但未能紧急刹车。对于一个人来说,0.49秒的时间是否足够让他对自己没有意识到的碰撞做出反应?还有,这些紧急刹车发生了什么?

曾经有人相信,自动驾驶汽车将成为我们的救星。2015年,我们有理由相信,到2050年,自动驾驶汽车将减少90%的车祸死亡,每年可以挽救成千上万人的生命。一些研究人员对自动驾驶机器的终极好处如此确信,以至于为数不多的安全担忧之一围绕着电车难题(Trolley Problem),即一辆自动驾驶汽车在发生碰撞时,是会选择拯救尽可能多的人,还是会选择拯救自己的乘客。

卡内基梅隆大学计算机科学系主任Andrew Moore三年前在与Adrienne LaFrance的一次谈话中说:“在某些情况下,一辆汽车知道它即将发生撞击,并正在计划如何撞击。”对于编写代码来处理碰撞的工程师,将会有令人难以置信的详细审查。它是想救它的主人吗?还是为了救别人呢?

但到目前为止,自动驾驶领域的事故与试图拯救他人无关。它们只是系统故障。在一个案例中,Uber的一辆自动驾驶汽车只是在晚上穿过一条双车道街道时没有注意到行人。当然,人类也是问题的一部分。查看加州的自动驾驶事故记录就会发现,人们喜欢追尾无人驾驶汽车,甚至连小型摩托车也会撞到自动驾驶汽车的尾部。我们和自动驾驶汽车似乎就是处不来。但是,除了把每一辆人类汽车从道路上拉下来,用自动驾驶汽车取代它们之外,这过程中自动驾驶汽车公司将不得不考虑到“人类”。

早期的自动驾驶试点已足够令人担忧,以至于制造自动驾驶汽车的汽车公司推迟了自动驾驶汽车的上市时间。今年4月,福特首席执行官Jim Hackett在底特律经济俱乐部(Detroit Economic Club)的一次谈话中说,我们高估了自动驾驶汽车的到来。

道路上自动驾驶汽车的逐步增多很可能会增加车祸发生。密歇根大学2015年发表的一篇论文提到了这一点:在传统汽车和自动驾驶汽车共享道路的过渡时期,安全状况实际上可能会恶化,至少对传统汽车来说是这样。这个结论可能是有预见性的。它还表明,自动驾驶汽车不一定比有经验的中年司机更擅长驾驶。

这并不是说我们不应该试图建立伟大的技术,最终使世界更安全。在大学校园里以及在华盛顿特区等特定城市、拉斯维加斯和底特律,我们能看到一些自动驾驶接驳车在以有限的低速路线试点。无论是滑板车还是自动驾驶大巴,试验可以帮助这些技术不断试错、最终成功落地。

但是人类应该以发展的名义而有所牺牲吗?以及我们到底需要多少试错才能迎来光明?这个问题可以通过立法来解决,帮助指导新的交通方式进入街道。因为,无论是巨头还是小企业都将继续做他们所应做的事情,启动、规模化、迭代,最终改变我们的生活方式。


赛迪报告:哪个国家自动驾驶成熟度最高?25个国家对比分析

博客gaohong 发表了文章 • 0 个评论 • 147 次浏览 • 2019-09-25 13:42 • 来自相关话题

随着人工智能技术和传感器技术的发展,自动驾驶汽车发展迅速,成为了业界关注的焦点。近几年国内外厂商更是大力研发自动驾驶技术,发展速度和规模不可小觑。

那么,世界各国自动驾驶汽车的发展情况如何?我国的又处于什么样的发展阶段呢?



商用车自动驾驶:L3基本无缘,L2进入爆发期「GGAI商用车」

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 150 次浏览 • 2019-09-24 10:07 • 来自相关话题

对于L3,乘用车也许还有机会,但商用车可能“几乎无缘”。十年前的2009年,法国航空(Air France) 447航班在巴西海岸坠毁,机上228人全部遇难。调查人员说,飞行员无法在紧急情况下恢复对飞机的控制。他们的最终失败很 ...查看全部

对于L3,乘用车也许还有机会,但商用车可能“几乎无缘”。

十年前的2009年,法国航空(Air France) 447航班在巴西海岸坠毁,机上228人全部遇难。调查人员说,飞行员无法在紧急情况下恢复对飞机的控制。

他们的最终失败很大程度上是由于过度依赖飞机的自动驾驶模式,而这种模式原本是为了比人类飞行员更安全、更可靠而设计的。飞行员在被要求控制飞机时准备不足。

同样的,谷歌在2012年就驾驶员如何与自动驾驶汽车互动展开的一项开创性研究,结果显示,当人们可以脱离驾驶任务,但必须时刻准备好在提示时接管控制权,在这种情况下,他们很难安全地操作车辆。

作为自动驾驶等级中的L3,这些系统可以在不需要人工的特定条件下自动转向、刹车和加速,但仍要求司机随时待命,以便在需要时恢复控制。

换句话说,行业的共识是,司机必须要么在拥有自动驾驶能力的车辆上保持持续的驾驶状态,要么完全脱离驾驶状态,无需承担在接到通知后立即控制车辆的风险。

此外,L3除了开发成本远超过L2,在商用车领域本身因为无法去掉司机,也无法在人力成本这一项上有改善,对于车队来说,并不具有很大的吸引力。

去年,戴姆勒卡车公司宣布将直接跳过L3,研发L4自动驾驶。而很多卡车制造商也表示,行业应该跳过L3。另一家卡车巨头沃尔沃,此前也表示,目前还没有研发L3自动驾驶卡车的计划。

“我们现在关注的是2级和4级自动驾驶。除非研究人员有一天可能会想出一个绝妙的解决方案,让L3更安全,但我现在还不能说如何做到。”沃尔沃卡车相关负责人表示。

更谨慎的看法是,2025年之前行业不会全面部署L4商用卡车,而就规模和需求而言,L2将是商用卡车大规模普及的关键。

坦白说,经过数年的大张旗鼓宣传,以及关于无人驾驶商业车辆何时以及如何进入市场的争论,这项技术的早期形式开始成为卡车制造商的一种务实选择。

自动辅助转向、车道保持、前向预警及紧急制动、自适应巡航控制等等功能的导入,将标志着大规模卡车L2自动驾驶市场启动的开始。

按照SAE的定义,L2是指系统可以在一定条件下自动加速、制动和横向移动,但仍然要求驾驶员在任何时候都保持注意力集中。而L2的特点,正是为司机提供横向和纵向的驾驶辅助。

按照行业预期,在接下来的1-2年时间内,全球主要商用车制造商将加快推动L2自动辅助驾驶的量产落地,并不断完善感知和算法,目的是增加系统的舒适性和安全性。

博世北美商用车负责人表示,博世将继续改进其嵌入式摄像头和相应的车道保持辅助等功能,并且在未来三年内,已经可以预见更多的汽车制造商使用电动助力转向,并将其作为驾驶员辅助解决方案的一部分。

在业内人士看来,尽管这些技术已经存在多年(比如在乘用车市场),但以一种安全、可靠的方式将它们集成到卡车等大型商用车上一直是“工程挑战的一部分”。

而随着L2系统的构建模块以及量产化进度,也为将来L4系统的真正商业化落地提供开发经验。因为现在的L4卡车,更多只是基于现有商用车底盘的改装、功能验证。

此外,供应商还在开发新的传感器阵列,同时测试雷达、摄像头和激光雷达的组合,这对于卡车等大型车辆来说,是规避行驶盲区的关键。因为和乘用车相比,安全冗余对于卡车来说,更为敏感。

商用车自动驾驶的另一大问题,就是除了安全和驾驶舒适性的好处,车队的投资回报仍难以量化。L2卡车仍需要在市场上证明自己,尽管零部件供应商和汽车制造商都给出了自己的投资回报数据预测。

另一个风险,就是现有司机对L2系统的接受度和正确认知。这种风险,已经在特斯拉上被印证很多问题。

沃尔沃卡车公司负责人表示,从长远来看,卡车制造商和车队运营商需要确保司机不会过度依赖L2卡车的自动辅助驾驶功能。

尤其是汽车制造商在引入这样的系统时,为了让司机充分了解这些系统的功能和限制,使他们不会总是使用这些系统,也要有效地沟通,这将是非常重要的。

“我认为它需要给司机们带来舒适,当然,还有它的安全性。我们面临的挑战是,我们需要确保这些系统以正确的方式使用。“上述负责人表示。


利用5G通信和远程控制补充和辅助自动驾驶

博客gaohong 发表了文章 • 0 个评论 • 192 次浏览 • 2019-09-17 10:20 • 来自相关话题

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的意义、时间表以及导入前的各类测试。推动建立5G ...查看全部

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的意义、时间表以及导入前的各类测试。

推动建立5G通信标准的国际组织3GPP*分阶段发布标准规格,建立了5G的标准。2019年即将进行试运行,2020年将正式实现商业落地。

* 3GPP(Third Generation Partnership Project):推动建立无线通信规格标准的项目。

本报告将根据各公司的演讲,主要介绍5G补充和辅助自动驾驶的作用。

•通过通信识别情况,补充车载传感器无法完全把握的领域(由于遮挡物使得传感器无法检测的邻近范围和广域信息等)。

•搭载使用5G的远程控制系统开展L4级自动驾驶车的路试。(根据日本警察厅的道路使用许可相关指南,在日本要开展L4级自动驾驶的公路测试,必须配套远程控制系统。)

此外,2019年12月3GPP的Release-16版本将敲定5G V2X(NR-V2X)的规格。与目前开展路试的LTE V2X相比,性能取得大幅提升,进一步真正地补充和辅助自动驾驶,兼容智能手机,还能实现V2P(汽车与行人通信)。

同时,为了应对未来数据转发量的飞跃性增长,正在考虑数据的分散处理。多接入边缘计算 (Multi-access Edge Computing, MEC)技术通过在接近终端的位置配置数据处理功能,实现通信的优化和减少延迟,由此可最大限度发挥5G的性能。

利用5G提升车联网将提高远程信息处理系统的便利性。如果进一步实现完全自动驾驶,车内将成为个人空间,使用信息娱乐功能的机会将增加,届时将需要实现更高速、更大容量网络连接的技术。

NTT DOCOMO的5G/C-V2X概念与发展

NTT DOCMO 5G创新推进室室长中村武宏以“NTT DOCOMO的5G/C-V2X概念与发展”为题进行了演讲。中村武宏分析了5G应用的意义、今后应用计划、利用5G实现的V2X通信对车载传感器识别功能的补充作用,还介绍了为实现上述功能开展的若干试验。

5G应用的意义与时间表:

在5G时代,利用5G的“高速、大容量(峰值速率:20Gbps)”、“低延迟(无线区间的传输延迟:1ms以下)”、“与多个终端的连接(同时连接数量:100万个设备/km2)”等特点开展的各类服务预计将应用至汽车行业等多个领域。

NTT DOCOMO计划到2020年东京奥运会和残奥会引入5G商业服务(采用2017年12月由3GPP建立的非独立 (Non-Stand Alone) 标准*)。在此之前,将于2019年世界杯橄榄球赛上导入5G的试运行。

* 全球大多数通信运营商都计划在5G应用初期实现与现有的LTE(4G)密切连接的5G服务(称之为非独立(Non-Standalone)方式)。

由于5G的引入耗时耗资,无法同时在全日本以统一条件开展。2020年将率先开始在最需要高速、大容量的区域(市区、世界杯橄榄球赛、奥运会、残奥会会场等)引入5G-NR(New Radio:5G导入的新无线通信技术)。据悉,日本全国道路(尚未最终决定)将制定优先顺序,分阶段逐步导入。5G的小区(Cell,一个基站的电波覆盖的区域)将与先进的LTE(eLTE)同时引入。郊区和农村也将在需要高速大容量通信的地区逐步引入点分布式5G-NR。

如右下图所示,2020年导入5G时,5G的区域与LTE的区域将同时存在。5G-NR的范围还将逐渐扩大至郊区和农村。其次,还将逐步导入对5G进一步扩展的技术(5G+)。

1.jpg

5G应用的意义

5G应用的时间表

开展5G的示意图

NTT DOCOMO:蜂窝V2X辅助车载传感器的感应功能

5G以蜂窝方式进行V2X通信(称之为蜂窝V2X)。将区域分割成一定的小区(Cell),在各小区内部署基站,利用目前用于手机与智能手机的无线通信设备。

蜂窝V2X是使用LTE或5G的V2X,支持通过基站的通信以及直接通信两种方式。具体分为V2V(Vehicle-to-Vehicle)、V2I(Vehicle-to-Infrastructure)、V2P(Vehicle-to-Pedestrian)、V2N(Vehicle-to-Network),分别承担各自的作用。

考虑到汽车的情况识别,车辆周围利用可靠度较高的车载传感器与摄像头(覆盖范围100-200m)覆盖,利用通信可覆盖以下领域:

1、距离很近但由于有遮盖物而无法利用传感器检测的领域

2、超出传感器检测范围的较远领域

3、检测实现顺畅导航所需的广域信息

通过车载系统与5G通信的组合,将实现更安全的自动驾驶。

蜂窝V2X的用例

补充情况识别的通信的可能性

2.JPG

资料:NTT DOCOMO

NTT DOCOMO参与的路试

<开发兼容5G的“On Glass Antenna”>

On Glass Antenna是AGC响应整车厂希望隐藏天线的需求,新开发的可安装在玻璃表面上的“车玻璃安装型天线”,可兼容28GHz频带和5G。2018年6~7月,NTT DOCOMO、AGC、爱立信三方共同实施路试,并成功实现最快11Gbps的5G通信。使用的车辆是日产GT-R,副驾驶座上安装基站开展了测试。

<索尼的New Concept Cart SC-1>

SC-1是一款EV概念车,在车辆前后左右搭载超越人类视觉能力的图像传感器,可把握360度全方位的环境影像,乘客在夜间也能在不开前照灯的情况下看清周围。行驶速度为0~19km/h。利用搭载于车辆前后左右的4K显示屏与5G通信,与索尼共同开展通过云识别标识以及自动驾驶测试(还能通过乘客的操作进行驾驶)。

<Flying View路试>

Flying View将4台摄像头的图像合成至无缝的俯瞰图像,可实时随意改变视角,还可监控周围。图像传输至MEC(下述)进行处理,并返回车辆生成图像。NTT DOCOMO与冲电气共同在富士高速上以160km/h的高速行驶验证了Flying View的有效性。

据悉,该系统还能用于建机确认周围情况。

3.JPG

2019年Automotive World上展出的兼容5G的On Glass Antenna

索尼New Concept Cart SC-1概念车远程操作路试(资料:NTT DOCOMO)

Flying View路试(资料:NTT DOCOMO)

此外,NTT DCOMO开展的“时速300km以上高速移动环境下的5G无线通信”等4项路试请参看以下报告:

KDDI:网联汽车的未来

KDDI株式会社技术企划总部车联网推进室室长 鹤泽宗文以“网联汽车的未来”为题进行了演讲。

网联汽车是指日本总务省定义的“始终联网、可双向通行的车辆”。(因此,ETC的利用和电视机接收信号不称为“网联”。)随着今后网联汽车的普及,有望应用至收集数据的利用/MaaS、安全驾驶/自动驾驶辅助、车内信息娱乐系统。

车辆与通信的互补关系

要实现车联网社会,下表中这些车辆各类通信技术的协调、合作和互补不可或缺。

车辆与通信的互补

车辆(单靠车载系统)

互补

通信

ITS

互补

蜂窝(Cellular)

4G LTE

互补

5G

资料:KDDI

在预防交通事故、减轻碰撞伤害方面,与车辆车载系统协调通信能起到作用。例如,发生“事故”时,紧急自动刹车属于传感器和摄像头等车辆车载系统的责任,发生事故时,安全带的动作等也由车载系统负责。同时,发生事故前几秒的信号灯信息、几十秒前的交通管制和堵车信息、以及发生事故后的紧急通报(HELPNET、欧洲的eCall)等由通信负责。

自动驾驶系统与通信技术的升级

•通信环境得到完善后,车辆安全行驶和自动驾驶方面,有不少传感器无法看到的外部环境信息通过无线通知,从而使车辆顺利运行的案例(称之为“网联ADAS”)。

•如果能够确认前方环境(100m以外没有障碍物和行人等),就可提高最高时速。

•如实现完全自动驾驶,车内将成为个人空间,信息娱乐功能将变得更重要,而5G则将成为必须。

KDDI:远程控制型自动驾驶的路试

日本警察厅依照2017年6月发布的指南,规定L4级自动驾驶车在日本公路上开展路试时,必须配备远程监控和操作人员。远程监控和操作人员需要与一般汽车的驾驶员一样,能够把握试验车辆周围和行驶的方向,可以准确地操作试验车辆的制动功能。此外,还要求通过影像把握试验车辆的情况,能够与车内乘客通话等。

KDDI在2017年12月开展了使用4G LTE通信的“远程控制型自动驾驶系统”路试,2019年2月使用5G通信开展了该实验。

<成功在爱知县的公路上开展L4级自动驾驶车的远程操作>

2017年12月,KDDI、Aisan Technology、Tiafoe三方实施了由爱知县牵头的2017年度“自动驾驶路试项目”的演示,这是首次在日本实施普通公路上的远程控制型自动驾驶系统的试验,成功进行了L4级自动驾驶车的远程控制。

此次路试车辆的驾驶座无人乘坐,利用预先构建的高精度3D地图在爱知县额田郡幸田町进行自动行驶,成功开展了检测到碰撞等危险时紧急制动等远程控制。

KDDI提供的通信系统连接4G-LTE网络、车载通信模块、远程控制台(远程操作人员所在地点)与云平台。试验车辆是丰田Estima,搭载5台摄像头(前后、左右、速度计),远程操作人员也能确认其影像。

成功实现了LTE同时对网联汽车发送相同信息

2018年4月,KDDI、诺基亚、Hexagon、KDDI综合研究所四方实施了自动驾驶时代高效地向网联汽车发送驾驶辅助信息的路试,验证了LTE同时向网联汽车发送相同信息的技术,尚属全球首次取得成功。

L4级自动驾驶车为了实现安全的驾驶,除了车载系统的加强以外,针对多辆列队行驶的网联汽车,在前车将掉落物体和异常天气等信息通知给后方车辆的功能、发送高精度定位补充信息等方面,可同时发送大量“驾驶辅助信息”的高效传输技术不可或缺。

此次验证的“同时发送相同信息”由于针对多个对象共享一个电波频带,因此可大幅提高电波的利用效率,即使未来网联汽车的普及量达到1000万辆的规模,也可能实现信息的实时稳定提供。

KDDI:5G带来的好处

5G实现了4G无法实现的许多东西,可为每个用例(系统利用者与系统进行沟通的场景)提供必要的条件。考虑到对于车辆来说具有很多好处的远程控制时的制动,摄像头影像传送至远程控制台、远程控制台的命令再传输至车辆这一往返的时间,缩小其延迟将是有效控制的关键。利用5G可实现如下好处。

5G为自动驾驶带来的好处

5G的特征性功能

为自动驾驶带来的好处

高速大容量

实现高精度影像、车辆信息的实时高速上传等

低延迟

实现远程控制无时间差的操作等

多连接

在复杂的环境下也能提供可靠的通信等

资料:KDDI

成功使用5G技术实现4K影像的实时传输

2018年5月8日,KDDI为实现无人自动驾驶车的远程控制,成功开展了4.5GHz频带车辆4K影像实时传输试验,该频带是5G的频带候补。使用了爱立信的5G试验装置。

在位于东京都新宿区内的4.5GHz频带试验区,成功实现了驾驶座的4K高清摄像头的前方影像、车内后视镜以及车外后视镜上的3台全高清摄像头,共计4台设备的影像信息的上行传输(从终端向服务器传输,该情况下是从车辆向基站传输),验证了除了原有的28GHz频带,4.5GHz频带也能稳定传输大容量信息。

由此,无人自动驾驶车的远程控制利用5G的高速大容量传输,通过高清影像,识别更远的人物和障碍物等动态信息,从而迅速作出判断和进行控制。

利用5G的多台远程监控型自动驾驶的路试

2019年2月9日,KDDI、Aisan Technology、KDDI综合研究所、损害保险JAPAN日本兴亚、Tiafoe、冈谷钢机、名古屋大学在日本爱知县一宫市开展了由该县牵头的“2018年度自动驾驶验证推进项目”的自动驾驶路试。这是日本国内首次在普通道路上开展5G多辆车远程监控型自动驾驶。

2辆自动驾驶车均是在 (1辆搭载4G LTE通信、另一辆搭载5G) 驾驶座无人乘坐的状态下进行自动行驶的。还有1名远程监控人员同时监控2辆车,在紧急时进行控制。

2017年12月开展的相同路试搭载4G LTE,只进行左转行驶,而此次开展的路试左右转弯均包含,5G配套车缩短了紧急时刻的制动时间,因此提升了车速,以30km/h的时速行驶。

软银:5G描绘的移动出行未来

软银株式会社技术战略统筹尖端技术开发总部总部长 湧川隆次以“5G描绘的移动出行未来”为题进行了演讲。

IoT(物联网)/AI(人工智能)的时代终于到来。物联网时代,所有事物都能通过通信连接。到4G为止,其应用如手机等都以人为主,但5G推动了IoT的发展,实现了原先依靠有线才能连接的事物。

自动驾驶方面,目前的技术以利用激光雷达或雷达把握环境等的车载系统为主,但通过利用网络(V2V、V2N、V2P、V2I),能实现更安全的自动驾驶。

当前的自动驾驶技术

利用网络的自动驾驶

资料:软银

软银:统一规格下的蜂窝V2X

3GPP正在推动5G统一规格的制定,蜂窝V2X的V2V、V2N、V2P、V2I将逐步得到实现。其用例包括以下场景:

•(V2V)前车摄像头影像向后方传输;

•(V2V)通过列队行驶(只有首辆车有人,第2辆开始无人驾驶),解决卡车司机短缺的问题;

•(V2I)恶劣天气下看不到的交通标志也通过通信来识别;

•(V2I、V2P)检测信号灯信息与行人信息

要普及V2X,交通基础设施行业、汽车行业以及软银等通信行业需要开展合作。即使这些行业对各自的情况十分熟悉,也无法构建有效的体系。

真正的自动驾驶将从Release-16版本决定的5G-V2X规格开始

当前的C-V2X是在2017年3月制定的统一规格,称之为LTE-V2X。2019年12月前将在3GPP Release-16版本决定5G V2X(NR-V2X)的规格,凭借高速通信速度和低延迟等优势,为自动驾驶作出重大贡献。

自动驾驶将向蜂窝V2X发展

真正的自动驾驶始于5G-V2X

计划利用5G网络实现自动驾驶社会

资料:软银

<利用5G的卡车列队行驶等的路试>

软银自2017年12月起负责日本总务省的调查,开始在茨城县筑波市启动卡车的列队行驶(首辆车为有人驾驶,后续车辆为自动驾驶跟随前车)以及车辆的远程监控和远程操作的路试。

软银开展高速移动中的卡车(时速60km~90km)与5G试验基站之间的信号传输试验,并成功实现了低延迟通信,将无线区间(单行道)的延迟时间缩短至1ms以下。此外,在列队行驶试验中成功实现了大容量影像的实时传输,将后续车辆上安装的摄像头拍摄到的影像通过车车间通信发送至前车。今后还将研究其他车辆进入列队时的对策。

V2V试验(车车间直接通信)

V2V试验(车车间直接通信)

资料:软银

软银:利用多接入边缘计算(MEC)最大限度发挥5G性能

实时发送本地化地图数据(资料:软银)

多接入边缘计算(MEC:Multi-access Edge Computing)是用于提高一定区域内通信处理效率的技术。将通信服务器放置在区域内,从而就不会将区域内通信量(网络上流动的数据量)带到区域外,只需在区域内进行处理。一般的移动网络由“终端-无线网-转接网-网络-服务器”的形式构成,但MEC在无线网内放置服务器,因此可以消除通过转接网与网络产生的通信延迟(通过网络与云平台通信时的延迟较大)。由此,可最大限度利用5G的能力。

用例包括卡客车的远程控制、根据外部传感器的信息远程驾驶自动驾驶车、利用AI进行驾驶员监控等。

湧川隆次表示,还具有为MEC的服务器增加地区性质的效果。例如,如果在各县安装服务器,还可实现实时向车辆发送各地区地图数据的服务。

同时,软银还在研究提高车载计算机的处理能力,但成本和用电量等方面还存在较多困难。反之,如果提高了MEC的处理能力,车载计算机只接收MEC处理的数据,那么车载系统就可实现简化,不需要频繁购买新车,也能保持最新的通信水平。

软银与本田共同利用5G启动网联汽车的商业化可行性研究

在本田的测试场内构建5G试验基站(backhaul是指连接终端(测试场)的接入线路与5G核心装置的交换电路)

(资料:软银)

2017年11月,软银与本田启动共同研究,以5G的普及为目的,旨在加强网联汽车技术。将开发高速移动中的汽车稳定切换通信基站(移交技术)等技术。

2018年11月,双方预计约2年后就将启动5G服务,开始构建利用5G的网联汽车开发环境、开展商业化可行性研究。在本田技术研究所位于北海道上川郡的测试场设置试验基站,使用符合3GPP规格的通信设备(诺基亚制造),构建最尖端的5G网络。这是首次在日本构建由针对商业化环境的非独立(Non-Standalone)标准规格构成的室外5G网络环境。

此次构建的5G网络环境可传输高清4K影像,今后还将致力于验证向车辆搭载的试验用终端传输影像。


知荐 | 无人监督的学习对自动驾驶汽车有什么影响

博客gaohong 发表了文章 • 0 个评论 • 171 次浏览 • 2019-09-17 10:20 • 来自相关话题

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得人心的关键是提供高智能和安全性。在本文中,您将 ...查看全部

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得人心的关键是提供高智能和安全性。

在本文中,您将了解:

监督与无监督机器学习方法

最受欢迎的无监督学习课程

在驾驶自动化中使用哪些类别的无监督学习算法

哪些算法适合无监督的ML类别的聚类,模拟和测试数据生成

无监督学习的好处

汽车中机器学习算法的使用案例

通常情况下,人们在驾驶时感到自信,不仅需要一个月甚至一年的时间。那么我们对机器的期望是什么呢?自动驾驶汽车需要机器学习。很多学习。反过来,机器学习需要数据来学习。自动驾驶迫切需要机器学习算法和数据来训练它们。给我们人类留下的是在选择正确的机器学习方法的同时提供数据。我们已经开始理清为什么机器学习算法是自动驾驶的一个组成部分。为了支持这一主张,我们来看看无人监督的机器学习,这是一种人工智能(AI)的一个分支,可以帮助机器有效地学习。

万一你忘记了无监督学习是什么......

术语无监督学习是指AI / ML训练模型,与监督学习相反。监督学习算法依赖于标记的输入数据和学习环境的特征。这样,程序根据已分类的数据预测输出。

无人监督的机器学习试图在没有任何人为接触的情况下为人工智能获得更多积分。无监督机器学习算法依赖于没有标签,预定义特征或指定分类集的数据。无监督的AI / ML系统从输入数据的根深蒂固的结构中学习。

哪些是最受欢迎的无监督学习算法类,哪些用于驾驶自动化?

有许多无监督的机器学习算法和它们可以属于的许多类别。无监督机器学习算法可以根据它们用于分组和处理数据的方法进行分类。

无监督机器学习算法的一种分类Teradata -机器学习算法

1.jpg

在应用基本的无监督学习技术时,数据科学家使用以下经过验证的方法:

特征分离技术

主成分分析(PCA)

奇异值分解(SVD)

期望最大化算法

双聚类

选择无人监督的自动驾驶汽车开发学习模型是经验丰富的数据科学家团队的特权,他们熟悉每种模型的优缺点。根据自驾车工程师正在解决的任务,上述无监督方法可用于自动驾驶汽车。

尽管如此,分析了汽车领域的数十个用例(查看本文最后一节中的实际用例),我们可以得出结论,汽车制造商及其数据科学团队最常在自动驾驶汽车中使用无监督学习模型:

聚类

模拟和测试数据生成

异常检测

聚类

聚类技术是最有效但相对简单的无监督学习方法之一,用于在查找输入数据中的固有结构和特征的同时对数据点进行分组。

在自动驾驶汽车中进行机器学习时,聚类技术可构建基于数据的预测和特征选择模型:

物体检测

驾驶遭遇场景

交通信息检测

轨迹选择

在某些时候,监督学习模型可能会失败。在这种情况下,当数据点有限,数据不连续或系统只有低分辨率图像时,聚类算法可能是正确的解决方案。例如,在不利的天气条件(如雾)或有某些障碍物(如树)时检测来自特定类别的道路标志时,分类算法可能无法正常工作。但是,由于能够检测对象的固有结构,聚类算法可以成功完成这些任务。

汽车中使用的一些典型的聚类无监督机器学习算法是k均值,均值偏移聚类和DBSCAN。

K-手段

该算法将数据点作为输入并将它们分组为“k”簇。它将每个数据项分配给最近的集群中心。在训练阶段之后,它返回一个输出,其中所有数据点都被称为特定集群的属性。

k-means聚类如何工作的示例

2.JPG

K-means在Python中进行聚类

在其他用例中,数据科学家使用k-means算法检测车道边界,并将训练数据转换为适当的格式,以便在自治系统中进一步处理。

平均移位聚类

这种类型的无监督学习算法被广泛使用并被认为是用于基于聚类的分割的高级和通用技术。看一看均值漂移聚类的一个定义:

给定一组数据点,算法迭代地将每个数据点分配给最近的聚类质心。到最近的聚类质心的方向取决于附近的大多数点所在的位置。因此,对于每次迭代,每个数据点都将移动到最大点所在的位置,这将是或将导致群集中心。算法停止时,每个点都分配给一个集群。

GeeksforGeeks

通过均值移位GitHub找到的原始非聚集数据与聚类- 比较Python聚类算法

在自动驾驶中,均值平移算法用于高级图像处理和计算机视觉开发。

基于密度的噪声应用空间聚类(DBSCAN)

该方法将高密度的簇与低密度的簇分离,在数据中寻找具有高密度观察的区域。它需要预设的最小数量的数据点来确定单个群集,这会转变为数据集中已定义的异常值的输出。

由DBSCAN GitHub执行的原始非集群数据与集群- 比较Python集群算法

数据科学家在自动驾驶中使用DBSCAN算法进行高级图像处理,驾驶场景聚类和计算机视觉开发。

使用无监督学习进行仿真和测试数据生成

使用无监督学习研究无人驾驶汽车的研究人员一直在寻找自动生成测试用例以反映现实驾驶场景的方法。根据一些估计,自动驾驶汽车需要行驶数十亿英里才能展示出所需的安全性和可靠性。但是,驾驶数十亿英里需要几十年的时间并且需要花费一笔不小的钱。这就是数据科学家喜欢使用无监督机器学习模型生成大量真实驾驶场景的原因。通过这种方式,他们可以在不同的驾驶条件和场景下测试模拟自动驾驶系统的可靠性和安全性。

走向另一个方向并省略现实世界的培训,自动驾驶汽车概念迎合了其他挑战。其中之一是需要大量的培训。巨大的训练数据集必须代表所有可能的驾驶,天气和情况的示例,以实现高水平的性能。如何在不花费数十年驾驶和拍摄图像的情况下获得数PB的训练数据?一个可能的答案是生成合成数据。接下来的问题是如何使用合成数据正确设计自动驾驶模拟。一种合理的可能性是使用生成对抗网络(GAN)。

在自动驾驶系统中使用GAN

尽管GAN被称为无监督学习方法,但其逻辑与无监督问题一起工作,就好像它是受监督的问题一样。它由相互对立的生成和判别算法组成。生成器生成示例,鉴别器评估这些示例,尝试将它们分类为真实或伪造。“真实”示例是根据训练数据集的实际数据进行训练的示例。生成和判别算法一起训练,直到达到最高准确度。

GAN作为训练方法

Medium - GAN - 什么是生成对抗网络(GAN)?

为了训练自动驾驶汽车,GAN有助于从头开始提供数据 - 主要是图像,因为它可以学习模仿任何数据分布。

自动驾驶模拟中的自动编码器

使用无监督机器学习模型驾驶模拟的另一种方法是通过自动编码器开发的。这种类型的无监督人工神经网络压缩和编码原始数据输入,然后尝试基于压缩或隐藏数据表示来重建输出。

运行中的自动编码算法Keras博客 - 在Keras中构建自动编码器

在自动驾驶模型中,自动编码器广泛用于模拟驾驶行为和预测风险模式。通过来自传感器和摄像机的数据,自动编码器有助于创建一个真实的测试环境,以训练车辆避免物体,反动控制,车道跟踪,甚至车辆转向。

用于自动驾驶车辆的异常检测算法

安全问题和缺乏信任仍然是人们拒绝乘坐自动驾驶汽车的主要原因。在自动驾驶汽车中进行无人监督的机器学习可以防止致命的碰撞和破坏性后果。异常检测方法可以是治疗方法之一。

自动驾驶汽车中的安全系统应配备异常检测模块,这些模块不会首先关注识别威胁。相反,他们首先尝试识别自动驾驶车辆的异常行为,从而防止严重的安全隐患。检测到异常行为时,系统会查找异常原因并尝试将其删除。除行为分析外,异常检测方法还支持入侵检测系统(IDS)和恶意软件防护。

例如,从未遇到过大象的自动驾驶汽车将其归类为具有不可预测行为的物体,并将停止汽车或切换到人为控制。同时,在新加坡的左侧行驶可能与训练场景不同,但不会被视为异常。

局部异常因子(LOF)

用于自动驾驶的无监督学习方法之一是局部异常因子(LOF)。作为一种常用工具,LOF表示一个分数,表示某个数据点是异常值/异常的可能性。LOF方法计算特定数据集内与其邻居相比的数据点的局部密度偏差。

无监督学习与监督:自动化问题的解决方案在哪里?

自动驾驶汽车是如此复杂的数据中心 - 由各种操作系统,控制单元和组件组成 - 有足够的任务用于各种机器学习算法。监督学习和无监督学习的优点和缺点取决于用例。尽管如此,许多人认为它将是无监督而非监督学习,这将使我们能够接近第五级自动化。以下是一些原因:

更好的可扩展性。大多数无监督机器学习算法不需要手动标记监控信号。这意味着具有广泛数据集的更好的可扩展性。

更便宜。在数据标记方面,无监督的机器学习更经济,因为标签数据非常昂贵且耗时。

收集数据所需的时间和精力更少。利用合成数据,科学家可以减少所需的实际训练数据量。现实世界的数据很难获得,但需要开发高质量的计算机视觉模型。

更好的性能和更低的硬件要求。自动驾驶汽车中的无监督学习模型可以通过人类驾驶员的最小输入自动学习道路特征。例如,神经网络需要最少的训练数据来从可用的命令中进行选择,例如前进,左,右和停止。

无偏见。虽然这一点有点争议,但偏差方差是监督学习模型的主要缺点之一。由于人工输入较少,无监督的机器学习算法应该具有更强的抗偏差性。

大型市场参与者已经准备好在自动驾驶汽车中投资机器学习和无监督学习模型

数据科学家面临的全球汽车界面临的最大挑战是制定适用于更广泛的部署方案的有监督和无监督的机器学习算法。如今,除了其他应用之外,OEM和一级供应商广泛使用机器学习算法来评估驾驶员的健康状况,对驾驶场景进行分类并协助制造。与此同时,机器学习仍然是汽车的一个有吸引力的领域,也是自动驾驶汽车的先决条件之一。这些只是企业使用机器学习算法的一些方面:

提高AV性能的准确性。总部位于以色列的公司Cortica与瑞萨电子公司合作,采用嵌入瑞萨 R-Car V3H片上系统的无监督学习模型,实现其自动驾驶汽车概念。他们表示,他们的无监督学习算法现在可以根据从前向摄像头接收的视觉数据进行预测。通过这种方式,公司计划提高系统对任何情况作出反应的能力,无论对象或环境是否先前通过深度学习转换为规则。

模拟最糟糕的驾驶场景。Waymo的自动驾驶系统在很大程度上依赖于机器学习算法,包括神经网络。该公司设计了一个神经网络来复制人类驾驶,特别是在最糟糕的情况下。当然,最终目标是防止五级自动化的致命后果。

预测故障和所需服务。沃尔沃使用机器学习算法来分析大量累积数据,特别注意防止故障和故障。

教授如何使用合成数据安全驾驶。谷歌的自动驾驶汽车每天可以增加300万个模拟里程。通过这种方式,Google不仅可以提高驾驶安全性,还可以使用模拟技术根据实际情况创建新的场景。

为公共道路建立自驾车概念。英国公司Wayve已成功测试了他们在英国公路上的自动驾驶汽车的模仿学习和强化学习算法,没有手动编码的驾驶规则。他们的自动平台是在全电动捷豹I-PACE SUV上制造和测试的。

我们相信AI和机器学习算法的改进 - 无论是有监督的还是无监督的学习模型的结果 - 肯定会有助于自动驾驶的成功未来。(来源 | 清研车联(ID:tsing_auto_i-tech))


安信:2019自动驾驶趋势研究报告(十二)

博客gaohong 发表了文章 • 0 个评论 • 184 次浏览 • 2019-09-12 15:10 • 来自相关话题

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金6.2.1 车厂大规模自动驾驶计划进入倒计时自动驾驶产业进入大范围量产前夕,2020/2021 年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业 ...查看全部

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金

6.2.1 车厂大规模自动驾驶计划进入倒计时

自动驾驶产业进入大范围量产前夕,2020/2021 年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业(Tier1/2、车厂)的量产时间表,2020/2021 年是绝大部分企业高等级自动驾驶(Level3/4)量产的节点。可以说,自动驾驶产业已经进入大范围量产前夕。

以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。结合国家《汽车产业中长期发展规划》、《智能汽车创新发展战略》(征求意见稿)以及产业链调研的结果。我们认为,以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。

6.2.2 2030年自动驾驶前装市场空间有望达到1400亿美金

L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。现阶段已经量产的自动驾驶系统中,实现 L2+功能的通用-凯迪拉克 CT6(参数|图片) 的智能驾驶配置包的报价在 5000 美金/套;特斯拉的 AutoPilot 系统,根据不同的实现功能,分别报价在 5000 美金/套、8000 美金/套。奥迪 A8 代表现阶段量产的自动驾驶的最高水平,已经达到 L3 级别,可以实现在高速公路上,以 60 公里/小时的速度完成自动驾驶功能,让驾驶员完全可以不用手握方形盘而去做其他的事情,在遇到紧急情况的时候,车辆会发出接管请求,并且给驾驶员提供 8-10 秒的时间评估路况,重新接管车辆进行控制,其报价在 10000 美金/套。参考上述车厂的自动驾驶前装套件报价,我们预计在大规模普及之后,L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。当然,不排除成本大幅降低后,整车厂将降低报价,让利消费者。


安信:2019自动驾驶趋势研究报告(十一)

博客gaohong 发表了文章 • 0 个评论 • 194 次浏览 • 2019-09-12 15:10 • 来自相关话题

5.3 从封闭到开放, ...查看全部

1.jpg

5.3 从封闭到开放,联合研发分摊开发成本

从封闭到开放,车企合纵连横,联合研发分摊开发成本。自动驾驶研发对于软硬件投入的门槛之高、投资回报周期之长无需赘言。整车厂选择自研的优势在于垂直整合,利于持续迭代,但劣势在于成本高,研发周期长。能否担负起初期一次性的研发成本,并在整个汽车销售过程中将其摊薄,这是车厂需要解决的问题。实际上,与其自身冒险的大规模投入,车企间从封闭到开放,合纵连横组建联盟,分摊无人驾驶先期的风险成本,缩短技术创新周期,形成规模效应,抢占时间窗口,成为产业新趋势。在共同利益的驱动下,我们已经看到奔驰、宝马、通用、本田、大众、福特等一线车厂,在自动驾驶技术研发领域达成战略合作协议,预计后续将有更多的车企加入到联盟中。

2.JPG

6.市场:蓄势待发,大幕将启

6.1 态度开放,需求旺盛,中国或成全球自动驾驶第一大市场

国内消费者对于自动驾驶的接受程度、需求、支付意愿均居于全球前列。1)接受程度。根据艾瑞的调研报告,相对于较为保守的美国消费市场,国内消费者对于自动驾驶持更加开放的态度,尤其在数据、安全性等领域;2)需求:腾讯人工智能与自动驾驶消费者调研,则表明国内消费者对于自动驾驶的需求较为普遍,近 60% 的人口对自动驾驶有需求。从调研样本来看,自动驾驶对女性与大年龄层消费人群存在更强的需求吸引力,在经济更发达且交通环境更复杂的一二线城市中接受程度更高;3)支付意愿。麦肯锡在 2018 年 4 月的调研显示,49% 的中国消费者认为全自动驾驶「非常重要」。国内消费者愿意为购买自动驾驶车辆支付高达 4600 美元的溢价,而美国和德国则分别为 3900 美元和 2900 美元。

3.JPG
4.JPG

中国已经是全球最大的汽车市场,有望成为全球自动驾驶市场第一大市场。从 1956 年中国第一辆解放牌卡车在一汽下线开始,经过 60 多年的努力,从自力更生到以市场换技术、合资建厂,再到自主研发,如今中国已经成为世界上汽车产销量最多的国家,根据 wind 数据,约占全球汽车市场 1/3。尽管 2018 年国内汽车销量市场首度出现负增长,但考虑到「汽车下乡」政策的托底,以及消费升级的趋势,我们对国内汽车市场的未来仍然保持乐观态度。巨大的消费市场叠加旺盛的自动驾驶需求,我们预计中国在未来同样将成为全球自动驾驶第一大市场。

6.jpg


安信:2019自动驾驶趋势研究报告(九)

博客gaohong 发表了文章 • 0 个评论 • 206 次浏览 • 2019-09-11 15:46 • 来自相关话题

5.成本:有望骤降,从Demo跨越到 ...查看全部

1.jpg5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显著下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。



 5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。


安信:2019自动驾驶趋势研究报告(十)

博客gaohong 发表了文章 • 0 个评论 • 219 次浏览 • 2019-09-11 15:46 • 来自相关话题

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围,会对自动驾驶的大规模普及造成严重的影响。我们认为, ...查看全部

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围,会对自动驾驶的大规模普及造成严重的影响。我们认为,鉴于芯片的出货定价与量产情况有着密切的关系,不必过分担忧芯片的出货价格。考虑到自动驾驶计算平台高昂的研发成本(英伟达最新一代的 Xavier 芯片研发投入高达 20 亿美金),芯片厂必然会在尚未大规模量产的初期选择高定价的模式,来部分覆盖前期的投入。而一旦达到大规模量产(比如年出货量达到 100 万颗),则芯片厂能够很快回本前期的投入,芯片的定价之后有望与成本相挂钩,价格会急剧下降。


核心部件——激光雷达,合理的技术路径带动成本降低。激光雷达部件现阶段成本较高,以行业主要企业 Velodyne 的激光雷达为例,按照线束的密度进行报价——8万美元(64 线)、4 万美元(32 线)、4 千美元(16 线)。Velodyne 的激光雷达报价居高不下的原因,并非激光雷达的物料成本,而在于其采用了传统的机械式扫描的技术方案——机械式激光雷达的光学系统的装配和标定过程要求高度严谨的机械系统校准,同时,量产的一致性要求也会导致产能低下。现阶段,产业界的一致看法是打造出一台售价低廉的激光雷达关键就是将传统的旋转式机械设计换成固态设计,这样能大量减少可移动部件,激光雷达的结构和量产简单了,成本也就自然降低了。在新的技术路径下,众多产业界的厂商(包括 Velodyne)均预测未来激光雷达的量产成本将下调到数百美金/颗。

5.2. 政府助力车路协同(V2X)基建普及,显著降低单车改造成本

「聪明」的车+「智能」的路,车路协同(V2X)发展将显著降低单车改造成本。目前大部分对于自动驾驶硬件改造成本的讨论都停留在单车智能的技术路线和视角。实际上,国内的自动驾驶技术路线是智能网联的路线,即「单车智能」与「车路协同」协同发展。车路协同的价值和意义在于,如果说自动驾驶单车智能的价值是让路上的车辆都能变成由「二十年驾龄老司机」驾驶的话,那么车路协同则像是又给每辆车配备了一个开了「天眼」的交警,「他」将站在「完美」视角保障安全、疏导交通,高效分配道路资源。以一个交通路况复杂的路口为例,人类司机和自动驾驶车车载传感器由于视角和视线的局限,都只能感知到路况信息的一部分,那些看不到的障碍物造成了危险隐患;如果车路协同配备了「完美视角」路侧感知设备以后,利用高清摄像头等多种传感器加上边缘计算设备的识别能力,可以感知到路口范围内全部的交通参与方,并实现多种分析功能,把这些信息通过 V2X 通信实时的共享给路口的全部车辆,即可最大限度消除危险隐患。「车路协同」技术的演进和基础设施的普及,将会显著降低单车智能的改造成本。根据百度的预测,在车路协同的基础上,自动驾驶的研发成本可以降低 30%,接管数会下降 62%,预计可让自动驾驶提前 2-3 年在中国落地。

车路协同(V2X)已经成为国家重点发展战略,5G 基建点火助力。目前发展车路协同技术及其应用已纳入交通部智能交通系统发展战略。国家的在建项目有:新一代国家交通控制网和智慧公路试点工程/北京冬奥会、雄安新区项目等。从车路协同的技术体系来看,我们认为,5G 的普及将进一步提升车路协同的技术价值。根据中移动测算,自动驾驶车辆以每小时 60 英里(约 96.56 公里/小时)的速度行驶,在使用 5G 通讯网络的情况下,其收到某一反馈信息后实际上只移动了 3 厘米左右。现有 4G 网络时延条件之下,时速 100 公里的汽车,从发现障碍到启动制动系统至少移动 1.4 米。2019 年以来政府提出了科技新「基建」的政策发展方针。发改委副主任连维良表示今年将的「建设」的重点有五个方面,「加强新型基础设施建设」居于首位(包括 5G 的商用),我们预计政府将有财政资金配套产业政策扶持 5G 产业,快速完善科技新「基建」,为自动驾驶产业铺路。政府的保驾护航下,国内有望拥有全球最领先的自动驾驶基础设施(5G+V2X)。


安信:2019自动驾驶趋势研究报告(九)

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 235 次浏览 • 2019-09-10 15:59 • 来自相关话题

5.成本:有望骤降,从 ...查看全部

1.jpg

5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显著下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。

3.JPG2.JPG


5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。



安信:2019自动驾驶趋势研究报告(八)

博客gaohong 发表了文章 • 0 个评论 • 222 次浏览 • 2019-09-09 14:54 • 来自相关话题

1.jpg


2.JPG


自动驾驶 L3 商业化技术已经成熟,L4/5 加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进展,除了个别领跑者如整车厂(奥迪已经量产 L3 级别的自动驾驶车辆)、科技公司(Waymo 已启动 L4 级别机器人出租车的商业化运营),大部分公司的节奏是已初步掌握 L3 的核心技术,进入由 L2 向 L3 商业化过渡的关键阶段,同时 L4/5 加速发展进入验证试点阶段。

3.JPG

4. 政策:「绿灯」频开,合法上路在即

国家层面:自动驾驶汽车已成为全球汽车产业发展的战略制高点,国内顶层设计政策已出台。制造强国离不开汽车强国,汽车强国离不开智能汽车强国。全球众多国家已将自动驾驶汽车发展纳入国家顶层规划,争抢未来汽车产业发展的战略制高点,以求在汽车产业转型升级之际抢占先机。比如,美国交通运输部于 2016 年 9 月发布联邦《自动驾驶汽车政策指南》,持续推进自动驾驶汽车的安全监管与测试,并于 2018 年 10 月发布《为未来交通做准备:自动驾驶汽车 3.0》,加强自动驾驶汽车与整个交通出行体系的安全融合。日本在 2017 年发布《2017 官民 ITS 构想及路线图》,公布日本自动驾驶汽车发展时间表,提出 2020 年实现高速公路 L3 级自动驾驶功能,并在特定区域实现 L4 级自动驾驶应用。国内也已启动自动驾驶汽车发展国家战略规划,《汽车产业中长期发展规划》、《智能汽车创新发展战略(征求意见稿)》、《车联网(智能网联汽车)产业发展行动计划》等多部文件均对自动驾驶产业提出了清晰而具体的发展规划。

4.JPG

5.jpg


地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。

6.jpg

国家层面指导意见有望出台,监管有望不再缺位,确保自动驾驶车辆上路的「合法性」。目前的交通法规都围绕着一个关键要素——驾驶员,而且驾照、车险、交通法规等所有制度环节都假定「汽车是在人的操控下运行的」。而对于高等级自动驾驶汽车而言(驾驶权逐步更替成机器),在现有的制度下,会引发一系列现实的困境,例如:在交通事故中,如何判定哪辆车是事故责任方?自动驾驶车辆和传统车辆的路权如何分配?自动驾驶车辆想要规模化的上路,离不开底层的法律监管的创新,来确保其基本的合法性。可以说,相对于已出台的众多产业政策的大力支持,目前国内在关于自动驾驶技术的法律监管方面是缺位的。但考虑到国内的整个法律体制相对于全球其他国家,更具有集中的、自上而下的监管特点;具有不同职能部门之间可以实现更好协调的优势,我们乐观地判断,自动驾驶车辆上路合法性的监管文件有望尽快出台。最新的好消息是,交通部部长李小鹏在 2019 年 2 月 28 日表示,将力争在国家层面出台《自动驾驶发展指导意见》,有望彻底扫除自动驾驶车辆上路的法律障碍。整体上,高等级自动驾驶车辆上路合法化的路径,将跟随技术的成熟度逐渐放开,先从简单的高速公路路况开始,逐步开放城区等复杂场景,直至全场景。

地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。


安信:2019自动驾驶趋势研究报告(七)

博客gaohong 发表了文章 • 0 个评论 • 218 次浏览 • 2019-09-09 14:54 • 来自相关话题

高精度地图对于自动驾驶的意义在于:1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有的传感器方案仍然存在改进的空间,包括传感器测量的边界(视觉、 ...查看全部

高精度地图对于自动驾驶的意义在于:

1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有的传感器方案仍然存在改进的空间,包括传感器测量的边界(视觉、激光感知范围有限)、传感器应用的工况限制(如摄像头在雨雪天气无法正常工作)。高精度地图超视距的特点意味着其可以对整体道路流量、交通事件、路况进行预判,可以作为感知层的安全冗余;

2)提供先验知识。自动驾驶的基本原则:让车的判断越少、也就越安全。高精度地图可以提供车辆环境模型的先验知识,一定程度上减少自动驾驶车辆感知层的压力;

3)确定车辆在地图中的位置:人可以通过观察和记忆,而自动驾驶汽车只能通过高精度地图以及其创建的环境模型确定车辆在在地图中的位置。

4)提供车道级的规划路径。正如前文所述,高精度地图会把道路基本形态,特别是车道线展现出来,辅助自动驾驶车辆实现车道级的路径规划,支持并线超车等高等级的驾驶决策。

1.jpg

高精度地图是实现自动驾驶的必要条件吗?——Level3 及以上是必选项。基于美国 SAE 协会对自动驾驶技术等级的划分,在 Level 2 以下的辅助驾驶阶段(ADAS 阶段),高精度地图对整个辅助驾驶系统来说是一个可选项。当自动驾驶技术发展到 Level3 及以上时,要求车辆在高速公路、停车场泊车等特殊场景中实现自动驾驶,高精度地图的重要性开始凸显。业内公认要想实现 Level3 级别的自动驾驶,高精度地图将成为必选项。理由在于 Level3 的自动驾驶就意味着机器将完全取代人对于环境的监控,考虑到现有的传感器的性能边界尚不足以完全替代,引入高精度地图作为感知端的安全冗余增强整个系统的鲁棒性就成为了必然的选择。观察目前自动驾驶行业实践,无论是车厂推出的奥迪 A8(参数|图片)、凯迪拉克 Super Cruise 等已经量产的 Level3 车型还是百度、谷歌等互联网厂商的 Level4 自动驾驶方案都引入了高精度地图,进一步验证了上述观点。

2.JPG

3.2.5 自动驾驶OS

自动驾驶任务复杂需要稳定的实时 OS 支持。如果将自动驾驶汽车视为一个电子终端产品,那么除了组成的硬件、用来执行命令的算法(程序)之外,底层操作系统也必不可少。操作系统的价值在于可以更好的分配、调度运算和存储资源。一个汽车驾驶系统运行的软件包括感知、控制、决策、定位等一系列高计算消耗,逻辑十分复杂,对安全可靠性要求特别高的程序,简单的单片机无法实现,需要建立在一个成熟的五脏俱全的通用操作系统基础上,同时要满足实时性、分布式、可靠性、安全性、通用性等要求。从上述的要求可见,自动驾驶的操作系统与 PC 端、移动端操作系统的最大差别在于实时性。实际上,自动驾驶操作系统又称为实时操作系统(RTOS),可确保在给定时间内完成特定任务,「实时」是指无人车的操作系统,能够及时进行计算,分析并执行相应的操作,是在车辆传感器收集到外界数据后的短时间内完成的。实时性能是确保系统稳定性和驾驶安全性的重要要求。

3.JPG

3.2.6 HMI(人机交互)

自动驾驶时代,HMI 是连接用户与外部互联服务的重要入口。HMI 是驾驶员与车辆交互的桥梁,驾驶员可以方便快捷地在 HMI 中查询、设置和切换车辆系统的各种信息,在增强驾驶乐趣的同时,提升驾驶安全性。HMI 由中控、仪表、抬头显示、ADAS 系统等多个组件构成。传统汽车的人机界面 HMI 也被称作驾驭员界面(Driver Interface),驾驭员的首要使命(Primary Task)是驾驭,因此支撑和辅佐驾驭就天然成为 HMI 的中心功能,信息娱乐等作为次要功能(Secondary Task)。而在自动驾驶时代,随着驾驶员的注意力逐步释放出来,汽车从生产工具进化为家庭、办公场所之外的第三生活空间,HMI 将成为连接用户与外部互联服务的重要入口,产业地位将显著提升,HMI 的设计理念也将被颠覆。

4.JPG
5.jpg


3.3 5G+AI黑科技打通自动驾驶技术的「任督二脉」

5G+AI 是解锁高等级自动驾驶技术的关键所在。L2 升级到 L3、L3 升级到 L4,每一个自动驾驶级别的升级,都是一个质的飞跃。其中:

L2 过渡到 L3。L3 的主要升级在于实时监测环境并作出反应,其主要难点在于机器的感知能力能否达到要求。驾驶这种等级的车辆,司机只需要在系统提示的时候接管系车辆的掌控权或者完成判断,正常加减速、转弯等操作基本可以交给系统来处理。这一过渡需要解决的问题是,机器如何代替人进行可靠的周边行车环境感知?特别是在极端环境下仍然可以做到可靠感知,确保行车安全;

L3 过渡到 L4。L4 的主要升级在于完全交由机器来进行自主决策(即使是在紧急情况、激烈的驾驶情况下)。这意味着机器的认知智能要有实质性进步。上述问题的关键所在正是 5G+AI。

6.jpg

以深度学习为代表的 AI 机器视觉崛起,成功突破 L3 的技术瓶颈。以 Mobileye 的 L2 级别辅助驾驶为例,仍然是基于后端规则库的传统机器视觉,通过匹配后端规则库与前端摄像头的输入数据,进行物体的识别和跟踪。传统机器视觉最大的问题是,规则库是有限的,而汽车面对的环境是无限的。而在深度学习的框架引进并发扬光大后,AI 处理图像分类任务的能力大幅提升,错误率直接下降。以 ImageNet 机器视觉大赛为例,深度学习技术框架下的机器视觉和传统的机器视觉有着明显的量级的提升。我们认为,不断成熟完善的 AI 机器视觉配合高精度地图作为安全冗余,对于突破 L3 的技术瓶颈起到了关键的作用。

引入以强化学习为代表的 AI 技术,5G 打通外部「大脑」,助力 L4 自动驾驶场景的实现。传统基于搜索或者规则引擎的驾驶决策系统,往往只能采取非常保守的驾驶策略,即遇到障碍物立即刹停。而变道超车,加塞卡位等等在日常驾驶中经常需要面对的情况,目前的系统需要人为设计各种精妙的策略进行应对,在设计策略时一旦有所疏忽,后果很可能是车毁人亡。如何让机器真正像人一样的开车,学会自主的决策,是 L4 的关键所在。谷歌 AlphaGo 在围棋领域的成功是一个重要的标志性事件,其创新的引入了强化学习等全新的 AI 学习框架,模拟了人的思考方式,标志着机器智能的重要突破。引入强化学习的框架后,自动驾驶车辆可以像 AlphaGo 一样思考学习,进行自主决策。此外,以 5G 为代表的 V2X 的引入,相当于打通了自动驾驶的外部「大脑」,可以为自动驾驶车辆提供更实时、更全面的外部信息,更好的实现多车的协同、交互,突破单车智能的技术瓶颈,助力 L4 自动驾驶场景的实现。


安信:2019自动驾驶趋势研究报告(六)

博客gaohong 发表了文章 • 0 个评论 • 219 次浏览 • 2019-09-06 14:07 • 来自相关话题

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 ...查看全部

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。



安信:2019自动驾驶趋势研究报告(五)

博客gaohong 发表了文章 • 0 个评论 • 226 次浏览 • 2019-09-06 14:07 • 来自相关话题

3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人 ...查看全部

3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」

5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人(V2P)。通过 V2X 网络,相当于自动驾驶打通外「大脑」,提供了丰富、及时的「外部信息」输入,能够有效弥补单车智能的感知盲点。可以说,V2X 是自动驾驶加速剂,能够有效补充单车智能的技术、加速反应效率。5G 网络具备低时延、高吞吐、高可靠的特性,大大提升了 V2X 传输信息的丰富性和及时性,也提高了 V2X 传感器的技术价值。


3.2.2 计算平台(主控芯片)

3.2.2.1 高等级自动驾驶的本质是AI计算问题,车载计算平台是刚需

自动驾驶就是「四个轮子上的数据中心」,车载计算平台成为刚需。随着汽车自动驾驶程度的提高,汽车自身所产生的数据量将越来越庞大。根据英特尔 CEO 测算,假设一辆自动驾驶汽车配置了 GPS、摄像头、雷达和激光雷达等传感器,则上述一辆自动驾驶汽车每天将产生约 4000GB 待处理的传感器数据。不夸张的讲,自动驾驶就是「四个轮子上的数据中心」,而如何使自动驾驶汽车能够实时处理如此海量的数据,并在提炼出的信息基础上得出合乎逻辑且形成安全驾驶行为的决策,需要强大的计算能力做支持。考虑到自动驾驶对延迟要求很高,传统的云计算面临着延迟明显、连接不稳定等问题,这意味着一个强大的车载计算平台(芯片)成为了刚需。事实上,如果我们打开现阶段展示的自动驾驶测试汽车的后备箱,会明显发现其与传统汽车的不同之处,都会装载一个「计算平台」,用于处理传感器输入的信号数据并输出决策及控制信号。


高等级自动驾驶的本质是 AI 计算问题,车载计算平台的计算力需求至少在 20T 以上。从最终实现的功能来看,计算平台在自动驾驶中主要负责解决两个主要问题:

1)处理输入的信号(雷达、激光雷达、摄像头等);

2)做出决策判断、给出控制信号:该加速还是刹车?该左转还是右转?

英伟达 CEO 黄仁勋的观点是「自动驾驶本质是 AI 计算问题,需求的计算力取决于希望实现的功能」,其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策,到底要采取什么样的行动,本质上是一个 AI 计算的问题,车上必须配备一台 AI 超级处理器,然后基于 AI 算法能够进行认知、推理以及驾驶。根据国内领先的自动驾驶芯片设计初创公司地平线的观点,要实现 L3 级的自动驾驶起码需要 20 个 teraflops(每秒万亿次浮点运算)以上的的计算力级别,而在 L4 级、L5 级,计算力的要求将继续指数级上升。

5.jpg

3.2.2.2 算法和芯片协同设计是计算平台的重要发展趋势

自动驾驶计算平台演进方向——芯片+算法协同设计。目前运用于自动驾驶的芯片架构主要有 4 种:CPU、GPU、FPGA(现场可编程门阵列)和 ASIC(专用集成电路)。从应用性能、单位功耗、性价比、成本等多维度分析,ASIC 架构具备相当优势。参考我们之前发布的行业报告《芯际争霸—人工智能芯片研发攻略》的观点,未来芯片有望迎来全新的设计模式——应用场景决定算法,算法定义芯片。如果说过去是算法根据芯片进行优化设计的时代(通用 CPU+算法),现在则是算法和芯片协同设计的时代(专用芯片 ASIC+算法),这一定程度上称得上是「AI时代的新摩尔定律」。具体而言,自动驾驶核心计算平台的研发路径将是根据应用场景需求,设计算法模型,在大数据情况下做充分验证,待模型成熟以后,再开发一个芯片架构去实现,该芯片并不是通用的处理器,而是针对应用场景,跟算法协同设计的人工智能算法芯片。根据业界预估,相比于通用的设计思路,算法定义的芯片将至少有三个数量级的效率提升。


自动驾驶之“战”未完待续

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 220 次浏览 • 2019-09-05 17:50 • 来自相关话题

在重庆初秋的烈日之下,自动驾驶汽车身上的瑕疵显得尤为醒目。我们谈了很多年的自动驾驶,时至今日,依然还不够完美。 ...查看全部

在重庆初秋的烈日之下,自动驾驶汽车身上的瑕疵显得尤为醒目。我们谈了很多年的自动驾驶,时至今日,依然还不够完美。

5.JPG

在2019 i-VISTA「中国电信 5G
杯」自动驾驶汽车挑战赛中,我们看到,AEB挑战赛中几乎让所有专业车队和个人选手“全军覆没”的“鬼探头”的场景;

“最烧脑”的城市交通场景挑战赛由于设置了合流道、丁字路口左转、障碍物识别及响应等随机场景,而使很多车队在比赛过程中出现了各种各样的状况;

创新应用挑战赛中全球首次在真实道路开展自动驾驶V2V/V2I赛项……赛前2小时才完成比赛场景的搭建,更让参赛车队没有机会提前“踩点”。

我们也看到,谈了很多年自动驾驶,想要实现100%
安全的AEB功能依然很难;APS功能还是很鸡肋,L4、L5自动驾驶汽车实现起来还有一段漫长的道路要走。

6.JPG

那么,通过这样一场比赛,对于自动驾驶,有哪些意义?为何会出现这样的比赛结果?国内自动驾驶技术与国外相比,还有多大差距?当我们谈自动驾驶时,我们尤其要谈什么?……针对此,盖世汽车采访了一些行业专家和参赛团队。

自动驾驶真正水平

所有的行业都如此,在发展初期,都难免遇到“骡子与马同行”
的问题,那么自动驾驶中,到底谁是骡子、谁是马,我们拉出来溜溜,就显而易见了。而这样的比赛,全程公开、透明,给了我们一次更真实地看到当前自动驾驶真正水平的机会。

中国通用技术集团检验检测认证工作组副组谢飞表示,“i-VISTA选择在重庆举办不是没有原因的,重庆的地形之复杂,全球无双,到了连现在的地图app都无法征服的程度”。

“来重庆参加自动驾驶赛,就相当于踢足球的人去参加世界杯;征服了重庆,就征服了世界。”他说。

中国汽车工程研究院股份有限公司副总经理、赛事组组长周舟表示,自动驾驶车辆是否能充分理解和适应复杂工况,也是此次挑战赛重点考察的方向之一。

“智能化是汽车产业发展的重要方向,许多高智能汽车产品的出现,已经颠覆了人们对汽车的认识。”周舟说,希望通过此次自动驾驶汽车挑战赛,向人们进一步普及汽车自动驾驶技术,让更多人看到并了解汽车的智慧。

福瑞泰克CTO沈骏强则表示,我们看到在i-VISTA的AEB、APS的比赛中,各个队的表现并不如人意,这是意料当中的事情,通过这场比赛也说明ADAS系统在提高车辆的智能化和安全性方面还有很长的路要走。

自动驾驶自主品牌

有比赛,就有结果。今年的比赛结果,有些出人意料,意外跑出来一匹黑马。在第一天的比赛中,丰田车队在 AEB
车车环节,无论是个人还是专业组都取得第一,但在下午的车人环节,河南护航车队取得大比分领先,总分也从第二跃居到第一,丰田屈居第二。对比上下午数据,
在下午的车人环节,可以看到除河南护航车队, 其余专业组车队几乎全军覆没。

自主品牌在ADAS领域的崛起,是有目共睹的。福瑞泰克公司作为ADAS
Tier1供应商,提供给主机厂包含硬件,算法,软件,集成等在内的完整的ADAS系统解决方案,为主机厂提供国内先进的ADAS功能,其先进的产品技术和灵活的合作方式,赢得了国内多家主机厂的合作开发项目,并已开始实现产品在主机厂量产车上的批量供货。

此外,在个人组AEB比赛中,夺得前三甲的参赛车辆分别是丰田凯美瑞2019款2.0 G豪华版、吉利几何A高维标准幂方版、长安CS75
PHEV,而奔驰E200轿跑车、沃尔沃V60智雅、福特翼虎2017款尊翼等都未取得好的成绩。

在个人组APS比赛中,参赛车辆中的小鹏G3 2018款智享版以150分的满分成绩夺冠,而参赛车辆中特斯拉 ModelX 90D
2016款(选装)、福特翼虎2015款2.0T 运动款、奔驰2016款C200L运动版等表现出乎意料,并未如想象中取得好成绩。

对于这样的比赛结果,福瑞泰克CTO沈骏强表示,与自动驾驶相比,虽然AEB和APS系统看上去相对简单、功能单一,但其技术含量非常复杂,需要投入的开发也非常庞大。今后,还需要加强感知系统的感知能力,决策和控制系统的能力。在执行机构的反应进度和延迟等各个环节的技术和产品能力都还有很大的提高空间。

在他看来,从测试角度来看,目前AEB系统强调的是正向的触发测试,今后需要加强误触发测试,这样,能够更加全面地对AEB系统性能进行测试和评估。在AEB和APS方面,自主品牌和外资/合资的产品相比并不差,在有些方面甚至超越了外资和合资品牌。

以AEB系统为例,他举例称福瑞泰克开发的L2智能驾驶系统,以全球领先的ADAS控制算法和软件为平台起点,开发了包含ACC, LKA, PA, AEB,
TSR,
智能大灯控制等功能,为国内主机厂提供量产的L2智能驾驶系统,目前福瑞泰克智能驾驶系统已在吉利的一款量产车型上搭载,在今年5月份,搭载了福瑞泰克L2智能驾驶系统的一款量产车,获得C-NCAP
AEB测试满分的成绩。

自动驾驶安全问题

自动驾驶发展至今,从科幻电影中开始逐渐走进我们的生活。在快速发展过程中,也给我们带来了很多困惑。自动驾驶汽车频频发生的事故,让公众开始对其产生质疑,自动驾驶汽车真的就比人类驾驶员更安全?

相关数据显示,90%的交通事故是由于驾驶者的注意力不集中而引起的,而AEB系统则可以有效避免事故的发生,即使发生碰撞事故,也会大大减小事故带来的人身伤害和财产损失。

对于自动驾驶带来的安全问题,重庆邮电大学的朴昌浩教授认为,技术的发展总是伴随着社会的发展,现在我们看自动驾驶、看无人车是新鲜事物,容不得它犯错。

在朴昌浩教授看来,我们对待自动驾驶、无人驾驶汽车,要像对待一个小孩子,接受它会犯错,甚至会重复犯错,但我们最终会原谅它、接纳它。正如特斯拉当年骇人听闻的交流电,最终飞入寻常百姓家一样。

自动驾驶在发展的过程中,犯错是正常的,我们确实应该正确看待和认识出现的错误。而这样的一场比赛,正是可以让我们看到问题的所在,然后去发现问题、解决问题。

沈骏强则表示,L4级别的自动驾驶从商业化进程角度来看,还处于初级阶段。从这次比赛中出现的各种问题,也可以看到,自动驾驶离商业化落地还有很大的距离。

他分析指出,出现的问题主要体现在以下三个方面:一是技术本身,包括感知,规划,定位,控制等,还没有达到L4商业落地的要求,特别是针对各种corner
case的应对能力还远远不足;

二是测试,
L4系统还需要大量的测试,不管是仿真测试还是实车测试,里程数量以及这些里程所对应的各种不同的场景,还远远不够。除了里程数,还要强调里程对各种场景的覆盖度;

三是需要有符合功能安全要求的感知,计算和控制系统。

自动驾驶商业化进程

在众多参赛队伍中,此次本土企业长安汽车在其参加的五项比赛中,有三项进入前6名。其中,APS以150分满分成绩拿下冠军,商业化进程挑战赛中以2800分获得“量产或准量产”级别的冠军。

长安汽车智能化研究院智能驾驶所高级经理梁锋华表示,长安汽车此次参赛侧重于量产或即将量产的赛项,仅有AEB比赛受到场地、天气影响,场地的摩擦系数剧烈下降,导致刹车距离缩小。

梁锋华还表示,长安汽车的L3级别自动驾驶技术实际上已经非常成熟,在实际比赛场地上基本没有做太多调试,而是直接把准备做量产上市的技术拿过来简单做了一下场地适应便参加了比赛。

在他看来,目前长安汽车在L3级别的商业化量产上已走在了前面。预计长安汽车的L3级别的商业化量产将会在2020年开始。

同时,L4级别自动驾驶车辆长安也同步进行开发。该级别的车辆已在仙桃数据谷的园区中开始示范运营,长安汽车预计能在2025年开始商业化量产。

不过目前量产车上搭载的,最高也不过是L3级别的自动驾驶技术。沈骏强认为,ADAS相当于自动驾驶领域的一个阶段,涵盖L1 –
L3阶段。准确地说,他认为L1到L5应该被称为智能驾驶。其中,L3及以下属于ADAS,L4及以上是自动驾驶。

针对自动驾驶商业化进程挑战赛,谢飞表示,在高速公路开展测试的难点,在于当汽车处于高速行驶状态,“车脑”对环境的感知和运算、处理、决策能力都必须大幅增强。中国的高速公路环境比较复杂,比如有不少快速变道穿插的车辆,如果要进行开放测试,不仅要提高汽车的“智商”,还必须强化路上设施的智能网联水平。

自动驾驶的应用场景愈来愈多,如今,我们在在机场、港口、工厂甚至田间地头,我们都能看到自动驾驶汽车的身影,未来汽车产业的发展前景也更加广阔。

对于目前自动驾驶的发展现状,福瑞泰克方认为,自动驾驶还有漫长的道路需要循序渐进的发展,汽车智能化首先需要强调安全性。自动驾驶是终极目标,ADAS是走向更高级别自动驾驶的基础和铺垫,我们需要聚焦到更切实可行的L2-L3商业化之上,不断有适应市场和消费者需求的产品投放市场。

小结

2019
i-VISTA挑战赛已圆满结束,但自动驾驶之“战”未完待续。自动驾驶技术关乎生命安全,每一位行业者都应该心存敬畏。如何规避“泥沙俱下”的问题,也许一场比赛就可以解决。是金子总会发光,自动驾驶行业也开始进入淘汰期。潮水褪去,裸泳者该如何遮羞?

使能自动驾驶解决方案的大规模应用解决方案

知识讲堂tututu 发表了文章 • 0 个评论 • 481 次浏览 • 2019-01-19 10:36 • 来自相关话题

Enabling Autonomous Automotive Solutions at Scale 使能自动驾驶解决方案的大规模 应用 Intelligent Vehicle Compute Platform Workshop Beij ...查看全部
Enabling Autonomous Automotive Solutions at Scale
使能自动驾驶解决方案的大规模 应用
Intelligent Vehicle Compute Platform Workshop Beijing  December 2018
 

自动驾驶的五级分类标准如何制定的?

回复

问答自动驾驶小能手 回复了问题 • 5 人关注 • 3 个回复 • 750 次浏览 • 2019-01-19 14:13 • 来自相关话题

苹果自动驾驶量产供应链“揭开面纱一角”

博客gaohong 发表了文章 • 0 个评论 • 14 次浏览 • 14 小时前 • 来自相关话题

苹果的自动驾驶供应链正在慢慢揭开面纱。这其中,关系最为紧密的就是苹果现有产品的ODM供应商,考虑到在硬件制造环节的先天优势,这些代工厂也对自动驾驶汽车有着雄心勃勃的计划。 ...查看全部

苹果的自动驾驶供应链正在慢慢揭开面纱。

这其中,关系最为紧密的就是苹果现有产品的ODM供应商,考虑到在硬件制造环节的先天优势,这些代工厂也对自动驾驶汽车有着雄心勃勃的计划。

1571621512733325.jpg

近日,有知情人士透露,全球第一大笔记本电脑研发设计制造公司广达电脑(Quanta Computer)正在向苹果提供“自动驾驶解决方案”。这意味着苹果的自动驾驶汽车已经进入量产前的供应链伙伴选择阶段。

广达电脑高级副总裁迈克·杨(Mike Yang)表示,公司已经在美国开发并测试了第一辆在封闭道路行驶的自动驾驶汽车,这让它能够“证明自己在设计自动驾驶平台方面的能力”。

不过,广达没有透露车辆或测试的细节。消息称,谷歌(Waymo)和苹果目前都是其客户(可能是ECU等相关硬件的ODM角色)。此前,广达还是特斯拉Model 3的主板供应商(另一家是和硕)。

此前,特斯拉主要将其汽车主板订单外包给富士康电子(鸿海精密工业股份有限公司)和捷普,但在富士康投资和谐汽车(也就是拜腾的前身)之后,特斯拉将其订单从富士康转移到广达和和硕。

目前,广达电脑在上海的工厂也正在为特斯拉的Autopilot 3.0的中央处理单元(Ecu)硬件提供部分ODM,而核心的芯片则是有三星代工。

2015年以来,广达一直以苹果手表的主要组装商而闻名,但一篇报道称,出于“利润考虑”,该公司可能会在2020年停止组装苹果手表。

而在此之前,广达电脑在自动驾驶行业的布局已经开始。

两个月前,一家日本初创公司Tier IV, Inc.从广达电脑获得了约900万美元的A轮融资(此轮融资金额在1亿多美金),用于开发下一代自动驾驶电子控制单元(ECUs)。

此次测试,广达电脑的自动驾驶车辆正是基于上述ECU原型,采用Autoware自动驾驶全栈开源软件平台(Tier IV, Inc.牵头开发)。

考虑到自动驾驶量产需要足够的资金和供应链能力支持,类似广达电脑这样的传统智能设备ODM代工企业似乎有更大的竞争力。

广达电脑是世界500强企业,成立于1988年,总部设在台湾,在亚洲、加拿大、北美、南美及欧洲均设有基地。该公司目前在全球拥有超过9万名员工,2018财年的综合收入达到340亿美元。

作为日系自动驾驶初创公司,Tier IV, Inc.自然得到了日本企业的支持。雅马哈在A轮宣布了追加投资,目标是提高Autoware的安全质量(产品安全和功能安全),将自动驾驶相关业务商业化。

1571621540693990.jpg

1571621558357482.jpg

1571621597568321.jpg


作为一个开源自动驾驶协作联盟,Autoware使用ROS 2.0对车辆使用的可认证软件栈的重写,同时还包括ECU、异构架构、车辆控制接口,以及一组第三方软件和工具。

ROS是早期自动驾驶开发者主要采用的开源平台,然而其本身的性能和可伸缩性跟不上市场需求,比如自动驾驶汽车,因此有不少企业采取了重新开发。

ROS起初设计目的是在桌面Linux环境中控制单个机器人,但类似自动驾驶汽车的应用需要具有安全关键的实时性能,并且可能在内存有限、网络不可靠的分布式环境中运行。去年,ROS2.0版本进行了新一代的重新设计,采用DDS作为连接框架,来改善这些潜在限制。

DDS(数据分发系统)是一个开放标准的连接框架,可以快速移动大量数据,并且达到更高的安全标准。除了ROS2.0,DDS还被AUTOSAR用于其自适应平台(专为自动驾驶车辆设计),被FACE联盟用于军用飞机,并被工业互联网联盟确定为核心连接标准。

比如,苹果公司此前收购的Drive.ai,也是基于ROS开源技术框架进行的软件开发。

目前,Autoware联盟高级成员包括几家全球巨头,像丰田、Arm、华为、LG,还有包括Velodyne、AS;其他等级合作伙伴还有英特尔、赛灵思、日立、镭神等相关供应商。

广达电脑的另一家合作伙伴是AImotive,目前后者的自动驾驶测试车上已经部署了广达的新一代汽车级处理平台。

AImotive的aiDrive是一个模块化的自动驾驶软件栈,而广达电脑则基于英特尔的Xeon、英伟达的Xavier和Pegasus,为不同级别的自动驾驶提供硬件解决方案。

两家公司表示,合作强调了自动驾驶技术的可扩展性的重要性。而客户则可以看到基于各种硬件配置的测试方案。

此外,AImotive的另外两套产品方案aiSIM和aiWare,前者是一个用于测试的模拟器,并作为后端来查看软件在真实路况数据集下的反馈。

1571621627665990.jpg

后者是一个可扩展的神经网络加速器IP,具有可定制的架构。该IP带有SDK、工具和NNEF(神经网络交换格式)支持,可以支持Caffe、Pytorch和Tensorflow。

而对于AImotive来说,目前最大的问题是运行aiDrive堆栈的计算机还太大。所以,他们找来广达电脑来为其瘦身,未来开发的体积大小与英伟达Jetson差不多。

1571621644607178.jpg

目前正在使用的这款名为广达V32的开发平台(上图),比现在车里用的已经要小很多。搭载的处理器、GPU和内存均为汽车级,运行完整的aiDrive,采用液冷散热技术。

1571621655855415.jpg

图中的小黑盒子是一个Nvidia Jetson开发平台(也就是未来广达要开发的自动驾驶ECU体积大小),运行一个功能有限的aiDrive和aiSIM模块。

作为汽车级ECU的新玩家,广达电脑在今年3月的一次公开活动中还是展示了几款自动驾驶处理单元。其中一款基于英伟达处理器,集成这两个ECU平台和一个集群网关,提供6个CAN、4个LIN和2个Flexray接口。

在《高工智能汽车》看来,随着传统笔记本、台式机ODM厂商向自动驾驶汽车行业转移,未来车载计算单元的竞争将进入白热化竞争,正如我们经常说的那样,未来车载ECU既是电脑主板(供应链和制造能力),也不是电脑主板(汽车级的要求及复杂度)。


5至10年后的汽车会怎么样? 这13项技术给你一点启示!

博客gaohong 发表了文章 • 0 个评论 • 13 次浏览 • 14 小时前 • 来自相关话题

盖世汽车讯 据说,未来5至10年内,汽车的变化将超过过去50年内的变化。虽然有些变化可能与电动汽车的增长有关,不过汽车业内最大的变化仍在自动驾驶技术和网联技术领域,将会彻底改变整个驾驶体验。而造成这些变化的背后驱动力就是改善道路安全、降低排放以及减轻驾驶 ...查看全部

盖世汽车讯 据说,未来5至10年内,汽车的变化将超过过去50年内的变化。虽然有些变化可能与电动汽车的增长有关,不过汽车业内最大的变化仍在自动驾驶技术和网联技术领域,将会彻底改变整个驾驶体验。而造成这些变化的背后驱动力就是改善道路安全、降低排放以及减轻驾驶压力。安全检测机构欧洲新车安全评估协会(Euro NCAP)正在推进零事故愿景( Vision Zero),而且为此制定了2020至2025时间表,以测试一系列新技术。

1571620768395085.jpg

(图片来源:丰田)

欧洲新车安全评估协会推动汽车制造商达到五星评级

从2020年开始,欧洲新车安全评估协会将开始测试自动紧急转向、驾驶员监控系统和自动紧急制动系统,此类系统可以在交叉路口和停车位倒车时发挥作用。届时,最新款的车型将会配备此类技术,因为要获得全五星安全评级,此类技术将不可或缺。

到时,汽车将不仅能够保护人们免受伤害,还可以提供大量实时、有用的信息。例如,可以让汽车找到餐厅,在附近预订一个停车位,然后告知行进路线。如果是一辆自动驾驶汽车,还可以投射出一个三维数字形象陪伴乘客。

现在,全球超过一半的汽车都可连入互联网,而未来的汽车则可以在物联网(IoT)中相互通信,与道路基础设施、智能路口和智能路灯通信。此类汽车将能够利用此类设施上传的信息,在行进路线上提供有关潜在危险或延误的预警。

那么,我们可以看看未来汽车上可能会出现的13种技术:

加强安全的系统:

1、虚拟侧后视镜(摄像头)

1571620781972688.jpg

(图片来源:雷克萨斯官网)

今年8月,美国国家公路交通安全管理局(NHTSA)表示计划研究,在传统侧后视镜和摄像头系统下,驾驶员的驾驶行为以及驾驶员如何进行变道操作。根据规定,所有汽车都必须配备反光的侧后视镜,不过,联邦政府强制所有新车还需配备后视摄像头。而在欧洲或日本等市场,汽车制造商也开始为汽车配备摄像头用作侧后视镜(camera-as-mirror)技术。

此类摄像头与侧后视镜不同,安装在汽车两边的摄像头可将实时影像传送至仪表板角落或车门的屏幕上。而且,此类摄像头产生的风噪声和空气阻力更小,能够将盲点区域最小化,在恶劣天气条件下还可提供更清晰的视野。

此类摄像头还会自动改变视角,以应对高速公路驾驶、转弯和停车操作。如果配备了触敏式屏幕,驾驶员还可以利用手指放大影像,更详细地看到特定区域的情况。

2018年底,雷克萨斯率先在ES轿车上采用了该技术,不过只在日本市场提供。不过,今年7月开始,奥迪E-tron电动SUV开始将虚拟侧后视镜作为选装,价格为1250英镑。本田即将上市的电动城市汽车E也将标配该项技术,E将于明年初上市。

2、数字后视镜

1571620858318306.jpg

(图片来源:捷豹路虎)

只需轻按一下开关,后视镜就会变成高清屏幕,显示后方路面的超宽(50度)全景,从而消除盲点,以及解决驾驶员无法看清后方高个子乘客挡住视线的问题。

此外,在弱光照条件下,数字后视镜比传统的后视镜提供的可视性更好,而且是倾斜式后视镜,不会有因反射造成视野不佳。

虽然在许多年前,数字后视镜就开始出现在概念车上,但直到2016年,该技术才正式上市,出现在凯迪拉克CT6豪华轿车上。直到最近,该技术才成为一项主流技术,相继出现在捷豹路虎第二代路虎揽胜和改款的捷豹XE车型上。

3、车下摄像头

1571620869404332.jpg

(图片来源:捷豹路虎)

安装在车门侧后视镜和前格栅上的车下摄像头会让引擎盖隐形,有关前轮和引擎盖底下路面情况的实时视频画面会显示在车内的信息娱乐系统显示屏上,在不易停车的地方停车、高高的路沿和凹凸不平的车辙内行车时,该技术可对驾驶员提供很大帮助。

捷豹路虎的Clearsight系统就是业界首款此类产品,该系统能够显示挡风玻璃前8.5米、后视镜外1.2米、车前15米处的情况。

今年,Clearsight系统就出现在了全新款路虎揽胜极光车型上。

4、智能前大灯

1571620924663154.jpg

(图片来源:大众)

近光灯和远光灯很快将成为历史,因为最新型的智能前大灯能够遮挡任何针对迎面车辆的光线,防止其他道路使用者眩目。而且,此种前灯的光束长度和亮度会根据天气和驾驶条件自动变化。

与普通的氙气灯相比,LED矩阵前大灯的光线更亮、照明和发光强度更精确,可在晚上让驾驶员更易识别路况和障碍物。

2013年,奥迪旗舰车型A8轿车首次采用了LED矩阵前大灯,现在该品牌在几款车型上都配备了该种灯。采用类似技术的智能前大灯还出现在宝马、奔驰、大众和沃尔沃的某些车型上。

5、智能玻璃

1571621071565456.jpg

(图片来源:大陆)

未来的汽车将配备内置传感器的车窗和挡风玻璃,在明亮的太阳光下可使玻璃变暗,防止乘员眩目,同时保持车内凉爽,并阻隔有害的紫外线。此外,此类智能玻璃将采用新型液晶薄膜技术,无需电线就可加热。

大陆公司就开发了一种薄膜技术,可以根据指令,更有效地调节全景天窗亮度,阳光强烈时,挡风玻璃可部分着色,B柱后面的窗户也可以调暗,保护后座乘客隐私。在没有加热线的情况下,窗户可以自动加热。受益于新的调光和加热功能,还将大大节省能源。

现在,有些汽车已经配备了全景天窗,可以通过开关调暗。在未来几年内,有些汽车将配备能够自动调暗、变亮和加热的车窗以及其他玻璃部件。

6、智能轮胎

1571621087221156.jpg

(图片来源:大陆)

智能轮胎可以实时为驾驶员和自动驾驶汽车车队运营商提供有关胎面深度和温度的信息,例如,大陆集团的Contisense轮胎就可以使用导电橡胶复合物持续监控轮胎,如果轮胎超过安全范围就会发出警报。此外,据说,大陆还研发出一款能够自动充气的轮胎。

如果有物体穿透了轮胎的胎面或侧壁,此类轮胎会立即发出警报,而现有的轮胎压力监测系统只会在轮胎压力低于某一水平时发出警告。

目前,Contisense轮胎还是处于研发中的概念轮胎,不过,据说有几家汽车制造商正在讨论采用该技术。

7、自适应车轮

自适应车轮即在轮胎中集成微型压缩装置,以调整轮胎的压力和轮辋宽度,改变与路面接触的轮胎范围,以适应当前的驾驶条件。而且,此种车轮可调整成正常、潮湿、不平和湿滑四种模式。在平坦、干燥的道路上行驶时,轮辋更窄,轮胎被打足了气;而在光滑路面上行驶时,轮辋的宽度会增加,而压力会降低。

此种轮胎会具备三种不同的胎面,以便在干燥、潮湿和光滑的路面上行驶,与路面接触的区域会根据车轮的设置而变化。

目前,该技术还处于开发中,预计到本世纪20年代中期会用于量产车中。

8、转弯辅助

转弯辅助技术采用车辆两侧的雷达,可以检测150度视野内的区域,从而警告驾驶员盲区有其他物体。自动紧急制动系统也是一种转弯辅助技术。

如果有弱势道路使用者出现,系统就会亮起警示灯,只要驾驶员做出指示,该技术就会启动。如果驾驶员仍然转动方向盘,而弱势道路使用者出现在1.5米内,汽车就自动紧急停下。

该系统正处于研发中,以符合欧洲NCAP计划于2022年引入的安全测试,届时应该会安装在一些新车型上,可能最早会出现在载重车(HGV)上,因为此类车辆的盲点更明显。

车内的新技术

9、驾驶员监控

关注于驾驶员的摄像头可以探测到驾驶员是否在专心驾车,并可发出警告。如果驾驶员忽视警告,驾驶员监控系统会促使汽车采取有效行动,例如在安全的地方靠边停车,增加车道保持援助等其他主动安全系统的灵敏度。

引入先进驾驶员监控系统是减少交通事故的重要举措,因为90%的交通事故都是因人为失误造成。而且,在引入自动驾驶系统时,该系统还可以确保汽车和驾驶员之间能够安全移交驾驶权。

虽然驾驶员注意力监控系统已经非常普遍(事实上,早在2006年雷克萨斯已经开始提供该功能),不过该系统还不能在驾驶员不适合驾驶时,自动将车停到路边,不过,沃尔沃计划明年将实现该功能。

10、语音激活数字助理

虽然语音控制技术已经投入使用很长时间了,不过未来该技术将变得更加高级,将能够理解自然语言,而不用学习特定的命令。

例如,驾驶员可以要求系统在指定位置找到一个空置的停车位,并提供卫星导航。像“我饿了”等简单的话语就可以启动餐厅搜索,而且还可以完善搜索结果。

宝马、福特、奔驰、日产和丰田等主流汽车制造商推出的一些较新车型已经提供了类似或基于亚马逊、苹果和谷歌的数字助手。

11、3D显示屏和增强现实技术

3D显示屏会将车内外传感器的信息与互联网的数据融合,以跟踪车辆周围的环境情况,从而绘制出车辆周围情况的360度虚拟空间,提供有关道路、其他车辆和道路使用者的信息。

例如,日产的“无形可视化(Invisible-to-Visible system)”系统就可以将有用的信息投射到车窗上。或者,如果车辆是自动驾驶汽车,就可以将虚拟世界投射到玻璃上。此外,该系统还可以通过互联网与朋友连接,并让朋友变成3D数字化身,陪伴乘客。

去年,奔驰开始在A级轿车上提供虚拟现实卫星导航系统,当车辆接近交叉口时,车载显示屏会显示有关前方道路状况的实时视频,而且会显示方向箭头,未来几年内,此类功能将变得更加复杂、更具综合性。

未来的道路

12、智能基础设施

不仅车辆可以通过互联网共享信息,道路基础设施也可以提供有关路况和潜在危险的最新信息。许多公司正在研发该技术,而且该技术不仅对人类驾驶员有帮助,对自动驾驶汽车来说也是至关重要。

来自物联网的信息可用于评估汽车的行车速度,以确保安全且快速的旅程。例如,当车辆靠近弯道时,车辆能够获取下个弯道的角度和路况的数据,从而计算出过弯道的最佳车速。

在基础设施方面,智能交叉路口会采用雷达和摄像头来评估交通流量,如果前方出现其他车辆或行人试图通行时,该智能交叉路口会向迎面而来的车辆发出警报。

智能路灯也可以提供有关交通流量的信息,以控制交通灯的顺序,从而增加交通流量,减少车辆排放,还可以向车辆发送警报,告知前方有危险,以及照亮空余的停车位,以便驾驶员更易找到。

目前,大陆集团的eHorizon系统已经被某些商用车辆采用。基于高精度的地形数据和GPS信号,eHorizon能为车辆上的自适应巡航控制和其他电子控制装置提供前方线路的3D图。结合车辆制造商提供的适合车辆道路驾驶样式的软件,从而让eHorizon有效助力油耗的降低。与此同时,英国等多个国家都对智能基础设施进行了几年的试验,但在大规模推广该技术之前,需要一个发展成熟的5G数据网络。

13、机器人出租车

有些市中心已经禁行柴油车,而且对污染严重的汽车实行诸多限制和进行收费,因此急需找到替代的交通解决方案。

十多年来,谷歌一直致力于研发无人驾驶汽车技术,而Waymo正在美国试行机器人出租车服务,采用经过改装的克莱斯勒Pacifica小型货车,配备人类驾驶员(以防发生紧急情况),在凤凰城郊区推出了自动驾驶商业化服务Waymo One。

不过更常见的是可以用智能手机应用程序打到的低速自动驾驶接驳车,例如6座的Easymile EZ10,该车采用了7个传感器、4个环视摄像头和3个激光扫描仪,创造一个有关200米半径内周围环境情况的360度图像。

目前,在英国的某些公共场所,低速自动驾驶接驳车已经接受了测试,而且计划进行更多测试。此前,英国政府希望到2021年自动驾驶汽车能够上路。


自动驾驶汽车16问

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 23 次浏览 • 3 天前 • 来自相关话题

1自动驾驶分级:你是一级一级来还是直接到Level5?自动驾驶行业里一个主流的假设是“一切移动工具都将能够自主移动”,说的不仅是汽车,还包括路上跑的卡车、天上飞的无人机、购物车、甚至玩具车都将变成自动驾驶的车辆,直到人类对驾驶的插 ...查看全部

1

自动驾驶分级:你是一级一级来还是直接到Level5?自动驾驶行业里一个主流的假设是“一切移动工具都将能够自主移动”,说的不仅是汽车,还包括路上跑的卡车、天上飞的无人机、购物车、甚至玩具车都将变成自动驾驶的车辆,直到人类对驾驶的插手成为初级、无必要、甚至非法的动作。美国汽车工程师协会提出了自动驾驶的6个等级的分类系统:Level 0:完全无自动这层很好理解,就是驾驶人需要完全掌控车辆。Level 1:驾驶辅助今天的汽车基本上都处于这一级别,驾驶辅助汽车是指装有防抱死刹车和定速巡航装置等的汽车,这些装置可以接管驾驶中一些非关键性的操作。Level 2:部分自动化自动驾驶系统可以在特定的情形下接管控制汽车,但驾驶人需要随时监控着系统。这种情况适用于高速公路,汽车可以在高速公路上自动驾驶,驾驶人只需坐在旁边看着。Level 3:有条件自动化这一等级的自动驾驶意味着驾驶人不必一直监视系统,但要处于随时能够接管操作系统的状态。也就是说,驾驶人不需要一直把手放在方向盘上,但是在系统识别到紧急情况并发出警报时,人类驾驶员需要马上接管。Level 4:高度自动化当汽车能够自动停车就到达 Level 4了。这一等级的自动驾驶汽车在特定的使用情形或旅途的某一段路上,完全不需要驾驶人操作。Level 5:完全自动化这一等级的自动驾驶汽车,系统能在整个旅程中自动处理所有的情况,完全不需要人的介入,这也意味着坐在车上的人并没有选择的余地。

2

硬件架构:你是哪一种传感器?LIDAR还是其他?下一个问题是哪些硬件能让我们到达Level 5,是需要新的传感器,还是在现有的基础上进行改进?像Google这样的公司都依赖 LIDAR 技术,即激光雷达,是一种使用脉冲激光测量与周围目标的距离(可变距离)的光学遥感技术。3D激光地图与摄像头和智能软件相结合,已经足以让汽车在不需要人类驾驶员的情况下在道路上自主行驶。目前实现的是Waymo把激光雷达的成本降至7500美元,激光雷达的高昂价格一直是自动驾驶技术在工业上大规模推广的主要障碍。不过也有一些固态激光雷达成本最终能低至250美元。那么,能够计算3D空间的立体相机(stereo camera)如何呢?这种相机能够让人们避免互相互相碰撞,利用到车上面,几乎具有LIDAR所能提供的所有好处,而成本并没有LIDAR那么高。

3

先验知识:新型的预计算地图?人人都使用的谷歌地图、Apple地图等已经有非常高的分辨率,能让人们无障碍地在城市道路上穿行。但对于自动驾驶汽车来说,这样的分辨率仍然是不够的。这些地图可能缺失的信息包括:哪里是拐弯处哪里有路障什么时候需要打远光灯普通的地图也丢失了其他所有类型的微分辨率细节。因为我们人类不关心这些,当前的这些地图是为人类而非机器设计的。那么,我们需要特意为自主车辆设计单独的预计算地图(precomputed maps)吗?答案显然是肯定的,但谁来做,做的成本是多少?以及在这个空间是否有垄断的机会?这是个还没有人问过的有趣问题。因为在不远的将来我们就可能到达Level 5,到那时你已经没有选择,没法选择自己去驾驶车辆——你不得不完全依赖驱动自动驾驶汽车的基础架构。我们会看到预计算地图的成本降低?这将允许自动驾驶汽车以一定的低速度、维持一定的安全水平自主驾驶。那么,谁将管理这个有潜在危险的灰色地带?这也有能耗的影响,因为你不得不依赖后备箱里的超级计算机来处理这些复杂的、数以百万计的参数预计算高精地图,而这会消耗大量的能耗。

4

软件架构:你使用哪些软件技术?深度学习很热,但机器人以及路径搜索(path finding)等其他领域也有一些成就,不应该被忽视。这些方法之间主要的区别是系统是从以前的经验/数据集学习,还是仅基于硬线逻辑(hardwired logic)或规则进行决策。实际上,波士顿动力机器人也没有使用任何的机器学习,但仍让人们深感震撼。尽管那些直接编程的规则可能无法击败利用深度学习算法的AlphaGo,但它们可以与机器学习的最新进展相结合,提供更好的结果。

5

测试:真实世界vs虚拟世界的测试需要多少?机器学习需要用非常大量的数据集来学习,这些数据集包含以前的经验、正确驾驶行为的例子以及环境数据。这里的问题是,在真实道路上行驶的真实汽车的数据与从模拟环境中得来的数据之间存在差距。实际上,已经有一些使用模拟环境(例如Open AI的Universe平台)来简化这种学习过程的尝试。那么,我们能确保使用模拟环境训练的算法得到与真实世界中相同的预测吗?使用虚拟世界的平台可以模拟更多的情况,但考虑到预计算地图的精度和颗粒度,这些模拟的情况有多少是准确的呢?

6

车联网:V2X对你会起重要作用吗?V2X是一种能让车辆与交通系统中周围的移动物进行通信的技术。V2V技术,也就是vehicle to vehicle,是让车辆与它周围的车辆通信的技术。V2X的使用情形包括:当周围没有其他汽车,而你的车在红绿灯前等了超过5分钟,这时自动驾驶系统就可以与红绿灯通信;又如在更危险的情况下,车辆之间需要紧急传递前方车祸之类的紧急情况。最近有一则关于特斯拉的高级辅助驾驶系统避开一起车祸的视频,让V2X这项技术特别令人关注。时间在去年12月27日,车主开着特斯拉的Model X行驶在高速公路上。视频显示,车辆突然发出警报并全力刹车,在警报声响起约1秒后,前方一辆红车猛烈追尾更前方的一台黑色车辆,红车翻倒在路边,黑车严重损毁停在路上,而Model X已经在后边安全停下。车主称在警报响起的同时,自己还没反应过来车辆已经自动刹车,从而避免了事故。想象一下,假如道路上的所有车辆都能够和周围环境在有需要时进行通信,可以避免多少事故。这里主要的问题是协议兼容性和通信的效率,因为这样的决策往往是在毫秒内进行的,并没有时间由于通信中“语言”的不同进行额外的运算。这是一种实现美好未来的技术,不过没有计划将其作为第一代的完全自动驾驶车辆。

7

基础设施:你觉得交通灯可以取消吗?十字路口的交通信号灯十分恼人,假如汽车之间能够相互通信了,而且实现了完全自动驾驶,那么为什么不能取消交通灯呢?可能一开始会显得十分无序,不过,互联网数据包不也是以这样的方式移动的嘛?这可能会造成需要为交叉路口设计智能的排列算法和严格的监控,但这完全是值得的,因为它将带来交通效率的极大提升。

8

落地合作:你觉得汽车制造商会如何把他们的车“本地化”?每个城市都有不同的驾驶文化,所以自动驾驶汽车应该怎样处理各种不同的行驶路况呢?比如说,在印度班加罗尔是很安全的驾驶方式,到了美国波士顿可能会引发交通瘫痪。“本地化”(localization)是一个计算机科学的术语,意思是软件以某种方式为不同的执行环境做好准备。那么用到自动驾驶领域,可以采用哪些形式进行本地化呢?有专为各个不同城市设计的不同类型的算法吗?我们会有适应各个城市的不同驾驶习惯的算法,比如波士顿版、班加罗尔版,等等?还是有一个通用的算法,只要花更多的时间熟悉路况,就能适应任何环境?这就涉及到完全是另外一个领域的研究了,涉及通过观察周围的人和物的行为,创建新的学习规则。通过学习社会习俗和典型的人类行为,自动驾驶汽车应该能够表现得更好。

9

谁将成为赢家? 硅谷还是中国还是现在的大车厂?这里提出的一个主要假设是,现在的大车厂拥有最容易成功的方法,因为它们已经在造车,具有所有必要的基础设施。这些汽车制造商纷纷在硅谷设立办公室,积极搜罗人才以更快地推动创新,因为他们知道自动驾驶汽车的实现主要还是软件的问题。但硅谷本地的汽车公司也有机会,例如特斯拉。中国的很多汽车制造商以及百度等技术公司也都非常积极地在推动这个领域,值得关注。

10

未来展望:你觉得未来我们会购买汽车还是购买出行服务?假如我们作为消费者,将从汽车制造商那里购买汽车的习惯转变为从Uber、Lyft这些公司购买出行服务,那么整个出行市场的方向将会发生完全的转变。这会使得汽车行业变得更像航空业,你不会去选要乘哪架飞机,而是选择哪一家航空公司。这将导致车企转型为B2B,而不是B2C的企业,汽车制造商的客户会变成 Uber这些服务提供商。

11

一级效应:你觉得事故率将发生怎样的变化?假如所有汽车都变成完全自动驾驶汽车,事故率将变成0。因为大多数的交通事故都是人为原因,25起事故中24起都是人为错误引起的,比如超速、疲劳驾驶、醉驾、闯红灯,等等。但假如是自主汽车和普通汽车一半一半的混合状态会是怎样?由于仍然有一部分汽车是人操作的,可能会导致的意外事故是我们从未经历过的。

12

什么时候“开车”会变成非法行为?假如从统计学上来说,算法真的比人类司机更好,那么就不应该让人类开车。但还是会有很多人喜欢开车,开车可能变成一个有趣的娱乐活动,但我们可不希望人类开的车行驶在路上。

13

一级效应:你觉得通勤将发生怎样的变化?有一个观点是,通勤将变得需要更长时间,因为不管通勤需要多长时间对人们来说无关紧要了。到了所有汽车都完全自主的时候,没有交通灯,不会发生事故,在通勤路上人们可以做任何事情。甚至可以在通勤路上睡觉,就像在火车或者飞机上可以睡觉一样。通勤的过程肯定会变得更加舒适。另一方面,这也会释放更多的空间(停车场、汽车修理店),因此人们会住到离工作地点更近的地方,通勤的距离会缩短。

14

一级效应:你觉得城市将发生怎样的变化?自动驾驶将带来非常多的效应,但现在是不可能预测的。可以确定的是,它肯定将改变我们的社会,并创造前所未有的获利机会。

15

二级效应:你觉得保险业将发生怎样的变化?自动驾驶技术将会改变的一个行业是保险业。现在车险的价格是用一个函数计算的,会考虑你的人口统计学数据,你的车的价格,以及你的居住地等等。但到了新的自动驾驶的时代,保险公司需要考虑的是哪些因素呢?算法的效率会成为核心的指标吗?会考虑汽车经理?汽车制造商?还是继续考虑购买或租赁汽车的车主?以及,维修成本如何算?因为自动驾驶一定会使事故减少,可是修理汽车的激光系统、预计算地图、超级计算机分析器,以及其他的昂贵硬件,会有多复杂?

16

终极梦想:你觉得完全自动驾驶的汽车什么时候才会实现?一些在造自动驾驶汽车的参与者预测说完全自主的汽车将出现在2020~2040年。我们将在有生之年见到这个美好世界,问题是我们需要做好充分的准备。(作者 | Andreessen Horowitz(翻译:新智元)来源 | 新智元、智能网联汽车网


自动驾驶汽车要“上路”,相关标准要“先行”

博客gaohong 发表了文章 • 0 个评论 • 74 次浏览 • 2019-10-14 10:04 • 来自相关话题

这几年,自动驾驶技术经历了快速发展,但与之匹配的相关标准一直未跟上。制定自动 ...查看全部

这几年,自动驾驶技术经历了快速发展,但与之匹配的相关标准一直未跟上。制定自动驾驶相关标准,显得尤为迫切。从国家政策、行业学会、协会,以及上下游的企业,现阶段对于自动驾驶相关标准的制定,都给予了极大的关注。

 

2019年5月15日,工信部官网发布了《2019年智能网联汽车标准化工作要点》,将加快自动驾驶相关标准制定,并将有序推进汽车信息安全标准制定。

工作要点中提到,稳步推动先进驾驶辅助系统标准制定。完成乘用车和商用车自动紧急制动、商用车电子稳定性控制系统等标准制定。全面开展自动驾驶相关标准研制。完成驾驶自动化分级等基础通用类标准的制定,组织开展特定条件下自动驾驶功能测试方法及要求等标准的立项,启动自动驾驶数据记录、驾驶员接管能力识别及驾驶任务接管等行业急需标准的预研。

图片.png

9月21日,中国公路学会自动驾驶工作委员会、自动驾驶标准化工作委员会发布了《智能网联道路系统分级定义与解读报告》(征求意见稿)(以下简称报告)。

报告从交通基础设施系统的信息化、智能化、自动化角度出发,结合应用场景、混合交通、主动安全系统等情况,把交通基础设施系统分为I0级(无信息化/无智能化/无自动化)、I1级(初步数字化/初步智能化/初步自动化)、I2级(部分网联化/部分智能化/部分自动化)、I3级(基于交通基础设施的有条件自动驾驶和高度网联化)、I4级(基于交通基础设施的高度自动驾驶)、I5级(基于交通基础设施的完全自动化驾驶),并进行了明确定义和详细解读。


针对智能网联道路系统I0-I5的分级及应用场景,中国公路学会自动驾驶工作委员会、中国公路学会自动驾驶标准化工作委员会主任委员冉斌,中国公路学会自动驾驶工作委员会、中国公路学会自动驾驶标准化工作委员会副主任委员张毅等进行了深刻的解读分析。


其中关于I1级、 I2级的定义,冉斌解读称,I1级,我们称为初步的自动化、初步的信息化、初步的智能化,我们交通基础设施,我们的路具备比较微观的传感和基础预测,即具有基本的预测计算功能,可以支持比较低空间和低时间纬度的解析度。


I2级,我们称为部分的网联化、部分的智能化、部分的自动化,目前基本不存在,只有很小的示范区,因此我们定义是指我们交通基础设施,我们的路具备比较复杂的传感功能和深度的预测功能,而且它通过与车辆系统进行信息交互,其中I2X可以支持较高空间和时间解析度的自动化的驾驶辅助和交通管理。要做到辅助驾驶,就必须使传感的时间、空间的维度达到一定的级别。


其中关于I3级的定义,张毅解读称,I3级是有条件的自动化和高度的网联化。I3级的网联化、信息化达到了非常高的程度,才能逐渐的、部分的、有条件的自动化和智能化。在这个层级上主要还是解决单车智能,即横向和纵向控制,两项控制可以在一定程度上进行交互。


在高速公路里面如果进入专用道,必然会有方向问题,想让基础设施来支持自动驾驶,适度的转弯,这种情况下就要支持一定程度的横向控制,这样对整个层级的应用,实际上是一个条件。有了这些条件我们可以做一些特定场景下,或者特殊情况下的一些应用,如货运,可以带有一定的自动驾驶功能,但又不全是,第一辆汽车不用自动驾驶,可以人开,后面的汽车有自动驾驶功能的,可以支持1.5级以上的自动驾驶,由于有车路协同的存在,这种情况下就保证了第一辆车和最后一辆汽车信息共享是同步的,这就使自动驾驶和车路协调在尽可能短的时间里面,能看到它的一些使用性。

车路协同,即采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,充分实现人车路的有效协同。


自动驾驶车辆要在城市道路、高速场景大规模运行落地,很多应用场景单纯依靠车辆智能无法彻底解决问题,必须辅以车路协同。


针对该报告,行业内的相关企业代表纷纷建言献策。


公安部交通管理科学研究所首席研究员袁建华的建议指出,现在这个分级和智慧高速的分级,这二者是合二为一,还是互相独立,是不是需要从两个维度来考虑?从智能化、网联化、自动化三个维度来定义我们的分级,是否可以与交通安全、交通效率、交通服务提供这三个维度结合起来?目前基础设施方面主要讲基础设施与车,能否围绕基础设施在整个交通环境的各个方面展开考虑?


从地图的角度,四维图新政府事务部高级总监邹德斌给出的建议指出,自动驾驶地图标准体系的建设方案,首先要跟国际水平保持同步,要跟踪欧美相关的标准化组织的一个发展;另外,国内的汽车尤其是智能汽车的应用以及高速公路和高等级智慧道路,中国是全世界第一,要有足够的信心,相信自己能做好自己的标准;此外,要想超越国外同行的标准,应该重点考虑这个动态信息的标准建设,而不是从基础的高精度地图静态信息的建设;最后,标准建设要全面考虑,不只是地图的格式,更顶层的基础要素地理编码,地图的分类,尤其是动态实时高精度地图的各种分类标准,还有地图的一些质量标准、质量保障标准、安全信息标准等也要同步跟上。


站在主机厂的角度,比亚迪汽车工程院副院长钟益林表示,通过开发无人驾驶车,我们发现成本确实非常高,有很多地方需要设计,传感器的成本也非常高。


车路协同的解决方案如果能够做得好,确实可以降低整车的成本。今天的报告主要面向的对象是驾驶员和车辆,是不是可以再扩展研究一下,因为道路的情况很复杂,它有很多的随机场景出现。


在钟益林看来,我们做无人驾驶研究这么多年了,能解决交通事故的场景相对做得好的,只能做到百分之五十几,全世界做到最好的也就只能解决78%的交通事故,想要做到99%甚至100%目前是不可能的。


无人驾驶现在确实离我们有点远,如果在有人驾驶的时候能发挥这个路很聪明,可以在很多情况下能够提前告知车辆,就能提前采取应对措施。  


大众汽车(中国)投资有限公司蔡纪勇则表示,国内行业内的各个领军企业,其实已经达成了相对的共识,即高级别的自动驾驶很难在短期内通过单车智能形式来实现,那么车路协同就是一个非常重要的手段。车路协同有三个部分,一个是车,一个是路,然后还有一个是连接车和路的通信标准。实际上真正的实现这个通过远程控制来实现高级别的自动驾驶,必须要依靠5G标准的落地,我们看到5G的标准将会在2020年左右就能够落地。


从主机厂的角度来看,实现高级别的车路协同的自动驾驶,可能只要车端具有L2级别的单车智能,那么就可以实现。


蔡纪勇指出,到2020年底,5G在国内能够实现落地时,当这些标准软件的东西可以落地、场景基本可以确定下来的情况下,我们的道路系统是否能跟5G标准的落地,同步实现硬件对于自动驾驶的支持,这是一个需要思考的问题。


交通部通讯信息中心王玮则认为,车路协同的发展实际上是基础性工作,是支撑将来自动驾驶,包括道路安全、行驶安全非常重要一个抓手。


对于报告,他的建议有三,一是关于基础设施等级的问题,可以更加结合车路协同的定义来;二是采用车和路之间的协同能力,来判断自动驾驶的等级,这样定义可能更清楚一些;三是标准体系,首先顶层设计要做好,标准要有一个规划。


针对具体的自动驾驶路线图和标准,华为技术有限公司公司标准与产业发展部主任工程师李洋提出的建议主要有三个方面,一是路线图,不管是我们规划到2035年还是2045年,产业现在最关键的还是2025年,即最近几年的发展落地。路线图在制定方面,目标的可实现性,还要具有一定程度的牵引,其中牵引的作用这方面还需要深度再考虑一下。


二是车路协同,需要车路网三方共同的发展,但实际上,它现在并不是一个很平衡完全协调的状态,可能需要通过车路协同这个系统,将三方的建设能够拉齐。


三是标准方面,从车路协同整个体系来说,由于整个行业它有很多的相关的联盟或者是标委会,可能有一些相关的工作,具体它们之间如何实现协同也需要考虑。


而对于自动驾驶相关标准的制定,盖世汽车也采访了自动驾驶领域的相关企业,他们对此也发表了各自不同的看法和建议。


作为智能驾驶解决方案服务商和产品供应商,福瑞泰克智能系统有限公司副总裁李意欣表示,智能驾驶的前提是安全,行人和环境的共同安全是行业的共同使命。中国交通场景非常多元和复杂,城市管理者将决定出行行业的未来,在这个过程中我们行业上下游需要协同合力形成联盟来共同推动行业标准的落地,更需要从驾乘者的角度思考我们需要什么样的交通环境可以实现更安全的出行和更智慧的城市。


从自动驾驶测试验证的方面来看,目前,L3&L4自动驾驶测试验证的行业标准也尚未形成。


亮道智能市场总监江南逸表示,行业和国家标准的推出,依赖于技术的成熟和市场的需求,否则很难设立统一的行业和国家标准。要实现自动驾驶的量产项目,车辆的感知决策的能力必须有统一的测试标准。目前亮道智能也在积极参与到行业标准制定方的标准制定工作当中。


她指出,从测试的角度来看,需要有统一的测试场景来评估自动驾驶的感知决策能力,目前在欧洲ASAM汽车行业标准协会牵头组织open系列的自动驾驶系列标准,在国内,中汽中心、国汽智联等也在积极组织标准的制定。


这一系列的标准当中,自动驾驶场景库标准是其中较为重要的标准之一,是自动驾驶测试中的一个重要环节,它是一定时间和空间范围内汽车驾驶行为与行驶环境的综合反映,亮道智能目前在欧洲加入ASAM,参与在场景库标准课题研究中,通过提供自动化的场景提取软件,为标准制定提供工具。


对于当前自动驾驶相关标准的现状,大众问问(北京)信息科技有限公司CEO张人杰则指出,现在国内大部分主要还是以智能网联汽车相关的标准为主,而不是自动驾驶相关标准为主。这二者的区别很大,智能网联偏向于车路协同,自动驾驶偏向于单车智能。由于单车智能和车路协同结合在一起才能完成自动驾驶,最终这两个领域还是一个融合发展的趋势,但现在还是各有各的侧重点。


在张人杰看来,最近自动驾驶的热度在下降,正处于一个变动的时间节点,或许再过几个月形势会更明朗一些。当这种过热的状态稍微降下来一点,反而会让产业更理智一点,从而去建立相应的法规政策以及这些行业标准。


小结


近日,刚刚发布的《交通强国建设纲要》中也明确提到,“加强智能网联汽车(智能汽车、自动驾驶、车路协同)研发,形成自主可控完整的产业链”,此外也有提到“推广智能化、数字化”交通装备及成套技术装备。


早在2016年,工信部就已经开始在上海进行智能网联汽车试点,并在北京、浙江、重庆、吉林、湖北等省市(直辖市)开展“基于宽带互联网的智能汽车和智慧交通应用示范”,大力推行自动驾驶测试工作;北京已经出台智能驾驶汽车与智慧交通应用示范5年行动计划,将在2020年底完成北京开发区内所有主干道路智慧路网改造;2019年5月举办第十一届中国汽车蓝皮书论坛上专门针对智能驾驶进行了讨论;而就在今年9月7日三部门联合启动车联网(智能网联汽车)和自动驾驶地图应用试点;以及9月16日,刚刚在上海东海大桥高速公路上多辆具备智能驾驶功能的汽车完成了我国首次在高速实际交通环境下进行的较大规模的智能网联汽车道路测试。


而随着《智能网联道路系统分级定义与解读报告》(征求意见稿)的发布,中国自动驾驶道路分级也将很快有“标”可依。从我国在智能驾驶方面的布局,可以看到智能驾驶时代即将来临。


正如中国公路学会理事长翁孟勇而言,2017年,十九大交通强国战略的提出,看见了中国车路协同自动驾驶的曙光,今年迎来了朝霞,很快会迎来朝霞满天。


虽然汽车行业寒冬还未过去,但是在车路协同这个领域有春天。


当自动驾驶汽车被追尾

博客gaohong 发表了文章 • 0 个评论 • 85 次浏览 • 2019-10-08 09:55 • 来自相关话题

但凡自动驾驶汽车发生事故,都会成为新闻的大头条。有趣的是,从统计数据上来看,大多数都是追尾事故,而且是自动驾驶汽车被有人驾驶汽车追尾。国外媒体 Wired 就做了个一组统计:拿 2018 年来说,加州有 28 名 ...查看全部

但凡自动驾驶汽车发生事故,都会成为新闻的大头条。

有趣的是,从统计数据上来看,大多数都是追尾事故,而且是自动驾驶汽车被有人驾驶汽车追尾。

国外媒体 Wired 就做了个一组统计:

拿 2018 年来说,加州有 28 名司机(其中一人骑自行车)在驾驶时与前方自动驾驶汽车「亲密接触」,占到了所有自动驾驶事故的三分之二。

翻阅加州的自动驾驶事故报告,你就能会发现,这些事故非常相似,几乎都遵循着相同的模式。

举例来说,去年 9 月,加州有三辆自动驾驶汽车出现了剐蹭事故,另外三辆则被其他车辆追尾。

最让人尴尬的一次事故是,去年 6 月,两辆 Cruise 自动驾驶测试车前后行驶,前车采用自动驾驶模式,后车是安全员手动驾驶。然而在一个转弯处,后车追尾了前方的自动无人车。

在研发人员看来,自动驾驶汽车是消除道路交通事故并拯救生命的神器。但想获得这一神力业内还得花费数十年时间,其背后也离不开无数的路测工作。

因此,类似的事故也引出了多个问题:

比如,如何管理未来全面开花的机器人及 AI 测试?如果公众不同意怎么办?最坏的情况是什么?

关于这一系列问题我们谁也给不出答案。但解决问题始于了解问题,所以我们得从数据中找答案。

01 深挖数据,我们发现了这些

普通人能接触到的数据实在有限,真正手握数据的公司也不大可能会主动分享信息量巨大的测试数据。

这些公司只是象征性邀请媒体或公务人员参与试乘活动,在可控环境中展示自己最光鲜的一面。

关于自动驾驶汽车的那些坊间传闻(比如 Waymo 的「左转无能」),则被很好的隐藏了起来。

据汽车之心了解,在亚利桑那、加利福尼亚、密歇根、内华达和宾夕法尼亚五大自动驾驶测试中心,明确要求各家公司披露项目相关细节的只有加州。

也就是说,每年各家公司都要向加州车管所(DMV)呈交一份自动驾驶报告,详细解释自家测试车的接管率(安全驾驶员接管车辆的频率)。

除此之外,只要出了事故,无论多么轻微,都要在 10 个工作日内对整个事故进行复盘并提交事故报告。

这一规定 2014 年起开始执行,截止 2018 年 10 月末,加州车管所已经收到了 104 份自动驾驶事故报告。

鉴于测试车数量逐年递增,因此去年事故也最多,仅 10 个月就新增 49 份报告。

当然,这些事故大多数都是小擦小碰,值得上新闻的都很少。

但从这些事故之中,我们依然能一窥当下自动驾驶测试的进展以及自动驾驶汽车与其他车辆分享道路的能力。

显然,这些车辆真如坊间传闻——它们的驾驶方式总是出乎意料,有时简直是路怒症的催化剂。


截止 2018 年 10 月 9 日,8 家公司向 DMV 上报 49 起事故

如上图所示,2018 年,Cruise 是递交事故报告最多的自动驾驶公司。Cruise 一直在向加州调兵遣将,并将测试地选在了交通混乱的旧金山。

Waymo 则排在第二。主要原因是 Waymo 的测试主力被安排在了亚利桑那州。

当然,加州车管所也给了这些公司解释的机会。

但有些原因,听起来有些匪夷所思。

比如,一辆 Cruise 的自动驾驶测试车被附近高尔夫球场飞出来的一颗高尔夫球击中,车辆的前风挡玻璃破裂,所幸没有造成伤亡。

还有一些测试车在停车待行时,被出租车司机下车追击,结果测试车被司机弄出不少划痕。


被追尾是自动驾驶频率最高的事故类型

当然,正常的碰撞事故也时有发生,比上面的奇葩事故频繁多了。

深挖数据,我们能发现这样一个规律:

在这 49 起事故中,有 28 次都是自动驾驶汽车被追尾,几乎占到了三分之二。其次是侧向碰撞,其中还有两起是与行人的碰撞。当然,这仅有的两次也是行人自己撞上的。

02 追尾事故剖析

一般来说,在法律框架下,如果某人从后面追尾,那么这位车主肯定是全责。

不过,28 起事故中有 22 起都发生在自动驾驶模式下,这个比例太高了,前方的自动驾驶车辆肯定也有问题。

是这些车辆跑起来过于兴奋?还是说经常没原因就停车?当然,这些都不是坏事,它显示了厂商对安全的重视,多停两次车肯定比出现一次恶性事故要好。

可惜,一个好司机的基本素养是不一惊一乍。自动驾驶汽车可不行,它踩刹车时经常会让人意想不到。

侧面撞击原因也并不复杂,人类驾驶员试图超越慢速或停住的自动驾驶汽车时玩脱了。

当然,我们也不能 100% 确定自动驾驶汽车行驶起来是否神经质,毕竟加州车管所也没有要求各家公司上报不同模式下的行驶里程。

对于这一问题,Cruise 联合创始人 Kyle Vogt 在 Medium 一篇文章中指出,「它们都是自动驾驶汽车,当然大部分时间是自动化。」不过,Cruise 却不愿公布详细数字。

在报告中, Cruise 是一家颇具代表性的公司,因为它在旧金山的测试车队规模不小。

对经验丰富的人类驾驶员来说,旧金山就是交通地狱,这里有无数的棘手十字路口、手推车、自行车、行人、道路工程和陡峭的山丘需要征服。

除此之外,旧金山还有各种开车很冲的驾驶员。

在 Cuirse 看来,这里才是最棒的「练兵场」,比相对简单且枯燥的亚利桑那街道可要「有趣」多了。

数据显示,Cruise 在旧金山遭遇紧急情况时,触发紧急状态的频率比凤凰城郊区高了 46 倍,在建筑工地则会高出 39 倍。

研究人员相当务实,他们均认为没有公路测试就没有更加安全的自动驾驶汽车。

不过,这也引发了新的问题。

密歇根大学福特自动驾驶中心负责人 Matthew Johnson-Roberson 就表示:「通过某个级别的基础性能测试之前,一股脑涌上街头真的好吗?」

诚然,加州的测试执照需要申请,但加州交管局可没有为各家自动驾驶公司出考题。

Vogt 指出,加州自动驾驶汽车事故报告显示,人类总期待着别人也破坏交规,比如加速抢黄灯或压着限速行驶,但自动驾驶汽车可不会这样做。

如果驾驶员清楚地知道自动驾驶汽车遵章守法,他们就不会报各种不切实际的幻想,我们的道路也会更加安全。

也就是说,人与自动驾驶汽车之间应该有更加行之有效的互动。

03 加强对自动驾驶汽车的认知

这类的事故的关键点是什么?

——认知。如果公众能多了解这些自动驾驶汽车(如何工作、测试以及习惯),就一定能从中受益。

不过,这个过程需要各家公司开诚布公,大方承认自家车辆的能力上限,而不是用炫目的 PPT 刷存在感。

有些公司为了体现科技感不愿传达类似信息,但如果业界建立起基础测试标准的话,这在提升用户接受度方面将会非常管用。

最后,如果你有幸在路上见到一辆自动驾驶汽车,跟车时千万别分心,给自己留下充足的反应时间和空间。


共享出行、自动驾驶等新技术让交通更安全 还是愈发危险?

博客gaohong 发表了文章 • 0 个评论 • 89 次浏览 • 2019-10-08 09:55 • 来自相关话题

10月8日消息,市区出现了比以往更多的交通选择:有Uber和Lyft这样的按需出租车,也有满大街的共享单车和滑板车。新一波的交通技术本应使世界更容易出行,且更安全。但在前进的道路中,未来主义的汽车、电动自行车和滑板车首次上路时,出行可能会暂时变得更危险。 ...查看全部

10月8日消息,市区出现了比以往更多的交通选择:有Uber和Lyft这样的按需出租车,也有满大街的共享单车和滑板车。新一波的交通技术本应使世界更容易出行,且更安全。但在前进的道路中,未来主义的汽车、电动自行车和滑板车首次上路时,出行可能会暂时变得更危险。

出行的未来开始成为一种公共健康危害。加州大学和斯坦福大学的一项研究对加州两家医院的急症部门进行了为期一年的调查,发现249人受伤与滑板车有关。由于性侵犯和假冒Uber司机的问题,Uber不得不断开发新的工具来证实其对安全的承诺。

去年,由于媒体大肆报道的事故和一起死亡事故,人们一说起自动驾驶便联想到车祸。

但事实证明,就算是符合标准的新车上的某些功能也未必可靠。据外媒报道,美国汽车协会发布的一项新研究称,行人躲避技术是包括紧急制动、车道保持、自适应巡航控制、有限自动驾驶和碰撞警告等在内的几种新型自动化工具之一,但在最需要的时候它却不起作用。

通常情况下,这是没问题的,因为方向盘后面有一个司机,逻辑上是这样的。但是辅助功能带来了一个新问题,那就是司机变得过于依赖它们,在开车的时候就会走神。

没有哪家公司能像特斯拉这样深切感受到这种痛苦,该公司生产的汽车自带名为Autopilot的自动驾驶技术。到目前为止特斯拉卷入了几起公开的撞车事故。首席执行官埃隆·马斯克表示,所有这些事故都是粗心司机的错。那可能是真的,但它没有反映出情况的复杂性。2018年,一辆特斯拉撞上了停在高速公路上的消防车。事故发生前不到一秒,这辆车就向司机发出了警报,但未能紧急刹车。对于一个人来说,0.49秒的时间是否足够让他对自己没有意识到的碰撞做出反应?还有,这些紧急刹车发生了什么?

曾经有人相信,自动驾驶汽车将成为我们的救星。2015年,我们有理由相信,到2050年,自动驾驶汽车将减少90%的车祸死亡,每年可以挽救成千上万人的生命。一些研究人员对自动驾驶机器的终极好处如此确信,以至于为数不多的安全担忧之一围绕着电车难题(Trolley Problem),即一辆自动驾驶汽车在发生碰撞时,是会选择拯救尽可能多的人,还是会选择拯救自己的乘客。

卡内基梅隆大学计算机科学系主任Andrew Moore三年前在与Adrienne LaFrance的一次谈话中说:“在某些情况下,一辆汽车知道它即将发生撞击,并正在计划如何撞击。”对于编写代码来处理碰撞的工程师,将会有令人难以置信的详细审查。它是想救它的主人吗?还是为了救别人呢?

但到目前为止,自动驾驶领域的事故与试图拯救他人无关。它们只是系统故障。在一个案例中,Uber的一辆自动驾驶汽车只是在晚上穿过一条双车道街道时没有注意到行人。当然,人类也是问题的一部分。查看加州的自动驾驶事故记录就会发现,人们喜欢追尾无人驾驶汽车,甚至连小型摩托车也会撞到自动驾驶汽车的尾部。我们和自动驾驶汽车似乎就是处不来。但是,除了把每一辆人类汽车从道路上拉下来,用自动驾驶汽车取代它们之外,这过程中自动驾驶汽车公司将不得不考虑到“人类”。

早期的自动驾驶试点已足够令人担忧,以至于制造自动驾驶汽车的汽车公司推迟了自动驾驶汽车的上市时间。今年4月,福特首席执行官Jim Hackett在底特律经济俱乐部(Detroit Economic Club)的一次谈话中说,我们高估了自动驾驶汽车的到来。

道路上自动驾驶汽车的逐步增多很可能会增加车祸发生。密歇根大学2015年发表的一篇论文提到了这一点:在传统汽车和自动驾驶汽车共享道路的过渡时期,安全状况实际上可能会恶化,至少对传统汽车来说是这样。这个结论可能是有预见性的。它还表明,自动驾驶汽车不一定比有经验的中年司机更擅长驾驶。

这并不是说我们不应该试图建立伟大的技术,最终使世界更安全。在大学校园里以及在华盛顿特区等特定城市、拉斯维加斯和底特律,我们能看到一些自动驾驶接驳车在以有限的低速路线试点。无论是滑板车还是自动驾驶大巴,试验可以帮助这些技术不断试错、最终成功落地。

但是人类应该以发展的名义而有所牺牲吗?以及我们到底需要多少试错才能迎来光明?这个问题可以通过立法来解决,帮助指导新的交通方式进入街道。因为,无论是巨头还是小企业都将继续做他们所应做的事情,启动、规模化、迭代,最终改变我们的生活方式。


赛迪报告:哪个国家自动驾驶成熟度最高?25个国家对比分析

博客gaohong 发表了文章 • 0 个评论 • 147 次浏览 • 2019-09-25 13:42 • 来自相关话题

随着人工智能技术和传感器技术的发展,自动驾驶汽车发展迅速,成为了业界关注的焦点。近几年国内外厂商更是大力研发自动驾驶技术,发展速度和规模不可小觑。

那么,世界各国自动驾驶汽车的发展情况如何?我国的又处于什么样的发展阶段呢?



商用车自动驾驶:L3基本无缘,L2进入爆发期「GGAI商用车」

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 150 次浏览 • 2019-09-24 10:07 • 来自相关话题

对于L3,乘用车也许还有机会,但商用车可能“几乎无缘”。十年前的2009年,法国航空(Air France) 447航班在巴西海岸坠毁,机上228人全部遇难。调查人员说,飞行员无法在紧急情况下恢复对飞机的控制。他们的最终失败很 ...查看全部

对于L3,乘用车也许还有机会,但商用车可能“几乎无缘”。

十年前的2009年,法国航空(Air France) 447航班在巴西海岸坠毁,机上228人全部遇难。调查人员说,飞行员无法在紧急情况下恢复对飞机的控制。

他们的最终失败很大程度上是由于过度依赖飞机的自动驾驶模式,而这种模式原本是为了比人类飞行员更安全、更可靠而设计的。飞行员在被要求控制飞机时准备不足。

同样的,谷歌在2012年就驾驶员如何与自动驾驶汽车互动展开的一项开创性研究,结果显示,当人们可以脱离驾驶任务,但必须时刻准备好在提示时接管控制权,在这种情况下,他们很难安全地操作车辆。

作为自动驾驶等级中的L3,这些系统可以在不需要人工的特定条件下自动转向、刹车和加速,但仍要求司机随时待命,以便在需要时恢复控制。

换句话说,行业的共识是,司机必须要么在拥有自动驾驶能力的车辆上保持持续的驾驶状态,要么完全脱离驾驶状态,无需承担在接到通知后立即控制车辆的风险。

此外,L3除了开发成本远超过L2,在商用车领域本身因为无法去掉司机,也无法在人力成本这一项上有改善,对于车队来说,并不具有很大的吸引力。

去年,戴姆勒卡车公司宣布将直接跳过L3,研发L4自动驾驶。而很多卡车制造商也表示,行业应该跳过L3。另一家卡车巨头沃尔沃,此前也表示,目前还没有研发L3自动驾驶卡车的计划。

“我们现在关注的是2级和4级自动驾驶。除非研究人员有一天可能会想出一个绝妙的解决方案,让L3更安全,但我现在还不能说如何做到。”沃尔沃卡车相关负责人表示。

更谨慎的看法是,2025年之前行业不会全面部署L4商用卡车,而就规模和需求而言,L2将是商用卡车大规模普及的关键。

坦白说,经过数年的大张旗鼓宣传,以及关于无人驾驶商业车辆何时以及如何进入市场的争论,这项技术的早期形式开始成为卡车制造商的一种务实选择。

自动辅助转向、车道保持、前向预警及紧急制动、自适应巡航控制等等功能的导入,将标志着大规模卡车L2自动驾驶市场启动的开始。

按照SAE的定义,L2是指系统可以在一定条件下自动加速、制动和横向移动,但仍然要求驾驶员在任何时候都保持注意力集中。而L2的特点,正是为司机提供横向和纵向的驾驶辅助。

按照行业预期,在接下来的1-2年时间内,全球主要商用车制造商将加快推动L2自动辅助驾驶的量产落地,并不断完善感知和算法,目的是增加系统的舒适性和安全性。

博世北美商用车负责人表示,博世将继续改进其嵌入式摄像头和相应的车道保持辅助等功能,并且在未来三年内,已经可以预见更多的汽车制造商使用电动助力转向,并将其作为驾驶员辅助解决方案的一部分。

在业内人士看来,尽管这些技术已经存在多年(比如在乘用车市场),但以一种安全、可靠的方式将它们集成到卡车等大型商用车上一直是“工程挑战的一部分”。

而随着L2系统的构建模块以及量产化进度,也为将来L4系统的真正商业化落地提供开发经验。因为现在的L4卡车,更多只是基于现有商用车底盘的改装、功能验证。

此外,供应商还在开发新的传感器阵列,同时测试雷达、摄像头和激光雷达的组合,这对于卡车等大型车辆来说,是规避行驶盲区的关键。因为和乘用车相比,安全冗余对于卡车来说,更为敏感。

商用车自动驾驶的另一大问题,就是除了安全和驾驶舒适性的好处,车队的投资回报仍难以量化。L2卡车仍需要在市场上证明自己,尽管零部件供应商和汽车制造商都给出了自己的投资回报数据预测。

另一个风险,就是现有司机对L2系统的接受度和正确认知。这种风险,已经在特斯拉上被印证很多问题。

沃尔沃卡车公司负责人表示,从长远来看,卡车制造商和车队运营商需要确保司机不会过度依赖L2卡车的自动辅助驾驶功能。

尤其是汽车制造商在引入这样的系统时,为了让司机充分了解这些系统的功能和限制,使他们不会总是使用这些系统,也要有效地沟通,这将是非常重要的。

“我认为它需要给司机们带来舒适,当然,还有它的安全性。我们面临的挑战是,我们需要确保这些系统以正确的方式使用。“上述负责人表示。


利用5G通信和远程控制补充和辅助自动驾驶

博客gaohong 发表了文章 • 0 个评论 • 192 次浏览 • 2019-09-17 10:20 • 来自相关话题

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的意义、时间表以及导入前的各类测试。推动建立5G ...查看全部

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的意义、时间表以及导入前的各类测试。

推动建立5G通信标准的国际组织3GPP*分阶段发布标准规格,建立了5G的标准。2019年即将进行试运行,2020年将正式实现商业落地。

* 3GPP(Third Generation Partnership Project):推动建立无线通信规格标准的项目。

本报告将根据各公司的演讲,主要介绍5G补充和辅助自动驾驶的作用。

•通过通信识别情况,补充车载传感器无法完全把握的领域(由于遮挡物使得传感器无法检测的邻近范围和广域信息等)。

•搭载使用5G的远程控制系统开展L4级自动驾驶车的路试。(根据日本警察厅的道路使用许可相关指南,在日本要开展L4级自动驾驶的公路测试,必须配套远程控制系统。)

此外,2019年12月3GPP的Release-16版本将敲定5G V2X(NR-V2X)的规格。与目前开展路试的LTE V2X相比,性能取得大幅提升,进一步真正地补充和辅助自动驾驶,兼容智能手机,还能实现V2P(汽车与行人通信)。

同时,为了应对未来数据转发量的飞跃性增长,正在考虑数据的分散处理。多接入边缘计算 (Multi-access Edge Computing, MEC)技术通过在接近终端的位置配置数据处理功能,实现通信的优化和减少延迟,由此可最大限度发挥5G的性能。

利用5G提升车联网将提高远程信息处理系统的便利性。如果进一步实现完全自动驾驶,车内将成为个人空间,使用信息娱乐功能的机会将增加,届时将需要实现更高速、更大容量网络连接的技术。

NTT DOCOMO的5G/C-V2X概念与发展

NTT DOCMO 5G创新推进室室长中村武宏以“NTT DOCOMO的5G/C-V2X概念与发展”为题进行了演讲。中村武宏分析了5G应用的意义、今后应用计划、利用5G实现的V2X通信对车载传感器识别功能的补充作用,还介绍了为实现上述功能开展的若干试验。

5G应用的意义与时间表:

在5G时代,利用5G的“高速、大容量(峰值速率:20Gbps)”、“低延迟(无线区间的传输延迟:1ms以下)”、“与多个终端的连接(同时连接数量:100万个设备/km2)”等特点开展的各类服务预计将应用至汽车行业等多个领域。

NTT DOCOMO计划到2020年东京奥运会和残奥会引入5G商业服务(采用2017年12月由3GPP建立的非独立 (Non-Stand Alone) 标准*)。在此之前,将于2019年世界杯橄榄球赛上导入5G的试运行。

* 全球大多数通信运营商都计划在5G应用初期实现与现有的LTE(4G)密切连接的5G服务(称之为非独立(Non-Standalone)方式)。

由于5G的引入耗时耗资,无法同时在全日本以统一条件开展。2020年将率先开始在最需要高速、大容量的区域(市区、世界杯橄榄球赛、奥运会、残奥会会场等)引入5G-NR(New Radio:5G导入的新无线通信技术)。据悉,日本全国道路(尚未最终决定)将制定优先顺序,分阶段逐步导入。5G的小区(Cell,一个基站的电波覆盖的区域)将与先进的LTE(eLTE)同时引入。郊区和农村也将在需要高速大容量通信的地区逐步引入点分布式5G-NR。

如右下图所示,2020年导入5G时,5G的区域与LTE的区域将同时存在。5G-NR的范围还将逐渐扩大至郊区和农村。其次,还将逐步导入对5G进一步扩展的技术(5G+)。

1.jpg

5G应用的意义

5G应用的时间表

开展5G的示意图

NTT DOCOMO:蜂窝V2X辅助车载传感器的感应功能

5G以蜂窝方式进行V2X通信(称之为蜂窝V2X)。将区域分割成一定的小区(Cell),在各小区内部署基站,利用目前用于手机与智能手机的无线通信设备。

蜂窝V2X是使用LTE或5G的V2X,支持通过基站的通信以及直接通信两种方式。具体分为V2V(Vehicle-to-Vehicle)、V2I(Vehicle-to-Infrastructure)、V2P(Vehicle-to-Pedestrian)、V2N(Vehicle-to-Network),分别承担各自的作用。

考虑到汽车的情况识别,车辆周围利用可靠度较高的车载传感器与摄像头(覆盖范围100-200m)覆盖,利用通信可覆盖以下领域:

1、距离很近但由于有遮盖物而无法利用传感器检测的领域

2、超出传感器检测范围的较远领域

3、检测实现顺畅导航所需的广域信息

通过车载系统与5G通信的组合,将实现更安全的自动驾驶。

蜂窝V2X的用例

补充情况识别的通信的可能性

2.JPG

资料:NTT DOCOMO

NTT DOCOMO参与的路试

<开发兼容5G的“On Glass Antenna”>

On Glass Antenna是AGC响应整车厂希望隐藏天线的需求,新开发的可安装在玻璃表面上的“车玻璃安装型天线”,可兼容28GHz频带和5G。2018年6~7月,NTT DOCOMO、AGC、爱立信三方共同实施路试,并成功实现最快11Gbps的5G通信。使用的车辆是日产GT-R,副驾驶座上安装基站开展了测试。

<索尼的New Concept Cart SC-1>

SC-1是一款EV概念车,在车辆前后左右搭载超越人类视觉能力的图像传感器,可把握360度全方位的环境影像,乘客在夜间也能在不开前照灯的情况下看清周围。行驶速度为0~19km/h。利用搭载于车辆前后左右的4K显示屏与5G通信,与索尼共同开展通过云识别标识以及自动驾驶测试(还能通过乘客的操作进行驾驶)。

<Flying View路试>

Flying View将4台摄像头的图像合成至无缝的俯瞰图像,可实时随意改变视角,还可监控周围。图像传输至MEC(下述)进行处理,并返回车辆生成图像。NTT DOCOMO与冲电气共同在富士高速上以160km/h的高速行驶验证了Flying View的有效性。

据悉,该系统还能用于建机确认周围情况。

3.JPG

2019年Automotive World上展出的兼容5G的On Glass Antenna

索尼New Concept Cart SC-1概念车远程操作路试(资料:NTT DOCOMO)

Flying View路试(资料:NTT DOCOMO)

此外,NTT DCOMO开展的“时速300km以上高速移动环境下的5G无线通信”等4项路试请参看以下报告:

KDDI:网联汽车的未来

KDDI株式会社技术企划总部车联网推进室室长 鹤泽宗文以“网联汽车的未来”为题进行了演讲。

网联汽车是指日本总务省定义的“始终联网、可双向通行的车辆”。(因此,ETC的利用和电视机接收信号不称为“网联”。)随着今后网联汽车的普及,有望应用至收集数据的利用/MaaS、安全驾驶/自动驾驶辅助、车内信息娱乐系统。

车辆与通信的互补关系

要实现车联网社会,下表中这些车辆各类通信技术的协调、合作和互补不可或缺。

车辆与通信的互补

车辆(单靠车载系统)

互补

通信

ITS

互补

蜂窝(Cellular)

4G LTE

互补

5G

资料:KDDI

在预防交通事故、减轻碰撞伤害方面,与车辆车载系统协调通信能起到作用。例如,发生“事故”时,紧急自动刹车属于传感器和摄像头等车辆车载系统的责任,发生事故时,安全带的动作等也由车载系统负责。同时,发生事故前几秒的信号灯信息、几十秒前的交通管制和堵车信息、以及发生事故后的紧急通报(HELPNET、欧洲的eCall)等由通信负责。

自动驾驶系统与通信技术的升级

•通信环境得到完善后,车辆安全行驶和自动驾驶方面,有不少传感器无法看到的外部环境信息通过无线通知,从而使车辆顺利运行的案例(称之为“网联ADAS”)。

•如果能够确认前方环境(100m以外没有障碍物和行人等),就可提高最高时速。

•如实现完全自动驾驶,车内将成为个人空间,信息娱乐功能将变得更重要,而5G则将成为必须。

KDDI:远程控制型自动驾驶的路试

日本警察厅依照2017年6月发布的指南,规定L4级自动驾驶车在日本公路上开展路试时,必须配备远程监控和操作人员。远程监控和操作人员需要与一般汽车的驾驶员一样,能够把握试验车辆周围和行驶的方向,可以准确地操作试验车辆的制动功能。此外,还要求通过影像把握试验车辆的情况,能够与车内乘客通话等。

KDDI在2017年12月开展了使用4G LTE通信的“远程控制型自动驾驶系统”路试,2019年2月使用5G通信开展了该实验。

<成功在爱知县的公路上开展L4级自动驾驶车的远程操作>

2017年12月,KDDI、Aisan Technology、Tiafoe三方实施了由爱知县牵头的2017年度“自动驾驶路试项目”的演示,这是首次在日本实施普通公路上的远程控制型自动驾驶系统的试验,成功进行了L4级自动驾驶车的远程控制。

此次路试车辆的驾驶座无人乘坐,利用预先构建的高精度3D地图在爱知县额田郡幸田町进行自动行驶,成功开展了检测到碰撞等危险时紧急制动等远程控制。

KDDI提供的通信系统连接4G-LTE网络、车载通信模块、远程控制台(远程操作人员所在地点)与云平台。试验车辆是丰田Estima,搭载5台摄像头(前后、左右、速度计),远程操作人员也能确认其影像。

成功实现了LTE同时对网联汽车发送相同信息

2018年4月,KDDI、诺基亚、Hexagon、KDDI综合研究所四方实施了自动驾驶时代高效地向网联汽车发送驾驶辅助信息的路试,验证了LTE同时向网联汽车发送相同信息的技术,尚属全球首次取得成功。

L4级自动驾驶车为了实现安全的驾驶,除了车载系统的加强以外,针对多辆列队行驶的网联汽车,在前车将掉落物体和异常天气等信息通知给后方车辆的功能、发送高精度定位补充信息等方面,可同时发送大量“驾驶辅助信息”的高效传输技术不可或缺。

此次验证的“同时发送相同信息”由于针对多个对象共享一个电波频带,因此可大幅提高电波的利用效率,即使未来网联汽车的普及量达到1000万辆的规模,也可能实现信息的实时稳定提供。

KDDI:5G带来的好处

5G实现了4G无法实现的许多东西,可为每个用例(系统利用者与系统进行沟通的场景)提供必要的条件。考虑到对于车辆来说具有很多好处的远程控制时的制动,摄像头影像传送至远程控制台、远程控制台的命令再传输至车辆这一往返的时间,缩小其延迟将是有效控制的关键。利用5G可实现如下好处。

5G为自动驾驶带来的好处

5G的特征性功能

为自动驾驶带来的好处

高速大容量

实现高精度影像、车辆信息的实时高速上传等

低延迟

实现远程控制无时间差的操作等

多连接

在复杂的环境下也能提供可靠的通信等

资料:KDDI

成功使用5G技术实现4K影像的实时传输

2018年5月8日,KDDI为实现无人自动驾驶车的远程控制,成功开展了4.5GHz频带车辆4K影像实时传输试验,该频带是5G的频带候补。使用了爱立信的5G试验装置。

在位于东京都新宿区内的4.5GHz频带试验区,成功实现了驾驶座的4K高清摄像头的前方影像、车内后视镜以及车外后视镜上的3台全高清摄像头,共计4台设备的影像信息的上行传输(从终端向服务器传输,该情况下是从车辆向基站传输),验证了除了原有的28GHz频带,4.5GHz频带也能稳定传输大容量信息。

由此,无人自动驾驶车的远程控制利用5G的高速大容量传输,通过高清影像,识别更远的人物和障碍物等动态信息,从而迅速作出判断和进行控制。

利用5G的多台远程监控型自动驾驶的路试

2019年2月9日,KDDI、Aisan Technology、KDDI综合研究所、损害保险JAPAN日本兴亚、Tiafoe、冈谷钢机、名古屋大学在日本爱知县一宫市开展了由该县牵头的“2018年度自动驾驶验证推进项目”的自动驾驶路试。这是日本国内首次在普通道路上开展5G多辆车远程监控型自动驾驶。

2辆自动驾驶车均是在 (1辆搭载4G LTE通信、另一辆搭载5G) 驾驶座无人乘坐的状态下进行自动行驶的。还有1名远程监控人员同时监控2辆车,在紧急时进行控制。

2017年12月开展的相同路试搭载4G LTE,只进行左转行驶,而此次开展的路试左右转弯均包含,5G配套车缩短了紧急时刻的制动时间,因此提升了车速,以30km/h的时速行驶。

软银:5G描绘的移动出行未来

软银株式会社技术战略统筹尖端技术开发总部总部长 湧川隆次以“5G描绘的移动出行未来”为题进行了演讲。

IoT(物联网)/AI(人工智能)的时代终于到来。物联网时代,所有事物都能通过通信连接。到4G为止,其应用如手机等都以人为主,但5G推动了IoT的发展,实现了原先依靠有线才能连接的事物。

自动驾驶方面,目前的技术以利用激光雷达或雷达把握环境等的车载系统为主,但通过利用网络(V2V、V2N、V2P、V2I),能实现更安全的自动驾驶。

当前的自动驾驶技术

利用网络的自动驾驶

资料:软银

软银:统一规格下的蜂窝V2X

3GPP正在推动5G统一规格的制定,蜂窝V2X的V2V、V2N、V2P、V2I将逐步得到实现。其用例包括以下场景:

•(V2V)前车摄像头影像向后方传输;

•(V2V)通过列队行驶(只有首辆车有人,第2辆开始无人驾驶),解决卡车司机短缺的问题;

•(V2I)恶劣天气下看不到的交通标志也通过通信来识别;

•(V2I、V2P)检测信号灯信息与行人信息

要普及V2X,交通基础设施行业、汽车行业以及软银等通信行业需要开展合作。即使这些行业对各自的情况十分熟悉,也无法构建有效的体系。

真正的自动驾驶将从Release-16版本决定的5G-V2X规格开始

当前的C-V2X是在2017年3月制定的统一规格,称之为LTE-V2X。2019年12月前将在3GPP Release-16版本决定5G V2X(NR-V2X)的规格,凭借高速通信速度和低延迟等优势,为自动驾驶作出重大贡献。

自动驾驶将向蜂窝V2X发展

真正的自动驾驶始于5G-V2X

计划利用5G网络实现自动驾驶社会

资料:软银

<利用5G的卡车列队行驶等的路试>

软银自2017年12月起负责日本总务省的调查,开始在茨城县筑波市启动卡车的列队行驶(首辆车为有人驾驶,后续车辆为自动驾驶跟随前车)以及车辆的远程监控和远程操作的路试。

软银开展高速移动中的卡车(时速60km~90km)与5G试验基站之间的信号传输试验,并成功实现了低延迟通信,将无线区间(单行道)的延迟时间缩短至1ms以下。此外,在列队行驶试验中成功实现了大容量影像的实时传输,将后续车辆上安装的摄像头拍摄到的影像通过车车间通信发送至前车。今后还将研究其他车辆进入列队时的对策。

V2V试验(车车间直接通信)

V2V试验(车车间直接通信)

资料:软银

软银:利用多接入边缘计算(MEC)最大限度发挥5G性能

实时发送本地化地图数据(资料:软银)

多接入边缘计算(MEC:Multi-access Edge Computing)是用于提高一定区域内通信处理效率的技术。将通信服务器放置在区域内,从而就不会将区域内通信量(网络上流动的数据量)带到区域外,只需在区域内进行处理。一般的移动网络由“终端-无线网-转接网-网络-服务器”的形式构成,但MEC在无线网内放置服务器,因此可以消除通过转接网与网络产生的通信延迟(通过网络与云平台通信时的延迟较大)。由此,可最大限度利用5G的能力。

用例包括卡客车的远程控制、根据外部传感器的信息远程驾驶自动驾驶车、利用AI进行驾驶员监控等。

湧川隆次表示,还具有为MEC的服务器增加地区性质的效果。例如,如果在各县安装服务器,还可实现实时向车辆发送各地区地图数据的服务。

同时,软银还在研究提高车载计算机的处理能力,但成本和用电量等方面还存在较多困难。反之,如果提高了MEC的处理能力,车载计算机只接收MEC处理的数据,那么车载系统就可实现简化,不需要频繁购买新车,也能保持最新的通信水平。

软银与本田共同利用5G启动网联汽车的商业化可行性研究

在本田的测试场内构建5G试验基站(backhaul是指连接终端(测试场)的接入线路与5G核心装置的交换电路)

(资料:软银)

2017年11月,软银与本田启动共同研究,以5G的普及为目的,旨在加强网联汽车技术。将开发高速移动中的汽车稳定切换通信基站(移交技术)等技术。

2018年11月,双方预计约2年后就将启动5G服务,开始构建利用5G的网联汽车开发环境、开展商业化可行性研究。在本田技术研究所位于北海道上川郡的测试场设置试验基站,使用符合3GPP规格的通信设备(诺基亚制造),构建最尖端的5G网络。这是首次在日本构建由针对商业化环境的非独立(Non-Standalone)标准规格构成的室外5G网络环境。

此次构建的5G网络环境可传输高清4K影像,今后还将致力于验证向车辆搭载的试验用终端传输影像。


知荐 | 无人监督的学习对自动驾驶汽车有什么影响

博客gaohong 发表了文章 • 0 个评论 • 171 次浏览 • 2019-09-17 10:20 • 来自相关话题

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得人心的关键是提供高智能和安全性。在本文中,您将 ...查看全部

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得人心的关键是提供高智能和安全性。

在本文中,您将了解:

监督与无监督机器学习方法

最受欢迎的无监督学习课程

在驾驶自动化中使用哪些类别的无监督学习算法

哪些算法适合无监督的ML类别的聚类,模拟和测试数据生成

无监督学习的好处

汽车中机器学习算法的使用案例

通常情况下,人们在驾驶时感到自信,不仅需要一个月甚至一年的时间。那么我们对机器的期望是什么呢?自动驾驶汽车需要机器学习。很多学习。反过来,机器学习需要数据来学习。自动驾驶迫切需要机器学习算法和数据来训练它们。给我们人类留下的是在选择正确的机器学习方法的同时提供数据。我们已经开始理清为什么机器学习算法是自动驾驶的一个组成部分。为了支持这一主张,我们来看看无人监督的机器学习,这是一种人工智能(AI)的一个分支,可以帮助机器有效地学习。

万一你忘记了无监督学习是什么......

术语无监督学习是指AI / ML训练模型,与监督学习相反。监督学习算法依赖于标记的输入数据和学习环境的特征。这样,程序根据已分类的数据预测输出。

无人监督的机器学习试图在没有任何人为接触的情况下为人工智能获得更多积分。无监督机器学习算法依赖于没有标签,预定义特征或指定分类集的数据。无监督的AI / ML系统从输入数据的根深蒂固的结构中学习。

哪些是最受欢迎的无监督学习算法类,哪些用于驾驶自动化?

有许多无监督的机器学习算法和它们可以属于的许多类别。无监督机器学习算法可以根据它们用于分组和处理数据的方法进行分类。

无监督机器学习算法的一种分类Teradata -机器学习算法

1.jpg

在应用基本的无监督学习技术时,数据科学家使用以下经过验证的方法:

特征分离技术

主成分分析(PCA)

奇异值分解(SVD)

期望最大化算法

双聚类

选择无人监督的自动驾驶汽车开发学习模型是经验丰富的数据科学家团队的特权,他们熟悉每种模型的优缺点。根据自驾车工程师正在解决的任务,上述无监督方法可用于自动驾驶汽车。

尽管如此,分析了汽车领域的数十个用例(查看本文最后一节中的实际用例),我们可以得出结论,汽车制造商及其数据科学团队最常在自动驾驶汽车中使用无监督学习模型:

聚类

模拟和测试数据生成

异常检测

聚类

聚类技术是最有效但相对简单的无监督学习方法之一,用于在查找输入数据中的固有结构和特征的同时对数据点进行分组。

在自动驾驶汽车中进行机器学习时,聚类技术可构建基于数据的预测和特征选择模型:

物体检测

驾驶遭遇场景

交通信息检测

轨迹选择

在某些时候,监督学习模型可能会失败。在这种情况下,当数据点有限,数据不连续或系统只有低分辨率图像时,聚类算法可能是正确的解决方案。例如,在不利的天气条件(如雾)或有某些障碍物(如树)时检测来自特定类别的道路标志时,分类算法可能无法正常工作。但是,由于能够检测对象的固有结构,聚类算法可以成功完成这些任务。

汽车中使用的一些典型的聚类无监督机器学习算法是k均值,均值偏移聚类和DBSCAN。

K-手段

该算法将数据点作为输入并将它们分组为“k”簇。它将每个数据项分配给最近的集群中心。在训练阶段之后,它返回一个输出,其中所有数据点都被称为特定集群的属性。

k-means聚类如何工作的示例

2.JPG

K-means在Python中进行聚类

在其他用例中,数据科学家使用k-means算法检测车道边界,并将训练数据转换为适当的格式,以便在自治系统中进一步处理。

平均移位聚类

这种类型的无监督学习算法被广泛使用并被认为是用于基于聚类的分割的高级和通用技术。看一看均值漂移聚类的一个定义:

给定一组数据点,算法迭代地将每个数据点分配给最近的聚类质心。到最近的聚类质心的方向取决于附近的大多数点所在的位置。因此,对于每次迭代,每个数据点都将移动到最大点所在的位置,这将是或将导致群集中心。算法停止时,每个点都分配给一个集群。

GeeksforGeeks

通过均值移位GitHub找到的原始非聚集数据与聚类- 比较Python聚类算法

在自动驾驶中,均值平移算法用于高级图像处理和计算机视觉开发。

基于密度的噪声应用空间聚类(DBSCAN)

该方法将高密度的簇与低密度的簇分离,在数据中寻找具有高密度观察的区域。它需要预设的最小数量的数据点来确定单个群集,这会转变为数据集中已定义的异常值的输出。

由DBSCAN GitHub执行的原始非集群数据与集群- 比较Python集群算法

数据科学家在自动驾驶中使用DBSCAN算法进行高级图像处理,驾驶场景聚类和计算机视觉开发。

使用无监督学习进行仿真和测试数据生成

使用无监督学习研究无人驾驶汽车的研究人员一直在寻找自动生成测试用例以反映现实驾驶场景的方法。根据一些估计,自动驾驶汽车需要行驶数十亿英里才能展示出所需的安全性和可靠性。但是,驾驶数十亿英里需要几十年的时间并且需要花费一笔不小的钱。这就是数据科学家喜欢使用无监督机器学习模型生成大量真实驾驶场景的原因。通过这种方式,他们可以在不同的驾驶条件和场景下测试模拟自动驾驶系统的可靠性和安全性。

走向另一个方向并省略现实世界的培训,自动驾驶汽车概念迎合了其他挑战。其中之一是需要大量的培训。巨大的训练数据集必须代表所有可能的驾驶,天气和情况的示例,以实现高水平的性能。如何在不花费数十年驾驶和拍摄图像的情况下获得数PB的训练数据?一个可能的答案是生成合成数据。接下来的问题是如何使用合成数据正确设计自动驾驶模拟。一种合理的可能性是使用生成对抗网络(GAN)。

在自动驾驶系统中使用GAN

尽管GAN被称为无监督学习方法,但其逻辑与无监督问题一起工作,就好像它是受监督的问题一样。它由相互对立的生成和判别算法组成。生成器生成示例,鉴别器评估这些示例,尝试将它们分类为真实或伪造。“真实”示例是根据训练数据集的实际数据进行训练的示例。生成和判别算法一起训练,直到达到最高准确度。

GAN作为训练方法

Medium - GAN - 什么是生成对抗网络(GAN)?

为了训练自动驾驶汽车,GAN有助于从头开始提供数据 - 主要是图像,因为它可以学习模仿任何数据分布。

自动驾驶模拟中的自动编码器

使用无监督机器学习模型驾驶模拟的另一种方法是通过自动编码器开发的。这种类型的无监督人工神经网络压缩和编码原始数据输入,然后尝试基于压缩或隐藏数据表示来重建输出。

运行中的自动编码算法Keras博客 - 在Keras中构建自动编码器

在自动驾驶模型中,自动编码器广泛用于模拟驾驶行为和预测风险模式。通过来自传感器和摄像机的数据,自动编码器有助于创建一个真实的测试环境,以训练车辆避免物体,反动控制,车道跟踪,甚至车辆转向。

用于自动驾驶车辆的异常检测算法

安全问题和缺乏信任仍然是人们拒绝乘坐自动驾驶汽车的主要原因。在自动驾驶汽车中进行无人监督的机器学习可以防止致命的碰撞和破坏性后果。异常检测方法可以是治疗方法之一。

自动驾驶汽车中的安全系统应配备异常检测模块,这些模块不会首先关注识别威胁。相反,他们首先尝试识别自动驾驶车辆的异常行为,从而防止严重的安全隐患。检测到异常行为时,系统会查找异常原因并尝试将其删除。除行为分析外,异常检测方法还支持入侵检测系统(IDS)和恶意软件防护。

例如,从未遇到过大象的自动驾驶汽车将其归类为具有不可预测行为的物体,并将停止汽车或切换到人为控制。同时,在新加坡的左侧行驶可能与训练场景不同,但不会被视为异常。

局部异常因子(LOF)

用于自动驾驶的无监督学习方法之一是局部异常因子(LOF)。作为一种常用工具,LOF表示一个分数,表示某个数据点是异常值/异常的可能性。LOF方法计算特定数据集内与其邻居相比的数据点的局部密度偏差。

无监督学习与监督:自动化问题的解决方案在哪里?

自动驾驶汽车是如此复杂的数据中心 - 由各种操作系统,控制单元和组件组成 - 有足够的任务用于各种机器学习算法。监督学习和无监督学习的优点和缺点取决于用例。尽管如此,许多人认为它将是无监督而非监督学习,这将使我们能够接近第五级自动化。以下是一些原因:

更好的可扩展性。大多数无监督机器学习算法不需要手动标记监控信号。这意味着具有广泛数据集的更好的可扩展性。

更便宜。在数据标记方面,无监督的机器学习更经济,因为标签数据非常昂贵且耗时。

收集数据所需的时间和精力更少。利用合成数据,科学家可以减少所需的实际训练数据量。现实世界的数据很难获得,但需要开发高质量的计算机视觉模型。

更好的性能和更低的硬件要求。自动驾驶汽车中的无监督学习模型可以通过人类驾驶员的最小输入自动学习道路特征。例如,神经网络需要最少的训练数据来从可用的命令中进行选择,例如前进,左,右和停止。

无偏见。虽然这一点有点争议,但偏差方差是监督学习模型的主要缺点之一。由于人工输入较少,无监督的机器学习算法应该具有更强的抗偏差性。

大型市场参与者已经准备好在自动驾驶汽车中投资机器学习和无监督学习模型

数据科学家面临的全球汽车界面临的最大挑战是制定适用于更广泛的部署方案的有监督和无监督的机器学习算法。如今,除了其他应用之外,OEM和一级供应商广泛使用机器学习算法来评估驾驶员的健康状况,对驾驶场景进行分类并协助制造。与此同时,机器学习仍然是汽车的一个有吸引力的领域,也是自动驾驶汽车的先决条件之一。这些只是企业使用机器学习算法的一些方面:

提高AV性能的准确性。总部位于以色列的公司Cortica与瑞萨电子公司合作,采用嵌入瑞萨 R-Car V3H片上系统的无监督学习模型,实现其自动驾驶汽车概念。他们表示,他们的无监督学习算法现在可以根据从前向摄像头接收的视觉数据进行预测。通过这种方式,公司计划提高系统对任何情况作出反应的能力,无论对象或环境是否先前通过深度学习转换为规则。

模拟最糟糕的驾驶场景。Waymo的自动驾驶系统在很大程度上依赖于机器学习算法,包括神经网络。该公司设计了一个神经网络来复制人类驾驶,特别是在最糟糕的情况下。当然,最终目标是防止五级自动化的致命后果。

预测故障和所需服务。沃尔沃使用机器学习算法来分析大量累积数据,特别注意防止故障和故障。

教授如何使用合成数据安全驾驶。谷歌的自动驾驶汽车每天可以增加300万个模拟里程。通过这种方式,Google不仅可以提高驾驶安全性,还可以使用模拟技术根据实际情况创建新的场景。

为公共道路建立自驾车概念。英国公司Wayve已成功测试了他们在英国公路上的自动驾驶汽车的模仿学习和强化学习算法,没有手动编码的驾驶规则。他们的自动平台是在全电动捷豹I-PACE SUV上制造和测试的。

我们相信AI和机器学习算法的改进 - 无论是有监督的还是无监督的学习模型的结果 - 肯定会有助于自动驾驶的成功未来。(来源 | 清研车联(ID:tsing_auto_i-tech))


安信:2019自动驾驶趋势研究报告(十二)

博客gaohong 发表了文章 • 0 个评论 • 184 次浏览 • 2019-09-12 15:10 • 来自相关话题

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金6.2.1 车厂大规模自动驾驶计划进入倒计时自动驾驶产业进入大范围量产前夕,2020/2021 年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业 ...查看全部

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金

6.2.1 车厂大规模自动驾驶计划进入倒计时

自动驾驶产业进入大范围量产前夕,2020/2021 年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业(Tier1/2、车厂)的量产时间表,2020/2021 年是绝大部分企业高等级自动驾驶(Level3/4)量产的节点。可以说,自动驾驶产业已经进入大范围量产前夕。

以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。结合国家《汽车产业中长期发展规划》、《智能汽车创新发展战略》(征求意见稿)以及产业链调研的结果。我们认为,以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。

6.2.2 2030年自动驾驶前装市场空间有望达到1400亿美金

L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。现阶段已经量产的自动驾驶系统中,实现 L2+功能的通用-凯迪拉克 CT6(参数|图片) 的智能驾驶配置包的报价在 5000 美金/套;特斯拉的 AutoPilot 系统,根据不同的实现功能,分别报价在 5000 美金/套、8000 美金/套。奥迪 A8 代表现阶段量产的自动驾驶的最高水平,已经达到 L3 级别,可以实现在高速公路上,以 60 公里/小时的速度完成自动驾驶功能,让驾驶员完全可以不用手握方形盘而去做其他的事情,在遇到紧急情况的时候,车辆会发出接管请求,并且给驾驶员提供 8-10 秒的时间评估路况,重新接管车辆进行控制,其报价在 10000 美金/套。参考上述车厂的自动驾驶前装套件报价,我们预计在大规模普及之后,L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。当然,不排除成本大幅降低后,整车厂将降低报价,让利消费者。


安信:2019自动驾驶趋势研究报告(十一)

博客gaohong 发表了文章 • 0 个评论 • 194 次浏览 • 2019-09-12 15:10 • 来自相关话题

5.3 从封闭到开放, ...查看全部

1.jpg

5.3 从封闭到开放,联合研发分摊开发成本

从封闭到开放,车企合纵连横,联合研发分摊开发成本。自动驾驶研发对于软硬件投入的门槛之高、投资回报周期之长无需赘言。整车厂选择自研的优势在于垂直整合,利于持续迭代,但劣势在于成本高,研发周期长。能否担负起初期一次性的研发成本,并在整个汽车销售过程中将其摊薄,这是车厂需要解决的问题。实际上,与其自身冒险的大规模投入,车企间从封闭到开放,合纵连横组建联盟,分摊无人驾驶先期的风险成本,缩短技术创新周期,形成规模效应,抢占时间窗口,成为产业新趋势。在共同利益的驱动下,我们已经看到奔驰、宝马、通用、本田、大众、福特等一线车厂,在自动驾驶技术研发领域达成战略合作协议,预计后续将有更多的车企加入到联盟中。

2.JPG

6.市场:蓄势待发,大幕将启

6.1 态度开放,需求旺盛,中国或成全球自动驾驶第一大市场

国内消费者对于自动驾驶的接受程度、需求、支付意愿均居于全球前列。1)接受程度。根据艾瑞的调研报告,相对于较为保守的美国消费市场,国内消费者对于自动驾驶持更加开放的态度,尤其在数据、安全性等领域;2)需求:腾讯人工智能与自动驾驶消费者调研,则表明国内消费者对于自动驾驶的需求较为普遍,近 60% 的人口对自动驾驶有需求。从调研样本来看,自动驾驶对女性与大年龄层消费人群存在更强的需求吸引力,在经济更发达且交通环境更复杂的一二线城市中接受程度更高;3)支付意愿。麦肯锡在 2018 年 4 月的调研显示,49% 的中国消费者认为全自动驾驶「非常重要」。国内消费者愿意为购买自动驾驶车辆支付高达 4600 美元的溢价,而美国和德国则分别为 3900 美元和 2900 美元。

3.JPG
4.JPG

中国已经是全球最大的汽车市场,有望成为全球自动驾驶市场第一大市场。从 1956 年中国第一辆解放牌卡车在一汽下线开始,经过 60 多年的努力,从自力更生到以市场换技术、合资建厂,再到自主研发,如今中国已经成为世界上汽车产销量最多的国家,根据 wind 数据,约占全球汽车市场 1/3。尽管 2018 年国内汽车销量市场首度出现负增长,但考虑到「汽车下乡」政策的托底,以及消费升级的趋势,我们对国内汽车市场的未来仍然保持乐观态度。巨大的消费市场叠加旺盛的自动驾驶需求,我们预计中国在未来同样将成为全球自动驾驶第一大市场。

6.jpg


安信:2019自动驾驶趋势研究报告(九)

博客gaohong 发表了文章 • 0 个评论 • 206 次浏览 • 2019-09-11 15:46 • 来自相关话题

5.成本:有望骤降,从Demo跨越到 ...查看全部

1.jpg5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显著下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。



 5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。


安信:2019自动驾驶趋势研究报告(十)

博客gaohong 发表了文章 • 0 个评论 • 219 次浏览 • 2019-09-11 15:46 • 来自相关话题

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围,会对自动驾驶的大规模普及造成严重的影响。我们认为, ...查看全部

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围,会对自动驾驶的大规模普及造成严重的影响。我们认为,鉴于芯片的出货定价与量产情况有着密切的关系,不必过分担忧芯片的出货价格。考虑到自动驾驶计算平台高昂的研发成本(英伟达最新一代的 Xavier 芯片研发投入高达 20 亿美金),芯片厂必然会在尚未大规模量产的初期选择高定价的模式,来部分覆盖前期的投入。而一旦达到大规模量产(比如年出货量达到 100 万颗),则芯片厂能够很快回本前期的投入,芯片的定价之后有望与成本相挂钩,价格会急剧下降。


核心部件——激光雷达,合理的技术路径带动成本降低。激光雷达部件现阶段成本较高,以行业主要企业 Velodyne 的激光雷达为例,按照线束的密度进行报价——8万美元(64 线)、4 万美元(32 线)、4 千美元(16 线)。Velodyne 的激光雷达报价居高不下的原因,并非激光雷达的物料成本,而在于其采用了传统的机械式扫描的技术方案——机械式激光雷达的光学系统的装配和标定过程要求高度严谨的机械系统校准,同时,量产的一致性要求也会导致产能低下。现阶段,产业界的一致看法是打造出一台售价低廉的激光雷达关键就是将传统的旋转式机械设计换成固态设计,这样能大量减少可移动部件,激光雷达的结构和量产简单了,成本也就自然降低了。在新的技术路径下,众多产业界的厂商(包括 Velodyne)均预测未来激光雷达的量产成本将下调到数百美金/颗。

5.2. 政府助力车路协同(V2X)基建普及,显著降低单车改造成本

「聪明」的车+「智能」的路,车路协同(V2X)发展将显著降低单车改造成本。目前大部分对于自动驾驶硬件改造成本的讨论都停留在单车智能的技术路线和视角。实际上,国内的自动驾驶技术路线是智能网联的路线,即「单车智能」与「车路协同」协同发展。车路协同的价值和意义在于,如果说自动驾驶单车智能的价值是让路上的车辆都能变成由「二十年驾龄老司机」驾驶的话,那么车路协同则像是又给每辆车配备了一个开了「天眼」的交警,「他」将站在「完美」视角保障安全、疏导交通,高效分配道路资源。以一个交通路况复杂的路口为例,人类司机和自动驾驶车车载传感器由于视角和视线的局限,都只能感知到路况信息的一部分,那些看不到的障碍物造成了危险隐患;如果车路协同配备了「完美视角」路侧感知设备以后,利用高清摄像头等多种传感器加上边缘计算设备的识别能力,可以感知到路口范围内全部的交通参与方,并实现多种分析功能,把这些信息通过 V2X 通信实时的共享给路口的全部车辆,即可最大限度消除危险隐患。「车路协同」技术的演进和基础设施的普及,将会显著降低单车智能的改造成本。根据百度的预测,在车路协同的基础上,自动驾驶的研发成本可以降低 30%,接管数会下降 62%,预计可让自动驾驶提前 2-3 年在中国落地。

车路协同(V2X)已经成为国家重点发展战略,5G 基建点火助力。目前发展车路协同技术及其应用已纳入交通部智能交通系统发展战略。国家的在建项目有:新一代国家交通控制网和智慧公路试点工程/北京冬奥会、雄安新区项目等。从车路协同的技术体系来看,我们认为,5G 的普及将进一步提升车路协同的技术价值。根据中移动测算,自动驾驶车辆以每小时 60 英里(约 96.56 公里/小时)的速度行驶,在使用 5G 通讯网络的情况下,其收到某一反馈信息后实际上只移动了 3 厘米左右。现有 4G 网络时延条件之下,时速 100 公里的汽车,从发现障碍到启动制动系统至少移动 1.4 米。2019 年以来政府提出了科技新「基建」的政策发展方针。发改委副主任连维良表示今年将的「建设」的重点有五个方面,「加强新型基础设施建设」居于首位(包括 5G 的商用),我们预计政府将有财政资金配套产业政策扶持 5G 产业,快速完善科技新「基建」,为自动驾驶产业铺路。政府的保驾护航下,国内有望拥有全球最领先的自动驾驶基础设施(5G+V2X)。


安信:2019自动驾驶趋势研究报告(九)

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 235 次浏览 • 2019-09-10 15:59 • 来自相关话题

5.成本:有望骤降,从 ...查看全部

1.jpg

5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显著下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。

3.JPG2.JPG


5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。



安信:2019自动驾驶趋势研究报告(八)

博客gaohong 发表了文章 • 0 个评论 • 222 次浏览 • 2019-09-09 14:54 • 来自相关话题

1.jpg


2.JPG


自动驾驶 L3 商业化技术已经成熟,L4/5 加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进展,除了个别领跑者如整车厂(奥迪已经量产 L3 级别的自动驾驶车辆)、科技公司(Waymo 已启动 L4 级别机器人出租车的商业化运营),大部分公司的节奏是已初步掌握 L3 的核心技术,进入由 L2 向 L3 商业化过渡的关键阶段,同时 L4/5 加速发展进入验证试点阶段。

3.JPG

4. 政策:「绿灯」频开,合法上路在即

国家层面:自动驾驶汽车已成为全球汽车产业发展的战略制高点,国内顶层设计政策已出台。制造强国离不开汽车强国,汽车强国离不开智能汽车强国。全球众多国家已将自动驾驶汽车发展纳入国家顶层规划,争抢未来汽车产业发展的战略制高点,以求在汽车产业转型升级之际抢占先机。比如,美国交通运输部于 2016 年 9 月发布联邦《自动驾驶汽车政策指南》,持续推进自动驾驶汽车的安全监管与测试,并于 2018 年 10 月发布《为未来交通做准备:自动驾驶汽车 3.0》,加强自动驾驶汽车与整个交通出行体系的安全融合。日本在 2017 年发布《2017 官民 ITS 构想及路线图》,公布日本自动驾驶汽车发展时间表,提出 2020 年实现高速公路 L3 级自动驾驶功能,并在特定区域实现 L4 级自动驾驶应用。国内也已启动自动驾驶汽车发展国家战略规划,《汽车产业中长期发展规划》、《智能汽车创新发展战略(征求意见稿)》、《车联网(智能网联汽车)产业发展行动计划》等多部文件均对自动驾驶产业提出了清晰而具体的发展规划。

4.JPG

5.jpg


地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。

6.jpg

国家层面指导意见有望出台,监管有望不再缺位,确保自动驾驶车辆上路的「合法性」。目前的交通法规都围绕着一个关键要素——驾驶员,而且驾照、车险、交通法规等所有制度环节都假定「汽车是在人的操控下运行的」。而对于高等级自动驾驶汽车而言(驾驶权逐步更替成机器),在现有的制度下,会引发一系列现实的困境,例如:在交通事故中,如何判定哪辆车是事故责任方?自动驾驶车辆和传统车辆的路权如何分配?自动驾驶车辆想要规模化的上路,离不开底层的法律监管的创新,来确保其基本的合法性。可以说,相对于已出台的众多产业政策的大力支持,目前国内在关于自动驾驶技术的法律监管方面是缺位的。但考虑到国内的整个法律体制相对于全球其他国家,更具有集中的、自上而下的监管特点;具有不同职能部门之间可以实现更好协调的优势,我们乐观地判断,自动驾驶车辆上路合法性的监管文件有望尽快出台。最新的好消息是,交通部部长李小鹏在 2019 年 2 月 28 日表示,将力争在国家层面出台《自动驾驶发展指导意见》,有望彻底扫除自动驾驶车辆上路的法律障碍。整体上,高等级自动驾驶车辆上路合法化的路径,将跟随技术的成熟度逐渐放开,先从简单的高速公路路况开始,逐步开放城区等复杂场景,直至全场景。

地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。


安信:2019自动驾驶趋势研究报告(七)

博客gaohong 发表了文章 • 0 个评论 • 218 次浏览 • 2019-09-09 14:54 • 来自相关话题

高精度地图对于自动驾驶的意义在于:1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有的传感器方案仍然存在改进的空间,包括传感器测量的边界(视觉、 ...查看全部

高精度地图对于自动驾驶的意义在于:

1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有的传感器方案仍然存在改进的空间,包括传感器测量的边界(视觉、激光感知范围有限)、传感器应用的工况限制(如摄像头在雨雪天气无法正常工作)。高精度地图超视距的特点意味着其可以对整体道路流量、交通事件、路况进行预判,可以作为感知层的安全冗余;

2)提供先验知识。自动驾驶的基本原则:让车的判断越少、也就越安全。高精度地图可以提供车辆环境模型的先验知识,一定程度上减少自动驾驶车辆感知层的压力;

3)确定车辆在地图中的位置:人可以通过观察和记忆,而自动驾驶汽车只能通过高精度地图以及其创建的环境模型确定车辆在在地图中的位置。

4)提供车道级的规划路径。正如前文所述,高精度地图会把道路基本形态,特别是车道线展现出来,辅助自动驾驶车辆实现车道级的路径规划,支持并线超车等高等级的驾驶决策。

1.jpg

高精度地图是实现自动驾驶的必要条件吗?——Level3 及以上是必选项。基于美国 SAE 协会对自动驾驶技术等级的划分,在 Level 2 以下的辅助驾驶阶段(ADAS 阶段),高精度地图对整个辅助驾驶系统来说是一个可选项。当自动驾驶技术发展到 Level3 及以上时,要求车辆在高速公路、停车场泊车等特殊场景中实现自动驾驶,高精度地图的重要性开始凸显。业内公认要想实现 Level3 级别的自动驾驶,高精度地图将成为必选项。理由在于 Level3 的自动驾驶就意味着机器将完全取代人对于环境的监控,考虑到现有的传感器的性能边界尚不足以完全替代,引入高精度地图作为感知端的安全冗余增强整个系统的鲁棒性就成为了必然的选择。观察目前自动驾驶行业实践,无论是车厂推出的奥迪 A8(参数|图片)、凯迪拉克 Super Cruise 等已经量产的 Level3 车型还是百度、谷歌等互联网厂商的 Level4 自动驾驶方案都引入了高精度地图,进一步验证了上述观点。

2.JPG

3.2.5 自动驾驶OS

自动驾驶任务复杂需要稳定的实时 OS 支持。如果将自动驾驶汽车视为一个电子终端产品,那么除了组成的硬件、用来执行命令的算法(程序)之外,底层操作系统也必不可少。操作系统的价值在于可以更好的分配、调度运算和存储资源。一个汽车驾驶系统运行的软件包括感知、控制、决策、定位等一系列高计算消耗,逻辑十分复杂,对安全可靠性要求特别高的程序,简单的单片机无法实现,需要建立在一个成熟的五脏俱全的通用操作系统基础上,同时要满足实时性、分布式、可靠性、安全性、通用性等要求。从上述的要求可见,自动驾驶的操作系统与 PC 端、移动端操作系统的最大差别在于实时性。实际上,自动驾驶操作系统又称为实时操作系统(RTOS),可确保在给定时间内完成特定任务,「实时」是指无人车的操作系统,能够及时进行计算,分析并执行相应的操作,是在车辆传感器收集到外界数据后的短时间内完成的。实时性能是确保系统稳定性和驾驶安全性的重要要求。

3.JPG

3.2.6 HMI(人机交互)

自动驾驶时代,HMI 是连接用户与外部互联服务的重要入口。HMI 是驾驶员与车辆交互的桥梁,驾驶员可以方便快捷地在 HMI 中查询、设置和切换车辆系统的各种信息,在增强驾驶乐趣的同时,提升驾驶安全性。HMI 由中控、仪表、抬头显示、ADAS 系统等多个组件构成。传统汽车的人机界面 HMI 也被称作驾驭员界面(Driver Interface),驾驭员的首要使命(Primary Task)是驾驭,因此支撑和辅佐驾驭就天然成为 HMI 的中心功能,信息娱乐等作为次要功能(Secondary Task)。而在自动驾驶时代,随着驾驶员的注意力逐步释放出来,汽车从生产工具进化为家庭、办公场所之外的第三生活空间,HMI 将成为连接用户与外部互联服务的重要入口,产业地位将显著提升,HMI 的设计理念也将被颠覆。

4.JPG
5.jpg


3.3 5G+AI黑科技打通自动驾驶技术的「任督二脉」

5G+AI 是解锁高等级自动驾驶技术的关键所在。L2 升级到 L3、L3 升级到 L4,每一个自动驾驶级别的升级,都是一个质的飞跃。其中:

L2 过渡到 L3。L3 的主要升级在于实时监测环境并作出反应,其主要难点在于机器的感知能力能否达到要求。驾驶这种等级的车辆,司机只需要在系统提示的时候接管系车辆的掌控权或者完成判断,正常加减速、转弯等操作基本可以交给系统来处理。这一过渡需要解决的问题是,机器如何代替人进行可靠的周边行车环境感知?特别是在极端环境下仍然可以做到可靠感知,确保行车安全;

L3 过渡到 L4。L4 的主要升级在于完全交由机器来进行自主决策(即使是在紧急情况、激烈的驾驶情况下)。这意味着机器的认知智能要有实质性进步。上述问题的关键所在正是 5G+AI。

6.jpg

以深度学习为代表的 AI 机器视觉崛起,成功突破 L3 的技术瓶颈。以 Mobileye 的 L2 级别辅助驾驶为例,仍然是基于后端规则库的传统机器视觉,通过匹配后端规则库与前端摄像头的输入数据,进行物体的识别和跟踪。传统机器视觉最大的问题是,规则库是有限的,而汽车面对的环境是无限的。而在深度学习的框架引进并发扬光大后,AI 处理图像分类任务的能力大幅提升,错误率直接下降。以 ImageNet 机器视觉大赛为例,深度学习技术框架下的机器视觉和传统的机器视觉有着明显的量级的提升。我们认为,不断成熟完善的 AI 机器视觉配合高精度地图作为安全冗余,对于突破 L3 的技术瓶颈起到了关键的作用。

引入以强化学习为代表的 AI 技术,5G 打通外部「大脑」,助力 L4 自动驾驶场景的实现。传统基于搜索或者规则引擎的驾驶决策系统,往往只能采取非常保守的驾驶策略,即遇到障碍物立即刹停。而变道超车,加塞卡位等等在日常驾驶中经常需要面对的情况,目前的系统需要人为设计各种精妙的策略进行应对,在设计策略时一旦有所疏忽,后果很可能是车毁人亡。如何让机器真正像人一样的开车,学会自主的决策,是 L4 的关键所在。谷歌 AlphaGo 在围棋领域的成功是一个重要的标志性事件,其创新的引入了强化学习等全新的 AI 学习框架,模拟了人的思考方式,标志着机器智能的重要突破。引入强化学习的框架后,自动驾驶车辆可以像 AlphaGo 一样思考学习,进行自主决策。此外,以 5G 为代表的 V2X 的引入,相当于打通了自动驾驶的外部「大脑」,可以为自动驾驶车辆提供更实时、更全面的外部信息,更好的实现多车的协同、交互,突破单车智能的技术瓶颈,助力 L4 自动驾驶场景的实现。


安信:2019自动驾驶趋势研究报告(六)

博客gaohong 发表了文章 • 0 个评论 • 219 次浏览 • 2019-09-06 14:07 • 来自相关话题

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 ...查看全部

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。



安信:2019自动驾驶趋势研究报告(五)

博客gaohong 发表了文章 • 0 个评论 • 226 次浏览 • 2019-09-06 14:07 • 来自相关话题

3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人 ...查看全部

3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」

5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人(V2P)。通过 V2X 网络,相当于自动驾驶打通外「大脑」,提供了丰富、及时的「外部信息」输入,能够有效弥补单车智能的感知盲点。可以说,V2X 是自动驾驶加速剂,能够有效补充单车智能的技术、加速反应效率。5G 网络具备低时延、高吞吐、高可靠的特性,大大提升了 V2X 传输信息的丰富性和及时性,也提高了 V2X 传感器的技术价值。


3.2.2 计算平台(主控芯片)

3.2.2.1 高等级自动驾驶的本质是AI计算问题,车载计算平台是刚需

自动驾驶就是「四个轮子上的数据中心」,车载计算平台成为刚需。随着汽车自动驾驶程度的提高,汽车自身所产生的数据量将越来越庞大。根据英特尔 CEO 测算,假设一辆自动驾驶汽车配置了 GPS、摄像头、雷达和激光雷达等传感器,则上述一辆自动驾驶汽车每天将产生约 4000GB 待处理的传感器数据。不夸张的讲,自动驾驶就是「四个轮子上的数据中心」,而如何使自动驾驶汽车能够实时处理如此海量的数据,并在提炼出的信息基础上得出合乎逻辑且形成安全驾驶行为的决策,需要强大的计算能力做支持。考虑到自动驾驶对延迟要求很高,传统的云计算面临着延迟明显、连接不稳定等问题,这意味着一个强大的车载计算平台(芯片)成为了刚需。事实上,如果我们打开现阶段展示的自动驾驶测试汽车的后备箱,会明显发现其与传统汽车的不同之处,都会装载一个「计算平台」,用于处理传感器输入的信号数据并输出决策及控制信号。


高等级自动驾驶的本质是 AI 计算问题,车载计算平台的计算力需求至少在 20T 以上。从最终实现的功能来看,计算平台在自动驾驶中主要负责解决两个主要问题:

1)处理输入的信号(雷达、激光雷达、摄像头等);

2)做出决策判断、给出控制信号:该加速还是刹车?该左转还是右转?

英伟达 CEO 黄仁勋的观点是「自动驾驶本质是 AI 计算问题,需求的计算力取决于希望实现的功能」,其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策,到底要采取什么样的行动,本质上是一个 AI 计算的问题,车上必须配备一台 AI 超级处理器,然后基于 AI 算法能够进行认知、推理以及驾驶。根据国内领先的自动驾驶芯片设计初创公司地平线的观点,要实现 L3 级的自动驾驶起码需要 20 个 teraflops(每秒万亿次浮点运算)以上的的计算力级别,而在 L4 级、L5 级,计算力的要求将继续指数级上升。

5.jpg

3.2.2.2 算法和芯片协同设计是计算平台的重要发展趋势

自动驾驶计算平台演进方向——芯片+算法协同设计。目前运用于自动驾驶的芯片架构主要有 4 种:CPU、GPU、FPGA(现场可编程门阵列)和 ASIC(专用集成电路)。从应用性能、单位功耗、性价比、成本等多维度分析,ASIC 架构具备相当优势。参考我们之前发布的行业报告《芯际争霸—人工智能芯片研发攻略》的观点,未来芯片有望迎来全新的设计模式——应用场景决定算法,算法定义芯片。如果说过去是算法根据芯片进行优化设计的时代(通用 CPU+算法),现在则是算法和芯片协同设计的时代(专用芯片 ASIC+算法),这一定程度上称得上是「AI时代的新摩尔定律」。具体而言,自动驾驶核心计算平台的研发路径将是根据应用场景需求,设计算法模型,在大数据情况下做充分验证,待模型成熟以后,再开发一个芯片架构去实现,该芯片并不是通用的处理器,而是针对应用场景,跟算法协同设计的人工智能算法芯片。根据业界预估,相比于通用的设计思路,算法定义的芯片将至少有三个数量级的效率提升。


自动驾驶之“战”未完待续

博客飞奔的蜗牛 发表了文章 • 0 个评论 • 220 次浏览 • 2019-09-05 17:50 • 来自相关话题

在重庆初秋的烈日之下,自动驾驶汽车身上的瑕疵显得尤为醒目。我们谈了很多年的自动驾驶,时至今日,依然还不够完美。 ...查看全部

在重庆初秋的烈日之下,自动驾驶汽车身上的瑕疵显得尤为醒目。我们谈了很多年的自动驾驶,时至今日,依然还不够完美。

5.JPG

在2019 i-VISTA「中国电信 5G
杯」自动驾驶汽车挑战赛中,我们看到,AEB挑战赛中几乎让所有专业车队和个人选手“全军覆没”的“鬼探头”的场景;

“最烧脑”的城市交通场景挑战赛由于设置了合流道、丁字路口左转、障碍物识别及响应等随机场景,而使很多车队在比赛过程中出现了各种各样的状况;

创新应用挑战赛中全球首次在真实道路开展自动驾驶V2V/V2I赛项……赛前2小时才完成比赛场景的搭建,更让参赛车队没有机会提前“踩点”。

我们也看到,谈了很多年自动驾驶,想要实现100%
安全的AEB功能依然很难;APS功能还是很鸡肋,L4、L5自动驾驶汽车实现起来还有一段漫长的道路要走。

6.JPG

那么,通过这样一场比赛,对于自动驾驶,有哪些意义?为何会出现这样的比赛结果?国内自动驾驶技术与国外相比,还有多大差距?当我们谈自动驾驶时,我们尤其要谈什么?……针对此,盖世汽车采访了一些行业专家和参赛团队。

自动驾驶真正水平

所有的行业都如此,在发展初期,都难免遇到“骡子与马同行”
的问题,那么自动驾驶中,到底谁是骡子、谁是马,我们拉出来溜溜,就显而易见了。而这样的比赛,全程公开、透明,给了我们一次更真实地看到当前自动驾驶真正水平的机会。

中国通用技术集团检验检测认证工作组副组谢飞表示,“i-VISTA选择在重庆举办不是没有原因的,重庆的地形之复杂,全球无双,到了连现在的地图app都无法征服的程度”。

“来重庆参加自动驾驶赛,就相当于踢足球的人去参加世界杯;征服了重庆,就征服了世界。”他说。

中国汽车工程研究院股份有限公司副总经理、赛事组组长周舟表示,自动驾驶车辆是否能充分理解和适应复杂工况,也是此次挑战赛重点考察的方向之一。

“智能化是汽车产业发展的重要方向,许多高智能汽车产品的出现,已经颠覆了人们对汽车的认识。”周舟说,希望通过此次自动驾驶汽车挑战赛,向人们进一步普及汽车自动驾驶技术,让更多人看到并了解汽车的智慧。

福瑞泰克CTO沈骏强则表示,我们看到在i-VISTA的AEB、APS的比赛中,各个队的表现并不如人意,这是意料当中的事情,通过这场比赛也说明ADAS系统在提高车辆的智能化和安全性方面还有很长的路要走。

自动驾驶自主品牌

有比赛,就有结果。今年的比赛结果,有些出人意料,意外跑出来一匹黑马。在第一天的比赛中,丰田车队在 AEB
车车环节,无论是个人还是专业组都取得第一,但在下午的车人环节,河南护航车队取得大比分领先,总分也从第二跃居到第一,丰田屈居第二。对比上下午数据,
在下午的车人环节,可以看到除河南护航车队, 其余专业组车队几乎全军覆没。

自主品牌在ADAS领域的崛起,是有目共睹的。福瑞泰克公司作为ADAS
Tier1供应商,提供给主机厂包含硬件,算法,软件,集成等在内的完整的ADAS系统解决方案,为主机厂提供国内先进的ADAS功能,其先进的产品技术和灵活的合作方式,赢得了国内多家主机厂的合作开发项目,并已开始实现产品在主机厂量产车上的批量供货。

此外,在个人组AEB比赛中,夺得前三甲的参赛车辆分别是丰田凯美瑞2019款2.0 G豪华版、吉利几何A高维标准幂方版、长安CS75
PHEV,而奔驰E200轿跑车、沃尔沃V60智雅、福特翼虎2017款尊翼等都未取得好的成绩。

在个人组APS比赛中,参赛车辆中的小鹏G3 2018款智享版以150分的满分成绩夺冠,而参赛车辆中特斯拉 ModelX 90D
2016款(选装)、福特翼虎2015款2.0T 运动款、奔驰2016款C200L运动版等表现出乎意料,并未如想象中取得好成绩。

对于这样的比赛结果,福瑞泰克CTO沈骏强表示,与自动驾驶相比,虽然AEB和APS系统看上去相对简单、功能单一,但其技术含量非常复杂,需要投入的开发也非常庞大。今后,还需要加强感知系统的感知能力,决策和控制系统的能力。在执行机构的反应进度和延迟等各个环节的技术和产品能力都还有很大的提高空间。

在他看来,从测试角度来看,目前AEB系统强调的是正向的触发测试,今后需要加强误触发测试,这样,能够更加全面地对AEB系统性能进行测试和评估。在AEB和APS方面,自主品牌和外资/合资的产品相比并不差,在有些方面甚至超越了外资和合资品牌。

以AEB系统为例,他举例称福瑞泰克开发的L2智能驾驶系统,以全球领先的ADAS控制算法和软件为平台起点,开发了包含ACC, LKA, PA, AEB,
TSR,
智能大灯控制等功能,为国内主机厂提供量产的L2智能驾驶系统,目前福瑞泰克智能驾驶系统已在吉利的一款量产车型上搭载,在今年5月份,搭载了福瑞泰克L2智能驾驶系统的一款量产车,获得C-NCAP
AEB测试满分的成绩。

自动驾驶安全问题

自动驾驶发展至今,从科幻电影中开始逐渐走进我们的生活。在快速发展过程中,也给我们带来了很多困惑。自动驾驶汽车频频发生的事故,让公众开始对其产生质疑,自动驾驶汽车真的就比人类驾驶员更安全?

相关数据显示,90%的交通事故是由于驾驶者的注意力不集中而引起的,而AEB系统则可以有效避免事故的发生,即使发生碰撞事故,也会大大减小事故带来的人身伤害和财产损失。

对于自动驾驶带来的安全问题,重庆邮电大学的朴昌浩教授认为,技术的发展总是伴随着社会的发展,现在我们看自动驾驶、看无人车是新鲜事物,容不得它犯错。

在朴昌浩教授看来,我们对待自动驾驶、无人驾驶汽车,要像对待一个小孩子,接受它会犯错,甚至会重复犯错,但我们最终会原谅它、接纳它。正如特斯拉当年骇人听闻的交流电,最终飞入寻常百姓家一样。

自动驾驶在发展的过程中,犯错是正常的,我们确实应该正确看待和认识出现的错误。而这样的一场比赛,正是可以让我们看到问题的所在,然后去发现问题、解决问题。

沈骏强则表示,L4级别的自动驾驶从商业化进程角度来看,还处于初级阶段。从这次比赛中出现的各种问题,也可以看到,自动驾驶离商业化落地还有很大的距离。

他分析指出,出现的问题主要体现在以下三个方面:一是技术本身,包括感知,规划,定位,控制等,还没有达到L4商业落地的要求,特别是针对各种corner
case的应对能力还远远不足;

二是测试,
L4系统还需要大量的测试,不管是仿真测试还是实车测试,里程数量以及这些里程所对应的各种不同的场景,还远远不够。除了里程数,还要强调里程对各种场景的覆盖度;

三是需要有符合功能安全要求的感知,计算和控制系统。

自动驾驶商业化进程

在众多参赛队伍中,此次本土企业长安汽车在其参加的五项比赛中,有三项进入前6名。其中,APS以150分满分成绩拿下冠军,商业化进程挑战赛中以2800分获得“量产或准量产”级别的冠军。

长安汽车智能化研究院智能驾驶所高级经理梁锋华表示,长安汽车此次参赛侧重于量产或即将量产的赛项,仅有AEB比赛受到场地、天气影响,场地的摩擦系数剧烈下降,导致刹车距离缩小。

梁锋华还表示,长安汽车的L3级别自动驾驶技术实际上已经非常成熟,在实际比赛场地上基本没有做太多调试,而是直接把准备做量产上市的技术拿过来简单做了一下场地适应便参加了比赛。

在他看来,目前长安汽车在L3级别的商业化量产上已走在了前面。预计长安汽车的L3级别的商业化量产将会在2020年开始。

同时,L4级别自动驾驶车辆长安也同步进行开发。该级别的车辆已在仙桃数据谷的园区中开始示范运营,长安汽车预计能在2025年开始商业化量产。

不过目前量产车上搭载的,最高也不过是L3级别的自动驾驶技术。沈骏强认为,ADAS相当于自动驾驶领域的一个阶段,涵盖L1 –
L3阶段。准确地说,他认为L1到L5应该被称为智能驾驶。其中,L3及以下属于ADAS,L4及以上是自动驾驶。

针对自动驾驶商业化进程挑战赛,谢飞表示,在高速公路开展测试的难点,在于当汽车处于高速行驶状态,“车脑”对环境的感知和运算、处理、决策能力都必须大幅增强。中国的高速公路环境比较复杂,比如有不少快速变道穿插的车辆,如果要进行开放测试,不仅要提高汽车的“智商”,还必须强化路上设施的智能网联水平。

自动驾驶的应用场景愈来愈多,如今,我们在在机场、港口、工厂甚至田间地头,我们都能看到自动驾驶汽车的身影,未来汽车产业的发展前景也更加广阔。

对于目前自动驾驶的发展现状,福瑞泰克方认为,自动驾驶还有漫长的道路需要循序渐进的发展,汽车智能化首先需要强调安全性。自动驾驶是终极目标,ADAS是走向更高级别自动驾驶的基础和铺垫,我们需要聚焦到更切实可行的L2-L3商业化之上,不断有适应市场和消费者需求的产品投放市场。

小结

2019
i-VISTA挑战赛已圆满结束,但自动驾驶之“战”未完待续。自动驾驶技术关乎生命安全,每一位行业者都应该心存敬畏。如何规避“泥沙俱下”的问题,也许一场比赛就可以解决。是金子总会发光,自动驾驶行业也开始进入淘汰期。潮水褪去,裸泳者该如何遮羞?

自动驾驶汽车(Autonomous vehicles;Self-piloting automobile )又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史,21世纪初呈现出接近实用化的趋势。