自动驾驶_自动驾驶小车 - CSDN
自动驾驶 订阅
自动驾驶汽车(Autonomous vehicles;Self-driving 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。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。 [1]  2019年9月,由百度和一汽联手打造的中国首批量产L4级自动驾驶乘用车——红旗EV,获得5张北京市自动驾驶道路测试牌照 [2]  。9月22日,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得全球首张自动驾驶车辆商用牌照。 [3]  2019年9月26日,百度在长沙宣布,自动驾驶出租车队Robotaxi试运营正式开启。 [4]  2019年10月,新华社记者试乘了一辆自动驾驶汽车,怀着忐忑不安的心情进入了繁忙的以色列特拉维夫街道。整个试乘过程中,记者总体感觉安全、平稳和舒适 [5]  。 展开全文
自动驾驶汽车(Autonomous vehicles;Self-driving 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。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。 [1]  2019年9月,由百度和一汽联手打造的中国首批量产L4级自动驾驶乘用车——红旗EV,获得5张北京市自动驾驶道路测试牌照 [2]  。9月22日,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得全球首张自动驾驶车辆商用牌照。 [3]  2019年9月26日,百度在长沙宣布,自动驾驶出租车队Robotaxi试运营正式开启。 [4]  2019年10月,新华社记者试乘了一辆自动驾驶汽车,怀着忐忑不安的心情进入了繁忙的以色列特拉维夫街道。整个试乘过程中,记者总体感觉安全、平稳和舒适 [5]  。
信息
又    称
无人驾驶汽车
特    点
可以依靠人工智能、视觉计算
定    义
自动驾驶成熟技术设备的汽车
中文名
自动驾驶汽车
外文名
Autonomous vehicles
自动驾驶汽车发展历程
谷歌自动驾驶汽车于2012年5月获得了美国首个自动驾驶车辆许可证,预计于2015年至2017年进入市场销售。2014年12月中下旬,谷歌首次展示自动驾驶原型车成品,该车可全功能运行。 [6]  2015年5月,谷歌宣布将于2015年夏天在加利福尼亚州山景城的公路上测试其自动驾驶汽车。 [7]  2017年12月,北京市交通委联合北京市公安交管局、北京市经济信息委等部门,制定发布了《北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见(试行)》和《北京市自动驾驶车辆道路测试管理实施细则(试行)》两个文件,文件明确了自动驾驶汽车申请临时上路行驶的相关条件。第一:申请上路测试人需是在中国境内注册的独立法人单位,因进行自动驾驶相关科研、定型试验,可申请临时上路行驶。测试车辆必须符合《机动车运行安全技术条件》(GB7258)标准。测试车辆具备自动、人工两种驾驶模式,并可随时切换;测试车辆必须安装相应监管装置,能监测驾驶行为和车辆位置。第二:测试车辆上路前必须先在封闭测试场内按相关标准进行测试和考核,考核结果经专家评审,通过后才允许上路测试。第三:自动驾驶测试车辆要按规定悬挂号牌、标识,每辆车都要配备一名有一定驾驶经验,熟悉自动驾驶系统的测试驾驶员,随时监控车辆,保障车辆安全行驶。测试车辆将在指定区域、指定时段内测试,尽量不影响城市交通。测试单位必须购买交通事故责任保险或赔偿保函,如果测试车辆在测试期间发生事故,按照现行道路交通安全法及相关规定进行处理,并由测试驾驶员承担相关法律责任。北京市交通委认为,自动驾驶是提升道路交通智能化水平、推动交通运输行业转型升级的重要途径,也是带动交通、汽车、通信等产业融合发展的有利契机。 [8]  2017年12月,北京市交通委联合北京市公安交管局、北京市经济信息委等部门,制定发布了针对自动驾驶车辆道路测试的《指导意见》与《实施细则》,规范推动自动驾驶汽车的实际道路测试。2018年5月14日,深圳市向腾讯公司核发了智能网联汽车道路测试通知书和临时行驶车号牌。 [9-10]  2018年12月28日,百度Apollo自动驾驶全场景车队在长沙高速上行驶 [11]  。2019年6月21日下午消息,长沙市人民政府颁布了《长沙市智能网联汽车道路测试管理实施细则(试行)V2.0》(以下简称《细则V2.0》),并颁发了49张自动驾驶测试牌照。其中百度Apollo获得45张自动驾驶测试牌照,百度在长沙正式开启大规模测试 [12]  。2019年9月,由百度和一汽联手打造的中国首批量产L4级自动驾驶乘用车——红旗EV,获得5张北京市自动驾驶道路测试牌照。 [2]  2019年9月22日,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得武汉市交通运输部门颁发的全球首张自动驾驶车辆商用牌照。 [3]  2019年9月26日,百度在长沙宣布,自动驾驶出租车队Robotaxi试运营正式开启。首批45辆Apollo与一汽红旗联合研发的“红旗EV”Robotaxi车队在长沙部分已开放测试路段开始试运营。 [4]  2019年10月,新华社记者试乘了一辆自动驾驶汽车,怀着忐忑不安的心情进入了繁忙的以色列特拉维夫街道。整个试乘过程中,记者总体感觉安全、平稳和舒适 [5]  。
收起全文
精华内容
参与话题
  • 无人驾驶--从零入门实战视频教程

    千人学习 2019-06-25 11:38:15
    无人驾驶实战视频培训课程:涉及无人驾驶入门教程、光学雷达在无人驾驶技术中应用,GPS及惯性传感器在无人驾驶应用、无人驾驶感知系统、强化学习在无人驾驶应用、卷积神经网络在无人驾驶技术应用等内容。 AI的力量...
  • 自动驾驶是百年汽车工业史上又一次伟大的范式转移,将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」;车厂的角色将从传统的汽车制造商...

    https://www.jianshu.com/p/b85a982ad4c8

     

    自动驾驶是百年汽车工业史上又一次伟大的范式转移,将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」;车厂的角色将从传统的汽车制造商向移动出行服务商转型。自动驾驶是产业发展的必然趋势,关乎时间、生命,是重塑未来出行生态的关键技术。2018 年下半年以来,全球自动驾驶产业现象级事件频发,商业化序幕已经拉开。

    本文约2万4千字,分为上下两部分。本文为上半部分,请耐心阅读。

    1.百年汽车史上又一次伟大的范式转移

    1.1 重新定义汽车产业的游戏规则

    汽车产业升级换代,自动驾驶独领风骚。直观理解,自动驾驶就是「机器替代驾驶员开车」,国内亦称之为智能网联汽车。与电动化、共享化相并列,自动驾驶(智能化+网联化)早已被产业界普遍认可为汽车产业未来发展的「新四化」趋势之一。

    春江水暖鸭先知,从嗅觉灵敏的资本市场的表现来看,自动驾驶早已是汽车产业升级的绝对主角。代表目前全球最强自动驾驶实力的 Waymo(谷歌)尽管尚未产生正式的收入,已经被 Morgan Stanley 率先定价到了 1750 亿美元,远超传统车企代表通用、福特、电动化势力代表特斯拉以及共享出行代表 Uber 的估值。Morgan Stanley 对于自动驾驶的热捧绝非孤例,根据德国《经理人》杂志报道,大众集团 CEO Herbert Diess 曾计划以 1370 亿美元的报价参股 Waymo 10% 股份(提议最终未得到董事会支持而告终),产业资本对于自动驾驶的认可度和追捧可见一般。我们认为,自动驾驶独领风骚的背后原因在于——自动驾驶将是未来汽车产业游戏规则的定义者。

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶时代,汽车被重新定义。自动驾驶时代,汽车不再只是汽车,而是用户的第三空间。高等级自动驾驶意味着手、脚、眼和注意力将逐步被解放,从「机器辅助人开车」(L2)到「机器开车人辅助」(L3)、「机器开车」(L4/L5)意味着车主的生产力、时间的释放,汽车将不再是代步工具,用户在车内即可实现娱乐和办公,汽车有望进化成为家庭、办公场所之外的第三生活空间。从本质上来说,自动驾驶汽车不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」,汽车的产品形态将被重新定义,商业价值也将更多维度地展开(自动驾驶创造了新的消费经济和生产力市场——乘客经济,乘客在路上或消费,或工作,或娱乐,每一辆车都可以变成移动的商业地产)。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶时代,车厂角色将重新定义。未来汽车可能分为两类,一类是有人驾驶的汽车,一类是移动服务汽车。传统的汽车制造商将逐步向移动出行服务商转型,为用户提供 Car as a Service 或者说是 Mobility as a Service(MaaS)的一站式出行服务。从用户角度来看,相对于私有车的模式,转向移动出行服务,可以充分利用路上的时间做自己的事;从车厂的角度来看,商业模式将从产权交易到使用权交易,即不再是一锤子买卖的整车销售,而是类似「手机流量套餐」一样,对用户的出行服务进行按需收费。从广义来看,未来出行服务需要具备三大要素:移动平台(车)、自动驾驶技术、用户服务入口。其中,自动驾驶将是关键技术,可以大幅度的降低出行服务平台的最大的运营成本项(司机的工资),直接决定了车企转型移动出行服务商的盈利潜力。

    史上最全的自动驾驶研究报告(上)

     

    1.2 自动驾驶是汽车产业发展的必然趋势

    依从第一性原理思考现有交通出行的困局,发展自动驾驶是破局之道。现在很多大城市每年汽车增长 20%,道路增长 1%,人、车、路间供需不平衡,消费者被车厂教育了都想买车,可车还是不够人用(限购限行,打车难),路不够车用(拥堵),车已经塞满了城市;另一方面,汽车又是使用率最低的工业品,城市不得不为 95% 时间闲置的汽车建造大量的停车场,车位比车贵。现有交通出行的困局的根源是因为——人、车、路,三者之间在特定时间段的供需矛盾,增加车、修路都是治标不治本的措施,即使是共享出行,也只解决了一半的问题。我们需要从底层创新上寻求现有交通出行问题解决之道。从第一性原理出发,唯有,也只有代表着更高效率的 MaaS(自动驾驶驱动)的普及,才能根本性地解决现有的交通出行困局。

    史上最全的自动驾驶研究报告(上)

     

    自动驾驶关乎时间、关乎生命,将释放巨大的社会价值:

    1)自动驾驶关乎生命。滴滴程维曾表示,理论上,机器比人更适合开车。人其实并不很适合开车,人类的可靠视距大概只有两三百米,但是激光雷达可以看到更远。人类只能看到前面 180° 的视角,看不到后面有车追尾,机器可以环顾 360°。人只能靠个体学习积累驾驶经验,用公里数换经验,但是机器可以 100 万辆车共享一个大脑,去学习沉淀经验。人类开车走复杂路段,是靠自己的经验控制方向盘,但是机器可以学习舒马赫怎样精准过弯。人类操纵汽车是靠手感,是靠脚踩下去的感觉,机器人可以精确到毫米、微米去控制机械。机器也不会疲劳驾驶、酒驾。在技术足够成熟的前提下,机器驾驶的综合安全性会比人类高一个量级,而这意味着全球每年死于交通事故的 125 万人死于道路交通事故的人员(WHO《2015 年全球道路安全现状报告》),有更多生命得到拯救。

    2)自动驾驶关乎时间。罗振宇提出了「国民总时间」的概念,时间是最有价值、也是最稀缺的资源。在大部分人的一天 24 小时中,上下班通勤是逃不掉的固定时间支出,尤其是在地理尺度较大和职住问题严重的大城市,交通拥堵会令本已很长的通勤时间加倍延长。高德地图《2018 年度中国主要城市交通分析报告》显示,以北京为例,人均年拥堵时间高达 174 小时。按照拥堵损失=城市平均时薪*因拥堵造成的延时*人均全年通勤次数的计算公式,根据百度测算,国内每年因为交通拥堵大概会造成 GDP 的5 % 到 8% 的损失。自动驾驶时代,用户在车上的时间会被解放出来,这些时间都可以转化成生产力,释放巨大的经济价值。

    史上最全的自动驾驶研究报告(上)

     

    在释放巨大社会价值的基础上,自动驾驶将激活、重塑和创造多个万亿级市场:

    1)自动驾驶将激活汽车市场。智能、安全和人机共驾的新体验将重新激发人们换车的需求;

    2)自动驾驶将重塑出行市场。MaaS 将解决如今困扰消费者和出行服务商的最大问题——司机成本和「坏人」风险。如果说当前的网约车只解决了出行需求的一半问题,那么未来自动驾驶出租车将是另一半问题的答案。此外,自动驾驶应用到商用场景,用机器替代日益高昂的人力成本,也将创造巨大价值;

    3)自动驾驶将创造新的消费经济和生产力市场——乘客经济。这些时间,乘客在路上或消费,或工作,或娱乐,每一辆车都可以变成移动的商业地产。

    更进一步,除了上述三个市场之外,自动驾驶技术的普及还会产生间接的二级效应,对能源、房地产、保险等行业都会产生深远而巨大的影响。

    史上最全的自动驾驶研究报告(上)

     

    1.3 现象级事件频发,自动驾驶拉开商业化序幕

    自动驾驶不再是梦想,主机厂规模化量产即将启动。回顾自动驾驶产业发展历史,大致可以分为如下阶段:

    1)源起。自动驾驶技术的探索最早可以追溯到 1980 年,美国率先开启了自动驾驶汽车在军事领域的应用。美国的国防高级研究计划局(DARPA)和卡内基梅隆大学,分别以 「摄像头为主、其他传感器为辅」开发出不同的自动驾驶汽车的原型,并且在真实路况中展现出了令人信服的能力。2004 年开始,美国(DARPA)发布无人车挑战赛。时值 「第二次海湾战争」 刚刚开始,国防部注意到沙漠行动中的士兵伤亡,希望用无人驾驶来解决这一问题。DARPA 无人车挑战赛为自动驾驶技术交流开辟了空间和研究的土壤,为产业贡献了大量的人才。第一代的自动驾驶技术大牛,基本都是以 DARPA 无人车挑战赛为起点。

     

    2)赛道开启。自动驾驶产业化的正式开启是从 2009 年拉开序幕,Google X 确立了多个登计划(Moonshot),旨在捕捉未来惠及全人类的核心技术。无人车项目在谷歌的资金支持下正式开启。随后,陆续有更多的科技巨头入场。

    3)核心技术跨越式发展。自动驾驶技术经过多年打磨后,日趋成熟,绝大部分主流车企也宣布了自动驾驶的量产计划表。为了更好的捕捉自动驾驶技术衍生出来的需求,从芯片厂到 Tier1 开始了供应链整合之路。标志性的事件就是英特尔宣布以 153 亿美元收购 Mobileye(自动驾驶视觉芯片公司),并正式成立自动驾驶事业部。

    4)技术得到商业化验证。2017、2018 年开始,自动驾驶技术得到商业化验证。车厂领跑者——奥迪首发了全球第一款 L3 级别的量产自动驾驶车辆;科技公司的领跑者——Waymo 在经过 10 年的测试和技术打磨之后,推出 Waymo One 的自动驾驶出租车服务,试水商业化运营,并在 18 年分别向捷豹、菲亚特-克莱斯勒下了 20000 量捷豹 I-PACE 车型以及 62,000 辆 Pacifica 混动车的订单,用于在未来 3 年内在全美扩大自动驾驶车队阵容。无独有偶,Uber 早期也与沃尔沃达成协议,计划采购 2.4 万辆车辆,用于自动驾驶车队。

    5)供应链启动。随着车厂自动驾驶量产计划日益临近,前装供应链的「车轮」也已经率先启动,标志性的事件就是 2019 年年初,四维图新斩获国内首个 L3 及以上的高精度地图的主流车厂订单(宝马)。从 2019 年开始,到 2020、2021 年,根据全球主流车厂的计划表,将陆续开始有量产的自动驾驶车辆出炉,自动驾驶产业有望进入黄金发展期。

    史上最全的自动驾驶研究报告(上)

     

    现象级事件频发,自动驾驶产业发展全面提速。

    1)资金层面。自动驾驶在一级市场已经成为最火热的赛道,展现出超强的吸金能力,仅 2018 年就全球狂揽 94.7 亿美元的融资。充裕的资金资质将成为自动驾驶产业最好的助推器之一;

    2)产业层面。科技巨头继续引领行业风向标;车厂相继争先宣布转型移动出行服务商(典型代表丰田、通用、大众),继续加码自动驾驶研发投入;

    3)政策。全球政府为自动驾驶的合法化上路正紧锣密鼓的修订政策法规。日本政府近期通过了《道路运输车辆法》修正案,确保自动驾驶的合法性;国内方面,交通部部长李小鹏也在近期表示将力争在国家层面出台《自动驾驶发展指导意见》。

    总体来看,自动驾驶产业生机勃勃,在资金、产业、政策的共振下,发展不断提速,快马加鞭纵情向前。

    史上最全的自动驾驶研究报告(上)

     

    2. 自动驾驶概念定义——L3是分水岭

    L3 将是自动驾驶技术的飞跃。对于自动驾驶技术和概念的定义,国际上通用的是美国 SAE 协会定义的标准。我们日常生活中接触的最多的仍然是 L2 级别的自动驾驶技术(以特斯拉 AutoPilot 为典型代表),本文所强调的自动驾驶是指 L3 及以上的高等级自动驾驶技术。

    在自动驾驶技术分级中,L2 和 L3 是重要的分水岭,在 L2 及以下的自动驾驶技术仍然是辅助驾驶技术,尽管可以一定程度上解放双手(Hands Off),但是环境感知、接管仍然需要人来完成,即由人来进行驾驶环境的观察,并且在紧急情况下直接接管。而在 L3 级中,环境感知的工作将交由机器来完成,车主可以不用再关注路况,从而实现了车主双眼的解放(Eyes Off)。而 L4、L5 则带来自动驾驶终极的驾驶体验,在规定的使用范围内,车主可以完全实现双手脱离方向盘以及注意力的解放(Minds Off),被释放了手、脚、眼和注意力的人类,将能真正摆脱驾驶的羁绊,享受自由的移动生活。从实际应用价值来看,L3/L4 相对于辅助驾驶技术有质的提升,从「机器辅助人开车」(L2)到「机器开车人辅助」(L3),最终实现「机器开车」(L4/L5),L3 将成为是用户价值感受的临界点,将成为产业重要分水岭。

    史上最全的自动驾驶研究报告(上)

     

    跟消费者普遍希望的「全能」所不同,自动驾驶技术是有应用场景和功能要求的。除了基础的分级之外,SAE 协会还给出了自动驾驶系统的重要设计维度:设计运行范围(ODD),即自动驾驶技术可以安全工作的环境,包括车辆自动驾驶时的速度、地形、路况、基础环境、交通情况、时段(白天、晚上)。以消费者最常见的量产自动驾驶系统——特斯拉 Autopilot 为例,虽然很多粉丝在城市环境试过 Autopilot,但官方给出的启用范围依然是高速公路和行车缓慢的路段,并对时速做出了限制。很显然,路况越复杂,自动驾驶的实现难度将越高。

    史上最全的自动驾驶研究报告(上)

     

    国内自动驾驶将渐进式落地。SAE 的自动驾驶分级是较为粗线条的,容易产生歧义。我们按照路况复杂程度进一步细化自动驾驶的功能定义,并对其落地时间进行预测。参考罗兰贝格的报告,我们整体上判断国内自动驾驶将以 L0-L5 的路线渐进式展开,主要落地应用场景将以私家车出行、共享客运接驳、货运物流为主,从低难度的区域(封闭低速路段)向高难度的区域(复杂城市道路)循序渐进地落地。2019 年,国内将在城市特定区域开放道路进行自动驾驶车辆测试,并有望在部分高速公路允许 L3 自动驾驶。到 2025 年城市特定区域 L4、L5 自动驾驶有望开放,自动驾驶将步入分区域推进的新阶段。而 2025 年之后,才会逐步放开自动驾驶区域限制,从限定场景逐步拓展到全场景。

    史上最全的自动驾驶研究报告(上)

     

    3.技术:5G+AI打通自动驾驶「任督二脉」

    3.1 自动驾驶技术框架概述

    单车智能的三大核心环节——感知层、决策层和执行层。狭义的理解,从单车智能的角度,自动驾驶技术的本质就是用机器视角去模拟人类驾驶员的行为,其技术框架可以分为三个环节:感知层、决策层和执行层。感知层解决的是「我在哪?」、「周边环境如何?」的问题;决策层则要判断「周边环境接下来要发生什么变化」、「我该怎么做」;执行层则是偏机械控制,将机器的决策转换为实际的车辆行为。根据上述三个环节的分析框架,自动驾驶技术实现的基本原理是:感知层的各类硬件传感器捕捉车辆的位置信息以及外部环境(行人、车辆)信息。决策层的大脑(计算平台+算法)基于感知层输入的信息进行环境建模(预判行人、车辆的行为),形成对全局的理解并作出决策判断,发出车辆执行的信号指令(加速、超车、减速、刹车等)。最后执行层将决策层的信号转换为汽车的动作行为(转向、刹车、加速)。鉴于高等级自动驾驶是极为复杂的系统性工程,其技术方案尚未完全定型,无论传统车厂、Tier1 还是互联网科技企业,对于高等级自动驾驶均有自己的技术路线,我们将在后续章节详细分析自动驾驶技术框架下不同模块的作用和技术趋势。

    「车」、「云」、「路」协同进化是产业发展趋势。广义的理解,在单车智能技术路线的基础上,未来整个自动驾驶的技术体系将是「车端」、「云端」、「路端」同步升级发展。

    • 云端的意义在于:1)收集大量数据,训练自动驾驶算法;2)通过云端更新高精度地图,为自动驾驶车辆提供更实时的环境模型和动态信息。
    • 路端的意义在于:通过打造互联网化的道路,以车路协同技术,为自动驾驶车辆提供一个联网的「外脑」,从而减少单车智能的硬件成本。

    史上最全的自动驾驶研究报告(上)

     

    3.2 解构自动驾驶核心技术模块

    3.2.1 自动驾驶感知层传感器

    3.2.1.1 自动驾驶感知层传感器的定义和分类

    感知层传感器是自动驾驶车辆所有数据的输入源。根据不同的目标功能,自动驾驶汽车搭载的传感器类型一般分为两类——环境感知传感器和车辆运动传感器。环境感知传感器主要包括摄像头、毫米波雷达、超声波传感器、激光雷达以及 GPS& 惯导组合等,环境感知传感器类似于人的视觉和听觉,帮助自动驾驶车辆做外部环境的建模;车辆运动传感器(高精度定位模块),主要包括 GNSS、IMU、速度传感器等,提供车辆的位置信息、速度、姿态等信息。目前自动驾驶需要依赖不同的传感器来收集信息,尚不具有一个具备所有感知功能于一身的「万能」传感器。不同传感器所发挥的功能各不相同,在不同场景中各自发挥自身优势,难以相互替代。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    3.2.1.2 环境感知传感器的发展趋势

    环境感知传感器的技术方案主要可以分为视觉主导和激光雷达主导。1)视觉主导的方案:摄像头(主导)+毫米波雷达+超声波雷达+低成本激光雷达,典型的车厂是特斯拉。特斯拉最为激进,创始人马斯克坚持在其方案中不加入激光雷达;2)激光雷达主导的方案:低成本激光雷达(主导)+毫米波雷达+超声波传感器+摄像头,典型的代表是 Google Waymo。目前,谷歌 Waymo 自己组建团队研发激光雷达的硬件,把成本削减了 90% 以上,基本上是 7000 美金左右,同时也已经在美国凤凰城地区进行商业化的试运营。

    史上最全的自动驾驶研究报告(上)

     

    传感器各有优劣势,技术方向的最终定型取决于技术的发展速度以及部件成本的价格曲线。

    1)摄像头——非常适用于物体分类。摄像头视觉属于被动视觉,受环境光照的影响较大,但成本低。摄像头生成的数据,人就能看懂,不过其测距能力堪忧。摄像头非常适用于物体分类。

    2)雷达——在探测范围和应对恶劣天气方面占优势。在探测距离上优势巨大,也不怕天气影响,但不善于识别物体分辨率。

    3)激光雷达——优势在于障碍物检测。激光雷达是主动视觉,和摄像头这类被动传感器相比,激光雷达可以主动探测周围环境,即使在夜间仍能准确地检测障碍物。因为激光光束更加聚拢,所以比毫米波雷达拥有更高的探测精度。但激光雷达现阶段的成本较高。总体来看,为了更好的安全冗余,各类传感器的融合是技术路线的必由之路,而最终技术方向的定型取决于技术的发展速度以及部件成本的价格。

    史上最全的自动驾驶研究报告(上)

     

    3.2.1.3 高精度定位传感器的发展趋势

    高精度定位模块是自动驾驶的标配。要实现车辆的自动驾驶,就要解决在哪里(即刻位置)、要去哪里(目标位置)的问题,因此高精度定位传感器(厘米级精度)模块需要应用于 L3 以上自动驾驶。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    按照不同的定位实现技术,高精度定位可以分为三类。第一类,基于信号的定位,代表就是 GNSS 定位,即全球导航卫星系统;第二类,航迹推算,依靠 IMU(惯性测量单元)等,根据上一时刻的位置和方位推断现在的位置和方位;第三类是环境特征匹配,基于激光雷达的定位,用观测到的特征和数据库中的特征和存储的特征进行匹配,得到现在车的位置和姿态。观察目前产业的主流方案,普遍采取融合的形式,大体上有:

    1)基于 GPS 和惯性传感器的传感器融合;

    2)基于激光雷达点云与高精地图的匹配;

    3)基于计算机视觉技术的道路特征识别,GPS 卫星定位为辅助的形式。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    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、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。

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    史上最全的自动驾驶研究报告(上)

     

    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。

    史上最全的自动驾驶研究报告(上)

     

    展开全文
  • “长城汽车预计于2020年实现部分自动驾驶功能,到2025年实现Level5级自动驾驶。”长城汽车总裁王凤英曾表示。 科技迭代很快,如果需要将概念中Level 5级别的自动驾驶形象化,那么它就是一台拥有人类感知、决策以及...

    来源 | 智驾未来

    原创 | Alvin

     

    (-自动驾驶系统 可理解成一种 移动机器人系统-)

     “热炒”的自动驾驶走进了现实,也靠近了未来!

    “长城汽车预计于2020年实现部分自动驾驶功能,到2025年实现Level5级自动驾驶。”长城汽车总裁王凤英曾表示。

    科技迭代很快,如果需要将概念中Level 5级别的自动驾驶形象化,那么它就是一台拥有人类感知、决策以及控制的代步机器。精细划分来看,实现一个自动驾驶系统,需要分为感知层、信息融合层、决策规划层、以及控制层。

     

                                                                  1 感知层

    感知,其实很好理解,人类用眼睛捕捉事物,自动驾驶汽车则需要传感器感知事物。自动驾驶汽车想要安全行驶,首先需要了解周围行驶的环境,而传感器就是自动驾驶汽车了解环境的工具,目前自动驾驶汽车搭载的主要传感器包括摄像头、激光雷达、毫米波雷达以及超声波雷达等四大部分。

    目前,摄像头普遍采用CMOS图像传感器,捕捉清晰图片帮助自动驾驶汽车输入数据参数。为了保证数据完整性,市面上的很多自动驾驶汽车都会采用3-6个摄像头。由于摄像头对于光线极为敏感,如果出现强、弱光的情况,普通摄像头捕捉的图像并不能直接被使用,或者会出现无法识别的现象,这对于自动驾驶汽车来说极为致命。所以,市面上自动驾驶汽车一般都会采用动态范围130db以上的图像传感器。

                                                                  四大传感器优势对比

    雷达主要测量位置、速度以及方位角等三个参数。激光雷达算是汽车行业里的一个新贵,也被视为自动驾驶汽车未来最核心传感器之一。其主要通过发送直线激光束(非无线电波)的方式,根据激光遇到障碍物后折返时间(TOF),计算目标与车的距离。激光雷达在精度、信息量以及安全性性能方面,具有独到之处。但想要获得更高精度测量数据,也意味着激光雷达线束需要增加,目前市面上比较常见的是8、16以及32线激光雷达产品,64线比较少,这与成本也是成正相关的(激光线束越多,成本越高)。虽然,国内外如Velodyne、Quangery等科技公司一直在研发低成本、小体积的激光雷达,但由于单个成本高居不下,很难实现量产。

                                                 图片来源:星秒光电

    毫米波雷达,顾名思义是工作在毫米波波段(波长1-10mm,频率30GHZ-300GHZ)的探测雷达,与激光雷达发送方式不同的是,毫米波雷达会发出锥状的电磁波。工作原理是根据回波时间差计算距离,其具有不受天气情况影响及超远测距的优势,雷达频段与测距成正相关,目前市面上主流有24GHZ和77GHZ两种,随着技术水平提升以及成本下降,此传感器逐渐被应用于ADAS。

                                                      图片来源:wired

    蝙蝠发出超声波探测物体的远近,自动驾驶汽车用超声波发现障碍物,两者原理一样。超声波属于机械波的一种,所以容易受传播介质的影响,如天气不同,传播速度不同。故为了充分利用超声波雷达穿透力强、测距方便以及成本低的优点,部分车企会在汽车车身四周置入大量的超声波雷达,如L2-L3级的特斯拉、奥迪等汽车中超声波雷达使用数量达高达12个。

     

                                                                    2 信息融合层

    信息融合层则比较关键,怎么理解呢?自动驾驶汽车置入了如摄像头、激光雷达、毫米波雷达等多个传感器,我们需要用这些传感器感知、捕获数据。当汽车行驶至目标物一定距离内,摄像头和激光雷达同时检测出那个目标物,但如何让汽车知道两个传感器检测出的目标物是同一个呢?这便需要对多传感器数据进行分析对比,如果相同,则进行信息融合,告诉汽车前面就是一个目标物。

    仔细想想,这其实是一个数据处理的过程,而且当数据量比较大的时候,信息融合时延还会加长。而且极为尴尬的是,如果汽车正在前进,前方目标物静止,那么从发送探测波到探测波返回,这其中汽车在探测时间内行驶的距离并没有算入到实际距离中。所以,在计算时延的时候,需要考虑到汽车在时延过程中的速度、以及系统发出与收到测试数据前后的时间差。

    此外,频率的发送也会受环境的影响,如高低温环境,所面临的处理性能则可能不同。频率不同也会导致时延不同,所以在计算过程中,我们用初始(额定)频率去计算时延时,也会出现一定的误差。

    对于自动驾驶汽车而言,时间意味着安全,如果1s计算错误,对于高速运行的汽车而言,都会产生致命的结果。

                                                           

                                                 3 决策规划层

    决策规划层,其实也不难理解,即对融合的数据,根据驾驶需求,进行任务规划以及决策。对于这点,业界看法比较多,目前只介绍两种比较宏观的看法。

    其一,全局规划;这种方式需要借助于地图信息,按照乘客的需求,选择最优的路径。

    其二,局部规划;需要自动驾驶汽车根据基于全局规划的基础,针对局部环境信息,规划最优的路线。

    这个概念就相当于框架一样,需要自动驾驶汽车能够提前基于大数据对行程进行规划,这也是判断自动驾驶系统智能性的重要指标之一。

     

                                                      4 控制层

    经常开车的朋友都知道,现在的汽车基本都需要我们人为操作,而自动驾驶汽车控制层便是替代人为操作,根据获取的信息数据,将做出的决策规划落到实处,即实时操作。用简洁语言描述,便是自动开车。这需要车辆的控制系统与决策系统相配合,并且能够精确的按照需求,对汽车做出加速、减速、制动、转向、变道以及超车等操作。

    可以看出,前面介绍的感知层、信息融合层以及决策规划层其实都是为控制层做铺垫,最终需要做出动作的还是控制层。

     

                                                      5 总结

    说了这么多,其实自动驾驶就是将人为开车的过程用硬件、软件技术体现了出来,实现了某些过程替代人或者完全自动驾驶的目标。

    对于老司机而言,开车过程中,身体与车的配合极为自然,自动驾驶其实也是一样,只不过它所有的信息获取以及判断不是通过眼睛、人脑获得、决策,而是通过汽车自身的“眼睛”、“大脑”,解放了司机。

    当然,自动驾驶概念好理解,其中的实现难度可不小!正如汽车高德事业部总裁韦东所言,从普通的导航走向半自动辅助驾驶,更高自动化的辅助驾驶,再走向自动化,再走向完全自动驾驶,一定是一步一步的。

     

    展开全文
  • 汽车自动驾驶技术完整源代码

    热门讨论 2020-07-30 23:32:10
    美国天才计算机大牛的汽车自动驾驶技术完整源代码,包含完整源代码、深度学习训练好的数据和算法原理PDF。该软件为实践过的,汽车已经在高速路上跑过了!
  • 人工智能之自动驾驶系列(一):概要 版权声明:本文系个人经多处资料学习、吸收、整理而得,如需装载,请注明出处:作者名+链接。文中若有笔误或不正确的地方,烦请包涵并指出,谢谢。 内容说明:本系列内容...

    人工智能之自动驾驶系列(一):概要

    版权声明:本文系个人经多处资料学习、吸收、整理而得,如需转载,请注明出处:作者名+链接。

    内容说明:本系列内容大致包括自动驾驶概念、前沿动态、市场分析、应用场景、国家政策、技术框架、研究现状、典型方案、未来趋势与个人思考、动手实践简易版L3自动驾驶汽车等。

    关键词:人工智能,自动驾驶,机器学习,深度学习,创新创业,前沿

    一、自动驾驶背景

    随着深度学习技术的崛起、人工智能的备受关注,自动驾驶,作为AI中备受关注的重要落脚点,也被炒的火热,更让人充满了幻想。

    1.1 自动驾驶的概念

    自动驾驶,也常被人称作无人驾驶、无人车等,但这几个词的表述其实是有所区别的,英文里常见的表述有autopilot,automatic driving,self-driving,driveless等,这里不作科普。关于自动驾驶,在概念上业界有着明确的等级划分,主要有两套标准:一套是NHSTAB(美国高速公路安全管理局)制定的,一套是SAE International(国际汽车工程师协会)制定的。现在主要统一采用SAE分类标准。以下附上专业分级定义:

    0级:人工驾驶,即无自动驾驶。由人类驾驶员全权操控汽车,可以得到警告或干预系统的辅助;
    1级:辅助驾驶,通过驾驶环境对方向盘和加减速中的一项操作提供驾驶支持,其他的驾驶动作都由人类驾驶员进行操作;
    2级:半自动自动驾驶,通过驾驶环境对方向盘和加减速中的多项操作提供驾驶支持,其他的驾驶动作都由人类驾驶员进行操作;
    3级:高度自动驾驶,或者称有条件自动驾驶,由自动驾驶系统完成所有的驾驶操作。根据系统要求,人类驾驶者需要在适当的时候提供应答;
    4级:超高度自动驾驶,由自动驾驶系统完成所有的驾驶操作。根据系统要求,人类驾驶者不一定需要对所有的系统请求做出应答,包括限定道路和环境条件等;
    5级:全自动驾驶,在所有人类驾驶者可以应付的道路和环境条件下,均可以由自动驾驶系统自主完成所有的驾驶操作。

    总的来说,分级的核心区别在于自动化程度,重点体现在转向与加减速控制、对环境的观察、激烈驾驶的应对、适用环境范围上的自动化程度。就目前来说,还在进行L3、L4级的研发,离电影中所展示的那些L5全自动驾驶还有比较长的一段距离。

    1.2 前沿动态

    现阶段,无人驾驶技术发展正如火如荼,以下先梳理了一下2016年来国外自动驾驶的一些大事件


    • 2016年1月,通用汽车投资5亿美元给Lyft(美国第二大移动出行公司),此后3月,通用汽车六亿美元收购无人车技术初创企业Cruise Automation,吹响了传统车企“以资金换技术”的号角。
    • 2016年5月,一位来自美国俄亥俄州的40岁男子Joshua Brown,驾驶特斯拉Model S到一个十字路口时,与一辆大型拖车发生意外碰撞事故后死亡。事故发生时Model S的 Autopilot自动辅助驾驶模式处于开启状态。但这一事件并未停止特斯拉在无人驾驶上的投入与发展,反而大幅增加了研发和投资力度。面对现有技术中存在的弊端,研发更先进的技术是最好的解决途径。
    • 2016年7月,宝马(世界知名汽车厂商)、英特尔(世界顶级芯片厂商)、Mobileye(ADAS高级辅助驾驶系统领域专家)联合宣布将合作研发无人驾驶汽车,优势互补,各取所需,也减少了筹措发展自动驾驶技术的资金和人才对自身主营业务的冲击。类似的模式曾也发生在微软、英特尔、戴尔联想等身上。
    • 2016年8月,负责新加坡无人驾驶出租车项目的科技公司nuTonom,宣布世界上第一批无人驾驶出租车在新加坡开始载客运营。
    • 2016年8月,Uber出资6.8亿美元收购无人驾驶货车公司Otto,Otto联合创始人是前谷歌无人驾驶核心工程师Anthony Levandowski。此外,Uber有投资5亿美元用于构建自身地图服务,并与沃尔沃联合投资3亿美元共同开发自动驾驶汽车,基本完善了自动驾驶领域的技术布局。9月份,Uber在匹兹堡推出自由的无人驾驶汽车队。(小插曲:今年2月,Google子公司Waymo对Levandowski提出了一项诉讼,声称其离职前窃取了公司自动驾驶汽车的机密资料。)
    • 2016年8月,福特联合百度投资1.5亿美元于激光雷达制造商Velodyne
    • 2016年9月,纽约时报发布报告,显示以软硬件一体化出名的苹果在无人驾驶项目(Titan)上遭遇重大挫折,苹果可能放弃打造硬件,全面转向无人驾驶软件。而此前5月,苹果还曾宣布10亿美元投资滴滴出行,但一概保密的苹果的无人驾驶项目发展究竟几何,还有待时间来揭晓答案。
    • 2016年10月,特斯拉宣布,旗下搭载全自动驾驶硬件的汽车开始量产,特斯拉由此成为世界上第一家量产全自动驾驶硬件的汽车制造商。虽然该套件是否能完全实现自动驾驶在业界仍有争议(新硬件依然未采用识高精度识别的激光雷达),但这一做法仍然大大推动了整个业界自动驾驶技术的发展。
    • 2016年12月,谷歌无人驾驶项目独立,专门成立新公司Waymo,主要合作对象是菲亚特-克莱斯勒。谷歌作为第一家主营业务跟汽车制造并无关系、依据互联网优势跨界涉足无人驾驶技术的公司,依靠人工智能和深度学习技术,在无人驾驶技术软件上取得了得天独厚的优势。
    • 2016年末,福特Fusion第二代自动驾驶汽车亮相,且此前有发布无人驾驶项目5年计划,执行力一流。福特是传统车企里唯一一家迭代自动驾驶汽车到第二代的汽车制造商,但其自动驾驶汽车相比特斯拉要稍显逊色。(除福特之外,这一年大众、奔驰、宝马、丰田、沃尔沃等也提出了自动驾驶相应计划)
    • 2017年7月,软银、通用和宝马等向无人驾驶初创公司Nauto投资1.59亿美元。
    • 下面是2017年的一些重大进展预测:

    • 福特将在欧洲测试无人驾驶汽车;
    • 沃尔沃将在中国测试100辆无人驾驶汽车;
    • 通用无人驾驶汽车雪地测试;
    • 特斯拉马斯克声称将在11月或12月演示无人驾驶汽车从洛杉矶行驶到纽约。

    接着,我们来说说国内自动驾驶的情况,毕竟这跟我们的关联更加密切。先看看大公司,腾讯、阿里、华为基本无论是战略布局还是技术实力来看,其起步和现有成果都落户于百度一截,就目前来说如何最好的入局自动驾驶想必也该是这些大公司一直在思考的。 这里重点说一下百度

    • 百度是BAT里唯一一家大举押注无人驾驶技术的公司,跟Google一样拥有人工智能和深度学习技术优势,从布局来看,百度有联合福特投资激光雷达制造商Velodyne,和芯片制造商英伟达达成合作,在整车制造商上主要与北汽达成了合作,同时与宝马、奇瑞、比亚迪等一众厂商也有展开合作。

      • 2013年百度无人驾驶项目在百度研究院起步;
      • 2014年7月,百度首次证实已启动“百度无人驾驶汽车”研发计划;
      • 2015年12月,百度宣布正式成立自动驾驶事业部,并提出著名时间表:“三年商用,五年量产”,预计2018年输出在城市简单路况下的自动驾驶实现商用;2020年前,逐步开放至高速公路和普通城市道路上的全自动驾驶实现量产。
      • 2016年9月,L3事业部正式亮相,后更名为智能汽车事业部,宣布已获得美国加州第15张无人驾驶测试牌照,
      • 2016年11月,已在公共道路上测试L3自动驾驶汽车。
      • 2017年4月,百度宣布“Apollo(阿波罗)计划”,将向汽车行业及自动驾驶领域的合作伙伴提供一个开放、完整、安全的软件平台,帮助他们结合车辆和硬件系统,快速搭建一套属于自己的完整的自动驾驶系统。据了解,百度Apollo平台的结构包括一套完整的软硬件和服务体系,包括车辆平台、硬件平台、软件平台、云端数据服务等四大部分。百度会在车辆和传感器等领域选择协同度和兼容性最好的合作伙伴,共同组成协作联盟,推荐给项目参与方使用,进一步降低无人车的研发门槛,促进技术的快速普及。据悉,百度也是全球范围内第一家宣布对外开放自己技术和平台的无人车技术企业。
    • 腾讯:2016年下半年,腾讯成立自动驾驶实验室;现已有入股特斯拉但不参与公司运营、联手四维图新入股地图公司Here,2017年5月与上海国际汽车城签约,将其无人驾驶汽车路测项目组落户上海;

    • 阿里:阿里正在与中国兵器工业集团公司共同推进中国自行研制的全球卫星导航系统——北斗卫星导航系统在民用化市场的落地。在投资汽车方面,阿里在2017年4月携手上汽推出首款互联网汽车,这是继阿里巴巴去年宣布设立10亿元的“互联网汽车基金”以来做出的首个成果,也是为未来开发无人驾驶所做的热身运动。
    • 华为:2017年,华为发布一份白皮书,详细介绍了电信网络对互联的汽车空间的价值,拿5G作为无人驾驶的敲门砖。涉及的领域包括智能停车,车队管理,与车载娱乐有关的数据,基于LTE的紧急服务等。报告还显示,截至2017年2月,该公司已经组建了无人驾驶研发团队,拥有超过200名开发者。在2017年巴塞罗那移动世界大会上,华为与沃达丰合作展示了其最新的创新成果,其中包括用于连接Cellular V2X(C-V2X)汽车的蜂窝技术。
    • 传统汽车公司:广汽、北汽等都在积极部署和研发、争取分得一杯羹。

    接着,主要是一些初创公司。与其他创业领域蓬勃井喷的创业公司相比,无人驾驶这一领域的数量可谓寥寥无几,而真正具有核心技术,并拥有一定成熟商业模式的创业公司更是凤毛麟角,而且大多主要都是聚焦于某一细分技术上,举例来说:

    • 蔚来科技:目前最北看好的创业公司,已获D轮融资;
    • 景驰科技:原百度高级副总裁王劲所创,已获天使轮;
    • 地平线机器人:提供计算机视觉芯片系统和自动驾驶平台研发,已获得B轮融资;
    • 纵目科技、驭势科技、天隼图像等:聚焦于计算机视觉领域中辅助驾驶、智能监控或模式识别解决方案;
    • 速腾聚创、禾赛科技、北科天绘、北醒光子等:聚焦于各类激光雷达系统;
    • 行易道等:聚焦于自动驾驶所用的毫米波雷达解决方案;
      其中最受关注、最被看好的初创公司(景驰科技、地平线机器人等)基本都跟百度系(原百度高管或技术负责人)有关。

    总的来说,现在资本大量涌入自动驾驶领域,正处于群雄逐鹿的时代,风起云涌。至于实力强弱,可参考如下两个报告,评比角度不同,结果也是很不一致:

    • 市场研究机构Navigant发布的最新报告中,列出了18家未来10年内最有可能把L2、L3、L4级别自动驾驶汽车带进消费市场的18家公司,还根据技术、市场战略、生产实力、耐力、销售,营销和分销等9个不同维度对各公司的自动驾驶进展打分排名。其中,福特、通用(GM)、尼桑、戴姆勒位于第一梯队,而常被我们提起的Google Waymo、Tesla与宝马等一并分布在第二梯队,百度、Uber、nuTomy等位于第三梯度。
    • 美国科技媒体The Information调研结果,主要根据技术、工程、商业模式对当今主要的17家发展L4级别及以上无人驾驶技术的公司进行了一次综合评估和排名,Google Waymo排名第一,Uber第二,戴姆勒、特斯拉nuTonomy、百度、通用等普遍靠前。

    1.3 市场分析

    这里就拿数据说话:

    据《财富》网站报道,英特尔和市场研究公司Strategy Analytics联合开展的一项最新研究表明,2035年无人驾驶汽车将创造达8000亿美元的市场规模,到2050年,与无人驾驶汽车相关的经济活动规模将达7万亿美元,包括无人驾驶汽车提供的打车服务规模将达到约4万亿美元,无人驾驶汽车提供的快递和商业物流服务规模将达到约3万亿美元。

    根据麦肯锡预测:到2025年,无人驾驶汽车可以产生2000亿~1.9万亿美元的产值。

    据另一家全球分析机构IHS Research分析:全球无人驾驶量产汽车将在2025年上市,估计销量可达23万辆;到2035年,无人驾驶汽车年销量将达到1180万辆,约占总销量的10%;2035年无人驾驶汽车在北美市场份额可以达到29%,中国无人驾驶汽车市场份额为24%,欧洲市场份额为20%。

    从上述材料可以直观地了解到,自动驾驶未来市场空间巨大,投资界、产业界都普遍看好,下面从需求角度再来说说:

    • 个体需求:开车本质上是一个需要保持长久视觉分析和肌肉反应的机械重复运动——这并非是人类的长处也往往不是人类所喜欢做的事情,而这恰恰是机器所擅长的。
    • 市场需求:自动驾驶不仅可以应用于交通出行,而且对于物流运输、城市规划等都将产生根本性的革新。
    • 资本需求:目前已有大量资本流入自动驾驶涉及的大数据、新型传感器、深度学习技术、全套解决方案等,资本的流动往往是行业发展最关键的催化剂,有投入就会要求回报,资本拥有者、想赚钱的各大公司必定会竭尽全力推动无人驾驶的尽早到来。
    • 社会需求:从现阶段美国、德国、中国等各个国家针对自动驾驶的政策来看,社会需求强烈,国家重视度也极高。
      有报告称,如果自动驾驶汽车得到普及,美国每年可避免超过3万人死于交通事故,节约多达40%的出行时间成本,可节省因拥堵而浪费的800亿小时,并减少40%的燃油消耗。

    1.4 应用场景

    根据应用场景的不同,自动驾驶系统可分为高速自动驾驶和低速自动驾驶(速度低于20km/h),后者实现难度要低很多。 现有看好的主要业务模式有产品输出(与汽车厂商或一级供应商合作,将自有产品植入到汽车的前装序列,或者制作特定形状的自动驾驶机器)、技术输出(汽车厂商或一级供应商合作,提供软硬件解决方案)、物流合作等。 高速自动驾驶,个人项目中无法企及,这里就针对低速自动驾驶来谈谈其主要应用场景: 1. **物流场景**:高速无人驾驶为城际物流运输车队提供自动驾驶技术,低速无人驾驶可解决末端物流(即最后3km),结合自动存货机,实现无人配送; 2. **移动广告平台**:低速无人驾驶可实现不知疲倦无须人工成本的移动商业广告; 3. **特定应用场景**,如景区游览车、低速代步工具、自动行驶的婴儿车、移动行李箱等;

    1.5 国家政策

    • 中国:2015年,国务院印发了《中国制造2025》,将智能网联汽车列入未来十年国家智能制造发展的重点领域,明确指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术,到2025年要掌握自动驾驶总体技术及各项关键技术。至今,已陆续出台《中国智能网联汽车标准体系建设》、《先进驾驶辅助系统术语和定义》、《中国智能网联汽车技术发展路线图》、《中国智能网联汽车技术发展路线图》。
    • 美国:2016年发布了《美国自动驾驶汽车政策指南》,有比较完整的自动驾驶汽车法规。
    • 德国:早在2013年便有允许自动驾驶车在国内进行路试,目前允许自动驾驶汽车路试,要求汽车制造商配备自动驾驶模式的汽车安装黑匣子,禁止特斯拉用“自动驾驶”做宣传。
    • 其他:日本、法国、英国、新加坡、韩国等国家也已陆续出台相关政策,联合国目前也有着手修改国际道路交通安全法规,编制全球统一的自动驾驶汽车技术标准,制定汽车自动驾驶安全标准。

    初步结论:从国家政策标准可以看出各个国家对未来自动驾驶的支持与看好,但也看得出自动驾驶的发展将是一个比较漫长的过程。

    二、技术框架

    自动驾驶是一个完整的软硬件交互系统,自动驾驶核心技术包括硬件(汽车制造技术、自动驾驶芯片)、自动驾驶软件、高精度地图、传感器通信网络等。自动驾驶系统在汽车上的硬件布局大致如下图所示:

    接下来重点关注自动驾驶软件部分,总体上可大致分为如下三个模块:

    • 环境感知模块:主要通过传感器来感知环境信息,比如通过摄像头、激光雷达、毫米波雷达、超声波传感器等来获取环境信息;通过GPS获取车身状态信息。具体来说,主要包括传感器数据融合、物体检测与物体分类(道路、交通标志、车辆、行人、障碍物等)、物体跟踪(行人移动)、定位(自身精确定位、相对位置确定、相对速度估计)等。
    • 行为决策模块:行为决策需要根据实时路网信息、交通环境信息和自身驾驶状态信息,产生遵守交通规则(包括突发异常状况)的安全快速的自动驾驶决策(运动控制)。通俗地说,就是实时规划出一条精密而合理的行驶轨迹,可分为全局路径规划和局部路径规划,局部路径规划主要就是当出现道路损毁、存在障碍物等情况时找出可行驶区域行驶,路径规划的同时也得考虑最终理想的乘坐体验。
    • 运动控制模块:根据规划的行驶轨迹,以及当前行驶的位置、姿态和速度,产生对油门、刹车、方向盘和变速杆等的控制命令。

    注:这里主要参考了一个朋友的文章,在此也友情分享一下。

    四、典型方案

    基于深度学习架构的人工智能现已被广泛应用于自动驾驶实现,从自动驾驶初创公司、互联网公司到各大OEM厂商,都正在积极探索通过基于深度学习技术架构实现最终的自动驾驶解决方案,简单地说,深度学习一定程度上是在模拟人脑从外界环境中学习、理解甚至解决模糊歧义的过程,可以自动地学习如何完成给定的任务,譬如识别图像、识别语音甚至控制无人汽车自动行驶等。目前为止,基于深度学习的自动驾驶主流框架主要有如下三个:

    • Nvidia的Drive PX系统【论文链接】:基于Torch7平台,将CNN集成到一个端到端的框架中,来实现实时识别和检测。
      Nvidia的Drive PX框架

    • Mobileye的IQ3系统【论文链接】: 主要包括三个部分:感知、高精度地图和驾驶决策,其中Mobileye最成熟的是环境感知技术。
      第一个部分,在环境感知上,值得一提的是,Mobileye并未采用端到端实现,而是将感知任务划分成多个模块,每个对应一个人工监督的神经网络,所得出的效果已经可以产品化。关于端到端的评价,以下引用下ShaShua的看法:

      ShaShua认为端到端不考虑专家经验,不考虑领域知识,不考虑人工监督,对极端情况(Corner Cases)的应变能力比较差。
      End2End VS Semantic
      第二个部分,在高精度地图的构建上,由于高精度地图供应商在生产和维护地图方面成本很高(使用高精度激光雷达来采集和制作地图本身就很昂贵),Mobileye则采取群体智能的方式来解决这个问题,通过大量装配在量产车上的Mobileye现有产品来分布式收集和更新数据。
      第三个部分,也是自动驾驶技术公认的难点,即决策与规划技术。为更好地应对自动驾驶中的突发异常情况,论文里提出用短期预测促进长期规划,通过将两个DNN网络集成到不同时间点的激发器上,并采用Q-Learning的强化学习方法,实现由“预测到规划”的目标,框架如下:
      Mobileye

    • Comma.ai的GeoHot端到端方法【论文链接】:指以摄像头的原始图像作为输入,直接输出车辆的速度和方向,中间就是用深度学习模型来拟合逼近最优驾驶策略。其代码是开源的,采用Python语言编写,涉及tensorflow,anaconda,cv2等多个深度学习常用开发框架。
      Comma.ai
      GeoHot的基本原理是将摄像头获得的图像数据,利用Autoencoder编码(其中用到了最近备受关注的GAN),然后用一个RNN来从人类驾驶数据中进行转换学习,并最终预测下一步操作。

    除去以上三个框架,有兴趣深入了解的可以关注2017年自动驾驶有关的最新论文,比如2017CVPR的DeepMANTA(着重D建模和运动估计)等。

    目前深度学习用于自动驾驶可以大概分为两类,一类是收集驾驶数据,离线训练模型,不断逼近人类驾驶员;另一类是在模拟器中,利用Q函数,不断自我决策和试错来提高驾驶技术。简单地分,GeoHot、Drive PX属于第一类,IQ3属于第二类。

    五、未来趋势与个人思考

    我认为,汽车行业的未来趋势主要有新能源、自动驾驶、车联网、共享化。而这四个,尤其后三者可以说是相辅相成的。这里仅自动驾驶展开来说,诸如车载深度学习芯片开发(姑且看看英特尔在IT届的地位)、传感器的融合/替代方案(激光雷达毕竟还是太贵,毫米波雷达精度又不够,能否寻找替代品或者如何融合多种廉价传感器满足要求仍是一个研究难点)、高精度地图的制作、决策与控制系统的研发、安全保障技术等会是未来的研究热点。

    以下聊聊一些个人思考:

    • 自动驾驶是否是伪需求?
      毫无疑问,答案是否定的,具体参见以上背景部分内容。

    • 自动驾驶的哲学思考:机器和人的博弈?
      核心问题在于安全问题,其次是技术变革带来的诸如失业等社会影响 。简单地说两个点,第一是从统计角度来说机器比人靠谱,第二是大势所取,技术变革势在必行。具体可参考以下材料:

    • 统计层面上,目前已经有一些数据(比如Google发布的报告)表明,自动驾驶汽车在舒适性和安全性上均可超过人类驾驶员平均水平;

    这里也引用一下特斯拉CEO马斯克在特斯拉车祸事件后的回应:

    “我们目前的自动辅助驾驶已经被证明能提供比手动驾驶安全性,在道路致死率上面是世界平均水平的1/3。即便是退一万步来讲,我们的系统只比人工好1%,那么一年车祸导致的120万人里面,我们也能拯救1万2千人。所以我觉得如果你有这样一个提高安全的技术,仅仅因为怕舆论或者法律起诉就雪藏起来,这在道德上是错误的。”

    • 技术层面上,就拿机器与人相比,其一,自动驾驶系统感知范围和敏锐度比人类强,而不断升级的硬件系统和不断降低的硬件成本将更加增强这个优势;其二,自动驾驶系统比人类精力更充沛,不会出现疲劳驾驶的问题;其三,自动驾驶系统比人类更理性,在任何极端或异常情况下都不会因为情绪问题而出错。

    • 法律政策和伦理道德层面,政策部分请参考1.5节所说,其次究权定责是关键,伦理道德层面我不作过多评论。但要提的一点是,自动驾驶的安全性、可靠性是需要重视的,对技术上的要求也要很高才行,毕竟除去硬件故障,更让人恐惧的是黑客攻击等的潜在不可控风险。

    从技术实现角度来说,自动驾驶系统是否有足够的能力处理各种复杂的、突发的异常驾驶状况,充分保障安全? 就目前的技术来说,的确还无法实现全自动驾驶(L5),L4都还存在很多困难,但路是慢慢走的,技术革新不是一朝一夕的事情。从目前的技术发展以及资本流向来看,我对技术层面的问题持乐观态度!

    • 无人驾驶(主要指L4级及L5级自动驾驶),多久后才能进入生活日常?
      与其自己瞎估计,不如多参考下各个公司的数据和报告,具体见背景一章。

    • 现在如何挤入自动驾驶浪潮?
      肯定地说,现在想挤入自动驾驶的浪潮并不算晚,举例来说今年仍还有从百度离职来选择自动驾驶作为自主创业的,比如王劲的景驰科技。就目前来看,除去巨人马斯克明确表示要硬件、软件、网络一把抓,其他诸如Google、Apple、英特尔、通用汽车、百度等大公司都是选择与各方合作、优势互补来实现整套系统解决方案。
      因此,现在要还想挤入自动驾驶的浪潮,可选择某一块技术领域或者针对某些垂直细分市场切入,如果有资源,能先抢占部分垂直细分市场,那也够喝一壶了。对于现有公司来说,可以想想自身公司业务是否能跟自动驾驶整个系统或者应用搭上线,譬如说华为以其最擅长的通信领域上的顶尖技术和产品经验,切入自动驾驶的通信/车联网部分就比较容易,但要是想自己造车、研发芯片或实现整套解决方案则无多大优势,且投入将很巨大,但以华为的脾性,投入大量资金想搞自我研发也是大有可能的。
      如果自身技术实力比较差,不妨先借用百度无人车技术平台来快速实现自身产品,在如今的热潮下,想拿个天使投资也是很容易的,扯开来说,现在也是存在着很多类似项目从国家或者政府手中套零花钱的。

    六、手把手教你快速实现简易版L3级自动驾驶汽车

    1. 买一台电动汽车,一般车都留有USB调试接口(方便车厂调试用的),从车厂得知USB调式接口协议及其控制指令,通过FPGA开发板(型号为ZYNQ-7000)连接到USB调试控制系统,遵照协议说明在FPGA开发板上开发控制系统,然后计算机通过串口连接FPGA开发版并通过发出特定指令来进行汽车控制。说明:串口控制FPGA板的速度是115200bit/s,计算机可用UPS(2500W)供电。
    2. 除去汽车本身(含车载雷达)等,需额外配置的硬件有:车顶上配置摄像头(含朝正前的1个主摄像头,朝左斜向45度和右斜向45度的3个辅助摄像头)、车的两前轮中心位置各装一个加速度传感器、车身里面装两个速度传感器(左右各装一个)、1个车载GPS、两台车载计算机(插1060显卡,主从机制)、1个车载显示器(7寸)。
    3. 基于端到端的自动驾驶系统:
      输入数据有GPS定位、摄像头数据、传感器数据等,通过基于深度学习模型的一系列处理,得到的输出为当下汽车该采取的方向、速度和加速度,然后把相关指令发送给汽车控制系统实现实时控制。
      具体相关实现说明:
      1) 对摄像头获取到的原始图像,基于CNN、GAN深度学习框架(这里也可以参考上面提到的主流框架)进行环境感知分析(道路、交通标志、车辆、行人、障碍物等检测、定位和识别);
      2) 通过双目视差获取到相对位置,通过对速度传感器数据、加速度传感器数据、采集的视频数据进行分析获取汽车速度和相对速度;
      3) 通过GPS获得车的大致行驶路线(前后左右方向), 局部细微的路径规划和避让,基于DCGAN、CNN-LSTM框架来实现。

    尾言:文中若有笔误或不正确的地方,烦请包涵并指出;若有其他想法或意见也欢迎与我(wangdaiyin_pku@163.com)交流,谢谢。

    展开全文
  • 自动驾驶

    2019-09-04 21:55:21
  • 自动驾驶是百年汽车工业史上又一次伟大的范式转移,将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」,也不只是一台「行走的计算机」,而是「行走的第三空间」;车厂的角色将从传统的汽车制造商...
  • 深度学习-84:自动驾驶技术(L0-L5级别)

    万次阅读 2018-10-14 10:28:55
    深度学习-84:自动驾驶技术(L0-L5级别) CSDN专栏: 机器学习&深度学习(理论/实践) 人工智能在驾驶领域的应用最为深入。通过依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作...
  • 人工智能算法在自动驾驶中的应用

    千次阅读 2019-04-04 17:57:23
    前几天一个新闻挺搞笑的,美国一辆“自动驾驶”状态的特斯拉被交警拦停,驾驶员在车里竟然睡着了……甚至还狡辩自己没有驾车因此不涉嫌酒驾。龙叔忽然想起来,这类事件已经不是第一次发生了,于是引申思考一下。...
  • 自动驾驶仿真工具之汇总

    千次阅读 2020-03-22 20:13:45
    大家好,我已经把CSDN上的博客迁移到了知乎上,欢迎大家在知乎关注我的专栏慢慢悠悠小马车...近来想找一个开源免费的、针对高速场景的、使用便捷的自动驾驶仿真环境,进行了一些调研。可惜的是,大多数工具并没...
  • 目标跟踪从两个维度来展开: 基于视觉的目标跟踪和基于多传感器融合的目标跟踪。 1.基于视觉的目标跟踪 一般将目标跟踪分为两个部分:特征提取、目标跟踪算法。目标跟踪的算法大致可以分为以下五种: ...
  • 从ADAS到自动驾驶(一):自动驾驶的发展及分级 从今天起,我将根据自己所接触的ADAS和无人驾驶技术,来写一写无人驾驶的基本知识,主要是帮助自己总结,还有是自己做了一些工作,这里就当做是用来保存的笔记。本人...
  • 下表中是我本人在平时工作中,针对汽车自动驾驶及安全领域,总结到的一些常见的英文缩略语及其中文含义: 英文缩写 英文全称 中文全称 ACC 自适应巡航 BCW 盲点碰撞预警及 DAW ...
  • 自动驾驶开源代码

    千次阅读 2017-11-13 15:36:56
    https://github.com/commaai/openpilot.git
  • 自动驾驶架构解析演进路线整体架构Apollo1.0Apollo1.5Apollo2.0Apollo2.5Apollo3.0硬件部署Apollo2.5Apollo3.0硬件连接软件逻辑 演进路线 整体架构 Apollo1.0 Apollo1.5 Apollo2.0 Apollo2.5 Apollo3.0 硬件...
  • 解析百度Apollo自动驾驶平台

    千次阅读 2020-09-22 08:52:11
    解析百度Apollo自动驾驶平台:https://paul.pub/baidu-apollo/
  • 不管怎么样,自动驾驶搞了三四年,由原来的资本宠儿,逐渐变凉,最近经济下滑,汽车销量负增长严重,各大车企都在裁员,我们作为新兴电动车企,主要靠融资和资本市场过活,显得格外凄惨,不免要问自动驾驶要凉凉了吗...
  • 人工智能之自动驾驶

    千次阅读 2018-12-20 10:56:24
    随着深度学习技术的崛起、人工智能的备受关注,自动驾驶,作为AI中备受关注的重要落脚点,也被炒的火热,更让人充满了幻想。 1.1 自动驾驶的概念 自动驾驶,也常被人称作无人驾驶、无人车等,但这几个词的表述其实是...
  • 自动驾驶技术发展的5个阶段和现状

    万次阅读 2018-08-20 00:30:29
    来源:智车科技摘要:自动驾驶的级别从L1到L5(SAE),清晰而直观,是大家讨论自动驾驶行业的一个基准。但是,它也很容易误导人。让人以为自动驾驶的技术会一级一级获得突破,...
  • =========================================== 清华AMiner团队 摘要: 当今,自动驾驶技术已经成为整个汽车产业的最新发展方向。应用自动驾驶技术可以全面提升汽车驾驶的安全性、舒适性,满足更高...
1 2 3 4 5 ... 20
收藏数 70,376
精华内容 28,150
关键字:

自动驾驶