自动驾驶“最后一公里”真的到来了吗?


 
当“全面量产无人车”成为热门话题的时候,有这么一群人在默默地观察,没有紧锁眉头也没有喜笑颜开,他们能够看到别人看不见的问题,他们是无人车落地的关键,他们要保持冷静。

这群深耕自动驾驶领域的技术专家们,似乎更能淡定地对待外界对无人车的狂热。自动驾驶技术真的成熟了吗?无人车离商业化落地到底还有多远?带着这些问题,AI 前线对驭势科技的多位技术专家进行了独家专访。在热度爆表的无人车话题下,我们想要冷静地谈谈技术。

更多优质内容请关注微信公众号“AI 前线”(ID:ai-front)
 
一辆成熟的无人车应该...
 
虽然自动驾驶的话题炒得火热,但是相信有不少人对无人车的结构并不了解。

驭势科技的黄波博士告诉 AI 前线:一台成熟的具备自动驾驶功能的汽车需要具备三大核心子系统:感知子系统、规划决策子系统、执行器子系统。三个核心子系统互相紧密配合、缺一不可,如此才能实现可靠、安全的自动驾驶功能。

详细来说,执行器子系统是汽车执行自动驾驶动作的基础,更贴近传统汽车产业,包括线控转向、线控驱动、线控刹车、线控车身控制等等,行业重点是升级成安全可靠新一代线控系统。

以驭势科技为例,驭势 U-Drive™智能驾驶系统集成了规划决策子系统的全部软硬件载体,包括多层面的规划算法及其 AI 硬件、多层面的控制算法及其实时计算软硬件。它还集成了传感器接入、感知处理算法和 AI 算法计算平台,能够接入并且分析感知多摄像头、多激光雷达、多毫米波雷达、多超声波。

软件系统
 
驭势科技 CEO 吴甘沙曾经在北大 AI 公开课上进行过自动驾驶话题的演讲,在谈到技术与成本的话题时,他提到过这样一种思路:

我们都知道,在真实世界里跑一亿英里谈何容易,要耗掉多少油,要消耗多少请司机的人工费用。但在仿真世界里面,只要云计算的算力足够,就可以无限测试,而且这里要求仿真要足够的真,开发者对这种场景是可控的,可以设计任意的复杂的环境。此外,这种环境是能够产生无穷的新场景的,比如模拟建筑、地面、植物、天气、光照条件等等,这是仿真世界要解决的。

为此,驭势科技开发出了一套无人驾驶全功能仿真系统,可以对各类传感器(比如:相机、激光雷达、毫米波雷达、GPS、IMU 等)进行仿真模拟,并支持多个无人驾驶系统同时接入仿真系统,互为障碍物。

正如吴甘沙在演讲中提到的那样,驭势科技构造了一个丰富的仿真场景素材库,覆盖道路、交通、动态障碍物、路边环境、天气等各个方面,并能通过这些素材库的组合生成更加复杂的仿真场景。这套无人驾驶全功能仿真系统提供的各类仿真场景具有非常高的逼真度,为基于仿真器的 AI 训练和学习提供了一个坚实的基础。


你能识别出哪张图是仿真的吗?
 
通过仿真环境内进行的大规模测试,研究人员可以对驭势智能驾驶算法及智能驾驶系统进行充分的验证和检测,从而提高驭势智能驾驶系统的质量。黄波博士提到:“在智能驾驶车的实际场景商业化落地前,我们会先确保驭势智能驾驶系统在仿真环境中测试通过落地场景可能涉及的各类工况,从而极大地提高了驭势智能驾驶系统的场景适应性及安全性,进而提高我们项目落地的信心并缩短项目部署的时间。”

在仿真平台上除了能够验证智能驾驶算法和系统,还可以利用仿真场景来进行算法 / 系统的学习和训练。比如在自主代客泊车(AVP)仿真场景中,训练出来可行驶区域检测网络跟用真实停车场数据训练出来的可行驶区域检测网络达到了几乎一致的检测效果。

硬件装备
一辆成熟的无人车不仅要有强大的核心操作系统,在硬件装备上更是不能含糊。

无人车就像是一台移动的计算机,所以在不少自动驾驶方案里,一个首要的核心部件就是芯片。

驭势科技首席产品官周鑫说:车规级 AI 芯片有嵌入式 GPU、FPGA、AI ASIC 三个发展阶段。

根据他的观察,从行业发展来看,过去两年主要自动驾驶企业以嵌入式 GPU 搭建主动驾驶系统,有实力的企业比如驭势采用了嵌入式 GPU+FPGA 的深度优化方案。未来可能会慢慢过渡到 FPGA+AI ASIC。

这个过程中,全栈系统开发和车规 AI 芯片开发是两个行业层面的工作,财力雄厚的大公司可以承担风险并发进行。但并不意味着当下阶段自研芯片对自动驾驶公司是必须的。一个类比就是手机行业,国内知名手机品牌在成长过程说始终保持着自研芯片和外购芯片同时应用、并不互相冲突。

周鑫告诉记者:驭势科技选择和半导体行业合作,也是看到半导体行业已经大幅度增加车规级 AI 芯片投入开始到了收获季节,与行业合作能够快速获得行业成果;同时驭势科技也认识到现有车规级 AI 芯片必定不能完全满足快速演进的算法,FPGA 研发成果正好能够在 AI ASIC 和算法之间完美契合。

同时,他表示:自动驾驶技术行业前景依赖于快速发展的高性能、低功耗、可量产、低成本的 AI 芯片的可获得性。
但是,他认为在行业发展不同阶段,行业对芯片依赖不一样,自动驾驶企业对自研芯片的必要性也不一样。当下,自动驾驶行业还处在快速研发阶段,正在积极探索各种行业应用、扩展无人驾驶应用边界,正在 2B 应用落地、2C 应用方案验证的阶段。

对应的无人驾驶感知(深度学习)算法和规划控制算法都在飞速发展、不停推陈出新。这个时候,无人驾驶初创公司的首要任务是充分利用现有车规级 AI 芯片,在新算法和新应用之间构建桥梁、搭建端到端的完整嵌入式解决方案,快速帮助新算法体系和新应用潜力进入车辆服务领域和车辆主机厂技术体系,构建应用闭环。

作为无人车的“眼睛”,摄像头与感知系统尤其重要。

目前业内比较普遍方案一般是基于深度学习的激光雷达和视觉的检测、识别方案,驭势科技采用基于深度学习的检测、识别、跟踪、多传感器融合方案。

驭势尤其深度投入了摄像头感知子系统垂直开发,和多家供应商在摄像头 HDR、光学参数定制、镜头设计方面展开深度协同设计优化,形成了特有竞争力。基于 U-Drive™,驭势科技不仅实现了从传感模块到感知子系统到规划控制子系统的全栈式垂直优化整合、能够对具体 L4 场景做出最优匹配,还能够基于嵌入式硬件和系统软件、对各个算法模块做到深度剪裁和深度优化、提升可靠性提升算力功耗比。

自动驾驶的商业化落地与“最后一公里”
 
说起自动驾驶,商业化落地是行业内外近期最关注的方向。

作为从业者,驭势科技首席架构师彭进展首先谈了谈自动驾驶领域近些年取得的成果。

根据他的观察,自动驾驶领域这几年进入快速发展期,相关产业链上的核心技术和设备已经进入成熟阶段,比如融合多种传感器的感知和定位技术,高性能高可靠多功能的集成域控制器,增强网络和环境感知的 V2X 技术等。这些核心技术和设备是自动驾驶能够商业化落地的基础。

就驭势科技来说,目前已经有了以上这些核心技术和设备的产品级解决方案,且已经应用到了非常多的自动驾驶应用中,包括全自主泊车(AVP)、无人机场\工厂物流、无人公交和无人微循环等。

他认为,自动驾驶的商业化落地,首要考虑的是应用的安全性和可靠性,其次是商业上的效率和成本接受度。

他进一步解释道:运行在高可靠的域控制器上的融合感知系统,提供了冗余的环境感知和多重定位能力,再辅以增强环境感知的 V2X 技术,让自动驾驶应用有了足够的安全性和可靠性。

彭进展提到:自动驾驶可以减轻甚至消除对人类司机的依赖,能大大提升应用运行效率。

自动驾驶进入商业化应用,会加速各种关键技术和设备的成熟和进入量产的速度,同时大幅度降低自动驾驶应用的整体成本。我们驭势科技的自动驾驶解决方案已经跨过了应用落地的门槛,进入到了技术和商业化落地相互促进和加速发展的阶段。

采访的最后,话题不可避免地又回到“自动驾驶的最后一公里”上。

现在已经是 2019 年了,离“2020 年全面实现自动驾驶”的说法仅有一年的距离,也有一些人把 2019 年称为“实现自动驾驶的最后一公里”,当然在这期间有不少反对的声音,认为 2020 年实现自动驾驶并不现实,无人车这种东西还有至少五到十年才能完全实现。

在彭进展看来,自动驾驶的商业化应用,需要从两个维度来分析,一个是应用的广度,另一个是应用的深度。上面的两种声音实际上是代表着着从这两个不同维度看到的结果。

从应用的广度来看,不同级别的自动驾驶都开始进入实际的应用和运营,包括应用于乘用车市场的 L1/L2/L3 的 ADAS 和 L4 级的 AVP/HZP,以及应用于机场、港口、矿山和园区的 L4 级的无人物流车和微循环车等。比如驭势科技已经和上汽通用五菱于 2018 年 11 月交付给普通消费者业内首款具备无人驾驶 AVP 功能的量产车宝骏 E200,在世界顶级的国际机场运行了可全天候工作的无人电动物流拖车。“从这个角度来分析,完全可以说 2019 年已经进入‘实现自动驾驶的最后一公里’,2020 年将进入自动驾驶应用全面爆发的新时代。”他说道。

但从应用的深度来讲,他认为可以在公开道路运营的 L4 级自动驾驶应用,依然面临着非常多的技术和商业化挑战。比如复杂场景下的安全决策训练,多重冗余设备的高成本,以及适合完全自动驾驶的道路和网络等基础设施的建立等,都表明类似于 Robotaxi 这样的无人车离实际应用还依然遥远,还需要至少五年以上整个产业甚至整个社会的加入和努力。

彭进展认为:L3 以下的自动驾驶方案已经逐步在各款中高档量产车型中得到部署,业界也普遍认为 2-3 年后 L3 自动驾驶方案可以被逐步量产。同时,特定场景的 L4 在物流、微循环、短途接驳等各类应用场景也已经开始试点。
在技术层面,更大规模自动驾驶解决方案的落地依赖于下面几个方面的突破:  
  • 汽车控制结构上经济的安全冗余
  • 智能驾驶系统基于数据积累的自动智能增强
  • 高性能、低功耗、符合车规且低成本智能域控制器的量产
  • 可以量产的低成本且符合车规的高冗余自动驾驶传感器配置
  • 具有规范定位接口的高精地图的商业化服务运营
  • 高带宽、低延时通讯设备和基础设施的普及
“当然,”彭进展补充说:“非技术层面(比如自动驾驶相关政策、法规、标准、保险等)的进展也对自动驾驶的普及起着至关重要的作用。”

来源 | AI前线
采访嘉宾 | 黄波,周鑫,彭进展
作者 & 编辑 | Vincent

上一篇:商汤立誓10年打造一套AI经典教材,可期?
下一篇:让机器像人类一样学习? 伯克利 AI 研究院提出新的元强化学习算法!