自动驾驶没有寒冬,“渐进式”路线已成主旋律

电子说

1.2w人已加入

描述

本次会议围绕智能汽车产业的发展趋势,技术研发、行业求索、未来展望、智能汽车技术商业化落地等热点话题共同进行了探讨。

中国能不能自主发展智能汽车?智能汽车离我们还有多远?自动驾驶汽车是否进入拐点?当人们还存有各种疑虑时,“2019AI+智能汽车创新峰会”给出明确回答。

参加这场峰会使我们深深地感受到:目前与智能汽车相关的各产业、行业的高科技研发项目层出不穷,有很多项目已转化成产品落地,一场高科技革命正在形成。“山雨欲来风满楼”。表面上看,目前智能汽车推进缓慢,实际上缓慢正是智能汽车技术的创新、实践、积累过程,它就像孕育的地下之火,不久的将来终会爆发出来。到那时,智能化、信息化、网联化的中国智能汽车将是大国重器的又一张新名片。

激光雷达关键技术及量产落地

裴军:Cepton科技创始人兼CEO

激光雷达技术比拼的时代已过,各家技术路线已一锤定音,或MEMS、或Flash、或OPA。下一步的竞争才刚刚开始,即如何将激光雷达摆脱科研产品的帽子,实现产品量产落地上车。

裴军从当前行业内激光雷达各路技术路线及 Cepton 的技术及优势进行了分享。测试方式层面,目前全球大部分激光雷达公司都在采用 pulsed time of flight 方式进行测量;激光器方面,多数公司采用 905nm 或 1550nm 的技术。其中,Cepton 选择了基于硅的 905nm 的激光器。在上述两方面,各家厂商并没有差别,且不能拉开差距。各路玩家竞争的重点是中间环节,即如何将产品变成一个成像激光雷达,高速的为自动驾驶提供三维成像。

与传统玩家不同,硅谷激光雷达供应商Cepton独特之处在于,自主研发Micro-motion微动技术。这项技术可以用来替代积激光雷达内部的旋转部件。在激光雷达内部,Cepton 利用光学共轭的方法及电磁铁,它没有任何旋转或摩擦部件。

激光雷达技术原理已成定势,自发明以来,并未有太大改变。各家激光雷达供应商在激光雷达测量方式、激光波长方面并不能拉开差距,或TOF、或1550nm激光、或905nm激光。

激光雷达测量方式:现阶段,在全球范围内的60/70家激光雷达供应商中,90%的公司选择TOF进行激光雷达测量。

激光波长层面:1550nm及905nm激光是常见方案。Cepton选择905nm的激光。905nm激光的原材料主要是硅,已经广泛使用在汽车及电子产业中,相比之下更经济适用。理论上,1550nm的激光能够达到更远的探测距离,但其激光发射器所使用的原材料——砷化镓的成本非常高,且短期内很难降下来,而砷化镓材料现阶段也并未实现车规级,成为车规级材料仍需一段时间。

去年8月,Cepton牵手日本最大汽车照明灯公司Koito(小糸制作所),为后者提供定制的微型激光雷达解决方案,将激光雷达安装进车灯中。现阶段双方正在集中精力实现激光雷达生产自动化、量产上车。Cepton已经走在赛道前列。

新一代自动驾驶芯片带来感知与定位技术新突破

李星宇:地平线市场拓展与战略规划副总裁

在汽车行业向出行服务和智能化转型的大趋势下,新的智能功能和服务需求几乎每个月都需要更新,大众的组织变革表明软件定义汽车已经成为业界共识,传统的分布式汽车电子电气构架(E/EA)越来越难以为继。为了适应行业智能化重塑的大趋势,提升开发效率,一场深刻的构架变革正在酝酿,汽车行业正在沿着当年PC和手机行业走过的路迈向智能时代,这背后将折射出怎样的技术挑战、行业变局与应对措施?综合这几年来智能汽车的发展,我们可以归纳出十个关键结论:

1. 智能汽车E/E构架设计面临四大挑战:功能安全、实时性、带宽瓶颈、算力黑洞。

2. 智能汽车E/E构架四大趋势:计算集中化、软硬件解耦、平台标准化以及功能定制化,商业化落地时间大约在2025年。

3. 智能汽车的新构架将基于中央计算机-层-区的概念构建。

4. 新的E/E构架将使OEM在与领先的Tier1的博弈中重新赢得主动权。

5. OEM可能将只会拥有一个覆盖了所有车型的电动汽车(EV)平台。

6. AI芯片是中央计算机的核心,需要越过安全、成本和性能的临界点。

7. 组织变革是OEM在这场技术革命中面临的最大挑战。

8. 苹果、高通、三星和华为在这场变革的竞争中有先天的基因优势。

9. 智能汽车将是有史以来软硬件开发量最大的单一产品,将诞生新的Wintel。

10. 智能汽车作为移动自主机器的第一形态,将撬动比自身市场大得多的商业价值。

 大趋势:从分布式走向集中式

今天,E/E构架设计面临四大挑战:功能安全、实时性、带宽瓶颈、算力黑洞。

1. 在功能复杂度持续提升的情况下满足功能安全的要求,这里的功能安全是广义的,不仅包括ISO26262,还包括SOTIF和RSS。

2. 复杂系统构架下实时性的保证。

3. 爆炸式增长的传感数据造成的带宽瓶颈。

4. 支持持续的软件升级所需要的指数级算力增长。

为此,智能汽车E/E构架正从分布式走向集中式;其终极形态将是超级中央计算机,这其中包括四个关键趋势:计算集中化、软硬件解耦、平台标准化以及功能定制化。

自动驾驶汽车成为有史以来开发最复杂的信息产品。现阶段汽车电子构架越来越难以支持软件需求。过去 20 年来,汽车 MCU 增长从不足 10 颗,发展至现今超过 100 颗。顶尖级汽车甚至超过 300 颗 MCU。这些 MCU 拥有不同的构架、不同接口,甚至不同的开发环境、不同的语言。

面对数字化浪潮,效率是决定企业竞争成败的关键。我们迫切要回答的是,如何提升软件开发效率。并且基于该主题重构汽车电子构架。同时,分布式电子电器架构在面向复杂功能时存在巨大问题。例如各个不同组件之间难以实现协同。

合久必分,分久必合。汽车电子构架趋势是持续从分布式走向集成式。而域控制器可以看作为分布式集成构架计算的第一步。地平线相信这个趋势会持续下去,未来会出现一个真正的中央式集成大脑,智能汽车将发展成为一部四个轮子上的超级计算兼数据中心。由此带来的算力需求、软件构架的调整都是空前的。

行业达成共识,智能汽车行业内的大趋势是软件驱动,及算力需求黑洞。在数字化浪潮下,地平线也提出了新商业理念 AI on Horizon 战略:利用边缘 AI 芯片开放赋能智能驾驶。

计算机视觉技术驱动自动驾驶的发展

阿尔伯特·布朗根(Alberto Broggi):安霸半导体意大利总经理

计算机视觉技术在过去的 5-10 年时间里业界有很多重要的突破,计算机视觉已经无处不在了,摄像头也无处不在了。

大约在 20 年之前,也就是 1998 年,我们在意大利做了无人驾驶的测试,大约行驶了 2000 公里的距离,在当时是很大的挑战。

探索一直在持续,到 2010 年的时候,我们拥有了四辆纯电动无人驾驶汽车,我们从意大利的帕尔马一路开到中国的上海,横跨了半个地球。当然这不是真正的全自动驾驶,还是有人在旁边,一旦出现特殊情况,还是需要人类驾驶员接手。

虽然如此,这次测试对我们来说非常重要,因为我们收取了大量信息和数据,并且持续的改进。我们所有的技术都是基于计算机视觉来开发的,所以这项技术非常重要,能帮助车辆探测障碍物、理解不同事物之间的关系,信息密度很高。

当然,那时候也有一些众所周知的问题,比如图像解析度非常低,我们从隧道进去,在隧道当中的时候,视觉的动态范围不高,弱光也会有各种各样的问题,因为有大量的像素要处理,所以功耗的问题成为计算机视觉技术的障碍。

在 2015 年的时候,VisLab 加入到了安霸公司,成为了集团的一部分。VisLab 主要研发计算机视觉技术,应用于无人驾驶汽车;安霸是芯片公司,拥有世界顶尖品质的芯片,强大的处理能力能得到高品质的图像。两家公司整合在一起可以说是强强联手,可以将计算机视觉技术更好的应用到无人驾驶之中。

实现这些相关应用,背后最重要的技术支撑就是我们的芯片处理能力。我之前也提到了一些计算机视觉遇到的问题,比如说解析度比较低,特别是一些特殊工况,对于摄像头和视觉技术来说都是很棘手的挑战。这些特殊的工况包含了强光、逆光、黑夜、低光、隧道等等,凭借着安霸的芯片处理能力,即使在这样的工况下,我们的图像解析度以及相关细节都能做到很好。而且,我们还有 4K 的立体视觉技术,应用高密度的像素对很远的标的物进行解析和解读,探测距离也非常可观。

对于立体视觉来说,校准问题确确实实存在,要实现高品质的立体视觉,校准问题一定要解决,因为车辆的工作环境会有振动,会有气温、气候的变化情况。安霸在这方面可以在芯片上运行自己的算法,进行立体视觉的自动校准,为用户提供定制化的服务。

我们打造了融入我们芯片的摄像头。我们有不同类型的产品,能够实现车辆周身 360 度无死角的覆盖。当所有的摄像头都启动工作,可得到高解析度的图像,并且探测距离也非常远。安霸的视觉芯片产品拥有顶尖的图像处理能力,处理速度非常快,能做到每秒 30 帧、60 帧,同时拥有很高的解析度,而且,实现这些性能的同时,其功耗也只有 2-4 W。这就是我们工作的结晶,能为客户进行赋能。

我们专注计算视觉图像处理,开发在芯片当中把图像和其他数据进行融合,比如说毫米波雷达、激光雷达,或者将各种各样的传感器数据处理能力都放在芯片里面,它就成为了自动化的专业级处理芯片,能提供给客户终极的解决方案,这是未来的方向。

以“车路协同”降成本

李谦:华人运通智能驾驶及电子电器副总裁兼创始合伙人

我们看到,已经有许多主机厂和零部件供应商把智能出行作为企业未来发展的重要方向。但是,做好智能出行实际上还面临着很多具体问题。一方面是现在的自动驾驶系统成本非常昂贵,另一方面,能够用于自动驾驶系统的实验场景也非常少。

我们换了一种解决思路,给出的是一套“车、路、城”整体考量的解决方案,它包含了单车智能、基于车路协同的交通智能和城市互联共享智能。这套方案从综合体的视角去进行自动驾驶系统的设计,继而进行智能出行的系统化设计。

为此,我们开发了三个平台,分别为泊车平台、自动驾驶平台和车路协同的边缘计算平台。主要基于路边感知、云端决策和车端控制这些思路展开设计。

通过车端和路端的传感器融合,可以消除感知盲区,然后利用边缘计算和分布式计算的方法,间接降低车辆自动驾驶所需要的最大算力量。同时,通过多目标协同控制来实现交通的调度工作,可以有效地降低自动驾驶车辆周边环境的复杂度,同时减少发生交通事故的可能性。

我们计划建设一条全长7公里的道路。目前已经完成第一期建设,并在路边搭载了毫米波雷达和高精度的探测摄像头等设备。还打造了一个数据中心,将边缘计算部署到路上,通过这些系统和5G的V2X、路边感知设备等实现彼此的通信,这套系统与自动驾驶车辆一起构成了完整的闭环。

对于这套系统,我们现在正尝试通过微观的引流和宏观的调控,以降低整个交通环境的复杂性,为道路交通带来一个相对简单的使用环境。另外,我们还要解决低能见度的问题,因为雾、雪、雾霾等天气均会对自动驾驶系统造成很严重的影响。

通过路边感知设备,我们可以消除降雨和下雪带来的能见度低、自动驾驶车辆性能低等局限。系统通过感知设备获取的所有信息,将通过动态高精地图传递到车辆上,实际这就是靠路边引导车辆实现自动驾驶。

另一个系统是全息的感知。如果路口有比较大的建筑或者是树,对于自动驾驶的车来讲,两侧的视角是看不见的。通过路边感知设备,就可以为整个道路上的自动驾驶车辆提供全息感知。

另外,我们还可以通过合理的分布计算单元去降低整个智能化出行的投入。

大家知道,一台配备L4自动驾驶传感器的车辆成本是非常昂贵的。中国现在每年有2400万台整车销售量,如果每台车都搭载了这样的装备,整个投入是非常巨大的。相反地,如果把这些传感器成倍地用到道路上,比如,修10万公里的智慧化道路所需要的投入,仅仅是现在每台车上加装传感器的四分之一到五分之一的投入,这还只是针对一年的销量来说。

所以,建设智慧化道路会对全社会完成道路交通智能化、智慧出行的总投入是低的。我们在盐城建设了一条道路做试验。这条道路主要基于路边感知,云端决策和车端控制的思路设计而成,通过车端和路端的传感器融合以消除感知盲区,然后利用边缘计算和分布式计算等方法,降低车辆自动驾驶所需要的最大算力。同时,通过多目标协同控制来实现交通的良好调度,有效地降低自动驾驶车辆周边的复杂环境,并且减少了交通事故的可能。

总之,我们探索的是车与路的感知协同和计算协同,最终要走向智慧协同。我们的目标是能够从单一车辆的单体智能,实现城市集群的群体智能。

对于车企竞相研发自动驾驶这一趋势,华人运通创始合伙人、智能驾驶及电子电器副总裁兼李谦认为,诸如自动驾驶系统成本昂贵、试验场景稀缺、道路实测风险大等,均是当前自动驾驶体系开发时面临的问题。简而言之,完全依靠车辆自身的传感设备也即单车智能去实现真正意义上的高等级自动驾驶仍有一定难度。

华人运通的解决方案是从“车-路-城——车路协同”的角度进行基础建设升级。这一方案既包含单车智能,也包含基于车路协同的交通智能,还包含城市互联共享的智能,按照一个综合体进行自动驾驶系统的设计,继而进行智能出行系统化的设计。

为此,华人运通开发了三大平台,分别为泊车平台、自动驾驶平台和车路协同的边缘计算平台。今年1月,华人运通发布了全球第一条基于车路协同理念打造的智慧化的道路,这条道路基于城市开放道路打造而成,相当于对自动驾驶测试环境的一种新的探索。

构建高质量智能驾驶数据基础

闵楠:百度智能云数据众包标注团队负责人

自动驾驶离不开数据的支持,尤其是在国内比较复杂的道路情况下,感知的进步不能完全依赖算法的迭代和技术的革新来解决,因此还是需要对数据进行有效的利用,使得激光雷达、毫米波雷达等海量数据变成带有语义信息也是研发团队所要面对的重要问题。

传感器从真实的世界采集到各种数据,完成了数据生产的过程,但数据必须要经过一定的标定和结构化、非结构化存储,然后经过人工标注产生出带有丰富标签和语义信息的数据,从而才能够对算法所利用。因此,数据的结构标准越精准,对算法的结果就越好。

通常企业和开发者对于数据的采集和标注,通常采取两种做法:一种是自建团队,需要开发甚至长期维护数据标注工具以及实效性数据的补充工作;另一种是业务外包的形式,如今自动驾驶的研发选型方案不断进化,业界的标注需求也从最原始的 2D 进化到 3D,到全像素的语义分割,不断进化的需求对标注能力提出非常大的挑战。

百度数据众包团队则是提出另一种解决思路。百度数据众包能够较好处理障碍物的检测和跟踪以及融合、激光雷达和摄像头、毫米波雷达的传感器融合,V2X 的数据等智能驾驶传感器的数据;此外,还能够对车外环境感知以及车道信息等传感器进行标注;对车内环境的感知和对驾驶员驾驶意愿的交互百度也有超过了 3000 万条的标注经验。

在注重数据质量之外,百度除了标准的合同条款以及保密协议也注重数据安全,对于任务封装、数据加密、专利反扒都有相应技术手段,百度按照对数据安全不同级别需求的客户,提供相应的标注方案。

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分