AIerHub

V1

2022/10/24阅读:57主题:自定义主题1

一文详解自动驾驶技术与挑战

自动驾驶发展历程:美国起步早,中国赶超快- Cogito Capital
自动驾驶发展历程:美国起步早,中国赶超快- Cogito Capital

初步了解自动驾驶

智能驾驶汽车作为一个集成感知、认知、规划和控制功能于一体的复杂系统,它的研发基于人工智能、认知科学、自动控制、地图测绘、传感技术等众多学科的最新研究成果。智能驾驶汽车凭借其良好的应用前景与广阔的潜在市场,得到了众多国家的资金投入与研发支持,在技术上也取得了许多突破性进展。本文将简要介绍智能驾驶的产生与发展、智能驾驶技术的行业标准及宏观分析,并通过拆解智能驾驶系统的技术体系架构帮助大家初步了解自动驾驶技术的原理和作用。

本文主要回答以下几个问题:

  • 自动驾驶行业发展历程
  • 行业智能化程度划分标准
  • 自动驾驶的主要技术架构
  • 智能网联汽车行业前景及展望

行业背景概述

进入21世纪,汽车逐步向智能化、轻量化、电动化、网联化、出行方式共享化等方向发展;自动驾驶作为重要的发展趋势之一,将 再次彻底改变出行方式。我国汽车工业起步较晚,但在新能源汽车等领域进展较快,并率先赶上自动驾驶研发热潮,有望在汽车产业发挥引领作用。

图1  汽车技术发展趋势
图1 汽车技术发展趋势

由于深度学习算法的引入,自动驾驶技术有了爆炸性的突破。2009年,谷歌布局自动驾驶,引发了新一轮的产业热潮,更多的科技 企业加入市场争夺中。 2020年前后,则成为主要汽车厂商和科技企业承诺推出完全自动驾驶车辆的时间节点。

图2  自动驾驶时间演进
图2 自动驾驶时间演进

自动驾驶级别划分

目前被国内外广为接受的是 SAE(国际汽车工程学会)分级,从 Level-0~Level-5 总计6 个级别,Level-0 为最低级别,Level-5 为最高级别。如下图,从无自动化,到“解放双脚”,“解放双手”,“解放双眼”,“解放大脑”,最终达到完全的“无驾驶员”化。

图3  自动驾驶区分标准
图3 自动驾驶区分标准

L0级

自动驾驶系统不能持续执行动态驾驶任务中的车辆横向或纵向运动控制,但具备持续执行动态驾驶任务中的部分目标和事件探测与响应的能力。主动刹车、盲点监测、车道偏离预警和车身稳定系统都属于L0级别的自动驾驶;

L1级

自动驾驶系统在其设计运行条件内持续地执行动态驾驶任务中的车辆横向或纵向运动控制,且具备与所执行的车辆横向或纵向运动控制相适应的部分目标和事件探测与响应的能力。也就是说,L1级系统能够帮助驾驶员完成固定条件下的驾驶任务,驾驶员需要监控驾驶环境并准备随时接管。如车道保持系统,定速巡航系统等应属于L1级别的自动驾驶;

L2级

自动驾驶系统在其设计运行条件内持续地执行动态驾驶任务中的车辆横向和纵向运动控制,且具备与所执行的车辆横向和纵向运动控制相适应的部分目标和事件探测与响应的能力。可以同时自动进行加减速和转向的操作,也意味着自适应巡航功能和车道保持辅助系统可以同时工作;

L3级

自动驾驶系统在其设计运行条件内持续地执行全部动态驾驶任务。车辆在特定环境中可以实现自动加减速和转向,不需要驾驶者的操作。驾驶员可以不监控车身周边环境,但要随时准备接管车辆,以应对自动驾驶处理不了的路况。而目前公认的L3级自动驾驶入门门槛必须是带有激光雷达。

L4级

自动驾驶系统在其设计运行条件内持续地执行全部动态驾驶任务和执行动态驾驶任务接管。能够实现驾驶全程不需要驾驶员,但是存在限制条件,例如限制车辆车速不能超过一定值,且驾驶区域相对固定。实现L4级别自动驾驶后已经可以不需要安装人工刹车和油门了;

L5级

自动驾驶系统在任何可行驶条件下持续地执行全部动态驾驶任务和执行动态驾驶任务接管。完全自适应驾驶,适应任何驾驶场景。但是涉及到法律与政策、技术突破等限制,目前还需要进一步深入研发,对应的产品目前还没有实现。

  1. **商业落地上,从现有的智能驾驶汽车量产规划来看,2020-2022年是部分车企L3级别自动驾驶量产阶段: **从内资来看,2020年一汽、长安、东风、北汽、吉利、长城、奇瑞、小鹏实现L3级别量产,外资则有特斯拉、本田实现L3级别量产;
  2. 低级别的L2已经量产上市,高级别的L4则在成本、技术和路权等方面仍存在难点,从内资来看,一汽、北汽规划2021年实现L4量产,但更多车厂则在2022年后推出。
图4  不同车企商业落地情况
图4 不同车企商业落地情况

宏观影响因素

PEST模型按照政治(Political)、经济(Economic)、社会(Social)、技术(Technological)四大因素洞察产业所处环境,通过 使用该模型,能对国内自动驾驶产生、发展的宏观背景做深层次的分析。

图5  自动驾驶技术的PEST模型分析
图5 自动驾驶技术的PEST模型分析

我们重点介绍技术因素对自动驾驶产生的促进作用,众所周知得益于人工智能,尤其是深度学习的发展,汽车产业开 始向自动驾驶方向前进,传统业态被注入新的驱动力:

  1. 近年来,AI技术,尤其是深度学习的长足发展给自动驾驶的实现提供了条件,并深度应用于感知、建图、决策等环节,显著提高了 单车智能的水平。例如,在2005年的DARPA挑战赛中,斯坦福团队使用AI自我学习的算法将自动驾驶的感知识别错误率显著提升了4个数量级,战胜了其他基于规则设定算法的参赛团队,使DARPA成为自动驾驶发展的里程碑式赛事。

  2. 5G通信技术将满足联网自动驾驶汽车对高数据带宽和传输速度的需求。

技术架构拆解

4.1总体系统设计

智能驾驶车辆的物理架构大体上由环境传感器平台、计算平台,决策规划与定位导航,智能底盘(控制与执行)这几个部分组成。

图6 自动驾驶整体技术架构
图6 自动驾驶整体技术架构

4.2 感知系统

环境传感器是智能驾驶系统的“眼睛”,其主要任务是对智能驾驶车辆周围环境,例如其他车辆位置、车道线、交通信号和行人等进行感知,并将相关数据传输给计算平台,使智能驾驶系统能有效对周边环境进行实时感知。感知即无人驾驶系统从环境中收集信息并从中提取相关知识的能力。其中,环境感知特指对于环境的场景理解能力,如障碍物的类型、道路标志、行人和车辆检测等语义分类。定位是对感知结果的后处理,通过定位功能从而帮助无人车了解相对于所处环境的位置。环境传感器主要包括毫米波雷达、激光雷达和相机等,以及导航定位和惯性导航传感器等。不同雷达及传感器的感知范围精度都有所不同,如下图所示:

图7  传统汽车+智能模块=智能汽车(以Waymo智能驾驶汽车为例)
图7 传统汽车+智能模块=智能汽车(以Waymo智能驾驶汽车为例)

4.3计算平台

计算平台的主控制芯片是无人驾驶系统的“大脑”,是信息处理中心和决策制定者。相较于传统汽车,智能汽车数据量大增,高性能芯片成为刚需,比如现在流行的高通SA8155;计算平台本质上是一台移动的超级计算机,为丰富的智能化应用功能提供了强大的算力支撑和软件运行环境。其组成部分包括基于车载人工智能计算芯片的车载计算平台硬件和车载操作系统,可实现多种类型、多路传感器接入,完成360°环境感知、多传感器融合、三维环境建模、定位、预测及语义地图等功能。车载AI计算芯片是计算平台的核心。

图8  车规级芯片在自动驾驶技术中的应用
图8 车规级芯片在自动驾驶技术中的应用

4.4决策规划与定位导航

规划是指无人车为了到达某一目的地做出决策和计划的过程。对于无人驾驶车辆而言,这个过程通常包括从起始地到目的地,同时要避开障碍物,并且不断优化行车路线轨迹和行为,以保证乘车的安全舒适。决策层在整个智能车决策规划控制软件系统中扮演着“副驾驶”的角色。这一层面汇集了所有重要的车辆周边信息,不仅包括智能车本身的当前位置、速度、朝向以及所处车道,还收集了智能车一定距离内所有重要的感知相关的障碍物信息以及预测轨迹。决策层可以理解为依据感知信息来进行决策判断,确定适当工作模型,制定相应控制策略,替代人类驾驶员做出驾驶决策。这部分的功能类似于给自动驾驶汽车下达相应的任务。例如在车道保持、车道偏离预警、车距保持、障碍物警告等系统中,需要预测本车及相遇的其他车辆、车道、行人等在未来一段时间内的状态。先进的决策理论包括模糊推理、强化学习、神经网络和贝叶斯网络技术等。

由于人类驾驶过程中所面临的路况与场景多种多样,且不同人对不同情况所做出的驾驶策略应对也有所不同,因此类人的驾驶决策算法的优化需要非常完善高效的人工智能模型以及大量的有效数据。这些数据需要尽可能地覆盖到各种罕见的路况,而这也是驾驶决策发展的最大瓶颈所在。决策层需要解决的问题,是在知晓这些信息的基础上,决定智能车的行驶策略。智能车的行为决策模块,是要在上述所有信息的基础上,做出如何行驶的决策。可以看出,智能车的行为决策模块是一个信息汇聚的地方。

在决策层下游的模块是动作规划(Motion Planning)。其任务是具体将行为决策的宏观指令解释成一条带有时间信息的轨迹曲线,给最底层的反馈控制进行实际对车的操作。更具体而言,动作规划模块试图解决在一定约束条件下优化某个范围内的时空路径的问题。这里的“时空路径”指车在一定时间段行驶的轨迹。该轨迹不仅包括位置信息,还包括了整条轨迹的时间信息和车辆姿态:即到达每个位置的时间、速度以及相关运动变量,例如加速度、曲率和曲率的高阶导数等。动作规划可拆分成两个问题,即轨迹规划(Trajectory Planning)和速度规划(Speed Planning)问题来解决。

图9 智能驾驶三大系统:感知-决策-控制
图9 智能驾驶三大系统:感知-决策-控制

4.4控制和执行

控制是指无人车精准地执行规划好的动作、路线的能力,及时地给与车辆执行机构合适的油门、方向、刹车信号等,以保障无人车能按预期行驶。执行层是指系统在做出决策后,按照决策结果对车辆进行控制。车辆的各个操控系统都需要能够通过总线与决策系统相连接,并能够按照决策系统发出的总线指令精确地控制加速程度、制动程度、转向幅度、灯光控制等驾驶动作,以实现车辆的自主驾驶。

执行系统主要涉及线控底盘,包括线控转向、线控刹车、线控油门、线控换挡等。线控系统来取代司机的手和脚,并配置多个处理器组成的子系统,以此来稳定、准确地控制汽车安全行驶。

图10 自动驾驶汽车的执行与控制模块
图10 自动驾驶汽车的执行与控制模块

智能驾驶的未来展望

随着 5G 技术的推广应用,信息传输速度得到质的飞跃。万物互联的物联网时代即将来临。物联网这一技术在汽车上的实现称为车联网,而搭载车联网技术的车辆即为智能网联汽车(intelligent connected vehicle,ICV)。

智能网联汽车是指搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与×(车、路、人、云等)智能信息交换、共享,具备复杂环境感知、智能决策、协同控制等功能,可实现安全、高效、舒适、节能行驶,并最终实现替代人来操作的新一代汽车。如下图其中会用到V2X技术:

V2X(Vehicle to Everything)作为一种车用无线通信技术,是将车辆与一切事物相连接的新一代信息通信技术,其中 V 代表车辆,X 代表任何与车交互信息的对象,当前X主要包含车(Vehicle to Vehicle, V2V)、人(Vehicle to Pedestrian, V2P)、交通路侧基础设施(Vehicle to Infrastructure, V2I)和网络(Vehicle to Network,V2N)。V2X 将“人、车、路、云”等交通参与要素有机地联系在一起,不仅可以支撑车辆获得比单车感知更多的信息,促进自动驾驶技术创新和应用,还有利于构建一个智慧的交通体系,促进汽车和交通服务的新模式新业态发展,对提高交通效率、节省资源、减少污染、降低事故发生率、改善交通管理具有重要意义。

图10 智能网联汽车及V2X技术
图10 智能网联汽车及V2X技术

智能驾驶在持续发展和落地的过程中,仍面临如下挑战:

挑战1:标准法规不完善当前,智能驾驶相关标准和法规不完善。

一方面,智能汽车标准尚未形成;另一方面,高度自动驾驶汽车上路面临法律法规制约,需要研究进行相应调整。

挑战2:道路基础设施建设与智能汽车发展缺少统筹

智能驾驶需要车与车、车与路等的信息交互,车辆根据信息自动控制自身的驾驶动作,国内领先的汽车厂家目前都已具备自己的智能网联发展规划,并已开始实施,但缺少道路基础设施建设和统筹规划,智能驾驶始终难以实现。

挑战3:开放带来的信息安全问题对智能汽车发展造成威胁

开放是智能汽车实现智能驾驶和提升用户体验的基础,但也带来智能汽车计算机系统与外界网络交互存在的安全隐患。

挑战4:我国道路适应性验证复杂度和难度高,考验车企产品的可靠性

智能驾驶由车辆自主决策并执行,面临驾驶人的信任问题,车辆出现故障将造成不良后果。传统的统计验证已经不适合智能汽车的要求,智能网联汽车验证强度、复杂度将以指数级增加。我国道路环境复杂度,各地域不同驾驶人及行人的交通习惯,全天候、全路况下对人的感知对智能网联汽车的验证提出了更高要求。

随着自动驾驶技术的发展和科技公司对无人驾驶技术的研究,最终无论是车企还是科技公司都会初步实现无人驾驶。无人驾驶的初步实现一定会在技术领域出现很大的差异性,包括算法的差异性、系统平台的差异性以及设备的差异性。要实现无人驾驶安全性的进一步提高,必须实现车辆与基础设施间的通信(V2I),其次要实现车辆间的信息共享(V2V),最终实现车联万物(V2E)的最终目标,将汽车打造成最大的个人移动处理平台。要实现V2I与V2V就必须减少不同品牌间无人驾驶技术的差异性,增强平台间的信息共享能力。如今的自动驾驶与无人驾驶都是以单独车辆为单位,一辆车所能获取的信息只能来自自身的传感器。车联网的最终目的是要实现V2E,将车辆变成与手机一样的移动处理平台,车辆不再是单独的交通工具,每辆车都将成为使用者的娱乐和工作的平台,最终实现万物互联的终极目标,可见,自动驾驶及智能网联汽车在未来还有很长的一段路要走。

附图:

图11 自动驾驶整体技术回顾图
图11 自动驾驶整体技术回顾图
点击👇卡片关注我,第一时间获取干货~

分类:

人工智能

标签:

人工智能

作者介绍

AIerHub
V1