• 自動駕駛行業背景(自動駕駛行業背景介紹)

    自動駕駛 778
    本篇文章給大家談談自動駕駛行業背景,以及自動駕駛行業背景介紹對應的知識點,希望對各位有所幫助,不要忘了收藏本站喔。 本文目錄一覽: 1、領駿科技:未來城市道路L4級自動駕駛的行業重塑者

    本篇文章給大家談談自動駕駛行業背景,以及自動駕駛行業背景介紹對應的知識點,希望對各位有所幫助,不要忘了收藏本站喔。

    本文目錄一覽:

    領駿科技:未來城市道路L4級自動駕駛的行業重塑者

    車東西(公眾號:chedongxi)

    作者 曉寒

    編輯 肖晗

    又一家自動駕駛公司獲得融資!

    日前,L4級Robotaxi公司領駿 科技 宣布獲得數千萬元新一輪融資,天眼查工商信息顯示,該筆投資由貨運界“滴滴”——美股上市公司滿幫集團領投,老股東臻忻資本跟投。

    領駿 科技 雖然此前并不知名,但從包括這次在內的近幾次自動駕駛融資消息可以看出,各類投資人越來越青睞具有后發優勢的潛力公司。

    這一現象不難理解。經過數年的發展,頭部玩家達到估值高點后面臨三大困境:美股上市路徑不順暢;技術上沒有與后方的選手拉開明顯差距,實現無人駕駛仍然遙遙無期;缺乏造血能力,公司時刻面臨斷糧風險…

    簡言之就是行業進入了漫長且痛苦的馬拉松階段,各路投資人自然就愈發看中那些看似跑的慢一些、但卻擁有不錯的團隊和技術能力的后來者了。

    用領駿 科技 創始人CEO楊文利的話來說就是, “別人花幾十億實現的效果(Robotaxi),我們花幾千萬就做到了?!?

    領駿 科技 CEO楊文利

    話雖不長,但字里行間無不透露著他對自家技術的自信,同時又體現出了領駿 科技 對自動駕駛創業有著不一樣的理解與打法。在與楊文利以及領駿 科技 COO龐東君進行了數小時的交流之后,車東西得以向大家展示出領駿 科技 這支老炮創業團隊的更多信息,并深入解讀這種“慢速”發展模式。

    領駿 科技 成立于2016年。按時間來說完全屬于行業第一批創業公司,但在過去這6年里卻顯得異常低調,甚至有些邊緣。

    “表面上看我們拿錢少團隊小,但其實是有意放緩了發展速度?!碧峒鞍l展問題,楊文利向車東西解釋道,“我們是主動在控制發展速度?!?/p>

    領駿 科技 的自動駕駛測試車

    這與楊文利和創始團隊對行業發展的研判直接有關。在他們看來,自動駕駛行業發展分為四個時期:

    1、核心供應鏈成熟期

    時間范圍在2013~2020年。這一階段自動駕駛核心供應鏈尚未成熟且成本昂貴,各家公司的主要工作是打磨技術并進行量產配套的嘗試。

    2、小規模商業化落地期

    時間范圍在2021~2025年。這一階段隨著示范城市的增加,像無人小巴、智能網聯公交車、支線無人物流車等技術產品可以小規模應用落地,企業能夠獲得一定的收入。

    3、市場規模擴大期

    時間范圍在2026~2030年。這一階段隨著技術愈發成熟,監管法規進一步開放,自動駕駛技術開始在越來越多的場景和范圍落地,各家激烈競爭,行業格局開始重塑。

    4、國際化擴張期

    時間范圍在2030年之后。這一階段隨著國內的競爭趨近結束,格局基本穩定。各玩家需要開拓國際市場來進一步發展,同時需要精細化運營好一家大型 科技 公司。

    這樣的行業認知指導了領駿 科技 的發展思路和節奏。

    比如第一階段行業普遍面臨著線控底盤缺乏,激光雷達不好使的問題。這時候顯然不適合大規模擴張,如果招了很多人花大力氣去解決這些零部件問題,到第二階段會發現供應商已經把上述問題都解決了,相當于此前做了無用功。

    又比如第二階段,在技術還不夠成熟的時候也不適合大規模擴張。

    “這個階段如果搞了數百甚至數千臺測試車在全國各地跑,一旦技術架構有變化或大的升級,現有的車隊就變成了無效資產,很難處理?!睏钗睦f道。

    這一現象在國內外都有明顯案例。比如Waymo今年就發布第五代的Robotaxi,在車輛本體和傳感器、計算平臺上都有了升級,而老車型卻并不能直接升級到第五代,需要逐步替換車隊。

    此外,自動駕駛行業目前才剛剛進入第二階段,整體營收能力并不算強,都得靠融資輸血。

    “規模大估值高就會導致后續越來越難融資,最后就是不得不裁員或是破產?!睏钗睦蜍嚃|西分析道,“但小而美的團隊在第二階段就能實現盈虧平衡,保證自己活到下一階段?!?/p>

    2015年某天,一輛橙、白色涂裝,車頂頂著一個“大花盆”的寶馬3系GT駛上了北京G7高速,然后轉入五環,轉了一圈后回到了西二旗百度總部。

    這臺寶馬車就是國內商業自動駕駛研發的起點。它由百度一支20多人的團隊和寶馬團隊聯手打造。過去的五六年里,這20多人陸續離開百度,創建了多家自動駕駛公司,撐起了國內自動駕駛行業的半壁江山。

    楊文利就是這20人之一,是一位不折不扣的自動駕駛老炮。

    他在清華大學自動化系完成了本科和碩士學習,隨后又拿到美國賓夕法尼亞州立大學的博士學位,然后到西部數據工作,擔任過首席架構師。

    回國后楊文利加入了百度旗下當時最前沿的深度學習研究院,并且參與創建了百度早期的自動駕駛團隊。

    2016年,楊文利和自己的清華校友嚴晗、何家瑞一起創建了領駿 科技 ,研發目標鎖定在了最難的L4級Robotaxi方向。

    嚴晗擁有清華自動化系博士學位,在領駿 科技 擔任資深地圖及仿真研發副總裁。系連續成功創業者,畢業后參與的首家創業公司已經實現上市,在加入領駿 科技 之前二次聯合創業的公司則被奇虎360收購并出任AI高級研發工程師,負責操作系統模擬器、網絡安全、模式識別等領域的基礎技術研發工作。

    何家瑞是清華自動化系的碩士,此前是百度自動駕駛事業部高級研發工程師,目前擔任領駿 科技 資深決策規劃研發副總裁。

    擁有東京大學博士學位,前靈鹿 科技 創始合伙人、CTO司若辰則擔任領駿 科技 的資深感知系統研發副總裁 。

    此外,領駿 科技 還有鄧海清、龐東君兩位合伙人,分別擔任CFO和COO角色。鄧海清是人民銀行的博士后,目前是贛州銀行的獨立董事,也是人大、北師大等多座高校的客座教授,擁有豐富的金融經驗。

    領駿 科技 COO龐東君

    龐東君在自動駕駛行業工作多年。其先后在踏歌智行、易控智駕負責商務和大客戶業務,隨后又參與創辦于萬智駕任商務副總裁,擁有豐富的技術應用落地經驗。

    從核心成員的背景可以看出,領駿 科技 在擁有極強的技術能力的同時,還著重引入了財務和技術落地方面的專業人才,搭建出了一個優勢互補的完善團隊。

    優質團隊自然也受到了資方的持續追捧。2017年和2021年,其先后拿到了武岳峰、九合、信天的天使輪投資和臻忻資本的Pre-A輪融資。此外,國內知名AI芯片公司地平線、贛州發投等企業和機構也是其投資方。

    另外需要注意,領駿 科技 成立的這6年正是全球自動駕駛行業最熱鬧的時間——創業浪潮此起彼伏,大額融資不斷。過去2000多天里不斷有各類同行、車企和出行公司向領駿 科技 或是團隊成員拋出橄欖枝——希望收購或是挖走其技術專家。

    但其核心團隊完全不為短期的利益所動,堅定發展方向,至今無一人離職,背后正是清晰的行業判斷和堅韌的戰略定力在發揮作用。

    技術研發方面,領駿 科技 的發展策略是“摘取珍珠,降維商用”。

    在楊文利和領駿 科技 團隊看來,城市場景的無人駕駛(即Robotaxi)技術就是行業***上的珍珠,因此公司從第一天開始,就鎖定這個方向前進,希望最終能摘下珍珠。

    但因為Robotaxi技術難度最高,且還需要很長時間才能實現,因此在研發過程中,還需要將技術降維應用在具體場景中。 一來通過商業化掙錢養活團隊,二來還能收集數據促進Robotaxi技術迭代。

    秉承這種發展思路,領駿 科技 選定了Robobus自動駕駛巴士和城市支線物流兩大場景進行降維應用。

    巴士和支線物流車行駛場景與Robotaxi一模一樣,但這兩者的行駛速度卻比較慢,且多為固定路線,因此非常適合基于Robotaxi技術打造產品,落地商用。

    領駿 科技 COO龐東君告訴車東西,其目前已經打造了兩款Robobus,分別是針對園區的無人小巴和長度達到5.9米的智能網聯公交車,且兩者都已在江西贛州經濟開發區的新能源 汽車 科技 城內開啟常態落地運營。

    領駿 科技 的自動駕駛小巴

    無人小巴為低速行駛車輛,車內沒有方向盤和操作踏板,主要在半封閉場景運營。智能網聯公交車則沿著機場、火車站和經濟開發區管委會之間的固定路線行駛。

    在運營期間,其無人小巴最長有過3個白班沒有出現過任何接管。其每個白班的工作時間為8個小時,運營里程在150公里左右,換句話說就在城市場景內24小時行駛了450公里無任何接管,可見其自動駕駛技術已達到較高成熟度。

    值得一提的是,領駿 科技 采用的是抱團發展策略。在落地區域內,除了有無人小巴、智能網聯公交車,其Robotaxi也會開過去進行測試。三種車型同時進行測試來收集數據,進而促進技術迭代,最終反過來再同時提升三種車型的行駛表現。

    領駿 科技 自動駕駛中巴

    從去年11月至今,三種測試車已經累計進行了5個月的常態化測試運營。

    領駿 科技 Robotaxi車型表現也同樣可圈可點。據楊文利介紹,其Robotaxi車隊規模雖然較小, 但已經具備城市內實現P2P(從停車場到停車場)的能力,可以處理包括泊車、普通道路、十字路口、高速路、環島、隧道等所有駕駛場景。

    “別人花了幾十億實現的效果,我們花了幾千萬就實現了?!?在談及自家無人車技術表現時,楊文利笑著向車東西給出了這樣的評價。

    Robotaxi,或者說城市內L4自動駕駛目前最大的困難主要是與其他交通參與者的博弈問題,也就是決策規模問題。領駿 科技 通過混合決策模型、數據反芻、仿真測試等多項技術創新來應對這一難題。

    城市場景中無人車會遇到幾乎無窮盡的特殊情況,基于規則的決策模型根本無法應對。

    領駿 科技 于是就把規則和AI技術融為一體,后者通過深度學習技術來學習人類司機應對各種特殊情況的處理辦法,然后再用規則(比如不能壓實線或者闖紅燈)來保證AI算法給出的駕駛決策是安全且符合規則的。

    這樣一來,既發揮了AI技術能解決特殊難題的優點,又規避了深度學習模型的黑盒問題,兩全其美。

    當然了,上述做法的前提是擁有足夠多的特殊場景數據來促進技術迭代。領駿 科技 的車隊規模并不算多,數據從哪來?如何處理數據?又如何應用數據進行迭代?

    楊文利介紹了一個數據研發閉環。

    首先,其常態化運營的Robobus等產品每日都會收集大量數據。拿到數據后,領駿 科技 會對數據進行語義級分析,提煉出多個獨立場景,構建增量式的場景庫。

    其次,其會將場景庫放到仿真引擎中,并與已有的場景進行隨機排列組合,重構出數百公里,甚至是上千公里的虛擬測試場景——大幅提升了數據應用效率。

    最后,有了更大規模的測試場景,領駿 科技 就能以此來打磨自己的算法,提升自動駕駛產品的性能表現,形成了“產品-數據-場景-仿真-算法-產品”的數據研發閉環。

    閉環之外,領駿 科技 以終為始的研發思路也頗具亮點。

    在楊文利看來,自動駕駛系統的最終和最重要目標是要做出好的決策規劃,所以打造好的自動駕駛系統本質就是打造好的決策規劃系統。

    此外,研發技術開始就要考慮到軟、硬件的量產問題——拿無法量產的技術或硬件來開發系統,最終會導致整個系統無法量產。

    在這兩大原則的指導下,領駿 科技 是先設計決策規劃系統,然后以此為基礎提出對感知系統的要求,進而再根據要求確定自己的感知硬件配置。

    最終結果呢,領駿 科技 出現了一系列“反常操作”。

    比如因為360度的機械式激光雷達太貴、不符合車規且影響車輛造型,領駿 科技 就拒絕在車頂使用機械式激光雷達,也就是放棄了激光SLAM技術,轉而做視覺SLAM。

    領駿 科技 的自動駕駛測試車

    研發流程上,領駿 科技 是決策規劃團隊給感知團隊提KPI,感知團隊能夠集中有限的力量實現最重要的感知結果。而在一些大型自動駕駛公司,感知團隊往往處于研發流程的第一位,他們以自己的理解提供感知結果,然后交給決策規劃團隊,讓其在已有的感知結果上做出決策規劃。

    “感知優先的做法有很大問題。決策需要的感知結果經常給不到,反而卻用大量人力和算力去識別了一些不需要的目標和結果,效率不高?!睏钗睦蜍嚃|西評論道。

    兩個數字足以驗證領駿 科技 做法的成果。

    一是其自動駕駛算法能夠部署在一個只有30瓦功耗的嵌入式控制器里,說明其算法非常精簡。

    二是領駿 科技 整個公司還不到100人,這么小的團隊就能讓三種自動駕駛車輛投入常態化運營,并且還跑的不錯,可見其研發效率非常之高。

    在交流的最后,楊文利和龐東君也向車東西介紹了領駿 科技 接下來的量產落地規劃。

    2022年,其Robobus還會陸續在蘇州、杭州、南京、武漢等更多城市落地運營,預計將投入60臺左右。

    與滿幫、陜西物流等合作打造的首批自動駕駛物流車也會投入測試運營,巴士、物流車和Robotaxi加起來總計將達到100臺的規模,并將為公司帶來數千萬的營業收入。

    領駿 科技 北京辦公室

    在與楊文利交流了幾個小時之后,車東西深切地感受到楊文利身上所表現出的特質,就正是領駿 科技 的特質。

    作為一名技術專家,楊文利給人的第一印象顯得略微內向——說話聲音不大,語速也比較慢。但一旦聊起自動駕駛技術和產業發展,他又跟換了一個人似的,有說不完的技術名詞與見解,時不時還聳聳肩講起了行業段子,足以見得他對自動駕駛行業是愛得深沉。

    領駿 科技 也是如此。 看起來“其貌不揚”、“名氣不大”,但卻又極具潛力——在技術研發上提出了創新且務實的新思路,用非常少的資金和團隊就實現了L4自動駕駛產品的量產落地,并且能夠堅定自己的發展路徑與節奏。

    總結來說就是,領駿 科技 雖然之前不在舞臺中央,但在自動駕駛這場馬拉松中卻有可能實現逆襲。

    在與車東西告別后,楊文利在夜色下向街對面的辦公室走去。

    人工智能包括自動駕駛嗎

    【太平洋汽車網】人工智能包括自動駕駛,由于自動駕駛汽車無法像人類駕駛員一樣能夠準確感知障礙物、可行駛區域和交通標志標線等交通環境信息、慣性導航系統、高精地圖等將自動駕駛汽車與周邊交通環境有機結合,實現超視距感知,降低車載感知傳感器計算壓力。

    人工智能之自動駕駛系列

    (一):概要蓬生麻中http://blog.csdn.net/wangdaiyin/article/details/77403592

    一、自動駕駛背景隨著深度學習技術的崛起、人工智能的備受關注,自動駕駛,作為AI中備受關注的重要落腳點,也被炒的火熱,更讓人充滿了幻想。

    1.1自動駕駛的概念自動駕駛,也常被人稱作無人駕駛、無人車等,但這幾個詞的表述其實是有所區別的,英文里常見的表述有autopilot,automaticdriving,self-driving,driveless等,這里不作科普。關于自動駕駛,在概念上業界有著明確的等級劃分,主要有兩套標準:一套是NHSTAB(美國高速公路安全管理局)制定的,一套是SAEInternational(國際汽車工程師協會)制定的?,F在主要統一采用SAE分類標準。以下附上專業分級定義:總的來說,分級的核心區別在于自動化程度,重點體現在轉向與加減速控制、對環境的觀察、激烈駕駛的應對、適用環境范圍上的自動化程度。就目前來說,還在進行L

    3、L4級的研發,離電影中所展示的那些L5全自動駕駛還有比較長的一段距離。

    1.2前沿動態現階段,無人駕駛技術發展正如火如荼,以下先梳理了一下2016年來國外自動駕駛的一些大事件:接著,我們來說說國內自動駕駛的情況,畢竟這跟我們的關聯更加密切。先看看大公司,騰訊、阿里、華為基本無論是戰略布局還是技術實力來看,其起步和現有成果都落戶于百度一截,就目前來說如何最好的入局自動駕駛想必也該是這些大公司一直在思考的。這里重點說一下百度:百度是BAT里唯一一家大舉押注無人駕駛技術的公司,跟Google一樣擁有人工智能和深度學習技術優勢,從布局來看,百度有聯合福特投資激光雷達制造商Velodyne,和芯片制造商英偉達達成合作,在整車制造商上主要與北汽達成了合作,同時與寶馬、奇瑞、比亞迪等一眾廠商也有展開合作。

    (圖/文/攝:太平洋汽車網問答叫獸)

    智能化汽車發展現狀和未來發展趨勢

    當前汽車產業發展成熟,電動化、網聯化、智能化已成汽車產業的發展潮流和趨勢,我國正加快推動智能網聯汽車發展。國家多次出臺配套政策標準推動行業發展,當前中國智能汽車數量超千萬輛;推動智能汽車發展需要提升智能道路基礎設施水平,試點城市先行發展發揮領頭作用。

    隨著智能網聯技術的快速發展,智能汽車領域正成為新一輪科技革命和產業革命的戰略高地,我國智能汽車行業迎來了發展的黃金期,預計2025年中國智能汽車數量有望達2800萬輛。

    當前汽車產業發展成熟,電動化、網聯化、智能化已成汽車產業的發展潮流和趨勢,我國正加快推動智能網聯汽車發展。根據發改委于2020年2月發布的《智能汽車創新發展戰略》,智能汽車是指通過搭載先進傳感器等裝置,運用人工智能等新技術,具有自動駕駛功能,逐步成為智能移動空間和應用終端的新一代汽車,智能汽車通常又稱為智能網聯汽車、自動駕駛汽車等。

    整體而言,智能汽車是集中運用了計算機、現代傳感、信息融合、通訊、人工智能及自動控制等技術,將環境感知、規劃決策、多等級輔助駕駛等功能于一體的綜合系統,是典型的高新技術綜合體。當前我國智能網聯汽車處于協同式智能交通與自動駕駛階段;到2025年之后將處于智慧出行階段。

    國家多次出臺配套政策標準推動行業發展

    智能汽車是汽車領域的重要發展方向,在此背景下,國家也多次出臺配套政策標準推動行業發展。2021年2月,《國家綜合立體交通網規劃綱要》指出將加強智能化載運工具和關鍵專用裝備研發,推進智能網聯汽車(智能汽車、自動駕駛、車路協同)、智能化通用航空器應用。

    《智能網聯汽車技術路線圖2.0》指出到2025年PA、CA級智能網聯汽車滲透率持續增加,到2025年達50%;C-V2X終端的新車裝配率達50%。工信部表示下一步將加快構建形成綜合統一、科學合理、協調配套的國家車聯網產業標準體系。

    中國智能汽車數量超千萬輛

    對于當前我國智能汽車發展情況,根據中國汽車工業協會統計,2020年,汽車銷量為2531.1萬輛,同比下降1.78%。根據國家工業信息安全發展研究中心,隨著智能網聯新車型的加速投放市場及潛在消費者對于智能網聯認可度的提升,智能網聯新車市場滲透率還將進一步提升,2020年滲透率將達到51.6%,經過測算,到2020年,中國智能網聯汽車數量超千萬輛,約為1306萬輛。目前,中國智能網聯汽車產業正處于加速發階段。

    試點城市先行發展發揮領頭作用

    推動智能汽車發展需要提升智能道路基礎設施水平,2021年4月,住房和城鄉建設部、工業和信息化部確定北京、上海、廣州、武漢、長沙、無錫等6個城市為智慧城市基礎設施與智能網聯汽車協同發展第一批試點城市,發揮領頭作用,推進引領全國的智能汽車示范應用和試點運營。

    北京市出臺《北京市智能汽車基礎地圖應用試點暫行規定》、《北京市智能汽車基礎地圖應用試點申請指南》等政策,規范智能汽車發展;上海市出臺的《上海市國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》指出打造國家智能汽車創新發展平臺,實現自動駕駛特定場景商業化運營試點。

    預計2025年中國智能汽車數量有望達2800萬輛

    隨著智能網聯技術的快速發展,智能汽車領域正成為新一輪科技革命和產業革命的戰略高地,我國智能汽車行業迎來了發展的黃金期,車聯網汽車的數量不斷增加。據國家發改委預計,2025年中國的智能汽車滲透率達82%,數量將達到2800萬輛。2030年將達到95%,約為3800萬輛。

    中國汽車工業協會預測,中國將在2020至2025年間實現低速駕駛和停車場景下的自動駕駛;2025至2030年間實現更多復雜場景下的自動駕駛。2035年中國智能汽車產業規模將超過2000億美元,由此,中國將成為世界第一大智能汽車市場。

    —— 更多數據請參考前瞻產業研究院發布的《中國智能汽車行業發展研究與投資前景分析報告》

    被加速洗牌的自動駕駛行業

    新冠肺炎疫情的暴發改變了很多原有的商業模式,給全世界帶來了嚴重沖擊,自動駕駛行業也加速進入兩極分化的狀態。

    巨頭們搵食艱難

    繼Zoox、Ike、Kodiak Robotics等多家自動駕駛技術公司宣布裁員之后,通用汽車公司旗下自動駕駛汽車部門Cruise也正式宣布將裁減約150人,約占員工總數的8%。據悉,Cruise裁減的員工,主要集中在業務戰略、產品開發、設計和招聘領域,他們還解雇了加州帕薩迪納市從事激光雷達工程的員工。

    對于裁員的原因,外媒猜測與當前的疫情有很大關系。因疫情導致的道路測試關閉等,不僅使自動駕駛原型車上路的時間被推遲,資金的消耗也增加了自動駕駛技術公司的壓力。那么自動駕駛公司究竟有多燒錢?

    根據通用汽車公布的財報可知,從2016年至2018年間,Cruise分別虧損了1.71億美元、6.13億美元和7.28億美元,總虧損15.12億美元??梢?,即使是一家曾經融資了72.5億美元,資金充裕、背景強大的自動駕駛公司,這燒錢的速度已經讓他吃不消了。

    上個月福特汽車也表示,將把推出無人駕駛汽車服務從2021年推遲到2022年,并重新考慮相關戰略,而這已經是福特第二次宣布推遲相關計劃;另一常與Waymo相提并論的硅谷明星獨角獸——Zoox,日前也正考慮出售,這離它上一次獲2億美元的融資不過半年時間;而志在自動駕駛卡車市場的Starsky Robotics也因無法籌集到更多資金,在3月份宣布了停止運營并破產,著實讓人唏噓,而類似的例子還有很多。

    這些車企巨頭、明星獨角獸尚且面臨如此窘境,更別說那些沒有多少資本可以倚靠的初創公司,得不到持續融資,就只能自我淘汰。

    Waymo+沃爾沃,風景這邊獨好

    不過,自動駕駛領頭羊Waymo的近況卻與他們形成了鮮明對比。5月13日,Waymo高調宣布,已額外籌集了7.5億美元資金,使其過去兩個月的外部融資總額增至30億美元,超過了去年中國自動駕駛產業的融資總額。在全球經濟下行、時局動蕩的今天,自動駕駛這種前景廣闊但耗資巨大的融資黃金時代顯然已經過去,資源開始向頭部聚攏。

    除了吸引大規模投資外,Waymo還有其他動作。日前,Waymo CEO John Krafcik在Twitter上發布了一張后車窗貼有Waymo logo的沃爾沃汽車圖片,并配文“#Waymo#Volvo”。這基本就是在暗示Waymo和沃爾沃合作了。要知道,沃爾沃在前不久才剛宣布,要在2022年投入量產的全新車型上搭載Luminar激光雷達感知技術。此時曝光合作,明顯就是為自動駕駛量產車型的落地提前造勢。

    據外媒報道,早在2016年Waymo就曾接觸了包括沃爾沃在內的12家汽車制造商,為其無人駕駛技術尋求制造伙伴。之后,FCA、捷豹路虎和本田相繼與其牽手。雖然目前Waymo和沃爾沃雙方均為就此作任何官方回應,但對于這一消息的猜測,已經讓業界非常期待了。

    對于Waymo而言,雖然它已在底特律開建了全球首個L4級別自動駕駛量產工廠,但這個工廠更像是一個標準化的改裝廠,用來改裝此前Waymo在2018年從合作伙伴FCA和捷豹處訂購的Pacifica和I-PACE車型。這都在一定程度上增加了生產和后期維護成本,因為這兩款車并不是自動駕駛車型。

    沃爾沃則早在2005年就開始了自動駕駛相關技術的研究,并成立了全球第一個自動駕駛研發團隊。相比其他車企采取的循序漸進策略,沃爾沃完全是激進派。從2015年開始,沃爾沃就逐漸將籌碼押注到了L4上,直接跳過了L3級別。這幾年也一直與Uber ATG保持合作,去年6月,沃爾沃與Uber合作的擁有一定自動駕駛硬件能力的車型XC90正式下線。顯然,Waymo與沃爾沃的聯手,是一次非常完美的互補。

    政策加持,國內自動駕駛進入快車道

    在國內,受益于新基建、智能汽車相關指導政策的加持,自動駕駛行業的發展進程也開始加速。年初,國家便發布了《智能汽車創新發展戰略》,提出到2025年,實現有條件自動駕駛汽車達到規?;a,實現高度自動駕駛的智能汽車在特定環境下市場化應用;同時還提出要對《道路交通安全法》等法律法規進行修訂。

    就在昨天,交通運輸部副部長劉小明在國新辦舉辦的新聞發布會上再次表示,將制定促進自動駕駛技術發展和應用的實施意見,會同工信部、公安部研究修訂道路測試管理的規范,完善測試管理的體系。這一系列舉措都極大的鼓舞了中國自動駕駛相關產業鏈企業的信心。

    除了政策的扶持,國內的自動駕駛頭號玩家們也在爭先恐后的刷新成績。日前,百度自動駕駛再下一城,宣布在滄州市開放智能網聯汽車測試,同時成立“Apollo自動駕駛與車路協同(滄州)應用實驗室”、“自動駕駛創新應用運營中心”。至此,河北滄州市成為了全國第一個在主城區市政道路開放智能網聯汽車測試的城市。不久前,百度還宣布全面開放自動駕駛出租車服務,長沙用戶通過百度地圖、百度App“Dutaxi”小程序即可一鍵叫車、免費試乘。

    5月18日,國內科技研發巨頭華為在官微上宣布,華為自動駕駛操作系統內核(含虛擬化機制)已獲得Safety領域最高等級功能安全認證(ISO 26262 ASIL D),這也是我國首個獲得ASIL D認證的操作系統內核。據悉,該內核還曾于2019年9月獲得Security領域最高等級信息安全認證(CC EAL 5+)。至此,華為自動駕駛操作系統內核已成為業界首個擁有Security與Safety雙高認證的商用OS內核。

    對于這些證書的含金量如何,非業內人士基本不了解。據悉,這個ISO 26262功能安全標準,是目前歐美和國內高安全行業的強制準入標準,對產品的開發流程管理、安全架構設計、安全編碼和安全測試等方面有極其苛刻的要求,而ASIL D是車輛安全完整性等級里要求最高的等級。簡而言之,這是一份業內認可、行業看重的,非常有分量且不容易得到的證書。

    當然,也如業內人士所說,內核只是操作系統的一部分,內核通過認證,不代表基于內核的操作系統也能通過認證。因為在操作系統內核之外,還有計算機主板、自動駕駛上層應用等架構層,都需要與內核相耦合,整個操作系統要通過認證是一件非常困難的事,做認證也是個費時費力的活。

    但Whatever,華為和百度在自動駕駛領域的成功與創新是不可否認的,他們的野心也已昭然若揭,未來他們能否讓國內的自動駕駛在國際舞臺上大放異彩,讓我們拭目以待。

    圖 | 來源于網絡

    本文來源于汽車之家車家號作者,不代表汽車之家的觀點立場。

    大疆發力自動駕駛板塊,現已推出三大解決方案

    隨著科技水平的飛速發展,自動駕駛技術已經成為變革汽車行業的最重要動力之一,近年來眾多互聯網巨頭企業紛紛入局,一些初創企業也在時代的推動下加入自動駕駛的賽道。近期,有關大疆車載的一些動向在網絡上廣泛傳播,在2021年4月份于上海車展正式官宣之后,這一無人機領域的重量級品牌在自動駕駛領域的進展終于被外界更透徹的了解到。

    目前,大疆車載技術團隊已經推出D80/D80+、D130/D130+與智能泊車等三款自動駕駛解決方案,分別針對城區道路與快速路、高速公路與停車場景。據透露,測試車輛已經可以完成高級車道保持、高級自適應巡航、近距離加塞應對、擁堵路段跟車起停、撥桿變道、高級超車輔助、智能避障、導航駕駛(含自主進出匝道)等諸多功能。

    近期有媒體記者造訪位于深圳的大疆研發中心,親身體驗了搭載大疆車載系統的測試車輛。在限速80km/h的城區快速路上,記者將車輛交給大疆車載系統,撥動轉向燈準備變道。系統在檢測到周圍沒有靠近車輛時,平穩完成車道變更;檢測到周圍存在靠近車輛時,即便記者撥動轉向燈也保持既有車道行使。當前方車輛減速時,測試車輛也隨之減速跟行;前車加速,則測試車同步加速跟隨。而測試車輛還能自動進出隧道、上下匝道,在諸多駕駛場景中均可帶來便捷。

    但值得注意的是,目前大疆車載系統的定位并非業內時髦的L4級自動駕駛,而是L2級,在眾多企業高舉高打的行業背景下,大疆似乎顯得慢了一拍。但業內人士普遍分析表示L4級自動駕駛目前尚不成熟,技術完整性、可靠性還有待完善,且成本十分高昂,難以實現大規模量產。而大疆車載深挖L2級自動駕駛基于自身在無人機領域的技術積累,成果轉化、復用相對更快,成本也在可控制范圍內。

    因此,大疆車載采用L2級自動駕駛是基于多方面的考量,技術、成本、量產、推廣與政策法規契合度等方面均接近 平衡。據官方表示,大疆車載的技術優勢在于集中式架構,共同中央域控制器、復用大部分傳感器,在不同解決方案中串聯多個不同場景的功能。如此一來,大疆車載系統的整體成本更低、更新軟硬件更快,對于規?;慨a大有裨益。

    大疆公關總監謝闐地此前公開表示,在L2級自動駕駛階段,大疆更關心技術如何落地、體驗如何更好,希望在低成本、低功耗、低算力下實現更多功能;自動駕駛相關法規和基礎設施完善后,才有向L3級、L4級前進的可能性。

    由此可以推斷,大疆車載采取的是步步為營、一步一個腳印的打法,首先將L2級自動駕駛的軟硬件技術吃透,有朝一日綜合條件允許后再跨入更高等級。假以時日,大疆的穩重策略將在行業中展現出更大的利好。

    ?

    自動駕駛多傳感器融合概況

    ? ? ? ? 自動駕駛是高新科技產業發展和智能出行領域的優勢行業,其中的各項技術發展迅速,取得了眾多關鍵成就。其中感知和定位模塊在自動駕駛系統中起著至關重要的作用,自動駕駛汽車必須首先明確自己在真實世界中的位置,明確車身周圍的眾多障礙物,包括動態障礙物和靜態障礙物。其中動態障礙物包括行人、動物、車輛、其他非機動車等;靜態障礙物包括路障、路標、護欄等,可在高精地圖中予以標注,而且必須依賴地圖更新的頻率。而感知部分則充分利用各項傳感器感知周圍環境,并且實時將數據回傳到工業電腦,通過感知模塊的相應模型和算法獲取障礙物的形態、速度、距離、類別等信息,以便規劃和預測模塊預測障礙物的軌跡,做出相應的駕駛決策。無人駕駛汽車通過車載傳感系統獲取道路環境信息后自動規劃行駛路線并控制車輛的速度及轉向,進而實現車輛在道路上安全可靠地行駛。無人駕駛汽車的關鍵技術主要包括對道路環境的感知、對行駛路徑的規劃、對車輛運動行為的智能決策及對車輛實現自適應運動控制。目前環境感知技術發展的不成熟仍舊是阻礙無人駕駛汽車總體性能提高的主要原因,也是無人駕駛汽車進行大規模產品化的最大障礙。

    目前應用于自動駕駛感知模塊的傳感器主要有攝像頭、毫米波雷達、超聲波雷達、激光雷達等。攝像頭有著分辨率高、速度快、傳遞的信息豐富、成本低等優勢,依賴深度學習對復雜數據的強大學習能力能極大提高環境感知的分類能力;毫米波雷達有著反應速度快、操作簡單、無視遮擋等優勢,并且能在各種條件下的提供目標有效的位置和速度;激光雷達有著精確的 3D 感知能力、對光線變化不敏感、信息豐富等優勢,圖像數據無法提供準確的空間信息、毫米波雷達擁有極低的分辨率、激光雷達有著十分昂貴的價格。同時,隨著各傳感器性能的提升,單一傳感器帶來了更多的信息,在不丟失有效信息的情況下,提取特征的難度十分巨大。因此,如何高效的處理多傳感器數據并對其進行高效的融合是一項極具挑戰的任務。

    ? ? ? ?近年來,深度學習在攝像頭數據上取得了驚人的成就,2D 目標檢測速度和精度都得到了極大的提升,證明了深度學習是種有效的特征提取方法。卷積神經網絡模型的發展,極大地提高了提取自動駕駛攝像頭數據特征的速度和能力。有效利用這些高魯棒性、高質量、高檢測精度的圖像特征,基于視覺的無人駕駛汽車也能在 3D 感知任務中獲得不錯檢測結果。深度學習在處理激光雷達數據上也有著不錯的效果,隨著基于稀疏點云數據的網絡的提出,深度學習在點云特性的學習能力上也漸漸超過了一些傳統方法。然而,采用深度學習進行多傳感器融合的時候,仍然存在著融合低效、數據不匹配以及容易過擬合等問題;將多傳感器融合技術應用到自動駕駛障礙物檢測的過程中也存在著檢測精度不夠、漏檢錯檢和實時處理能力不足的情況。由于自動駕駛汽車等級的提高,傳統的多傳感器目標融合已經無法滿足決策對感知的需求,大量感知的冗余信息也對決策帶來了極大的困難。并且由于多傳感器的原始數據間在信息維度、信息范信息量上有著巨大的差異,有效的融合多傳感器信息變得十分困難。

    ? ? ? ?多傳感器的數據融合包括多傳感器的空間融合以及時間上的同步。傳感器安裝于汽車車身的不同位置,每個傳感器定義了自己的坐標系,為了獲得被測對象的一致性描述,需將不同的坐標系轉換到統一的坐標系上。點云數據和圖像數據的空間融合模型涉及的坐標系包括世界坐標系、激光雷達坐標系、相機坐標系、圖像坐標系和像素坐標系??臻g融合的主要工作是求取雷達坐標系、攝像頭坐標系、圖像物理坐標系、圖像像素坐標系之間的轉換矩陣。然而由于不同傳感器的工作頻率不同,數據采集無法同步,因此還需要根據工作頻率的關系進行多傳感器時間上的融合,通常做法是將各傳感器數據統一到掃描周期較長的一個傳感器數據上。

    ? ? ? ?自動駕駛感知模塊信息融合又稱數據融合,也可以稱為傳感器信息融合或多傳感器融合,是一個從單個或多個信息源獲取的數據和信息進行關聯、相關和綜合,以獲得精確位置和身份估計,同時也是信息處理過程不斷自我修正的一個過程,以獲得結果的改善。利用多個傳感器獲取的關于對象和環境更豐富的信息,主要體現在融合算法上。因此,多傳感器系統的核心問題是選擇合適的融合算法。? ?

    ? ? ? ?多傳感器信息融合可以簡單的劃分為:檢測級、位置級(目標跟蹤級)、屬性級(目標識別級)。對于結構模型,在信息融合的不同層次上有不同的結構模型。檢測級的結構模型有:并行結構、分散結構、串行結構、和樹狀結構。位置級的結構模型有:集中式、分布式、混合式和多級式,主要是通過多個傳感器共同協作來進行狀態估計。屬性級的結構模型有三類:對應決策層、特征層和數據層屬性融合。

    ? ? ? ?檢測級融合是直接在多傳感器分布檢測系統中檢測判決或信號層上進行的融合,對多個不同傳感器的檢測結果進行綜合,以形成對同一目標更準確的判決,獲得任意單個傳感器所無法達到的檢測效果,是信息融合理論中的一個重要研究內容。位置級融合是直接在傳感器的觀測報告或測量點跡或傳感器的狀態估計上進行的融合,包括時間和空間上的融合,是跟蹤級的融合,屬于中間層次,也是最重要的融合。多傳感器檢測融合系統主要可以分為集中式和分布式兩種方式。集中式融合是先將各個傳感器原始數據直接傳輸到融合中心,然后融合中心對這些所有的數據進行處理,最后生成判決。分布式融合是將各個傳感數據進行預處理后,得到獨立的檢測結果,然后所有傳感器的檢測結果再傳到融合中心進行假設檢驗,生成最終的判決。屬性級融合根據多傳感器融合屬性層級的不同主要分為三類,分別是數據層、特征層和目標(決策)層上的融合,方法主要有基于估計、分類、推理和人工智能的方法等。

    ? ? ? ?數據層融合是對傳感器采集到的原始數據進行融合處理,融合前不會對原始數據進行預處理,而先在數據上進行融合,處理融合后的數據。然后進行特征提取和判斷決策,是最低層次的融合。每個傳感器只是將其原始數據傳輸到融合模塊,然后融合模塊處理來自所有傳感器的原始數據。然后將融合的原始數據作為輸入提供相應的算法。傳統方法中,Pietzsch 等利用低級測量矢量融合用于組合來自不同傳感器的數據,用于預碰撞應用。隨著深度學習的發展,在數據配準的情況下,也可以利用深度學習對配準后的數據進行學習。此類融合方法要求所融合的各傳感器信息具有非常高的配準精度。這種融合處理方法的優點是提供其它兩種融合層次所不能提供的細節信息,可以通過融合來自不同來源的原始數據在很早的階段對數據進行分類但是所要處理的傳感器數據量大,處理時間長,需要很高的數據帶寬,實時性差,抗干擾能力差,并且在實踐中可能很復雜,且數據融合由于原始數據采用不同格式和不同傳感器類型,要求傳感器是同類的。因此在架構中添加新傳感器需要對融合模塊進行重大更改。

    ? ? ? ?因此一些研究者開始引入了特征層融合的思想。與直接使用來自不同傳感器的原始數據進行融合不同,特征級融合首先分別對各自數據進行特征提取,然后對提取的特征進行融合處理。特征級融合需要對傳感器采集到的數據作提取特征處理,抽象出特征向量,然后對特征信息進行處理,最后到融合后的特征,用于決策,屬于中間層次的融合。其優點在于有助于提高實時性,降低對通信寬帶的要求。特征級融合提供了更多的目標特征信息,增大了特征空間維數。融合性能有所降低的原因是由于損失了一部分有用信息。特征級融合的實現技術主要有:模板匹配法、聚類算法、神經網絡和支持向量機(Support Vector Machine, SVM)等。大多數基于深度學習的方法也是利用神經網絡提取特征,對不同傳感器提出的特征之間做級聯或者加權,如 RoarNet、AVOD、MV3D、F-PointNet等。特征級融合的主要優點是它能夠減少傳感器數據到融合模塊的帶寬,并且可以通過提升特征的互補性來提升效果。特征級融合保留了低級融合的相同分類和預處理能力,允許相關數據類似地有效地集成到跟蹤算法中。

    ? ? ? ?目標(決策)層融合架構與低級融合相反。每個傳感器分別進行目標檢測算法,并產生跟蹤目標列表。然后,融合模型將這些目標與一個目標跟蹤序列融合相關聯。對每個傳感器進行預處理、特征提取、識別或判決,最后得到的初步決策進行融合判斷,因此是最高層次的融合。決策級融合可以在同質或異質傳感器中進行融合。決策級融合的優點與不足恰好和數據級相反,目標級融合的主要優勢在于其模塊化和傳感器特定細節的封裝。并且通信量小,有一定的抗干擾能力,處理代價低,選用適當融合算法,可以將影響降到最低;主要缺點:預處理代價高,數據信息處理效果比較依賴于預處理階段的性能。常用的方法有:專家系統方法、模糊集合論、貝葉斯推理、D-S 證據理論等?,F階段大多數目標層融合的目標檢測方法十分低效,不適用于自動駕駛汽車對檢測時間的要求。同時,特征層和數據層的融合也需要更多的考慮各自數據形式。

    ? ? ? ?目前大多數多傳感器融合研究集中于圖像數據與多線激光雷達,然而,只基于攝像頭的自動駕駛感知系統,缺乏空間信息的維度,無法精確的恢復空間信息的位置。攝像頭易受到光線、探測距離等因素的影響,當檢測遠距離目標的時候,只能給出分辨率極低的信息,甚至人的肉眼無法分辨,導致無法標注或錯誤標注的問題,無法穩定地應對復雜多變的交通環境下車輛檢測任務,無法滿足無人駕駛汽車穩定性的要求。因此,自動駕駛目標檢測需要更多的傳感器。而激光雷達具有探測距離遠、不受光線影響并且能夠準確獲得目標距離信息等優點,能夠彌補攝像頭的缺點。當目標被識別時,可判斷此時檢測框內有無點云,來決定是否修正相應的識別置信度。雷達點云數據與圖像數據的融合不僅能獲得準確的目標的深度信息,還能降低圖像檢測時的漏檢的概率,達到了融合數據以提高檢測效果的目的,通過這種多視圖的編碼方案能夠獲得對稀疏3D點云更有效和緊湊的表達。

    ? ? ? ?由于視覺圖像獲取較易、處理方法多樣,所以視覺技術是現階段自主車輛研究中的主要獲取信息手段。其中視覺技術主要分為單目視覺和雙目視覺。單目視覺識別技術多采用基于車輛特征的方法,該方法主要利用車輛與背景有差異的特征,如紋理、邊緣和底部陰影等。但這種方法獲取的信息量不足,缺乏深度信息,而且易受外部環境的干擾,諸如光照和陰影等因素。雙目視覺識別技術雖然可以取得較好的效果,但其計算量較大,算法復雜,難以保證車輛識別的實時性。激光雷達能夠獲得場景的距離信息,不易受光照等外部條件的影響,但其獲取的外部信息不充分,易造成誤判。因為圖像具有較好的橫向紋理特征,點云能夠提供可靠的縱向空間特征,故而采用多傳感器融合技術可以克服單一傳感器獲取信息量不足,探測范圍小的缺點。隨著自動駕駛和深度學習技術的發展,多傳感器融合相關技術得到了極大的推動。多傳感器融合技術基本可概括為:對于不同時間和空間維度的多傳感器信息,依據融合準則,對這些信息進行分析,獲得對被測量的目標一致性描述與解釋,進而實現后續的決策和估計,使融合結果比單獨獲取的結果更加豐富與準確。在自動駕駛領域,卡爾曼濾波算法、D-S 證據理論等傳統多傳感器融合算法仍然發揮著十分重要的作用。但隨著深度學習快速發展,端到端的數據融合也成為自動駕駛不可或缺的方法。

    ? ? ? ?現有的融合方案有些僅用于輔助確認目標的存在性,例如在激光雷達返回有目標的大致區域進行相應的視覺檢測;有些使用了統一框架進行融合,如在基于卡爾曼濾波框架下,對于不同傳感器賦予了不同的協方差,并在任意一個傳感器獲得目標數據后進行序貫更新。這些方案均可以實現多傳感器數據融合,但由于只是將不同傳感器等同看待而進行融合,方法雖然直接但低效,因而效果有較大提升空間。在基于純視覺的 3D 目標估計中,估計的距離屬性極其不穩定,而通過多傳感器的融合,對視覺信息進行修正,極大的提高自動駕駛的目標檢測精度。 在目標層的融合攝像頭和激光雷達信息不能滿足自動駕駛的要求。

    參考:

    ? ? ? ? 廖岳鵬(基于多傳感器的自動駕駛目標檢測)? ? ? ? ? ? ? ???????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??????? CVPR_2017 :?Multi-view ?3d ?object ?detection ?network ?for ?autonomous driving;

    關于自動駕駛行業背景和自動駕駛行業背景介紹的介紹到此就結束了,不知道你從中找到你需要的信息了嗎 ?如果你還想了解更多這方面的信息,記得收藏關注本站。

    掃碼二維碼