新聞中心

NEWS CENTER

新聞中心

您當前位置:首頁 > 新聞中心 > 新聞中心
一文搞懂自動駕駛:“軟硬貨”全在這!
發布時間: 2017-04-10

不出意外,自動駕駛技術將會在不久的將來出現在我們的生活中,但美好的前景下也依然有著現實的困難。

首先為滿足全自動駕駛技術的要求,激光雷達還未能實現低成本量產;其次交通物聯網的V2X技術及基礎設施也還未開始研發建設。最后,如果無人駕駛汽車面臨一場不可避免的車禍,左轉是兒童,右轉是孕婦,那么它該如何選擇?涉及到道德的問題一直在等待著法規的完善。不過軟件部分的高精度地圖與自動駕駛的算法已經獲得了較大的發展,這讓自動駕駛的實現有了堅實的基礎。

樂觀來看,10到20年之內自動駕駛技術將會普及,而自動駕駛時代的到來會比過去任何一次技術進步都更能對我們的生活產生顛覆式的影響。

首先,我們對汽車的消費模式將會發生較大的變化,而這一變化又將深刻改變汽車產業的發展格局。其次,伴隨著事故率的降低,加速了車險行業的改革,我們的通勤、出行習慣也會產生較大改變,并且自動駕駛汽車停靠需求的改變也將會讓過去的停車場不復存在。這樣城市的結構、商業設施的布局都會讓我們的生活發生翻天覆地的變化。

谷歌曾認為從2級自動駕駛做起來的特斯拉,因為出于成本考慮并沒有采用激光雷達,它就像青蛙一樣,即使跳的再高再快,也不能“飛”。但直接開發5級自動駕駛的“天鵝”谷歌,雖然解決了所有技術問題,但他們的成本太高,普通家庭難以支付。

那么到底什么是自動駕駛等級?實現自動駕駛的硬件又是什么?本文將與你一同分享我們關于無人駕駛技術硬件設備方面的研究。

一步到位vs迭代升級

美國汽車工程師協會(SAE)提出了自動駕駛的6個等級,目前大多數汽車尚處在第一級中。圍繞著這一分級自動駕駛產生了兩種不同的發展路徑,其中百度與Google的無人車是想要直接發力第五級,實現全自動駕駛的功能,而Tesla目前的自動駕駛技術路線應該是想要偏向于盡快量產實用,再隨著技術的進展不斷的迭代升級。

0級:有司機來實現駕駛這一級不需要任何自動駕駛能力,而是需要專門的司機駕駛汽車。

1級:能夠進行一些輔助這些汽車有著包含ABS、自動巡航在內的功能,基于這些功能車輛能夠在一些特定環境下維持行駛的狀態。

2級:半自動駕駛在這一級別中,汽車的控制系統可以在特定情況下接管汽車,但司機還是需要坐在駕駛位并全程監控駕駛情況。一般情況下這一功能適用于高速公路場景,司機不需要操作,但需要坐在駕駛位并確保汽車自動控制程序一直能夠保持穩定。

3級:部分情況下能夠自動駕駛該水平意味著駕駛員不必一直監視系統,但依然需要呆在能夠快速控制并恢復汽車行駛狀態的位置。這意味著駕駛員不需要時刻把手放在方向盤上監控情況,但能夠在系統判定緊急情況并發出警報后及時接管。

4級:高度自動化由自動駕駛系統完成特定場景或一段路途中絕大部分的駕駛,在這一級別中駕駛員已經不需要對自動駕駛狀態做任何干擾。

5級:全自動駕駛最高級別的自動駕駛技術,這意味著在全部旅途、全部情況下都不需要司機的干預,自動駕駛程序就能夠獨自完成所有情況的處理,此時也將會淡化司機這一角色。

傳感器、車聯網與基礎設施互聯設備作為必要的硬件設備構成了技術的一大發展方向,同樣為無人駕駛汽車提供駕駛算法以及車用高精度地圖的軟件業務也是技術發展中不可或缺的必要環節。
 

實現自動駕駛汽車的必要硬件設備

激光雷達vs傳統雷達與攝像頭

首先,傳感器是至關重要的硬件設備,對于自動駕駛汽車來說相當于它的眼睛。通過傳感器無人駕駛汽車能夠識別道路、其他車輛、行人、障礙物及交通基礎設施。目前傳感器主要分為激光雷達、傳統雷達和攝像頭這三個部件,在應用層面攝像頭又有單目和雙目之分。

激光雷達:

激光雷達目前是被采用比例最大的設備,Google、百度、Uber等公司的自動駕駛技術目前都依賴于它,這種設備被架在汽車的車頂上,能夠用激光脈沖對周圍環境進行距離檢測,并結合軟件繪制3D圖,從而為自動駕駛汽車提供足夠多的環境信息。

固態激光雷達能夠通過電子部件進行相控陣掃描,并不需要依靠內部機械部件的旋轉,這樣不僅能把激光雷達越做越小,也控制住了成本。目前全固態激光雷達的主要研發廠商有Quanergy、以色列的Innoviz以及TetraVue等企業,但均未實現量產,Quanergy宣布其純固態激光雷達已經在進行測試,如果順利的話2018年初可實現量產。

而前不久接受了百度與福特投資,目前是機械旋轉式激光雷達最大企業的Velodyne,僅開發出“混合固態激光雷達”,而這一產品還是要靠內部的機械部件實現360°的高速旋轉,僅僅實現了產品的小型化,算是過渡產品。國內企業鐳神智能、禾賽科技及北科天繪也推出了內部旋轉式的混合固態激光雷達產品。

傳統雷達與攝像頭:

由于激光雷達的高昂價格,走實用性技術路線的特斯拉便采取了更加切合實際的路線發展其“輔助駕駛”功能,其采用的硬件便是傳統的雷達和單目攝像頭。這一設備其硬件原理與目前車載的ACC自適應巡航系統類似,依靠覆蓋汽車周圍360°視角的攝像頭及前置雷達來識別三維空間信息,從而確保交通工具之間不會互相碰撞。

具體來說,單目攝像頭先通過圖像匹配進行目標識別,再通過目標在圖像中的大小去估算目標距離,準確識別是準確估算距離的第一步。因此單目識別技術需要建立并不斷維護龐大的樣本特征數據庫,如果缺乏待識別目標的特征數據,就會導致系統無法識別以及測距,很容易導致事故的發生。

目前基于單目攝像頭的半自動駕駛系統還遠未成熟,此前特斯拉導致駕駛員死亡的事故便是因為其單目攝像頭誤將掉頭的白色集裝箱貨車錯誤的識別為了空中的白云而未能及時剎車......

雙目攝像頭的測距方式則是通過對圖像視差進行計算,直接對前方景物進行距離測量。雙目攝像頭的原理與人眼相似,難點在于計算量大,對計算單元的性能要求非常高,這使得雙目系統的產品化、小型化的難度較大。因此目前寶馬i3、特斯拉以及日產ProPilot等自動駕駛技術均采用了單目攝像頭設備。

星河研究院預計,短期內基于雙目攝像頭的算法與處理器將會得到較快的發展與自動駕駛汽車產業的青睞,但其低解析度、相對激光雷達準確性較低的特點在面對未來成本不斷降低的激光雷達的競爭中很大概率要敗下陣來,因此不出意外的話實現第五級別的全自動駕駛功能很大概率還是要建立在激光雷達技術之上。
 

V2Xvs紅綠燈

V2X是一個能夠讓車輛與周圍的移動交通控制系統通信的技術,V2V技術則允許車輛與其他車輛互相通信。這是未來全自動駕駛汽車所依賴的一項技術,但遺憾的是相比于火熱的傳感器領域,V2X技術的研發創新還很冷清。

通過 V2X 技術,道路上的汽車彼此間可以通過開放頻段交換數據,具備了與其他汽車和路邊基礎設備分享實時駕駛信息以及生成預測路況信息的能力。

通過實時共享汽車駕駛數據,在同一條道路上的汽車就能共享自己的實時位置以防止交通事故,交通信號設施也可以依據車輛的通行需求合理安排交通順序,降低車輛的等待時間,而V2P技術則能讓行人和自行車騎行者也加入到這個V2X的環境中來,使用他們的手機來發送和接收警示信息,保證行人的安全通行。

更大膽的設想是,如果汽車之間可以互相通信,并且實現了完全的自動駕駛,那么紅綠燈便沒有理由繼續存在了。沒有了紅綠燈后,交通設施將會需要智能的調度算法和對交叉路口極嚴密的監控,但相比于交通運輸效率的提升,這些設施的成本就不是問題。

另外在一些情況下車輛能夠提早的預判危險情況,如果一定會發生事故或是在車輛已經確認遭遇撞擊后可以通過V2X系統廣播信息求助,從而極大的提升車內人員被救治的效率。

根據美國交通部的數據,V2X技術能夠降低80%的交通事故率。僅僅在美國,這就將每年減少59.4萬次交通事故并拯救多達1321條人命。

除了上述對硬件的需求外,自動駕駛技術更離不開軟件方面的突破。高精度地圖是實現自動駕駛的基礎資源,而機器學習與工程算法則是使高精度地圖、傳感器與V2X設施所獲得的數據真正實現價值的手段。

自動駕駛汽車在軟件方面的需求

高精度預計算地圖,壟斷vs競爭

現在每個人出行都會用谷歌地圖、蘋果地圖、百度地圖及高德等產品,并且他們都有一個不錯的準確度令我們在城市中可以便捷的通行。但令人類用戶滿意的地圖精度距離滿足自動駕駛汽車的需求還很遠,因為他缺乏了路面上有幾條車道、車道的邊緣位置、隔離帶與路障位置等極為具體的信息。

因此給自動駕駛汽車開發其專用的高精度地圖便成為了必不可少的任務。國內外較大的地圖提供商目前都已經在高清地圖領域展開了積極的行動,意圖盡快的占領自動駕駛汽車用地圖市場更多的份額。

高清地圖服務商一般先要使用類似于谷歌街景車的技術,用車頂上的高清相機、雷達等設備把周圍環境全部掃描記錄,再通過算法優化最終得到厘米級別的地圖數據。

HERE:Here生產高清地圖的策略與Google類似,這兩家公司目前都是一次性采集一整個街區的數據。HERE通過車頂安裝的四個廣角的24 兆像素攝像頭、旋轉式的激光雷達、陀螺儀以及GPS 系統,依靠自有算法能夠生成高清地圖。按照Here的預期,用于自動駕駛高清地圖服務預計將在2020年能夠上線。

高德地圖:國內的高德地圖也已經在推進地圖數據的高精度化,在未來高德希望能夠利用高精地圖數據支撐自動駕駛的發展,自動駕駛再產生新的數據,經過科學自動化的處理,變得更新更準,更能被機器電腦使用和學習的數據,最終形成高精地圖數據的生產閉環。地圖行業及自動駕駛領域的巨頭百度也早有布局,目前高精度地圖已經是百度最重要的戰略性業務之一。

A16Z的合伙人擔心高精度地圖會存在壟斷的機會,因為他認為在自動駕駛時代人們將不得不完全依賴于這些成本高昂地圖,且這個目前沒有法律所管轄的領域也急需監督。

研究院認為從我國情況來看這種擔心有些多余,在國內資本充足的現狀下,多家地圖企業相互競爭才是比較現實的情況,而其高昂的成本多半要先由風險投資商承擔,再到后期尋找合適的變現模式。目前高德已經宣布其高精度地圖對自動駕駛汽車免費開放,而預計隨著競爭的加劇,為了市場份額而爭相免費的情況將不可避免。

機器學習vs工程算法:

算法是支撐自動駕駛技術最關鍵的部分,目前主流自動駕駛公司都采用了機器學習與人工智能算法來實現。

而海量的數據是機器學習以及人工智能算法的基礎,通過此前提到的傳感器、V2X設施和高精度地圖信息所獲得的數據,以及收集到的駕駛行為、駕駛經驗、駕駛規則、案例和周邊環境的數據信息,不斷優化的算法能夠識別并最終規劃路線、操縱駕駛。

現在面臨的主要問題是相比于模型計算,真實行駛場景中的算法需要的數據過多且計算量超出了現有能力。目前已經有了不少對機器學習進行簡化的嘗試,例如OpenAI的Universe這一項目,未來這一問題或許能夠通過近似簡化以及計算能力的提高得到解決。

同時在機械以及路徑規劃方面較為優秀的工程算法也不應該被棄之不顧。這兩者最主要的區別是工程算法依靠固定的邏輯及規則運行,而機器學習能夠結合歷史經驗與數據計算出最優結果。

Boston Dynamics令人驚嘆的機器人的算法中并沒有使用機器學習技術,但依然擁有了令人印象深刻的成果。因此即使工程算法在執行效率上與基于深度學習算法的Alpha-Go并不在一個水平,但將兩者的優點相結合依然能夠有效的提升機器學習的最終效果。

算法通用化vs本地化:

本地化是一個計算機科學的術語,意味著軟件將會依據其周圍的環境條件選擇合適的執行策略。

每個城市都有不同的駕駛習慣,所以未來自動駕駛汽車如何處理好本地化問題成為了其實際應用前必須突破的障礙。如果算法不能夠做到本地化,那么在班加羅爾適用的自動駕駛安全措施很明顯將會在波士頓造成嚴重的交通擁堵,其他城市亦然。

但我們無法為每一個不同駕駛習慣的地區都編寫特定的算法,因此能夠實現本地化的自適應綜合算法成為了關鍵,這種自適應算法要做到能夠通過學習社會習俗及典型的當地人類行為來使自動駕駛汽車獲得更好的表現。

自動駕駛技術社會造成的影響

出行是人們生活中最基本的需求之一,因此隨著自動駕駛技術的逐布實現,我們的生活也將產生巨大的變革,而涉及到出行行業的汽車制造、出行服務商、保險、市政等等環節都會發生巨大的變革。

 

傳統汽車廠商vs互聯網公司

汽車產業是一個龐大的鏈條,涉及到了上下游無數的零配件制造與配送體系,其影響范圍僅次于房地產業。老牌汽車廠商們擁有的全套汽車制造基礎設備,豐富的汽車設計、制造經驗以及熟練的流水線運行管理經驗都是其相對于跨界造車的科技創新企業的優勢。

并且傳統汽車廠商已經認識到未來汽車產業的創新發展主要是基于軟件基礎之上的,因此他們積極的在硅谷設立辦公室,高薪雇傭IT技術人員。例如福特汽車就在硅谷設立了自動駕駛研究與創新中心,而寶馬此前更是另辟蹊徑選擇了與百度進行自動駕駛的技術合作。

但科技創新企業的機會也依然很大。通過靈活超前的設計理念以及優秀的軟件開發能力,一大批的初創科技型造車企業涌現,蔚來汽車下線的超跑打破了全球最快電動車速度記錄且已經在實際道路開展自動駕駛路試,行業領頭羊特斯拉更是宣稱其2018年將具備年產50萬輛汽車的規模,且這些汽車都可以選配最新的輔助駕駛功能。

國內廠商在自動駕駛領域也構成了一極,科技創新類公司中,車和家同蔚來汽車一樣也在實驗自動駕駛技術并希望將其盡快量產,百度等軟件公司在自動駕駛算法及硬件上也有著很高的技術壁壘,傳統主機廠商中上汽、北汽、長安都對自動駕駛技術有著大額的投入,且長安作為第一家進行實車展示的主機廠商其自動駕駛汽車已經有超過1萬公里的測試里程。中國作為世界上深度學習論文發表數量最多的國家,其自動駕駛技術十分值得市場的期待。

購買汽車vs購買服務

如果作為消費者的我們把從汽車制造商購買汽車的習慣,轉變為向類似Uber和Lyft這樣的出行公司購買交通服務,這將會令汽車制造商從以往的B2C模式轉型為B2B公司,即制造商向出行公司提供設備,而出行公司向消費者提供服務。

可以預見汽車工業的發展會更類似于航空業,消費者不會關心駕駛何種汽車出行,只需要在服務平臺發布需求并等待接單即可。

需要注意的是隨著商業模式的變化,是否未來自動駕駛汽車也會和飛機一樣千篇一律毫無特點,以便于出行服務公司壓縮成本節省開支呢?這一現象或許將會對汽車制造行業產生較大的負面影響。

汽車保險:保汽車vs保硬件

在如今每25起交通事故中,有24起都是因為人為錯誤而發生的,比如說超速、分心駕駛、醉駕、闖紅燈等。因此現在的汽車保險價格,由司機所在的城市人口、居住地和購買車輛的車型、價值等數據精算得出,但未來隨著自動駕駛技術的到來,事故率顯然要趨近于0,因此保險行業的變革勢不可免。

也許未來保險的精算會基于汽車所處城市、汽車制造商是誰,或者擁有汽車或租賃汽車的人的身份來判定,而保險的模式也不一定會局限在年費這一單一場景下。但保險價格的最終計算方法目前還是無法推測,因為雖然事故率會趨近于0,但一旦發生事故,車上昂貴的激光雷達系統、地圖分析計算機和其他硬件設備的維修或更換將會耗費超過以往數倍的資金,因此保險公司將會面臨怎樣維修成本目前來看無法確定。

處于混合駕駛情況下的保險業將更加混亂,畢竟自動駕駛車輛與人工駕駛車輛混合存在的階段不可避免,屆時責任認定都會成為很復雜的問題。

上下班,通勤vs步行

有一個論點是未來通勤時間將會比現在更長,原因是通勤時間已經不再是生活的支出成本。當所有汽車都具備自動駕駛功能的時候,交通指示燈和事故都不復存在,而我們可以利用通勤的時間在車上做任何事情。

但自動駕駛汽車和汽車服務運營商的存在也將釋放很多諸如停車場、修車店等在內的城市空間,這些空間會增加人們的居住場所或工作場所,因此人們或許將會住在距離工作地點很近的地方,而不像今天一樣需要長距離通勤。

一些業內人士預測自動駕駛的時代將會在2020—2040年到來,我們將會在有生之年看到這一奇妙的世界,對于大眾來說從現在就做好準備迎接未來是當下最好的選擇。

[返回列表]
Copyright ? 2016 深圳市普利達投資有限公司 All Rights Reserved 粵ICP備17022048號
体育投注官网 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>