2020版智能汽车测评规程发布,拒绝“L2名不符实”「GGAI视角」

9月17日,由中国汽车工程研究院主导的i-VISTA发布了2020版智能行车和泊车测评规程,首次涵盖了L2级自动驾驶系统的功能。该规程所引用的文件标准主要来自于ISO、SAE以及国标相关的标准。 ...查看全部

9月17日,由中国汽车工程研究院主导的i-VISTA发布了2020版智能行车和泊车测评规程,首次涵盖了L2级自动驾驶系统的功能。该规程所引用的文件标准主要来自于ISO、SAE以及国标相关的标准。

L2级自动驾驶功能主要强调的车辆系统的横纵向控制能力,基于此能力在功能上主要体现为全自动泊车系统、交通拥堵辅助TJA和高速公路辅助HWA等系统。

TJA功能是在车辆低速通过交通拥堵路段时,实时监测车辆前方及相邻车道行驶环境,辅助驾驶员对车辆进行横向和纵向控制,属于L2功能。

HWA功能是在高速公路上,实时监测车辆前方及相邻车道的行驶环境,辅助驾驶员对车辆进行横向和纵向控制,并对驾驶员状态进行实时监控的驾驶辅助系统,属于L2功能。

本规程以国内外标准为基础,根据智能行车辅助系统单车道纵向控制能力、单车道横向控制能力、单车道纵横向组合控制能力、换道辅助能力四大核心功能。

同时,结合中国自然驾驶数据和中国驾驶员行为统计数据设计试验场景,包括目标车静止、目标车低速、目标车减速、前车切入、直道居中行驶、直道驶入弯道、盲区无车、盲区有车共8个试验场景。

一、细化横纵向控制

体现在测试项目上,细化了横纵向控制测试的分类项目。

L2级功能的区别在于,在纵向控制的基础上,叠加了横向控制,因此增加了对横向控制和横纵向控制单独测试的项目。

其中单车道横向控制能力的测试中,要求车开启L2级智能行车辅助功能,以不同的速度在直道内行驶,包括60km/h,90km/h,期间驾驶员不干预方向控制,主车在直道内保持稳定行驶 15s,本次试验结束。

单车道横纵向组合控制的能力,则是在主车开启L2级智能行车辅助功能,分别以不同设定速度巡航行驶,在直道上稳定行驶5s后驶入规定的速度下所示的弯道中。

在弯道半径250m的情况下,以80/90/100km/h的速度完成左右转弯,在500m转弯半径的情况下以110/120km/h的速度完成左右转弯。

该试验用于评价主车直道入弯时,在车道内居中保持能力的测试,根据图 13 进行测试。弯道采用要求中的弯道,左弯道或右弯道均可作为该测试场景的弯道,任选其中一种进行试验。若车辆具备入弯前主动降速功能,可根据企业要求配置限速标识信息。

1.jpg

(1) 主车开启智能行车辅助, 以80km/h的速度在直道上居中行驶,距离弯道 200m处时,速度达到稳定状态,开始记录有效数据;

(2) 主车从直道驶入弯道后,车辆在车道内行驶在弯道内行驶150m(或5s,取较大值),或车辆偏离出弯道,则本次试验结束。

(3) 主车速度增加 10km/h,继续做下一次试验。

(4) 直到主车速度超过相应的速度范围,或车辆驶出原车道,则本场景试验结束,不同弯道半径分别为不同场景。

二、增加换道功能测试

除了过弯测试横纵向的组合控制能力,还有换道功能的测试,包括盲区无车和有车的场景。

在车道线清晰的车道内,驾驶员输入变换车道的指令时,主车可根据车辆周围环境,正确执行换道动作。

在盲区无车的情况下,测试过程为主车设定速度为 90km/h,开启 L2 级智能行车辅助系统,单车行驶在直道内稳定行驶 5s 以上。驾驶员按照车辆用户手册要求,输入换道意图(如打转向灯等),测试主车是否正确换道。

在主车相邻车道盲区内有车的情况下,驾驶员输入变换车道的指令时,测试主车是否可根据车辆周围环境,正确执行/抑制换道动作。

2.JPG

测试过程为主车、目标车设定速度为 90km/h,开启智能行车辅助系统,目标车在左侧相邻车道盲区内行驶,两车稳定行驶5秒以上,如图所示;驾驶员按照车辆用户手册要求,输入换道意图(如打转向灯等),测试主车是否抑制换道,是否发出报警信息。

三、明确车主手册准确性

在测试过程中,也特别强调了车主用户手册中对L2级功能描述的准确性,提示信息是否完整,是否存在歧义。

在最终的评分中,对这部分也会进行打分。

同样在全自动泊车环节,也对横/纵向车位自动泊车进行了相关的测试要求,包括不同车辆入库次数,泊车成功与否、停车姿态等。

四、待开箱测试的L2

在最新版本的测试规程之前,i-VISTA已经对部分车型进行了测试和打分,仅限于对L1级以下功能进行测试评分。在测试过的车型中,仅有少数车型配置了L2级的自动驾驶功能,未进行测试。

沃尔沃XC602019款T5 四驱智雅豪华版可以实现L2级的TJA和HWA功能,使用的传感器有1颗前视单目摄像头和3颗77GHz毫米波雷达。

特斯拉Model S 2016款75D可以实现L2级的全自动泊车、TJA和HWA功能,使用的传感器有1个前视三目摄像头和1颗77GHz毫米波雷达,12颗超声波雷达。

吉利博瑞GE 2018款MHEV轻度混合动力耀尊版可以实现L2级的全自动泊车、TJA功能,使用的传感器有1个前视单目摄像头和1颗77GHz毫米波雷达,12颗超声波雷达。

北京奔驰C级 2019款C260运动版可以实现L2级的全自动泊车、TJA功能和HWA功能,使用的传感器有1个前视双目摄像头和3颗77GHz毫米波雷达,12颗超声波雷达。

这些车型都配置了L2级的部分功能,全自动泊车功能是通过12颗超声波雷达实现,TJA和HWA则需要依赖前向的摄像头和远距离毫米波雷达。这些功能此前还未进行评价,在此之后,将会通过评价规程进行测试、打分。

号称搭载L2级辅助驾驶系统的车辆将要通过单车道横向控制的考验,完成换道、过弯的挑战,L2级辅助驾驶系统也将开始告别“名不符实”的时代。


博客 飞奔的蜗牛

LV1
3 天前
31

9月21日上海 听大咖讲解新能源汽车电驱动技术路线

指导单位:中国人才研究会汽车人才专业委员会主办单位:国家特聘专家汽车组 盖世汽车在以往六届成功经验的基础之上,由中国人才研究会汽车人才专业委员会指导,国家特聘专家汽车 ...查看全部

指导单位:中国人才研究会汽车人才专业委员会

主办单位:国家特聘专家汽车组 盖世汽车

在以往六届成功经验的基础之上,由中国人才研究会汽车人才专业委员会指导,国家特聘专家汽车组及盖世汽车主办的2019第七届汽车与环境创新论坛,将携百名行业权威嘉宾,共同探讨中国汽车产业在转型升级的新形势和新常态下,整车厂与零部件企业协同创新、升级做强、共同应对严峻市场和产业变革挑战之发展路径。

时间:2019年9月20日-21日

地点:上海

主题:应对挑战 创新破局

2019第七届汽车与环境创新论坛将由一个主论坛加四个平行论坛组成,盖世汽车CEO周晓莺、一汽集团党委常委副总经理王国强、中国汽车动力电池产业创新联盟副秘书长王子冬、腾讯周平、小鹏汽车副总裁刘明辉博士等都将作为论坛演讲嘉宾,围绕当前行业面临的变革趋势,以及需要采取的应对策略等话题,进行发言和探讨。

以下为详细日程

2019第七届汽车与环境创新论坛日程

Day 1 上午 全体会议 应对挑战 创新破局

大会主席:上汽集团乘用车技术中心总监,徐政

时间Time

议程 Agenda

08:45-09:30

开幕式:主持人致欢迎词并介绍参会领导及嘉宾

领导及主办方致辞

领导致辞:中国汽车工业协会副秘书长,师建华

中国人才研究会汽车人才专业委员会理事长 朱明荣

主办方致辞:盖世汽车CEO,周晓莺

09:30-10:00

主题演讲:汽车产业发展新态势与应对策略

演讲嘉宾:FISITA主席,清华大学汽车产业与技术战略研究院院长,赵福全

10:00-10:30

主题演讲:能源转型背景下汽车产业可持续发展的思考

发言嘉宾:国家发改委能源研究所能源可持续发展研究中心主任,康艳兵

10:30-10:45

茶歇&合影Tea break & Group photo

10:45-11:15

主题演讲:推动产业可持续发展的政策和法规制定及其影响

演讲嘉宾:中国汽车技术研究中心副主任,吴志新

11:15-11:45

主题演讲:中国汽车市场分析及展望

演讲嘉宾:国家信息中心副主任,徐长明

11:45-12:45

圆桌讨论:中国汽车产业的挑战和破局

主持嘉宾:上汽集团乘用车技术中心总监,徐政

讨论嘉宾:国家发展和改革委员会能源研究所能源可持续发展研究中心主任,康艳兵

FISITA主席,清华大学汽车产业与技术战略研究院院长,赵福全

中国汽车技术研究中心副主任,吴志新

国家信息中心副主任,徐长明

盖世汽车CEO,周晓莺

12:45-13:30

午餐Lunch

Day 1 下午 全体会议 应对挑战 创新破局

大会主席:盖世汽车CEO,周晓莺

时间Time

议程 Agenda

14:00-14:30

主题演讲:新形势下中国品牌汽车产品和技术布局

演讲嘉宾:一汽集团党委常委、副总经理,王国强

14:30-15:00

主题演讲:动力总成电气化,迈向无碳出行社会的挑战

演讲嘉宾:本田研发有限公司汽车中心上席研究员,木村英辅

15:00-15:30

主题演讲:面对新能源汽车后补贴时代如何应对安全性问题

演讲嘉宾:中国汽车动力电池产业创新联盟副秘书长,王子冬

15:30-16:00

主题演讲:电动化动力总成多样化与发动机技术进步

演讲嘉宾:丰田汽车动力总成技术企划部部长,渡边 泉

16:00-16:15

茶歇Tea break

16:15-16:45

主题演讲:创新人工智能时代直连用户的核心

16:45-17:15

主题演讲:智能制造助力汽车行业在变革中转型升级

17:15-18:15

圆桌讨论:新四化变革发展之产业化进程

主持嘉宾:奕森科技总裁,辛军

讨论嘉宾:一汽集团党委常委、副总经理,王国强

中国汽车动力电池产业创新联盟副秘书长,王子冬

本田研发有限公司汽车中心上席研究员,木村英辅

丰田汽车动力总成技术企划部部长,渡边 泉

Day 2 上午 平行论坛(一)新能源汽车技术-整车

会议主席:精进电动创始人,蔡蔚

时间Time

议程 Agenda

08:30-08:55

主题演讲:电动车技术创新和发展趋向

发言嘉宾:小鹏汽车副总裁,刘明辉博士

08:55-09:20

主题演讲:新能源商用车的技术走向和市场挑战

发言嘉宾:福田汽车集团首席总工程师兼任工程研究总院副院长,王英博士

09:20-09:45

主题演讲:氢燃料电池技术的市场化挑战

发言嘉宾:南京格致高新环保技术有限公司,杜斌博士

09:45-10:00

茶歇 Tea Break

10:00-10:25

主题演讲:浅谈DCT混合动力的比较优势、潜力和发展趋势

发言嘉宾:新能源汽车国家创新中心,段志辉博士

10:25-10:50

主题演讲:无补贴时代的新能源汽车市场走向和政策法规约束

发言嘉宾:中国汽车研究中心北京工作部主任,王成

10:50-11:15

主题演讲:小型轻量智能电动车

发言嘉宾:领途汽车有限公司汽车研究院院长,伍战平

11:15-12:15

圆桌讨论:新能源汽车路在何方?(技术创新、市场需求、法规设计)

主持嘉宾:上海交通大学机械(汽车)学院副院长,殷承良博导

讨论嘉宾:吉利汽车研究院电驱动系统总监,张剑锋博士

长城技术中心副主任,单红艳

小鹏汽车副总裁,刘明辉博士

中国汽车研究中心北京工作部主任,王成

中通客车控股股份有限公司副总经理、中通客车技术中心主任,囤金军

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(一)新能源汽车技术-零部件

会议主席:合肥工业大学汽车研究院院长,张农

时间Time

议程 Agenda

13:30-13:55

主题演讲:高比能动力电池与准固态电池的技术创新与产业化挑战

发言嘉宾:江苏师范大学,马昕教授

13:55-14:20

主题演讲:电驱动技术进步与产业链建设

发言嘉宾:精进电动创始人,蔡蔚博士

14:20-14:45

主题演讲:第三代功率半导体器件与SiC控制器技术及其挑战

发言嘉宾:中车电动总经理,刘凌博士

15:00-15:15

茶歇 Tea Break

15:00-15:25

主题演讲:充电技术与安全防护

发言嘉宾:青岛特锐德电气股份有限公司董事长兼CEO,于德翔

15:25-15:45

主题演讲:新能源汽车的减速器与变速器(WLTC工况下比较)

发言嘉宾:合肥工业大学汽车工程技术研究院院长,张农博导

15:45-16:10

主题演讲:电机控制器功能安全产品化开发关键技术

发言嘉宾:阳光电源电机控制研究所所长,陈文杰

16:10-16:35

主题演讲:创新工程与前沿技术:新能源汽车分布驱动与轮毂电机

发言嘉宾:恒大动力科技集团常务副总裁,吕超

16:35-17:35

圆桌讨论:新能源汽车电驱动技术路线图:系统、元器件和零部件布局

主持嘉宾:一汽新能源开发院助理院长兼电驱动研究所所长,赵慧超

讨论嘉宾:上汽捷能总工/EDS总监,王健

精进电动创始人,蔡蔚博士

上海大学教授,罗建

比亚迪股份有限公司第十四事业部电控工厂厂长,杨广明

科力远混合动力技术有限公司常务副总经理兼首席技术官,张彤博士

Day 2 上午 平行论坛(二)节能汽车技术探讨

大会主席:奕森科技总裁,辛军

时间Time

议程 Agenda

08:30-09:00

主题发言:新四化技术产业化进程

演讲嘉宾:长安汽车研究总院院长,詹樟松

09:00-09:30

主题发言:中国机动车排放法规实施和未来挑战

演讲嘉宾:北京理工大学教授,葛蕴珊

09:30-10:00

主题发言:汽车轻量化关键技术与挑战

演讲嘉宾:吉利汽车研究总院NVH性能开发首席工程师,顾鹏云

10:00-10:15

茶歇 Tea Break

10:15-10:45

主题发言:电气化下的整车热管理技术

发言嘉宾:上海交通大学教授,创新中心主任,陈江平

10:45-11:15

主题发言:河钢集团汽车板产品与轻量化应用技术

发言嘉宾:河钢集团钢研总院首席工程师,熊自柳

11:15-12:15

圆桌讨论:2025年汽车节能技术的机遇与挑战

主持嘉宾:奕森科技总裁,辛军

讨论嘉宾:长安汽车研究总院院长,詹樟松

北京理工大学教授,葛蕴珊

吉利汽车研究总院NVH性能开发首席工程师,顾鹏云

上海交通大学教授,创新中心主任,陈江平

河钢集团钢研总院首席工程师,熊自柳

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(二)节能汽车技术探讨

大会主席:上汽集团乘用车技术中心总监,徐政

时间Time

议程 Agenda

13:30-14:00

主题发言:高效发动机开发

演讲嘉宾:吉利汽车动力研究院副院长,沈源

14:00-14:30

主题发言:2025:内燃机的机会和挑战

发言嘉宾:中国一汽研发总院乘用发动机平台首席,李金成

14:30-15:00

主题发言:内燃机多元化燃料技术

发言嘉宾:天津大学教授,姚春德

15:00-15:30

主题发言:耐热聚酰胺树脂PA9T在汽车部件轻量化和小型化的应用

发言嘉宾:可乐丽集团有限公司产品总监,曾祥生

15:30-15:45

茶歇Tea break

15:45-16:15

主题演讲:乘用车变速箱技术发展趋势

发言嘉宾:上汽集团乘用车技术中心总监,方伟荣

16:15-16:45

主题发言:汽车动力系统技术发展展望

发言嘉宾:AVL上海技术中心总经理,Frank Beste

16:45-17:15

主题发言:模块化混合动力系统技术发展

发言嘉宾:美国嵘波动力公司创始人,中国电动汽车百人会高级技术顾问,江苏大学教授,韩尔梁

17:15-18:15

圆桌讨论:汽车动力系统转型发展之路

主持嘉宾:上汽集团乘用车技术中心总监,徐政

讨论嘉宾:吉利汽车动力研究院副院长,沈源

中国一汽研发总院乘用发动机平台首席,李金成

天津大学教授,姚春德

上汽集团乘用车技术中心总监,方伟荣

AVL上海技术中心总经理,Frank Beste

美国嵘波动力公司创始人,中国电动汽车百人会高级技术顾问,江苏大学教授,韩尔梁

Day 2 上午 平行论坛(三)智能驾驶汽车技术

会议主席:法雷奥中国CTO,顾剑民

时间Time

议程 Agenda

08:30-09:00

主题演讲:自动驾驶技术路线图与标准体系建设

发言嘉宾:中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心主任,王羽

09:00-09:30

主题演讲:场景库引导的自动驾驶汽车技术开发

发言嘉宾:同济大学汽车学院教授、汽车安全技术研究所所长,朱西产

09:30-10:00

主题演讲:自动驾驶所需的车规级激光雷达及感知融合

发言嘉宾:法雷奥中国CTO,顾剑民

10:00-10:15

茶歇 Tea Break

10:15-10:45

主题演讲:针对中国道路交通特征的雷达和ADAS系统开发

发言嘉宾:同济大学汽车学院教授、苏州豪米波技术有限公司董事长,白杰

10:45-11:15

主题演讲:自动驾驶地图与高精度定位

发言嘉宾:腾讯高精度地图负责人,谷小丰

11:15-12:15

圆桌讨论:智能网联汽车关键技术与跨产业融合

主持嘉宾:纵目科技副总裁,陈超卓

讨论嘉宾:中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心主任,王羽

同济大学汽车学院教授、汽车安全技术研究所所长,朱西产

法雷奥中国CTO,顾剑民

同济大学汽车学院教授、苏州豪米波技术有限公司董事长,白杰

腾讯高精度地图负责人,谷小丰

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(三) 智能驾驶汽车技术

会议主席:北京航空航天大学交通学院院长,邓伟文

时间Time

议程 Agenda

13:30-14:00

主题演讲:自动驾驶技术的产业化应用趋势

发言嘉宾:长安汽车智能化研究院副院长,黎予生

14:00-14:30

主题演讲:吉利智能网联汽车的研发与应用

发言嘉宾:吉利汽车研究院总工程师,刘卫国

14:30-15:00

主题演讲:自动驾驶,安全为本

发言嘉宾:沃尔沃汽车集团亚太区主动驾驶技术负责人,张立存

15:00-15:15

茶歇 Tea Break

15:15-15:40

主题演讲:定义智能驾乘体验

发言嘉宾:李尔中国工程技术中心工程总监,左跃

15:40-16:05

主题演讲:自动驾驶仿真系统软件开发、测试与评价

发言嘉宾:吉林大学计算机学院教授,王健

16:05-16:30

主题演讲:无人驾驶助推智慧矿山建设

发言嘉宾:踏歌智行创始人,余贵珍

16:30-16:55

主题演讲:从ADAS到自动驾驶验证技术的演进

发言嘉宾:美国NI大中华区汽车业务拓展经理,潘登

16:55-17:45

圆桌讨论:自动驾驶在中国的产业化路径

主持嘉宾:吉林大学计算机学院教授,王健

讨论嘉宾:吉利汽车研究院总工程师,刘卫国

长安汽车智能化研究院副院长,黎予生

沃尔沃汽车集团亚太区主动驾驶技术负责人,张立存

踏歌智行创始人,余贵珍

美国NI大中华区汽车业务拓展经理,潘登

Day 2 上午 平行论坛(四) 智能制造和数字化研发探讨

大会主席:宝沃(中国)汽车有限公司技术专家,李奉珠

时间Time

议程 Agenda

08:30-09:00

主题演讲:智能制造前沿技术与发展现状

演讲嘉宾:同济大学中德工程学院副院长,陈明

09:00-09:30

主题演讲:绿色制造技术在大型丝杠硬态干切工艺中的应用实践

演讲嘉宾:南京理工大学教授,王禹林

09:30-10:00

主题演讲:打造汽车工业“智”脑及“智”造生态

演讲嘉宾:小康集团研究院执行副院长,杨勇

10:00-10:15

茶歇 Tea Break

10:15-10:45

主题演讲:智能制造:系统视角,务实落地

演讲嘉宾:北京兰光创新科技有限公司创始人&董事长,朱铎先

10:45-11:15

主题演讲:智能制造:企业如何从数字化转型中获益

演讲嘉宾:全国信息化和工业化融合管理标准化技术委员会委员,郎燕

11:15-12:15

圆桌讨论:车市下滑,汽车智能制造转型思考

主持嘉宾:宝沃(中国)汽车有限公司技术专家,李奉珠

讨论嘉宾:同济大学中德工程学院副院长,陈明

南京理工大学教授,王禹林

小康集团研究院执行副院长,杨勇

北京兰光创新科技有限公司创始人&董事长,朱铎先

全国信息化和工业化融合管理标准化技术委员会委员,郎燕

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(四) 智能制造和数字化研发探讨

大会主席:南京航空航天大学教授,宋廷伦

时间Time

议程 Agenda

13:30-14:00

主题演讲:数字化、智能化对整车研发体系的挑战

演讲嘉宾:奇瑞汽车总经理助理、星途事业部副总经理,陆惟一

14:00-14:30

主题演讲:整车研发中的协同设计环境与同步工程技术

演讲嘉宾:西门子工业软件(上海)副总经理,唐泉

14:30-15:00

主题演讲:云计算与协同仿真技术

演讲嘉宾:Altair高级副总裁,Richard Yen

15:00-15:15

茶歇 Tea Break

15:15-15:45

主题演讲:构建新能源汽车创新生态

演讲嘉宾: 北京新能源汽车技术创新中心有限公司总经理, 原诚寅

15:45-16:15

主题演讲:大数据与数字化研发技术

演讲嘉宾:武汉大学计算机学院副院长,李宗鹏

16:15-16:45

主题演讲:数字化、智能化汽车网络安全和整车OTA设计与管理

演讲嘉宾:金康新能源电子电器与智能驾驶总监,高继勇

16:45-17:15

主题演讲:关于整车数字化研发体系建设的几点思考

演讲嘉宾:长安汽车高级经理,胡渝虹

17:15-17:45

圆桌讨论:新“四化”对整车研发体系的挑战与应对策略

奇瑞汽车总经理助理、星途事业部副总经理,陆惟一

西门子工业软件(上海)副总裁,唐泉

Altair高级副总裁,Richard Yen

北京新能源汽车技术创新中心有限公司总经理, 原诚寅

武汉大学计算机学院副院长,李宗鹏

金康新能源电子电器与智能驾驶总监,高继勇

长安汽车高级经理,胡渝虹

会议报名通道已经开通,了解更多相关信息、报名参加现场活动,可扫描下方二维码:

主机厂人员及盖世会员可免费参会

往届部分嘉宾

往届花絮

报名咨询

冯小姐:021-39586681

Email:info@gasgoo.com


博客 gaohong

LV1
4 天前
38

“1中心3平台”智能交通大数据体系实践

1.jpg

为了构建现代化交通治理体系,提升品质交通服务能力,亟须构建强驱动与可持续的城市智能交通大数据体系。首先回顾了城市交通大数据研究的应用现状,然后分析了城市交通大数据的发展需求与目标,最后以广州市城市交通大数据应用为例,阐述了广州市“一个中心、三大平台”的城市智能交通大数据体系,为交通大数据的深入研究和应用提供借鉴,推动交通大数据的创新发展。

引言

现代化城市交通管理服务已经进入了以数据资源和信息技术为双轮驱动的新时期。大数据已经成为数字经济新时代不可或缺的生产资料,给城市交通的技术发展与应用革新带来了机遇和挑战,为交通管理和服务提供了更广阔的视野和更有效的途经。

为了推进交通治理体系和治理能力的现代化,提升品质交通服务能力,广州市面向新时代城市交通发展需求,健全完善了交通信息化建设管理体制机制,深入研究了城市智能交通大数据体系,搭建了广州市“一个中心、三大平台”的智能交通大数据体系框架,持续推进大数据等新一代信息技术在城市交通领域的融合应用,在数据感知、处理、应用等方面开展了一系列创新实践,为交通运输行业大数据应用提供经验借鉴。

城市智能交通大数据体系架构

本节结合交通大数据的研究应用现状及现代化交通发展需求,基于数据采集、数据处理、业务应用及服务创新等方面,分析城市智能交通大数据体系发展目标,构建城市智能交通大数据体系。

1 交通大数据研究应用现状

近年来,针对城市交通大数据的研究和应用方兴未艾,主要集中在大数据基础理论研究、大数据关键技术研究、交通领域大数据应用3个方面。

● 大数据基础理论研究主要涉及时效约束的大数据多尺度汇聚计算和动态图谱、高维空间的隐性知识序贯挖掘与演化模型、交通态势的预测机理与调控策略等领域[1]。

● 大数据关键技术研究主要从基于Hadoop框架的MapReduce模式、数据仓库、大数据处理/挖掘、中央数据登记簿、平台交通地理信息系统(geography information system-transportation, GIS-T)应用、基于非序列性数据操作、大数据融合处理、实时数据分发订阅等方面展开[2,3,4]。

● 交通领域大数据应用主要以数据驱动的方式,分析交通状况、出行规律,建立智能交通系统的分析、评价、预测模型,用于交通规划、管理、决策、控制、服务[5]。交通领域大数据应用主要集中在:城市交通数据与跨行业数据关联分析挖掘、城市交通流预测、城市旅游线路推荐及交通诱导、车辆识别系统、交通事故预警及安全监控、城市交通布局与规划、基于大数据的交通信息服 务[6,7,8,9]。

2.JPG

总之,当前交通大数据的研究应用缺乏针对城市整体智能交通大数据体系的顶层规划设计[10],包括数据采集、软硬件体系、业务及服务应用、保障体系及机制等方面的统筹规划、系统梳理、深入研究与融合应用。

2面向新时代的 城市交通大数据发展需求

依托交通大数据资源形成的“数据智慧”,亟须构建以交通大数据体系为统领、科技创新为驱动的发展模式,满足现代化交通管理服务需求。首先,需完善网络化、标准化的交通状态感知体系,进一步整合数据资源;其次,需创新交通大数据分析应用,支撑城市交通高效运营管理、智能化服务;第三,需强化顶层设计、融合发展,构建城市智能交通大数据生态体系。

3城市智能交通大数据体系发展目标

(1)从城市交通层面,驱动城市交通创新发展

以需求为导向、以数据为核心、以科技为支撑,围绕数据采集、传输、存储、处理、分析挖掘、展现应用、开放创新全链条,促进城市交通大数据开发利用,提升交通数据治理能力,支撑交通决策管理创新、交通信息服务创新,引导交通行业体制创新。

(2)从城市整体层面,推进城市融合智慧发展

基于城市交通大数据体系,围绕“交通出行空间”,以交通大数据为纽带,推动交通与城市其他领域数据共享、融合,促进城市规划布局、管理决策、运营服务的智慧发展。

(3)从产业体系层面,推动产业生态体系构建

基于大数据在智能交通的融合应用,优化保障体系和创新机制,发展相关软硬件研发、新兴服务业态,推动大数据产业和智能交通产业协同创新发展,打造城市交通大数据产业生态体系。

4城市智能交通大数据体系框架

以城市交通大数据中心为核心,结合人工智能、云计算、移动互联网、物联网等技术手段,通过数据采集平台、共享交换平台,全面采集、有机整合各种交通数据,以应用为导向,通过云平台对数据加以分析挖掘,从而支撑综合业务平台和创新服务平台的有关应用,并完善标准规范、保障体 系、数据共享开放机制、应用创新机制,构建适用于大中型城市的智能交通大数据体系(总体框架如图1所示),支撑新时代的智能交通运营管理服务。

城市智能交通大数据体系涵盖3个子体系、4个层级。3个子体系如下。

● 基础支撑子体系:包括智能感知平台和智能交通大数据中心。

● 创新应用子体系:包括综合业务平台和创新服务平台。

● 长效发展子体系:包括产业子体系、保障子体系、共享开放机制、应用创新机制。

4个层级如下。

● 感知层:以感知网络为基础,借助各类检测手段和检测设备,感知采集人、车、路、环境等交通要素数据,形成立体化、全领域的感知能力。

● 分析层:通过高速通信网络实现对“感知层”数据的传输,实现交通数据共享交换平台对数据的整合,实现对综合交通数据的深度分析,为应用层和服务层提供技术支撑。

图1

图1 城市智能交通大数据体系总体框架

● 应用层:应用的主体包括企业和政府。前者主要是应用数据提升企业经营管理效能,从而更好地提供交通运输服务;后者是以数据提升交通治理能力,增强模糊征兆预判能力,辅助精细化管理决策。

● 服务层:基于分析层的数据分析能力、应用层的基础业务能力,借助移动互联网等手段,创新实时互联交通服务模式和业态,面向公众提供出行诱导、查询、预约、支付、评价等综合性、一体化服务,也可进一步为分析层提供更加丰富、全面的交通数据。

广州智能交通大数据体系实践

1 广州智能交通大数据体系框架

广州市从促进数据感知共享、强化数据传输效率、深化数据挖掘分析、创新数据应用服务4个方面出发,构建了“一个中心、三大平台”的城市智能交通大数据体系,如图2所示。其中,“一个中心”指的是交通大数据中心,“三大平台”分别是智能感知平台、综合业务平台和创新服务平台。

2广州智能交通大数据应用案例

在智能交通大数据体系框架下,广州市强化数据融合分析与关联挖掘,构建跨维度数据分析能力,以大数据创新驱动行业治理和服务品质提升。下面根据框架的结构分别选取典型案例进行介绍。

(1)广州市交通行业数据共享与分析服务平台

作为交通大数据中心的核心组成部分,广州市交通行业数据共享和分析服务平台整 合了广州交通行业的数据资源。数据资源涵盖17个行业,共800多类数据,接入90余个交通行业信息系统,每天新增数据量超过250 GB。同时平台实现了跨部门、跨行业、跨领域的信息共享,接入广州市公安局、地铁集团、气象局、环保局等数据资源,支撑重点区域的客流监测分析、疏运保障、交通治理、高速路与快速路交通保障等应用。此外,该平台建立了广州市交通行业数据标准规范、数据资源目录、数据资源共享和基础应用服务等核心体系,按照交通部相关数据标准及本地数据应用需要,梳理完成5 000多项数据标准,进一步加强和规范了交通信息数据的共享管理工作,统筹管理全市交通行业数据资源,为各类业务系统提供数据综合集成分析能力。

(2)交通运行综合监测与融合管理平台

该平台采用多维度集成化数据融合管理方式,对机场、港口、铁路、公交、出租、地铁、水上巴士、客货运输、维修驾培、交通路网和站场、实时路况及人群客流等各领域情况进行集成管理,实现综合信息监测、多维专题分析、预警提醒等功能。平台通过业务融合分析,针对性地开展综合交通、公共交通、道路运输、城市交通治理等多个业务数据的决策研究,建立分层分级交通情形一站管控,为全面掌控交通态势、科学指挥调度提供支持。

(3)交通要素多源采集模式

城市交通大数据体系通过采集更多细粒度的数据,特别是客流、车流时空状态量化感知,强化交通需求、交通供给、交通环境的立体化感知能力。目前广州市交通行业已经形成了多源数据采集模式,通过视频、移动信令、机器视觉、卫星定位、一卡通、感器、微波、新一代蓝牙等采集渠道,感知车 流、客流、物流、道路、交通事件等要素的状态信息。其中,卫星定位数据为12.5亿条/天,已全面覆盖广州市的1.5万多辆公交车、2万多辆出租车、13万多辆客货营运车及2万多辆网约车,实现了车辆的实时定位、运营安全监管、出行信息服务等功能;视频有10 000多路,业务数据为2 000万条/天;IC卡数据约900万条/天。

图2 广州市城市智能交通大数据体系

(4)智慧春运3.0系统

为了疏解节假日客流激增高压,广州市交通运输局组织公交集团下属交投公司,集成公交、出租、客运、地铁、航空、铁路、视频、气象等与交通相关的230余类数据,利用大数据、人工智能等技术升级建成智慧春运3.0系统。该系统全面实时掌握当前情况,精准高效预测未来趋势,定量定向定方式调度运力,预先评估措施影响及复盘评价总结,形成了科技春运交通保障新模式。

(5)广州市公共交通智能管理服务平台

结合“公交都市”创建工作,广州市推进公交智能化应用示范工程建设,在智能公交管理系统基础上,建成广州市公共交通智能管理服务平台。平台从公交线网、运力、客流、服务监督、运营监测五大板块进行宏观管理,并对广州市的快速公交、定制公交、水上巴士、观光环线四大类特色公交进行综合性实时监测,满足人们对公交行业100余项信息进行综合查询、趋势分析的需求,以移动互联、全国一卡通互联互通等技术为市民提供便捷出行服务,集成人脸识别、智能调度技术提供一键叫车及时响应服务。

(6)城市综合交通运行态势监测分析系统

运用移动互联网、大数据、云计算、卫星定位等信息技术,基于交通行业数据共享和分析服务平台,广州市构建了集公交、出租、客运、道路运输、站场枢纽、公路等行业监管服务于一体的城市综合交通运行态势监测分析系统,为实时掌握各行业运行情况、快速开展交通指挥决策提供了有力的技术支持。

(7)公众出行信息服务

为了使公众出行可预期,通过整合多个部门数据,广州市打造了全方位、多模式、全覆盖的交通服务体系,推出了“行讯通”等综合交通信息服务平台,提供出行规划、线路导航、到站时间预测、候车提醒、公交到站提醒等20余项一站式信息查询,满足了公众实时了解在途位置、途经道路路况、出行所需时间、预估何时到达终点等预期需求。另外,为了拓宽信息服务覆盖面,广州市交通运输局通过与高德软件公司、阿里巴巴集团等主流互联网运营商合作,为公众提供了更全面、准确的信息服务。

此外,广州市在机场客流疏运、公共交通客流监测预测、公路客运发班辅助、出租车智能调度、出租车执法稽查、道路运行态势、视频智能化分析等方面深度推进大数据应用,形成了以“一个中心、三大平台”为支撑载体的智能交通大数据应用体系。

广州市智能交通大数据体系建设成效

广州以大数据创新驱动行业治理和服务品质提升,基于数据分析构建了政府决策规划、企业经营管理的现代化交通治理体系,面向公众普通化、个性化需求打造了智慧出行服务环境,总体上呈现出体系完备、有机融合、覆盖面广、门类齐全的良好局面。

(1)体系建设方面

按照“一个中心、三大平台”的框架,广州市从数据感知、分析、应用层面建成了广州智能交通大数据体系。目前,广州市交通运输局“十三五”信息化发展规划完成度接近100%,交通大数据应用覆盖政府、企业、公众三大主体,有力促进了广州交通现代化体系建设。

(2)数据共享方面

广州市交通管理部门与公安、气象、环保等相关部门以及广州机场高速公司等企事业单位建立数据共享机制,累计交换数据300多项,日均交换数据量超过1亿条。

(3)数据资源与服务方面

广州市交通行业数据共享和分析服务平台统筹管理全市交通行业数据资源,涵盖基础数据818类、标准数据422类,提供服务接口100多个,数据总量超800亿条,每天新增数据250 GB。平台为交通管理部门、企业各类业务系统提供了数据综合集成分析能力,已成为交通数据共享应用、规范管理的基础平台。

结束语

本文首先总结分析了国内外交通大数据研究应用现状及发展趋势,面向新时代分析了交通大数据的发展需求与目标,提出了城市智能交通大数据体系。该体系经过广州市智能交通的不断研究、探索和实践而形成,不仅是引领城市智能交通大数据持续发展的顶层设计,也是一套时代特征显着、开放创新驱动的方法论,具有理论意义和实践价值。随着新一轮科技革命和产业变革的深入进行,该体系框架还在不断地兼容并蓄、充实内涵,实践内容还在不断地加强智能感知、提升数据能力、深化应用创新。

未来的城市智能交通系统将更加关注智能效率、主动安全、生态环保、交互体验等多目标的协同,需要以交通运输行业供给侧结构性改革为主线,把握数字化、网络化、智能化发展契机,深度融合大数据、人工智能等新一代信息技术,逐步建立健全需求响应式组织、创新驱动型变革、产业生态链主导、智慧活力可持续的城市智能交通大数据体系化发展模式,稳步推进城市智能交通大数据创新应用实践。

(作者:张孜, 黄钦炎, 冯川 ,广州市交通运输局,广州交通信息化建设投资营运有限公司?来源:大数据期刊网)


博客 gaohong

LV1
4 天前
45

利用5G通信和远程控制补充和辅助自动驾驶

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的 ...查看全部

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的意义、时间表以及导入前的各类测试。

推动建立5G通信标准的国际组织3GPP*分阶段发布标准规格,建立了5G的标准。2019年即将进行试运行,2020年将正式实现商业落地。

* 3GPP(Third Generation Partnership Project):推动建立无线通信规格标准的项目。

本报告将根据各公司的演讲,主要介绍5G补充和辅助自动驾驶的作用。

?通过通信识别情况,补充车载传感器无法完全把握的领域(由于遮挡物使得传感器无法检测的邻近范围和广域信息等)。

?搭载使用5G的远程控制系统开展L4级自动驾驶车的路试。(根据日本警察厅的道路使用许可相关指南,在日本要开展L4级自动驾驶的公路测试,必须配套远程控制系统。)

此外,2019年12月3GPP的Release-16版本将敲定5G V2X(NR-V2X)的规格。与目前开展路试的LTE V2X相比,性能取得大幅提升,进一步真正地补充和辅助自动驾驶,兼容智能手机,还能实现V2P(汽车与行人通信)。

同时,为了应对未来数据转发量的飞跃性增长,正在考虑数据的分散处理。多接入边缘计算 (Multi-access Edge Computing, MEC)技术通过在接近终端的位置配置数据处理功能,实现通信的优化和减少延迟,由此可最大限度发挥5G的性能。

利用5G提升车联网将提高远程信息处理系统的便利性。如果进一步实现完全自动驾驶,车内将成为个人空间,使用信息娱乐功能的机会将增加,届时将需要实现更高速、更大容量网络连接的技术。

NTT DOCOMO的5G/C-V2X概念与发展

NTT DOCMO 5G创新推进室室长中村武宏以“NTT DOCOMO的5G/C-V2X概念与发展”为题进行了演讲。中村武宏分析了5G应用的意义、今后应用计划、利用5G实现的V2X通信对车载传感器识别功能的补充作用,还介绍了为实现上述功能开展的若干试验。

5G应用的意义与时间表:

在5G时代,利用5G的“高速、大容量(峰值速率:20Gbps)”、“低延迟(无线区间的传输延迟:1ms以下)”、“与多个终端的连接(同时连接数量:100万个设备/km2)”等特点开展的各类服务预计将应用至汽车行业等多个领域。

NTT DOCOMO计划到2020年东京奥运会和残奥会引入5G商业服务(采用2017年12月由3GPP建立的非独立 (Non-Stand Alone) 标准*)。在此之前,将于2019年世界杯橄榄球赛上导入5G的试运行。

* 全球大多数通信运营商都计划在5G应用初期实现与现有的LTE(4G)密切连接的5G服务(称之为非独立(Non-Standalone)方式)。

由于5G的引入耗时耗资,无法同时在全日本以统一条件开展。2020年将率先开始在最需要高速、大容量的区域(市区、世界杯橄榄球赛、奥运会、残奥会会场等)引入5G-NR(New Radio:5G导入的新无线通信技术)。据悉,日本全国道路(尚未最终决定)将制定优先顺序,分阶段逐步导入。5G的小区(Cell,一个基站的电波覆盖的区域)将与先进的LTE(eLTE)同时引入。郊区和农村也将在需要高速大容量通信的地区逐步引入点分布式5G-NR。

如右下图所示,2020年导入5G时,5G的区域与LTE的区域将同时存在。5G-NR的范围还将逐渐扩大至郊区和农村。其次,还将逐步导入对5G进一步扩展的技术(5G+)。

1.jpg

5G应用的意义

5G应用的时间表

开展5G的示意图

NTT DOCOMO:蜂窝V2X辅助车载传感器的感应功能

5G以蜂窝方式进行V2X通信(称之为蜂窝V2X)。将区域分割成一定的小区(Cell),在各小区内部署基站,利用目前用于手机与智能手机的无线通信设备。

蜂窝V2X是使用LTE或5G的V2X,支持通过基站的通信以及直接通信两种方式。具体分为V2V(Vehicle-to-Vehicle)、V2I(Vehicle-to-Infrastructure)、V2P(Vehicle-to-Pedestrian)、V2N(Vehicle-to-Network),分别承担各自的作用。

考虑到汽车的情况识别,车辆周围利用可靠度较高的车载传感器与摄像头(覆盖范围100-200m)覆盖,利用通信可覆盖以下领域:

1、距离很近但由于有遮盖物而无法利用传感器检测的领域

2、超出传感器检测范围的较远领域

3、检测实现顺畅导航所需的广域信息

通过车载系统与5G通信的组合,将实现更安全的自动驾驶。

蜂窝V2X的用例

补充情况识别的通信的可能性

2.JPG

资料:NTT DOCOMO

NTT DOCOMO参与的路试

<开发兼容5G的“On Glass Antenna”>

On Glass Antenna是AGC响应整车厂希望隐藏天线的需求,新开发的可安装在玻璃表面上的“车玻璃安装型天线”,可兼容28GHz频带和5G。2018年6~7月,NTT DOCOMO、AGC、爱立信三方共同实施路试,并成功实现最快11Gbps的5G通信。使用的车辆是日产GT-R,副驾驶座上安装基站开展了测试。

<索尼的New Concept Cart SC-1>

SC-1是一款EV概念车,在车辆前后左右搭载超越人类视觉能力的图像传感器,可把握360度全方位的环境影像,乘客在夜间也能在不开前照灯的情况下看清周围。行驶速度为0~19km/h。利用搭载于车辆前后左右的4K显示屏与5G通信,与索尼共同开展通过云识别标识以及自动驾驶测试(还能通过乘客的操作进行驾驶)。

<Flying View路试>

Flying View将4台摄像头的图像合成至无缝的俯瞰图像,可实时随意改变视角,还可监控周围。图像传输至MEC(下述)进行处理,并返回车辆生成图像。NTT DOCOMO与冲电气共同在富士高速上以160km/h的高速行驶验证了Flying View的有效性。

据悉,该系统还能用于建机确认周围情况。

3.JPG

2019年Automotive World上展出的兼容5G的On Glass Antenna

索尼New Concept Cart SC-1概念车远程操作路试(资料:NTT DOCOMO)

Flying View路试(资料:NTT DOCOMO)

此外,NTT DCOMO开展的“时速300km以上高速移动环境下的5G无线通信”等4项路试请参看以下报告:

KDDI:网联汽车的未来

KDDI株式会社技术企划总部车联网推进室室长 鹤泽宗文以“网联汽车的未来”为题进行了演讲。

网联汽车是指日本总务省定义的“始终联网、可双向通行的车辆”。(因此,ETC的利用和电视机接收信号不称为“网联”。)随着今后网联汽车的普及,有望应用至收集数据的利用/MaaS、安全驾驶/自动驾驶辅助、车内信息娱乐系统。

车辆与通信的互补关系

要实现车联网社会,下表中这些车辆各类通信技术的协调、合作和互补不可或缺。

车辆与通信的互补

车辆(单靠车载系统)

互补

通信

ITS

互补

蜂窝(Cellular)

4G LTE

互补

5G

资料:KDDI

在预防交通事故、减轻碰撞伤害方面,与车辆车载系统协调通信能起到作用。例如,发生“事故”时,紧急自动刹车属于传感器和摄像头等车辆车载系统的责任,发生事故时,安全带的动作等也由车载系统负责。同时,发生事故前几秒的信号灯信息、几十秒前的交通管制和堵车信息、以及发生事故后的紧急通报(HELPNET、欧洲的eCall)等由通信负责。

自动驾驶系统与通信技术的升级

?通信环境得到完善后,车辆安全行驶和自动驾驶方面,有不少传感器无法看到的外部环境信息通过无线通知,从而使车辆顺利运行的案例(称之为“网联ADAS”)。

?如果能够确认前方环境(100m以外没有障碍物和行人等),就可提高最高时速。

?如实现完全自动驾驶,车内将成为个人空间,信息娱乐功能将变得更重要,而5G则将成为必须。

KDDI:远程控制型自动驾驶的路试

日本警察厅依照2017年6月发布的指南,规定L4级自动驾驶车在日本公路上开展路试时,必须配备远程监控和操作人员。远程监控和操作人员需要与一般汽车的驾驶员一样,能够把握试验车辆周围和行驶的方向,可以准确地操作试验车辆的制动功能。此外,还要求通过影像把握试验车辆的情况,能够与车内乘客通话等。

KDDI在2017年12月开展了使用4G LTE通信的“远程控制型自动驾驶系统”路试,2019年2月使用5G通信开展了该实验。

<成功在爱知县的公路上开展L4级自动驾驶车的远程操作>

2017年12月,KDDI、Aisan Technology、Tiafoe三方实施了由爱知县牵头的2017年度“自动驾驶路试项目”的演示,这是首次在日本实施普通公路上的远程控制型自动驾驶系统的试验,成功进行了L4级自动驾驶车的远程控制。

此次路试车辆的驾驶座无人乘坐,利用预先构建的高精度3D地图在爱知县额田郡幸田町进行自动行驶,成功开展了检测到碰撞等危险时紧急制动等远程控制。

KDDI提供的通信系统连接4G-LTE网络、车载通信模块、远程控制台(远程操作人员所在地点)与云平台。试验车辆是丰田Estima,搭载5台摄像头(前后、左右、速度计),远程操作人员也能确认其影像。

成功实现了LTE同时对网联汽车发送相同信息

2018年4月,KDDI、诺基亚、Hexagon、KDDI综合研究所四方实施了自动驾驶时代高效地向网联汽车发送驾驶辅助信息的路试,验证了LTE同时向网联汽车发送相同信息的技术,尚属全球首次取得成功。

L4级自动驾驶车为了实现安全的驾驶,除了车载系统的加强以外,针对多辆列队行驶的网联汽车,在前车将掉落物体和异常天气等信息通知给后方车辆的功能、发送高精度定位补充信息等方面,可同时发送大量“驾驶辅助信息”的高效传输技术不可或缺。

此次验证的“同时发送相同信息”由于针对多个对象共享一个电波频带,因此可大幅提高电波的利用效率,即使未来网联汽车的普及量达到1000万辆的规模,也可能实现信息的实时稳定提供。

KDDI:5G带来的好处

5G实现了4G无法实现的许多东西,可为每个用例(系统利用者与系统进行沟通的场景)提供必要的条件。考虑到对于车辆来说具有很多好处的远程控制时的制动,摄像头影像传送至远程控制台、远程控制台的命令再传输至车辆这一往返的时间,缩小其延迟将是有效控制的关键。利用5G可实现如下好处。

5G为自动驾驶带来的好处

5G的特征性功能

为自动驾驶带来的好处

高速大容量

实现高精度影像、车辆信息的实时高速上传等

低延迟

实现远程控制无时间差的操作等

多连接

在复杂的环境下也能提供可靠的通信等

资料:KDDI

成功使用5G技术实现4K影像的实时传输

2018年5月8日,KDDI为实现无人自动驾驶车的远程控制,成功开展了4.5GHz频带车辆4K影像实时传输试验,该频带是5G的频带候补。使用了爱立信的5G试验装置。

在位于东京都新宿区内的4.5GHz频带试验区,成功实现了驾驶座的4K高清摄像头的前方影像、车内后视镜以及车外后视镜上的3台全高清摄像头,共计4台设备的影像信息的上行传输(从终端向服务器传输,该情况下是从车辆向基站传输),验证了除了原有的28GHz频带,4.5GHz频带也能稳定传输大容量信息。

由此,无人自动驾驶车的远程控制利用5G的高速大容量传输,通过高清影像,识别更远的人物和障碍物等动态信息,从而迅速作出判断和进行控制。

利用5G的多台远程监控型自动驾驶的路试

2019年2月9日,KDDI、Aisan Technology、KDDI综合研究所、损害保险JAPAN日本兴亚、Tiafoe、冈谷钢机、名古屋大学在日本爱知县一宫市开展了由该县牵头的“2018年度自动驾驶验证推进项目”的自动驾驶路试。这是日本国内首次在普通道路上开展5G多辆车远程监控型自动驾驶。

2辆自动驾驶车均是在 (1辆搭载4G LTE通信、另一辆搭载5G) 驾驶座无人乘坐的状态下进行自动行驶的。还有1名远程监控人员同时监控2辆车,在紧急时进行控制。

2017年12月开展的相同路试搭载4G LTE,只进行左转行驶,而此次开展的路试左右转弯均包含,5G配套车缩短了紧急时刻的制动时间,因此提升了车速,以30km/h的时速行驶。

软银:5G描绘的移动出行未来

软银株式会社技术战略统筹尖端技术开发总部总部长 涌川隆次以“5G描绘的移动出行未来”为题进行了演讲。

IoT(物联网)/AI(人工智能)的时代终于到来。物联网时代,所有事物都能通过通信连接。到4G为止,其应用如手机等都以人为主,但5G推动了IoT的发展,实现了原先依靠有线才能连接的事物。

自动驾驶方面,目前的技术以利用激光雷达或雷达把握环境等的车载系统为主,但通过利用网络(V2V、V2N、V2P、V2I),能实现更安全的自动驾驶。

当前的自动驾驶技术

利用网络的自动驾驶

资料:软银

软银:统一规格下的蜂窝V2X

3GPP正在推动5G统一规格的制定,蜂窝V2X的V2V、V2N、V2P、V2I将逐步得到实现。其用例包括以下场景:

?(V2V)前车摄像头影像向后方传输;

?(V2V)通过列队行驶(只有首辆车有人,第2辆开始无人驾驶),解决卡车司机短缺的问题;

?(V2I)恶劣天气下看不到的交通标志也通过通信来识别;

?(V2I、V2P)检测信号灯信息与行人信息

要普及V2X,交通基础设施行业、汽车行业以及软银等通信行业需要开展合作。即使这些行业对各自的情况十分熟悉,也无法构建有效的体系。

真正的自动驾驶将从Release-16版本决定的5G-V2X规格开始

当前的C-V2X是在2017年3月制定的统一规格,称之为LTE-V2X。2019年12月前将在3GPP Release-16版本决定5G V2X(NR-V2X)的规格,凭借高速通信速度和低延迟等优势,为自动驾驶作出重大贡献。

自动驾驶将向蜂窝V2X发展

真正的自动驾驶始于5G-V2X

计划利用5G网络实现自动驾驶社会

资料:软银

<利用5G的卡车列队行驶等的路试>

软银自2017年12月起负责日本总务省的调查,开始在茨城县筑波市启动卡车的列队行驶(首辆车为有人驾驶,后续车辆为自动驾驶跟随前车)以及车辆的远程监控和远程操作的路试。

软银开展高速移动中的卡车(时速60km~90km)与5G试验基站之间的信号传输试验,并成功实现了低延迟通信,将无线区间(单行道)的延迟时间缩短至1ms以下。此外,在列队行驶试验中成功实现了大容量影像的实时传输,将后续车辆上安装的摄像头拍摄到的影像通过车车间通信发送至前车。今后还将研究其他车辆进入列队时的对策。

V2V试验(车车间直接通信)

V2V试验(车车间直接通信)

资料:软银

软银:利用多接入边缘计算(MEC)最大限度发挥5G性能

实时发送本地化地图数据(资料:软银)

多接入边缘计算(MEC:Multi-access Edge Computing)是用于提高一定区域内通信处理效率的技术。将通信服务器放置在区域内,从而就不会将区域内通信量(网络上流动的数据量)带到区域外,只需在区域内进行处理。一般的移动网络由“终端-无线网-转接网-网络-服务器”的形式构成,但MEC在无线网内放置服务器,因此可以消除通过转接网与网络产生的通信延迟(通过网络与云平台通信时的延迟较大)。由此,可最大限度利用5G的能力。

用例包括卡客车的远程控制、根据外部传感器的信息远程驾驶自动驾驶车、利用AI进行驾驶员监控等。

涌川隆次表示,还具有为MEC的服务器增加地区性质的效果。例如,如果在各县安装服务器,还可实现实时向车辆发送各地区地图数据的服务。

同时,软银还在研究提高车载计算机的处理能力,但成本和用电量等方面还存在较多困难。反之,如果提高了MEC的处理能力,车载计算机只接收MEC处理的数据,那么车载系统就可实现简化,不需要频繁购买新车,也能保持最新的通信水平。

软银与本田共同利用5G启动网联汽车的商业化可行性研究

在本田的测试场内构建5G试验基站(backhaul是指连接终端(测试场)的接入线路与5G核心装置的交换电路)

(资料:软银)

2017年11月,软银与本田启动共同研究,以5G的普及为目的,旨在加强网联汽车技术。将开发高速移动中的汽车稳定切换通信基站(移交技术)等技术。

2018年11月,双方预计约2年后就将启动5G服务,开始构建利用5G的网联汽车开发环境、开展商业化可行性研究。在本田技术研究所位于北海道上川郡的测试场设置试验基站,使用符合3GPP规格的通信设备(诺基亚制造),构建最尖端的5G网络。这是首次在日本构建由针对商业化环境的非独立(Non-Standalone)标准规格构成的室外5G网络环境。

此次构建的5G网络环境可传输高清4K影像,今后还将致力于验证向车辆搭载的试验用终端传输影像。


博客 gaohong

LV1
5 天前
51

知荐 | 无人监督的学习对自动驾驶汽车有什么影响

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得 ...查看全部

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得人心的关键是提供高智能和安全性。

在本文中,您将了解:

监督与无监督机器学习方法

最受欢迎的无监督学习课程

在驾驶自动化中使用哪些类别的无监督学习算法

哪些算法适合无监督的ML类别的聚类,模拟和测试数据生成

无监督学习的好处

汽车中机器学习算法的使用案例

通常情况下,人们在驾驶时感到自信,不仅需要一个月甚至一年的时间。那么我们对机器的期望是什么呢?自动驾驶汽车需要机器学习。很多学习。反过来,机器学习需要数据来学习。自动驾驶迫切需要机器学习算法和数据来训练它们。给我们人类留下的是在选择正确的机器学习方法的同时提供数据。我们已经开始理清为什么机器学习算法是自动驾驶的一个组成部分。为了支持这一主张,我们来看看无人监督的机器学习,这是一种人工智能(AI)的一个分支,可以帮助机器有效地学习。

万一你忘记了无监督学习是什么......

术语无监督学习是指AI / ML训练模型,与监督学习相反。监督学习算法依赖于标记的输入数据和学习环境的特征。这样,程序根据已分类的数据预测输出。

无人监督的机器学习试图在没有任何人为接触的情况下为人工智能获得更多积分。无监督机器学习算法依赖于没有标签,预定义特征或指定分类集的数据。无监督的AI / ML系统从输入数据的根深蒂固的结构中学习。

哪些是最受欢迎的无监督学习算法类,哪些用于驾驶自动化?

有许多无监督的机器学习算法和它们可以属于的许多类别。无监督机器学习算法可以根据它们用于分组和处理数据的方法进行分类。

无监督机器学习算法的一种分类Teradata -机器学习算法

1.jpg

在应用基本的无监督学习技术时,数据科学家使用以下经过验证的方法:

特征分离技术

主成分分析(PCA)

奇异值分解(SVD)

期望最大化算法

双聚类

选择无人监督的自动驾驶汽车开发学习模型是经验丰富的数据科学家团队的特权,他们熟悉每种模型的优缺点。根据自驾车工程师正在解决的任务,上述无监督方法可用于自动驾驶汽车。

尽管如此,分析了汽车领域的数十个用例(查看本文最后一节中的实际用例),我们可以得出结论,汽车制造商及其数据科学团队最常在自动驾驶汽车中使用无监督学习模型:

聚类

模拟和测试数据生成

异常检测

聚类

聚类技术是最有效但相对简单的无监督学习方法之一,用于在查找输入数据中的固有结构和特征的同时对数据点进行分组。

在自动驾驶汽车中进行机器学习时,聚类技术可构建基于数据的预测和特征选择模型:

物体检测

驾驶遭遇场景

交通信息检测

轨迹选择

在某些时候,监督学习模型可能会失败。在这种情况下,当数据点有限,数据不连续或系统只有低分辨率图像时,聚类算法可能是正确的解决方案。例如,在不利的天气条件(如雾)或有某些障碍物(如树)时检测来自特定类别的道路标志时,分类算法可能无法正常工作。但是,由于能够检测对象的固有结构,聚类算法可以成功完成这些任务。

汽车中使用的一些典型的聚类无监督机器学习算法是k均值,均值偏移聚类和DBSCAN。

K-手段

该算法将数据点作为输入并将它们分组为“k”簇。它将每个数据项分配给最近的集群中心。在训练阶段之后,它返回一个输出,其中所有数据点都被称为特定集群的属性。

k-means聚类如何工作的示例

2.JPG

K-means在Python中进行聚类

在其他用例中,数据科学家使用k-means算法检测车道边界,并将训练数据转换为适当的格式,以便在自治系统中进一步处理。

平均移位聚类

这种类型的无监督学习算法被广泛使用并被认为是用于基于聚类的分割的高级和通用技术。看一看均值漂移聚类的一个定义:

给定一组数据点,算法迭代地将每个数据点分配给最近的聚类质心。到最近的聚类质心的方向取决于附近的大多数点所在的位置。因此,对于每次迭代,每个数据点都将移动到最大点所在的位置,这将是或将导致群集中心。算法停止时,每个点都分配给一个集群。

GeeksforGeeks

通过均值移位GitHub找到的原始非聚集数据与聚类- 比较Python聚类算法

在自动驾驶中,均值平移算法用于高级图像处理和计算机视觉开发。

基于密度的噪声应用空间聚类(DBSCAN)

该方法将高密度的簇与低密度的簇分离,在数据中寻找具有高密度观察的区域。它需要预设的最小数量的数据点来确定单个群集,这会转变为数据集中已定义的异常值的输出。

由DBSCAN GitHub执行的原始非集群数据与集群- 比较Python集群算法

数据科学家在自动驾驶中使用DBSCAN算法进行高级图像处理,驾驶场景聚类和计算机视觉开发。

使用无监督学习进行仿真和测试数据生成

使用无监督学习研究无人驾驶汽车的研究人员一直在寻找自动生成测试用例以反映现实驾驶场景的方法。根据一些估计,自动驾驶汽车需要行驶数十亿英里才能展示出所需的安全性和可靠性。但是,驾驶数十亿英里需要几十年的时间并且需要花费一笔不小的钱。这就是数据科学家喜欢使用无监督机器学习模型生成大量真实驾驶场景的原因。通过这种方式,他们可以在不同的驾驶条件和场景下测试模拟自动驾驶系统的可靠性和安全性。

走向另一个方向并省略现实世界的培训,自动驾驶汽车概念迎合了其他挑战。其中之一是需要大量的培训。巨大的训练数据集必须代表所有可能的驾驶,天气和情况的示例,以实现高水平的性能。如何在不花费数十年驾驶和拍摄图像的情况下获得数PB的训练数据?一个可能的答案是生成合成数据。接下来的问题是如何使用合成数据正确设计自动驾驶模拟。一种合理的可能性是使用生成对抗网络(GAN)。

在自动驾驶系统中使用GAN

尽管GAN被称为无监督学习方法,但其逻辑与无监督问题一起工作,就好像它是受监督的问题一样。它由相互对立的生成和判别算法组成。生成器生成示例,鉴别器评估这些示例,尝试将它们分类为真实或伪造。“真实”示例是根据训练数据集的实际数据进行训练的示例。生成和判别算法一起训练,直到达到最高准确度。

GAN作为训练方法

Medium - GAN - 什么是生成对抗网络(GAN)?

为了训练自动驾驶汽车,GAN有助于从头开始提供数据 - 主要是图像,因为它可以学习模仿任何数据分布。

自动驾驶模拟中的自动编码器

使用无监督机器学习模型驾驶模拟的另一种方法是通过自动编码器开发的。这种类型的无监督人工神经网络压缩和编码原始数据输入,然后尝试基于压缩或隐藏数据表示来重建输出。

运行中的自动编码算法Keras博客 - 在Keras中构建自动编码器

在自动驾驶模型中,自动编码器广泛用于模拟驾驶行为和预测风险模式。通过来自传感器和摄像机的数据,自动编码器有助于创建一个真实的测试环境,以训练车辆避免物体,反动控制,车道跟踪,甚至车辆转向。

用于自动驾驶车辆的异常检测算法

安全问题和缺乏信任仍然是人们拒绝乘坐自动驾驶汽车的主要原因。在自动驾驶汽车中进行无人监督的机器学习可以防止致命的碰撞和破坏性后果。异常检测方法可以是治疗方法之一。

自动驾驶汽车中的安全系统应配备异常检测模块,这些模块不会首先关注识别威胁。相反,他们首先尝试识别自动驾驶车辆的异常行为,从而防止严重的安全隐患。检测到异常行为时,系统会查找异常原因并尝试将其删除。除行为分析外,异常检测方法还支持入侵检测系统(IDS)和恶意软件防护。

例如,从未遇到过大象的自动驾驶汽车将其归类为具有不可预测行为的物体,并将停止汽车或切换到人为控制。同时,在新加坡的左侧行驶可能与训练场景不同,但不会被视为异常。

局部异常因子(LOF)

用于自动驾驶的无监督学习方法之一是局部异常因子(LOF)。作为一种常用工具,LOF表示一个分数,表示某个数据点是异常值/异常的可能性。LOF方法计算特定数据集内与其邻居相比的数据点的局部密度偏差。

无监督学习与监督:自动化问题的解决方案在哪里?

自动驾驶汽车是如此复杂的数据中心 - 由各种操作系统,控制单元和组件组成 - 有足够的任务用于各种机器学习算法。监督学习和无监督学习的优点和缺点取决于用例。尽管如此,许多人认为它将是无监督而非监督学习,这将使我们能够接近第五级自动化。以下是一些原因:

更好的可扩展性。大多数无监督机器学习算法不需要手动标记监控信号。这意味着具有广泛数据集的更好的可扩展性。

更便宜。在数据标记方面,无监督的机器学习更经济,因为标签数据非常昂贵且耗时。

收集数据所需的时间和精力更少。利用合成数据,科学家可以减少所需的实际训练数据量。现实世界的数据很难获得,但需要开发高质量的计算机视觉模型。

更好的性能和更低的硬件要求。自动驾驶汽车中的无监督学习模型可以通过人类驾驶员的最小输入自动学习道路特征。例如,神经网络需要最少的训练数据来从可用的命令中进行选择,例如前进,左,右和停止。

无偏见。虽然这一点有点争议,但偏差方差是监督学习模型的主要缺点之一。由于人工输入较少,无监督的机器学习算法应该具有更强的抗偏差性。

大型市场参与者已经准备好在自动驾驶汽车中投资机器学习和无监督学习模型

数据科学家面临的全球汽车界面临的最大挑战是制定适用于更广泛的部署方案的有监督和无监督的机器学习算法。如今,除了其他应用之外,OEM和一级供应商广泛使用机器学习算法来评估驾驶员的健康状况,对驾驶场景进行分类并协助制造。与此同时,机器学习仍然是汽车的一个有吸引力的领域,也是自动驾驶汽车的先决条件之一。这些只是企业使用机器学习算法的一些方面:

提高AV性能的准确性。总部位于以色列的公司Cortica与瑞萨电子公司合作,采用嵌入瑞萨 R-Car V3H片上系统的无监督学习模型,实现其自动驾驶汽车概念。他们表示,他们的无监督学习算法现在可以根据从前向摄像头接收的视觉数据进行预测。通过这种方式,公司计划提高系统对任何情况作出反应的能力,无论对象或环境是否先前通过深度学习转换为规则。

模拟最糟糕的驾驶场景。Waymo的自动驾驶系统在很大程度上依赖于机器学习算法,包括神经网络。该公司设计了一个神经网络来复制人类驾驶,特别是在最糟糕的情况下。当然,最终目标是防止五级自动化的致命后果。

预测故障和所需服务。沃尔沃使用机器学习算法来分析大量累积数据,特别注意防止故障和故障。

教授如何使用合成数据安全驾驶。谷歌的自动驾驶汽车每天可以增加300万个模拟里程。通过这种方式,Google不仅可以提高驾驶安全性,还可以使用模拟技术根据实际情况创建新的场景。

为公共道路建立自驾车概念。英国公司Wayve已成功测试了他们在英国公路上的自动驾驶汽车的模仿学习和强化学习算法,没有手动编码的驾驶规则。他们的自动平台是在全电动捷豹I-PACE SUV上制造和测试的。

我们相信AI和机器学习算法的改进 - 无论是有监督的还是无监督的学习模型的结果 - 肯定会有助于自动驾驶的成功未来。(来源 | 清研车联(ID:tsing_auto_i-tech))


博客 gaohong

LV1
5 天前
36

安信:2019自动驾驶趋势研究报告(十二)

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金6.2.1 车厂大规模自动驾驶计划进入倒计时自动驾驶产业进入大范围量产前夕,2020/20 ...查看全部

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金

6.2.1 车厂大规模自动驾驶计划进入倒计时

自动驾驶产业进入大范围量产前夕,2020/2021 年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业(Tier1/2、车厂)的量产时间表,2020/2021 年是绝大部分企业高等级自动驾驶(Level3/4)量产的节点。可以说,自动驾驶产业已经进入大范围量产前夕。

以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。结合国家《汽车产业中长期发展规划》、《智能汽车创新发展战略》(征求意见稿)以及产业链调研的结果。我们认为,以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。

6.2.2 2030年自动驾驶前装市场空间有望达到1400亿美金

L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。现阶段已经量产的自动驾驶系统中,实现 L2+功能的通用-凯迪拉克 CT6(参数|图片) 的智能驾驶配置包的报价在 5000 美金/套;特斯拉的 AutoPilot 系统,根据不同的实现功能,分别报价在 5000 美金/套、8000 美金/套。奥迪 A8 代表现阶段量产的自动驾驶的最高水平,已经达到 L3 级别,可以实现在高速公路上,以 60 公里/小时的速度完成自动驾驶功能,让驾驶员完全可以不用手握方形盘而去做其他的事情,在遇到紧急情况的时候,车辆会发出接管请求,并且给驾驶员提供 8-10 秒的时间评估路况,重新接管车辆进行控制,其报价在 10000 美金/套。参考上述车厂的自动驾驶前装套件报价,我们预计在大规模普及之后,L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。当然,不排除成本大幅降低后,整车厂将降低报价,让利消费者。


博客 gaohong

LV1
2019-09-12 15:10
58

安信:2019自动驾驶趋势研究报告(十一)

1.jpg

5.3 从封闭到开放,联合研发分摊开发成本

从封闭到开放,车企合纵连横,联合研发分摊开发成本。自动驾驶研发对于软硬件投入的门槛之高、投资回报周期之长无需赘言。整车厂选择自研的优势在于垂直整合,利于持续迭代,但劣势在于成本高,研发周期长。能否担负起初期一次性的研发成本,并在整个汽车销售过程中将其摊薄,这是车厂需要解决的问题。实际上,与其自身冒险的大规模投入,车企间从封闭到开放,合纵连横组建联盟,分摊无人驾驶先期的风险成本,缩短技术创新周期,形成规模效应,抢占时间窗口,成为产业新趋势。在共同利益的驱动下,我们已经看到奔驰、宝马、通用、本田、大众、福特等一线车厂,在自动驾驶技术研发领域达成战略合作协议,预计后续将有更多的车企加入到联盟中。

2.JPG

6.市场:蓄势待发,大幕将启

6.1 态度开放,需求旺盛,中国或成全球自动驾驶第一大市场

国内消费者对于自动驾驶的接受程度、需求、支付意愿均居于全球前列。1)接受程度。根据艾瑞的调研报告,相对于较为保守的美国消费市场,国内消费者对于自动驾驶持更加开放的态度,尤其在数据、安全性等领域;2)需求:腾讯人工智能与自动驾驶消费者调研,则表明国内消费者对于自动驾驶的需求较为普遍,近 60% 的人口对自动驾驶有需求。从调研样本来看,自动驾驶对女性与大年龄层消费人群存在更强的需求吸引力,在经济更发达且交通环境更复杂的一二线城市中接受程度更高;3)支付意愿。麦肯锡在 2018 年 4 月的调研显示,49% 的中国消费者认为全自动驾驶「非常重要」。国内消费者愿意为购买自动驾驶车辆支付高达 4600 美元的溢价,而美国和德国则分别为 3900 美元和 2900 美元。

3.JPG
4.JPG

中国已经是全球最大的汽车市场,有望成为全球自动驾驶市场第一大市场。从 1956 年中国第一辆解放牌卡车在一汽下线开始,经过 60 多年的努力,从自力更生到以市场换技术、合资建厂,再到自主研发,如今中国已经成为世界上汽车产销量最多的国家,根据 wind 数据,约占全球汽车市场 1/3。尽管 2018 年国内汽车销量市场首度出现负增长,但考虑到「汽车下乡」政策的托底,以及消费升级的趋势,我们对国内汽车市场的未来仍然保持乐观态度。巨大的消费市场叠加旺盛的自动驾驶需求,我们预计中国在未来同样将成为全球自动驾驶第一大市场。

6.jpg


博客 gaohong

LV1
2019-09-12 15:10
60

安信:2019自动驾驶趋势研究报告(十)

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的 ...查看全部

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围,会对自动驾驶的大规模普及造成严重的影响。我们认为,鉴于芯片的出货定价与量产情况有着密切的关系,不必过分担忧芯片的出货价格。考虑到自动驾驶计算平台高昂的研发成本(英伟达最新一代的 Xavier 芯片研发投入高达 20 亿美金),芯片厂必然会在尚未大规模量产的初期选择高定价的模式,来部分覆盖前期的投入。而一旦达到大规模量产(比如年出货量达到 100 万颗),则芯片厂能够很快回本前期的投入,芯片的定价之后有望与成本相挂钩,价格会急剧下降。


核心部件——激光雷达,合理的技术路径带动成本降低。激光雷达部件现阶段成本较高,以行业主要企业 Velodyne 的激光雷达为例,按照线束的密度进行报价——8万美元(64 线)、4 万美元(32 线)、4 千美元(16 线)。Velodyne 的激光雷达报价居高不下的原因,并非激光雷达的物料成本,而在于其采用了传统的机械式扫描的技术方案——机械式激光雷达的光学系统的装配和标定过程要求高度严谨的机械系统校准,同时,量产的一致性要求也会导致产能低下。现阶段,产业界的一致看法是打造出一台售价低廉的激光雷达关键就是将传统的旋转式机械设计换成固态设计,这样能大量减少可移动部件,激光雷达的结构和量产简单了,成本也就自然降低了。在新的技术路径下,众多产业界的厂商(包括 Velodyne)均预测未来激光雷达的量产成本将下调到数百美金/颗。

5.2. 政府助力车路协同(V2X)基建普及,显着降低单车改造成本

「聪明」的车+「智能」的路,车路协同(V2X)发展将显着降低单车改造成本。目前大部分对于自动驾驶硬件改造成本的讨论都停留在单车智能的技术路线和视角。实际上,国内的自动驾驶技术路线是智能网联的路线,即「单车智能」与「车路协同」协同发展。车路协同的价值和意义在于,如果说自动驾驶单车智能的价值是让路上的车辆都能变成由「二十年驾龄老司机」驾驶的话,那么车路协同则像是又给每辆车配备了一个开了「天眼」的交警,「他」将站在「完美」视角保障安全、疏导交通,高效分配道路资源。以一个交通路况复杂的路口为例,人类司机和自动驾驶车车载传感器由于视角和视线的局限,都只能感知到路况信息的一部分,那些看不到的障碍物造成了危险隐患;如果车路协同配备了「完美视角」路侧感知设备以后,利用高清摄像头等多种传感器加上边缘计算设备的识别能力,可以感知到路口范围内全部的交通参与方,并实现多种分析功能,把这些信息通过 V2X 通信实时的共享给路口的全部车辆,即可最大限度消除危险隐患。「车路协同」技术的演进和基础设施的普及,将会显着降低单车智能的改造成本。根据百度的预测,在车路协同的基础上,自动驾驶的研发成本可以降低 30%,接管数会下降 62%,预计可让自动驾驶提前 2-3 年在中国落地。

车路协同(V2X)已经成为国家重点发展战略,5G 基建点火助力。目前发展车路协同技术及其应用已纳入交通部智能交通系统发展战略。国家的在建项目有:新一代国家交通控制网和智慧公路试点工程/北京冬奥会、雄安新区项目等。从车路协同的技术体系来看,我们认为,5G 的普及将进一步提升车路协同的技术价值。根据中移动测算,自动驾驶车辆以每小时 60 英里(约 96.56 公里/小时)的速度行驶,在使用 5G 通讯网络的情况下,其收到某一反馈信息后实际上只移动了 3 厘米左右。现有 4G 网络时延条件之下,时速 100 公里的汽车,从发现障碍到启动制动系统至少移动 1.4 米。2019 年以来政府提出了科技新「基建」的政策发展方针。发改委副主任连维良表示今年将的「建设」的重点有五个方面,「加强新型基础设施建设」居于首位(包括 5G 的商用),我们预计政府将有财政资金配套产业政策扶持 5G 产业,快速完善科技新「基建」,为自动驾驶产业铺路。政府的保驾护航下,国内有望拥有全球最领先的自动驾驶基础设施(5G+V2X)。


博客 gaohong

LV1
2019-09-11 15:46
79

安信:2019自动驾驶趋势研究报告(九)

1.jpg5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显着下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。



?5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。


博客 gaohong

LV1
2019-09-11 15:46
56

安信:2019自动驾驶趋势研究报告(九)

1.jpg

5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显着下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。

3.JPG2.JPG


5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。



博客 飞奔的蜗牛

LV1
2019-09-10 15:59
108

安信:2019自动驾驶趋势研究报告(八)

1.jpg


2.JPG


自动驾驶 L3 商业化技术已经成熟,L4/5 加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进展,除了个别领跑者如整车厂(奥迪已经量产 L3 级别的自动驾驶车辆)、科技公司(Waymo 已启动 L4 级别机器人出租车的商业化运营),大部分公司的节奏是已初步掌握 L3 的核心技术,进入由 L2 向 L3 商业化过渡的关键阶段,同时 L4/5 加速发展进入验证试点阶段。

3.JPG

4. 政策:「绿灯」频开,合法上路在即

国家层面:自动驾驶汽车已成为全球汽车产业发展的战略制高点,国内顶层设计政策已出台。制造强国离不开汽车强国,汽车强国离不开智能汽车强国。全球众多国家已将自动驾驶汽车发展纳入国家顶层规划,争抢未来汽车产业发展的战略制高点,以求在汽车产业转型升级之际抢占先机。比如,美国交通运输部于 2016 年 9 月发布联邦《自动驾驶汽车政策指南》,持续推进自动驾驶汽车的安全监管与测试,并于 2018 年 10 月发布《为未来交通做准备:自动驾驶汽车 3.0》,加强自动驾驶汽车与整个交通出行体系的安全融合。日本在 2017 年发布《2017 官民 ITS 构想及路线图》,公布日本自动驾驶汽车发展时间表,提出 2020 年实现高速公路 L3 级自动驾驶功能,并在特定区域实现 L4 级自动驾驶应用。国内也已启动自动驾驶汽车发展国家战略规划,《汽车产业中长期发展规划》、《智能汽车创新发展战略(征求意见稿)》、《车联网(智能网联汽车)产业发展行动计划》等多部文件均对自动驾驶产业提出了清晰而具体的发展规划。

4.JPG

5.jpg


地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。

6.jpg

国家层面指导意见有望出台,监管有望不再缺位,确保自动驾驶车辆上路的「合法性」。目前的交通法规都围绕着一个关键要素——驾驶员,而且驾照、车险、交通法规等所有制度环节都假定「汽车是在人的操控下运行的」。而对于高等级自动驾驶汽车而言(驾驶权逐步更替成机器),在现有的制度下,会引发一系列现实的困境,例如:在交通事故中,如何判定哪辆车是事故责任方?自动驾驶车辆和传统车辆的路权如何分配?自动驾驶车辆想要规模化的上路,离不开底层的法律监管的创新,来确保其基本的合法性。可以说,相对于已出台的众多产业政策的大力支持,目前国内在关于自动驾驶技术的法律监管方面是缺位的。但考虑到国内的整个法律体制相对于全球其他国家,更具有集中的、自上而下的监管特点;具有不同职能部门之间可以实现更好协调的优势,我们乐观地判断,自动驾驶车辆上路合法性的监管文件有望尽快出台。最新的好消息是,交通部部长李小鹏在 2019 年 2 月 28 日表示,将力争在国家层面出台《自动驾驶发展指导意见》,有望彻底扫除自动驾驶车辆上路的法律障碍。整体上,高等级自动驾驶车辆上路合法化的路径,将跟随技术的成熟度逐渐放开,先从简单的高速公路路况开始,逐步开放城区等复杂场景,直至全场景。

地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。


博客 gaohong

LV1
2019-09-09 14:54
104

安信:2019自动驾驶趋势研究报告(七)

高精度地图对于自动驾驶的意义在于:1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有 ...查看全部

高精度地图对于自动驾驶的意义在于:

1)提升传感器的性能边界,作为感知层的安全冗余。在自动驾驶行业,传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程。然而,现有的传感器方案仍然存在改进的空间,包括传感器测量的边界(视觉、激光感知范围有限)、传感器应用的工况限制(如摄像头在雨雪天气无法正常工作)。高精度地图超视距的特点意味着其可以对整体道路流量、交通事件、路况进行预判,可以作为感知层的安全冗余;

2)提供先验知识。自动驾驶的基本原则:让车的判断越少、也就越安全。高精度地图可以提供车辆环境模型的先验知识,一定程度上减少自动驾驶车辆感知层的压力;

3)确定车辆在地图中的位置:人可以通过观察和记忆,而自动驾驶汽车只能通过高精度地图以及其创建的环境模型确定车辆在在地图中的位置。

4)提供车道级的规划路径。正如前文所述,高精度地图会把道路基本形态,特别是车道线展现出来,辅助自动驾驶车辆实现车道级的路径规划,支持并线超车等高等级的驾驶决策。

1.jpg

高精度地图是实现自动驾驶的必要条件吗?——Level3 及以上是必选项。基于美国 SAE 协会对自动驾驶技术等级的划分,在 Level 2 以下的辅助驾驶阶段(ADAS 阶段),高精度地图对整个辅助驾驶系统来说是一个可选项。当自动驾驶技术发展到 Level3 及以上时,要求车辆在高速公路、停车场泊车等特殊场景中实现自动驾驶,高精度地图的重要性开始凸显。业内公认要想实现 Level3 级别的自动驾驶,高精度地图将成为必选项。理由在于 Level3 的自动驾驶就意味着机器将完全取代人对于环境的监控,考虑到现有的传感器的性能边界尚不足以完全替代,引入高精度地图作为感知端的安全冗余增强整个系统的鲁棒性就成为了必然的选择。观察目前自动驾驶行业实践,无论是车厂推出的奥迪 A8(参数|图片)、凯迪拉克 Super Cruise 等已经量产的 Level3 车型还是百度、谷歌等互联网厂商的 Level4 自动驾驶方案都引入了高精度地图,进一步验证了上述观点。

2.JPG

3.2.5 自动驾驶OS

自动驾驶任务复杂需要稳定的实时 OS 支持。如果将自动驾驶汽车视为一个电子终端产品,那么除了组成的硬件、用来执行命令的算法(程序)之外,底层操作系统也必不可少。操作系统的价值在于可以更好的分配、调度运算和存储资源。一个汽车驾驶系统运行的软件包括感知、控制、决策、定位等一系列高计算消耗,逻辑十分复杂,对安全可靠性要求特别高的程序,简单的单片机无法实现,需要建立在一个成熟的五脏俱全的通用操作系统基础上,同时要满足实时性、分布式、可靠性、安全性、通用性等要求。从上述的要求可见,自动驾驶的操作系统与 PC 端、移动端操作系统的最大差别在于实时性。实际上,自动驾驶操作系统又称为实时操作系统(RTOS),可确保在给定时间内完成特定任务,「实时」是指无人车的操作系统,能够及时进行计算,分析并执行相应的操作,是在车辆传感器收集到外界数据后的短时间内完成的。实时性能是确保系统稳定性和驾驶安全性的重要要求。

3.JPG

3.2.6 HMI(人机交互)

自动驾驶时代,HMI 是连接用户与外部互联服务的重要入口。HMI 是驾驶员与车辆交互的桥梁,驾驶员可以方便快捷地在 HMI 中查询、设置和切换车辆系统的各种信息,在增强驾驶乐趣的同时,提升驾驶安全性。HMI 由中控、仪表、抬头显示、ADAS 系统等多个组件构成。传统汽车的人机界面 HMI 也被称作驾驭员界面(Driver Interface),驾驭员的首要使命(Primary Task)是驾驭,因此支撑和辅佐驾驭就天然成为 HMI 的中心功能,信息娱乐等作为次要功能(Secondary Task)。而在自动驾驶时代,随着驾驶员的注意力逐步释放出来,汽车从生产工具进化为家庭、办公场所之外的第三生活空间,HMI 将成为连接用户与外部互联服务的重要入口,产业地位将显着提升,HMI 的设计理念也将被颠覆。

4.JPG
5.jpg


3.3 5G+AI黑科技打通自动驾驶技术的「任督二脉」

5G+AI 是解锁高等级自动驾驶技术的关键所在。L2 升级到 L3、L3 升级到 L4,每一个自动驾驶级别的升级,都是一个质的飞跃。其中:

L2 过渡到 L3。L3 的主要升级在于实时监测环境并作出反应,其主要难点在于机器的感知能力能否达到要求。驾驶这种等级的车辆,司机只需要在系统提示的时候接管系车辆的掌控权或者完成判断,正常加减速、转弯等操作基本可以交给系统来处理。这一过渡需要解决的问题是,机器如何代替人进行可靠的周边行车环境感知?特别是在极端环境下仍然可以做到可靠感知,确保行车安全;

L3 过渡到 L4。L4 的主要升级在于完全交由机器来进行自主决策(即使是在紧急情况、激烈的驾驶情况下)。这意味着机器的认知智能要有实质性进步。上述问题的关键所在正是 5G+AI。

6.jpg

以深度学习为代表的 AI 机器视觉崛起,成功突破 L3 的技术瓶颈。以 Mobileye 的 L2 级别辅助驾驶为例,仍然是基于后端规则库的传统机器视觉,通过匹配后端规则库与前端摄像头的输入数据,进行物体的识别和跟踪。传统机器视觉最大的问题是,规则库是有限的,而汽车面对的环境是无限的。而在深度学习的框架引进并发扬光大后,AI 处理图像分类任务的能力大幅提升,错误率直接下降。以 ImageNet 机器视觉大赛为例,深度学习技术框架下的机器视觉和传统的机器视觉有着明显的量级的提升。我们认为,不断成熟完善的 AI 机器视觉配合高精度地图作为安全冗余,对于突破 L3 的技术瓶颈起到了关键的作用。

引入以强化学习为代表的 AI 技术,5G 打通外部「大脑」,助力 L4 自动驾驶场景的实现。传统基于搜索或者规则引擎的驾驶决策系统,往往只能采取非常保守的驾驶策略,即遇到障碍物立即刹停。而变道超车,加塞卡位等等在日常驾驶中经常需要面对的情况,目前的系统需要人为设计各种精妙的策略进行应对,在设计策略时一旦有所疏忽,后果很可能是车毁人亡。如何让机器真正像人一样的开车,学会自主的决策,是 L4 的关键所在。谷歌 AlphaGo 在围棋领域的成功是一个重要的标志性事件,其创新的引入了强化学习等全新的 AI 学习框架,模拟了人的思考方式,标志着机器智能的重要突破。引入强化学习的框架后,自动驾驶车辆可以像 AlphaGo 一样思考学习,进行自主决策。此外,以 5G 为代表的 V2X 的引入,相当于打通了自动驾驶的外部「大脑」,可以为自动驾驶车辆提供更实时、更全面的外部信息,更好的实现多车的协同、交互,突破单车智能的技术瓶颈,助力 L4 自动驾驶场景的实现。


博客 gaohong

LV1
2019-09-09 14:54
102

安信:2019自动驾驶趋势研究报告(五)

3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、 ...查看全部

3.2.1.4 5G/ V2X技术为自动驾驶打通外部「大脑」

5G/ V2X 技术为自动驾驶打通外部「大脑」。车联网 V2X 就是把车连到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人(V2P)。通过 V2X 网络,相当于自动驾驶打通外「大脑」,提供了丰富、及时的「外部信息」输入,能够有效弥补单车智能的感知盲点。可以说,V2X 是自动驾驶加速剂,能够有效补充单车智能的技术、加速反应效率。5G 网络具备低时延、高吞吐、高可靠的特性,大大提升了 V2X 传输信息的丰富性和及时性,也提高了 V2X 传感器的技术价值。


3.2.2 计算平台(主控芯片)

3.2.2.1 高等级自动驾驶的本质是AI计算问题,车载计算平台是刚需

自动驾驶就是「四个轮子上的数据中心」,车载计算平台成为刚需。随着汽车自动驾驶程度的提高,汽车自身所产生的数据量将越来越庞大。根据英特尔 CEO 测算,假设一辆自动驾驶汽车配置了 GPS、摄像头、雷达和激光雷达等传感器,则上述一辆自动驾驶汽车每天将产生约 4000GB 待处理的传感器数据。不夸张的讲,自动驾驶就是「四个轮子上的数据中心」,而如何使自动驾驶汽车能够实时处理如此海量的数据,并在提炼出的信息基础上得出合乎逻辑且形成安全驾驶行为的决策,需要强大的计算能力做支持。考虑到自动驾驶对延迟要求很高,传统的云计算面临着延迟明显、连接不稳定等问题,这意味着一个强大的车载计算平台(芯片)成为了刚需。事实上,如果我们打开现阶段展示的自动驾驶测试汽车的后备箱,会明显发现其与传统汽车的不同之处,都会装载一个「计算平台」,用于处理传感器输入的信号数据并输出决策及控制信号。


高等级自动驾驶的本质是 AI 计算问题,车载计算平台的计算力需求至少在 20T 以上。从最终实现的功能来看,计算平台在自动驾驶中主要负责解决两个主要问题:

1)处理输入的信号(雷达、激光雷达、摄像头等);

2)做出决策判断、给出控制信号:该加速还是刹车?该左转还是右转?

英伟达 CEO 黄仁勋的观点是「自动驾驶本质是 AI 计算问题,需求的计算力取决于希望实现的功能」,其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策,到底要采取什么样的行动,本质上是一个 AI 计算的问题,车上必须配备一台 AI 超级处理器,然后基于 AI 算法能够进行认知、推理以及驾驶。根据国内领先的自动驾驶芯片设计初创公司地平线的观点,要实现 L3 级的自动驾驶起码需要 20 个 teraflops(每秒万亿次浮点运算)以上的的计算力级别,而在 L4 级、L5 级,计算力的要求将继续指数级上升。

5.jpg

3.2.2.2 算法和芯片协同设计是计算平台的重要发展趋势

自动驾驶计算平台演进方向——芯片+算法协同设计。目前运用于自动驾驶的芯片架构主要有 4 种:CPU、GPU、FPGA(现场可编程门阵列)和 ASIC(专用集成电路)。从应用性能、单位功耗、性价比、成本等多维度分析,ASIC 架构具备相当优势。参考我们之前发布的行业报告《芯际争霸—人工智能芯片研发攻略》的观点,未来芯片有望迎来全新的设计模式——应用场景决定算法,算法定义芯片。如果说过去是算法根据芯片进行优化设计的时代(通用 CPU+算法),现在则是算法和芯片协同设计的时代(专用芯片 ASIC+算法),这一定程度上称得上是「AI时代的新摩尔定律」。具体而言,自动驾驶核心计算平台的研发路径将是根据应用场景需求,设计算法模型,在大数据情况下做充分验证,待模型成熟以后,再开发一个芯片架构去实现,该芯片并不是通用的处理器,而是针对应用场景,跟算法协同设计的人工智能算法芯片。根据业界预估,相比于通用的设计思路,算法定义的芯片将至少有三个数量级的效率提升。


博客 gaohong

LV1
2019-09-06 14:07
100

安信:2019自动驾驶趋势研究报告(六)

3.2.3 自动驾驶算法3.2.3.1 自动驾驶算法的定义和分类算法是自动驾驶的大脑。根据面向的不同环节,可以分为感知层的算法和决策层的算法。其中:1) ...查看全部

3.2.3 自动驾驶算法

3.2.3.1 自动驾驶算法的定义和分类

算法是自动驾驶的大脑。根据面向的不同环节,可以分为感知层的算法和决策层的算法。其中:

1)感知层算法核心任务——是将传感器的输入数据最终转换成计算机能够理解的自动驾驶车辆所处场景的语义表达、物体的结构化表达,具体可以包括:物体检测、识别和跟踪、3D 环境建模、物体的运动估计;

2)决策层算法的核心任务——是基于感知层算法的输出结果,给出最终的行为/动作指令,包括行为决策(汽车的跟随、停止和追赶)、动作决策(汽车的转向、速度等)、反馈控制(向油门、刹车等车辆核心控制部件发出指令)。

整体来看,不同等级的自动驾驶算法的焦点不同。L3 级别的自动驾驶,侧重于替代人的环境感知能力,因此感知层算法将是核心。L4 级别的自动驾驶,除了环境感知能力之外,侧重点更在于复杂场景的决策算法的突破。

3.2.3.2 算法验证迭代之路——仿真or路测

算法的验证及迭代需要路测+仿真。按照产业普遍观点,车企需要 100 亿英里的试驾数据来优化其自动驾驶系统,若要达到该测试里程数,按照目前的实际路测能力计算,即便是一支拥有 100 辆测试车的自动驾驶车队,7X24 小时一刻不停歇地测试,要想完成 100 亿英里的测试里程也需要花费大约 500 年的时间。为了破解这一难题,仿真测试成为大多数公司的共同选择。所谓自动驾驶仿真测试,简单来说,就是计算机模拟重构现实场景,让自动驾驶算法在虚拟道路上做自动驾驶测试,虚拟场景中也可以包含道路设施、老人小孩等各种行人。目前仿真测试已经成为了真实路测的一个有益补充,而未来随着深度学习技术地进一步深入运用,仿真测试将来自动驾驶研发方面发挥越来越重要的作用,并将推动自动驾驶技术早日实现商业化。相对于真实的路测而言,仿真的一大优势就是其可重复性,毕竟「人不能两次踏进同一条河流」,但仿真通过在计算机的虚拟世界中重构现实场景可以做到这一点。从产业来看,为了更高效的迭代和验证自动驾驶算法,仿真系统已经逐渐成为标配,Waymo、百度、腾讯将仿真系统研发作为头等大事;AutoX、Roadstar.ai、Pony.ai 等诸多自动驾驶初创公司也在自主研发仿真环境;业内开始出现 CARLA、AirSim 等开源式自动驾驶仿真平台。

4.JPG

3.2.4 高精度地图

高精度地图的定义和特性。在自动驾驶时代,「地图」一词已经失去了其传统路线图的含义。目前大多数车载地图的分辨率已足够用于导航功能,但想要实现自动驾驶,需要掌握更精确、更新的车辆周边环境信息,从而通过其他驾驶辅助系统做出实时反应。因此,未来的「地图」实际上指的是非常精确且不断更新的自动驾驶环境模型。目前,业界对于高精度地图所包含的内容尚未有准群的定义,但大体上高精度地图将满足「高精度+高鲜度」的两高特性:

1)高精度是指地图对整个道路的描述更加准确、清晰和全面。高精地图除了传统地图的道路级别,还有道路之间的连接关系(专业术语叫 Link)。高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道。即它把所有东西、所有人能看到的影响交通驾驶行为的特性全部表述出来;

2)高鲜度则是指数据将更为丰富以及需要动态实时更新。实时性是非常关键的指标,因为自动驾驶完全依赖于车辆对于周围环境的处理,如果实时性达不到要求,可能在车辆行驶过程中会有各种各样的问题及危险。

按照数据的更新频率,高精度地图可以分为静态数据和动态数据两层。

静态数据是指高精度地图需要将道路基本形态(车道线等数据),通过地图或矢量数据来正确表达出来。在静态高精地图模型中,车道要素模型包括车道中心线、车道边界线、参考点、虚拟连接线等;

动态数据是指天气、地理环境、道路交通、自车状态等需要动态更新的数据。

通过静态数据和动态数据的叠加,高精度地图将最终实现对于自动驾驶的环境建模。



博客 gaohong

LV1
2019-09-06 14:07
95

车载远程诊断,不能“缺诊少断”「GGAI视角」

到2022年,全球主要市场的新车都将搭载4G或5G连接服务,包括提供远程诊断、超视距安全警示(C-V2X)和空中更新等功能。通用汽车和大陆集团、安波福等供应商正在做的,是重新开始设计汽车的电气系统。将所有功能的软件整合到几个功能更强大的域控 ...查看全部

到2022年,全球主要市场的新车都将搭载4G或5G连接服务,包括提供远程诊断、超视距安全警示(C-V2X)和空中更新等功能。

通用汽车和大陆集团、安波福等供应商正在做的,是重新开始设计汽车的电气系统。将所有功能的软件整合到几个功能更强大的域控制ECU上,然后简化连接这些ECU的线路。

凯迪拉克CT5的推出就是新一代汽车电子电气架构中的第一款,采用了重新设计的电气结构,通用汽车将其命名为Global
B,并计划到2023年将其大部分车型进行更换。

今天,CT5的计算系统每小时可以处理多达4.5TB数据,是现有系统的五倍多。其他一些汽车制造商和供应商一起也在研发更快、更简单、更强大的电力系统。

大陆集团就是一家正在向汽车制造商交付其下一代交钥匙电气系统,计划明年量产。“线束仍然是可靠性和耐久性问题的一个风险因素,这是可能会磨损的东西之一,尤其是随着这些车辆老化。”

由于电线的减少,事故引起的电气问题也应该更容易解决。而接下来要做的,只需要面对几个域ECU就可以了,而且大幅降低修复时间成本。

新电气系统的另一个特点就是空中更新(OTA),汽车制造商可以通过远程操作完成应用程序或操作系统更新、漏洞修复等等工作。

5.JPG

智能汽车时代来临,更多的关注点集中在汽车的智能化,但对于汽车相关的服务涉及较少。

比如,许多OEM推出了全时在线的汽车,用户可以通过手机查看车辆的状态,包括但不限于车辆的位置、开关状态、油耗等信息,以及车辆相关的车险、车辆零部件使用情况等等。

这些信息对于用户而言,目前仅起到提示的作用,还不能发挥更多的价值。比如丰富的生活服务、消费娱乐体验,车辆每年需要完成的保养、零部件维修等等,也难通过智能化的车辆实现。

智能车和消费端的服务没有联通,原因就在于二者之间没有真正搭建起简化用户获取服务的桥梁。服务体系的搭建,不仅仅是汽车一端智能化就能实现,还需要有服务端的同步更新升级。

6.JPG

近日,元征科技发布了SmartLink元征超级远程诊断和X-431
ADS1汽车诊断学习机。对于消费者而言,可能不明所以,但对于汽车的故障诊断、维修而言,大有裨益。

元征科技1993年在深圳创建,2002年在香港H股上市,2003年推出汽车诊断设备X-431,2011年成功转香港主板。

元征科技以研发汽车诊断设备起家,如今已覆盖综合汽诊设备、汽保设备、举升机、车联网等多个领域,其中综合汽诊设备和举升机在行业领先。在大数据方面,截止到2018年,元征汽诊设备技师注册人数已达39万,预计2019年汽车诊断报告数可达4.5亿,汽车诊断报告覆盖车辆数达到4000万。

众所周知,汽车正在慢慢变的智能化,其基础是机械式部件被越来越多的电子器件取代,车辆的操控由一个又一个的ECU处理。当汽车发生故障时,能为其诊断把脉的也只有懂得这套复杂系统的“工程师”才能处理。

也因此,越来越多的软件诊断工具被研发推出,服务汽车的完整生命周期。

对于普通消费者而言,常见的就是远程诊断终端,通过OBD可以获取车辆的信息,作为对车辆的参考,但并不能作为满意的行车、养车指南。

因为,对车辆最终的确诊、维修、保养,线上无法实现,以目前的技术条件和汽车后端服务市场,也无法做到。

超级远程诊断维修端无需诊断设备,只需要一台超级远程诊断盒C头(SmartLink
C)连接网络和车辆,即可在“元征超级远程诊断”服务号发布车辆远程诊断需求,服务端B头(SmartLink
B)的技术人员则配合专业的诊断设备为维修端提供与之匹配的汽车诊断服务。

由于服务端支持原厂诊断设备、元征X-431诊断设备、甚至是第三方品牌诊断设备,或者直接利用原厂软件进行远程诊断服务,因此维修端的诊断功能完全不受地域、设备、车型、故障的限制。

远程诊断系统脱离了距离、地域的限制,让车辆可以通过远程在线诊断疑难杂症,同时能够生成可追溯的车辆维修报告,对车辆的运维提供参考依据。在上个车联网时代,远程诊断曾成为行业的热门,但囿于技术条件的不成熟,以及现实环境的复杂性,远程诊断并未成为一个真正便利车主的服务和产品。

其痛点在于,车载终端设备对于故障的检测排除得不到保障,远程维修又缺乏实际工具支持,车主并不能享受到一体化的远程“诊”“断”服务。

随着智能网联汽车的时代来临,车端智能化加速,车辆有了具备更高智能的基础,同时随着5G的高速发展,让远程在线服务成为了可能。

车端诊断能力的提升,远程诊断维护服务的出现,将会进一步加速用户对于远程诊断的体验提升。

博客 飞奔的蜗牛

LV1
2019-09-05 17:50
154

自动驾驶之“战”未完待续

在重庆初秋的烈日之下,自动驾驶汽车身上的瑕疵显得尤为醒目。我们谈了很多年的自动驾驶,时至今日,依然还不够完美。 ...查看全部

在重庆初秋的烈日之下,自动驾驶汽车身上的瑕疵显得尤为醒目。我们谈了很多年的自动驾驶,时至今日,依然还不够完美。

5.JPG

在2019 i-VISTA「中国电信 5G
杯」自动驾驶汽车挑战赛中,我们看到,AEB挑战赛中几乎让所有专业车队和个人选手“全军覆没”的“鬼探头”的场景;

“最烧脑”的城市交通场景挑战赛由于设置了合流道、丁字路口左转、障碍物识别及响应等随机场景,而使很多车队在比赛过程中出现了各种各样的状况;

创新应用挑战赛中全球首次在真实道路开展自动驾驶V2V/V2I赛项……赛前2小时才完成比赛场景的搭建,更让参赛车队没有机会提前“踩点”。

我们也看到,谈了很多年自动驾驶,想要实现100%
安全的AEB功能依然很难;APS功能还是很鸡肋,L4、L5自动驾驶汽车实现起来还有一段漫长的道路要走。

6.JPG

那么,通过这样一场比赛,对于自动驾驶,有哪些意义?为何会出现这样的比赛结果?国内自动驾驶技术与国外相比,还有多大差距?当我们谈自动驾驶时,我们尤其要谈什么?……针对此,盖世汽车采访了一些行业专家和参赛团队。

自动驾驶真正水平

所有的行业都如此,在发展初期,都难免遇到“骡子与马同行”
的问题,那么自动驾驶中,到底谁是骡子、谁是马,我们拉出来溜溜,就显而易见了。而这样的比赛,全程公开、透明,给了我们一次更真实地看到当前自动驾驶真正水平的机会。

中国通用技术集团检验检测认证工作组副组谢飞表示,“i-VISTA选择在重庆举办不是没有原因的,重庆的地形之复杂,全球无双,到了连现在的地图app都无法征服的程度”。

“来重庆参加自动驾驶赛,就相当于踢足球的人去参加世界杯;征服了重庆,就征服了世界。”他说。

中国汽车工程研究院股份有限公司副总经理、赛事组组长周舟表示,自动驾驶车辆是否能充分理解和适应复杂工况,也是此次挑战赛重点考察的方向之一。

“智能化是汽车产业发展的重要方向,许多高智能汽车产品的出现,已经颠覆了人们对汽车的认识。”周舟说,希望通过此次自动驾驶汽车挑战赛,向人们进一步普及汽车自动驾驶技术,让更多人看到并了解汽车的智慧。

福瑞泰克CTO沈骏强则表示,我们看到在i-VISTA的AEB、APS的比赛中,各个队的表现并不如人意,这是意料当中的事情,通过这场比赛也说明ADAS系统在提高车辆的智能化和安全性方面还有很长的路要走。

自动驾驶自主品牌

有比赛,就有结果。今年的比赛结果,有些出人意料,意外跑出来一匹黑马。在第一天的比赛中,丰田车队在 AEB
车车环节,无论是个人还是专业组都取得第一,但在下午的车人环节,河南护航车队取得大比分领先,总分也从第二跃居到第一,丰田屈居第二。对比上下午数据,
在下午的车人环节,可以看到除河南护航车队, 其余专业组车队几乎全军覆没。

自主品牌在ADAS领域的崛起,是有目共睹的。福瑞泰克公司作为ADAS
Tier1供应商,提供给主机厂包含硬件,算法,软件,集成等在内的完整的ADAS系统解决方案,为主机厂提供国内先进的ADAS功能,其先进的产品技术和灵活的合作方式,赢得了国内多家主机厂的合作开发项目,并已开始实现产品在主机厂量产车上的批量供货。

此外,在个人组AEB比赛中,夺得前三甲的参赛车辆分别是丰田凯美瑞2019款2.0 G豪华版、吉利几何A高维标准幂方版、长安CS75
PHEV,而奔驰E200轿跑车、沃尔沃V60智雅、福特翼虎2017款尊翼等都未取得好的成绩。

在个人组APS比赛中,参赛车辆中的小鹏G3 2018款智享版以150分的满分成绩夺冠,而参赛车辆中特斯拉 ModelX 90D
2016款(选装)、福特翼虎2015款2.0T 运动款、奔驰2016款C200L运动版等表现出乎意料,并未如想象中取得好成绩。

对于这样的比赛结果,福瑞泰克CTO沈骏强表示,与自动驾驶相比,虽然AEB和APS系统看上去相对简单、功能单一,但其技术含量非常复杂,需要投入的开发也非常庞大。今后,还需要加强感知系统的感知能力,决策和控制系统的能力。在执行机构的反应进度和延迟等各个环节的技术和产品能力都还有很大的提高空间。

在他看来,从测试角度来看,目前AEB系统强调的是正向的触发测试,今后需要加强误触发测试,这样,能够更加全面地对AEB系统性能进行测试和评估。在AEB和APS方面,自主品牌和外资/合资的产品相比并不差,在有些方面甚至超越了外资和合资品牌。

以AEB系统为例,他举例称福瑞泰克开发的L2智能驾驶系统,以全球领先的ADAS控制算法和软件为平台起点,开发了包含ACC, LKA, PA, AEB,
TSR,
智能大灯控制等功能,为国内主机厂提供量产的L2智能驾驶系统,目前福瑞泰克智能驾驶系统已在吉利的一款量产车型上搭载,在今年5月份,搭载了福瑞泰克L2智能驾驶系统的一款量产车,获得C-NCAP
AEB测试满分的成绩。

自动驾驶安全问题

自动驾驶发展至今,从科幻电影中开始逐渐走进我们的生活。在快速发展过程中,也给我们带来了很多困惑。自动驾驶汽车频频发生的事故,让公众开始对其产生质疑,自动驾驶汽车真的就比人类驾驶员更安全?

相关数据显示,90%的交通事故是由于驾驶者的注意力不集中而引起的,而AEB系统则可以有效避免事故的发生,即使发生碰撞事故,也会大大减小事故带来的人身伤害和财产损失。

对于自动驾驶带来的安全问题,重庆邮电大学的朴昌浩教授认为,技术的发展总是伴随着社会的发展,现在我们看自动驾驶、看无人车是新鲜事物,容不得它犯错。

在朴昌浩教授看来,我们对待自动驾驶、无人驾驶汽车,要像对待一个小孩子,接受它会犯错,甚至会重复犯错,但我们最终会原谅它、接纳它。正如特斯拉当年骇人听闻的交流电,最终飞入寻常百姓家一样。

自动驾驶在发展的过程中,犯错是正常的,我们确实应该正确看待和认识出现的错误。而这样的一场比赛,正是可以让我们看到问题的所在,然后去发现问题、解决问题。

沈骏强则表示,L4级别的自动驾驶从商业化进程角度来看,还处于初级阶段。从这次比赛中出现的各种问题,也可以看到,自动驾驶离商业化落地还有很大的距离。

他分析指出,出现的问题主要体现在以下三个方面:一是技术本身,包括感知,规划,定位,控制等,还没有达到L4商业落地的要求,特别是针对各种corner
case的应对能力还远远不足;

二是测试,
L4系统还需要大量的测试,不管是仿真测试还是实车测试,里程数量以及这些里程所对应的各种不同的场景,还远远不够。除了里程数,还要强调里程对各种场景的覆盖度;

三是需要有符合功能安全要求的感知,计算和控制系统。

自动驾驶商业化进程

在众多参赛队伍中,此次本土企业长安汽车在其参加的五项比赛中,有三项进入前6名。其中,APS以150分满分成绩拿下冠军,商业化进程挑战赛中以2800分获得“量产或准量产”级别的冠军。

长安汽车智能化研究院智能驾驶所高级经理梁锋华表示,长安汽车此次参赛侧重于量产或即将量产的赛项,仅有AEB比赛受到场地、天气影响,场地的摩擦系数剧烈下降,导致刹车距离缩小。

梁锋华还表示,长安汽车的L3级别自动驾驶技术实际上已经非常成熟,在实际比赛场地上基本没有做太多调试,而是直接把准备做量产上市的技术拿过来简单做了一下场地适应便参加了比赛。

在他看来,目前长安汽车在L3级别的商业化量产上已走在了前面。预计长安汽车的L3级别的商业化量产将会在2020年开始。

同时,L4级别自动驾驶车辆长安也同步进行开发。该级别的车辆已在仙桃数据谷的园区中开始示范运营,长安汽车预计能在2025年开始商业化量产。

不过目前量产车上搭载的,最高也不过是L3级别的自动驾驶技术。沈骏强认为,ADAS相当于自动驾驶领域的一个阶段,涵盖L1 –
L3阶段。准确地说,他认为L1到L5应该被称为智能驾驶。其中,L3及以下属于ADAS,L4及以上是自动驾驶。

针对自动驾驶商业化进程挑战赛,谢飞表示,在高速公路开展测试的难点,在于当汽车处于高速行驶状态,“车脑”对环境的感知和运算、处理、决策能力都必须大幅增强。中国的高速公路环境比较复杂,比如有不少快速变道穿插的车辆,如果要进行开放测试,不仅要提高汽车的“智商”,还必须强化路上设施的智能网联水平。

自动驾驶的应用场景愈来愈多,如今,我们在在机场、港口、工厂甚至田间地头,我们都能看到自动驾驶汽车的身影,未来汽车产业的发展前景也更加广阔。

对于目前自动驾驶的发展现状,福瑞泰克方认为,自动驾驶还有漫长的道路需要循序渐进的发展,汽车智能化首先需要强调安全性。自动驾驶是终极目标,ADAS是走向更高级别自动驾驶的基础和铺垫,我们需要聚焦到更切实可行的L2-L3商业化之上,不断有适应市场和消费者需求的产品投放市场。

小结

2019
i-VISTA挑战赛已圆满结束,但自动驾驶之“战”未完待续。自动驾驶技术关乎生命安全,每一位行业者都应该心存敬畏。如何规避“泥沙俱下”的问题,也许一场比赛就可以解决。是金子总会发光,自动驾驶行业也开始进入淘汰期。潮水褪去,裸泳者该如何遮羞?

博客 飞奔的蜗牛

LV1
2019-09-05 17:50
115

安信:2019自动驾驶趋势研究报告(四)

1.jpg

3.2.1.2 环境感知传感器的发展趋势

环境感知传感器的技术方案主要可以分为视觉主导和激光雷达主导。1)视觉主导的方案:摄像头(主导)+毫米波雷达+超声波雷达+低成本激光雷达,典型的车厂是特斯拉。特斯拉最为激进,创始人马斯克坚持在其方案中不加入激光雷达;2)激光雷达主导的方案:低成本激光雷达(主导)+毫米波雷达+超声波传感器+摄像头,典型的代表是 Google Waymo。目前,谷歌 Waymo 自己组建团队研发激光雷达的硬件,把成本削减了 90% 以上,基本上是 7000 美金左右,同时也已经在美国凤凰城地区进行商业化的试运营。

2.JPG
?传感器各有优劣势,技术方向的最终定型取决于技术的发展速度以及部件成本的价格曲线。

1)摄像头——非常适用于物体分类。摄像头视觉属于被动视觉,受环境光照的影响较大,但成本低。摄像头生成的数据,人就能看懂,不过其测距能力堪忧。摄像头非常适用于物体分类。

2)雷达——在探测范围和应对恶劣天气方面占优势。在探测距离上优势巨大,也不怕天气影响,但不善于识别物体分辨率。

3)激光雷达——优势在于障碍物检测。激光雷达是主动视觉,和摄像头这类被动传感器相比,激光雷达可以主动探测周围环境,即使在夜间仍能准确地检测障碍物。因为激光光束更加聚拢,所以比毫米波雷达拥有更高的探测精度。但激光雷达现阶段的成本较高。总体来看,为了更好的安全冗余,各类传感器的融合是技术路线的必由之路,而最终技术方向的定型取决于技术的发展速度以及部件成本的价格。

3.JPG

?3.2.1.3 高精度定位传感器的发展趋势

高精度定位模块是自动驾驶的标配。要实现车辆的自动驾驶,就要解决在哪里(即刻位置)、要去哪里(目标位置)的问题,因此高精度定位传感器(厘米级精度)模块需要应用于 L3 以上自动驾驶。

4.JPG

5.jpg

按照不同的定位实现技术,高精度定位可以分为三类。第一类,基于信号的定位,代表就是GNSS 定位,即全球导航卫星系统;第二类,航迹推算,依靠 IMU(惯性测量单元)等,根据上一时刻的位置和方位推断现在的位置和方位;第三类是环境特征匹配,基于激光雷达的定位,用观测到的特征和数据库中的特征和存储的特征进行匹配,得到现在车的位置和姿态。观察目前产业的主流方案,普遍采取融合的形式,大体上有:

1)基于 GPS 和惯性传感器的传感器融合;

2)基于激光雷达点云与高精地图的匹配;

3)基于计算机视觉技术的道路特征识别,GPS 卫星定位为辅助的形式。

6.jpg
7.JPG

博客 gaohong

LV1
2019-09-04 13:33
142

北京地平线信息技术有限公司创始人兼CEO余凯:自动驾驶是边缘计算的一大重要应用

9月3日,在工业和信息化部、上海市人民政府指导下,中国半导体行业协会、中国电子信息产业发展研究院联合主办的第二届全球IC企业家大会暨第十七届中国国际半导体博览会(IC China 2019)在上 ...查看全部

9月3日,在工业和信息化部、上海市人民政府指导下,中国半导体行业协会、中国电子信息产业发展研究院联合主办的第二届全球IC企业家大会暨第十七届中国国际半导体博览会(IC China 2019)在上海举行。北京地平线信息技术有限公司创始人兼CEO余凯出席会议并发表了主题演讲。

156749573950468383.jpg

余凯表示,IT技术的历史变迁,从一个维度上来讲,一直是围绕终端进行变化,计算终端的这种变迁,将助力计算机发展史,迎来AI新时代。5G把人们带入到万物互联的时代,在这样的节点上,很多产品在一定意义上,需要具备感知、理解和决策的能力,朝着无处不在的领域发展。地平线成立之处,将名字取名为Horizon,愿景就是希望能够成为未来无处不在的底层赋能者。余凯表示,在经历了小型机时代、PC/笔记本电脑时代、智能手机时代之后,人类即将来到万物互联时代。未来,智能机器的数量,将会数倍于全球总人口数,蕴含前所未有的商业机会。

在巨大商机到来之时,对于企业来说,余凯认为,边缘技术将成为解决终端数量激增和海量数据计算挑战的关键技术。余凯表示,未来,边缘计算的占比会越来越大。现今边缘计算主要场景还是在云端,但不可否认的是,这其中存在一些隐私问题,能不能做得更好,能不能本地计算,值得期待。

余凯在演讲中介绍了边缘计算的五大特点,并表示这将使得其在未来将扮演重要角色。第一,可靠新高,可以在离线状态下正常完成工作;第二,具备高实时计算性能,可减少反应延迟;第三,可灵活部署,完成更高效的协同工作;第四,可以降低数据传输、存储成本;第五,安全合规,满足用户对于隐私的要求。余凯认为,5G技术加速推动,边缘计算势在必行。

自动驾驶是边缘计算的一大重要应用。余凯表示,在汽车行驶中,可以实时识别路旁行人等行驶环境非常关键。尤其是在网络带宽并没有保证的情况下,更需要边缘计算来保证整个车载系统的安全。随着5G的到来,人们进入万物互联时代,车载的人工智能计算成为一个很重要的业务场景,这是余凯眼中能够带来巨大用户体验、用户价值、提升行驶安全的机遇。余凯将无人驾驶看作是车载人工智能计算最有想象力的未来,但是现今的无人驾驶,仍有一些问题有待解决。自动驾驶必然会成为未来,但是如今来看,人工智能只实现了辅助驾驶,尚不能完全的代替司机,目前只能让司机更加安全,实现包括车载娱乐导航、人机交互、高精度地图等功能。余凯表示,在自动驾驶的等级中,三级自动驾驶是一个转折点,是人机交互的切换点。目前,真正在产业界规模化量产的是辅助驾驶,三级自动驾驶大概在2023年出现。但是,边缘计算在自动驾驶到来之前已然到来,它可以产生巨大的市场规模。

边缘计算比没有大家想象的那么简单。据余凯介绍,虽然边缘计算既不能算作边缘,也不能算作数据中心,但其计算负载依旧很大。一辆自动驾驶车辆平均每天产生600-1000 TB数据计算,仅2000辆自动驾驶车辆产生的数据量超过2015年我们整个文明社会一天数据用量,大规模设备端部署需要成本效率。但自动驾驶带来的便利更值得关注。自动驾驶数据的爆炸更需要更强大的边缘计算产品接力。

余凯认为,自动驾驶带来的便利更值得关注。自动驾驶数据的爆炸更需要更强大的边缘计算产品接力。余凯更看好边缘处理器在智能驾驶发展过程中发挥的重要作用。据了解,自动驾驶L1-L5需要的强大算力促使软硬结合创新驱动“新摩尔定律”。AI处理器的真实性能即将被重新定义。“AI芯片的‘新摩尔定律’,即芯片的计算效率、编译器和Runtime的优化、算法的优化三者相加,才能完成真是性能的全面优化。”余凯说。

众所周知,车规级芯片产品开发周期长,难度大,是硬科技、长跑道的创新,需要经过处理器设计流片、车规级认证系统方案开发、车型导入、测试验证等较长的周期测试,应对各类智能驾驶场景的特殊挑战,余凯认为,企业更应该赋能行业伙伴,加速落地。“目前三个应用方向。第一,无人低速小车,企业可以与国内最大的无人低速小车制造商深度合作,国内外运营商批量部署。第二,自动驾驶车队,赋能欧美的多家自动驾驶技术公司上千级的车队,帮助加速国内车队落地,装配数达上百台。第三,商用车/干线物流,企业可以与国内领头商用车主机厂合作,目标2021年搭建商用车自动驾驶平台。

据了解,地平线已经宣布量产中国首款车规级人工智能芯片——征程二代。车载AI芯片被余凯看做是人工智能行业的珠穆朗玛,也是自动驾驶实现大规模落地的前提。未来,地平线将持续发挥AI时代底层赋能者的核心优势,秉持开放赋能的心态,助推自动驾驶时代早日到来。众所周知,车规级芯片需要满足“高安全性、高可靠性、高稳定性”的技术标准要求,并需要经过严苛的研发、制造、封装、测试和认证流程,产品开发周期长,难度大。余凯表示,地平线有望于明年上半年获得双位数的前装车型定点。率先搭载地平线车规级AI芯片及解决方案的量产车型最早将于明年年初上市。

据了解,地平线在后装市场的商业化落地亦在加速推进,目前已同包括首汽约车、SK电讯在内的多家国内外知名出行服务商、运营商达成合作,基于地平线AI芯片及算法,提供辅助驾驶(ADAS)、车内多模交互、高精地图建图与定位等一系列智能化解决方案,并已实现批量部署,预计未来两三年内能够部署上千万辆汽车。此外,地平线高性能、低功耗、低成本的AI芯片及解决方案Matrix得到了国内外自动驾驶厂商和Robotaxi运营车队的青睐,目前已在海内外赋能近千辆L4级别的自动驾驶车辆,Matrix已成为全球L4自动驾驶计算平台的明星产品,未来两三年将有望到达万辆级规模的出货。


博客 gaohong

LV1
2019-09-04 13:33
130

安信:2019自动驾驶趋势研究报告(二)

自动驾驶关乎时间、关乎生命,将释放巨 ...查看全部

1.jpg自动驾驶关乎时间、关乎生命,将释放巨大的社会价值:

1)自动驾驶关乎生命。滴滴程维曾表示,理论上,机器比人更适合开车。人其实并不很适合开车,人类的可靠视距大概只有两三百米,但是激光雷达可以看到更远。人类只能看到前面 180° 的视角,看不到后面有车追尾,机器可以环顾 360°。人只能靠个体学习积累驾驶经验,用公里数换经验,但是机器可以 100 万辆车共享一个大脑,去学习沉淀经验。人类开车走复杂路段,是靠自己的经验控制方向盘,但是机器可以学习舒马赫怎样精准过弯。人类操纵汽车是靠手感,是靠脚踩下去的感觉,机器人可以精确到毫米、微米去控制机械。机器也不会疲劳驾驶、酒驾。在技术足够成熟的前提下,机器驾驶的综合安全性会比人类高一个量级,而这意味着全球每年死于交通事故的 125 万人死于道路交通事故的人员(WHO《2015 年全球道路安全现状报告》),有更多生命得到拯救。

2)自动驾驶关乎时间。罗振宇提出了「国民总时间」的概念,时间是最有价值、也是最稀缺的资源。在大部分人的一天 24 小时中,上下班通勤是逃不掉的固定时间支出,尤其是在地理尺度较大和职住问题严重的大城市,交通拥堵会令本已很长的通勤时间加倍延长。高德地图《2018 年度中国主要城市交通分析报告》显示,以北京为例,人均年拥堵时间高达 174 小时。按照拥堵损失=城市平均时薪*因拥堵造成的延时*人均全年通勤次数的计算公式,根据百度测算,国内每年因为交通拥堵大概会造成 GDP 的5 % 到 8% 的损失。自动驾驶时代,用户在车上的时间会被解放出来,这些时间都可以转化成生产力,释放巨大的经济价值。

2.JPG

在释放巨大社会价值的基础上,自动驾驶将激活、重塑和创造多个万亿级市场:

1)自动驾驶将激活汽车市场。智能、安全和人机共驾的新体验将重新激发人们换车的需求;

2)自动驾驶将重塑出行市场。MaaS 将解决如今困扰消费者和出行服务商的最大问题——司机成本和「坏人」风险。如果说当前的网约车只解决了出行需求的一半问题,那么未来自动驾驶出租车将是另一半问题的答案。此外,自动驾驶应用到商用场景,用机器替代日益高昂的人力成本,也将创造巨大价值;

3)自动驾驶将创造新的消费经济和生产力市场——乘客经济。这些时间,乘客在路上或消费,或工作,或娱乐,每一辆车都可以变成移动的商业地产。

更进一步,除了上述三个市场之外,自动驾驶技术的普及还会产生间接的二级效应,对能源、房地产、保险等行业都会产生深远而巨大的影响。

3.JPG

1.3 现象级事件频发,自动驾驶拉开商业化序幕

自动驾驶不再是梦想,主机厂规模化量产即将启动。回顾自动驾驶产业发展历史,大致可以分为如下阶段:

1)源起。自动驾驶技术的探索最早可以追溯到 1980 年,美国率先开启了自动驾驶汽车在军事领域的应用。美国的国防高级研究计划局(DARPA)和卡内基梅隆大学,分别以 「摄像头为主、其他传感器为辅」开发出不同的自动驾驶汽车的原型,并且在真实路况中展现出了令人信服的能力。2004 年开始,美国(DARPA)发布无人车挑战赛。时值 「第二次海湾战争」 刚刚开始,国防部注意到沙漠行动中的士兵伤亡,希望用无人驾驶来解决这一问题。DARPA 无人车挑战赛为自动驾驶技术交流开辟了空间和研究的土壤,为产业贡献了大量的人才。第一代的自动驾驶技术大牛,基本都是以 DARPA 无人车挑战赛为起点。

2)赛道开启。自动驾驶产业化的正式开启是从 2009 年拉开序幕,Google X 确立了多个登计划(Moonshot),旨在捕捉未来惠及全人类的核心技术。无人车项目在谷歌的资金支持下正式开启。随后,陆续有更多的科技巨头入场。

3)核心技术跨越式发展。自动驾驶技术经过多年打磨后,日趋成熟,绝大部分主流车企也宣布了自动驾驶的量产计划表。为了更好的捕捉自动驾驶技术衍生出来的需求,从芯片厂到 Tier1 开始了供应链整合之路。标志性的事件就是英特尔宣布以 153 亿美元收购 Mobileye(自动驾驶视觉芯片公司),并正式成立自动驾驶事业部。

4)技术得到商业化验证。2017、2018 年开始,自动驾驶技术得到商业化验证。车厂领跑者——奥迪首发了全球第一款 L3 级别的量产自动驾驶车辆;科技公司的领跑者——Waymo 在经过 10 年的测试和技术打磨之后,推出 Waymo One 的自动驾驶出租车服务,试水商业化运营,并在 18 年分别向捷豹、菲亚特-克莱斯勒下了 20000 量捷豹 I-PACE(参数|图片) 车型以及 62,000 辆 Pacifica(参数|图片) 混动车的订单,用于在未来 3 年内在全美扩大自动驾驶车队阵容。无独有偶,Uber 早期也与沃尔沃达成协议,计划采购 2.4 万辆车辆,用于自动驾驶车队。

5)供应链启动。随着车厂自动驾驶量产计划日益临近,前装供应链的「车轮」也已经率先启动,标志性的事件就是 2019 年年初,四维图新斩获国内首个 L3 及以上的高精度地图的主流车厂订单(宝马)。从 2019 年开始,到 2020、2021 年,根据全球主流车厂的计划表,将陆续开始有量产的自动驾驶车辆出炉,自动驾驶产业有望进入黄金发展期。

4.JPG

现象级事件频发,自动驾驶产业发展全面提速。

1)资金层面。自动驾驶在一级市场已经成为最火热的赛道,展现出超强的吸金能力,仅 2018 年就全球狂揽 94.7 亿美元的融资。充裕的资金资质将成为自动驾驶产业最好的助推器之一;

2)产业层面。科技巨头继续引领行业风向标;车厂相继争先宣布转型移动出行服务商(典型代表丰田、通用、大众),继续加码自动驾驶研发投入;

3)政策。全球政府为自动驾驶的合法化上路正紧锣密鼓的修订政策法规。日本政府近期通过了《道路运输车辆法》修正案,确保自动驾驶的合法性;国内方面,交通部部长李小鹏也在近期表示将力争在国家层面出台《自动驾驶发展指导意见》。

总体来看,自动驾驶产业生机勃勃,在资金、产业、政策的共振下,发展不断提速,快马加鞭纵情向前。

5.jpg

博客 gaohong

LV1
2019-09-03 11:07
139