自動駕駛真正上路 還有10%的技術難題待解

發佈時間: 2020-10-28 14:43:41 | 來源: 科技日報 | 責任編輯:
 

自動駕駛真正上路還有10%的技術難題待解

自動駕駛在技術上已經解決了90%的問題,但剩下10%的問題如很多邊界化難題,卻可能要花費比過去更多的精力去解決。

10月21日,全國首個常態化運營的5G無人公交在蘇州落地。這個在蘇州高鐵新城亮相的無人公交是在開放的城市道路上運作,且速度可達20—50千米/時。這輛無人公交車除了具備避讓行人車輛、自動變道、自動轉向、紅綠燈識別等基本功能,還能應對各類城市複雜交通場景,例如穿行人車混雜的路口、應對後車加塞、“鬼探頭”等。

此前,10月12日,北京也開放了無人駕駛計程車試乘,可試乘區域包括海淀、亦莊等,12日當天北京地區的呼單量就突破了2600單。而早在今年4月,長沙已經全面開放了無人駕駛計程車服務。

自動駕駛服務陸續落地,是否意味著其商業化臨近?

商業化正迎來最佳時機

目前自動駕駛的落地情況如何?其發展到了一個什麼程度?

“2019年12月,國內首次提出了新基建的概念,掀起了一股新浪潮。新基建包括5G、物聯網、工業網際網路、衛星網際網路、人工智慧、雲計算、區塊鏈七大板塊,其中有三大板塊是自動駕駛軟體的核心技術——5G、AI、大數據中心(雲計算)。”輕舟智航聯合創始人、CEO于騫在接受科技日報記者採訪時表示。

在於騫看來,自動駕駛處於這幾大領域的交匯點,是新基建的典型落地應用。加上近年來不斷完善的智慧城市、智慧交通相關政策,可以説,自動駕駛在國內的商業化落地正迎來最佳的時機。

“在整體落地方面,僅從近幾年無人駕駛行業的創業公司情況來看,以2018年為分界點,無人駕駛領域確實是出現了兩個創業的黃金窗口。”于騫説。

第一個黃金窗口出現在2015年至2017年之間,在這段時間裏,出現了一批自動駕駛公司,在這個階段的融資主要是靠估算的産品規模以及團隊背景,當時市場對L4級別自動駕駛(全自動駕駛)産品落地的期望值很高,定下了不少比較樂觀的近期目標。

“在近期目標沒有實現時,市場感到了失望,並重新對落地時間樹立起了新的認知,這時又遇上了資本寒冬,所以自動駕駛創業公司的聲音少了許多。”于騫表示。

在2019年之後,人們對L4級別自動駕駛的預期開始回歸理性,隨著技術的進一步成熟,市場的需求也呼喚無人駕駛産品落地。同時國家的各類政策先後推出,以及相應的法律法規逐漸完善,隨著硬體成本的顯著下降,L4級別自動駕駛的短期落地場景逐漸明確了。

于騫表示,目前,業內預計公共道路中低速載人場景的落地運營時間大概在1—3年,公共道路中低速載貨場景的落地運營時間則是在3—5年。雖然前幾年已經有各種物流車、巡回巴士試運營,但這些試運營都只局限在園區裏頭,這裡的落地,指的是在公開道路中的落地。

無人小巴更具落地可能性

部分應用落地是否意味著自動駕駛將很快投入商業化運作?自動駕駛的商業化道路還有多遠?

在於騫看來,自動駕駛能否商業化取決於不同自動駕駛級別和不同場景,例如L2級別自動駕駛(部分自動駕駛)的方案已經在許多量産車上落地。

“無人駕駛計程車作為目前市場規模最大的、最有挑戰的部分,是城市複雜交通環境無人駕駛的終極目標,但無人駕駛計程車的落地週期比較長、速度快、非固定路線,落地難度會比較大。”于騫説。

目前業內更看好無人小巴在公開道路的商業化落地應用,無人小巴正在國內多個城市啟動常態化運營,可滿足城市中的地鐵接駁及微迴圈接駁需求。

如蘇州在2020年7月發佈了全球首條城市微迴圈無人小巴市民體驗線路,並隨後落地了全國首個常態化運營的城市公開道路無人小巴項目,部署多條無人小巴城市微迴圈線路。蘇州的無人公交項目將設置多條路線,覆蓋高鐵新城周邊9.8平方公里區域,解決居民出行“最後三公里”難題。這是目前國內覆蓋範圍最大的無人公交項目,也是唯一常態化運營的城市公開道路無人公交項目。

于騫表示,無人小巴這一應用場景具有三大優勢。第一,中低速場景,乘客對車速的預期可控,速度保持在20—50千米/時之間。第二,固定路線,車在同一條線路上反覆磨練,更能確保行駛安全,並可實現紅綠燈優先和預警。第三,滿足多人出行,具有社會效益,在公共道路上享受優先路權。

“無人小巴這一應用場景結合了固定路線中低速、多人出行路權優先、可部署基於5G的車路協同等優勢,或將成為L4級別自動駕駛的最快實際落地場景。”于騫説。

已經解決90%的技術問題

有專家指出,目前困擾自動駕駛的主要難點在於其決策規劃和感知,並認為目前並沒有看到這兩個難題的解決措施,此觀點獲得不少人的認同,現實情況是否如此?

于騫認為,決策規劃和感知的問題都可以歸結為自動駕駛的長尾問題。自動駕駛在技術上已經解決了90%的問題,但剩下的10%卻可能要花費同樣多甚至更多的精力去解決,這10%包括很多邊界化難題(Corner case),如在車輛遇上野鴨子之前,工程師甚至不知道會有野鴨子的問題。所以邊界化難題是需要去發現並解決的。

那麼邊界化難題怎樣去發現並解決呢?

“除了收集大量的數據,更重要的是建立自動化生産工廠,將源源不斷收集來的有效數據,通過自動化的工具,加工成可用的模型。以更快的速度、更高效的方式應對邊界化難題。”于騫表示。

于騫以上面野鴨子的場景為例,如果需要專門針對這些場景去開發特殊的模型,那會有無窮無盡的場景需要處理。但借助自動化的辦法,只要數據標注好了,下次系統更新時便可以更好處理這種情況,省下大量工程師的時間。

“以感知舉例是比較容易理解的,但其實規劃技術也一樣。要想讓車做出準確的規劃,最原始的方法是工程師寫規則——大量的工程師寫出大量的規則,但這種方式不易維護性還不能滿足最新需求;再進一步便是設計獎勵函數——設計獎勵函數比寫規則要簡單得多;再往後則是系統利用數據自動學習獎勵函數。這個過程便是往自動化方向發展的過程。”于騫説。