方舟手游
您好!歡迎登陸興智科技官網...
微信公眾號
news 媒體中心
無人駕駛:正在開始的未來
作者:興智科技 發布時間:2017-10-26 14:25:01

無人駕駛:正在開始的未來

我們已經拉開了全自動無人駕駛的序幕,在幕布之后精彩的未來將如何,讓我們先回顧一下硅谷的發展歷史,再以此展望無人駕駛的未來。

如圖 1-1 所示,現代信息技術始于 20 世紀 60 年代,仙童電子和 Intel 通過硅晶體微處理器技術的創新開創了信息技術的新時代,這也是硅谷的起源。微處理器技術極大地提高了工業化生產力,推進了現代工業的發展。20 世紀 80 年代,隨著 Xerox Alto、Apple Lisa 及 Microsoft Windows 等軟件系統的發展,圖形界面被廣泛應用,個人電腦的概念出現并開始普及,現代信息技術以此為基礎普惠眾人。

 

 

21 世紀初,在個人電腦逐步普及并被大規模應用的背景下,Google 的出現通過互聯網和搜索引擎的方式將人與浩瀚如星海的信息互聯起來了,至此,現代信息技術發展到了第三階段。始于 2004 年的 Facebook 通過革新的社交網絡模式將現代信息技術推進到了第四階段。至此,人類的交往互聯方式從線下擴展到了線上,人類社會在萬維網上有了初始的遷移并逐步地成熟完善。

隨著互聯網人口規模的膨脹,Airbnb 與 Uber 等公司通過共享經濟的思維把人類社會的經濟模式直接推廣到了互聯網社會,利用互聯網 + 移動設備等直接連接不同用戶的經濟行為,得到了大范圍的成功。信息技術每一階段的發展及其隨后驅動的革新,都極大地改變了人類對信息的訪問需求和獲取方式。尤其對后幾個階段而言,互聯網是一個基礎性條件,大多數的服務是通過互聯網傳達給終端用戶的。

現在,我們走到了信息技術發展的第六階段,機器人開始作為服務的承載體出現,其中的一個具體事例就是無人駕駛的產品化。無人駕駛并不是一個單一的新技術,而是一系列技術的整合,通過眾多技術的有效融合,在無人駕車的情況下安全地送達乘客。本章會介紹無人駕駛的分級、ADAS 中的關鍵應用、無人駕駛中涉及的多項技術并討論如何安全高效地在無人駕駛系統中完成技術的整合。

正在走來的無人駕駛

預計到 2021 年,無人車將進入市場,從此開啟一個嶄新的階段。世界經濟論壇估計,汽車行業的數字化變革將創造 670 億美元的價值,帶來 3.1 萬億美元的社會效益,其中包括無人車的改進、乘客互聯及整個交通行業生態系統的完善。

據估計,半自動駕駛和全自動駕駛汽車在未來幾十年的市場潛力相當大。例如,到 2035 年,僅中國就將有約 860 萬輛自動駕駛汽車,其中約 340 萬輛為全自動無人駕駛,520 萬輛為半自動駕駛。

有行業主管部門人士認為,“中國轎車的銷售,巴士、出租車和相關交通服務年收入有望超過 1.5 萬億美元。”波士頓咨詢集團預測,“無人車的全球市場份額要達到 25%,需要花 15~20 年的時間。”由于無人車預計到 2021 年才上市,這意味著 2035—2040 年,無人車將占全球市場 25% 的份額。

無人駕駛之所以會給汽車行業帶來如此大的變革,是因為無人車帶來的影響是空前的。研究表明,在增強高速公路安全、緩解交通擁堵、減少空氣污染等領域,無人駕駛會帶來顛覆性的改善。

增強高速公路安全

高速公路事故是全世界面臨的重大問題。在美國,每年估計有 35000 人死于車禍,在中國這一數字約為 260000 人。 日本每年高速公路事故死亡人數為 4000 左右。 根據世界衛生組織統計,全世界每年有 124 萬人死于高速公路事故。

據估計,致命車禍每年會造成 2600 億美元的損失,而車禍致傷會帶來 3650 億美元的損失。高速公路事故每年導致 6250 億美元的損失。 美國蘭德公司研究顯示,“在 2011 年車禍死亡事故中 39% 涉及酒駕。” 幾乎可以肯定,在這方面,無人車將帶來大幅改善,避免車禍傷亡。在中國,約有 60% 的交通事故和騎車人、行人或電動自行車與小轎車和卡車相撞有關。在美國的機動車事故中,有 94% 與人為失誤有關。

美國高速公路安全保險研究所的一項研究表明,全部安裝自動安全裝置能使高速公路事故死亡數量減少 31%,每年將挽救 11000 條生命。這類裝置包括前部碰撞警告體系、碰撞制動、車道偏離警告和盲點探測。

緩解交通擁堵

交通擁堵幾乎是每個大都市都面臨的問題。以美國為例,每位司機每年平均遇到 40 小時的交通堵塞,年均成本為 1210 億美元。在莫斯科、伊斯坦布爾、墨西哥城或里約熱內盧,浪費的時間更長,“每位司機每年將在交通擁堵中度過超過 100 小時。在中國,汽車數量超過 100 萬輛的城市有 35 個,超過 200 萬輛的城市有 10 個。在最繁忙的市區,約有 75% 的道路會出現高峰擁堵。”中國私家車總數已達 1.26 億輛,同比增加 15%,僅北京就有 560 萬輛汽車。

Donald Shoup 的研究發現,都市區 30% 的交通擁堵是由于司機為了尋找附近的停車場而在商務區繞圈造成的。 這是交通擁擠、空氣污染和環境惡化的重要原因。“在造成氣候變化的二氧化碳排放中約有 30% 來自汽車”。 另外,根據估算,在都市中有 23%~45% 的交通擁堵中發生在道路交叉處。 交通燈和停車標志不能發揮作用,因為它們是靜止的,無法將交通流量考慮其中。綠燈或紅燈是按照固定間隔提前設定好的,不管某個方向的車流量有多大。

一旦無人車逐漸投入使用,并占到車流量比較大的比例,車載感應器將能夠與智能交通系統聯合工作,優化道路交叉口的車流量。紅綠燈的間隔也將是動態的,根據道路車流量實時變動。這樣可以通過提高車輛通行效率,緩解擁堵。

減少空氣污染

汽車是造成空氣質量下降的主要原因之一。蘭德公司的研究表明,“無人駕駛技術能提高燃料效率,通過更順暢的加速、減速,能比手動駕駛提高 4%~10% 的燃料效率。”由于工業區的煙霧與汽車數量有關,增加無人車的數量能減少空氣污染。一項 2016 年的研究估計,“等紅燈或交通擁堵時汽車造成的污染比車輛行駛時高 40%。”

無人車共享系統也能帶來減排和節能的好處。德克薩斯大學奧斯汀分校的研究人員研究了二氧化硫、一氧化碳、氮氧化物、揮發性有機化合物、溫室氣體和細小顆粒物。結果發現,“使用無人車共享系統不僅節省能源,還能減少各種污染物的排放。”

約車公司 Uber 發現,該公司在舊金山和洛杉磯的車輛出行中分別有 50% 和 30% 是多乘客拼車。在全球范圍內,這一數字為 20%。無論是傳統車,還是無人車,拼車的乘客越多,對環境越好,也越能緩解交通擁堵。改變一車一人的模式將能大大改善空氣質量。

自動駕駛的分級

2013 年,美國國家公路交通安全管理局(NHTSA,制定各種監管和標準)發布了汽車自動化的五級標準,將自動駕駛功能分為 5 個級別:0~4 級,以應對汽車主動安全技術的爆發增長。先看 NHTSA 下的定義,如圖所示。

  • Level 0:無自動化

沒有任何自動駕駛功能、技術,司機對汽車所有功能擁有絕對控制權。駕駛員需要負責啟動、制動、操作和觀察道路狀況。任何駕駛輔助技術,只要仍需要人控制汽車,都屬于 Level 0。所以現有的前向碰撞預警、車道偏離預警,以及自動雨刷和自動前燈控制,雖然有一定的智能化,但是都仍屬于 Level 0。

 

 

  • Level 1:單一功能級的自動化

駕駛員仍然對行車安全負責,不過可以放棄部分控制權給系統管理,某些功能已經自動進行,比如常見的自適應巡航(Adaptive Cruise Control,ACC)、應急剎車輔助(Emergency Brake Assist,EBA)和車道保持(Lane-Keep Support,LKS)。Level 1 的特點是只有單一功能,駕駛員無法做到手和腳同時不操控。

  • Level 2:部分自動化

司機和汽車來分享控制權,駕駛員在某些預設環境下可以不操作汽車,即手腳同時離開控制,但駕駛員仍需要隨時待命,對駕駛安全負責,并隨時準備在短時間內接管汽車駕駛權。比如結合了 ACC 和 LKS 形成的跟車功能。Level 2 的核心不在于要有兩個以上的功能,而在于駕駛員可以不再作為主要操作者。Tesla 推送的 autopilot 也是 Level 2 的功能。

  • Level 3:有條件自動化

在有限情況下實現自動控制,比如在預設的路段(如高速和人流較少的城市路段),汽車自動駕駛可以完全負責整個車輛的操控,但是當遇到緊急情況,駕駛員仍需要在某些時候接管汽車,但有足夠的預警時間,如即將進入修路的路段(Road work ahead)。Level 3 將解放駕駛員,即對行車安全不再負責,不必監視道路狀況。

  • Level 4:完全自動化(無人駕駛),無須司機或乘客的干預

在無須人協助的情況下由出發地駛向目的地。僅需起點和終點信息,汽車將全程負責行車安全,并完全不依賴駕駛員干涉。行車時可以沒有人乘坐(如空車貨運)。

另一個對自動駕駛的分級來自美國機動工程師協會(SAE),其定義自動駕駛技術共分為 0~5 級。SAE 的定義在自動駕駛 0~3 級與 NHTSA 一致,分別強調的是無自動化、駕駛支持、部分自動化與條件下的自動化。

唯一的區別在于 SAE 對 NHTSA 的完全自動化進行了進一步細分,強調了行車對環境與道路的要求。SAE-Level4 下的自動駕駛需要在特定的道路條件下進行,比如封閉的園區或者固定的行車線路等,可以說是面向特定場景下的高度自動化駕駛。SAE-Level5 則對行車環境不加限制,可以自動地應對各種復雜的車輛、新人和道路環境。

綜上所述,不同 Level 所實現的自動駕駛功能也是逐層遞增的,ADAS(Advanced Driving Assistant System)即高級駕駛輔助系統,屬于自動駕駛 0~2 級。如表 1-1 所示,L0 中實現的功能僅能夠進行傳感探測和決策報警,比如夜視系統、交通標識識別、行人檢測、車道偏離警告等。

L1 實現單一控制類功能,如支持主動緊急制動、自適應巡航控制系統等,只要實現其中之一就可達到 L1。

L2 實現了多種控制類功能,如具有 AEB 和 LKA 等功能的車輛。

L3 實現了特定條件下的自動駕駛,當超出特定條件時將由人類駕駛員接管駕駛。

SAE 中的 L4 是指在特定條件下的無人駕駛,如封閉園區固定線路的無人駕駛等,例如百度在烏鎮景區運營的無人駕駛服務。

而 SAE 中的 L5 就是終極目標,完全無人駕駛。無人駕駛就是自動駕駛的最高級,它是自動駕駛的最終形態。

 

 

全自動無人車可能比半自動駕駛汽車更安全,因為其可以在車輛行駛時排除人為錯誤和不明智的判斷。例如,弗吉尼亞理工大學交通學院的調查表明,“L3 級自動駕駛車輛的司機回應接管車輛的請求平均需要 17 秒,而在這個時間內,一輛時速 65 英里(105 千米)的汽車已經開出 1621 英尺(494 米)——超過 5 個足球場的長度。”百度的工程師也發現了類似的結果。

司機從看到路面物體到踩剎車需要 1.2 秒,遠遠長于車載計算機所用的 0.2 秒。這一時間差意味著,如果汽車時速是 120 千米(75 英里),等到司機停車時, 車子已經開出了 40 米(44 碼),而如果是車載計算機做判斷,則開出的距離只有 6.7 米(7 碼)。在很多事故中,這一差距將決定乘客的生死。由此可見,站在自動駕駛最高級的無人駕駛才是汽車行業未來發展的“終極目標”。

無人駕駛系統簡介

無人駕駛系統是一個復雜的系統,如圖所示,系統主要由三部分組成:算法端、Client 端和云端。其中算法端包括面向傳感、感知和決策等關鍵步驟的算法;Client 端包括機器人操作系統及硬件平臺;云端包括數據存儲、模擬、高精度地圖繪制及深度學習模型訓練。

算法端從傳感器原始數據中提取有意義的信息以了解周遭的環境情況,并根據環境變化做出決策。Client 端融合多種算法以滿足實時性與可靠性的要求。舉例來說,傳感器以 60Hz 的速度產生原始數據,Client 端需要保證最長的流水線處理周期也能在 16ms 內完成。云平臺為無人車提供離線計算及存儲功能。通過云平臺,我們能夠測試新的算法、更新高精度地圖并訓練更加有效的識別、追蹤和決策模型。

無人駕駛算法

算法系統由幾部分組成:第一,傳感,并從傳感器原始數據中提取有意義信息;第二,感知,以定位無人車所在位置及感知現在所處的環境;第三,決策,以便可靠、安全地抵達目的地。

傳感

通常來說,一輛無人車裝備有許多不同類型的主傳感器。每一種類型的傳感器各自有不同的優劣,因此,來自不同傳感器的傳感數據應該有效地進行融合。現在無人駕駛中普遍使用的傳感器包括以下幾種。

(1)GPS/IMU:

GPS/IMU 傳感系統通過高達 200 Hz 頻率的全球定位和慣性更新數據,以幫助無人車完成自我定位。GPS 是一個相對準確的定位用傳感器,但是它的更新頻率過低,僅有 10Hz,不足以提供足夠實時的位置更新。IMU 的準確度隨著時間降低,因此在長時間距離內并不能保證位置更新的準確性;但是,它有著 GPS 所欠缺的實時性,IMU 的更新頻率可以達到 200Hz 或者更高。通過整合 GPS 與 IMU,我們可以為車輛定位提供既準確又足夠實時的位置更新。

(2)LIDAR:

激光雷達可被用來繪制地圖、定位及避障。雷達的準確率非常高,因此在無人車設計中雷達通常被作為主傳感器使用。激光雷達是以激光為光源,通過探測激光與被探測物相互作用的光波信號來完成遙感測量。激光雷達可以用來產生高精度地圖,并針對高精地圖完成移動車輛的定位,以及滿足避障的要求。以 Velodyne 64- 束激光雷達為例,它可以完成 10Hz 旋轉并且每秒可達到 130 萬次讀數。

(3)攝像頭:

攝像頭被廣泛使用在物體識別及物體追蹤等場景中,在車道線檢測、交通燈偵測、人行道檢測中都以攝像頭為主要解決方案。為了加強安全性,現有的無人車實現通常在車身周圍使用至少八個攝像頭,分別從前、后、左、右四個維度完成物體發現、識別、追蹤等任務。這些攝像頭通常以 60Hz 的頻率工作,當多個攝像頭同時工作時,將產生高達 1.8GB 每秒的巨額數據量。

(4)雷達和聲吶:

雷達把電磁波的能量發射至空間中某一方向,處在此方向上的物體反射該電磁波,雷達通過接收此反射波,以提取該物體的某些有關信息,包括目標物體至雷達的距離、距離變化率或徑向速度、方位、高度等。雷達和聲吶系統是避障的最后一道保障。雷達和聲吶產生的數據用來表示在車的前進方向上最近障礙物的距離。一旦系統檢測到前方不遠有障礙物出現,則有極大的相撞危險,無人車會啟動緊急剎車以完成避障。因此,雷達和聲吶系統產生的數據不需要過多的處理,通常可直接被控制處理器采用,并不需要主計算流水線的介入,因此可實現轉向、剎車或預張緊安全帶等緊急功能。

 感知

在獲得傳感信息之后,數據將被推送至感知子系統以充分了解無人車所處的周遭環境。在這里感知子系統主要做的是三件事:定位、物體識別與追蹤。

1)定位

GPS 以較低的更新頻率提供相對準確的位置信息,IMU 則以較高的更新頻率提供準確性偏低的位置信息。我們可以使用卡爾曼濾波整合兩類數據各自的優勢,合并提供準確且實時的位置信息更新。

如圖 1-4 所示,IMU 每 5ms 更新一次,但是期間誤差不斷累積精度不斷降低。所幸的是,每 100ms,我們可以得到一次 GPS 數據更新,以幫助我們校正 IMU 積累的誤差。因此,我們最終可以獲得實時并準確的位置信息。

然而,我們不能僅僅依靠這樣的數據組合完成定位工作。原因有三:其一,這樣的定位精度僅在一米之內;其二,GPS 信號有著天然的多路徑問題將引入噪聲干擾;其三,GPS 必須在非封閉的環境下工作,因此在諸如隧道等場景中 GPS 都不適用。

 

 

因此作為補充方案,攝像頭也被用于定位。簡化來說,如圖 1-5 所示,基于視覺的定位由三個基本步驟組成:

① 通過對立體圖像的三角剖分,首先獲得視差圖用以計算每個點的深度信息;

② 通過匹配連續立體圖像幀之間的顯著特征,可以通過不同幀之間的特征建立相關性,并由此估計這兩幀之間的運動情況;

③ 通過比較捕捉到的顯著特征和已知地圖上的點計算車輛的當前位置。然而,基于視覺的定位方法對照明條件非常敏感,因此其使用受限且可靠性有限。

因此,借助于大量粒子濾波的激光雷達通常被用作車輛定位的主傳感器。由激光雷達產生的點云對環境進行了“形狀化描述”,但并不足以區分各自不同的點。通過粒子濾波,系統可將已知地圖與觀測到的具體形狀進行比較以減少位置的不確定性。

 

 

為了在地圖中定位運動的車輛,可以使用粒子濾波的方法關聯已知地圖和激光雷達測量過程。粒子濾波可以在 10cm 的精度內達到實時定位的效果,在城市的復雜環境中尤為有效。然而,激光雷達也有其固有的缺點:如果空氣中有懸浮的顆粒(比如雨滴或者灰塵),那么測量結果將受到極大的擾動。

因此,如圖 1-6 所示,我們需要利用多種傳感器融合技術進行多類型傳感數據融合,處理以整合所有傳感器的優點,完成可靠并精準的定位。

 

 

2)物體識別與跟蹤

激光雷達可提供精準的深度信息,因此常被用于在無人駕駛中執行物體識別和追蹤的任務。近年來,深度學習技術得到了快速的發展,通過深度學習可達到較顯著的物體識別和追蹤精度。

卷積神經網絡(CNN)是一類在物體識別中被廣泛應用的深度神經網絡。通常,CNN 由三個階段組成:

① 卷積層使用不同的濾波器從輸入圖像中提取不同的特征,并且每個過濾器在完成訓練階段后都將抽取出一套“可供學習”的參數;

② 激活層決定是否啟動目標神經元;

③ 匯聚層壓縮特征映射圖所占用的空間以減少參數的數目,并由此降低所需的計算量;

④ 一旦某物體被 CNN 識別出來,下一步將自動預測它的運行軌跡或進行物體追蹤,如圖所示。

物體追蹤可以被用來追蹤鄰近行駛的車輛或者路上的行人,以保證無人車在駕駛的過程中不會與其他移動的物體發生碰撞。近年來,相比傳統的計算機視覺技術,深度學習技術已經展露出極大的優勢,通過使用輔助的自然圖像,離線的訓練過程可以從中學習圖像的共有屬性以避免視點及車輛位置變化造成的偏移,離線訓練好的模型直接應用在在線的物體追蹤中。

 決策

在決策階段,行為預測、路徑規劃及避障機制三者結合起來實時地完成無人駕駛動作規劃。

1)行為預測

在車輛駕駛中主要考驗的是司機如何應對其他行駛車輛的可能行為,這種預判斷直接影響司機本人的駕駛決策,特別是在多車道環境或者交通燈變燈的情況下,司機的預測決定了下一秒行車的安全。因此,過渡到無人駕駛系統中,決策模塊如何根據周圍車輛的行駛狀況決策下一秒的行駛行為顯得至關重要。

為了預測其他車輛的行駛行為,可以使用隨機模型產生這些車輛的可達位置集合,并采用概率分布的方法預測每一個可達位置集的相關概率,如圖所示。

 

 

2)路徑規劃

為無人駕駛在動態環境中進行路徑規劃是一件非常復雜的事情,尤其是在車輛全速行駛的過程中,不當的路徑規劃有可能造成致命的傷害。路徑規劃中采取的一個方法是使用完全確定模型,它搜索所有可能的路徑并利用代價函數的方式確定最佳路徑。然后,完全確定模型對計算性能有著非常高的要求,因此很難在導航過程中達到實時的效果。為了避免計算復雜性并提供實時的路徑規劃,使用概率性模型成為了主要的優化方向。

3)避障

安全性是無人駕駛中最重要的考量,我們將使用至少兩層級的避障機制來保證車輛不會在行駛過程中與障礙物發生碰撞。第一層級是基于交通情況預測的前瞻層級。交通情況預測機制根據現有的交通狀況如擁堵、車速等,估計出碰撞發生時間與最短預測距離等參數。基于這些估計,避障機制將被啟動以執行本地路徑重規劃。如果前瞻層級預測失效,則第二級實時反應層將使用雷達數據再次進行本地路徑重規劃。一旦雷達偵測到路徑前方出現障礙物,則立即執行避障操作。

云平臺

無人車是移動系統,因此需要云平臺的支持。云平臺主要從分布式計算及分布式存儲兩方面對無人駕駛系統提供支持。無人駕駛系統中很多的應用,包括用于驗證新算法的仿真應用、高精度地圖產生和深度學習模型訓練都需要云平臺的支持。我們使用 Spark 構建了分布式計算平臺,使用 OpenCL 構建了異構計算平臺,使用 Alluxio 作為內存存儲平臺。通過這三個平臺的整合,可以為無人駕駛提供高可靠、低延遲及高吞吐的云端支持。

仿真

當我們為無人駕駛開發出新算法時,需要先通過仿真對此算法進行全面測試,測試通過之后才進入真車測試環節。真車測試的成本非常高昂并且迭代周期異常漫長,因此仿真測試的全面性和正確性對降低生產成本和生產周期尤為重要。在仿真測試環節,我們通過在 ROS 節點回放真實采集的道路交通情況,模擬真實的駕駛場景,完成對算法的測試。如果沒有云平臺的幫助,單機系統耗費數小時才能完成一個場景下的模擬測試,既耗時測試覆蓋面又有限。

在云平臺中,Spark 管理著分布式的多個計算節點,在每一個計算節點中,都可以部署一個場景下的 ROS 回訪模擬。在無人駕駛物體識別測試中,單服務器需耗時 3 小時完成算法測試,如果使用 8 機 Spark 機群,則時間可以縮短至 25 分鐘,如圖所示。

 

 

高精度地圖生成

如圖 1-13 所示,高精度地圖的產生過程非常復雜,涉及原始數據處理、點云生成、點云對齊、2D 反射地圖生成、高精地圖標注、地圖生成等階段。使用 Spark 可以將所有這些階段整合成一個 Spark 作業。由于 Spark 天然的內存計算的特性,在作業運行過程中產生的中間數據都存儲在內存中。當整個地圖生產作業提交之后,不同階段之間產生的大量數據不需要使用磁盤存儲,數據訪問速度加快,從而極大提高精度了高地圖產生的性能。

 

 

序幕剛啟

無人駕駛作為人工智能的一個重大應用發現從來就不是某一項單一的技術,它是眾多技術的整合。它需要有算法上的創新、系統上的融合,以及來自云平臺的支持。無人駕駛序幕剛啟,其中有著千千萬萬的機會亟待發掘。在此背景之下,過去的幾年中,自動駕駛產業化在多個方面取得了很大進步,其中合作共享已成為共識,產業鏈不斷整合,業界企業相繼開展合作,傳感器價格將不斷下降,預計在 2020 年,將有真正意義上的無人車面市,讓我們拭目以待。

無人駕駛的未來

我們可以預測一個不遠的未來,屆時所有行駛的汽車都是無人車,我們將迎來一個更加安全、更加清潔環保的世界。得益于無人駕駛技術,未來我們的交通工具、行駛的道路,甚至是未來的世界都將變得更安全、更高效,極大地降低對石油燃料的消耗,減輕對環境的污染。

本章,我們先從無人駕駛的商業前景、無人駕駛面臨的發展障礙、無人車行業發展、全球化下的無人駕駛四個方面出發,分析未來無人駕駛的發展和即將面臨的問題。最后,將給出無人駕駛發展的時間線,揭示在即將到來的未來二十年內無人駕駛的走勢。

無人駕駛的商業前景

無人駕駛帶來的商業潛力有多大?從本質上講,無人駕駛和互聯網的共同之處在于:它們都通過去人力化,降低了傳輸成本。互聯網降低的是信息的傳輸成本,而無人駕駛則降低有形的物和人的運輸成本。對比互聯網已經產生的商業影響力,就可以想象無人駕駛的商業潛力。

隨著谷歌、Uber 和特斯拉這樣的公司用事實不斷展示技術上的進步,傳統車廠已經越來越清晰地意識到,無人駕駛技術即將為汽車商業模式帶來顛覆式的改變,這可能是自內燃機發明以來,汽車行業最重大的變化。

新的運輸模式:TaaS 2.0

基于無人駕駛的發展,TaaS 2.0(運輸即服務,Transportation as a Service)正在成為業界探討的熱點,這里將 TaaS1.0 定義為有人駕駛,而無人駕駛則是 TaaS 2.0 時代。

摩根士丹利公司在最近的一份報告中表示,實現汽車完全無人駕駛將極大地降低拼車成本,每輛車從目前的 1.50 美元一英里降至 20 美分一英里。借助無人駕駛,一箱德國啤酒從工廠出廠到中國的超市,在運輸過程中可以不需要任何人工干預,全程自動化運輸,中間會經過輪船運輸、海關通關、高速公路運輸和抵達城市等多個環節,其中的任務調度都可以在云端完成,這提供了端到端的運輸解決方案。

同樣借助無人駕駛,從首都機場到上海的淮海路可以提前預約服務,中間也許會經過幾次拼車,以實現運算效率最大化,就像手機基站切換那樣,全程依然是無縫連接的。這一運輸模式的變化對于傳統車廠的影響是巨大的,一旦汽車從私人擁有變為共享運輸工具,傳統車廠的目標客戶就將由個人消費者轉變為 TaaS 運營商,正如華為和中國移動的關系一樣。隨之而來的是汽車的設計、銷售都將發生根本性的改變是汽車廠商很難維持原來的強勢地位。

無人駕駛的商業發展方向

因為安裝了攝像頭、雷達、激光雷達和人工智能系統,無人車的最初成本會很高,普通消費者難以接受。無人車可能會先進入特殊群體,比如企業和某些特殊行業將是早期消費群體。最有可能采納無人車的行業包括約車、巴士、出租車、快遞車輛、工業應用,以及為出行的老年人和殘疾人士提供服務的行業。

 公共交通

無人車將成為公共交通系統的重要選擇。百度計劃幾年后商業推廣無人駕駛汽 車,將首先在中國城市試運行。百度目前已經獲得幾個地方監管部門的批準,在事先確定的路線進行試驗,希望在不遠的將來推出這類車輛。一些城市還在考慮將某些街區劃定為無人駕駛專區。在 30 或 40 個街區將不再出現人駕汽車和無人車同時存在的現象,無人駕駛出租車和共享出行車輛將提供全部交通服務。城市規劃部門將進行區域優化,為無人車服務。

一項來自德克薩斯大學奧斯汀分校的關于分享無人車(SAV)的研究表明,“每輛 SAV 可以取代約 11 輛常規汽車,運營里程可以增加 10% 以上”。這意味著,基于車輛分享的約車或出租車將緩解擁堵,大幅減少交通擁堵和環境惡化,因其方便性將廣受消費者歡迎。

快遞用車和工業應用

快遞用車和“列隊”卡車將是另一個可能較快采用無人車的領域。在線購物和電子商務網站快速興起,給快遞公司帶來利好。人們喜歡在網上訂購物品(如食品、貨物和服務),幾小時就能送貨上門。中國電商 2015 年銷售總額達到 5900 億美元,很多產品承諾同日送達。這促進了電動車和卡車快遞。

2015 年,中國電商規模比 2014 年增長 33%。卡車占美國機動車行駛里程的 5.6%,但是卻占交通死亡事故的 9.5%。因此,在經濟效益和避免人員傷亡方面,無人車可以創造不少增加值。大型卡車成本通常超過 150000 美元,安裝攝像頭和感應器成本效益比較高,因為相比之下,小轎車的自身成本原本就很低,在無人駕駛初期因為成本的限制難以實現大規模推廣。

老年人和殘疾人

在老年人和殘疾人這兩個消費群體中,無人車已經開始大規模應用。由于身體條件的限制和視力原因,這兩類人都面臨出行困難,因此智能車輛能給他們帶來不少好處。美國老齡人口到 2050 年預計超過 8000 萬,占總人口的 20%。屆時,老齡人口將是目前的兩倍,他們中有三分之一將面臨出行困難。

中國也面臨同樣的情況。到 2050 年,中國老齡人口預計將占總人口的 33%。 而在日本,到 2060 年,65 歲及以上人群將占總人口約 40%。 殘疾人的市場也很龐大。例如,在美國,約 5300 萬成年人有殘疾,占成年人人口的 22% 左右。約 13% 的美國成年人有出行障礙,約 4.6% 的成年人有視力障礙。

這些有關老年人和殘疾人士的龐大數據為無人車提供了現成的市場。這兩類群體都 重視獨立,無人車可以讓他們自由出行,無須依靠朋友、家人。因此,老年人和殘疾人對無人車的問世持積極態度。

無人駕駛產業

產業現狀

自從無人駕駛進入公眾視野,各大傳統汽車廠商和高科技企業相繼發布其在無人駕駛領域的研究成果,也相繼推出了各自的(半)自動駕駛原型車,如圖所示。某些尚未動作的廠商,也展開了針對無人駕駛領域的大幅投入和行業合作,不得不說,現在正是無人駕駛產業蓬勃發展的時期。

1、Uber

Uber 的無人駕駛原型車采用了毫米波雷達、攝像頭、激光雷達等傳感器,并輔助以高精度地圖。作為 2016 年 9 月公布的匹茲堡測試計劃的一部分,Uber 推出了利用其無人駕駛技術改裝的福特 Fusion 汽車,為了保證安全,每輛 Uber 無人駕駛專車上配備兩名 Uber 工程師,一人坐在駕駛座上,隨時準備在緊急情況下控制車輛,另外一人監控汽車的動態。

Uber 收購了自動駕駛卡車創業公司 Otto。Otto 的自動駕駛卡車 10 月份行駛 120 英里(約合 193 公里),運送了 5 萬罐啤酒。Uber 和沃爾沃還聯合投資 3 億美元開發自動駕駛汽車。

2、谷歌

谷歌采取了不同于其他廠商的策略,將直接推出全自動無人車,而非逐步過渡的半自動駕駛功能。谷歌無人車所使用的傳感器包括了毫米波雷達、激光雷達、攝像頭,并且大量使用高精度地圖。谷歌表示將努力在 2020 年完成無人駕駛的技術開發。

截至 2016 年 11 月,谷歌的 60 輛無人車已經行駛超過 200 萬英里。該公司每月事故報告透明數據顯示,7 年間只發生過 17 次小事故,沒出現一例重傷。多數事故的原因是其他車輛的行駛難以預測,或者后方車輛追尾。

為了保證行車安全,谷歌開發了備用的制動、轉向和計算系統,以防備主系統失靈。另外還設計了軟件,確保谷歌汽車“在其他司機的盲區之外”,遠離車道上的摩托車,并且在綠燈亮起后停頓 1.5 秒,以避開闖紅燈的車輛和行人。

現在谷歌無人駕駛項目已經拆分為單獨的子公司 Waymo,Waymo 將和本田合作,雙方計劃在 2020 年前后實現高速公路上無人駕駛的實際運用。

3、寶馬

寶馬以高精度地圖結合激光雷達作為無人駕駛的研究方案,以“激光探測器+雙目攝像頭”作為量產方案。在上海車展上,寶馬自動駕駛汽車配置了 4 個激光雷達,4 個短距離 77G 毫米波雷達位于四個角保險杠;還有 4 個長距離 77G,前面 2 個后前面 2 個;1 個雙目 CAM 在前,單目前 4 后 1,4 個 Surrouding View CAM,都挨著短距 77G 毫米波雷達。

寶馬在 2015 年 7 月上海創新日上曾以 0~210km/h 的車速實現了車速車道跟蹤駕駛系統、全自動遙控泊車、防碰撞系統的演示。寶馬與百度合作,以寶馬 3 系作為平臺,采用百度自動駕駛技術于 2015 年底實現了北京混合路測,從百度大廈-G7-五環路-奧林匹克森林公園往返,完成了途中的自動并線、超車、掉頭、左轉等操作。

2016 年,寶馬、Intel 和 MobilEye 將合作開發高度自動無人駕駛和全自動駕駛的解決方案和創新系統,預計在 2021 年量產無人駕駛電動車 iNext,并最終以非獨家協議的方式,將該無人駕駛系統提供給業界,包括其他車廠。

4、奧迪

奧迪的自動駕駛原型車傳感器包括了激光雷達、ACC 自適應雷達、超聲雷達、Mobileye 前置 3D 攝像頭、前置紅外攝像頭,使用 zFAS(TTTech+NVIDIA Tegra K1)作為中央駕駛輔助控制器。在 2016 年 2 月的柏林電影節上,奧迪已經實現了短距離的城市非封閉道路試驗性的自動駕駛。奧迪計劃 2017 年或者 2018 年量產可達到或接近達到 L3 的自動駕駛車輛。2021 年推出 L4 無人駕駛車型。

5、百度

百度無人車所使用的傳感器包括了激光雷達、毫米波雷達、攝像頭、紅外、慣導,以及高精度地圖。百度在 2015 年年底完成了城市環路及高速混合路況的全自動駕駛。在 2016 年 7 月,在烏鎮景區推出了 L4 級別的無人駕駛服務。百度已經獲批在加利福尼亞州測試其無人車,將于 2021 年開始大規模生產無人車。關于合作方面,百度與福特公司 1.5 億美元共同投資激光雷達公司 Velodyne LiDAR;百度與英偉達聯合開發無人車平臺。

6、長安汽車

長安汽車現在有高速環境版和城區低速版兩類無人駕駛原型車,使用的是“傳感融合 + 高精地圖”的技術路線。原型車上采用了激光雷達、毫米波雷達、單目攝像頭等傳感器。長安汽車已實現了從重慶到北京的 2000 公里實際道路無人駕駛。長安計劃 2020 年量產 L3 車型。

7、特斯拉

特斯拉首席執行官埃隆·馬斯克(Elon Musk)于 2016 年 10 月末宣布,目前生產的車型包括 Model S、Model X 和未來的 Model 3,在生產時采用了新硬件,支持全自動無人駕駛技術,一旦美國聯邦政府開綠燈后,這些汽車就可以升級無人駕駛功能了。

此前,特斯拉一直承諾到 2018 年推出具有全自動無人駕駛功能的汽車。值得注意的是,2016 年 5 月特斯拉 S 型轎車在佛羅里達州發生致命車禍,這是首起自動駕駛汽車致命車禍。事發時,自動制動系統軟件錯把貨車的白色車身當成晴朗的天空,在卡車左轉彎時未能識別。司機沒有控制半自動裝置,結果轎車高速撞上了卡車,沖向路燈桿,司機當場死亡。

8、沃爾沃

除與 Uber 在匹茲堡合作外,沃爾沃還計劃在中國提供“先進的自動駕駛體驗”,100 名志愿者將在公路上測試沃爾沃 XC90,這是其 DriveMe 項目的一部分,該項目計劃于 2017 年在瑞典哥德堡和英國倫敦完成對 100 輛自動駕駛汽車進行的測試。

9、尼桑

2016 年 7 月,尼桑在日本發布了 ProPILOT——使汽車能在公路上自動行駛的自動駕駛功能。這一系統最終將登陸歐洲、中國和美國。尼桑將繼續為 ProPILOT 增添自動駕駛功能,直至 2020 年推出一款全自動無人車。

10、福特

福特計劃 2021 年將無人車用于汽車共享或打車服務。與谷歌的無人車相似,福特無人車也沒有方向盤、剎車或油門。福特計劃 2017 年在歐洲測試其無人車,把測試汽車數量由目前的 30 輛增加到 100 輛。福特 2016 年聯合百度對激光雷達廠商 Velodyne 投資了 1.5 億美元。

11、通用汽車

通用汽車 2016 年宣布對 Lyft 投資 5 億美元,聯合開發采用無人車的打車服務。通用汽車 2016 年 3 月還以 10 億美元收購了自動駕駛汽車創業公司 Cruise Automation,增強在自動駕駛汽車開發方面的實力。

12、豐田汽車

豐田宣布正在密歇根大學建立“自動駕駛汽車研究基地”,幫助豐田建設原始模型實驗室,在模擬路況中進行低速車輛測試。

 產業發展

目前,無人駕駛發展的格局呈現兩種趨勢,如圖所示,傳統汽車公司更傾向于漸進式自動化,而以特斯拉、Google、Baidu 等為代表的科技公司是以人工智能進入完全自動無人駕駛,具有顛覆式的色彩。他們短期內發展的目標也各有側重,傳統車企以漸進自動駕駛的方式逐步提升駕駛體驗,而科技類公司直接跨越到以無人駕駛完全替代傳統駕駛。

前者依靠的是長期積累的整車經驗和在自動控制領域的核心優勢,后者則是借由人工智能的大力發展整合傳感器、感知算法、計算平臺等技術以實現跨越式的發展。他們在營利模式上也有所區別,傳統汽車公司依然著重整車銷售和售后市場的服務,而科技公司更注重內容資源、平臺服務和共享經濟帶來的新商業模式。

 

 

來自中信證券的報告顯示,預計至 2025 年,科技型公司將在智能汽車領域分得 40% 的市場,而傳統車企將堅持 60% 的市場。科技型公司直接跨越到高自動化無人駕駛,作為行業新進入者并無歷史“包袱”,可以實現跨越式發展。

此外,科技型公司在數據融合、高精地圖等方面具有技術優勢,這些既有的優勢將助力高速發展。通過實現布局無人駕駛,科技型公司可以將汽車變成下一個“互聯網入口”。

也有預測認為,中短期科技型企業依然無法撼動傳統車企占據的過半市場份額。傳統車企從輔助駕駛開始逐步提升,既有品牌與用戶優勢,且造車門檻較高,因此傳統整車廠仍保有全產業鏈優勢,產品安全可靠性更高,且消費者對傳統品牌認可度較高,汽車產業不會被科技型公司完全顛覆。當然,科技企業與傳統車企的合作越來越多,他們之間的聯姻,包括合作與投資,也許會是激烈競爭的另外一個結果。

全球化下的無人駕駛

本節將探討在全球化的背景下無人駕駛在各個國家和地區帶來的預算、政策和監管等具體問題和相應對策。

無人駕駛在中國

世界經濟論壇的一項調查發現,“75% 的中國人愿意乘坐無人車。”  這種觀點也得到了羅蘭貝格公司單獨調查的印證。后一項調查顯示,“96% 的中國人愿意考慮每天都乘坐無人車,遠高于美國和德國的 58%。

相比其他國家和地區,中國對無人駕駛的接受程度非常高,因此大規模商業化之后,無人駕駛的推廣也將更加迅速。另一方面,在中國大部分無人車的監管規范的制定都在國家一級,其自上而下的做法也能簡化監管規則和程序。這也是無人駕駛將在中國得到領先發展的一大優勢。

因此,無人駕駛在中國的關鍵是要制定國家層面的無人車政策框架。中國有多個部委負責無人駕駛技術的監管(其中存在責任交叉和重復,以及碎片化的問題)。國家質量監督檢驗檢疫總局(負責產品召回)、工業和信息化部(負責制定產業政策)、交通部(制定交通行業發展規劃)、公安部(負責車輛登記、牌照管理和交通安全監督)、國家測繪地理信息局(負責執行地圖信息采集規定)都有管轄權。還有其他部門負責環境保護、回收利用、商務和金融。因此需要進一步明確監管部門和監管方式。

目前,中國已經啟動了 LTE-V 無線技術和頻率劃分研究試驗工作,華為主推的 Polar 碼也被選為 5G eMBB(增強移動寬帶)場景的控制信道編碼方案,這表明,中國已經開始全面布局基于 5G 的自主車車通信技術,以此推動無人駕駛的發展。

無人駕駛在歐洲

歐洲國家發展無人駕駛乏力的原因之一是沒有很多實力雄厚的本土技術公司。歐洲在無人駕駛相關的人工智能、網絡、繪圖、芯片、感應器、設備和服務方面需要依靠外部企業。美國的谷歌和中國的百度等大型技術企業之所以能快速進軍交通領域,其中一個原因是,它們有機會將搜索引擎技術開發獲取的信息處理專長和快速學習能力應用到無人駕駛領域。

若想獲得無人車領域的競爭能力,奧迪、寶馬(與英特爾合作)、大眾、戴姆勒、奔馳和沃爾沃等歐洲車企應該培養人工智能、深度學習、大數據分析、高精度測繪等領域的人才,這些技術對未來汽車發展至關重要。

另一反面,歐盟還應確保其數據保護規定不會對車輛和行人的移動和位置信息帶來過分限制,從而抑制無人駕駛所需的高精度地圖的繪制。歐盟一貫在數據收集和分析領域采取限制性立場。例如,歐盟法規限制谷歌等企業收集路況數據和繪制街景地圖。就此,歐盟已經多次因此處罰谷歌,索要谷歌的數據,并對收集的資料進行限制。

最近通過的《歐盟數據保護總則》嚴格限制人工智能和機器學習的使用。這些規定導致很難將人工智能和高精度測繪納入無人駕駛汽車之中,沒有包含地理編碼數據和利用此類信息的深度學習,無人駕駛技術很有可能將在歐洲停滯。

無人車在日韓

相比中美,日韓政府和車企一直對無人車持謹慎態度。日韓車企投入了大量資源,它們關注其他國家的情況,也在實施試點項目。但是它們對是否將無人車列為發展重點一直持謹慎態度。2016 年 4 月,豐田公司宣布正在密歇根大學建立“自動駕駛汽車研究基地”,其目標是建設原始模型實驗室,在模擬路況中進行低速車輛測試,幫助公司在人工智能和高清數據繪圖領域迎頭趕上。

雖然做了這筆投資,公司領導卻宣布“豐田相信豐田汽車絕不會發展到司機無須手握方向盤的無人駕駛狀態”。

日本政府 2015 年發布指南,確定 2020 年在車內安裝半自動裝置,2025 年啟動全自動無人車。100 韓國車企起亞和現代已確定于 2030 年完成全自動無人車運行的目標。但是它們的計劃遠遠慢于美國和中國,在這兩國,半自動駕駛汽車已經上路運行,全自動無人車也將于 2020 年投入使用。

無人駕駛在美國

無人駕駛在美國的主要挑戰在于解決監管碎片化的問題,因為五十個州在許可、車輛標準、監管和隱私保護等領域的政策不同。目前,車企(如福特和通用)和軟件開發商在多個州都面臨規則和監管相沖突的問題。這會影響創新,因為企業在制造無人車時,要滿足全國或國際市場的需要。

可預見的未來

無人駕駛的黎明:現在—2020 年

現今已有無數人投身于無人車領域,長期積累的科研結果及工程進步都致力于將無人駕駛在 2020 年成為現實。人工智能是無人駕駛的核心,但是無人車是一個相當復雜的工程系統,需要眾多技術的融合與精確配合,其中包括以下幾方面。

(1)算法:

算法部分包括傳感,用來從采集到的傳感器原始數據中提取有意義的信息;定位,用來精確地控制無人車的行駛方向;感知,用來理解車輛的周邊環境,并為車輛的出行與到達提供安全可靠的規劃。

(2)客戶端系統:

這部分由操作系統和硬件系統組成,將配合算法部分以滿足實時、可靠、安全、綠色能耗的要求。

(3)云平臺:

這部分提供離線的計算和存儲功能以支持測試不斷更新的算法、產生高精度的地圖及大規模的深度學習模型訓練。

 混合模式的時代:2020—2040 年

我們即將進入混合模式的時代:2020—2040 年。

在這 20 年間,傳統的人為操控汽車及無人車將共存。考慮到每一輛機動車的使用壽命是 10~15 年,我們可以預見這一人為駕駛 / 無人駕駛的情況將持續至少 20 年。早期的無人車被設計為能夠理解并能處理傳統的面向人為駕駛的交通系統。

隨著無人駕駛的普及,交通系統將逐漸演化為對無人車更友好的模式,交通燈、Lanes 及 Stop Sign 將進一步裝備在路感應器,以更好地輔助無人駕駛。此外,無人車之間的通信將急劇增加,因此能夠更好地完成行駛過程中車輛的動態協調。在這一背景下,持續產生的大量數據將推進 AI 算法的持續修正與進步。

無人駕駛時代:始于 2040 年

到 2040 年,預計所有的汽車將完全轉變為無人駕駛模式,今后人為駕駛會成為一件罕有的事情,甚至于由于缺乏足夠的安全性被判定為非法行為。屆時,我們將迎來全新的交通生態系統,在這個生態下,所有的車輛都是集中控制模式。基于無人駕駛的自動交通運輸將像供電、供水一樣,成為日常生活中的基礎設施。得益于改進的導航系統及傳感器對路面和車輛老化狀況的檢測,傳統汽車行駛中的交通事故由現在的每年超過百萬起降低至幾乎零事故。

當然,正是因為無人駕駛驅動的公共交通對資源的有效共享與分配,整個城市的交通系統只需要較少量的汽車便可以正常運行。一方面能源的使用效率將被極大程度地提高,另一方面將大規模地替代使用新能源,因此,傳統化石燃料造成的空氣污染將被大規模地降低。我們迫切地期待著無人駕駛的到來。

方舟手游 赛车pk10冠军技巧 金苹果娱乐彩票 西安小姐多少钱一晚 适合2个人玩的聊天游戏 六肖彩霸王 江西新时时怎么破解 在线二十一点手机游戏 时时彩组选包胆公式 北京塞车pk10直播开奖走势图 重庆时时彩官方手机版