新闻中心

自动驾驶“战役”的下一个制高点

作者:华一汽车科技    来源:www.itas-hk.com    发布时间:2021-04-27 18:21    阅读:

常识告诉我们,仅仅根据已知的场景、障碍和潜在事故原因来部署联网自动驾驶车辆还远远不够。
 
谁能够实现准确预测,并对不寻常的情况做出反应,将是接下来自动驾驶技术落地的争夺焦点。
 
从Mobileye的RSS,到特斯拉的“影子模式”,从通用Cruise的“持续学习机器”到几乎所有企业都在推动的“数据驱动闭环迭代”,都在强化对于不确定性事件的预测和规避、学习能力。
 
一些研究机构也在尝试新的手段,近日德国慕尼黑技术大学(TUM)的研究人员开发了一种新的自动驾驶汽车算法,系统能够“思考”每一刻可能发生的最糟糕的事情,然后给出在不危及或阻碍交通的情况下的策略。
 
自动驾驶
 
一、“搞定”预测,才能加速落地
 
如果,自动驾驶汽车要大规模上路,显然必须要回答一个关键性的问题:在接下来的3-5秒,周围的汽车、行人和骑自行车的人会做什么?这个问题被称为行为预测。
 
近年来,不少参与自动驾驶研发的工程师都相信,行为预测的重要性。在一些工程师看来,自动驾驶的“预测缺陷”是限制它们实现L4及更高级别自动驾驶的关键。
 
“预测部分,如果在测试路况里边还基于传统的规则性的做法来做整个的车辆的路径规划,或者车辆采取什么动作的话,有可能面临车辆能被逼停的情况。”行业人士表示。
 
对于Corner Case,要在后续不断地测试、优化,用算法来覆盖或者涵盖。通过学习车的运动路径,其他交通参与物的运动形式,来不断地弥补这些错误,或者不断地更新所不能处理的工况。
 
比如,经常遇到的工况是,人在过一个红绿灯的时候,当你发现旁边人走了,有的人也会跟着走两步然后停下来,有的人会跟着一直走下去。
 
人与人之间的相互行为交叉,是有一定的影响的,人与人之间是有相互的一个干扰性在里边的。
 
特斯拉采取的策略是4D自动标注+神经网络深度学习。
 
这套系统意味着自动驾驶感知组建可以建立一个实时的3D环境,然后根据其他车辆的过去行为预测标记物体的4D运动,然后有效地利用神经网络来学习其他驾驶员或物体的反应。
 
埃隆·马斯克曾表示,目前的神经网络和其他与自动驾驶相关的软件只使用了定制设计的全自动驾驶芯片5-10%的计算能力,剩余算力则分配给更多的计算密集型神经网络,比如行为预测。
 
按照此前披露的一些信息,特斯拉全新一代神经网络(Dojo)不仅会更大,而且在架构上也会有所改进,比如在人工神经元的类型及其相互连接方面。
 
该项目是基于特斯拉硬件团队开发的神经网络芯片以及集群超级计算机,用于提高服务器端神经网络的学习速度。目标是能够接受大量的数据并在视频级别上进行无监督的大规模训练。
 
L3自动驾驶
 
Waymo最初使用深度学习来识别和分类对象,现在使用DL来预测其他道路参与者的行动、规划和模拟。他们与谷歌内的其他小组合作,包括Brain和Deep Mind。
 
为了提高预测的准确性,Waymo一方面使用来自真实世界的大量数据来衡量预测性能,另一方面预测几种可能性。它们估计每个动作的概率,然后由规划模块考虑,以创建一个安全的决策规划。
 
克里斯·厄姆森(Chris Urmson),2013年至2016年期间曾领导Waymo自动驾驶的研发,“如果我可以挥舞一根魔棒,加速系统的某种能力提升,这就是感知预测能力。”
 
二、如何解决当下难题
 
人工智能的整个概念是基于模式的创建和模式识别——从大量数据中学习。就好比,没有人生来就知道如何安全驾驶汽车,电脑也不例外。到目前为止,它们的效率不如人类。
 
“他们必须得到更多的数据。”该研究机构负责人表示。
 
传统测试的方法是大规模实际路测,后来又有了仿真模拟测试,然而,真正的自动驾驶不能仅仅依赖于数据建模。
 
在模拟中学习到的东西必须在现实世界中进行测试,以验证任何可能出现的问题是否会重现,包括车辆如何在没有接管情况下自动运行和应对不同的场景事件。
 
为了预测未来的“命运”,自动驾驶汽车必须具备实时采集、存储和分析数据的能力,就像人类司机对不同情况的反应一样。
 
事实上,不管是Waymo的虚拟仿真测试,还是特斯拉基于实际道路行驶数据的训练,都还是没法解决根本性的问题:如果真的遇到特殊场景,系统应该怎么做出合理判断和决策。
 
之前Mobileye有自己的一套安全战略(RSS),其区分了系统故障(即可以识别的故障)和正常运行故障(可能出现误检)。
 
这套机制不是基于一个没有事故的想法(因为有些事故可能是无法避免的)。比如,与你前面的车保持安全的距离,这样如果它突然刹车,你就能及时停下来。
 
它的方法是避免造成事故的责任——换句话说,车辆的决策应该计算这样的路径/行为,而不是导致事故的责任。
 
上述机构的算法,目的是不断预测可能出现的最坏的情况。理论是,这是可行的,但从计算的角度来看,这可能是“非常昂贵的计算”,不确定是否可以在“安全时间窗口”内完成。
 
类似的改进算法就像其他机器学习算法一样,如果有足够的关于不寻常事件的数据,以及在此类事件发生时执行的动作,那么这些算法就可以通过提高精确度和预测数据集来改进。
 
在行业人士看来,“提供一辆能在已知环境中运行,但不能在极限情况下运行的自动驾驶系统是相对简单的。”但如果希望在城市街道上实现L4级自动驾驶,仍任重道远。
 
唯一的机会,在于提高预测的准确性。
 
目前,大多数自动驾驶公司都在专注于测试。通过大量测试,将有可能整理和分析数据,以提高场景预测能力,从而提高系统的安全性。
 
然而,这是一项耗时的工作,即便是仿真模拟测试。
 
一些行业人士指出,唯一的办法就是数据共享。比如,在收集、分析和评估数据方面建立一些行业标准和接口协议,通过各家企业的数据共享来加快这一进程。
 
此前,一份来自美国公路安全保险协会(IIHS)的交通事故分析报告显示,自动驾驶只能规避约三分之一的道路交通事故。
 
基于5000多起具有广泛代表性的交通事故分析报告显示,并非所有错误都可以通过摄像头、雷达和其他基于传感器的自动驾驶技术消除。
 
因为,大多数撞车事故是由更复杂的错误导致的,比如对其他道路使用者将要做什么做出了错误的假设,人为根据路况加速或者减速行驶,或者做出不正确的闪避动作。(摘自:高工智能汽车)

 

文章转载请保留原文网址:http://www.itas-hk.com/news/hyzx/1351.html


上一篇:C-V2X“新四跨”背后的中国标准

下一篇:关于L3自动驾驶,你想知道的都在这里(二)


液晶仪表 返回列表