新闻中心

自动驾驶落地商业化,至少面临六大挑战

作者:华一汽车科技    来源:www.itas-hk.com    发布时间:2019-03-21 11:57    阅读:

自动驾驶对未来道路的安全会有一个非常大的提升。非常多的案例表明交通事故多源于人的因素,用自动驾驶取代人类驾驶员,就可以把人类的错误因素消除掉,从而提高整个的道路安全。
 
现在正常的驾驶员对年龄、体能都有规定,但人类对出行的服务需求是一直存在的。自动驾驶可以取代人类驾驶员,可能会给所有人提供个人移动的可能性。 
 
自动驾驶对于个人移动出行的便利,还在于提高舒适性和通行效率。现在人们在通勤路上花费越来越多的私人时间,自动驾驶可以释放枯燥乏味的通勤时间,让人们有机会做更高价值的事情。同时通过自动驾驶规范车辆驾驶行为,在燃油、排放上都会带来效率的提升。这四点在自动驾驶概念上得到一个很好的价值链的体现。
 
自动驾驶
 
L4和L5的发展分两种情况,对共享出行而言,L4级无人驾驶出租车的技术方案大概在2023年达到成熟,并步入市场;2025年L5级点对点的无人驾驶技术,即高速巡航和低速泊车时完全没有人类驾驶员的干预会逐步实现。
 
“L5级自动驾驶实现时间相对会更远一点,但L3/L4级在未来十年会迎来一个快速增长。”在张彤看来,自动驾驶的落地商业化,会遇到至少六大挑战:复杂性、成本、法律法规、新的方法带来的人才匮乏、自动驾驶的验证、用户体验。
 
一、复杂性
复杂度有不同的理解,硬件系统的复杂度、软件执行复杂度、整个系统复杂度,从复杂度的角度说明自动驾驶是一个非常庞大的概念体。
 
在自动驾驶从技术架构上,感知层面有毫米波雷达、前向智能摄像头、360环视摄像头、驾驶员监控系统,Flash激光雷达等;
 
V2X硬件,包括智能天线、通讯模块、定位、数据传输;执行端有一体式电子制动MK-C1、电子助力转向等等。
 
当然自动驾驶的硬件层面还远不止这些,这些硬件之间彼此会有通讯、协作。
 
硬件之上,还要有能够依托硬件去完成的各项应用,比如传感器的感知要有环境模型,地图要用电子地平线获取地图信息给到超时预测,需要用到机器学习、神经网络实现对环境更清晰的认知。
 
感知、机器学习对数据的处理,要用到高性能的处理器,不同类别的数据处理所用的神经网络也不同,处理的结果在执行端需要做动态控制,没有动态控制谈不到安全等等。
 
全电气化的自动驾驶架构上,因为数据互联,对车辆网络安全也提出了更高更新的要求。这种安全要求与传统PC端网络安全的维护不同,对安全团队的软硬件能力、响应能力提出了更高的挑战。
 
因此,对于自动驾驶来讲,从硬件到软件都会发生一次重构,其复杂性不可同日而语。即使是传统Tier1,仅对零部件的理解是远远不够的,需要上升到系统层面,可以称之为系统工程。
 
Tier1如果想完成自动驾驶系统,必须对整个系统工程有一个非常深入的理解。一个产品出现问题后需要追溯的范围已经从零部件、子系统上升到了车辆本身,甚至上升到智能交通系统的大环境。给未来自动驾驶提供解决方案的供应商,需要具备对系统的理解,才能有自上而下的解决问题的能力。
 
在自动驾驶层面,基于高性能计算平台(ADCU),通过整合不同的计算单元和计算功能,对感知、云端、执行端等进行整合和匹配,最后给到主机厂用户或者行业合作伙伴的,将会是一个完整的系统方案。
 
二、成本
成本方面,L1、L2的实现,相对而言传感器架构简单,通过毫米波雷达+前向智能摄像头就可以完成。
 
但L3、L4逐渐允许驾驶员解放双手、双脚,甚至双眼(注意力),这种情况下就需要非常复杂的传感器架构,复杂的不仅仅是传感器、执行器等,还有冗余的要求,这是复杂且昂贵的系统。
 
要实现这些,OEM的成本压力还是非常大。因此也出现了类似于L2.5级这样的过渡方案。作为不能马上用到L3、L4级昂贵的系统,同时又给消费者提供一些超出L2级体验的折中方案。
 
基于复杂系统高昂的成本,制约大规模商业化的落地,有两个比较大胆的预测,首先是未来十年内虽然L3、L4级的产品会出现在市场中,但比例还是会比较低。
 
无论是面向C端的L3级系统,还是面向B端的L4级无人出租车系统,所占据的比例不会超过整个新增车型总量的10%,未来较大比例的还是会来自于L2、L2.5级的系统。
 
其次是未来无人驾驶出租车因为提供比较方便的出行服务,从而会引起整个汽车消费市场的需求有所下降,趋势不会改变。
 
三、法律法规
法律法规的挑战也不少,对于驾驶员脱手方面,在欧盟有严格的法律要求,欧盟一直在用维也纳公约,规定在L3级系统以下不允许脱手。但事实上还有很多的主机厂客户希望给用户提供脱手的体验。
 
目前欧盟已经对脱手的要求进行讨论,如ECE R79工作组提到满足L3级自动驾驶的车辆行驶中可以脱手,预计会在2020-2022年生效。目前都在讨论过程中,还没有正式发布,而技术与服务的需求往往快于法律法规的提出。
 
同样在美国也没有相应的法规,需要给到自动驾驶相应的引导和咨询。美国是比较宽松的环境,法律没有明确规定就可以尝试,但在中国和欧盟很难推广,因为有法规这样的要求。
 
美国现在也在做自动驾驶法案的立法过程,中国国内还没有任何的实施性法规的出台,目前相关组织部门也在进行这样的讨论。
 
四、新的方法和人才
新的方法是关于机器学习、人工智能方面的方法。这些方法跟传统的Tier1大致相同。
 
比如说大数据处理、数据统计学分析、机器学习算法工程师等等,这些职位在传统设计中没有出现过,但是反而现在变成非常重要的环节。
 
相关专业人才的争夺也变得白热化,这在日常工作中可以体现到,更多造车新势力、传统主机厂也对人才有强烈的需求,人才的争夺愈演愈烈,对于行业而言是一个不小的挑战。
 
五、验证和认证
在当前自动驾驶行业中,对于认证和验证的环节还没有统一标准或方法,多数公司都只是在不停摸索中。
 
在感知、决策和执行端需要高可靠性,不能失效,这些可靠性累积起来要变成可量化的数字,比如10亿小时允许出现一次事故,才能视为比人类驾驶做的更好,自动驾驶要满足这样一个要求才能得到人们的信任。
 
但这在现实操作中难以实现,因为10亿小时比整个人类发展时间还长,这是一个悖论,因此要实现它就需要做其他方面的工作。
 
把验证的概念,从单纯验证阶段,提前到设计阶段,考虑到未来验证的可靠性,同时在仿真端介入,进行大量的仿真,包括实地的路测,包括基于场景的路测。
 
六、用户体验
从消费电子行业,过渡到汽车行业的自动驾驶当中,如何为终端用户提供更好的驾乘体验?
 
将自动驾驶功能分为三类,一类是基础的安全功能,所有的功能都要满足不同人的要求;二是巡航功能,在中高速的路段所实现的功能;三是低速泊车功能。从高端自动驾驶,到低端的驾驶辅助,最重要的始终是安全。
 
实现不同等级自动驾驶产品的商业化,要克服的不只是以上六个挑战,还要全行业的合作。


 

文章转载请保留原文网址:http://www.itas-hk.com/news/hyzx/736.html


上一篇:自动驾驶驶入快车道:由辅助驾驶向更智能驾驶过渡

下一篇:多家企业见证:智能驾驶舱从概念走向现实


液晶仪表 返回列表