隨著5G、人工智能（AI）、物聯網等技術的不斷髮展，智能車相關技術正在謀求技術融合，探索兌現更多場景應用。鄭南寧表示，儘管目前輔助駕駛，結構化環境無人駕駛，有明確應用背景、針對相關任務的無人駕駛技術已慢慢走向成熟，但對於實現完全自主無人駕駛技術，我們還面臨著十分艱難的挑戰。他認為，應對這一挑戰，不僅需要在實驗室裡探討新方法，更重要的是把實驗室中的理論研究成果與真實物理世界驗證結合起來。
“5G＋AI”為智能車帶來邊緣計算
2019年是中國5G商用元年，5G因其超高速率和超低延時的特點，將對人與物和物與物的連接產生革命性影響。無人駕駛、車路協同等一方面對自動駕駛汽車智能化要求越來越高；同時，由於自動駕駛汽車受限於低成本要求，對算力、供電等有很高要求。“自動駕駛汽車技術對自動化的要求是無限的，我們希望最大化利用深度學習方法。”在清華大學AI研究院教授鄧志東看來，這是自動駕駛領域的一個困局。 但在5G環境下，這一困局有望破解。“5G和AI會催生邊緣計算發展。5G通過邊緣計算提供算力，連接雲端和移動終端。”鄧志東相信，5G和AI的應用將為自動駕駛汽車的數據源頭提供就近服務，“邊緣計算可以為自動駕駛汽車提供實時性、智能化服務操控。”這首先可以降低自動駕駛移動終端的成本，同時大大加強移動終端邊緣識別能力，而且可以提供周邊範圍公共服務。這樣就可以把自動駕駛汽車看做是一個傳感器，或是執行機構。
目前，L4汽車的技術路線選擇主要有兩個，一是攝像頭視覺為主導，二是激光雷達為主導。無論是二維攝像頭，還是三維激光雷達、毫米波雷達，成像之後都需要依靠計算機視覺，需要AI賦能。相對於傳統計算視覺方法，在大數據與大計算能力的支撐下，視覺的感知智能方法帶來了場景、目標、行為與檢測、定位、跟蹤與識別能力的大幅度提升。該方法目前基本可以應用於自動駕駛領域。深度學習方法，不僅有底層特徵，還有中層特徵、高層特徵、局部特徵和全局特徵，所有這些特徵都通過算法結構從大數據中自動學習。“這是最本質的問題。” 鄧志東舉例到，傳統計算視覺方法能達到70%～80%的識別率，而深度學習方法可以做到97%、98%，甚至99%。而人的識別率在97%左右。就是說，深度學習在視覺計算方面理論上可以達到甚至超過人的能力。“對某一個數據集來說，這種識別率變得基本可用。” 鄧志東強調。
多駕駛場景如何實現
“在結構化、封閉化道路上做決策和規劃相對較容易，但是開放場景、有動態障礙物的複雜場景，對智能車的自主決策和規劃還是非常大的挑戰。”吉林大學汽車工程學院教授高炳釗課題組在汽車控制領域已耕耘20多年，對模型預測控制在線優化方法和手段在自動駕駛各個環節中的作用頗有研究。高炳釗介紹說，人類駕駛員駕駛行為的基本原理是，先進行道路預瞄和前方場景理解，再根據環境當前狀況以及車輛所處狀態修整駕駛行為。基於此，人類駕駛決策是優化和調整的過程，從控制理論來看，駕駛具有分層架構，首先需從感知信息到決策規劃和控制。其中決策涉及到與其他車輛、其他行人和智能體交互的多方博弈；規劃要滿足汽車的動力學特性，節能經濟性考慮等。決策規劃給出一個控制指令，車輛輸出進一步影響周圍和行人，形成一個新環境，繼而提供新的感知信息。“模型控制就是在這樣的滾動循環下做駕駛規劃和決策。” 高炳釗說。
多駕駛場景的特點在其開放性和複雜性。“比如在沒有車道線的情況下，很多指令性規則實際上不足以覆蓋實際需要，還有一個關鍵因素是中微觀駕駛行為對運動的影響。” 高炳釗解釋到，同樣是一個換道操作，採用不同完成時間和不同加速度，軌跡差距可以達到15米以上，這也對決策的計算量影響提出了要求。高炳釗團隊提出的辦法是採用參數化決策方法提取主要運動量。比如動作持續時間、縱向加速度、終端位置、側向加速度等一些關鍵物理量，提取它們的取值範圍，利用組合覆蓋多種不同程度的微觀駕駛行為。決策輸出最重要的關鍵參數是時間、縱向加速度和終端位置。這種決策結構與人的駕駛行為很接近。在設計模型時，高炳釗團隊首先提取時間、縱向加速度和終端位置作為第一層關鍵物理量，再用其他參數保證軌跡規劃合理，用不同終端約束匹配不同道路，在考慮動力學特性的前提下，一定要使軌跡可行和光滑。“通過這樣的處理，可以比較快速地把決策和規劃問題求解出來。” 高炳釗表示，對於決策層，我們可以用在線優化和強化學習的方式採取離線訓練；對於規劃層，可以採用非線性模型預算控制做光滑軌跡的優化和跟蹤控制。
突破無人駕駛大規模商用難點
談到制約無人駕駛技術實現大規模商用的主要難點，鄭南寧團隊成員、西安交通大學博士陳仕韜表示應是規劃和定位問題。從規劃角度來看，無人駕駛汽車在正常的結構化道路上可以跑的很好，而面對非結構化道路往往不能很好處理。這時候需要有更好的規劃幫助無人駕駛汽車適應不同場景。從定位角度來講，目前有全球導航衛星系統等衛星導航定位手段，但很多應用場景並不具備GPS信號的良好條件，無人駕駛汽車也需要通過地圖或語義的方式確定其位置。鄭南寧團隊所開發的無人駕駛系統中使用的定位模塊離不開多傳感器融合。“我們的融合方法不完全依賴GPS信號。” 陳仕韜表示，在各種場景下都能做到精確實時的位置輸出，是他們的最終目標。當前主流的定位方法，包括二維碼定位和磁感應定位。二者現在已經非常成熟地應用於AGV小車技術。除此之外，GPS改進方案也解決了GPS信號多路徑效應等問題，這都可以提升定位精度，擴大無人駕駛應用場景。他們目前考慮的是，如何把GPS改進方案綜合在一起，得到一個更加可靠的定位系統。
“現有的GPS改進方案依然解決不了有地庫的場景或者林蔭道下有信號遮擋的場景。” 陳仕韜表示，slam算法雖然在室內機器人上得到了成功應用，但面對室外的複雜動態交通場景，其計算複雜度會很大，實時性也無法滿足都滿足要求。所以，研究需要去結合兩者的優勢。由此，鄭南寧團隊希望構建的基於多傳感器融合的濾波定位框架有如下幾個特點，首先要強調弱化GPS在整個系統中的作用。“我們不一味地依賴或否認GPS，它好的時候我們去用，它不好的時候我們也要及時地把它屏蔽掉。”其次定位需要是高頻率的，“我們希望無人駕駛汽車獲得的位置更新達到每秒100赫茲以上，所以我們也要通過一些融合濾波的方法提高定位的平滑性和實時幀率。” 陳仕韜接著說。鄭南寧團隊提出的綜合一體化建圖與定位方案認為，從宏觀上來講，無人駕駛汽車就是要在長距離、長過程的定位中不能有累計誤差，並且可以把綜合定位誤差控制在一定範圍內。從微觀來看，具體到一個定位的實時位置應是連續和平滑的。
“自動駕駛產業要想真正落地，就必須獲得大數據、大計算能力、5G、雲邊端自動駕駛技術實施，以及核心零部件、高精度地圖、智慧城市、智慧道路、視覺認知道路等的支撐。” 鄧志東表示，自動駕駛產業的前景是美好的，不過我們還需要通過加速自動駕駛領域的全生態建設和技術融合探索，如此才能推動自動駕駛在中國的快速發展與產業落地。
閱讀更多 科技小輝Haley 的文章
