当前位置:首页 > 智能新能源汽车 > 正文

众包高精地图对自动驾驶发展有何影响

2020-08-31 11:13
【新能源汽车网】

自动驾驶的将来在那里?

这是一个极为辽阔的问题,根据手艺演进的计划,自动驾驶从 L0 一直到 L5 分为 6 层,每一层都有差别的完成时候预期和手艺演进线路。个中 L3-L5 被认为是真正意义上的自动驾驶才能,L1-L2 只能算是自动驾驶辅佐。

从落地完成的角度看,市面上相当多的 L2 级自动驾驶辅佐已完成量产托付;L3 级自动驾驶预期能在将来的 1-3 年内逐步完成量产托付;L4 和 L5,现在能看到的多为 Demo,谈量产为时尚早。

从 L2 到 L3 最大的逾越在于舆图数据的融会,而不只是计算机视觉等感知层面、系统决议计划才能、硬件算力的提拔。怎样把舆图数据与 ADAS 圆满融会,这一样是一个极为辽阔的问题,辽阔到险些能够决议自动驾驶行业的将来。

与我们一样平常认知下的导航用舆图(SD Map)差别,自动驾驶所须要的舆图完整不是可视化的产品,而是种种图层与数据的堆砌;在详细的定义和定名上,每个自动驾驶公司和舆图供应商都有差别的主意,不过终究落地时基本都不会离开高精舆图的领域。

所以,作甚高精舆图?

抽丝剥茧,起首定义高精度,一般来讲舆图数据相对精度低于 1m、相对精度在 10-20cm 之间方可满足 L3 级自动驾驶的运用;假如是 L4 以至是 L5 级别的自动驾驶功用,则须要更高精度的舆图数据,比方厘米级。

高精基本舆图数据只是构建 HD-Map 的地基,亭台楼阁须要更多的途径和环境要素,以及多个维度的图层来搭建。

途径包括但不限于车道中间车道方向、途径中间、车道连接线、泊车线、应急线路、截面关联、假造连接线、公路边境、限速信息、标记意义、坡度、曲率;另一方面,途径周边的环境信息一样至关重要,简朴明白就是在什么位置,有什么样的标志性事物,是颗树,照样个龙门架,你得给我标记出来。

车道线互联

静态数据就够了吗?并不。

从高精舆图的搭建和网络来看,除了静态维度,大批来自数据网络车辆的驾驶履历数据和及时环境动态数据能够进一步雄厚高精舆图的信息维度。由于一个好的的自动驾驶算法应该和优异的人类驾驶员有着一样表现,而这须要人工智能算法和舆图履历数据的配合加持。

这些多个维度的数据叠加起来构成一个服务于自动驾驶算法的三维假造天下,换而言之,一般导航舆图是给人看的,高精舆图是服务于机械的。

假造天下的竖立

车顶上装一堆传感器的舆图测绘车置信大部份人都在街上遇到过,比方笔者最常见到的是百度与高德的测绘车,在提拔传感器精度(包括视觉摄像头与激光雷达)以后,就可以够服务于高精舆图的网络,这也是传统图商的习用要领。

专用舆图网络车的长处是数据维度雄厚,位置信息等重要数据精确度高。瑕玷?瑕玷是更新慢和本钱高贵。

与传统图商构成显著差别的是以自动驾驶开发者进入舆图行业的公司,他们的建图要领多依赖于众包建图,经由历程基本的视觉图象和一套散布于边沿和云端的算法来合成出可用的高精舆图,图象来着那里?能够是从 ADAS 系统中截取,也能够一套分外的玲珑硬件。

瑕玷在那里?车端的定位硬件机能悬殊,视觉图象嵌入位置信息时极有大概发生米级以至几十米的误差,怎样在这类状况下进步数据的可用性是中心竞争力。

而关于成熟的自动驾驶开发者来讲,一个显著上风是搭载在量产车型上的视觉传感器基数,以 Mobileye 为例,他们已量产装车可用于舆图数据网络的 ADAS 数目以百万级,有充足的范围效应来战胜单次数据网络的数据离散问题,假如难以明白,回想一下你在大学时高数课上的正态散布,差不多就是那末回事。

众包网络的信息(未离散收拢的状况)

传感器基数/装车数目充足巨大、算法充足优异的状况下,视觉众包舆图网络计划一样能够产出一张优异的高精舆图,一个行业内的基本数据是一个车道须要 10 次网络就可以完成建图数据的网络。

装车数目还涉及到一个非常症结的属性:舆图更新速率。这么多车子天天在路上网络舆图数据,更新速率的瓶颈就不再是数据网络,而是后端的数据处置惩罚了,处置惩罚的有多快,舆图更新周期就有多短。

众包舆图的车端硬件本钱在现在越来越多车辆标配 L2 级自动驾驶辅佐的状况下变得眇乎小哉,由于能够复用 ADAS 相干的感知、算力硬件和车联网才能。重要难点和本钱在于一个充足效力的车端边沿算法和云端生产线的建立,好的边沿算法能够保证数据上传本钱可控;云端才能的建立则关于任何一家在汽车新四化时期有野心的汽车行业巨子来讲都是必需具有的,摒弃即意味着被镌汰。

所以视觉众包建图从网络流程来看是不言而喻的低本钱和极高的更新效力。

众包网络的密度

数据与感知的前端融会

笔者有一个关于现在汽车工业系统来讲很是激进的观点,更高级别的自动驾驶辅佐功用如 L3,应该与舆图才能同属于一个开发系统之下,构成数据闭环与才能互通。

为何?

初次从舆图数据的运用提及,以 L3 功用为例,海量的舆图数据在自动驾驶系统运转历程当中是作为基本数据与及时感知效果举行比对的,完成高精度视觉定位,在此才能背景下方能完成平安的自立变道和变更高速等功用。及时数据建图和既有高精舆图的融会历程即为 SLAM,假如睁开细讲,那末又是一篇长文,这里先不赘述了。

所以假如舆图数据的视觉网络历程与自动驾驶视觉感知在算法上有趋同性,那末在前端就可以够完成高效力的数据融会,进步视觉定位精度。

但为何说是激进的观点?由于关于现行汽车工业系统来讲,每个部份找一个供应商来处理问题是惯常做法,这就很轻易涌现舆图数据和自动驾驶才能来自差别的供应商,两者之间的结构性数据的连接极易成为瓶颈。

实际上把舆图数据网络与自动驾驶才能框定在同一个开发系统之下在行业内已有现成案例,比方 Mobileye、特斯拉,以至托付量方才过万的抱负汽车。

除了前端融会所发生的高精度定位效果,高精舆图里包括的雄厚信息还能够进一步优化自动驾驶辅佐的表现,比方跨线桥连接处的坡度非常数据能够协助自动驾驶系统完成预防性的降速,防止车辆颠簸带来的不适性;或许在靠近高速/高架的小曲率路段时参照驾驶履历数据以更妥当的速率来经由历程。

这些基于数据才能的细化场景优化带来的是团体驾驶体验和平安性的提拔,一个可参考的逻辑是人类老司机的最重要妙技就是对路面与途径环境的熟习水平,一套装备及时更新、数据雄厚的高精舆图的自动驾驶算法明显与「老司机」具有一样的才能逻辑。

闭环

说到这里,关于舆图生产与运用的闭环已开端成形:

众包舆图数据网络> 高精舆图对自动驾驶辅佐的加持> 更好的用户体验> 更多的贩卖数目> 更多的众包舆图数据

这条闭环上包括了雄厚的用户运营维度与变现才能,固然怎样变更用户更多的积极性和完成舆图数据的进一步变现,这些一样是辽阔的问题,就不在此举行探讨了,交给行业先行者们去追求最好的答案吧。

泉源:极客汽车

本文地点:https://www.d1ev.com/news/shichang/124789

返回第一电动网首页 >

标签