2020 最新自動駕駛技術報告出爐!以特斯拉、Volvo 為例,全面涵蓋智駕技術

作者 | 發布日期 2020 年 03 月 27 日 8:15 | 分類 汽車科技 , 自駕車 , 軟體、系統 follow us in feedly


進入 2020 年,自動駕駛技術跨越式與漸進式路線的陣營劃分已十分明顯,但最終自動駕駛要完全自動化,技術還需要不斷更新發展。

對自動駕駛的技術進展,WEVOLVER 發表的《2020 自動駕駛技術報告》(2020 Autonomous Vehicle Technology Report)做了全面闡釋。

報告從感測、規劃、執行三層面闡述自駕車技術的最新發展狀況,涉及感測器、資料處理、機器學習、SLAM 與感測器融合、路徑規劃等多領域,同時提供多家自動駕駛公司的案例,包括特斯拉、Volvo、Waymo 等。

感測

自駕車是在未知動態環境執行,所以需要事先構建環境地圖並自我定位,而執行同步定位和對映過程(SLAM,即時定位和地圖構建)輸入則需要感測器和 AI 系統幫助。

報告指出,感測器可分為有源感測器和無源感測器,各種感測器都有優缺點,沒有單一感測器適用所有路況。通常情況下,想可靠安全操控一輛自駕車,需要同時使用多種感測器。

一般情況下,自駕車感測器主要有 5 種:

  1. 遠端雷達:訊號能透過雨、霧、灰塵等視線障礙物偵測目標。
  2. 照相機:一般以組合形式探測短程目標,多應用於遠距離特徵感測和交通偵測。
  3. 光學雷達:多用於 3D 環境對映和目標偵測。
  4. 短程/中程雷達:中短程目標偵測,適用側面和後方避險。
  5. 超音波:近距離目標偵測。

各類感測器均有優缺點,而自駕車需要從技術判斷選擇感測器,篩選條件主要有幾方面:

  • 掃描範圍,決定感測器反應感測物體的時間。
  • 解析度,感測器可為自駕車提供多少環境細節。
  • 視野/角度解析度,決定自駕車需要多少感測器涵蓋感測區域。
  • 3D 環境區分靜態和動態物體的能力。
  • 更新率,決定感測器資訊更新的頻率。
  • 不同環境條件下的總體可靠性和準確性。
  • 成本、大小和軟體相容性。
  • 生成資料量。

以下是特斯拉、Volvo-Uber、Waymo 的感測器方案示意圖:

另外,關於無源感測器和有源感測器,報告也詳盡介紹:

無源感測器

無源感測器能探測環境物體反射的現有能量,如光、輻射等。但在弱光環境下,由於自己沒有傳遞源,無源感測器的效能將會下降。並在產生資料方面,比起有源感測器,無源感測器產生的資料量更多,約 0.5~3.5Gbps。

即便如此,無源感測器仍有許多特點:

  1. 涵蓋整個視野寬度的高解析度畫素和色彩。
  2. 視野保持恆定幀頻。
  3. 兩個鏡頭可生成一個 3D 立體檢視。
  4. 缺乏發射源,減少其他車輛干擾的可能性。
  5. 技術成熟,成本低。
  6. 系統生成的影像便於用戶理解互動。

如果在自駕車使用無源鏡頭感測器套件,需要涵蓋汽車周圍環境。這可透過使用特定時間間隔拍攝影像的旋轉相機做到,或用軟體將 4~6 台相機影像接在一起。

此外,這些感測器需要超過 100 分貝的高動態範圍(場景高光和陰影成像能力),能在各種光照條件下工作,並區分不同物體。

有源感測器

有源感測器有訊號傳送源,依靠 TOF 原理感測環境,ToF 能透過等待訊號反射傳回測量訊號從源頭到目標的傳遞時間,訊號頻率決定系統使用的能量及準確性。因此,確定正確的波長在選擇系統時是關鍵。

關於有源感測器種類,報告主要介紹 3 種:

超音波感測器:也稱為聲納、聲音導航測距。在有源感測器中,音波頻率最低(波長最長),因此更容易被干擾,這也意味著超音波感測器很容易受不利環境條件影響,如下雨和灰塵。另外,其他音波產生的干擾也會影響感測器效能,需要透過使用多感測器和依賴其他種類感測器來緩解干擾。

雷達:主要以無線電波測距。無線電波以光速傳遞,電磁波譜中頻率最低(波長最長),基於無線電波反射特徴,雷達感測器可探測到前方物體以外的東西。

不過,雷達訊號容易被具相當導電性的材料(如金屬物體)反射,並其他無線電波干擾也會影響雷達效能,造成雷達感測器無法探測。確定探測目標的形狀這點,雷達的能力不如光學雷達。

光學雷達:以脈衝光學形式使用光。光學雷達感測器以每秒 50,000~200,000 脈衝的速度掃描一個區域,並將傳回訊號編譯成 3D 點雲圖,透過比對連續感測的點雲圖、物體差異偵測運動,建立 250 公尺範圍的 3D 地圖。

規劃

根據自駕車感測器套件擷取的初始資料和已有地圖,自動駕駛系統需要同時定位和對映演算法構建和更新具體環境地圖,追蹤具體定位,開始規劃從一點到另一點的路徑。

SLAM 與感測器融合

SLAM 是複雜的過程,因定位需要地圖,而繪製地圖需要良好的位置估算。為了更準確執行即時定位和地圖構建,感測器融合開始發揮作用。

感測器融合是將多感測器和資料庫結合,以改進資訊的過程,是多層次任務,能處理資料間的聯繫和相關性組合資料,與使用單資料源相比,能獲得更便宜、更高品質、相關性更高的資訊。

自駕車 AI 架構主要有兩種方法:

  1. 逐步處理。把整個駕駛過程拆解為一系列逐層連線的流水線,其中每一步,如感測、定位、地圖、路徑導航、運動控制,都分別由各自軟體套件處理。
  2. 端到端。基於深度學習的解決方案,一次性處理所有功能。

透過感測器融合,自駕車獲得資料,不過如何從感測器訊號擷取有用的資訊,並基於現有資訊執行,需要利用機器學習演算法──CNN、RNN、DRL。

CNN(卷積神經網路):主要用於處理影像和空間資訊,擷取感興趣的特徵和辨識環境物體。神經網路是由一個卷積層構成:一個過濾器集合,嘗試區分影像元素或輸入資料做好標記。卷積層匯出輸入到演算法,演算法結合資訊預測影像的最佳說明。最後的軟體通常稱為物體分類器,因可分類影像裡的物體,如交通號誌或另一輛車。

RNN(遞迴神經網路):主要用於處理影片資訊,先前步驟匯出將輸入網路,允許資訊和知識在網路持久存在並內化。

DRL(深度強化學習):DRL 允許軟體定義的「代理」學習在虛擬環境使用獎勵函數,達成目標最佳操作。這些針對目標的演算法將學習如何達成目標,或如何在多步驟下沿著特定角度最大化。目前,深度強化學習在自駕車的應用還處在起步階段。

這些方法不一定獨立存在。為了避免過度擬合,深度學習通常會多工訓練網路。當機器學習演算法訓練用於特定工作時,它會變得非常專注模仿訓練的數據,以至於嘗試插值或外推時,結果會不太現實。

透過多工訓練機器學習演算法,網路核心將專注發現所有目的都有用的通用特徴,而不是專注於一個工作,以便輸出更實際有用的應用程式。

利用感測器的所有資料和演算法,自駕車能探測周圍物體。接下來,它需要找到一條路。

路徑規劃

車輛了解環境物體及位置後,可使用 voronoi 圖(車輛與物體間的最大距離)、使用網格演算法或駕駛廊道演算法,確定車輛的大範圍路徑。然而,這些傳統方法無法滿足車輛於動態環境行動。

報告指出,部分自駕車不僅依靠機器學習演算法感測環境,還依靠這些資料來控制車子。路徑規劃可透過模仿學習傳授給 CNN,CNN 會嘗試模仿駕駛的行為。

通常情況下,這些機器學習方法會與經典的運動規劃和軌跡最佳化方法結合,以確保路徑的強健性。此外,出於其他目的(如減少燃料使用),車商還會在模型提供最佳路徑參考。

車輛執行過程的神經網路訓練和推理需要巨大計算能力,由於汽車需及時回應新數據,因此操作車輛所需部分處理需在車上進行,模型改進可在雲端完成。

目前,機器學習的最新進展在有效處理自駕車感測器產生的資料,減少計算成本。此外,晶片製造和微型化進步也提高可安裝於自駕車的計算能力。隨著網路協定進步,自駕車或許能靠低延遲基於網路的資料處理,幫助自己自主操作。

執行

那麼,車輛是如何行動的?

人類駕駛的車子,轉向、剎車或訊號等動作通常由駕駛控制。駕駛的機械訊號由電子控制單元(ECU)轉換成驅動指令,再由電動或液壓執行器執行。

(半)自駕車中,這種功能直接被與 ECU 通訊的驅動控制軟體取代。這些軟體能改變車輛架構,減少零件數量;尤其是專門用於為 ECU 將機械訊號從駕駛轉換為電訊號的零件。

自駕車通常包含多個 ECU,一般約有 15~20 個,高階車款可能達 100 個。

ECU 是簡單的計算單元,有獨立微控制器和記憶體,處理收到的輸入資料,並轉換為子系統匯出指令,如轉換自動變速箱。

一般來說,ECU 既可負責控制車輛操作,也能負責安全功能,執行資訊娛樂和應用程式。並大多數 ECU 支援單應用程式,如電子動力轉向,能在區域執行演算法和處理感測器資料。

挑戰一:系統複雜性

工程師需要為系統設計正確的電子架構,以便融合感測器,將決策同步配置到按指令行事的較低層子系統,這對需求的增加和複雜性提出挑戰。

理論上,在一種極端情況下,人們可以選擇完全分散式架構,每個感測單元處理初始資料並與網路其他節點通訊。光譜另一端有個集中架構,所有遠端控制單元(RCUs)都直接連線到中央控制點,控制點收集所有資訊並執行感測器融合過程。

這範圍中間是混合解決方案,將在更高抽象等級工作的中央單元與執行專屬感測器處理,或與執行決策演算法區域結合。這些區域可基於車輛內部位置,如車子前或後部區域,控制的功能類別,或處理的感測器類別(如照相機)。

在集中式體系架構,不同感測器的測量值是獨立的,不受其他節點影響。資料在系統的邊緣節點沒有修改或過濾,為感測器融合提供最大可能資訊,並具較低延遲。這架構的挑戰在大量資料需要傳輸到中央單元並處理,這需要強大的中央電腦,而且還要高頻寬的重型線束。

分散式架構可用更輕的電氣系統達成,但更複雜。儘管在這樣的架構,與頻寬和集中處理相關的需求大大減少,但驅動和感測階段之間引入延遲,增加資料驗證的挑戰性。

挑戰二:動力、熱量、重量和體積增加

除了增加系統複雜性,自動化還會增加車輛零件的功耗、熱足跡、重量和大小。無論架構是分散式還集中式,autonomous 系統的功耗需求都很巨大,這之中主要的驅動因素是競爭需求。

全自駕車的競爭需求比目前生產最先進的汽車高出近 100 倍。對純電動車來說,行駛里程容易受動力需求的負面影響。因此,Waymo 和福特等公司選擇專注混動車,Uber 則使用全汽油 SUV。然而專家指出,全電動最終會成為動力系統的選擇,因內燃機在為車載電腦發電方面效率不佳。

處理需求增加和更高功率吞吐量會使系統升溫,但為了使電子元件正常可靠工作,不管車外部條件如何,電子元件必須保持於一定溫度範圍內,這就需要冷卻系統。但冷卻系統會增加車重和體積大小,特別是液體冷卻。另外,其餘套件、布線和熱管理系統也會對車重、體積和熱效能造成壓力。

自動驅動元件的供應商正改變產品,從減輕像 LIDARs 等大型元件重量,到構建 semiconductor 這類微型元件。同時,半導體公司也在製造占地面積更小、熱效能更好、干擾更小的元件,發展各種矽元件,如 MOSFET、bipo – lar 電晶體、二極體和積體電路。

不僅如此還考慮使用新材料氮化鎵(GaN)。與矽相比,氮化鎵可更有效傳導電子,在給定的導通電阻和擊穿電壓下,製造出更小元件。

一輛全自駕車包含的程式碼可能比迄今開發的任何軟體平台或作業系統都多,要自行處理所有演算法和過程,需要顯著的計算能力和強大的處理能力,目前 GPU 加速處理正成為產業標準。

在 GPU 領域,Nvidia 是市場領導者。Nvidia 的競爭主要集中在張量處理單元(TPU)晶片設計,加速深度學習演算法核心的張量運算。另外,GPU 用於圖形處理也阻止深度學習演算法充分利用晶片的能力。

可見,隨著車輛自動化程度提高,車輛的軟體形態將發生顯著變化。除此之外,車子擁有更多自主權,也會影響用戶與車輛的互動方式。

(本文由 雷鋒網 授權轉載;首圖來源:shutterstock)