免费开源门户网站系统,网站seo优化如何做,电子商务的推广,一个服务器可以备案几个网站来源 #xff1a;AI前线作者 #xff1a;滴滴自动驾驶技术团队策划 #xff1a;陈思「重点问题」什么是合适的无人驾驶车辆平台#xff1f;复杂场景下的“无人驾驶”#xff0c;传感器硬件系统还有哪些挑战#xff1f;告别 demo 硬件系统后#xff0c;下一个前装量产的必… 来源 AI前线作者 滴滴自动驾驶技术团队策划 陈思「重点问题」什么是合适的无人驾驶车辆平台复杂场景下的“无人驾驶”传感器硬件系统还有哪些挑战告别 demo 硬件系统后下一个前装量产的必经阶段是什么前装量产无人车真的已经走进现实了吗在自动驾驶领域关于车和硬件的新闻非常多某顶级 OEM 和某头部科技公司达成战略合作要前装量产某革命性的自动驾驶硬件横空出世。究其原因有三首先自动驾驶汽车的本质属性仍然是车。自动驾驶技术终究需要车作为载体同时出行服务也需要落实到车这个终端上。其次随着行业的进步也逐步认识到自动驾驶是一个软硬件强耦合的系统工程车辆硬件和软件算法是鱼和水的共生关系。再次很现实的问题是就算顶级 OEM 也对复杂软件系统与 AI 鲜有很强的应对能力同样科技公司想补齐汽车硬件的研发能力与克服生产制造壁垒短期也是不现实的。所以车厂、Tier1 和科技公司走向一起势在必行。而要做到真正的商业化落地还必须要考虑成本可控和前装量产两大难题。在多重难题叠加的模式下自动驾驶车辆硬件如何应对挑战朝究极形态演进与进化一、自动驾驶车辆平台如何评估与改造一个合适的自动驾驶车辆平台涉及的技术核心包括是否有先进的整车架构与动力总成如何实现底盘线控如何实现冗余包括转向、制动、通信、供电系统等是否有开放的原车协议如何改造供电系统如何改造原车液冷系统。滴滴自动驾驶车辆平台就拿线控能力的演进举例从 2007 年 DARPA 举办的第一届无人车挑战赛还要自己加装一个转向电机到后来早期的谷歌和车厂合作无果只能 Hack 了一辆普锐斯做测试车到现在线控功能可以基于量产系统进行二次开发自动驾驶车辆平台不但性能迈上了新台阶可靠性也逼近车规标准。但是我们知道这对于达成“无人驾驶”的终极目标是远远不够的。行业里的玩家们纷纷发力冗余车型的研发合作随着去年 9 月 Uber 与 Volvo 正式发布了量产全冗余车型整个行业在 底盘一体化轨迹控制、符合功能安全设计的冗余执行机构、符合量产标准且经过试验认证的线控软件 等方面掀起了新一轮的军备竞赛。以终为始的看终极的自动驾驶车要走向定制化的 RoboTaxi 车型。长期以来汽车工程一直是以驾驶员为设计核心而无人驾驶出现之后面向出行服务将成为新的设计核心。这将涉及整车平台与 EE 架构的革命性升级自动驾驶系统需要深度整合未来的智能座舱将带来全新的人机交互体验乘坐舒适性和运营经济性需要被特殊设计几乎每一方面的变化都是颠覆性的由此未来出行可窥得一角。当然为了达成这一目标将必须面临两个完全不同行业的剧烈碰撞与融合车厂与科技公司需要不断探索合作模式不断挑战开放程度、不断面对行业文化、技术路径、开发流程的差异。二、自动驾驶传感器技术提到自动驾驶大众最直观的感受是车顶上的一排排传感器。现今对于 L4 级以上的自动驾驶我们看到行业上已经逐步形成了一套趋同的解决方案即以超级车载计算与通信平台为核心以高线束激光雷达为主充分融合相机视觉、毫米波雷达依赖于高精度的组合导航系统。该架构可以在 360°范围内通过不同数量、布置位置与传感器特性的组合可以实现远近中距离无死角的感知覆盖能力并利用不同物理原理的传感器实现三重异构冗余并具备全天候的适应能力。定义硬件架构是一个复杂的工程极大地考验系统的整合集成能力。首先需要在 ODD设计行驶区域下进行大量的 case 分析。再次从软件算法的使用需求出发基于硬件的特性与行业现状进行甄选。同时还需要综合考虑商务战略、周期、成本以及车载集成的要求最终得到一个系统的结论。以下将以 3 类核心传感器进行举例说明CameraCamera摄像头获取信息量是最丰富的它可以识别交通指示灯、施工区、交警手势和应急车辆等。下面以 camera 为例解释如何定义硬件性能在城市工况 60km/h 双向两车道对向车道反向同速的机动车有入侵本车道意图需要完成本车道内紧急停车避让的 case 为例感知、融合、预测、规划、控制整个计算延时约需要 1s按照本车最大紧急平均减速度 -8m/s2 计算刹停需要 2s这个相遇问题需要在 83m 时就可以准确感知到前车并完成轨迹预测。若需要舒适停车避让经过类似计算需要 164m 的相机感知能力对于通用的 AI 算法一般需要 25*25 Pixel 才能稳定识别车辆反推可得对应 60°HFOV 的相机分辨率要在 4M 以上。此外如果给算法模型越多的点意味着更多的特征也意味着更高的准召率并且真实道路还会遇到障碍物被挡、逆光、夜晚等等影响因素。因此从实际使用上讲现阶段对硬件的需求还远远没有到上限。 这只是其中一个分辨率指标的拆解事实上还要有很多关键指标与因素都需要满足与考量比如专门应对逆光夜晚的 HDR 功能分辨率大幅跃升下需要使用高带宽高稳定性的通信技术 ISP 芯片外置到计算平台时还会带来技术耦合商务的困难良好的散热设计避免噪点供应商的成熟度与周期的平衡等等。夜晚场景 HDR 功能的优势高分辨率 Camera 的优势LidarLidar激光雷达是传感器阵列的核心在探测范围、精度和分辨率上都有较好的表现。借助激光雷达每秒向周边发射的数百万束激光脉冲就能绘制出车辆周边得点云图并 3D 建模。从三四年前的 16 线、64 线到如今的 128 线我们看到机械旋转式仍然是 L4 主流解决方案的选择并在高性能的路上继续狂飙。Waymo 虽未公开其自研 Lidar 的具体参数但从点云图上看其表现可以说是“一骑绝尘”。Waymo Lidar 点云图虽然这条技术路线一直被诟病无法车规和量产但令人欣慰的是随着近来 ASIC 化小型化的突破从开始就符合车载标准的设计测试验证生产工艺的改进让我们重新看到了希望。同时市场上出现了专门用于近距离补盲的产品也出现了基于 1550nm 技术在特定视场角下用于远距离的产品这标志着自动驾驶即将形成完整的远近中 Lidar 感知系统。当然在产业化上可以注意到越来越多车企开始给 L3 配备 MEMS(微机电系统) Lidar未来随着量产驱动将会带来整体二级供应链的成熟从而反哺 L4 的 Lidar 技术。Radar毫米波雷达指工作在毫米波波段的雷达是自动驾驶重要传感器之一 。毫米波的波长介于红外光波和微波之间因此毫米波兼有微波和光电的优点。Radar 一直是传统 Tier1 的拿手好戏从前端射频芯片模拟与数字信号处理到跟踪滤波算法均有不小的技术壁垒。但近来得益于 Radar优异的速度探测能力、对移动金属物体敏感的特性、低廉的成本和恶劣环境下的鲁棒性越来越受到 L4 自动驾驶的重视。不过现阶段的产品大多是给低等级 ADAS 系统设计的因此在距离、分辨率、覆盖范围上较难满足 L4 场景。但可以预见在 2021 年无论 Bosch/Conti/ZF 等意识到市场后的大象转身还是雷达芯片设计公司如雨后春笋都将集中推出多收多发的高性能版本或 4D Image Radar请让我们拭目以待。三、高性能车载计算平台对于自动驾驶硬件系统众所周知最复杂的莫过于自动驾驶的大脑——高性能计算单元复杂的根源在于高性能复杂传感器系统与高性能算力的需求。针对算力行业基本形成了共识认为自动驾驶每提升一级算力约需要提升 10 倍现在 L1-1TOPS/L2-10TOPS特斯拉的 FSD 是 144TOPS据此 L4 则需要千 T 的算力。同时对于现有主流 L4 方案基本都需要 15-20 个传感器若考虑未来 ODD 的扩充与功能安全数量还需要翻一番、性能也会成倍提升数据接入量将由现在的 20~30Gb/s 上升至约 100Gb/s。但事实上对于汽车领域从未有过这样的“性能怪兽“比如强调实时性安全性的底盘控制系统的带宽是 1Mb/s环视泊车系统的单鱼眼相机约 100Mb/s。由此未来的整车架构设计必须将从分布式架构、域控制器架构逐步走向计算与通信网络为核心驱动的中央式架构。对于计算平台硬件开发中需要牢牢把握好架构、算力、传感器接入、车载要求、软件生态、功能安全六个核心要素关键是解决算法需求与硬件架构相统一不同计算芯片间高效的数据流转复杂车载电磁环境下部署高带宽高实时性的通讯架构巨额算力开销带来的功耗散热振动尺寸的综合问题。另外一点是 AI 软件生态形成的壁垒比如 CUDA。在主流模型的支持、计算效率开发人员的易用程度与缩小迁移成本这两方面都是后进供应商需要翻越的大山。滴滴自动驾驶在该核心领域早有布局并持续优化。我们上一代车辆平台的产品算力可达 600TOPS硬件高度集成整合于后备箱下采用水冷来解决散热带来的噪音问题并完成了 ISO-16750 的可靠性测试在算力、可靠性、用户体验上均达到行业领先水平。具体表现为这一代车辆平台拥有高度的硬件集成和整洁的后备箱在提升车辆安全性的同时满足了乘客真实的出行需求——后备箱储物。滴滴自动驾驶车辆后备箱如今所幸的是因为自动驾驶的蓬勃发展硬件市场开始转为需求驱动产业链上的合作伙伴们普遍能拿出专为 L4 场景且符合车载应用与标准的产品并在时间上有清晰的规划。自动驾驶是个新兴领域无论是硬件架构还是具体的传感器、控制器包括硬件设计、生产、测试、验证等工程节奏非常之快相比传统汽车电子整体处于快速迭代阶段平均 3 年即有下一代产品出现同时性能基本可以实现翻一番并且在成本上也逐渐可承受。随着行业进入正轨会使得成本年降 20% 成为现实十年成本将减少一个数量级。比如当前随着一些高端车型的量产高精度的惯性组合导航系统将最先进入该节奏完成产品下沉并开始国产替代。可以预见的是行业将告别 Demo 硬件系统即将迈入软硬件协同迭代的新阶段这是下一步的前装量产的必经阶段但不得不说的是这对整体的系统研发能力、产业链整合能力两方面提出了很高的要求和挑战。四、整车集成与测试验证整车集成的工作是把自动驾驶硬件系统搭载到车辆平台上并满足车载使用环境的要求比如电磁环境、防水防尘、高低温、高湿、振动、耐久每一方面都需要认真考量。整个过程可以当成一个简化版的整车开发工作并参考造车的思路方法进行组织。其本质上是系统工程的能力大体专业内容涵盖了机械设计、电气工程、热管理、造型设计、空气动力学、被动安全等诸多方向。核心的技术要点有传感器的视野与造型美观的平衡、构建模块化的传感器套件、直流高压技术以提供强大高效的供电能力、采用液冷解决方案可提高散热效率、安静无噪声、设计传感器清洁系统应对恶劣的天气工艺流程与生产制造管控质量可追溯与一致性要求等等。集成后还需要完成严苛的测试验证才能保证车辆在上路后的安全性和可靠性这方面可以参考车厂丰富的经验但现阶段不能完全照搬需要找出实际有效的最小集比如依据常见的夏季高温雨天强电磁干扰不同路面颠簸等搭建不同的实验条件。整车集成工作的出发点有两个一方面是构建快速的原型车用于路测另一方面是未来终局需要进入并符合车厂前装量产开发流程这两方面短期对立长期统一因此需要在工程实现过程中要充分把握平衡。站在传统的整车开发流程来看现在大部分公司处于原型车、模拟样车阶段也就是为什么大家觉得当前仍然在后装改装的阶段也只有少量公司走到了工程样车阶段之后若进入生产制造阶段生产验证 / 初期量产直至小批量生产完成那么恭喜 L4 前装量产车可以下线了。背后不同的阶段代表的是不同的设计要求、生产数量、工艺水平、质量要求、测试验证方法。此外当前样车制造车间是否有相应的流水线完成生产试制产能是否到 100 台 / 年可以说是一个分水岭。以此为基准“已经具备量产能力甚至已经做到量产无人车了”这类断言还需谨慎考证。结 语车辆与硬件系统是一个复杂的系统工程距离我们的终极目标无人驾驶仍然还有很多工作和挑战。不过把汽车行业拉长视角看从 1885 年卡尔本茨手中诞生了世界第一辆比马车还慢的汽车到 1913 年福特的流水线生产让汽车走进千家万户从 Tesla 拿出第一辆电动车到如今电气化浪潮的洪水滔天都才仅仅经历十年。在科技飞速前进的今天在网联化和共享化的加持下Tier1、OEM 和科技公司等自动驾驶相关行业都在全力推进。我们依旧相信技术改变世界相信在下一个十年自动驾驶终究成为汽车发展的必然。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
