国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

馭勢科技CEO吳甘沙

隨著國家智能駕駛相關政策法規逐漸成型、行業內技術不斷完善，以及中國智能駕駛企業積極推動應用落地的情況下，中國智能駕駛市場規模呈現出持續擴大趨勢。據悉，2020年中國智能駕駛產業市場規模預計將達到1214億元人民幣，前景可期。

探索智能駕駛商業化之路

智能駕駛實現商業化需要在以下三個方面做出努力。首先需要前沿技術做支撐；其次是企業家精神，即創新、冒險、協作；最后是復雜系統的管理經驗。汽車本身是一個非常復雜的系統，需要管理者具有豐富的管理經驗。只有同時具備這三個條件，才可能實現智能駕駛的商業化。

馭勢科技于2016年3月開始探索、研究智能駕駛相關技術的發展，不斷加強與學術界的溝通交流，提升自身的創新水平和研發技術，目前已具有前沿的無人駕駛技術、人工智能技術、系統工程技術和汽車電子技術。首先，開發軟件，重構智能駕駛的軟件系統，包括算法、中間件、操作系統，尤其是中間件。經過深入考慮，馭勢科技放棄了如今廣為使用的ROS操作系統，改用美國軍方在武器中使用的輕量實時系統RCS。接著4月份，馭勢科技著手硬件的開發，包括攝像頭、控制器等。5月，算法開始在模擬器上進行測試，同時開始半閉環測試（半閉環，即感知設備已經在車上開始運行，但還沒有控制車輛）。直到7、8月，研發出第一輛可以線控的車，并進行了長時間的測試。并在此基礎上開始進行全閉環測試，也就是真正的路測。在這個過程中，我們遇到了很多困難和挑戰，也獲得了諸多成長經驗。

困惑之后來者的定位

當前的智能駕駛，主要包括五類。第一類是駕駛輔助系統（driving assistant system），即人開汽車，機器起一定的輔助作用。第二類是自動輔助駕駛，像特斯拉的AutoPilot，它有兩個要素，（1）在封閉的結構化的高速路上，機器持續地實現自動駕駛；（2）駕駛員仍然需要把注意力放在路上，甚至把手放在方向盤上。第三類是高度自動駕駛。指不再局限于封閉的高速公路，能夠開到大街小巷。駕駛員可以做其他事情，只要能夠在5秒內重新回到決策化，這是比當前輔助駕駛更有用的一種自動駕駛技術。第四類是限定場地的無人駕駛，能夠在城市區域里實現無人駕駛。沒有駕駛員，沒有方向盤、油門、剎車，限定在固定場景，最高時速在40公里以內。第五類是全天候全區域的無人駕駛，我們相信在2030年，可能會出現。如圖1所示。

圖1 智能駕駛的分類

為此，馭勢科技也面臨著定位選擇。2016年，工信部發布的智能網聯汽車發展技術路線圖指出，到2020年，我國每年將有1500萬輛車具備駕駛輔助或者輔助駕駛系統，同時在目前的輔助駕駛形態中，技術還有很多可改進的地方，國內能夠有商業化技術的供應商還很欠缺，因此我們決定將第二類輔助駕駛作為公司研發的切入點。

差異化發展策略

馭勢科技作為智能駕駛領域的新興企業，一直在探索屬于自己的差異化發展之路，主要表現在技術、服務、成本三個方面。

1 視覺識別技術

今年五月，一輛開啟了Autopilot自動駕駛功能的特斯拉Model S被卷入了一場嚴重的事故中，車內的駕駛員在車禍中不幸身亡。這起事故發生在佛羅里達州中部的一段公路，當時一輛拖拉機掛車正在橫穿高速公路，疾馳而來的特斯拉Model S迎頭撞上了掛車。自動駕駛的過程中多種傳感器失效、未能發現掛車，導致悲劇。

這場事故更加突出了自動駕駛在技術上存在一些缺陷。首先是視覺缺陷，事故發生時，正處于典型的逆光狀態，實際上從目前Autopilot的系統來看，它具備動態曝光和自動增益的能力，理論上在強逆光或微光情況下，仍舊能夠識別前車尾部。但是案發當場，卡車是橫在路上的，它的截面并不符合這套視覺系統識別的特征，因此當時的視覺系統是失效的。或許有人會問，毫米波雷達為什么沒有起作用？雷達在遠距離發現了橫在路面上的一排反射點，但是為了避免誤剎車，它做了一個比較保守的分類，將障礙物分類為橫跨路面的一個交通標志牌，并希望隨著距離的縮減能夠有更準確的分類。但是，根據當時的情況判斷，事故發生時毫米波雷達是放空的。

針對以上提及的視覺缺陷，首先可以改進雷達的算法，這也是特斯拉正在做的。特拉斯通過與博世合作，挖掘更多的數據，得到六倍之多的object，每個object也有更多的信息，同時實現了將3D的雷達影像在時間維度對object進行correlation，這樣可以更好地區分動態和靜態object，以及虛假反射。此外，還可以采取一種眾包的方式區別永久和臨時的障礙物。如果很多車經過一個場景時，都判定前方有一個靜態障礙物，那么就可以斷定確實存在一個障礙物；如果并不是所有車都能判定有障礙物，那么就可以將其稱之為臨時障礙物。

其次，通過基于深度學習的視覺算法提升感知能力。相比起傳統的視覺算法，它能從不同距離、不同角度進行識別，既可以識別奇形怪狀的車輛，也可以識別被遮擋的車輛。在此基礎上，馭勢科技又利用立體攝像頭做了一個視覺雷達，它能夠實時識別出靜態、動態障礙物的點云，并實時用暖冷色調標識其距離和相對速度。視覺雷達與深度學習相結合，就能有效避免特斯拉遇到的問題。對此，我們開始輔助駕駛系統的商業化。馭勢科技的這套視覺識別系統實現了100公里時速的高速輔助駕駛，并且具有自主超車能力，累計測試里程接近2萬公里。

2 高質量的服務

目前國內很多車廠若想實現輔助駕駛，需要找國際的廠商，這樣實現周期會很長，而且也無法獲得高質量和及時的服務。馭勢科技希望用最快的響應速度，降低客戶的時間成本。我們曾僅用兩周時間既在車廠的樣車上裝好了這套系統，并且開始測試。另一方面，我們愿意推動技術創新的擴散，與車廠和供應商實現開放的、協同的創新，包括知識產權和源代碼、模型等的開放，測試數據的共享，并且幫助客戶提升自主研發能力。

3 深度學習的成本

當然，成本也是我們考量的一個因素，甚至是技術路線的約束元素。比如深度學習需要很強的計算能力，其硬件的選擇就面臨了性能和成本的權衡。目前嵌入式CPU的性能仍有一定差距，無法做到實時。而ASIC雖然功耗、成本最低，但缺乏靈活性，考慮到未來幾年深度學習算法仍在快速演進，ASIC也不是最佳選擇。GPU目前來說是最好的選擇，英偉達已經與多家車廠和一級供應商開展合作，但對Level 2來說價格偏貴。FPGA略便宜、功耗也較低，但是算法移植的成本也是可觀的。神經網絡加速器NPU具有模型和算法的可定制能力，性能也最好，但作為新的硬件平臺，符合車規尚需時日，而且車廠對新平臺以及供應商的選擇偏保守。

DSP是目前的主流選擇，但在深度學習上性能還有差距，就CEVA等IP供應商的技術路線圖來看，未來幾年性能上獲得突破的可能性很大。考慮成本的競爭力，未來2~3年Level 2產品化的主要平臺還是以DSP為主，而Level 3以上則要依靠GPU和FPGA等。基于這個判斷，我們必須讓算法適配這些硬件平臺。比如，部分使用傳統視覺取代深度學習，比如車道線檢測。雖然目標檢測上，傳統視覺還不能做到深度學習那樣，但與雷達融合可以彌補視覺精確度的下降。另一方面，需要訓練多任務網絡，讓同一個網絡模型做不同事情，如行人識別、汽車識別、交通標志識別等。此外，還可以做圖像壓縮、模型壓縮，優化算法（減少region proposal，非深度學習與深度學習級聯等），針對定點處理器優化等降低深度學習的復雜度。

激光雷達和視覺的融合

作為一個創業公司，馭勢科技希望可以找到特定的市場細分領域，比如安東尼·列文托斯基的Otto選擇的領域為貨車。另外一個小的細分領域為私有道路、確定路線，如園區、景區、主題公園、高爾夫球場、機場等場地的無人駕駛。那么，在這樣場景的無人駕駛中，是否還需要激光雷達？有些廠商的回答是否定的。特斯拉Autopilot 1.0只用了一個前置攝像頭和一個前向的毫米波雷達，而2.0用了八個攝像頭，前向有三個不同距離和視場角的攝像頭，兩邊的前側有兩個，兩邊的后側有兩個，后視有一個，如圖2所示，它的理念是希望通過攝像頭的視覺加上毫米波雷達和超聲波能夠實現無人駕駛。特斯拉聲稱，明年車上硬件部分已經可以支持完全的無人駕駛，但是它的軟件算法還是需要逐漸迭代。

圖2 激光雷達與視覺的融合

但是后來經過了幾個月的探索，我們轉變了研究思路。一是因為深度學習的技術同質化以及它在魯棒性上的缺陷，使得純靠視覺存在很大問題。二是因為激光雷達的成本問題已經不再是一個難題。

在未來很多車輛的設計中，基本都實現了包括激光雷達在內的多種傳感器360度無死角多冗余的配置。基于此，我們也開始進行激光雷達和視覺的融合。它一方面使其對環境的感知更加精準，也會產生新的使用模式，如激光雷達幫助視覺進行校準，視覺利用激光雷達做ground truth等。另一方面，加入激光雷達，會提高汽車的安全可靠性。馭勢科技設計了兩款針對私有道路的無人駕駛汽車，一款是由一輛低速的電動車改造而成的，一款是完全自主設計的無人駕駛共享出行車。它是兩臺座椅對著坐，沒有方向盤、油門、剎車，已在北京一些園區開始常態化測試，即將進入試運行。特別值得一提的是，這款無人駕駛車還實現了無線充電的功能，當汽車電量耗光后，它可以自己尋找帶有無線充電功能的停車位進行充電。

此外，我們嘗試了一系列的算法提升感知和認知能力，從簡單的目標識別到目標理解和建立全面世界模型（World Model），從卷積神經網絡到語義分割和實例分割，實現惡劣天氣和非結構、半結構道路上的可行駛區域檢測。未來，馭勢科技希望通過立體視覺識別道路路面上的坑坑洼洼和障礙物（road hazards），通過循環神經網絡推理從前車掉落動態物品的特性，通過Inverse Reinforcement Learning方法實現駕駛員駕駛風格的學習，還有基于強化學習和循環神經網絡來判斷駕駛態勢，評估他人的動機，預測其行為，合理獲取路權。

總之，智能駕駛是超級復雜的系統工程。就拿全速度自適應巡航FSRA來說，不僅僅要考慮基本算法，還需要近千個參數的表達，全面的實現和測試細節，和完整的系統支持。真正的產業化不僅僅是對一些技術的研發，從學術研究到產業化的“最后的十公里”往往是最困難的，需要學術界和產業界非常緊密的合作。

（本文根據作者在2016年中國智能車大會暨國家智能車發展論壇上所作報告整理）

作者簡介：

吳甘沙，馭勢科技聯合創始人、CEO，致力于研發最先進的自動駕駛技術，以改變這個世界的出行。個人定位：略通商業智慧的資深工程師，嘗試破壞式組織變革的技術管理者，用技術推動社會創新的趕潮人。

摘自《自動化博覽》2017年1月刊