易航智能CEO陈禹行:为什嚒是以场景为中心的“渐进”路线上是先看到自动运转量产的光的量子比特,
2022年4月,特斯拉公司首席执行官(ceo)埃隆·马斯克宣布,预定到2024年量产没有方向盘和踏板的新型“机器人出租车”。
这表明,以特斯拉为代表的自动运行的“渐进”发展路径,在自动运行的大量量产之前就已经显现出来了。
自动驾驶的“渐进”方法为什么被很多机构接受呢。“渐进”技术的发展路径是什么?自动驾驶量产的困难是什么。它离我们的生活有多远
易航智能CEO陈禹行,关于自动驾驶的「渐进的」路径的发展和实现,用实况录音送信「量子比特视点」谈了自己的经验和视点。
自动驾驶的世界,是现在在各种各样的方面关注度高(贵)的业界。今天的主题是面向自动驾驶量产的“渐进”路线
2022年4月特斯拉发表了预定在2024年之前废止方向盘和踏板的消息,虽然有点过激,但可以看到渐进的路线先行迎来自动驾驶的大量量产的征兆。
循序渐进的发展路径,也是国内第一个批量生产的自动驾驶启动。
今天我想向大家介绍几个问题:第一,以场景为中心的渐进式方法有什么是正确的?第二,不是自动驾驶的水平,而是渐进式路径的技术路线图怎么样?第三,为什么自动驾驶的酷演示不会批量生产呢?第四批量生产自动驾驶需要哪些关键技术。
自动运行的“渐进”路径是如何产生价值的呢?首先,我们来看看渐进路径的核心价值是什么。
渐进式的话,容易想象从安全性L0到L5的自动运行水平,但是以自动运行的水平为轴定义自动运行技术时,会遇到以下问题。虽然安全性很严格,但场景有限,在L3、L4级的情况下,高速公路只能在一部分路段开启功能,时速60公里以下,可以看到护栏的最内侧,还要走最内侧的车道。
这种所谓的高水平的自动驾驶,由于用户的知觉弱,运转也不花时间,结果其价值有限。
因此这几年,以场景为中心进行自动驾驶的企业增加了,通过打开场景创造了更多的价值。以上班为例,开车可能要两个小时。可能有一个复杂到5分钟就能通过的市场。但是,垃圾掉了很多,人很多,用三轮车搬运行李,市场非常复杂。
在这种情况下,首先解决95%的时间,在不通过菜市场的情况下实现自动驾驶。把通过市场的剩下5%的时间作为角落情况,人类监视那个,反复高度化,解决非常复杂的场面的自动驾驶。这样的建议虽然在层次上不是L4,但可以在更广阔的时空中真实地为最终用户创造价值。
他认为,创新技术推广的核心是创造价值,自动驾驶也需要打开更多场景才能创造更多价值。
除了自动驾驶的水平之外,“渐进”的技术有明确的道路吗。到目前为止,你可能会问,自动驾驶的渐进路线,这种渐进路线是否明确,而不是分层的。
在非常少、非常复杂的情况下,单靠拐角情况是无法应对的,但今后我们应该致力于的是该拐角情况的其余部分,这也是自动运行后的稳定、长的阶段。
就像手机从塞班岛,然后从windows转移到安卓和苹果,硬件的形状和软件的形状被固定化了一样,手机只是性能提高了,但是手机这种形式被固定化了,可能和10年前的智能手机没有了本质上的区别。它只是相机像素高,芯片运算能力高
在这里,我想展开这三个阶段,看看渐进路线的剧本是如何一步一步地打开的。
ADAS是从传统的汽车电子到自动驾驶的过渡阶段,是汽车电子和自动驾驶技术交叉的产品。在以往的汽车架构中,分离型是主流,例如有一个智能相机,再加上几个毫米波雷达,可能各自都在进行算法性的处理,但是数据的整合和融合是很难的。
在ADAS的情况下,汽车电子以功能实现为中心,提供了比较简单的驾驶支援。这样制作的功能,容易让人觉得驾驶体验不自然。
例如,刹车功能的汽车电子,可能会重视刹车和刹车的效果和结果,但可能不太能考虑驾驶员的心情,但自动驾驶可能更重视驾驶员的心情。此外,还采用了专门用于自动驾驶的体系结构,自动驾驶域将从画面、从雷达等所有传感器的数据进行综合处理,最终进行决策规划控制的开发。
另外,关于自动驾驶,我们也通过导入我们称为飞行员模型的模型,尽量模拟人类的驾驶。这样实现的功能是人类设想的那样的概念,所以人类在乘坐自己设想的那样的自动驾驶车时,会感到非常舒适和安全,可以优化自动驾驶体验。
过了ADAS阶段,这次是NOA行泊一体的阶段,NOA行泊一体的方案说是自动运行量产的新阶段。
到现在为止做ADAS的时候,因为司机是以人为中心,在片断的阶段驾驶的,所以让这个系统介入,不过,到了人和机器共同驾驶的时代,确实「人」和「机」说不定变得一起驾驶。
另外,技术上认为数据是自动运行的核心,NOA的方案是人和机器共同运行,可以快速积累高价值的自动运行数据。
NOA具备了批量生产数据的重发和OTA的升级能力,使该车更加智能,可以根据更多复杂的方案发送更多的数据,重复该数据解决各种复杂的方案案例
最终,NOA已经到了一个新的阶段,但为了让更多的最终用户使用,我们需要降低成本,使其成为一款能够覆盖更广泛价位的车型。
例如,“易航智能”的计划覆盖到15万台。这也是我国汽车市场上最大的价位。我们认为这样可以实现大规模的批量生产。还有一段是FSD。
FSD在功能上、原理上已经接近人类的运行高度,特别是在感知端,采用了BEV的方法,可以让自动运行系统获得俯视的视点。简而言之,BEV NET通过神经网络从各摄像机提取特征后,在网络中将特征变换到BEV视角下,再对各摄像机的特征进行空间尺度的融合,得到BEV视角下的特征,同时在时间尺度上,融合前的一些帧特征最后分析得到BEV视角下的结果。
一般说来,我们是把车周围安装的摄像头看到的图像,换成了整个周围局部的小地图,而这个小地图不仅包括这个道路信息,还包括我们车周围的车和人这样的目标信息。
这实际上与人类开车的情况非常吻合。有时候我们用手机导航,就像我们的人开车的时候一样。比如说,我们从家里怎嚒去上班,在哪条街左转,在哪条街右转,在车附近,看到周围的车和人,周围这样的路沿着分离带、车道,并避开这些车上的人,在我们可以行驶的路上行驶。所以我们说,使用BEV的FSD方案会带来行业发展的拐点。
做Demo简单,量产难,用冰山理论阐述了在看自动驾驶量产之前,通过场景的拓展实现自动驾驶功能的不断完善。我认为自动驾驶的大规模应用不能只停留在Demo和小规模试验上。虽然必须面向量产,但量产是渐进路径解决的另一个难题。
我们现在很多人都说其实量产很难,所以我正好在这里介绍一下量产难的是哪里。据说自动驾驶量产非常符合冰山理论。因为一部分是可以展示的功能,一部分是不能展示的功能。
所以我们问这个Demo是什么?
Demo显示自动驾驶系统在最佳状态下的性能,例如特定路段、特定天气或特定驾驶员,并向熟悉自动驾驶车辆的人员展示该系统。但量产关注的是,系统在极端条件下表现最差。
比如说做量产车的话,这款车可能会在全国的4S店卖,但是天气怎么样,谁开车,我们都不知道,所以对系统提出了非常高的要求。这反映在我们自动驾驶系统的研发上。也就是说,我们开车游行的部分,实际上可能只是我们全部工作量的10%。第二步,我们必须完成更完善的功能开发,比如解决飞行员违规操作的问题。这些解决后,我们可能完成了20%到30%的工作量。剩下的大部分工作量实际上是一些产品级算法,包括工程Case解决方案,也可能有一些功能诊断。
我举个例子,在我们公司成立两三个月后,我们就可以在公路上沿着车道让汽车自动行驶,但我们将自动驾驶实现批量生产,最终花了2-3年左右的时间。
举个例子,很多人都知道,自动驾驶有一种拨杆并联线的功能,可以打转向灯,在旁边的车道上排队。这种简单的功能需要解决开关是开还是关的问题,因为开关是机械的,里面有频繁振动的东西。
另外,比如我们有些司机,左右不分。他可能想向左并行