数据星球|上汽深化L4自动驾驶自研,Robotaxi项目落地临港丨产品观察

【iDatastar数据星球(www.idatastar.cn),行业数据和报告共享平台】

文丨彭苏平

编辑丨苏建勋

近期,上汽人工智能实验室(上汽AI LAB)对外发布了2.0版本的高级别自动驾驶技术架构。按照计划,该架构将于年内搭载在上汽Robotaxi 2.0上,并在临港开启运营。

上汽AI LAB是上汽集团旗下的创新平台之一,去年曾和合作伙主导研发了上汽享道Robotaxi项目的落地。截至目前,上汽已经在上海嘉定、苏州高铁新城两地布局了60辆Robotaxi,开放运营点位超过100个。

此次发布的2.0版本,是上汽AI LAB自主研发的新一代方案。与上一代方案相比,2.0版提供了更为复杂的冗余系统,例如在感知层面,仅激光雷达就有6颗。另外,通过与上汽旗下品牌飞凡合作,新一代系统全部前装上车,感知硬件与车辆的集成度更高。

目前,一小批车辆已经在临港滴水湖周边进行测试。据36氪了解,上汽Robotaxi 2.0规划的运营规模是200辆,将在今年第四季度开始在上海临港对外开放,之后还将进一步在深圳落地。

上汽AI LAB Robotaxi项目技术负责人于乾坤博士对36氪表示,从技术上,他们的Robotaxi车队已经能够做到几百公里不接管,未来的目标是,通过3-4年的努力,实现10万公里不接管,基本达到人类水平,然后再通过4-5年的努力,实现百万公里不接管,达到10倍人类水平。

不过,规划还是相对乐观的,无人驾驶客观上还是要克服诸多难题。于乾坤表示,要达到上述目标,很关键的一点就是要收集足够多的数据来进行算法优化。

“到这个水平肯定是需要大批量车的,我们到2025年车队规模会达到上万辆。”不过他强调,上万辆车不可能全部是Robotaxi,而是会有相当大一部分量产车,在消费者日常的行车过程中进行数据采集。

专注L4自动驾驶研发的公司,近两年来都在力推前装量产,一方面能够进一步扩大数据来源和丰富度,提升算法水平,另一方面也能增加收入渠道,支撑公司更长远地走下去。

于乾坤认为,相比于这些L4的科技公司,上汽AI LAB的优势在于主机厂的基因,它先天具有量产的敏感度,在与主机厂的合作中也会更有默契,在量产落地方面会更为顺畅。此外,在数据的采集方面,上汽内部也打造了统一的数据工厂,集团旗下多个品牌的车型数据都能够集结于此,在数据量级上或能占据优势。

【iDatastar数据星球(www.idatastar.cn),超多深度研究报告】

上汽AI LAB临港测试车,顶部凸起部分装载了固态激光雷达

高冗余方案上路

上汽AI LAB 的这套最新自动驾驶技术架构,配置了高度冗余的软硬件。

感知方面,最新的技术架构包含了6颗固态激光雷达、5个周视相机、4个环视相机、5颗毫米波雷达以及12颗超声波雷达。

新一代架构的传感器数量和精度都有显著提升。在此前的架构中,仅有3颗机械式激光雷达,周视相机尽管配了8个,但仅有230万像素,这次则升级到了800万像素。

配置如此多的传感器,车辆造型会受到不小的影响。不过,基于上汽原厂设计,最终呈现出来的Robotaxi测试车相对来说与常规的车辆差别不是那么大。

36氪在现场看到,与很多测试车辆在车顶装了一顶“大帽子”不同,上汽AI LAB测试车将激光雷达分散地嵌在了车顶的四周,同时车辆左右翼子板也分别放置了两颗激光雷达,与车身融合得已经相对较好。

定位方面,新一代技术架构采用了高精度GPS定位、IMU惯导定位、激光雷达地图定位、视觉语义定位,总共四套定位系统层层备份,以确保定位准确且稳定。

规控方面,同样设置了四层系统。第一层是一个由高性能计算机所组成的 HPC,它能提供 1000TOPS以上的算力,同时配备了两个32核的CPU以及128G的内存和2T的硬盘储存;第二层是一套具有64TOPS算力以及双Xavier布局的TCU,可实现 L2+的一些功能;第三层则定制了一个 MCU,主要的作用就是在前两层失效的时候,第三层仍然能够运行L1 -L2的更低级别的智能驾驶功能,比如自适应巡航、AEB主动刹车等。

除此之外,在最底层也设计了远程驾控系统,多一重在控制室内进行操作的备份,这也是为后期副驾“去安全员”所做的准备。

在软件层面,新一代技术架构也进行了重新设计。比如在感知算法上,上汽AI LAB采用的是一套前融合和后融合相结合的一种融合感知算法。

根据相关产业研究报告,多传感器融合有前融合、后融合两种方式,其中后融合类似于“投票机”,即每个传感器独立完成“输出原始数据-数据处理-输出识别结果”的过程并传递到域控制器,最后将其按照一定权重做最终的仲裁。

而前融合则是将传感器的原始数据全部保留,在统一时钟、坐标系后进行融合,最后提取特征实现环境感知。产业链调研显示,当前主机厂大多停留在后融合阶段,而据于乾坤介绍,前融合与后融合相结合,有利于提升感知的精度和稳定性。

在硬件的配置上,上汽AI LAB的这套方案已经基本“打满”,不过自动驾驶的功能表现,不仅仅依赖于硬件。并且,从大规模量产上车的角度,硬件配置还是要尽可能地精简以达到更高的性价比,算法的提升是核心。

36氪在现场体验了测试车约10分钟的车程,车辆可以完成常规的红绿灯识别,并根据规划路线进行自主换道,也能够在右转时识别到行人并减速。

不过,相比于人的驾驶,这套自动驾驶系统还是表现出了一些“不自然感”。例如,在距离较近的位置识别到车辆时,测试车还产生轻微的顿挫,因为它预判旁边的车辆可能有侵入车道的可能。此外,整段车程中,车辆行驶的速度并不高,在一小段限速50公里的路上,车辆的时速在40多公里。

推动落地量产

在感知、定位、规控等环节进行全面的冗余布置,业内并不多见。

于乾坤坦言,做一套高度冗余的系统,难度要增加不少,例如在规控环节,如何在两级系统之间做好切换。另外,投入的工作量也会比较大,上汽AI LAB现在搭建了两支不同的团队,一支做L4,另外一支做L2,对应的感知算法也有高配跟低配。

规控中四级不同的系统,用的是同一套架构,但算法完全不同,这意味着上汽AI LAB这个团队,既要做高等级的自动驾驶系统,也要做能够在紧急情况下接管的L2及辅助驾驶系统。这对于一个仅有200多人的团队而言,挑战不小。

但是,通过整体技术架构的改进和算法水平的提升,将自动驾驶系统尽早地应用在车上,本身也是上汽AI LAB的规划。这也是最新一代自动驾驶系统在感知硬件上“武装到牙齿”的目的所在——在车队规模较小的早期,利用多传感器,尽可能多地采集数据,来更快地推动算法的迭代。

自动驾驶面临的普遍挑战是长尾问题,工程师和程序员们很难提前为车辆“预知”到所有的驾驶场景,总会有一种突发的情况是没有被训练到的,一旦遇到这种情况,车辆无法进行判断和决策,自动驾驶还是要回到人为接管的状态。

如何解决长尾问题?于乾坤认为没有捷径,一是“刷题”,不断地跑测试,二是掌握一些策略,提高系统的变通能力。

“一方面,我们也是采取‘题海策略’,用足够多的场景数据去帮助训练,这就依赖于上汽搭建的一套数据工厂和仿真模拟工具链体系,基于这套体系,我们能够实现车端问题的自动上传、实时处理,所有的数据处理和算法迭代都能在云端自动进行;另一方面我们也在用多重冗余的系统硬件架构、远程驾控等手段增强车的自身能力,通过解决车端系统时延、时空同步、安全降级策略等方面的问题,在软硬件架构的一体化上实现更多突破,从而在遇到未知场景时,车能拥有更多策略以及变通的能力,保障行驶安全。”于乾坤介绍。

他坦言,实现真正的无人驾驶,要攻克的技术难关还有很多,包括冗余架构设计、算法和软件体系优化、车载芯片升级、传感器升级等等,甚至还可能要对整车架构和结构做重新考虑,这是一个长期的工作,需要一整套云端、车端体系化的支持,更需要大量人才的努力和探索。

上汽AI LAB也将在这一领域加大投入,据介绍,公司将在临港注册实体,完成落地签约,按照规划,到2025年公司员工人数将超过400人,投资额也会进一步扩大,为建立“真无人”车队做进一步扩张。

【iDatastar数据星球(www.idatastar.cn),超多深度研究报告】

0
分享到: