智能驾驶的产业化探索——从未来挑战赛启程探(2)
【作者】网站采编
【关键词】
【摘要】其次,通过基于深度学习的视觉算法提升感知能力。相比起传统的视觉算法,它能从不同距离、不同角度进行识别,既可以识别奇形怪状的车辆,也可以识
其次,通过基于深度学习的视觉算法提升感知能力。相比起传统的视觉算法,它能从不同距离、不同角度进行识别,既可以识别奇形怪状的车辆,也可以识别被遮挡的车辆。在此基础上,驭势科技又利用立体摄像头做了一个视觉雷达,它能够实时识别出静态、动态障碍物的点云,并实时用暖冷色调标识其距离和相对速度。视觉雷达与深度学习相结合,就能有效避免特斯拉遇到的问题。对此,我们开始辅助驾驶系统的商业化。驭势科技的这套视觉识别系统实现了100公里时速的高速辅助驾驶,并且具有自主超车能力,累计测试里程接近2万公里。
2 高质量的服务
目前国内很多车厂若想实现辅助驾驶,需要找国际的厂商,这样实现周期会很长,而且也无法获得高质量和及时的服务。驭势科技希望用最快的响应速度,降低客户的时间成本。我们曾仅用两周时间既在车厂的样车上装好了这套系统,并且开始测试。另一方面,我们愿意推动技术创新的扩散,与车厂和供应商实现开放的、协同的创新,包括知识产权和源代码、模型等的开放,测试数据的共享,并且帮助客户提升自主研发能力。
3 深度学习的成本
当然,成本也是我们考量的一个因素,甚至是技术路线的约束元素。比如深度学习需要很强的计算能力,其硬件的选择就面临了性能和成本的权衡。目前嵌入式CPU的性能仍有一定差距,无法做到实时。而ASIC虽然功耗、成本最低,但缺乏灵活性,考虑到未来几年深度学习算法仍在快速演进,ASIC也不是最佳选择。GPU目前来说是最好的选择,英伟达已经与多家车厂和一级供应商开展合作,但对Level 2来说价格偏贵。FPGA略便宜、功耗也较低,但是算法移植的成本也是可观的。神经网络加速器NPU具有模型和算法的可定制能力,性能也最好,但作为新的硬件平台,符合车规尚需时日,而且车厂对新平台以及供应商的选择偏保守。
DSP是目前的主流选择,但在深度学习上性能还有差距,就CEVA等IP供应商的技术路线图来看,未来几年性能上获得突破的可能性很大。考虑成本的竞争力,未来2~3年Level 2产品化的主要平台还是以DSP为主,而Level 3以上则要依靠GPU和FPGA等。基于这个判断,我们必须让算法适配这些硬件平台。比如,部分使用传统视觉取代深度学习,比如车道线检测。虽然目标检测上,传统视觉还不能做到深度学习那样,但与雷达融合可以弥补视觉精确度的下降。另一方面,需要训练多任务网络,让同一个网络模型做不同事情,如行人识别、汽车识别、交通标志识别等。此外,还可以做图像压缩、模型压缩,优化算法(减少region proposal,非深度学习与深度学习级联等),针对定点处理器优化等降低深度学习的复杂度。
激光雷达和视觉的融合
图2 激光雷达与视觉的融合
但是后来经过了几个月的探索,我们转变了研究思路。一是因为深度学习的技术同质化以及它在鲁棒性
作为一个创业公司,驭势科技希望可以找到特定的市场细分领域,比如安东尼·列文托斯基的Otto选择的领域为货车。另外一个小的细分领域为私有道路、确定路线,如园区、景区、主题公园、高尔夫球场、机场等场地的无人驾驶。那么,在这样场景的无人驾驶中,是否还需要激光雷达?有些厂商的回答是否定的。特斯拉Autopilot 1.0只用了一个前置摄像头和一个前向的毫米波雷达,而2.0用了八个摄像头,前向有三个不同距离和视场角的摄像头,两边的前侧有两个,两边的后侧有两个,后视有一个,如图2所示,它的理念是希望通过摄像头的视觉加上毫米波雷达和超声波能够实现无人驾驶。特斯拉声称,明年车上硬件部分已经可以支持完全的无人驾驶,但是它的软件算法还是需要逐渐迭代。上的缺陷,使得纯靠视觉存在很大问题。二是因为激光雷达的成本问题已经不再是一个难题。
在未来很多车辆的设计中,基本都实现了包括激光雷达在内的多种传感器360度无死角多冗余的配置。基于此,我们也开始进行激光雷达和视觉的融合。它一方面使其对环境的感知更加精准,也会产生新的使用模式,如激光雷达帮助视觉进行校准,视觉利用激光雷达做ground truth等。另一方面,加入激光雷达,会提高汽车的安全可靠性。驭势科技设计了两款针对私有道路的无人驾驶汽车,一款是由一辆低速的电动车改造而成的,一款是完全自主设计的无人驾驶共享出行车。它是两台座椅对着坐,没有方向盘、油门、刹车,已在北京一些园区开始常态化测试,即将进入试运行。特别值得一提的是,这款无人驾驶车还实现了无线充电的功能,当汽车电量耗光后,它可以自己寻找带有无线充电功能的停车位进行充电。
文章来源:《物探与化探》 网址: http://www.wtyht.cn/qikandaodu/2020/1114/356.html