上汽深化L4自動駕駛自研,Robotaxi項目落地臨港丨產品觀察

.. 文丨彭蘇平

編輯丨蘇建勛

近期,上汽人工智能實驗室(上汽AI LAB)對外發佈了2.0版本的高級別自動駕駛技術架構。按照計劃,該架構將於年內搭載在上汽Robotaxi 2.0上,並在臨港開啟運營。

上汽AI LAB是上汽集團旗下的創新平台之一,去年曾和合作伙主導研發了上汽享道Robotaxi項目的落地。截至目前,上汽已經在上海嘉定、蘇州高鐵新城兩地布局了60輛Robotaxi,開放運營點位超過100個。

此次發佈的2.0版本,是上汽AI LAB自主研發的新一代方案。與上一代方案相比,2.0版提供了更為複雜的冗餘系統,例如在感知層面,僅激光雷達就有6顆。另外,通過與上汽旗下品牌飛凡合作,新一代系統全部前裝上車,感知硬件與車輛的集成度更高。

目前,一小批車輛已經在臨港滴水湖周邊進行測試。據36氪了解,上汽Robotaxi 2.0規劃的運營規模是200輛,將在今年第四季度開始在上海臨港對外開放,之後還將進一步在深圳落地。

上汽AI LAB Robotaxi項目技術負責人於乾坤博士對36氪表示,從技術上,他們的Robotaxi車隊已經能夠做到幾百公里不接管,未來的目標是,通過3-4年的努力,實現10萬公里不接管,基本達到人類水平,然後再通過4-5年的努力,實現百萬公里不接管,達到10倍人類水平。

不過,規劃還是相對樂觀的,無人駕駛客觀上還是要克服諸多難題。於乾坤表示,要達到上述目標,很關鍵的一點就是要收集足夠多的數據來進行算法優化。

「到這個水平肯定是需要大批量車的,我們到2025年車隊規模會達到上萬輛。」不過他強調,上萬輛車不可能全部是Robotaxi,而是會有相當大一部分量產車,在消費者日常的行車過程中進行數據採集。

專註L4自動駕駛研發的公司,近兩年來都在力推前裝量產,一方面能夠進一步擴大數據來源和豐富度,提升算法水平,另一方面也能增加收入渠道,支撐公司更長遠地走下去。

於乾坤認為,相比於這些L4的科技公司,上汽AI LAB的優勢在於主機廠的基因,它先天具有量產的敏感度,在與主機廠的合作中也會更有默契,在量產落地方面會更為順暢。此外,在數據的採集方面,上汽內部也打造了統一的數據工廠,集團旗下多個品牌的車型數據都能夠集結於此,在數據量級上或能佔據優勢。

上汽AI LAB臨港測試車,頂部凸起部分裝載了固態激光雷達

高冗餘方案上路

上汽AI LAB 的這套最新自動駕駛技術架構,配置了高度冗餘的軟硬件。

感知方面,最新的技術架構包含了6顆固態激光雷達、5個周視相機、4個環視相機、5顆毫米波雷達以及12顆超聲波雷達。

新一代架構的傳感器數量和精度都有顯著提升。在此前的架構中,僅有3顆機械式激光雷達,周視相機儘管配了8個,但僅有230萬像素,這次則升級到了800萬像素。

配置如此多的傳感器,車輛造型會受到不小的影響。不過,基於上汽原廠設計,最終呈現出來的Robotaxi測試車相對來說與常規的車輛差別不是那麼大。

36氪在現場看到,與很多測試車輛在車頂裝了一頂「大帽子」不同,上汽AI LAB測試車將激光雷達分散地嵌在了車頂的四周,同時車輛左右翼子板也分別放置了兩顆激光雷達,與車身融合得已經相對較好。

定位方面,新一代技術架構採用了高精度GPS定位、IMU慣導定位、激光雷達地圖定位、視覺語義定位,總共四套定位系統層層備份,以確保定位準確且穩定。

規控方面,同樣設置了四層系統。第一層是一個由高性能計算機所組成的 HPC,它能提供 1000TOPS以上的算力,同時配備了兩個32核的CPU以及128G的內存和2T的硬盤儲存;第二層是一套具有64TOPS算力以及雙Xavier布局的TCU,可實現 L2+的一些功能;第三層則定製了一個 MCU,主要的作用就是在前兩層失效的時候,第三層仍然能夠運行L1 -L2的更低級別的智能駕駛功能,比如自適應巡航、AEB主動剎車等。

除此之外,在最底層也設計了遠程駕控系統,多一重在控制室內進行操作的備份,這也是為後期副駕「去安全員」所做的準備。

在軟件層面,新一代技術架構也進行了重新設計。比如在感知算法上,上汽AI LAB採用的是一套前融合和后融合相結合的一種融合感知算法。

根據相關產業研究報告,多傳感器融合有前融合、后融合兩種方式,其中后融合類似於「投票機」,即每個傳感器獨立完成「輸出原始數據-數據處理-輸出識別結果」的過程並傳遞到域控制器,最後將其按照一定權重做最終的仲裁。

而前融合則是將傳感器的原始數據全部保留,在統一時鐘、坐標系後進行融合,最後提取特徵實現環境感知。產業鏈調研顯示,當前主機廠大多停留在後融合階段,而據於乾坤介紹,前融合與后融合相結合,有利於提升感知的精度和穩定性。

在硬件的配置上,上汽AI LAB的這套方案已經基本「打滿」,不過自動駕駛的功能表現,不僅僅依賴於硬件。並且,從大規模量產上車的角度,硬件配置還是要儘可能地精簡以達到更高的性價比,算法的提升是核心。

36氪在現場體驗了測試車約10分鐘的車程,車輛可以完成常規的紅綠燈識別,並根據規劃路線進行自主換道,也能夠在右轉時識別到行人並減速。

不過,相比於人的駕駛,這套自動駕駛系統還是表現出了一些「不自然感」。例如,在距離較近的位置識別到車輛時,測試車還產生輕微的頓挫,因為它預判旁邊的車輛可能有侵入車道的可能。此外,整段車程中,車輛行駛的速度並不高,在一小段限速50公里的路上,車輛的時速在40多公里。

推動落地量產

在感知、定位、規控等環節進行全面的冗餘布置,業內並不多見。

於乾坤坦言,做一套高度冗餘的系統,難度要增加不少,例如在規控環節,如何在兩級系統之間做好切換。另外,投入的工作量也會比較大,上汽AI LAB現在搭建了兩支不同的團隊,一支做L4,另外一支做L2,對應的感知算法也有高配跟低配。

規控中四級不同的系統,用的是同一套架構,但算法完全不同,這意味着上汽AI LAB這個團隊,既要做高等級的自動駕駛系統,也要做能夠在緊急情況下接管的L2及輔助駕駛系統。這對於一個僅有200多人的團隊而言,挑戰不小。

但是,通過整體技術架構的改進和算法水平的提升,將自動駕駛系統儘早地應用在車上,本身也是上汽AI LAB的規劃。這也是最新一代自動駕駛系統在感知硬件上「武裝到牙齒」的目的所在——在車隊規模較小的早期,利用多傳感器,儘可能多地採集數據,來更快地推動算法的迭代。

自動駕駛面臨的普遍挑戰是長尾問題,工程師和程序員們很難提前為車輛「預知」到所有的駕駛場景,總會有一種突發的情況是沒有被訓練到的,一旦遇到這種情況,車輛無法進行判斷和決策,自動駕駛還是要回到人為接管的狀態。

如何解決長尾問題?於乾坤認為沒有捷徑,一是「刷題」,不斷地跑測試,二是掌握一些策略,提高系統的變通能力。

「一方面,我們也是採取『題海策略』,用足夠多的場景數據去幫助訓練,這就依賴於上汽搭建的一套數據工廠和仿真模擬工具鏈體系,基於這套體系,我們能夠實現車端問題的自動上傳、實時處理,所有的數據處理和算法迭代都能在雲端自動進行;另一方面我們也在用多重冗餘的系統硬件架構、遠程駕控等手段增強車的自身能力,通過解決車端系統時延、時空同步、安全降級策略等方面的問題,在軟硬件架構的一體化上實現更多突破,從而在遇到未知場景時,車能擁有更多策略以及變通的能力,保障行駛安全。」於乾坤介紹。

他坦言,實現真正的無人駕駛,要攻克的技術難關還有很多,包括冗餘架構設計、算法和軟件體系優化、車載芯片升級、傳感器升級等等,甚至還可能要對整車架構和結構做重新考慮,這是一個長期的工作,需要一整套雲端、車端體系化的支持,更需要大量人才的努力和探索。

上汽AI LAB也將在這一領域加大投入,據介紹,公司將在臨港註冊實體,完成落地簽約,按照規劃,到2025年公司員工人數將超過400人,投資額也會進一步擴大,為建立「真無人」車隊做進一步擴張。


想在手機閱讀更多電腦與科技資訊?下載【香港矽谷】Android應用
分享到Facebook
技術平台: Nasthon Systems