欢迎访问喀什金澄光电有限公司
你的位置:喀什金澄光电有限公司 > 联系我们 >  > 文章正文

新技术背景下的完全自动驾驶:挑战与机遇并存

时间: 2019-12-03 | 编辑: 99 | 阅读:99次

大会现场 中国自动化学会供图

参赛智能车 韩天琪摄

“实现完全自主无人驾驶是一个令人兴奋又望而生畏的挑战。”在近日举行的中国智能车大会暨国家智能车发展论坛上,中国自动化学会理事长、中国工程院院士郑南宁对无人驾驶的前景谨慎乐观。

随着5G、人工智能(AI)、物联网等技术的不断发展,智能车相关技术正在谋求技术融合,探索兑现更多场景应用。

郑南宁表示,尽管目前辅助驾驶,结构化环境无人驾驶,有明确应用背景、针对相关任务的无人驾驶技术已慢慢走向成熟,但对于实现完全自主无人驾驶技术,我们还面临着十分艰难的挑战

他认为,应对这一挑战,不仅需要在实验室里探讨新方法,更重要的是把实验室中的理论研究成果与真实物理世界验证结合起来。

“5G+AI”为智能车带来边缘计算

2019年是中国5G商用元年,5G因其超高速率和超低延时的特点,将对人与物和物与物的连接产生革命性影响。

无人驾驶、车路协同等一方面对自动驾驶汽车智能化要求越来越高;同时,由于自动驾驶汽车受限于低成本要求,对算力、供电等有很高要求。“自动驾驶汽车技术对自动化的要求是无限的,我们希望最大化利用深度学习方法。”在清华大学AI研究院教授邓志东看来,这是自动驾驶领域的一个困局。 

但在5G环境下,这一困局有望破解。“5G和AI会催生边缘计算发展。5G通过边缘计算提供算力,连接云端和移动终端。”邓志东相信,5G和AI的应用将为自动驾驶汽车的数据源头提供就近服务,“边缘计算可以为自动驾驶汽车提供实时性、智能化服务操控。”

这首先可以降低自动驾驶移动终端的成本,同时大大加强移动终端边缘识别能力,而且可以提供周边范围公共服务。这样就可以把自动驾驶汽车看做是一个传感器,或是执行机构。

目前,L4汽车的技术路线选择主要有两个,一是摄像头视觉为主导,二是激光雷达为主导。无论是二维摄像头,电缆故障定位,还是三维激光雷达、毫米波雷达,成像之后都需要依靠计算机视觉,需要AI赋能。

相对于传统计算视觉方法,在大数据与大计算能力的支撑下,视觉的感知智能方法带来了场景、目标、行为与检测、定位、跟踪与识别能力的大幅度提升。该方法目前基本可以应用于自动驾驶领域。

深度学习方法,不仅有底层特征,还有中层特征、高层特征、局部特征和全局特征,所有这些特征都通过算法结构从大数据中自动学习。“这是最本质的问题。” 邓志东举例到,传统计算视觉方法能达到70%~80%的识别率,而深度学习方法可以做到97%、98%,甚至99%。而人的识别率在97%左右。就是说,深度学习在视觉计算方面理论上可以达到甚至超过人的能力。

“对某一个数据集来说,这种识别率变得基本可用。” 邓志东强调。

多驾驶场景如何实现

“在结构化、封闭化道路上做决策和规划相对较容易,但是开放场景、有动态障碍物的复杂场景,对智能车的自主决策和规划还是非常大的挑战。”吉林大学汽车工程学院教授高炳钊课题组在汽车控制领域已耕耘20多年,对模型预测控制在线优化方法和手段在自动驾驶各个环节中的作用颇有研究。

高炳钊介绍说,人类驾驶员驾驶行为的基本原理是,先进行道路预瞄和前方场景理解,再根据环境当前状况以及车辆所处状态修整驾驶行为。基于此,人类驾驶决策是优化和调整的过程,从控制理论来看,驾驶具有分层架构,首先需从感知信息到决策规划和控制。其中决策涉及到与其他车辆、其他行人和智能体交互的多方博弈;规划要满足汽车的动力学特性,节能经济性考虑等。决策规划给出一个控制指令,车辆输出进一步影响周围和行人,形成一个新环境,高频变压器原理,继而提供新的感知信息。

“模型控制就是在这样的滚动循环下做驾驶规划和决策。” 高炳钊说。

文章标题: 新技术背景下的完全自动驾驶:挑战与机遇并存
文章地址: http://www.cnksjc.com/lianxiwomen/97665.html
Top