关于ZAKER 融媒体解决方案 合作 加入
盖世汽车 10-29

百度胡星:单车智能和车路协同 V2X 融合的 Robotaxi 自动驾驶

2020 中国汽车工程学会年会暨展览会(SAECCE 2020)于 2020 年 10 月 27-29 日在嘉定上海国际汽车城 - 上海汽车会展中心举办,汇聚汽车及相关行业的企业高层、技术领军人物、资深专家学者、广大科技工作者。10 月 28 日,百度自动驾驶技术部总工程师胡星在本次大会上发表了主旨演讲。

以下为演讲实录:

我的报告和前面几个报告不太一样,前面的报告更偏向于底层的芯片、模组包括通信,包括测试验证,我的报告其实是针对网联和车路协同的一个小的应用领域,当然可能也是大家目前比较关注的一个应用,就是一 Apollo 的 Robotaxi,我们在基于产业界的协作进展的基础之上在这个应用当中的一些实践报告。

报告有三部分,首先是介绍背景,百度的 Apollo 的 Robotaxi 是在百度的整个智能交通体系内的一个应用,我们先把大的背景给大家整体介绍一下。第二个就是因为 Robotaxi 是基于自动驾驶的应用,先要看一下 Apollo 的自动驾驶目前走到哪里了。在这个基础上看一下 Robotaxi 这个应用在技术层面为什么需要车路协同,以及百度在车路协同方面的规划和实践。

首先看一下 Robotaxi 所在的上下文的架构,百度的智能交通整体的架构我们叫 "S、A、E",S 就是借鉴了王牌这样一个单词,分解下来是三个短语,第一个是指自动驾驶,还有一个就是车路协同,最后我们面向终局希望是高效出行服务的场景。SAE 如果用一个中文来表达的话,我们更愿意用一个词叫做车路智行,我们认为应该是聪明的车加上智慧的路,最终达到一个智慧出行的愿景。

看一下架构,整体是依赖于百度的全站的 AI 能力,从 AI 芯片到 AI 的操作系统飞桨,包括在车端、云端和地图的基础能力,我们认为在基础设施这一端可以和合作伙伴一起来打造车、路、云、图四跨的基础设施,这里面没有说到网,因为我们认为网络从百度角度来看可能不是自己最擅长的,我们更愿意和前面介绍的这些合作伙伴一起来构建这样一个基础设施的数字底座。在中间层是百度的智能交通,我们认为有两个核心的能力,基于 AI 的引擎,第一个是自动驾驶的 Apollo 的引擎,另外一个就是车路协同的技术的引擎。

上面我们希望最终形成一个繁荣的应用的生态,在这个生态里面我们稍微划分了一下就是数字化、网联化和自动化,我们认为数字化可以用新的一些基础设施和新的技术去满足在传统的交通行业多年以来可能解决不太好的问题,这里典型的应用,包括智能信控、智能泊车、交通治理。网联化就是基于汽车网联的普及率不断的增加,当然这个网联不限于 V2X,我们基于 4G 和 5G,普通大众的通信网的网联,我们认为也算。自动化就是面向自动驾驶,Robotaxi 实际上是我们在自动化应用当中的一个典型的应用。这些应用生态可能有一些适合于百度自己率先去做出示范的我们会做,更多的应用我们希望和合作伙伴一起基于数字底座的能力一起来建设。

先简单介绍一下数字化和网联化的一些想法,数字化,我们希望利用新的技术解决传统的智能交通领域,大家可能不太解决的一些理想的问题,比较典型的一些应用,就是基于全新感知的应用,结合多元的数据融合以及车和路的双向协同,可以在交通的智能控制这一块做更多的事情。右边列了一些我们在一些城市落地应用的效果。网联化,我们基于目前车的车载系统网联的趋势,在多个不同的终端上面基于新的基础设施的能力,可以给车主提供不一样的出行服务,比较典型的终端包括有车载的车路协同的 OS 系统,包括有后装的智能终端,包括现在出行的一些地图导航的 APP 都可以做一些更加精准的事件的推送和信息的服务。

ACE 智能交通的价值主张有三个:需要有整体面向未来终局的技术演进的路线,另外还需要很好的解决今天大家在出行和交通治理当中的一些实际的问题,这个平台是要持续的开放,和合作伙伴一起来共建这个生态。

下面我会用一个视频让大家比较直观的来感受一下现在百度的 ACE 智能交通目前落地应用的一些典型的效果。(播放视频)

刚才是在城市道路上通过信号优化解决了一些问题,这是我们在高速公路上,到车端,包括网联的车,和后面自动驾驶的车实现了一些典型的场景。这是车辆逆行的提示。这个就是后装的智能终端智能后视镜也可以把相关的对于出行有关的信息反馈回来。这边是面向自动驾驶的一个应用。

现在百度 Robotaxi 已经在长沙、沧州、北京已经在百度地图上向公众开放运营了,大家如果有机会去这三个城市可以欢迎大家亲身去体验一下。

这个就是自动驾驶在高速上得到精确的车道级的信息之后也可以帮助他做更好的决策。

介绍完背景,后面会再集中讨论一下以 Robotaxi 为代表的智能化的应用。

第二部分就是看一下自动驾驶这一块,因为 Robotaxi 的应用从技术上首先是要依赖于车辆自身的智能化,所以我们首先看一下车的智能化现在走到哪里了。百度的 Apollo 大家最熟悉的就是在自动驾驶这块的进展,我再简单的介绍一下,现在 Apollo 自动驾驶的技术在国内不管是从牌照的数量还是测试车队的数量还有测试里程的数量都是在国内前列的,在技术上包括专利这块我们都有突出的布局。

把自动驾驶转化到 Robotaxi 这样一个出行的服务这块,我们认为走到终局是需要经过六个阶段,这六个阶段首先就是做封闭的道路测试,有几辆车已已经在封闭的比较简单的场景下完成了一个 DEMO,我们认为这个阶段可以迈过去。第二个就是开放道路的测试,可以先从固定的开放道路的测试开始来做积累。第三个阶段应该是区域级的路网路,网不是固定线路,应该是路网内多个点对点的可达的一个状态。现在国内和国外 Robotaxi 可能走的比较前面的两个公司,Waymo 和百度已经进入了第三个阶段,就是小规模的测试运营这样一个阶段,我们要在技术上真正的实现无人,在日常区域的运营当中把坐在驾驶位上的安全员拿掉也能支持区域内的运营。

第四个阶段,真正实现无人之后商业的账才能算得出来的整体车的成本加上安全员的成本肯定比出租车的成本要高,作为一个商业应用来看在成本上不能打平或者不能取得优势的话,是不能取得优势的,所以第四个阶段要真正解决无人的问题。第五个阶段启动商业化的试运营希望公众可以接受这样一个模式。最后一个阶段就是在全国性的启动一个商业化的运营,最终会诞生几个有市场竞争力的基于自动驾驶的运力平台,这是整体 Robotaxi 我们认为还需要走的六个阶段。

在这六个阶段里面从技术角度来看要解决三个问题,就是智能、成本、安全的问题,从这三个角度我后面会简单介绍一下现在的一些进展和考虑。从智能来看还是指的车自己的能力,单车的自动驾驶的能力,这里面核心的问题除了造车之外,就是车的整个底盘、总成要满足自动驾驶使用的硬件的能力之外,我们认为从技术上来看最关键的还是怎么样得到规模化的数据,并且能够从海量的数据当中能够快速的迭代,形成一直可以支持到真正无人化的自动驾驶的能力,这个是一个最核心的问题。为了支持这个问题实际上我们有很多的工作可以做,就是这个闭环的圈里面列出来的这些,因为核心是数据,但是核心是有用的数据,因为即使部署了大规模的车队,即使在很大的区域内运营,收集回来的数据对于自动驾驶的技术迭代来说未必都是有用的,我们强调需要拿到大量高价值的数据。

什么是高价值的数据?就是在你的运营范围内要做一个高密度的覆盖,基本上全部的你遇到的场景都能够高频的遇到。另外这个数据相对于自动驾驶的方案,传感器的配置需要完整,如果不完整给后面的系统迭代就是一个不完整的输入,和实际的情况差异比较大。第三个就是拿到数据之后,因为现在从技术上来说还没有大规模无监督的能够实现自动驾驶快速迭代的技术出现,所以我们现在主要的技术迭代还是要依赖于有标注的数据,怎么样做有质量的标准,首先这么多数据能标完,第二个就是标注的成本要足够的低,这也是很关键的一个问题。

另外最有价值的数据其实是你现在这个车处理的不太好的情况下的数据,现在车跑的比较好的数据有的话当然 OK,但是最有价值的数据是你现在处理的不好的数据,怎么把现在的自动驾驶系统在运营区域内处理的不好的数据完整记录下来,并且回馈到整个的研发的回路当中去,这是一个很重要的问题。

关于成本这块可以有很多,大家说的比较多是整个系统成本这块可以做一个降低。但是从技术来看,我们认为技术或者算法也是一个很重要的驱动,这里介绍一下 Apollo 的探索,Apollo 现在的也有一条研发的线,我们叫 Apollo Lite,就是依靠纯视觉,拿掉了激光雷达看是不是能够在指定区域范围内也能够比较好的实现一个 L4 级别的自动驾驶,这里也有相关的一些进展和报道,大家可以查阅一下。我们认为硬件成本的降低,还有软件算法的进化合在一起才能够真正把自动驾驶的成本能够降下来。

安全,无人化的关键是需要知道何时不行。你自己要越来越强,但是真正到运营级别的安全还是要知道自己什么时候不行,真正到了不行的时候那该认怂还得认怂,或者是该有一些其他的运营手段还保证乘客的体验还是需要去做的。这里有几个比较重要的,一个是从整个系统硬件层面,关键的电子器件的故障要做全面的监控,另外一个就是在系统功能曲线,出现了系统明显处理不了的情况的时候,这个系统要意识到这个情况是我处理不了的时候再及时处理降级的处理,比如安全停车,实在出现的一些超出了 ODD 范围之内的这样一些情况的话可以通过远程代驾的方式来做运营级别的一个补充。以上大体介绍了自动驾驶技术,从单车技术来看大概走到了哪里。

下面说一下 Robotaxi 结合车路协同做的一些实践。从应用层的角度来看,站在一个 L4 级别的自动驾驶服务的角度来看,我们认为 V2X 或者车路协同最关键的一个价值实际上是给我们自动驾驶的系统增加了一套冗余的系统,因为 L4 的系统最后要商业化是需要一个很高的可靠性的系统,高可靠系统的基本要求就是需要实现关键性能的冗余,现在的冗余可以在车上布两套系统当然也可以,但是如果有了车路协同我们认为在基础设施这一侧也可以提供类似的能力,而且从实现系统来看和车载系统完全不一样,这是一个完全的理想的冗余系统的设计方案。

这里列了一下目前单车遇到的挑战和 V2X 可以比较好的解决的一些比较典型的场景,第一个就是观察角度的问题,所有传感器不管怎么布空间不能离开车身或者不能离开车身太多,不能在车上支一根杆 6 米高,所以空间上这个传感器是有限制的,一般基础设施的传感器可以部署在视角相对比较好的地方。另外在车上由于受到一些算力和现实的限制,对于特定事件的检测其实还是有一个比较高的难度。反过来在基础设施做这件事情,会从技术上和可靠性上都会好一些。

最后是一个时间维度的限制,我们的车载系统不管是传感器还是算法其实能够做的先验的假设比较少,就是我不能假设我的车遇到的情况是一个什么情况,因为我的车是要全世界跑的,所以我在车载的算法不能做太多先验的假设,而且我这个车开到一个地方我观察这个地方的整个的交通态势,比如我到了路口这个地方到底是因为违章停车堵起来了还是因为出了事故堵起来了,其实是需要一个态势判断的,如果是我的车刚刚开过来我可能时间也就几秒钟,你现在让算法做这个判断还是有些许难度的,但是从基础设施这块还有一个优势,不光是视角好,观察的时间长,路口的传感器实际上是 24 小时盯着这个路口看的,不光可以看到事件产生的整个过程可以观察到,我还可以看到经年累月的一些规律,所以在这方面实际上车路协同也能够发挥很好的优势。

这是一个模型,从自动驾驶来看,我们这边有一张图,分为四类情况,一类情况是我知道的情况,我能解决的。第二类情况是我知道的情况,我目前解决不了的。第三类情况是说我不知道的情况,在这种情况下我解决不了,或者会出一些风险。第四类情况就是我不知道这个情况,但是遇到这个情况我这个车还能正常的开,不会出问题。在这四种情况里面最关键的就是第三种,就是我不知道的情况里面遇到这个情况,一旦发生这种情况会有风险。但是从应用推进的角度怎么看这件事情?如果要从理论上非常完美的去定义 "unknown unsafe",现在也有一些业界的伙伴就是说我要先把这个完全定义出来再往前走,我们认为从应用推动的角度来说可能会陷入一个哲学问题,不利于应用的推动。

百度的 Apollo 用三种方式来希望做一个探索和回答。第一要大规模的实践,要用大规模的车队和大规模的基础设施的覆盖在每天的道路测试当中去用数据来发现典型的问题,第二个就是我们需要不断的提升基础设施的水平,我们要从工程上要去实现要不断验证是不是和车端的智能形成一个正交的冗余,根据实践的数据在对 "unknown unsafe" 这部分做理论的建模和仿真,通过统计的手段我们希望能够证明这个风险是在可以接受的程度以内的。按照这个思路我后面会说一些典型的例子,这个图是说的基础设施典型的一个场景,就是在城市场景里面对自动驾驶最自动驾驶最难的是哪个地方呢?其实是通过路口的时候,因为路口虽然是一个结构化的场景,但是可能性太多了,所有的交通参与方很难预测他的行为,因为他可选择的行为、可能发生的行为非常的多。

我们在长沙、北京的路口做了一个规模化的覆盖,我们在路侧已经证明了,在路口这样一个重点的区域我们如果通过基础设施的多传感器这样一个覆盖再加上短距融合,可以很好实现刚才说的 " 上帝视角 " 这样一个需求,右边这个图里面是公交车的一侧有两辆车,在车端不一定能看到这个车,在路侧如果是一个传感器很可能这里也是有一个盲区,但是如果多传感器,比如在路口四个方向都有传感器做融合覆盖情况下很容易实现样一个全息感知的 " 上帝视角 "。

在路则实现了多传感器融合之后,实际上下一步我们要把路侧的感知和车载的感知做一个有效的融合,这里是一个十字路口,我们用不同颜色表达了不同的感知和融合的结果,黄色的车是路侧多传感器融合之后的一个结果,红色是依赖于主车感知到的结果,蓝色是融合之后的,就是车载感知和路侧感知融合之后的一个结果,这个里面用最后的颜色表达了一个盲区车,也就是说我们的路侧感知和车载感知它得到的对象集合里面是有一个差的,盲区定义可以简单理解成基础设施看到的车,但是我们车载的车没有看到。

有了大规模的车加上路的实际的测试之外,我们还希望推导出刚才所说的车路协同收益的一个理论,这个理论还是比较复杂的,而且场景也比较多,我们先把这个问题做一个限定,因为车路协同对于车的收益来说实际上是一个多维度的,首先从感知融合来说可以提升车的安全性,也可以提升车的智能性,稍微简单举一个例子,车到路口一个右转道突然发现前面停车了,这个车是因为前面排队一直排到这儿来了还是说他本身就是一个违章停车我应该比较快的变道绕过它,如果要单车做这样一个判断其实还是比较困难的,他至少要停一段时间才能判断出来,这个事情其实路侧观察的时间比较长,我们一直就可以看出来它是一个违章停车的情况,这个信息告诉自动驾驶车之后,自动驾驶车可以果断马上做一个变道超过这个车,这个就是提升了路口的智能性。第三是在下一个阶段,V2I 的阶段,提高之后如果到了 V2V 的阶段,自动驾驶之间能够共享决策和规划的结果,对于比较难的博弈的场景,就是双方顶住了,要同时启动同时停下来,这种博弈类场景会有很大的一个改善效果。

这种情况要分析起来比较复杂一些,我们先把问题限定在安全类的问题,就是我帮你解决看不到的这个问题。还有一个想法就是现在的自动驾驶车是在道路测试当中碰到了问题,我们认为问题的分布还是各个方向的问题分布都有,不管是感知类的问题还是决策规划的问题甚至于定位的问题,包括地图的问题,实际上还是有一点撒胡椒面感觉的地方,第四个阶段真正实现了无人化的技术之后,那个时候无人车在路上碰到问题车的绝对数量会大幅度减少,但是那个时候如果从碰到问题的占比来看,绝大多数的问题应该都是感知类的问题,就是我靠车载系统看不见、看不清这样一些问题,因为这个是物理的限制,是物理对车载系统的限制,这个是不太好用技术迭代的方式解决的。

在这种情况下,我们有一个简单的理论推导,怎么看 V2X 的车路协同?我们用事故周期来看,就是多长时间会发生一次事故,就是我们用单车智能 + 车路协同,这种系统实践下我们的事故周期和单车智能的事故周期做一个比较,这样一个结果能够反映在安全的子领域这个车路协同对自动驾驶的构想。

说一个相对比较直观的结果,分母有几个系数,就是 CXP,所谓的 C 就是我们的路侧的智能设施的覆盖率,在一个城市能不能把所有的路口都覆盖住,或者我们在一个运营区域内能不能覆盖住,我们认为如果走到第五、第六个阶段,在大规模商用化运营的时候,我们认为在运营区域内可以做到一个接近百分之百的覆盖。第二个 X 是车路协同的能力,就是我们有了这套基础设施,我们有了这些信息,基础设施的这个系统再加上车端融合的能力,能不能在信息的基础之上去解决应该解决的问题,这个也是一个逐步提升的过程。还有一个 P 就是路侧看到之后能不能解决刚才说的问题,这也是有一个比例的。

V2X 比单车智能提升 100 倍安全。左边是单车智能根据运营的一个规模推导出来的一个情况,如果有一万辆车每天运行 12 小时,如果假设到时候车的智能和人类司机的水平一样的话,也就是 10 的 6 次方小时出现一次事故,在这种植运营规模下会出多少次事故,每年会出 40 次事故,人类也就是这样一个水平,但是我们会觉得可能无人车跑在路上大家可能心里不一定舒服,就是人可以杀人但是机器不能杀人的感觉。怎么办?根据刚才的公示算了一下,如果覆盖率 P 是99%,解决问题的能力是 98.8%,然后覆盖率是 100% 的话,那么这个收益实际上可以估算出是一个数量级到两个数量级,也就是说我们可以把这样一个运营规模的无人车的事故率从每年 40 次有希望减少到每年 4 次或者 0.4 次,我们认为这样的话实际上基础设施对于安全的收益还是比较明显的。

这是红绿灯车路协同的一个应用,红绿灯是一个很好的应用,把一个图像识别还要通过深度学习的技术解决的问题变成一个很职业的信号传输和接收的问题,确实我们在实际的路测当中红绿灯出现了非常多的问题,一个是下雨看不清,另外一个就是夏天树叶多长出来一个枝杈,在某个角度就把这个等挡住了就看不见了。还有一些动态的遮挡,比如前面有一个大车,这个其实车路协同的价值肯定是很好的。

最后一个例子是盲区的,上面这个图是说在仿真的系统里面,刚才说了数据很重要,数据闭环到系统的迭代很重要,实际上百度 Apollo 已经实现车端 + 后端数据的一个联合仿真,我们可以同时回放基础设施的传感器输入的信号和车端传感器输入信号,然后我们可以任意的去迭代我们的路侧的系统的版本,还有车端系统的版本,包括融合的结果,然后看实际的效果,就是一个实际的例子。我们在仿真里面把路侧的感知结果关掉之后,这个盲区里面两辆车是看不到的。下面借助路测的感知的结果,实际上这个车右转会知道盲区里两个车可能会对它进行干涉,它会在右转之前做一个适当的减速避免急刹的情况。

这就是我这次的介绍内容,整体我们还是希望通过 Robotaxi、ACE 智能交通的体系能够构建一个很好的出行的体验,希望大家的每次出行可以同时感受到车和路的智慧,谢谢大家。

敬请关注 "2020 中国汽车工程学会年会暨展览会(SAECCE 2020)" 直播专题:https://auto.gasgoo.com/NewsTopicLive/282.html

(注:本文根据现场速记整理,未经演讲嘉宾审阅,仅作为参考资料,请勿转载!)

以上内容由"盖世汽车"上传发布 查看原文

觉得文章不错,微信扫描分享好友

扫码分享

热门推荐

查看更多内容