百科问答小站 logo
百科问答小站 font logo



驾驶「自动驾驶」车辆是怎样一种体验? 第1页

  

user avatar   youngfish42 网友的相关建议: 
      

百闻不如一见,百闻不如一见呐


利益相关:

菜鸟司机、计算机视觉领域见习研究者、投身人工智能落地应用的宣传者、蹭了一顿午饭



半年前,听说百度在长沙发布了无人出租车,后面又听说上海滴滴和高德合作也推出了无人出租车,我还以为会在长沙或者上海早日体验到无人驾驶。

不想,上海到上海距离太远,但上海到苏州却能够距离很近,于是在机缘巧合之下,我来到了苏州,参与了无人驾驶汽车的试乘。


那一天,早上天气阴沉,天气预报有雨。

可惜整天都没有下雨,这是个小遗憾,后面会提到~

我来到苏州北,似乎是为了特意照顾像我这样的路痴,一出高铁站就看到了此行的目的地,苏州 Momenta

然后在经过了参观展厅,两小时的午餐会谈后,终于有幸坐上了无人驾驶车,有了很棒的体验。


先放个 DEMO 吧~


上面的视频里面的内容,和我当时试乘现场看到的内容基本一致。



体验的整个路段位于苏州相城的城建频繁区域,沿途经过30多个红绿灯,也有施工工地和学校居民区、商业中心,很有苏州本地的特色。



让小鱼来简单解读一下,从上面的截图我们可以看到很多很多的细节

首先,从左上的第二个小窗口可以看到车内驾驶舱的情况,车辆的方向盘没有被手抓着,坐在主驾驶位置的安全员将双手放到大腿上,处于一个特殊的将汽车交给自动驾驶系统管控的状态。

其次,这个车使用了可量产的多传感器融合的感知方案,有12个摄像头,分别有前面的主视角,左前和右前视角,还有两侧和后侧视角。

然后,右侧的汽车信息有许多小细节,我们从上至下,从左到右说明:

汽车当前行驶速度,车辆的刹车转向情况,道路信息,车辆方向盘和加油情况。

其中,道路信息非常有意思。不知道是否注意到,靠近画面最中心白色的是当前本车的标识,

然后可以看到深蓝色的方型盒子代表道路上其他机动车,浅蓝色的小人标识意味着步行的或者驾驶非机动车的行人,

如果看得再仔细一些的话,可以看到地面非常精细的道路标记,比如车道线虚实线、边缘线、路口的停止线、人行横道、红绿灯位置等。然后还能看到各个车辆和行人的预测轨迹,非本车的预测轨迹是蓝色窄条,本车的规划轨迹是紫色窄条显示。


城区十字路口基于摄像头技术的自动化建图结果



MSD 飞轮式L4 传感器分布


在车上的时候,同行的伙伴和我一直问个不停。很感谢苏苏姐的精心讲解,让我们从试乘过程中学到了很多知识。

不过稍有遗憾的是,那天是阴天,一直没有下雨。不然的话也可以好好试一下雨中自动驾驶的新奇体验了。


上面这个视频是官网的DEMO,与第一个视频不同的是,这个是量产自动驾驶产品,Momenta 将其命名为 Mpliot,包括不同的应用场景,比如 Highway、 Parking、Urban,目标是最大化连续自动驾驶的时长,和车企合作给车辆赋予车辆自动驾驶的能力。

有一个很明显的区别是,这个是不装载激光雷达的,能给车主节约一大笔钱。也许一台智能手机的价格,就能让汽车拥有自动驾驶的能力。这确实令我很震惊。




回到前面我亲身参与的试乘,时间过得飞快,不知不觉半个小时就过去了,整个乘坐过程在我看来,非常的平稳、智能和舒适

我注意到,自动驾驶在处理道路上一些疑难复杂的情况时,比如有货车加塞、非机动车逆行,表现出来对车的操纵能力,要比我这个新手司机要好得多,也平稳得多。

此外,很多人应该听说过特斯拉在台的事故,有一个车倒在路中间,然后自动驾驶没有识别出这个障碍物。

我特别担心类似情况在这边出现,因为中国特色的道路上有很多异形的车辆,比如载货三轮、老年代步车、美团饿了么的送餐车等。

当时在路上的时候就恰好遇到了类似的情形,在一个红绿灯路口的时候,横向的车道有一个很长的拖车,上面载满了小汽车,我当时注意到这个情况马上看了一下车载屏幕,发现也能识别出大拖车。


同车的苏苏姐介绍说,实车道路上测试中,经常会遇到特殊障碍物,有时会遇到施工、桩桶,而 Momenta 的算法可以利用闭环自动化工具链不断迭代。当遇到算法不能检测到某个特殊障碍物时,人类司机的操作与自动驾驶的决策不同,Momenta 会从这种差异数据中挖掘出所需要的关键场景加入到算法迭代中,以不断提升感知各种特殊障碍物的能力。


试乘过程中,也遇到左转时车辆和行人很多的场景。我原本担心,如果算法过于谨慎,一直等待,乘坐起来会很憋屈。如果太激进,也会有风险。实践下来,发现我的担心是多余的,试乘体验很流畅,稳中有进。Momenta 提到,不同于行业常规的规则驱动,使用数据驱动的感知和预测算法在这种场景充分发挥了优势。通过收集大量的路口数据,将路口的地图信息与他车历史轨迹同时作为输入,采用数据驱动的深度学习算法,可以很好地预测路口车辆的意图与行动轨迹,从而指导后续算法作出正确的决策规划,运动更加自由。


怎么说呢,这次试乘让我切实感觉了,读万卷书要行万里路,平常在纸面上或者网络上看的资讯再多,也不如找个机会到现场试一试。


这次也感受到,无人驾驶要真正实现商业化,大规模应用,最大的挑战是要保证足够的安全性。这里最大的挑战,还是如何自动化解决大量复杂场景,优化算法。

这需要大量的数据来进行感知、预测、规划、建图等,可见,大量数据是深度学习问题中最核心一环。


现在自动驾驶行业收集数据,提的比较多的是“千亿公里”,Momenta 的观点是这其中还包含着至少百万个待解决的问题。

千亿公里比较抽象,Momenta CEO 曹旭东师兄之前做过一个类比我觉得比较贴切,这相当于地球到太阳系尽头行星距离的22倍。让自动驾驶车跑出“星际穿越”里程的数据,这对任何一家自动驾驶公司来说都是很大的挑战,而 Momenta 的应对策略就是为自动驾驶安装一个“飞轮”,这个后面会详细说下。千亿公里数据仅靠路测获得显然不现实,Momenta 的方案是 “量产数据驱动”,我对此的理解是众包模式,通过和车企客户合作的前装量产产品,车主在驾驶过程中提供源源不断的量产数据,让产品和技术不断升级(跟特斯拉很接近,他们的量产产品叫Mpilot,也看得出来跟特斯拉的AutoPilot异曲同工)。

而对于千亿公里中要解决的百万问题,这里要着重提一下我在很多篇文章中都看到的一个概念,就是旭东师兄一直在提的“架构师”的文化,用数据驱动(Data Driven)的方式做一名“架构师”,去架构自动化解决问题的系统。

其实量产数据、数据驱动的算法和自动化解决问题的工具,这三个元素就构成了上文所说的“飞轮”。这个飞轮也是 Momenta 对实现规模化无人驾驶的核心技术洞察。根据他们的介绍,现在这个飞轮才刚刚起转,当它飞速转动的时候,就是 Momenta 产品和商业爆发增长的那天,也是最终实现无人驾驶规模化落地的那天。



寒假在家的时候,我看到百度在长沙发布了无人出租车,写了一篇文章介绍了我的看法,当时把这篇文章给了我爸妈看,我妈当时就非常兴奋的认为,自动驾驶的实现指日可待,为此我还和我妈吵(辩)了一架。

我觉得,身处技术前沿的研究者,通常是较为悲观的,因为他每天处理的都是难以逾越的困难,他觉着这些问题很难在短时间内得到解决。(比如 @诸葛有鱼兄在去年的悲观判断,好在今年有了更正面的想法

但很有意思的是,不了解技术细节的大众,反而对于科技的发展会很乐观,就正如现在对于 5G 的宣传一样,大众比研究人员会有更多的期待。


我觉得过于乐观或者过于悲观都是不必的,不过这次试乘经历也让我自己反复打脸。

我在了解和查阅信息的过程中,总觉得自动驾驶这个东西很难实现,没法在近几年的大街上看到,很悲观;

然而试乘之后,又充满了信心,觉得通勤路上解放双手的未来指日可待;

但看到相关法律法规的推进,又觉得灰心丧气;

又继续查资料,发现这个东西还是有可行性的。

总之不断循环,不断改变自己的认知。




最近成为了科技盐究员,为了追求科普,不仅需要介绍我的感受,知识讲解也是必备的。

对知识的追求和对应用落地的渴望,让我不断去找寻自动驾驶背后的技术以及商业模式的资料,也顺便分享出来吧~

既然这次是在 Momenta 试乘,那就主要以它为例。


自动驾驶——复杂系统问题

自动驾驶,这其实是一个非常难的复杂系统问题。要实现这个最终目标,在整个过程中需要解决无数的小问题。

自动驾驶是分级别的

要知道实现最终完全无人的自动驾驶前,有不同级别的目标和方案。(目前分级标准未有定论,但可以参考下面的资料)

自动驾驶中的[智商税]

简言之:L1不用脚,L2不用手,L3不用眼,L4不用脑,L5不用人。


自动驾驶攻破的难点在哪,何时能到 Level 5?


图片出处:LEVELS OF DRIVING AUTOMATION ARE DEFINED IN NEW SAE INTERNATIONAL STANDARD J3016




表格出处:《汽车驾驶自动化分级》推荐性国家标准报批公示



实现自动驾驶的路线

为了实现自动驾驶,工业界有两个有代表性的路线

特斯拉路线,是按照自动驾驶等级的划分,从低级往高级不断升维,通过量产汽车对场景、数据和算法的迭代,最终实现完全无人驾驶。

而且正是因为坚定量产路线,也为了最低门槛获取数据、场景和功能反馈,马斯克完全依靠摄像头方案、不使用价格昂贵的激光雷达。

想依靠低成本传感器方案不断升维,难且有道德挑战;但好处是数据“众包”,能在量产中获得现金流和数据流。


Waymo路线,认为只有从一开始L4才能实现 RoboTaxi。该路线中,人机共驾的高级辅助驾驶被认为有天然 Bug——既要机器辅助驾驶,又要人类在紧急时刻接管,显然不靠谱。

于是 Waymo 从2009年正式推动后,逐渐明确了实现方式:原型车、规模化路测、在丰富场景中不断迭代,区域内落地,终极场景是让无人车行驶运营在任何时间、任何地点和任何场景。

希望一己之力不断扩大无人车队规模,最终真正实现完全落地,险且依赖融资烧钱;来自 Morgan Stanley 的报告,Waymo 截止到2038年才能实现收支平衡,之前累积亏损为数千亿美金。而好处是安全性相较而言更可控,不用把车主当小白鼠。

但 Waymo 路线中,最难的是无穷无尽的“长尾”问题,现实中总会有出乎预料的新场景、特殊挑战,这就要求自动驾驶系统足够聪明、且学习迭代得足够快。



而 Momenta的技术路径商业模式,更加有原创性,具体可以从下面这个文章内得到答案:

重新定义无人驾驶关键路径,Momenta打造飞轮式L4

Momenta的战略是量产自动驾驶(Mpilot)与完全无人驾驶(MSD)两条腿走路,通过量产数据、数据驱动算法和闭环自动化,推动自动驾驶技术落地量产,并最终实现无人驾驶。






自动驾驶不会剥夺驾驶的乐趣

实现自动驾驶有什么好处呢?自动驾驶会让人类失去驾驶的乐趣吗?

其实可以很明确的是,未来全面推广后的自动驾驶,一定要比人类驾驶更为安全(否则就不会得到广泛落地)。

此外,自动驾驶是分等级分类别的,当下特定场景下的自动驾驶所做的,就是将人们在对应情景下从枯燥的驾驶(比如早晚高峰期堵车,或者长途高速)中解放出来,可以休息或者干别的事情


更详细的相关讨论,我推荐看看如下资料:

自动驾驶会让人类逐渐失去驾驶乐趣吗?

自动驾驶能治首堵病吗?

无人驾驶技术来临,出行是不是可以完全交给车来完成?

无人驾驶技术最先落地的场景必须要有较高的利益回报,这样才能够驱动资本长时间地投入。满足高利益回报这个条件的场景有两类,一种是以提供服务为目的的场景:无人驾驶出租车(Robotaxi)、高速无人物流车队、港口码头无人货物运送、矿区无人运送、园区无人观光车等;另一种是以销售汽车为目的的场景:L2级别的辅助驾驶、L3级别的高速、环路自动驾驶和L4级别的智能代客泊车。


在以上商业化的场景中跟出行相关性最高的场景有一下三种:

  • 无人驾驶出租车
  • L2辅助驾驶+L3自动驾驶
  • 智能代客泊车


我们能为自动驾驶做什么?

自动驾驶是怎么实现的呢?自动驾驶车辆与普通车有什么不同?这个就得学习很多专业知识了

比如我所在的计算机视觉领域就有很多相关内容,比如各种视觉摄像头,以及各类其他的传感器。

请看 @陈光 老师的科普文章

无人驾驶技术入门(三)| 百度无人车传感器 GPS 深入剖析

无人驾驶技术入门(四)| 百度无人车传感器 IMU 深入剖析

无人驾驶技术入门(五)| 没有视觉传感器,还谈什么无人驾驶?

无人驾驶技术入门(六)| 工程师又爱又恨的激光雷达

无人驾驶技术入门(七)| 量产必备的毫米波雷达

无人驾驶技术入门(八)| 被严重低估的传感器超声波雷达

无人驾驶技术入门(十)| 看不见的“传感器”高精度地图


另外,我们都感兴趣的 5G 或者 我之前关注的边缘计算,对于自动驾驶有用吗?5G这么火,会不会是噱头呢?请看下面这份资料~

5G 为什么会影响自动驾驶的发展?

5G一定会深刻地影响自动驾驶的发展。



好,小鱼关于自动驾驶的游记就写到这里,很感谢 Momenta 公司提供的试乘资格,确实让我大开眼界(午饭时与业界大牛的现场交流也是诚意满满)。

如果对试乘活动感兴趣的话,而且自己也是相关研究领域,我相信他们还会邀请更多人去试乘的~ 活动可以参考:M-Bridge青年说|与Momenta 两小时对话


自动驾驶的商业化价值很大,也必然有很多的技术挑战,我能感受到他们真的是求才若渴(当然要求也高,公司内部人才济济),听到一个24岁的清华同学就带团队做出了非常卓越的研发成果,叫醒了沉睡中大货车司机的故事。

此外,有什么问题,可以评论区写下来,我会想办法召唤 @Momenta ,麻烦他们公司的人进行解答的~


就酱~ 下一次我或许会去同济附近试一下其他公司的自动驾驶,请拭目以待。 <。)#)))≦




  

相关话题

  刚买的iPhone丢了是种怎样的体验? 
  蹲监狱是种怎样的体验? 
  生活在法西斯国家是种什么体验? 
  你见过哪些比穷更可怕的事? 
  收到来自陌生人的善意是怎样一种体验? 
  富二代家里破产是种怎样的体验? 
  外貌不配性别,是种怎样的体验? 
  当兵休假是种怎样的体验? 
  爸爸妈妈做饭不好吃是一个怎样的体验? 
  遇到个傻逼领导是种怎样的体验? 

前一个讨论
你听过最奇怪的中文歌词是什么?
下一个讨论
有哪些衣服品牌穿完你会无限回购?





© 2024-05-15 - tinynew.org. All Rights Reserved.
© 2024-05-15 - tinynew.org. 保留所有权利