一流的天津网站建设,wordpress 淘宝,柳市最好的网站建设公司,长春网络公司排名榜整理|睿思
编辑|祥威 编者注#xff1a;本文是HiEV出品的系列直播「智驾地图之变」第二期问答环节内容整理。
元戎启行副总裁刘轩与连线嘉宾奥维咨询董事合伙人张君毅、北汽研究总院智能网联中心专业总师林大洋、主持嘉宾周琳展开深度交流#xff0c;并进行了答疑。
本期元…整理|睿思
编辑|祥威 编者注本文是HiEV出品的系列直播「智驾地图之变」第二期问答环节内容整理。
元戎启行副总裁刘轩与连线嘉宾奥维咨询董事合伙人张君毅、北汽研究总院智能网联中心专业总师林大洋、主持嘉宾周琳展开深度交流并进行了答疑。
本期元戎启行分享内容《Mapfree决定自动驾驶未来》的主题演讲可前往#视频号HiEV观看直播回放。
今年以来轻地图逐渐成为热门关键词。高精度地图由于在地图鲜度、维护成本以及覆盖范围等局限性逐渐被轻地图取代。
元戎启行是行业中布局轻地图方案较早的公司之一通过重构技术框架以及进行大量的泛化测试在安全、效率与体感三者之间找到平衡点最终做出了一套成本仅有传统高精地图成本十分之一的方案让无图化方案成为可能。
据刘轩介绍元戎启行的技术路线和特斯拉不完全一样并不需要让车辆记住某个路口的具体数据而是希望能够让这个模型本身学会像人一样思考在行驶操作中各个数据可能在一个什么样的范围之内然后由系统自主完成操作。
按照计划今年元戎启行会提供传统的L2辅助驾驶和高速NOA方案明年将提供城市NOA的纯视觉产品。 一、实时感知为主 SD Map作为参考输入 Q虽然行业内大家都在提无图但大部分车厂与供应商的核心还是采用了所谓SD Pro或者Lite地图。元戎只用SD Map就可以实现高阶辅助这背后的技术支持是什么 A无论是SD Pro或者HD Lite它里面依旧包含了高精地图的信息它基本上是用高精地图向下阉割提供一些更丰富的信息能够帮助算法做得更好。但有关高精地图的更新以及更新成本的问题依旧是绕不开的。如果能从算法层面解决掉这个问题那么它可能就不再是一个特别大的强依赖项。 去地图化肯定是未来一个发展方向因为它能 减少维护成本。有关维护更新的部分本质上类似人工智能中人工的那一部分如果从智能的角度能解决这个问题成本可以减少很多。 我们最早从2020年开始研发技术上已经相对成熟因此根据我们的经验认为对高精地图的依赖是可以去除的。 Q行业内研发重点由依赖高精地图转化为去高精地图是单纯的成本问题还是高精地图发展跟不上落地速度呢 A其实早先在行业内包括主机厂一些创业公司也考虑过去高精地图但可能主要还是前几年技术不够成熟因此不太往这个方向投入。后来特斯拉包括元戎做出来之后大家发现这个技术是可行的。因此今年大家认为这项技术接近到了突破点越来越多的人认可了这项技术。 Q无图方案进行量产的话是否需要对每一个城市都需要泛化由于无图方案重感知的情况这是否意味着系统需要强数据闭环 A首先因为城市中大部分道路都比较规则泛化的意义不是特别大。基本车辆在比较规整的简单路段开过一次后就能学会因此换到另外的城市也可以运行。 难点是对于那些不规则的corner case比如修路或者高架场景这些人看着地图都可能开错的路口我们需要更多的数据。因此在城市的复杂道路还包含一些乡村的道路都需要大量的数据去进行泛化所以当然这里面 一定 要 依赖于一个 强数据闭环的系统。 这套系统是非常综合的它包含感知定位规划等有一整套的交互式的流程。我们需要非常多的数据尤其未来想要过渡到纯视觉的话需要更多数据。所以如何从海量的数据中找到有用的把这个算法迭代的更好它对能力要求是非常高的比以前的传统方案更难。 Q在这种模式下主机厂和集成商怎么高效地合作才能把数据闭环打通 A数据的所有权一般归属主机厂但主机厂会将数据共享给我们进行共同建设让我们进行算法模型上的更新能够适应更多路况得到更好的表现。最终希望这个产品能够不断地迭代升级服务提供给用户。另外这些数据都会在可控、可信的云平台上我们只需要让它能够训练模型就行。 QMapfree方案对于组合惯导这些定位设备的需求或者变化点在哪里 A我们目前的组合惯导产品包含IMU、GNSS大概是百元级。不需要带差分定位仅需要它能够提供十米左右位置的定位精度就可以了。然后通过算法让它能够满足安全的需求这样也可以给车企降低一定的成本。 Q无图系统在智驾的过程中怎么去利用好SD地图 A对于SD地图的应用我们主要将其作为一种参考的信息更多的以实际感知到的信息为主然后将导航地图作为参考让它能够学到更像人的一个价值行为。 Q有图、轻图和完全没有图分别给车厂减掉多少成本上的压力 A纯SD的一辆车一个月大概几十块钱的成本但是HD的一辆车一年可能是几百块然后SD Pro或是HD Lite这个级别可能是一年一百到两百块。但是现在的问题是HD和SD Pro覆盖的城市数据还不够多目前只有六个城市未来开更多城市的话成本势必是要增加的所以这个 成本并不一定是固定值。 Q轻地图成本和高精度地图相比采集的过程中所产生的费用差距不大是吗 A对并且它采集数据后续更新时同样需要经过审图的时间周期所以更新的频率可能不会那么快。如果完全依赖于高精信息更新频率不够高的话可能对算法的性能表现也会有一定影响。 Q城市泛化节奏是怎样的前期从一个城市泛化到另外一个城市大概需要多久 A目前测试车辆在16个城市做泛化性的数据采集和测试。因为完全不依赖高精地图所以只需要将车投入城市进行测试就可以。因为如道路的交通灯等信息的识别模型本身是经过一定的鲁棒性、泛化性的训练。其次不同城市最具挑战的并非感知结果而是道路结构是否复杂。其实所谓泛化测试更多是采集路网的静态信息让它学到不同的城市道路中难解决的有挑战的场景。因为是Mapfree不依赖于导航地图因此不太需要做提前的准备因此泛化需要的时间比较少。 二、与特斯拉不完全一样更注重模型学习 Q元戎这套无图方案针对ICV/L3的功能安全方面的准入需求是如何应对考量的 A首先对于算法本身我们有具体的指标与我们自己的使用高精地图的算法或者市面上采购到的算法定期做对比。从产品的效果上包含系统的安全性舒适性行驶的效率等进行比较。 关于功能安全现在合作的车企对此要求也是非常高的。在合作过程中我们会把车企对于安全的方面的需求进行分解然后根据其中的每一个模块按照要求比如去进行系统层级的软件乃至硬件方面的监控。 例如针对汽车MCU的芯片我们会有对应的监控然后对于Orin芯片上的一些故障事件我们有对应的模块进行监控保证系统有一些故障或者失效的时候对应的信息能够达到车企需要的功能安全的状态。 Q当道路环境复杂出现盲区时是否能够及时预判当前道路环境交通拥堵产生感知盲区时功能实现的效果和安全性是否会下降 A对于路口有遮挡的信息如果之前已经识别到物体进入那么在较短时间内感知系统通过多帧的融合感知可以追踪到这个物体并且我们内部有一些Benchmark它的精度非常高。除非是对于之前是没有任何信息的鬼探头可能难度比较高但这种情况对于任何算法都是非常难的挑战。 更难的一点是Mapfree去认路时如果由于堵车识别不到停止线此时算法会通过机器学习的方式去猜测停止线的位置根据大量人类驾驶员或是基于强化学习的经验来进行判断。 其实Mapfree比起传统的高精地图对于堵车或者修路的情况我认为是带来更多的便利性。 因为如果真实道路和地图不匹配的时候导航地图会由于更新不及时有很多错误信息那么传统车辆可能就会失去方向但是Mapfree一切以实际道路发生的事情为准这个是最准确的信息。所以我认为从安全性角度来是更可靠的。 Q元戎在技术上走的是比较激进的路线如何保证系统有足够的稳定性和安全性 A其实是把过去静态的高精地图的信息转化为动态的实时去识别的信息。所有的安全性的认证指标还是沿用了L4 Robotaxi并且因为现在需要考虑到用户的体感以及通行的效率添加了很多指标。 我们在软件算法方面是尽力保证安全性的。但是在一些特别极端的情况下也会去提醒乘客让驾驶员进行一定程度的人工干预。所以其实它和用HD map的系统不会有太大的本质区别。 Q你们提供的方案会放弃激光雷达吗 A我们今年纯视觉的产品是先提供传统的L2辅助驾驶加上高速NOA后续我们计划明年让它也能够提供城市NOA。因为纯视觉需要的数据量更大一些目前它给用户的 体感 和带激光雷达的还是有一些差距的。 Q对于L2或 L3级别未来的方向实现城市的高阶辅助驾驶中激光雷达是必要的吗 A对于现阶段而言要实现城市的L3高阶辅助驾驶激光雷达还是必要的。由于目前量产的车不够多纯视觉的数据不够多所以现阶段用户的体验和安全性还不能完全和带激光雷达相比。但是我认为到明年这个很可能会有突破。往未来最终看当数据足够多的时候纯视觉应该是能够取代激光雷达。 Q如果有激光雷达的话还能做一层冗余后续做纯视觉如果硬件本身出了问题安全性应该如何保障 A其实现在所有的车上的传感器都不会做两套备份都是只有一套。比如摄像头的视角是能够互相覆盖其中一些数据所以如果失效其中一个摄像头可能依旧可以以降速的方式正常驾驶的。如果 在纯视觉影响比较大的情况下可能会降速限制更多。对于这种情况有安全降级的概念比如降到最基本的L2拨杆变道等等传统的L2的功能。 Q在某些城市比如上海有一些左转的路口需要在最右侧车道进行这与我们平常的习惯相悖如果此时堵车无法识别马路上的箭头指示怎么办 A这种拥堵情况相对来说可能会难一些但是基本上我们会结合实时识别加上导航给的信息综合考虑。类似这种路口包括可变车道等等相对来说都是比较难的但现在基本上只要多跑几次都能学习处理。 Q特斯拉在最新版本 HW4. 0硬件方案里面设计了4D毫米波的接口你们是否有测试过4D毫米波雷达性能上跟基本的补盲雷达有什么区别 A4D毫米波可以看作激光雷达的平替版本能生成点云但点云质量比激光雷达差价格也更便宜。它可以根据车企的需求使用但也需要测试它的成本跟实际产出的效果。目前4D毫米波好像还未大规模出货不是很成熟另外激光雷达以后也有可能会降价如果降价多的话可能跟4D毫米波价格相差不大。那时可能车企又会有不同的想法。 Q现在这个系统会记录历史的行驶信息吗比如Model Y其实在所谓的众包地图上是有历史的无论是车速信息还是轨迹信息是可以去不断地去学习优化的让它能更像人。元戎这套系统是否也会把之前行驶过的信息能够有存储和体现然后不断学习 A我们的技术路线和特斯拉不完全一样并不需要让车辆记住某个路口的具体数据这不是这个技术路线的目标我们的目标是希望能够让这个模型本身学会像人一样思考在行驶操作中各个数据可能在一个什么样的范围之内然后自己完成操作。 我们更希望让模型自己去学习如何操作而不是说把这个路口的信息记录下来因为记录下来还会涉及到一些更新的问题很多信息更新不及时也会带来一些问题。 三、 追逐降本打造平台化产品 Q作为一个L4的公司进入到 L2的领域有哪些优势又有哪些不足需要补充 A无论是L4还是L2其实都在进一步精进技术。进入L2的领域能够让我们的技术适配在这种可量产的硬件上面比如去高精地图依赖其实技术是更向前进步同时也更难的。因此在算法方面我们的技术应该还是非常领先的综合一下能够提供对这个行业更有竞争力的产品。 在量产定点等方面其实涉及很多难点比如工程化的能力。因为在跟车企合作的过程中车企会给我们很多具体的硬性的时间节点在指定的节点需要交付什么技术。在进行合作的过程中公司的能力也提升了很多毕竟之前没有走过这个流程但是经历过一遍之后培养起来了这个能力。 Q对于主机厂的不同要求怎样引导他们做产品化而不是项目制的交付要求如何在满足主机厂要求的同时将自己的定制化要求降到最低 A我们目前打造的平台化的产品通过平台提供一些基础的能力同时可以针对不同主机厂的个性化需求定制性开发其中某些特性。这样就不需要针对每一个主机厂或者每一个车型去单独开发因为中间有很多是通用的能力。 据我们了解现在越来越多的主机厂为了降本内部的智能化也是走这种平台化的方案。我们作为供应商和车企进行交流的时候发现这种平台化的方案很多时候是不谋而合的所以在这方面上其实还是挺有优势。 Q目前你们的L4和L2是同时在进行研发吗 A L4和L2的软件算法是同一套。并且我认为智能驾驶最终都是趋近这个方向的未来Robotaxi想要实现单车盈利一定需要通过量产车完成否则商业上很难形成闭环。因为传统的Robotaxi的传感器非常多在商业上很难回本所以目前包括国外的趋势也是往量产车这个方向考虑的。 Q未来的Robotaxi 还需要地图吗 A可以不用。因为地图本身是人为地给车加上一些规则人工编辑的一些信息因此如果数据足够多算法能让车按照人的思维去驾驶实现真正人工智能的话L4乃至L5是可以达到的。
