|
导读： 来自武汉大学测绘专业的李必军老师，为我们从测绘领域看无人驾驶带来了不同的观点。 
 【参赛选手】途智号、途e号 【改装车型】“途智号”基于奇瑞瑞虎3改装，“途e号”基于奇瑞EQ200电动车改装。其中“途智号”是一辆连续7年参赛的老将，2010年参赛获得了野外项目第一，综合第二的成绩。途e号是本届首次参赛。 【配置方案】两辆车都集成了GPS/INS系统、激光雷达、视频相机等传感器，以GIS技术、组合导航技术、遥感技术为基础。 无人驾驶需要地图，但需要的绝不是所谓的高精度地图 两支车队的领队是武汉大学测绘遥感国家重点实验室的李必军教授，在不少计算机视觉和汽车院校背景的车队中，李老师对两辆车参赛目的的定位是，验证地图技术，与车上的其他传感器配合完成比赛项目。 10年途智号参赛时，大赛组委会就给出了具体的任务点和精度很高的轨迹，根据比赛要求，所有参赛车队都不能使用GPS。但是大多数参赛队伍都没有使用这些信息，仅仅靠车载传感器实时感知来行驶。李必军向我们回忆当时的比赛情境， “很多车在行驶时，都要停下来扫描判断，为此花费不少时间”。 “只有我们用了地图，用最短的时间完成了野外项目。”通过地图配合里程计（可以估计无人车相对于初始位置的移动距离），途智号可以进行本车行为推算，知道自己走了多远 ，多久会走到路口，然后在路口是直行还是拐弯。 这也证明了地图是无人驾驶的重要基础设施，可以帮助传感器减少运算量，也可以补充传感器感知范围外的信息。但李必军纠正了一个行业中的认知误区——无人驾驶需要地图，但需要的绝不是所谓的高精度地图，而是全要素精细化地图。 如果要达到目前外界所说的10cm精度Level4无人驾驶地图，比例尺就要设置为1：1000。绘制如此高精度的地图，测绘车需要配备成本上万的测绘级差分GPS设备，20多万的测绘级惯导设备，再加上相机和激光雷达等传感器，一辆车的总投资要达到数百万。从成本上来看，这种高精度地图是不可行的。 并且光有高精度地图并不足够，定位是一大前提，必须同时提高本车定位精度，车子才能准确行驶在轨迹上。如果车辆只有米级定位精度也没法发挥高精度地图的作用。这意味着车端需要增加高精度惯性导航定位系统，进而增加成本，会为整个系统带来影响。 “事实上我们需要精细化的地图，并不要太高精度。”与常规导航地图相比，自动驾驶的所需的的地图需要加入车道线、曲率、坡度等信息。李必军认为，纵向精度可以依靠里程计控制，保证车辆在国家规定的安全距离跟车行驶情况下，不会相撞所需的精度即可；横向可以用摄像头检测车道线来帮助约束，再依靠专家系统，把可否并线、掉头等政策要求数字化供无人车使用。 “我们常常说无人驾驶要通过地图降低感知难度，其实也要通过感知降低地图精度。”目前李必军的团队正在进一步研发算法，让传感器配合地图提供信息，降低地图的精度要求。 无人车是个交叉学科，测绘只是其中的一个部分 作为多年参赛的老将，李必军对大赛最直观的认识是，比赛中无人车调账项目的路程在变长，并且出现了很多动态障碍，这不是对无人车某个项目的考核，对综合实力要求越来越高。 但参赛车也在不断变化。李必军觉得感受最直接的在于，车上的传感器在逐步减少。“途智号”为了配合7台激光雷达，最开始使用了3台计算机，车上需要4-5个相机分别负责红绿灯、左右车道线、交通标志和前方障碍物。现在车辆只要1台计算机，激光雷达改为了车顶32线，2个单目相机分别负责交通标志和车道线识别，配重少了300公斤，不用像一开始拆掉后排座椅来放置设备。  这一切主要来自软件算法端的优化，以及传感器与地图的配合。单单一个处理车道线，团队可以在手机平台上做到1秒20帧的处理速度。在台式机平台上只需10毫秒。而且最新的“途e号”电动车，尝试了16线激光雷达方案。李必军觉得未来还有继续减配的空间。 无人车研发涉及很多学科，能高可靠完成任务不是看上去那么简单。面对不同光照，即时性故障的发生，车辆的可靠性、准确性以及效率都要提升。李必军举了一个红绿灯检测的例子。红绿灯的大小、亮度、形状以及放置位置不同，都在考验着算法能力。很多情况下，上坡时车辆的尾灯和红绿灯高度差不多时候，很容易出现误检。针对这种情况，可以基于地图记录的信息规避一些误判，但绝不是一件简单的事。 李必军把参加比赛视为培养学生的绝佳机会。有竞赛氛围、封闭解决问题的过程，每个人在高效率作业的背景中可以集中解决很多平时难以攻克的问题，比赛期间的论坛也可以技术交流。武汉大学两个团队主要负责两辆车感知和分析决策部分，转向等控制部分由厂家提供。 他坦言，无人车是个交叉学科，测绘只是其中的一个部分。规划控制不是团队的擅长领域，最初参赛甚至都没有减震、隔离、电子兼容的概念。“比如我们一开始是基于车辆前轮做规划，后来才按照汽车动力学规律进行规划。”参与比赛为他们补充了本学科之外的经验。 关于自动驾驶发展的几点看法 在谈到自动驾驶时，李必军基于测绘行业和汽车领域积累的经验，谈了几点自己的看法： 1. 相机应该能解决很多问题。目前相机硬件工艺还达不到人眼自动调焦，快速反应的能力。无人车需要更加高性能的感知器件，可以很好地平衡高动态范围和敏感度。地图行业也可以和机器视觉更好地结合起来。比如双目摄像头可以获得距离数据，可以用于30-50米的近景测距，如何将双目实时监测的数据导入地图，又怎么把双目采集到的近景信息和其他设备采集的远景数据结合，就是一个值得关注的问题。 2.对深度学习的研究目前还在起点。假设未来技术成熟后回看今日，我们正在做的事情其实都非常基础。深度学习还无法学习未知的情况，而复杂的交通场景不可能穷举，因此还要借助自学习，以及模型外的专家系统辅助判断。但是即便使用了自学习，也无法超出人类智能的范畴。到时无人驾驶会经历一个平台期，突破估计要很长一段时间。 3.制度法规可以加速推动无人车的发展。特斯拉事故致使很多人质疑这项技术的可行性，但是相比有人驾驶每年的事故率，成熟的无人驾驶还是会安全很多。在技术发展的过渡阶段，现有的交通法规要配合无人车做一些更改，比如在无人车上贴上统一标识，提醒这辆车正处于无人驾驶状态，要注意避让。目前自行车道行车，自行车驶上人行车道等交通乱象丛生。某种程度上来说，中国的无人驾驶是管理问题，不是技术问题。 4.无人车比我们老百姓想象的要快一点到来，会在特殊场景率先商用。它会和很多自动化机器人一样，干一些“脏活累活”。比如园区固定路线，工厂车间与车间的物流运输。如果电动出租可以实现无人驾驶，会是一个很好的应用场景，这样车辆就能自己解决充电问题。从这些角度看，无人驾驶可以帮助行业整合，意义重大。 车云小结 不同专业背景的人在陆续加入自动驾驶的研发阵营，与李必军老师的交流让我们对测绘领域看无人驾驶有了意想不到的收获。把不同技术背景的人聚拢到一起，产生交流和思想碰撞，或许这就是智能车挑战赛最大的意义。 行业交流、每日资讯、活动直播 |
|
|
来自： cheyunwang > 《待分类》
