<rp id="e2oia"><ruby id="e2oia"></ruby></rp>
<dd id="e2oia"></dd>

<em id="e2oia"><strike id="e2oia"></strike></em>
<th id="e2oia"></th>

    一汽(南京)王宇:智能駕駛中雷達感知應用及挑戰

    發布時間:2021-09-05 11:00    來源:泰達汽車論壇

    關鍵詞:王宇 前沿瞭望 智能駕駛 泰達汽車論壇 一汽(南京) 應用及挑戰 雷達感知

    摘要:2021年9月3日-5日第十七屆中國汽車產業發展(泰達)國際論壇(以下簡稱泰達汽車論壇)在天津市濱海新區召開。本屆論壇圍繞“融合?創新?綠色”的年度主題,聚焦行業熱點話題展開研討。在9月5日 “前沿瞭望:創造智能汽車新體驗”中,一汽(南京)科技開發有限公司雷達感知領域經理王宇發表了題為“智能駕駛中雷達感知應用及挑戰”的演講。

      2021年9月3日-5日,由中國汽車技術研究中心有限公司、中國汽車工程學會、中國汽車工業協會、中國汽車報社聯合主辦,天津經濟技術開發區管理委員會特別支持,日本汽車工業協會、德國汽車工業協會聯合協辦的第十七屆中國汽車產業發展(泰達)國際論壇(以下簡稱泰達汽車論壇)在天津市濱海新區召開。本屆論壇圍繞“融合•創新•綠色”的年度主題,聚焦行業熱點話題展開研討。

      在9月5日 “前沿瞭望:創造智能汽車新體驗”中,一汽(南京)科技開發有限公司雷達感知領域經理王宇發表了題為“智能駕駛中雷達感知應用及挑戰”的演講。

    一汽(南京)科技開發有限公司雷達感知領域經理  王宇

      以下為演講實錄:

      各位業界朋友們,大家上午好!我是來自一汽(南京)的王宇,今天很高興泰達論壇有這樣一個機會,可以在這里讓我們和大家一塊聊一聊我們在過去一段時間做的一些事情,也可以順便聊一下對于雷達感知應用的理解和挑戰。

      開始之前請允許我介紹一下一汽南京公司。一汽南京公司是一家比較年輕的公司,一提到一汽集團都比較了解,一汽南京公司大家聽到不是很多。我們確實是一個年輕的公司,也是一個年輕的團隊。我們早期的前身是一汽智能網聯開發院的人工智能研究所,去年由于集團加大對人工智能和汽車結合的戰略部署力度,將人工智能研究所遷移到南京,成立了南京的人工智能研發中心,也就是一汽南京公司。一汽南京公司也是一汽重集團要戰略布局的重要一環。我們想依托人工智能的技術,打造更好的人類出行體驗。

      目前在一汽集團內部,也是承接了很多自主研發的量產車型開發任務。目前公司是100多人,還在快速擴張當中,雖然說目前公司內部是100多人,但是依托了整個一汽集團強大的研發體系,像造型、設計、系統還有測試、驗證、道路實驗、數據采集,都依托了本部強大的技術支持,也是他們讓我們能在南京地區可以全身心投入到軟件開發當中。

      我們公司的業務主線,目前規劃了六條,分別是智能感知、智能大數據、智能交互、智能出行、智能制造以及智慧物流,在前期我們將精力還是投入到智能感知和智能大數據這兩個主線。

      接下來想聊一下在智能駕駛當中雷達感知的應用。在智能駕駛當中,其實有很多重要的板塊,但是目前我們認為挑戰性最強、復雜性最高的仍然是感知領域。目前在主流的傳感器方案當中還是以多傳感器融合方案為主,我們也是非常認可這樣的一個方式,因為不同的傳感器在不同的場景、不同的交通狀態中有一定的優勢,也有一定的技術短板。比如攝像頭在光線不好的條件下,就會容易受到干擾。像激光雷達是可以很可靠捕捉到交通目標的位置,但容易受到天氣的影響。毫米波雷達傳感器對于車輛的速度獲取的準確度是非常高,但是分辨率非常有限,我們能做的還是基于目標的融合。因此,我們判斷在未來很長一段時間,智能駕駛的主流感知方案還是以多傳感器融合的技術為主。

      也是基于多傳感器融合的理念,一汽南京公司打造了基于AI的自動駕駛解決方案。在智能駕駛車輛當中,采用了多傳感器的融合策略,首先是在車頂采用了8顆固態激光雷達,在車周加上了12顆高清攝像頭,以及毫米波雷達作為感知融合方案,也是基于這套方案,實現了全棧的自動駕駛解決方案。目前這套方案內部進行了升級,很快將會有第二代的自動駕駛全新的感知方案推出。從傳感器以及整車性能多方面使乘客和駕駛員獲得更好的體驗。

      下面說一下多傳感器融合當中一個很重要的組成部分,就是雷達傳感器。我們知道,固態雷達傳感器是未來激光雷達的一個發展趨勢,在早期我們也是基于機械式的激光雷達做了很深的耕耘,花了很多精力基于機械雷達的解決方案當中。在長春本部構建了智能小巴和智能乘用車。在去年,我們也是大膽創新,相當于在國內其他的一些兄弟公司還沒有推出固態雷達方案之前,我們已經制定好了基于固態雷達的環境感知解決方案。

      這個綠色的車就是目前我們在開放性道路上測試的一個固態雷達的實驗車。當我們從機械雷達切換到固態雷達的時候,也有很多的糾結,很多挑戰。比如說時間同步怎么解決,標定、盲區等各種各樣的問題也是困擾著我們,在機械雷達那邊可能是小問題,在固態雷達就是一個全新的挑戰,為此花了很多精力在解決這些問題。比如為了解決時間同步的問題,多個雷達同時數據采集的時候,一定要有高精度的時間同步,我們為時間同步專門打造了一個控制器,用于解決這樣的問題。

      在智能感知軟件方面,我們為了這套智能感知系統構建了一套完整的模型、技術構架,包括一些重量型的離線的參考模型,也包括輕量級的參考模型。重量型的模式應用于真值還有數據標注,輕量級模型跑在域控制器當中,有計算資源和高精度的感知能力。

      下面我們要談一下數據相關的一些工作。作為車廠,在數據積累方面有天然的優勢,首先依托本部的道路實驗車資源,構建了一批數據采集車輛,本身每天在全國各地的道路上都會有大規模的數據采集和整車性的測試,所以在數據收集方面的優勢還是要充分發揮的。數以百計的車輛每天回傳很多數據,將數據進行解析和融合、清洗、挑選,轉換后存儲到云端。拿到數據后,通過設定的一些先行條件,再加上重量級模型,進行一些自動化的標注,得到了初步的標注數據后,通過人工的方式進行檢測和二次標注,修正之后得到了標注的數據集。將我們的重量型的模型重新進行訓練,訓練好這些模型,一方面應用于前期的半自動化標注,另外將大規模模型進行輕量化處理,部署在車端。最后車端的模型重新部署到車輛,由此構成了數據采集、數據標注、數據存儲的閉環,這套系統是非常寶貴的工具,既是有效的生產力,又是對車企優勢的發揮,也是我們的護城河。

      接下來再聊一下成像雷達,毫米波雷達是有痛點的,只能輸出有限的目標數據,我們只能基于數據做目標級的融合,分辨率也比較有限,只能識別出來二維的目標,對于高度信息分辨比較不友好。當市面上有了成像雷達傳感器一切有了改觀,我們也發現成像毫米波雷達也是值得我們去挖掘的。目前基于成像毫米波雷達做了嘗試性工作,比如在點云級的融合層面,我們把成像雷達做拼接,也嘗試著進行融合。這是我們對成像雷達毫米波前期的嘗試,也是非常期待下一代的成像毫米波雷達給我們帶來更多的驚喜,成為智能駕駛當中的主力傳感器。

      下面一部分談一下目前雷達感知領域的一些挑戰。這里我們總結了四點。首先第一點是在成本方面,從行業的一些數據方面可以看到,激光雷達傳感器的價格從之前的幾十萬一臺,一個非常昂貴的儀器設備,降到量產車上3-5K的價格,但是目前對于量產車輛而言,一些高端車型或者是高配車型標志性的傳感器,還做不到成為每一個車輛的標配傳感器。因為我們整車的成本其實是錙銖必較的,有的時候需要一分錢、一毛錢去摳,對于動輒上千塊的昂貴傳感器目前在上車的時候還是比較謹慎。我們預估,未來在兩到三年中,我們的價格有可能會降到1-2K,這樣激光雷達才有可能成為中等車型標配的傳感器,這是在成本方面的挑戰。

      第二,在傳感器數量和布置方面的挑戰。傳感器的價格制約了傳感器的選型和數量,當我們可以布置一些激光雷達傳感器在量產車上,布置的位置是迎來的第二個挑戰。我們和造型部門、整車部門也是經過了很多輪的討論,其實大家一直都存在一些彼此的爭議。像激光雷達布在車頂還是布置在車前方的位置,其實大家都有一些優勢,也有一些弊端。布置在車頂可以在視野上獲得收益,但是從清潔、造型、散熱上也有不小的挑戰。傳感器布置在前保險杠的方案當中,我們也是從清潔到散熱是比較容易了,但是它很容易將傳感器進行一些遮擋和污損,同樣也有不小的挑戰。最后我們認為,一切的布置和選型的來源,還要歸根到底到功能實現的角度,如果定義好了最終實現的自動駕駛場景需要有什么樣的感知能力,有了感知能力,再導出要看到多遠、多清晰,再導出布置的位置如何,其實我們還是要堅守這樣的部署原則。

      第三,從傳感器性能方面的挑戰。目前像雷達傳感器仍然處于蓬勃發展的階段,在各家的傳感器,其實給出的紙面的數據非常好看的,但是我們拿到這些傳感器之后,其實還是和他們的紙面數據有一些差異的。這里面展示的是內部測試的兩款在紙面數據差不多的傳感器,但是實際測下來,在各項測試中的表現還是有很多的差異和分歧。作為傳感器的使用者,以用戶的角度來講也提出來一個挑戰,我們要有慧眼識珠的能力,如何挑選出感知性能、要求還有量產的一個級別的激光雷達傳感器,其實是一個不小的挑戰。因此,我們需要制定很強的測試用地和方法,以及構建足夠多的場景,把傳感器的每一個性能都能測到。

      最后也是給我們開發人員提出來一個挑戰,整個激光雷達傳感器,在量產車的應用目前還是比較新的,這里提出了四個應對開發挑戰的解決方案。

      第一是將我們的量產車進行平臺化適配,從L4的平臺化的自動駕駛車輛當中,也是盡可能和量產車的傳感器布置方案盡可能一致,包括軟件算法有通用性的架構,在量產車的不同方案的選型和遷移當中盡可能做到平臺化。

      第二,感知軟件解耦化,對不同傳感器、計算平臺進行靈活適配。

      第三,讓我們的感知模型盡可能模塊化,以適配不同的應用場景。目前還很難做到統一套模型包打天下,實現所有場景都覆蓋到,我們也是針對泊車和行車拿出了不同的解決方案。

      第四,在整體開發流程當中,我們提出了開發流程的半自動化,制定了很多自動化的測試工具、腳本以及技術工具,包括數據閉環系統,都是輔助于我們更好地提高開發效率,節約開發周期的有效手段。

      以上就是我今天的一個分享,也是希望以后有機會各位朋友可以來一汽南京公司坐一坐,可以與我們深入的交流,謝謝大家!

     

      【延伸閱讀】

      更多關于2021泰達汽車論壇的相關報道請點擊訪問:機經網專題:2021中國汽車產業發展(泰達)國際論壇

    (責編:yangbo)
    全部評論0條評論
    精彩評論