產業升級新動能 —— 看AI數據如何推動駕駛的智慧變革
為了充分展示前沿科技在產業智能化轉型中的需求和經歷,Testin雲測推出了【產業升級源動力】系列文章,從業務實踐和行業場景出發,解析如何藉助前沿科技推動產業轉型和業務創新。
從1886年的卡爾·弗里德里希·本茨發明出汽車開始,拓寬了人們的出行半徑,加速了人流與物流的流動速度。到1939年,第一款配備自動變速器的汽車問世,解放了駕駛員的右手(左舵駕駛,右舵駕駛則解放左手),再到世紀交替時,ACC自適應巡航解放了駕駛員的雙腳。而現在的智能駕駛技術問世,正在使智能駕駛從夢想駛入現實,逐步的進入“大撒把”的時代。
智能駕駛似乎無時無刻的不在釋放和挑戰我們的想象,在智能化方面,5G技術將給“人、車、路、網、雲”協同發展帶來機遇,智能汽車發展成為互聯網生態和服務集成平台。未來,智能汽車很可能是繼手機之後的第二大互聯生態和服務集成,智能化終將改變汽車的定義,在完全智能駕駛成為現實之後,智能汽車將成為移動的智能空間和場景生態服務體驗終端,成為工作、生活、娛樂的新載體。
以上説的這一切,都不難實現,夢想已經在路上。但想象總是美好的,現實呢?
路漫漫其修遠兮
人們對智能汽車的定義是什麼呢?戰略中是這樣解釋的——“智能汽車是指通過搭載先進傳感器等裝置,運用人工智能等新技術,具有智能駕駛功能,逐步成為智能移動空間和應用終端的新一代汽車。智能汽車通常又稱為智能網聯汽車,智能駕駛汽車等”。
簡單來説,需要汽車具備“智力”,即通過感知、規劃、決策等過程,完成汽車的控制,這一過程,可以歸納為“人工智能”。然而,這更像是一個結果,想要讓汽車本身的算法做到處理更多、更復雜的場景,背後就需要有海量準確、高質的真實數據做支撐。
不能否認,現在有些L3功能的量產車,在一些低速車領域,比如園區,物流,礦場也會投放一些無人駕駛的車,但這本身還是在某些場景幫助人,而不是取代駕駛員。
上文中提到的“L3”是什麼呢?其實是智能駕駛的級別劃分,目前一共分為5級,那麼智能駕駛中的L0-L5 ,分別指什麼?
目前,國際上有兩套關於汽車智能化的分級,獲得業界較高認可,一個美國國家高速公路管理局NHSTA,另一個是SAE汽車工程師協會。兩個標準的劃分方式極為相近,都是根據汽車的智能化程度劃分L0到L5共六個級別。
L0 ——“人工駕駛”
指的是沒有任何智能輔助駕駛功能的人工駕駛方式。在智能化大行其道的今天,這樣的配置看上去似乎很有些不可思議,而事實上,今天的汽車還有不少都停留在這一階段。
L1——“輔助駕駛”
指的是至少擁有一項以上駕駛輔助功能的車輛,比如LDW車道偏離預警系統、FCW前碰預警系統等,因此L1也被稱之為“駕駛員輔助階段”。目前,市場上的絕大多數汽車都配有輔助駕駛系統,雖然智能化程度有限,卻也能減輕駕駛員駕駛疲勞程度,減少事故的發生。
L2——“部分自動駕駛”
指的是能實現部分自動化的車輛,目前已經能實現L2的量產。部分自動駕駛同時具備縱向和橫向控制功能。當今大多數高級駕駛員輔助系統均屬於L2級,在這個階段,雖然機器可以獨立完成一些組合行駛需求,但駕駛員仍需要將雙手雙腳預備在方向盤及制動踏板上隨時待命。
L3——“條件自動駕駛”
指的是由系統實現監控和駕駛的人機共駕。到了L3級別的智能駕駛技術,人工智能可以獨立完成幾乎全部的駕駛操作,當然駕駛員仍需要保持注意力集中,以便在某些汽車不能實現自動駕駛的情況下,接管車輛控制權。
L4——“高度自動駕駛”
智能駕駛到了L4階段,當面對緊急狀況時,車輛能夠實現自動處理,自行解決所有的特殊情況,避免因駕駛者未能及時接管車輛而造成的交通事故。只有在極其特殊的情況下,才需要人工操作。
L5——“完全自動駕駛”
達到L5的車輛可以實現無限制的任意點對點無人駕駛模式,車輛可以在完全不需要駕駛員介入的情況下來進行所有的駕駛操作,駕駛員也可以將注意力放在其他的方面比如工作或是休息。
只有保障安全了,無人駕駛才能有環境基礎,之後的大面積落地,就看成本和法規的事情了。換句話説:什麼時候機器可以預判危險了,什麼時候無人駕駛就可以應用了
我們相信,當達到L5時,智能駕駛給予駕駛者更多的選擇,把原本開車過程中“丟失的時光”重新交還給駕駛者。在高度無人駕駛階段,駕車者狀態完全放鬆,而非時刻保持警惕狀態。
關於駕駛的信息化,我們要做的、能做的還有很多,AI是否能幫助我們實現未來智能駕駛的美好場景,且看下文慢慢來講。
好的數據才會有好的AI
作為智能駕駛汽車的“眼睛”,信息的獲取至關重要,在人工智能時代,AI數據越多、越好,得到的模型最終效果就最佳,從而提升ADAS產品性能。
針對傳感器採集到的大量交通數據進行分類、標註,然後上傳給智能駕駛系統進一步學習,提高智能駕駛的精確度,例如針對前向避撞、車道保持、車道偏離等功能,可以通過大數據迭代算法模型,提升產品的可靠性和用户體驗。
數據標註就是人工智能學習的教材,它存在的意義便是讓機器理解、認識世界。那麼在實現智能駕駛的這一過程中,需要哪些方面的數據呢?我們可以簡單的將標註場景分為車內和車外。
在車內場景中,疲勞監測、動作識別、場景光線等一切會在車內發生的場景,以及在車外環境中更復雜的障礙物、道路、天氣、地點、車道線、路標,以及一些長尾場景諸如闖紅燈車輛、橫穿馬路的行人、路邊違章停靠的車輛等所有可能會涉及的場景,都需要對應的如連續幀標註、2D圖像框選、圖像分割等不同的標註方式。
2D圖像框選/圖像分割標註
上述這些只是智能駕駛中涉及到攝像頭的數據,多為圖片類數據的標註。由於對安全的嚴苛要求,當前的智能駕駛所需數據需求,正向着多模態的方向發展。所謂多模態,即是對多維時間、空間、環境數據的感知與融合。
雖然現在智能駕駛很火,但是不得不注意到現在機器在推理方面的能力是遠不如人,只是在感知範圍和決策速度上超過了人。另外,在不適用激光雷達做感知冗餘的情況下,單純依靠毫米波和攝像頭還不能保證無人駕駛情況下百分之百安全。
在汽車的感知部分不僅只有攝像頭,還有激光雷達、毫米波雷達、超聲波雷達等多種方式共同組成,而這些感知方式都需要對應的數據標註。
物體參考座標系與雷達座標系之間的關係
以激光雷達為例,高性能激光雷達可以實現200米範圍內,精度高達釐米級的3D場景掃描重現。它生成的3D點雲數據通過標註後,可以助力智能駕駛模型的訓練。
為了真正實現智能駕駛,單獨依靠2D圖像類標註,是不足以達到真正的智能駕駛。我們需要在2D的基礎上,增加3D點雲標註。
2D更多的是為了識別物體是什麼,而3D更多的是為了判斷物體所佔空間的容積,以及座標系下的位置計算,這就促成了智能駕駛中的“融合識別”。
蔚來的智能駕駛佈局之道
多傳感器融合可顯著提高系統的冗餘度和容錯性,從而保證決策的快速性和正確性,是無人駕駛的必然趨勢。各種傳感器性能各有優劣,在不同的應用場景裏都可以發揮獨特的優勢,僅依靠單一或少數傳感器難以完成無人駕駛的使命。縱觀目前整個行業,在提供智能駕駛解決方案的企業中,大部分目標是全智能計程車的技術領域,而蔚來更關注能夠開發出更可靠、可持續、長期、安全的智能駕駛系統。
雲測數據2D/3D融合標註
雲測數據作為Testin雲測旗下數據標註品牌,基於行業先進的標註工具和豐富的標註經驗,對機動車、障礙物等目標物進行3D框選、對雷達圖進行語義分割,同時還可以對2D、3D多傳感器融合的數據進行同時標註,實現視覺和雷達的數據感知,幫助汽車更好的感知道路場景,為智能駕駛技術的發展保駕護航。
智能駕駛,會不會是我們想象中的樣子,目前還不得而知。但我們能夠確定的是,在信息技術日新月異的今天,數據採集/標註能夠為智能駕駛做的還遠遠不止這些。相信在不久的將來,智能駕駛最終會延續自動變速箱和ACC自適應巡航,從釋放雙手和雙腳,到釋放眼睛和大腦,將不再是奢望,它將帶領我們,進入全新的出行時代。
未來,Testin雲測將會更長久的關注智能駕駛行業,以前瞻性的視角和實踐來推動智能駕駛行業的長久發展。
powered by 雲測數據