用户名:
密码:
首页
① 新闻管理
添加新闻
② 政策管理
添加政策
③ 法定规划
添加国空规划
③ 规划PDF附件
添加规划PDF附件
③ 规划图纸
添加规划图纸
④ 资料管理
添加资料
开通用户权限
⑥ AIGC课程学员
添加学员
MJ账号分组
2-AI图库管理
添加图库
3-AI新闻网站
添加信息
4-AI模型管理
添加模型
精准搜索
添加精准
知识库
添加知识库
规划问答
添加信息
小匠QQ微信群宣传
添加推荐
数据网址
添加网站
微信文章管理
课件系统
添加视频
一周热点整理
[ 常用工具 ]
格式化工具
段落合并工具
飞书
金数据
生成封面图
当前:新闻编辑 |
格式化工具
|
查看本文
标题
交通设施|为什么要发展无人驾驶车辆
分类
(编号:1116)
国土空间
城市更新
城市设计
生态环境
乡村振兴
区域发展
专项规划
资料下载
规划头条
政策规范
规划直播
其他
新闻
好物
观点
城市
政策
设计
社区
建筑
环境
产业
旅游
交通
读书
优选
榜单
空间规划
区域
文化
村镇
智慧
会议
公众参与
微文
摩天楼
地标
航拍
规划
链接
http://mp.weixin.qq.com/s?__biz=MzA5NzYzMzEwMQ==&mid=2649517167&idx=1&sn=7a3c8c765f52186d2dee05e87dd429fe&chksm=88851a4dbff2935b55e8f9b96429ce57b5932987d467c6fd884088c9ff3241e1b0ab3a5935db&scene=27#wechat_redirect
作者
市政厅
时间
2019-09-11 10:45:07
政策
省
市
年
月
直播
主办:
协办:
时间:
会议室:
直播链接:
h1
/h1
h2
/h2
strong
/strong
2004年3月,美国举办了第一届无人驾驶比赛,即业内大名鼎鼎的DARPA大奖赛。2004年的比赛场地选在沙漠地区,希望避开行人和居住区的干扰。不过,即便在这样相对理想的驾驶环境下,仍然没有一辆车完成赛程。但这次比赛激起了业内、高校极大的热情。比赛结束当天,组委会就宣布,18个月后再次比赛,奖金也从原先的100万美元增加到200万美元。
2005年10月,比赛继续。最终有五个车队分别独立完成212公里的赛程。斯坦福大学获得第一名,卡内基梅隆大学获得第二名。时隔两年,2007年11月举办了第三届DARPA大奖赛,以城市地区为主题,最终有六支队伍完成比赛,获得了奖金。
2005年,第二届DARPA大奖赛,斯坦福队和卡内基梅隆队分获第一名和第二名。来源:https://newatlas.com/go/4720/
面向无人驾驶的DARPA大奖赛虽然只举办了三届,但被公认为无人驾驶的里程碑事件。甚至有些人认为,这是现代无人驾驶技术的起点,与传统无人驾驶技术进行了区隔。大学和厂商的结合,大幅推动了一些技术的发展,甚至还从中诞生了新技术——这些技术在今天的媒体上常被提到,譬如人工智能、机器视觉、深度学习、高清地图,等等。
为什么要发展无人驾驶车辆?
DARPA大奖赛使无人驾驶车辆成为公众谈论的话题。其中有一个问题需要认真回答:为什么要发展无人驾驶车辆,到底有什么好处呢?
这是很实在的社会问题,也是商业问题,需要有清晰的答案,帮助无人驾驶车辆可持续发展,避免产生不切实际的期望。
这几年,这个问题得到了准确的回答,一些最初的误区也得以理清。
很多人认为,无人驾驶技术一旦成熟,会像现在的汽车一样进入寻常家庭。其实,如果仔细测算下无人驾驶的成本,这样的模式不会是其技术成熟后的主要商业模式。达到全自动的无人驾驶车辆,应该不会在你我的采购清单里,至少在看得见的未来是如此。
这几年来,业界已形成共识。无人驾驶车辆分为两大块,一块是传统车辆组成的包(vehicle package),而另一块是自动驾驶包(autonomous package)。传统的车辆也许只要一二十万元人民币,但如果加上自动驾驶包,成本会飙升数倍,甚至达到上百万。除此以外,自动驾驶包里的精密仪器需要经常保养和调校。对连机油都不会加、轮胎不会换的私家车主来讲,无人驾驶汽车日常的保养和调校费用恐怕无力承担,也不划算。
因此,全自动的无人驾驶车辆,其应用对象并不是私家车主,而是通常说的商用营运车辆。譬如物流公司、出租车公司等。近几年,在运输领域飞速发展的“出行即服务”(MaaS)及共享汽车概念,已经逐步落地。对商用营运车辆来讲,无人驾驶可以节省人工成本,足以摊销自动驾驶包带来的成本。这也是共享汽车企业,如Uber、Lyft,投入巨资研发无人驾驶车辆的原因。
而关于无人驾驶车辆的好处,Dr. Emilio Frazzoli给出了一串数据,以证明无人驾驶车辆将在安全、减少拥堵、改善健康、提高生产力、共享汽车五个方面带来巨大好处。这些数据是以美国市场为例,每年能带来的效益或市场大致如下:
?安全会有8710亿美元的效益;
?减少拥堵大约有1000亿美元;
?改善健康大约有500亿美元;
?提高生产力大约有12000亿美元;
?汽车共享达到了惊人的18000亿美元。
这些数据足以回答为什么发展无人驾驶车辆的问题。虽然人们也有不同看法,但大多仍然赞同其结论,只是对其安全考量有异议。在一些研究者看来,其带来的事故效益及对社会的贡献,足以成为投资的理由,但提高生产力和共享汽车的效益,不能完全确定。
Dr. Emilio Frazzoli给出了一串数据。Self-Driving Cars and Artificial Intelligence,Dr. Emilio Frazzoli,2016。
来源:http://peatix.com/event/188419/
无人驾驶的分类:辅助驾驶和自动驾驶
2013年,为推动无人驾驶车辆发展,美国道路交通安全管理局(NHTSA)为无人驾驶给出了分级方式,一共分为六级,L0-L5。不过,这样的分类被国际汽车工程师联合会(SAE)认为不专业。SAE在2014年推出了仍是L0-L5六级的更为专业的分类表,NHTSA于2016年接受了一分类法。这个分类法在2018年更新到了第三版——SAE J3016-2018。无人驾驶汽车企业在介绍自己的产品时,一般都会引用SAE的分类表来为产品定位。
很多国内报道里,经常会出现国际汽车工程师联合会(SAE)的分类表,却标为美国道路交通安全管理局(NHTSA),偶尔会被业内笑话。
国际汽车工程师联合会的无人驾驶分类表,SAE J3016-2018。来源:https://www.sae.org/
注:由于技术仍在发展,业界未有共识,本文不区分无人驾驶的一些名词,如无人驾驶、自动驾驶,也不区分Autonomous Cars、Driverless Cars、Self Driving Cars等名词。
不过,有个区别很重要,就是不同分级代表的司机责任问题。在这张分类表里,L0-L1是纯粹的人工驾驶,意味着司机对驾驶负全责;L2-L3是机器辅助人工驾驶的车辆,仍是司机对驾驶负全主责,但有机器辅助,机器会承担一部分责任,一般称这个级别为辅助驾驶;L4-L5是自动驾驶,司机不用负责驾驶,而由车辆自行驾驶。L4和L5的区别是区域的区别,L4为有限范围,譬如只在一些省市里,而L5则不限区域,全球通用。
目前市面上商用能达到的最高级别都没有超过L3,至多帮助司机做些诸如跟车行驶、自动泊车的工作。稍有复杂的环境,辅助驾驶就难以控制车辆,必须由司机来接管。毕竟出了事故,机器不会承担责任。
对普通人而言,如果搞不清辅助驾驶和自动驾驶的区别,只要记住这些责任区别就可以了。
也有媒体报道,辅助驾驶和自动驾驶的区别在于外部环境的支撑。没法做到自动驾驶,是因为没有智能网联或智能运输系统支撑,如果有支撑,就能做到自动驾驶。
其实,这是一种误区。无论用什么样的外部支撑,辅助驾驶都无法达到自动驾驶级别,L3到L4是个门槛,能否跨越这个门槛取决于车辆本身。自动驾驶的含义在于,独立完成各种场景下的行驶,独立是指没有任何外部助力。
这和人类司机驾驶车辆一样,领了驾驶证的司机,应该能自己一个人开车,需要教练的司机是不合格的司机。后面会介绍智能网联或智能运输系统与无人驾驶车辆的关系。
发展无人驾驶汽车的不同路径
这几年,全世界发展无人驾驶汽车的厂商很多,也形成了不同发展路径。目前的发展路径大致可归为两类。
一类是从L0到L1,再到L2。虽然有些车辆也会被纳入无人驾驶车辆,但实质上是辅助驾驶车辆,利用辅助驾驶设备给司机提供建议,或在简单环境下实现明确的操作。
另一类是直接切入L4全自动驾驶阶段,在这个阶段逐步成熟。全自动驾驶的车辆是指那些乘客只要输入目的地,就自动带你到目的地的车辆。
无人驾驶两条不同的发展路径。图中白圈是参考资料作者认为目前最为领先者现在所处的阶段。来源:Deep Learning for Self-Driving Cars (2018 version)Dr. Emilio Frazzoli, CTO, nuTonomy
这两条发展路径和商业模式有关,也和初始投入有关。蓝箭头的路径,其投入更大,需要的时间长,成本高,期间并无收入。而黄箭头的路径,则边卖边研发,成本压力轻许多,也是现在汽车厂商喜欢的模式。不过,黄箭头的发展路径可能会面临难以越过L4这个级别的障碍,停留在L2-L3层面。
截止目前,这两类不同的发展路径,都出现了足够证明其可行性的实例。用两个指标判断,一个是行驶里程数,另一个是同时投放车辆数,几家领先企业都已过了公认的及格线。
辅助驾驶车辆,以特斯拉为例,行驶里程数已超过10亿公里,从深度学习技术的角度看,积累的数据相当丰富,投放的车辆数也达到了50万辆,早已过了1万辆的门槛。
而自动驾驶车辆,以谷歌相关的Waymo为例,行驶里程数已过1千万公里的门槛,也有计划要投放超过2万辆。而同为L4自动驾驶级别的Uber,追赶速度非常快,很快就要越过这些门槛。
因此,目前看来,这个行业的前景比较乐观,可以继续向前测试或商用。
而对看热闹的普通人来讲,可以通过上面两个指标来了解实际能力。对监管部门来讲,要比普通人多些观察方式,譬如要求各家企业及时上报遇到的情况或意外,以观察产品的能力。无人驾驶车辆的事先监管难以做到,路上可能出现的场景过多,难以一一检测,连主要场景也很难覆盖,只能把监管放在事中或事后了。
因此,无人驾驶车辆是否合格,并不能通过鉴定会或试验场得出结论。监管部门至多在邀请专家评测实地测试后,发个要求有限的测试资格,至于是否合格,只能套用俗话,是骡子是马,拉出来溜溜,才能慢慢看清。如果在试验场都会发生意外,或跑不完全程,这样的无人驾驶车辆面临的挑战确实很大。
以上这些过程,仍有许多技术和法律上的细节,需要好好琢磨。
无人驾驶车辆如何了解路上的交通?
李飞飞在TED上讲过,
怎么教计算机理解图片
。其实这是无人驾驶车辆如何看懂道路和交通的一种方式。
计算机通过对标注过的照片进行大量学习,大致了解每种物体的含义,并理解这些物体之间的关系,这是人工智能的深度学习技术的大致做法。为什么要有1千万公里的里程数和投放1万辆这样的指标,就是与训练机器理解需要的场景数量有关。达不到这样的指标,就无法训练出基本及格的机器。
但是,道路上的场景、关系要比照片丰富得多。车辆除了要理解,还要做决策。譬如,在行人众多的斑马线前,人类司机会边等待边慢慢往前推进,形成与行人的相互博弈,但无人驾驶对这样的博弈缺乏足够的算法。在无序的环岛也是如此,如果无人驾驶缺乏足够的博弈能力,会长期等待,给环岛添乱。
算法是理解的关键。这是目前所有企业都面临的瓶颈。企业间的差距也主要在算法上。
复杂的斑马线前,缺乏控制的环岛。来源:Self-Driving Cars: State of the Art (2019),Lex Fridman,MIT
算法和信息输入有关,也就是如何获得信息,而辅助驾驶和自动驾驶有很大区别。辅助驾驶采用的是视觉设备+深度学习为主体的组合方式,以较低的投入获取最大的效益,但存在不精确和受环境约束大的缺点。而自动驾驶采用Lidar+自动驾驶地图为主,视觉辅助+深度学习辅助的方式,来获取高精度和全天候的能力,不过缺点是太贵,也太难维护。从搭载的设备看,辅助驾驶信息获得的数量和能力要明显弱于自动驾驶车辆的设备。因此,获得信息的设备是制约辅助驾驶车辆跨越L3到L4之间的鸿沟,跨越会异常艰难。
当然,许多公司推出的无人驾驶车辆,搭载了自动驾驶信息获取设备,却只能做辅助驾驶的事儿,这应该是算法不过关造成的。
两种驾驶模式采用的信息获取方式。来源:Self-Driving Cars: State of the Art (2019),Lex Fridman,MIT
无人驾驶车辆和网联车、协同ITS是什么关系?
和无人驾驶车辆一样,网联车(Connected Cars)、协同智能运输系统(Cooperative Intelligent Transport Systems,C-ITS)和出行即服务(Mobility as a Service,MaaS)也在迅猛发展。媒体经常会混淆这些概念,以为是无人驾驶车辆的组成部分。其实,这些技术并不相同,建设主体不同,应用目的也不相同。
不过,未来这些技术会密切结合在一起,改变整个运输系统,也改变城市的运营方式。在此简单介绍下它们之间的关系。
无论在哪级,无人驾驶车辆都存在盲区,这和人开车一样。Lidar用镭射光立体扫描周边环境来形成实时地图,360度全景立体的地图,把障碍物一个不漏地放进自动驾驶地图里,这是比人类开车有优势的地方。但是,和人眼一样,镭射光会被物体遮挡而看不见,就有了盲区,比如看不见建筑物后的车辆,也看不见车辆背后的行人。
Visualization of LIDAR data。
来源:https://www.youtube.com/watch?v=nXlqv_k4P8Q(01:11)
网联车(Connected Cars)的技术可以解决上面的盲区问题。网联车技术通过在路上设置各种检测设备,将“看到”的信息告诉经过当地的车辆。如果安装位置合适,可以“看到”路上所有的情况,一个不漏。无论人工驾驶还是自动驾驶的车辆,都可以用这些信息补足自己的盲区,判断是否会碰到建筑物后的车辆或车辆背后的行人,做出合理决策。
而协同智能运输系统的技术,是将各种先进交通系统得到的交通数据整合。协同就是跨平台整理信息,分析数据,得出更全面的结论,譬如将信号灯的数据、几公里以远的交通情况、道路施工情况、事故情况、周边的服务设施和服务能力,将诸如超视距、超能力(超能力指能预知前方是否会拥堵,靠交通控制系统来预测并告知自动驾驶车辆)的信息整合起来,告诉路上需要的车辆。
这些工具在无缝衔接后,将看得更多更远,而无人驾驶车辆的岂不是倍增了?
小结
虽然业内比较看好无人驾驶车辆的未来,但是,即便乐观的观察者也只能提出辅助驾驶明确的时间表,很难确定自动驾驶的时间表。道路上的场景过于丰富,使用者之间的意图和关系也很难用算法描述,不同地区之间的文化背景和交通规则差异也很大,这些都成为无人驾驶车辆发展的制约因素。
不过,即便未来并不那么确定,技术投入仍然是值得的,在自动驾驶技术的发展过程中,形成的各项成果足以让事故能一点点降下来,让社会效率一点点升上去。这个过程,也是伟大的过程。
(本文部分内容可能存在技术上的争议或错漏,望见谅,欢迎共同探讨。
)