autoR智驾 2020-03-25 10:43
硅谷“封城”前夜,轻舟智航无人车挑战Drive-through
分享
轻舟智航所追求的,是建立自动化规模生产的工厂,相比原本的“造梯子”,他们更希望“造火箭”,为此,就要建立大量的工具链以及仿真测试环境。

相比传统自动驾驶公司的“造梯子”路径,轻舟智航是在“造火箭”,3月21日无人驾驶公司轻舟智航CEO于骞在其举办的线上分享会上说道。

作为一家成立不到一年的无人驾驶初创公司,这次线上分享会轻舟智航首次公开分享了其基于大规模智能仿真系统及可自主学习决策规划框架的技术路径,并介绍了大规模智能仿真系统的具体应用。

其目标是打造适应城市复杂交通环境的“老司机”,其业务模式是为合作伙伴提供可量产的无人驾驶解决方案。

对此,轻舟智航决定从两个方面来解决自动驾驶实际落地问题:

一方面,基于大规模仿真技术应用来解决规划决策问题是当前无人驾驶技术领域的关键课题,以Waymo为代表的无人驾驶公司正在通过大规模的仿真测试改进规划决策技术。

另一方面,通过建立大量的工具链以及仿真测试环境,可以实现技术迭代的自动化,以更快的速度、更高效的方式应对自动驾驶的边界化难题,应对自动驾驶行业存在的长尾效应。

相比原本的“造梯子”,轻舟智航更希望“造火箭”

我们知道,自动驾驶关键因素包括感知、决策和规划,其中,感知是一个比较确定性的问题,如何测试和评价是非常明确的,整体的方法论也是比较清楚,所以业内开始把注意力集中在规划决策技术上,把规划决策视为目前最具挑战性的问题。

规划决策的挑战性可以从两点来看:第一,不确定性难以衡量,现有判断规划决策做得好坏的指标是舒适度和安全性,但这两项指标都是比较偏主观。

一方面,不同人开车有不同的行为喜好,有人激进一些,有人保守一些,舒适程度本身是很主观的一个判断。

另一方面,在安全性上,简单的安全性指标是不碰撞,但即使是不碰撞,要是你的车总是离旁边车就差1厘米,你也会觉得不安全。

第二,从方法论的角度来说,行业里占主流位置的规划决策方法论,整体上看与20年前相比并没有大的突破,模仿学习或强化学习的方法,在大规模实际应用时也仍然存在众多问题。

于骞认为,“仿真技术的出现,其出现很大程度上是为了帮助规划决策进行更好的测试——毕竟不能每修改一次算法就部署到车上进行测试。随着仿真技术的采用,行业又进入一个快速的发展轨道。”

与大部分自动驾驶从无到有的技术构建过程——先做好建图和定位,再做好感知,最后再开始做规划决策和仿真不同,对于轻舟智航而言,从一开始便把仿真测试平台作为关键核心能力,与其他模块一同建设起来,使开发达到了十分高效的状态。

除此之外,自动驾驶技术存在突出的长尾效应,技术上已经解决了90%的问题,但剩下的10%却可能要花费同样多甚至更多的精力,这10%包括很多边界化难题。

于骞对无人驾驶为何迟迟未落地进行分析,他说,“边界化难题的发现和解决除了需要收集大量的数据,更重要的是建立自动化生产的工厂,将源源不断收集来的有效数据,通过自动化的工具,加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。”

上图便是一个典型的边界化难题,在你遇上野鸭子之前,你甚至不知道会有野鸭子的问题,所以边界化难题是需要去发现,并且解决的。

那么边界化难题怎样去发现并解决呢?

除了收集大量的数据,更重要的是建立自动化生产的工厂,将源源不断收集来的有效数据,通过自动化的工具,加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。

以上面野鸭子的场景为例,如果需要专门针对这些场景去开发特殊的模型,那会有无穷无尽的场景需要处理。

但借助自动化的办法,只要数据标注好了,下次系统更新时便可以更好处理这种情况,省下大量工程师的时间。

以感知举例是比较容易理解的,但其实规划技术也一样,要想让车做出准确的规划,最原始的方法是工程师写规则——大量的工程师写出大量的规则,但这种方式维护性很差还不能满足需求。

再进一步便是设计奖励函数——设计奖励函数比写规则要简单的多;再往后则是利用数据自动学习奖励函数。

这个过程便是往自动化方向发展的过程。

于骞说,“轻舟智航所追求的,是建立自动化规模生产的工厂,相比原本的“造梯子”,我们更希望“造火箭”,为此,就要建立大量的工具链以及仿真测试环境。”

对此,轻舟智航将有效数据、智能仿真系统以及决策规划框架这三点视为推动技术向前转动的齿轮。

借助大规模智能仿真系统和可自主学习决策规划框架,轻舟智航可做到最大化地利用有效数据,大幅降低测试成本,提升开发效率,保证解决方案的可拓展性。

于骞表示,“过去的一年,轻舟智航不希望通过见招拆招的方式进入到某个具体的小应用场景,变成一家靠堆人来解决问题、无法规模化的工程公司,而是专注于修炼内功,在做到主线够深入、横向可扩展之后,再以轻、快的方式实现真正的无人驾驶。”

拒绝“华而不实”,轻舟智航仿真系统架构首次揭秘

当前,市面上有许多仿真软件,最流行的是基于游戏引擎开发的仿真软件,这种仿真软件从界面的角度来说是比较好看的,像一个模拟城市,场景很真实。

与这种主流的仿真软件不同,轻舟智航的仿真软件界面很简单的,抛弃了复杂的渲染工作,仅保留了感知结果,包括3D Box和雷达点的叠加。

轻舟智航为什么不利用游戏引擎,造一个好看的模拟城市呢?

轻舟智航的联合创始人汪堃总结了基于游戏引擎开发的仿真系统的三大特点:

第一,在使用游戏引擎的情况下,其本身的图像渲染工作对感知的提升是很有限的,因为其中的渲染效果和真实物体是有一定差别的。

第二,在自动驾驶领域,这种Re-build软件(基于第三方软件开发)是缺乏测试确定性的。仿真软件在自动驾驶领域的重要应用,就是复现某一次的路测效果。但由于这种第三方软件的开发与自动驾驶软件的开发是相互独立的,很难保证其中各个模块的确定性,导致整个仿真软件存在不确定性,最终影响可用性。

第三,基于游戏引擎开发的仿真器会消耗大量额外计算资源做图像渲染,不利于大规模应用,这也影响到本身的实用性。

基于以上考虑,轻舟智航制定了独特的仿真系统。

轻舟智航仿真系统的系统架构可以分为5层:最底层的是轻舟智航自研的Car OS,借助底层的通讯系统来保证模块之间的高效通讯。

Car OS与仿真器是高度整合的系统,核心仿真器及评估器,是基于底层的Car OS接口开发的,能保证仿真系统的确定性。

再往上一层是仿真周边工具链和基础架构,可保证整个数据闭环的有效性,将全部数据高效利用起来;第四层是大规模场景库构建。

最顶层则是分布式系统仿真平台,支持快速、大规模的仿真应用,在短时间内得出正确评估。

轻舟智航的仿真评估器也可以分为5类:第一类是安全性评估器(Safety Evaluator),包含是否碰撞、是否压到路边、是否撞到行人等评估。

第二类是真值评估器(Ground Truth Evaluator),可通过人工标注或自动标注的方式对仿真结果进行检测对比,及时反馈给工程师。

第三类是法规评估(Law Evaluator),指的是根据交通规则进行评估,例如是否闯红灯、是否逆行等;

第四类是舒适度评估(Comfort Evaluator),指是否有急刹等带来不舒适感的等行为。

第五类是状况评估(Stats Evaluator),相对比较底层一些,指根据模块生成的中间结果,进行纵向比较得到评估的结果。

汪堃表示,“我们认为仿真是达到规模化无人驾驶技术的唯一路径。首先,借助仿真及相关工具链,能形成高效的数据测试闭环,支持算法的测试和高效迭代,取代堆人或堆车的方式;其次,只有经过大规模智能仿真验证过的软件,才能够保证安全性和可用性。以一个比喻作为结尾,如果无人驾驶是个赛跑,那么仿真便是助推器,助推完全无人驾驶的实现。”

一镜到底,轻舟智航硅谷“封城”前夜展示无人车真实力

加州“在家隔离”强制执行令发布后的3个小时,对轻舟智航来说是难忘的3个小时。

硅谷时间3月16日下午4点23分,轻舟智航收到加州相关政府发布的正式强制性命令,所有居民必须在家隔离,除非采购食物,就医或者其他紧急情况才允许离开住所,强制性命令于当天午夜12点生效。

这一天,轻舟智航要进行试乘直播活动。

于骞表示,“收到这个通知时,离生效只剩下8个小时,我们没有放弃,而是在第一时间联系了硅谷风险投资BoomingStar Ventures管理合伙人Alex Ren作为第三方见证者,在当天晚上7点多紧急录制了路测视频。”

由于时间紧张,轻舟智航只有一次机会,所以接下来的测试视频是一次性录制完成。

00:00/00:00倍速

本次轻舟智航试乘路线首先将开到一个商业区周边的麦当劳,经过一个汽车穿梭窗口(Drive-through,不必下车即可得到服务的餐馆),随后穿过一个大超市和其停车场,回到公司。

Drive-through 是美国很常见的一种点餐方式,是典型的城市复杂交通环境之一,从技术上角度来看,Drive-through场景也是很有挑战性的。

首先,其车道比单车道更窄,对定位和控制的要求都比较高,如果横向定位和控制不精确,就会轧到路沿或蹭到建筑物,如果纵向不准,就会对不准点餐窗口。

其次,在出口处便是停车场,是非结构化道路,要应对人车混杂的情况,还要通过无保护右转进入道路主路。

最后,更有挑战性的是这里是正常营业的地方,不像开放道路般可以重复进行路测,据悉,轻舟智航通过大量的仿真测试,做到了第一次上路就非常安全可靠。

通过视频来看,Star Ventures管理合伙人Alex Ren乘坐轻舟智航无人车经过一个汽车穿梭餐厅,完成订餐、支付、取餐的全过程,随后,还在一间大型超市周围遇上了由于抢购物资引起的复杂道路场景,但无人车实现了很好的应对。

接下来我们再从仿真角度来看,在真实影像中,我们可看到前方是没有车辆的。

00:00/00:00倍速

但借助仿真,我们在场景中产生了两辆绿色的虚拟车辆,测试车辆能否对虚拟车辆进行准确的避让。

同样,也产生了黄色框的行人来进行测试,视频中的白色边框则是当时的实际行驶轨迹。

汪堃称,“由于麦当劳这种场景是不允许多次实际测试的,这个视频只是众多例子中的一个,实际上生成了非常多个这种类似的场景,在仿真测试中评估器,都得到不错的结果后,才让车辆到实际场景中测试。”

此外,以上视频也展示了仿真场景库的自动生成的相关工作,视频中红色和绿色的两个点,分别代表两辆车的运动轨迹,这些轨迹的生成和变化,是在真实的交通数据集上,利用深度学习的方法进行训练,再使用训练好的深度神经网络合成大规模的互动车辆的轨迹。

大家可以看到互动车辆的运动轨迹在不断变化,这个变化是由于轻舟智航借助生成模型在互动车辆的运动行为空间进行随机抽样而产生的。

该生成模型支持在不同地图上合成不同的场景库,具有真实有效,多样丰富,以及规模扩展等诸多特性。

视频中的两个点或者两辆车,是具有交互性的,它们之间可以进行正确的互动,这种互动行为不是人工手动创制,而是从真实车与车之间的互动数据中通过深度学习的方法学习而来的。

关于轻舟智航:

作为一家年轻的初创公司,轻舟智航的的核心团队成员来自Waymo、特斯拉、Uber ATG、福特、英伟达、Facebook等世界顶级自动驾驶公司和科技公司。

目前在美国硅谷、中国北京、深圳、苏州等多个城市都设有办公室。其联合创始人、CEO于骞是顶尖核心感知算法和地图专家,曾任Waymo感知关键模块的机器学习算法研发负责人,在计算机视觉和机器学习领域拥有十多年经验。

  


x

收藏 0
打赏
相关标签:
电话:010-65030507
邮箱:editor@autor.com.cn
地址:北京市朝阳区朝外大街乙6号朝外SOHO D座5097室
北京智驾时代传媒科技有限公司          Copyright © 2009 - 2014
Autor.com.cn All Rights Reserved. 版权所有 AutoR智驾 智能汽车网
京ICP备14027737号-1      京公网安备 11010502038466号
关注官方微信