Uber撞人致死事件繼續發酵,無人駕駛將持續改進,環衛或成自動駕駛最佳落腳點

美國國家運輸安全委員會(NTSB)正在檢查涉事的Uber自動駕駛汽車

Uber自動駕駛車禍發生的具體原因還在調查,話題也在持續發酵。前滴滴無人駕駛項目負責人、首席工程師、autowise.ai(仙途智能)創始人兼CEO黃超分析了此次事故可能的原因,從感知的難點,系統延遲,速度過高等方面進行了解讀。“禍福相倚”,在Uber大干快進,整個行業風風火火推動乘用車商業化的情況下,事故的出現或許能讓各大互聯網公司、主機廠、Tier1等公司冷靜思考技術的不足,而與乘用車并行的環衛、物流商用車,或許能夠最快實現自動駕駛商業化。

周日晚間發生的Uber撞人致死事件繼續發酵。

昨天,出事的亞利桑那州當地局長稱,在這起事故中,Uber可能沒有過錯,因為從視頻來看,當事人從黑暗中直接橫穿車道,“在任何模式下都很難避免這種碰撞”。

雖然看上去Uber在這件事情上并沒有過錯,但Uber以及以Uber為代表的自動駕駛從業者們卻經歷了一次集體公關,公眾也在疑慮:在技術沒有做到100%完美的情況下,路測是否還會出現撞人事故?Uber們的自動駕駛技術中還有哪些存在風險的環節?

昨天,前滴滴無人駕駛項目負責人、首席工程師、autowise.ai(仙途智能)創始人兼CEO黃超向新智元分析了Uber以及自動駕駛技術中容易出現的高風險“bug”,以及自動駕駛產業背后深層次的“大干快上”問題。

Uber出車禍的三種可能:感知是難題、系統延遲、設計時速過高

1、感知系統一直以來都是無人駕駛最難的課題

當時,一名49歲的女子打算橫穿一條雙向四車道的馬路,但她沒有走人行橫道。

這時,Uber改裝的沃爾沃XC90 SUV由南向北行駛,這名女子來不及閃躲,最終發生了車禍。

事故發生在周日夜間,周圍的視線較差,這也可能是車輛沒有發現行人的最主要原因。

出事故的這臺自動駕駛車使用了7個攝像頭和1個高線束激光雷達的組合,黃超認為,這是非常典型的傳感器組合方式。

Uber的傳感器系統

激光雷達和攝像頭一定程度上相互彌補,現在主流的技術方案也是將兩者進行融合。根據目前得到的資料,這次事故發生時視線較差,因此對攝像頭可能會有影響;同時,部分無人駕駛系統,在車速較快時,會采取一些偏激進策略,從而降低對環境的敏感度。

這些可能性的累加,從而導致整個感知系統對車道邊行人漏檢或者行為預測不準確,甚至直接忽略,進而影響決策層。

2、汽車“大腦”接收和處理信號的出現的致命延遲

值得一提的是,傳感器收集外部數據后,會將這些數據發送給自動駕駛汽車的“大腦”即中央計算單元,“大腦”在汽車周圍創建完整的圖像。

黃超指出,數據的采集和傳輸是需要時間的,以常用的64線激光雷達為例,不做優化的情況下,獲得每一幀數據需要100毫秒時間。加上系統計算的時間開銷,以及汽車底層執行的時間開銷,總體時間延遲普遍超過100毫秒,甚至達到秒級。且這個延遲與硬件狀態、程序瞬時的負載也有關系,因此不排除事故是由于系統進入了高延遲階段,對突發的情況處理不及時從而釀成車禍。

3、自動駕駛車輛設計時速過高

美國法律規定,自動駕駛汽車也應該遵循當地的限速標準。

當地警方稱,事發時Uber自動駕駛車的時速達到40英里(約合64公里/時),而事發街道的限速為35英里/小時(約合56公里/時,但也有報道稱當地限速45英里/時),盡管夜間車流量少,但40英里的時速在城市郊區道路中仍屬于較高速度行駛。

谷歌在開始數年的時間內,無人駕駛車輛的測試速度都被限定在30英里/小時以內,因為在這個時速以下,無人駕駛車輛即使發生交通事故,相對安全。

黃超認為,在夜間尤其是某些傳感器受影響時,系統更應該采取保守策略,讓汽車降速。

并且,黃超強調,無人駕駛系統從感知到執行層是一個完整的pipline,整個pipeline中任何一個環節的失敗或者異常,都會導致整個系統的失效。目前掌握的信息也較少,甚至不能排除是硬件故障,所以后續警方有更加完整的調查報告,可以幫助我們更好的分析事故原因

此外,沃爾沃XC90 SUV全系都標配自動緊急剎車系統,本身具備一定的障礙物識別能力,從而最大程度預防碰撞事故的發生。但從事故現場的圖片來看,車輛前部右側撞擊受損嚴重。由于沒有公布現場視頻,我們無法判斷汽車是否緊急制動。或者Uber在改裝時,將原車的這部分功能進行了較大改動。

產業背后:乘用車商業化速度慢,資本推動自動駕駛“大干快上”

過去幾年,國內外自動駕駛領域迎來了資本與技術的風口,以Uber為代表的企業在自動駕駛上可謂一路狂奔著。

就這輛改裝的沃爾沃XC90 SUV而言,去年Uber已經同意購買約24000輛,以一輛XC90 SUV售價約5萬美元計算,購買這些車優步就要投入近12億美元,這在互聯網造車的公司中實屬罕見。

最近,Uber還曝出與豐田汽車討論關于在豐田車中安裝自動駕駛系統的可能性。

雖然Uber在自動駕駛車數量上領跑,但卻很少披露“質量”狀況,這也是這次Uber出車禍之后被廣泛詬病的一個方面。據加州公路管理局今年2月披露的2017年度自動駕駛測試報告顯示,Uber的對手Waymo在每千英里干預次數上排名第一,但Uber并沒有提交相關數據。

國內的自動駕駛也在資本與技術的加持下出現火熱的情況,據不完全統計,去年已經有超過十家自動駕駛創業公司拿到融資。

Uber的這次車禍也成為自動駕駛從業者們一次集體公共危機。Uber發生車禍后,nuTonomy、豐田等國外多家研發自動駕駛企業表態對測試“降速”,而針對行業“大干快上”的情況,景馳CEO韓旭在朋友圈評論:

我們做自動駕駛一定要有敬畏之心。我一直反對大干快上。這也是為什么我在各種場合跟各種咖位的專家吵了無數架:一定要堅持有冗余的多傳感器融合方案。以目前的計算機視覺技術,任何狂吹自己深度學習多么牛,只用攝像頭就可以低成本做自動駕駛的都是耍流氓。

韓旭的言論一方面顯示了他對個別企業粗制濫造、對攝像頭技術過度相信行為的擔憂,另一方面也能反映出,“大干快上”的背后是資本對現階段乘用車商業化速度的追求在加快。但現實問題是,國內自動駕駛還處于高速發展階段,距離最終大規模載人商用還需要一段時間的技術積累。

而與乘用車并行的另一股浪潮——商用車,由于限定環境、技術難度較小,出現了自動駕駛商業化的曙光。

在商用車的物流、貨運、配送等細分市場中,集結了眾多玩家,也因此誕生了不少自動駕駛創業公司。如不久前從滴滴離職的前研究院院長何曉飛,創辦了自動駕駛貨車公司逐影科技,這一領域還存在張天雷創辦的主線科技以及圖森未來;而在自動駕駛物流車、環衛清潔車創業公司中,分別出現了智行者和黃超創辦的autowise。

萬億細分市場:不到30萬成本的自動駕駛環衛領域最先實現商業化?

以黃超為例,黃超的autowise.ai專注自動駕駛技術研發,并將自動駕駛清掃車作為首個商業化落地項目。

至于為什么選擇自動駕駛清掃車作為落地項目,黃超給出了以下答案:

首先,市場方面,目前全國道路總長度已經達到數百萬公里,按平均寬度10米算,總面積達到數百億平米。普通道路清掃的最低價格通常為一年10元/平米,粗略估算,全國道路清掃的費用已經接近萬億量級。而目前的環衛公司,60%以上是人力成本。

其次,技術方面,道路清掃的線路相對固定,作業時間多為夜間或者凌晨,路況簡單。清掃時的行駛速度較低,在遇到突發情況時可以采取保護其他交通參與者的策略。

最后,社會價值方面,道路清掃一直是城市環衛工作的重點,但環衛工人經常需要夜間工作,甚至節假日也要堅守崗位,同時,由于身處室外環境,不僅要面對各種極端天氣,比如高溫、嚴寒、霧霾,而且工作過程中的交通意外也時有發生。自動駕駛清掃車可以改變這一現狀。

autowise.ai最新發布的無人駕駛清潔車,包括一輛6米長的中型清潔車以及一輛3米長的小型清潔車,這兩種類型的車輛已開始在某大型科技園內試運行。

視頻中的自動駕駛清潔車由一輛近6米的純電動洗掃車改制而成,在凌晨兩點自動出發執行清掃任務。作業過程中中,這輛清潔車能夠順利通過紅綠燈、路邊障礙等各種交通狀況,并在清掃完成后自動行駛到垃圾傾倒處傾倒垃圾,最后回到出發點自動泊入車位。

自動駕駛清潔車作業中

自動泊車

據黃超介紹,未來,城市環衛工作大部分將由自動駕駛清潔車完成,人們每天清晨醒來的時候,整個城市已經不知不覺中煥然一新。

至于商業化的可行性,黃超表示,目前,清潔車的所有傳感器總成本僅30萬人民幣,這是由于系統在地圖和定位上采用了多激光雷達和低成本GPS/IMU的傳感器融合方案,避免使用價格數十萬的高精度定位設備,同時,感知方面使用了多個低線束激光雷達和攝像頭融合的技術,來替代常用的64線激光雷達。

此外,目前整套系統采用one cable傳感器支架方案,方便對多種車型進行改造,從而逐步走向批量生產。因此,自動駕駛清潔車最有可能實現商業化。

基于此,autowise.ai組建的自動駕駛清潔車隊已開始在上海試運行。

自動駕駛乘用車技術能“降維應用”,用更多冗余的軟硬件方案來提升安全性

autowise.ai去年獲得紅點中國獨家天使投資,目前,正同時進行自動駕駛乘用車和商用車的研發。

黃超向新智元透露,autowise.ai之所以持續研發無人駕駛乘用車系統,因為乘用車需要處理更加復雜的路況,能夠收集更多的數據,從而也能加速自動駕駛商用車的研發,這是一個“降維應用”的過程。

autowise的自動駕駛乘用車能夠在非結構化路段平穩行駛,并在極限道路完成錯車,自動通過收費閘機。

目前,autowise.ai有20多名員工,核心力量主要來自各大互聯網公司和車企,包括 Google、百度、滴滴、 通用、沃爾沃等,在無人駕駛、AI、出行網絡、大數據等領域擁有較強積累。

除了黃超外,團隊還有原百度計算團隊和數據團隊架構師葉青為聯合創始人兼首席架構師,葉青曾負責百度最大規模數據倉庫建設和數據挖掘項目,開發百度第一代大規模機器學習框架分布式向量計算引擎。

從autowise.ai給出的乘用車路測視頻來看,其自動駕駛乘用車目前已經達到了相當的水平,不僅能處理普通城市道路路況,還能處理一些有意思的非結構化道路路況。

非結構化道路會車

自動通過園區收費閘機

黃超相信,此次Uber事件會促進全球自動駕駛領域的技術持續改進。同時也會給各大互聯網公司、主機廠、Tier1等公司冷靜分析當前技術的不足,用更多冗余的軟硬件方案,來提升自動駕駛技術的安全性。

您可能感兴趣的文章