姓名：馬行健
學號：16020199036
轉(zhuǎn)載自：https://www.zhihu.com/question/268155924/answer/499947722
問題導讀：無人駕駛技術(shù)有什么難點惶我？有什么解決方法博投？
無人駕駛最大的難點，也是最重要的要素恃轩，就是安全叉跛。
高安全性意味著低事故率筷厘。一個系統(tǒng)做到很低的事故率，通常要做兩件事情酥艳，一個是發(fā)現(xiàn)問題充石，一個是解決問題霞玄。
開始時坷剧，由于系統(tǒng)的問題非常多惫企，主要精力在解決問題，但是隨著事故率逐漸降低丛版，發(fā)現(xiàn)問題變得越來越難硼婿。據(jù)統(tǒng)計禽车，全球來看，對于人類司機州胳，一億公里發(fā)生致命事故1~3起栓撞。對于無人駕駛瓤湘，我們希望比人更安全，最好致命事故率低一個量級挽懦，做到十億公里一起致命性事故信柿。統(tǒng)計上渔嚷，要達到足夠置信度稠曼，需要多次重復實驗，最好一百次以上霞幅。這意味著一套比人更加安全的無人駕駛的系統(tǒng)需要測試的總里程達到1000億公里蝗岖。按照一輛車一年10萬公里總里程計算抵赢。我們需要100萬輛車，一整年的時間铅鲤，收集無人駕駛數(shù)據(jù)和測試邢享，才能夠保證無人駕駛所需的安全性『粒現(xiàn)在Google和百度的無人車成本都在百萬人民幣量級，乘以100萬輛車這個巨大的基數(shù)唐瀑，對于任何一家公司而言哄辣，都是一個天文數(shù)字。
如何克服毅弧？
無人車大規(guī)模數(shù)據(jù)收集和測試的巨大成本主要來源于兩方面：一方面是需要海量的測試車輛够坐，另一方面是高昂的單車成本咆霜。
針對這兩方面的成本嘶朱，我們有兩種互補的解決方案：第一種解決方案是無人駕駛模擬疏遏；第二種解決方案是眾包數(shù)據(jù)收集和測試救军。
無人駕駛模擬可以通過算法生成感知和決策數(shù)據(jù)财异，減少數(shù)據(jù)收集和測試車輛數(shù)量，降低研發(fā)成本唱遭。當然戳寸，無人駕駛模擬也存在不足：
第一，模擬生成的感知數(shù)據(jù)和真實的數(shù)據(jù)存在差異拷泽，實際中疫鹊，還是以真實數(shù)據(jù)為主，生成數(shù)據(jù)為輔司致。
第二拆吆，模擬的規(guī)則是人制定的。很多失敗的場景恰恰是人思考的盲點脂矫，單純通過模擬并不能發(fā)現(xiàn)枣耀。
總結(jié)來說拄轻，雖然模擬可以降低數(shù)據(jù)收集和測試車輛的數(shù)量，但是我們?nèi)匀恍枰占鎸崝?shù)據(jù)一疯，用大量的車做真實測試。
單車成本主要由三部分構(gòu)成：設備成本，造車成本慕蔚，運營成本。
運營成本就是駕駛員開著車采數(shù)據(jù)和做測試的成本。設備成本方面鸠匀，我們可以發(fā)揮算法優(yōu)勢鹿寻，通過多攝像頭等廉價設備實現(xiàn)無人駕駛。攝像頭是所有感知設備中信息量最大的狱窘，需要人腦水平的強人工智能搭儒，才能從間接視頻數(shù)據(jù)中提取出無人駕駛所需要的直接數(shù)據(jù)馁菜。激光雷達毁习、高精GPS和IMU長期看都有降價空間，我們的技術(shù)方案不排除任何感知設備摇天，價格合理为鳄，就會融合進來。
造車成本和運營成本已經(jīng)優(yōu)化了上百年，很難降低。一個聰明的想法是讓其他人承擔這部分成本——這個想法叫做眾包捐康，代表性的公司有特斯拉和Mobileye花枫。然而，遺憾的是，他們的眾包方案存在兩個問題：
第一伶丐，需要造車录别。特斯拉自己造車抱冷，Mobileye則通過合作伙伴造車赵讯。
第二组底，需要讀取和控制車輛駕駛行為娘锁。造車周期三到五年，顯著慢于算法研發(fā)節(jié)奏惹挟，成為時間瓶頸运怖。如果為了加快迭代，在算法沒成熟的情況下強行上車刀森，是拿人的生命做冒險，也顯然不可取。特斯拉的幾起致命事故就是血的教訓脑融。
因此宋梧，我們設想直接利用現(xiàn)有道路上已有的運營車輛，不需要造車超凳、改車杭跪、控制車翁涤，以一種零負擔扔涧、零危險的方式實現(xiàn)眾包測試和數(shù)據(jù)收集，這是個非常困難的問題舔腾，需要非常深厚的算法積淀和原創(chuàng)能力。
無人駕駛的向?qū)А呔鹊貓D
高精度地圖是一個寬泛的概念首昔，需要達到兩方面的高精度网缝，分別是地標位置的高精度和本車定位的高精度抄淑。
地標位置的高精度犯犁。高精地圖由很多類地標構(gòu)成俏拱，比如地面各種道路標線驹愚，地上各種交通標志等劣纲，地標的定義現(xiàn)在還沒有明確的標準绷柒，不同廠商從自己產(chǎn)品和技術(shù)需求出發(fā)废睦，有不同的定義方式杖挣。
本車定位的高精度郎逃。高精定位有三種方式：第一種是衛(wèi)星定位。多基站+差分GPS在開闊區(qū)域可以做到厘米級精度镰矿，但是城市中因為多路徑效應，精度只有米秤标；第二種是匹配定位绝淡，這種方式和人很像，觀察周圍環(huán)境或者地標抛杨，在記憶地圖中搜索够委，匹配定位。結(jié)合GPS限定搜索范圍怖现，可以做到快速準確匹配。第三種是積分定位。IMU或者視覺里程計屈嗤。短時間內(nèi)精確潘拨，長時間有累積誤差。這三種方式各有優(yōu)缺點饶号，結(jié)合起來可以做到低成本铁追、高精度、高可靠性茫船。
高精度地圖是視覺的延伸和增強琅束，之于無人駕駛是必須的。一旦有了高精地圖的車道級定位和實時路況更新算谈，就能提前減速并變換到到非車禍車道涩禀，杜絕事故的發(fā)生 。舉個例子：通過視覺然眼，我們可以識別當前在第幾車道艾船，通過高精度地圖定位，我們也可以知道當前在第幾車道高每，兩種不同方式互相校驗屿岂，可以達到更高的安全性【洌總結(jié)來說爷怀，高精地圖可以使無人車看得更遠，看得更準带欢。
高精地圖對于自動駕駛整體解決方案研發(fā)的價值非常高运授，這一點卻被很多人忽視。分為三個方面：決策洪囤，測試徒坡，V2E。
第一方面瘤缩，無人駕駛決策喇完。本質(zhì)上，駕駛決策學習的是道路環(huán)境到駕駛行為的映射剥啤。如果獲得環(huán)境和行為的海量數(shù)據(jù)锦溪，就可以通過數(shù)據(jù)驅(qū)動的方式學習無人駕駛決策。道路環(huán)境可以通過視覺感知獲得府怯，而司機的駕駛行為如何獲得刻诊？很多人認為，司機的駕駛行為就是剎車油門方向盤牺丙，想要獲得则涯，一定要有CAN總線權(quán)限复局，要改車。其實不需要粟判。首先亿昏，更新一個概念，司機的駕駛行為還可以用車輛在高精地圖中的軌跡表示档礁。通過精確定位角钩，我們可以獲得每輛車的駕駛軌跡，以及軌跡上每一點的速度呻澜，加速度递礼。駕駛軌跡是駕駛行為更通用的表示，與車型無關(guān)羹幸。剎車油門方向盤脊髓，雖然直觀，但不通用睹欲。人類司機供炼，換輛車，要調(diào)整駕駛習慣窘疮，重新適應袋哼，是同一道理。依賴高精地圖闸衫，我們可以獲得駕駛軌跡這一駕駛行為數(shù)據(jù)涛贯。通過眾包，就可以獲得海量環(huán)境和行為數(shù)據(jù)蔚出，通過數(shù)據(jù)驅(qū)動的方式學習無人駕駛決策弟翘。
第二方面，無人駕駛測試骄酗。當無人駕駛算法接近人類駕駛的安全性時稀余，需要一千輛車測試一年的時間才有可能發(fā)現(xiàn)問題。如果團隊像Google和百度一樣靠自己運營測試車輛趋翻，顯然是不現(xiàn)實的睛琳。眾包是唯一實現(xiàn)海量測試的方法，但是我們不希望像特斯拉一樣踏烙，以消費者的生命為代價师骗，測試自己未成熟的算法方案。通過高精度地圖讨惩，我們不控制車辟癌、不帶來危險，就可以實現(xiàn)眾包測試荐捻。具體原理是黍少，我們可以預測駕駛軌跡寡夹，也記錄了真實駕駛軌跡。預測軌跡和真實軌跡比對仍侥，如果一致要出，說明測試通過鸳君，如果不一致农渊，說明測試失敗。無人駕駛整體測試還包括無人車身體測試或颊，以及身體和大腦結(jié)合的測試砸紊，也就是車輛測試和軌跡跟蹤測試。相比于無人車大腦囱挑，這兩部分成熟很多醉顽。
第三方面，V2E平挑。V2E是指通過車輛和道路通信實現(xiàn)無人駕駛游添。概念上，V2E可以大大降低無人駕駛的難度通熄，提高安全性唆涝。將V2E的概念真正落地到無人駕駛，其中主要有三方面的問題唇辨。第一廊酣，道路通信設備要解決供電、應對風吹日曬雨淋等技術(shù)可靠性問題赏枚，還要承擔基礎(chǔ)設施重建和復雜維護的高昂成本亡驰。第二，環(huán)境和車輛通信饿幅，需要統(tǒng)一的通信標準凡辱。誰來制定標準？眾多車企都以自己的利益為考慮栗恩，很難協(xié)調(diào)透乾。第三，通信安全的問題摄凡。如果黑客或者恐怖分子利用通信協(xié)議漏洞续徽，惡意操縱路面上的車輛，制造恐怖事件亲澡，又應如何應對钦扭？這些問題都限制了V2E從概念短期內(nèi)走向現(xiàn)實。相對于電子通信的V2E床绪，我們提出“漸進式的V2E”客情。無人駕駛的很多問題是因為道路標線其弊、標牌不足或者布置不合理造成的，通過高精地圖和基于高精地圖的測試膀斋，我們可以自動發(fā)現(xiàn)哪些路段標線和標識需要改進梭伐，并給出改進的具體實施方案。漸進式V2E不需要電子通信設備仰担，沒有通信標準和安全問題糊识。在現(xiàn)有道路標線、標牌體系下摔蓝，就可以大幅改善無人駕駛的可靠性和安全性赂苗。
視覺高精度地圖的實現(xiàn)
視覺高精度地圖的實現(xiàn)技術(shù)，不是SLAM也不是SFM贮尉，這些方法都不適用拌滋。要建真正可用的視覺高精地圖，需要從第一原理出發(fā)重新設計整個算法猜谚。我們構(gòu)建高精地圖的第一原理是：多張圖像存在視差败砂，利用點的對應關(guān)系，可以從2D點恢復出3D點魏铅。人眼雙目視覺獲得深度也是這一原理昌犹。從基本原理出發(fā)，建立高精地圖沦零，需要創(chuàng)造性地解決三方面的問題：
圖像部分祭隔。檢測識別語義點。傳統(tǒng)的SLAM或者SFM算法都基于SIFT路操、ORB等人工設計的特征點疾渴。在光照、視角發(fā)生變化的情況下屯仗，無法準確的檢測匹配原有特征點搞坝。換句話說，光照視角發(fā)生變化后魁袜，原來構(gòu)建的地圖就無法使用了桩撮。我們的方法是定義道路標線、標牌等地標上的點作為語義點峰弹，通過深度學習和數(shù)據(jù)驅(qū)動的監(jiān)督訓練得到模型店量，可以準確檢測和識別語義點，解決檢測不到鞠呈、匹配錯誤的問題融师。
幾何部分。通過眾包間接實現(xiàn)海量攝像頭測量效果蚁吝。不同車輛旱爆，不同時間舀射，經(jīng)過同一地標，即使光照視角不同怀伦，我們也可以通過語義點模型把所有車輛拍攝到的同一語義點關(guān)聯(lián)起來脆烟，這相當于間接實現(xiàn)了多攝像頭測距的效果。我們知道房待，視覺測量中邢羔，攝像頭越多、視差覆蓋越全吴攒，測量精度就越高张抄。我們實驗驗證，隨著眾包車次的增加洼怔，真實3D點位置估計的準確性有量級上的提升。
GPS部分左驾。給每個語義點精確的GPS坐標镣隶。我們有幾方面的考慮：(1)讓高精地圖通用。GPS坐標是地圖的通用語言诡右，給每個語義點賦予GPS坐標安岂，便于他人使用；(2)消除累積誤差帆吻。單純使用幾何方法構(gòu)建局部地圖域那，會有累積誤差。結(jié)合GPS猜煮，可以解決這個問題次员；(3)消除局部地圖歧義性。當局部地圖有重合或者語義點缺失的時候王带，確定局部地圖坐標系很麻煩淑蔚，但全局GPS坐標系沒有這個問題。
