Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

四维图新获批北京市自动驾驶路测T3牌照

近日,四维图新正式获批北京市政府颁发的自动驾驶车辆道路测试试验用临时号牌(“路测牌照”),等级为T3级,这也是迄今北京市颁发的最高级别自动驾驶路测牌照。至此,北京市已向11家企业发放自动驾驶路测牌照,四维图新成为第一家获批T3路测牌照的位置服务提供商。

目前,北京市共有44条总计123公里的开放测试道路,覆盖了京津冀地区城市、乡村、高速85%的交通场景,今后,四维图新可在以上区域进行自动驾驶测试,在真实场景、极端场景打磨值得信赖的、成熟的自动驾驶解决方案。

T3级路测牌照是北京市在2018年推出的国内高级别、高标准的针对自动驾驶车在开放道路测试资格的认证,获发牌照前,自动驾驶车辆需经过封闭试验场5000公里测试、能力评估、专家组评估 、北京市自动驾驶测试管理联席工作小组联席会审议等多个环节把关,并对车辆在近30个大场景下的自动行驶、变速、变道、转向、交通标牌信号灯识别、障碍物躲避能力,和对道路、标志标线、交通设施的识别能力,以及对交通法规和人性化驾驶规则的理解能力等,进行全面的检验与考察。

参加本次考试的四维图新自动驾驶车,配置了4个16线激光雷达、2个长距毫米波雷达和1个搭载四维图新自主研发视觉感知算法的单目摄像头,这样的传感器硬件方案意味着更容易被市场接受的成本、更易落地,但同时对软件、算法能力提出了更高的要求。

自动驾驶地图+AI——四维图新独特的自动驾驶技术路径

作为行业领先的位置服务提供商,四维图新完全自主研发的自动驾驶整体解决方案,无处不体现着公司对自动驾驶独到的理解。

作为最早开始自动驾驶地图研发的企业之一,在行业普遍认可自动驾驶地图是高级别自动驾驶系统必备一环的今天,四维图新在对自动驾驶地图的应用上,提出了自己的方案,也为助力行业发展安全可靠的、低成本、可量产的自动驾驶系统,向前迈了一步。

自动驾驶地图以车辆能够理解的方式对现实环境进行重构,厘米级高精度数据表达上百种地图属性要素,以实时在线安全传感器的形式在自动驾驶定位、感知规划、决策等环节扮演重要角色。依靠自动驾驶地图解构复杂环境,将全局规划根据场景划分成小任务,从而降低或优化分配系统对其他传感器需求。

例如在考试中的一个公交站场景,公交车打左转向灯即将出站,后车则需要避让,这本是机器难以理解的社会人性化驾驶规则,而如果利用自动驾驶地图,公交站则可以被设置为兴趣区,系统可以清楚的提前了解前方兴趣区位置,并投入更多感知计算资源检测公交车转向灯信号及出站动作,提高路权竞争者行为预测的精度,根据传感器数据融合结果作出相应决策,在这一案例中,自动驾驶地图既提供了空间参考,又保证了参与计算的数据维度可控,将复杂的场景解构成了简单的逻辑

除自动驾驶地图,AI技术在整个四维图新自动驾驶发展路径上同样扮演着重要角色。四维图新在位置服务领域有着近20年的持续创新与积累,这为AI的发展留下了宝贵的财富。

在全国地图数据采集过程中产生的高质量影像数据,和近30万公里高速道路的点云数据,以及来自国内外合作伙伴的多元数据,为四维图新基于AI的深度学习算法提供了大量有效的训练数据集。基于AI的视觉感知算法在让系统准确进行物体识别、细节计算的同时,让自动驾驶车在降低对高线束激光雷达依赖的前提下,快速重构3D环境,并对环境车、人、物体进行预测。

四维图新CEO程鹏曾说道:“AI of Things是未来世界的发展趋势,在四维图新,AI of Vehicles是我们现阶段的重点发展方向,近20年来我们一直在以优质的位置服务赋能客户、合作伙伴发展,数据+算法是我们的核心能力,也是我们发展AI的资本,以AI赋能汽车体现着四维图新继承与创新的发展哲学,也代表着我们对自动驾驶商业化发展的思考。”

从位置服务提供商到自动驾驶方案提供商——四维图新转型一直在路上

自2016年提出“智能汽车大脑”顶层战略,四维图新一直在依托业务创新与战略创新,通过引入行业优质资源,转型自动驾驶科技赋能者与行业推动者。

2014年开始自动驾驶地图研发工作,2015年在基础技术研究院体系下组建自动驾驶整体解决方案研发团队,2017年全资收购AutoChips杰发科技,2019年旗下高精度定位服务提供商六分科技引入中国电信、中网投战略投资,四维图新围绕自动驾驶地图、高精度定位和汽车电子芯片等核心产品,以数据+算法为核心基础,向自动驾驶综合解决方案提供商的目标一路前行。

如今获批自动驾驶路测T3牌照,四维图新将加速推进自动驾驶L4方案能力成熟,快速通用化扩展,以通用系统覆盖高速、城市更多场景。

产业深度学习自动驾驶激光雷达物体识别
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

重构技术

代码重构(英语:Code refactoring)指对软件代码做任何更动以增加可读性或者简化结构而不影响输出结果。 软件重构需要借助工具完成,重构工具能够修改代码同时修改所有引用该代码的地方。在极限编程的方法学中,重构需要单元测试来支持。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

物体识别技术

计算机视觉领域的一个分支,研究物体的识别任务

数据融合技术

数据融合技术将来自多个传感器(信息源)的数据和相关数据的信息相结合,以实现比单独使用单个传感器(信息源)所能实现的更高的准确性和更具体的推论。

推荐文章
暂无评论
暂无评论~