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

文远知行WeRide自动驾驶开进城中村

(2020年09月10日 中国 广州)一直以来,对于司机来说,城中村是城市里最难开的路,让车寸步难移。对于机器来说,城中村里交通规则几乎完全退化,让系统算不过来。今天,文远知行的自动驾驶汽车开进城中村,做到全程安全无接管。

文远知行自动驾驶路测超过900多天,积累了280万公里的自动驾驶里程,接待乘客近9万人次,并在黄埔区、广州开发区全对外开放运营Robotaxi(自动驾驶出租车)超过200多天,零主动安全事故。接下来,集中处理最复杂、罕见的长尾场景,是实现全无人驾驶的关键。而在城中村,这种长尾场景随处可见。

建筑密度超70%,人山人海  道路宽度仅4米,车水马龙

城中村散落在高楼林立的市中心和商务区附近,这里随处可见小吃、饭馆、超市、杂货店。商铺门口堆满货物、客人围着卖烧烤的三轮车、摆地摊的小贩一个比一个霸“道”、开着电瓶车的外卖小哥穿街过巷……在城中村里开车,这些都是最熟悉不过的场景。夜晚的城中村更是热闹非凡,路边摊灯火通明直到深夜。

文远知行自动驾驶开进城中村,内部道路交通规则退化归纳起来,城中村有几个典型特征:

1.两高一低:人口密度高、建筑密度高、容积率低

2.自成一格的交通体系:缺乏内部道路交通网,没有规则就是唯一的规则

3.麻雀虽小,五脏俱全:每个城中村都是一个完整的迷你生活圈和商圈

4.内外差异巨大:大多位处繁华CBD周边,村内村外交通形成巨大差异

中国城市的商业区建筑密度一般不会超过40%-50%,而部分城中村的建筑密度最高可达70%。城中村中往往只有一两处宽度仅为 7 米的对外联系道路, 村内部道路多以房屋间距作为步道, 大多只有 2 ~ 4米宽, 不仅行人,也行车,不设车道线和交通灯,各类私家车辆、路边小摊档直接停放在马路边,供车辆通行的空间极为狭窄。而一旦出村,地铁站、繁华商区的宽敞大路又会突然显现,村内外交通场景差异显著。文远知行自动驾驶开进城中村,路窄车多,夜间路边摊林立自动驾驶眼中的城中村:交通规则退化,每一米都是长尾场景

自动驾驶汽车眼中,城中村是一片充斥着海量的动态障碍物数据、没有可识别的交通标志、无法事先定义的极限挑战场景。在城中村中,自动驾驶车辆经常遇到的典型长尾场景包括:

1.周围障碍物行进路径不确定:

由于交通规则缺位,没有车道线和交通灯,路面上充斥着随时变化行进方向、速度的汽车、自行车、电动车和行人。

2.近距离交互,与车辆行人擦肩而过:

由于道路极其狭窄,可供通行空间不足,再加上密集的人群流动,自动驾驶车辆要与周围车辆和行人在厘米级的距离内产生交互,会车经常需要与对面车辆擦肩而过。

3.小型障碍物挑战自动驾驶车辆盲区:

随处可见的小型障碍物突然闯入,如小狗、散落在路上的货品,这些大大增加了自动驾驶车辆的盲区风险。文远知行自动驾驶开进城中村,会车时需要“擦肩而过”文远知行一直以一套通用的自动驾驶算法WeRide ONE解决所有不同应用场景的问题,并在不断的学习中,进行自我进化。到现在,WeRide ONE在感知、预测、规划、决策、控制的线性逻辑的基础上,加入了环境观察、双向交涉、达成共识、形成默契的算法,最终实现安全而且稳定的自动驾驶。在破解城中村复杂交通的问题上,WeRide ONE有三大法宝:拥抱不确定性、达成共识、克服盲区。文远知行自动驾驶开进城中村,车多人杂,随时变化行进方向

拥抱不确定性:越不确定,越稳定

城中村内车多人杂,随时变化行进方向,对自动驾驶的预测算法造成了极大的挑战。对此,文远知行WeRide ONE采取的应对方式是:拥抱预测的不确定性。

文远知行在预测算法中强化了机器学习的模型。机器学习模型是基于大数据提取障碍物行进特征,反复进行模型训练,提升算法,提高预测准确率

文远知行机器学习模型更突出的一个特点是,调整系统的交互思维。在自动驾驶车辆跟周围的车辆、行人动态互动时,会根据每一步的互动,在短时间内实时调整预测结果,而非死板地依赖于某一固定时刻的预测数据。同时,通过将预测与规划、决策和控制环节更好地衔接,提升了整个系统的稳定性,让车辆行驶更平稳。

达成共识:提高机器在人机博弈中的主动性

城中村交通规则退化,缺乏统一的交通规范,需要靠行人、车辆的“共识”来维持交通运转。机器如何与周围的障碍物和场景“达成共识”?自动驾驶车辆不会讲话,是通过动作来传递信息。

在安全第一的准则下,文远知行的自动驾驶车辆会以礼让行人、车辆为优先考虑,在会车时,首先选择主动靠边让行。但是,在拥挤、繁忙的城中村街道,让行也可能导致车辆始终无法行进、卡死在原地的情况发生,适当地采取主动交互,以调整方向、速度等方式,给周围行人、车辆以信息,寻求新的共识。

达成共识是破解城中村交通的重中之重,是文远知行WeRide ONE最关注的技术提升点。

克服盲区:远处看得见,近处看得清

文远知行自主研发的自动驾驶传感器套件,能检测到远至250米范围内的所有道路和交通信息,360度全覆盖四周各种障碍物,比人眼更精准、可靠地“看”到周围的物体,对障碍物进行检测、分辨、跟踪,最终形成对场景的正确理解。

但是在城中村拥挤的交通环境下,自动驾驶车辆在近距离检测方面面临巨大的挑战。自动驾驶车辆与周围物体的距离可以低至几厘米,“贴着”障碍物行进的情况时有发生,需要自动驾驶车辆的最近检测距离几乎为0时,做到没有盲区。文远知行自动驾驶开进城中村,穿过仅供一辆车通行的窄巷针对城中村,文远知行将传感器套件进行升级,增加了高线束的侧翼激光雷达,加强贴身障碍物的精细化检测,大大提高检测的精度。

迈向全无人驾驶

为城市交通打造Robotaxi服务,需要具备在城市开放道路上灵活处理各类复杂交通问题的能力。这其中,对自动驾驶产生最大挑战的是违反交通规则、不按常理出招的车辆或行人,构成了自动驾驶技术发展至今,最难攻克的长尾场景。文远知行通过高强度、高密度的长尾场景训练,迭代算法,可以加速推进自动驾驶技术的成熟。

文远知行解决在城中村实现自动驾驶的问题,不仅可以在城市开放道路中更安全、自如、稳定地提供出行服务,还将有助去掉安全员,更快实现全无人驾驶运营服务的目标。

城中村相关数据参考资料:

1.Understanding the 'Village in the City' in Guangzhou: Economic Integration and Development Issue and their Implications for the Urban Migrant

Yanliu Lin, Bruno de Meulder and Shifu Wang

Urban Stud published online 10 March 2011

2.广州市城中村现象及改造对策研究

The Study of the Phenomenon and Countermeasure of Reconstruction of Guangzhou Village in the City

曹东《商场现代化》2006年第15期

产业文远知行WeRide自动驾驶
相关数据
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。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

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。

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

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。

提升算法技术

Boosting是一种主要用于减少偏差的机器学习集成元算法,也是监督学习的一个变化,是一种将弱学习器转换为强学习器的机器学习算法家族。 Boosting是基于Kearns和Valiant(1988,1989)提出的问题:一组弱学习器能创造一个强大的学习器吗?一个弱的学习器被定义为一个分类器,它与真实的分类只有轻微的相关性(它可以比随机猜测更好地标注示例)。相反,强大的学习器是一个与真实分类任意相关的分类器。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

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。

推荐文章
暂无评论
暂无评论~