探密清华无人车「睿龙号」——中国智能车未来挑战赛探营

  • 2016/09/20
  • 车云网

第一站,我们来到了位于宇宙中心五道口的清华大学。

车云按:黑科技部门——美国国防部高级研究计划局(DARPA)举办的无人车挑战赛被视为自动驾驶的启蒙赛事。其实国内也有一项类似的顶级比赛——中国智能车未来挑战赛,从2009年举办至今即将迎来了第八届。时间定在了10月13日-10月16日,地点位于江苏常熟“中国智能车综合技术研发与测试中心”测试场。

与DARPA无人车挑战赛不同,中国智能车未来挑战赛由国家自然科学基金委员会牵头。比赛主要考察考生无人车的四项能力:安全性、舒适性、敏捷性和智能性,通过比赛来检验国内“视听觉信息的认知计算”的研究进展和成果,学院属性浓厚。

随着自动驾驶越来越火爆今年参赛队伍数量已经突破了20支。在赛事协办方佐智汽车的邀约下车云菌作为赛事全程报道媒体将在赛前赛中赛后重度参与。一个月不到的赛前准备期间车云菌及佐智汽车会和20支性格各异的参赛团队喝茶闲聊。聊一聊比赛当然也不仅仅聊比赛。

睿龙号睿龙号

【参赛选手】睿龙号,2015年也参加了比赛。

【改装车型】长安CS35线控改装版。

【配置方案】车顶一个Velodyne HDL-64E激光雷达,识别马路牙子和障碍物,创建高精地图,进行地图匹配导航等。车顶四个摄像头,一个识别车道线,两个识别障碍物,一个彩色摄像头识别交通标志。前方保险杠一个77GHz德尔福毫米波雷达。前方左右车角与车后保险杠正中,共计三个IBEO LUX 4线激光雷达。车上搭载诺瓦泰导航设备,后备箱有一个电源分配单元、一个ECU,以及一个Linux操作系统多核机。

【本次升级】睿龙号此次是第二次参赛今年车辆在高精地图创建多模态导航无模型自适应控制和障碍物检测等方面均有较大更新和升级。高精度地图的创建可以减少传感器成本压力做冗余。导航方面进一步提升了精度、冗余和自适应性来应对本次比赛中雨天、隧道等复杂路况。无模型自适应控制算法上的升级会帮助车辆提升高速高机动情况下横向控制的能力。深度学习被应用到障碍物检测并且在信号灯识别上也有贡献。

清华大学FIT大楼5楼,是第一支参赛队伍领队、清华大学计算机系教授、博士生导师邓志东的办公地点。车云菌和每日工作15小时但仍然为我们抽出半天的邓老师喝了几杯茶。

降成本与产业化

意料之外的是,身处高校的邓志东和我们开口聊起的第一个话题是产业化。 

从09年开始做无人车至今已有7年。“太贵,看不到产业化前景”是邓志东在研究初期的最大体会。无人车因为解放人类双手双脚,大原则是逼近100%安全,也就意味着传感器方案要在绝对安全的情况下再做减法、降成本。

20-50万不等的导航设备,70万左右的64线激光雷达,50多万的4线激光雷达融合系统……传感器的成本已经远远超过了车辆本身。

在坚持传感器融合的共识下,邓志东提到了目前存在几个降价出口:

1. 依靠人工智能算法,提升视觉方案检测障碍的能力。

2. 单个传感器多用。例如激光雷达既可以用于障碍物检测,也可以创建地图和导航匹配。

3. 借助多模态导航和高精地图减小传感器压力。例如依靠地图匹配来获得精确定位,解决差分GPS使用距离受限等问题。

4. 车用传感器出现并依靠量产降价。激光雷达大规模量产之后,汽车行业可以获得一个更低的价格。

目前判断哪家企业无人驾驶离产业化更近,主要看两个标志。一个是无人车上路测试有多少公里,大量实际路测是不断修正完善算法的前提。第二,便是企业有没有关注感知设备低成本。有没有通过并购、收购、找人代工等方法来获得低价传感器。

在邓志东看来,随着技术进步传感器成本下降,特别是由于人工智能技术的突破性进展,近年无人车发展已经渐渐看到了产业化希望,可望在新一代智能硬件中最早找到商业模式并真正落地。“人工智能技术在车上应用,只是时间问题。”

但也不能说目前商业化不存在技术难点,交通流稠密区域的无人驾驶仍然是难以攻克的关卡。这类区域车与人的距离挨得很近,留给系统的反应时间太短。再加上城区路边高层建筑影响导航准确度,想要让无人车开进中关村,还要等待一段时间。在开阔可视环境商业化无人驾驶,能更快找到商业回报。

从传统计算机视觉到深度学习,是一件挺重要的事

车顶四个摄像头,一个识别车道线,两个识别障碍物,最左侧的一个彩色摄像头识别交通标志。车顶四个摄像头,一个识别车道线,两个识别障碍物,最左侧的一个彩色摄像头主要用来识别交通标志。

续杯之后,我们的话题回到无人车更细致的问题上,邓志东重点聊了聊自己擅长的领域、其中一个降成本创新——深度学习。从92年开始研究神经网络至今,邓志东见证了人工智能从边缘话题到热点中心的整个过程。

在他看来,传统视觉算法在无人车领域做前向障碍检测存在几个门槛。第一是特征提取。在识别不同障碍物时可用特征很多,特征设计尤其关键与技巧。第二是预处理和后处理,这两项对提升算法性能也非常重要。这两方面是计算机视觉背景玩家之间拉开差距的诀窍。

邓志东提到,在本届比赛设置中,用计算机视觉做各种交通标志识别这种复杂问题,就要借助深度学习。

目前邓志东研究的无人车便分了两步,先用激光雷达检测标志牌方向,然后用摄像头针对性做图文识别。但交通灯的样式无法通过建库方式穷举,有圆形灯、箭头灯、颜色区域也越来越小,变得难以识别。这部分就要用到深度学习的算法。邓志东带领的团队正在改进深度学习的模型,调整其中的参数。

另外,邓志东告诉车云菌,“深度学习在无人车前向障碍物识别中的运用是一件挺重要的事”。因为深度学习不用人为设计特征和预处理,都是原始数据导入,由卷积神经网络直接训练后推断结果,在邓志东看来,与传统视觉算法比,使用深度学习的方法不需要太多计算机视觉的技巧,可以解决更多复杂情况,门槛变得更低。

全线控改装

睿龙号在控制上取消了拉线模式,而是用了全线控改造睿龙号在控制上取消了拉线模式,而是用了全线控改造

作为一个非汽车专业背景的无人车研究参与者,邓志东也意识到控制这块的重要性。

据他介绍,在2015年前参加比赛时,参赛车都没有做线控改制,团队还是采用的外加拉线机构的方式。有点类似在车上加一个机器人来代替人转动方向盘、踩刹车,而不是通过车辆本身的内部操控。这种外加装置的方法会产生180多毫秒的时延,因此车辆跑不快,同时控制精度不高。还存在供电不足需要额外充电,钢丝拉断损坏,系统可靠性差等情况。

邓志东其实很早就意识到了控制的重要性,在外加拉线装置之前,曾经想过寻找线控改装公司,但是这种基于汽油车的线控改装需要在车内加装线控电液刹车系统,还要改动底盘增加EPS系统。团队也想过进口线控设备的方案,但是国外公司拿不到出口许可的尴尬,让他被迫使用了“外挂”模式。

而且更重要的是,在线控改装方面如此大费周折,主要在于底层协议难以获得,要为控制做精准的调教,这些都是必不可少的资源。

直到2015年,寻找合作契机,终于将选中参赛的CS35做了全线控的改装。通过获得的信号图后破解原厂ECU,分别在多核工控机、PLC可编程控制器上实现了线控转向、刹车、油门、紧急制动等功能,前后总共耗费了数周时间。

车云小结

在交流中,邓志东谈到国内外无人车发展现状时提到,国外自动驾驶和无人驾驶都是企业作为主体与主导,国内还基本上是以高校和研究所为主。主机厂有很大决心,但是没太多实际动作。目前国外几乎所有研发都是由传统车企、新车企和互联网巨头主导,高校研究所配合。由此可以说明国外技术的成熟度已经很高了。

这对国内无人车发展是一种巨大的鞭策。中国智能车未来挑战赛作为验证交流技术、培育市场的一种新途径,正在帮助高校和企业开始前瞻探索与研发。虽然技术还要进一步磨炼,这种聚集研讨切磋的形式,将有机会孕育出更多的成熟技术,并有力推动中国无人车技术与产业的发展。

更多评论 收起评论

我要说

欢迎您!

退出