无人开车车雪中蒙圈,还得靠高精度地图

日期:2019-07-08编辑作者:汽车文化

上周闹得沸沸扬扬的无人驾驶汽车上北京五环事件,再次将无人驾驶汽车拉入了公众的视野。和很多高科技的发展脚步一样,初期推动无人驾驶研究的是军事领域的专家们——美国军方在上世纪70年代开始关注无人驾驶技术。1995年,一辆由美国卡耐基梅隆大学研制的无人驾驶汽车Navlab-V,完成了横穿美国东西海岸的无人驾驶试验。

无人驾驶技术的日趋成熟让广大车迷们一顿狂喜。据报道,美国监管部门承认谷歌无人驾驶车可被视为司机,这一决策被广泛认为是无人驾驶的重要里程碑。

车云按:美国无人车研究得益于政策助推和技术积淀,一直走得很靠前。中国企业陆续制定自动驾驶目标,力争通过无人车找到新的商业变现点。从一项前瞻技术到量产产品,既存在难点,也意味着机会。本文转自微信号辣笔小星,作者王星炜,原标题为《漫谈中美无人驾驶技术差距》,全文通过案例解说回答了中美无人车驾驶技术之间的距离,车云菌编辑时有删减。

二十多年过去了,无人驾驶汽车又“开”到了哪一步?人们不禁发问,无人驾驶技术真的已经成熟到可以上路了吗?在全球范围内无人驾驶汽车上路又是否合法合规?摆在科学家面前的除了恶劣天气、法律法规、伦理道德……“拦路虎”里竟然还有一只袋鼠。

然而,倘若你因此受到鼓舞,开始设想起上车只要系好安全带并发出指令便可到达目的地的美好生活,只怕短期内是要失望了。即便是测试里程已累积达100万英里的谷歌无人驾驶车,想要顺利通过考试拿到驾照,恐怕也得查查天气预报,挑个好天气才行。因为,风雪天,无人驾驶车这位新晋“司机”会罢工!

图片 1

图片 2

图片 3

照例先说观点,后面多图细细聊。

常规“器官”不在:方向盘、刹车、油门或将被取消

沃尔沃汽车公司无人驾驶汽车项目总监Marcus Rothoff表示:“要想克服这样的恶劣天气真的是十分困难。路面有冰我们倒是可以克服,但一旦下起雪来,特别是面对前车扬起的雪雾时,无人驾驶汽车传感器很可能失灵。”

个人觉得中美无人驾驶技术确存差距。

目前已经有十几家公司许下了豪言壮志,列出了自家无人驾驶汽车上路的时间表。

事实上,在攻克风雪天气难关的道路上,不少车企前赴后继。据Google在去年12月发布的无人车报告,Google无人车也在测试恶劣天气的影响,但遇到暴雨时,无人车还是会自动停在路边等待路况好转。

美国基于其政策推动具有很深的技术积淀,领先于中国。但此差距并不存在代差。

谷歌希望自家的无人驾驶汽车能在2020年量产,而且有别于其他制造商,谷歌不打算推出半自动的功能,而是准备一步到位,生产一款完全无人驾驶的汽车,甚至没有刹车和方向盘。谷歌拥有7年无人驾驶汽车的经验,并与菲亚特-克莱斯勒合作,在现实世界中测试无人驾驶小型货车。

从2005年开始研究无人驾驶技术的福特汽车今年1月份启动无人车冰雪天气测试。工作于福特的密歇根大学副教授Ryan Eustice指出,无人驾驶技术“几乎已被解决”是媒体和公众夸大的宣传和理解,而一辆能适应各种路面、各种天气与状况的无人驾驶汽车仍然是理想中的目标。

中国只要加强政策力度,依托互联网大潮,仍有加速追赶的机会。

福特也不甘落后,计划在2021年前推出并销售第4级别的无人驾驶汽车。与谷歌的无人驾驶汽车一样,福特也不准备为其汽车配备方向盘、刹车和油门。另外,福特将在未来5年投资10亿美元,用于人工智能软件的开发。

即便对于人类来说,冰雪天气驾驶汽车也是一种挑战,而风雪天对于无人驾驶技术造成的影响更甚。“其原因主要在于无人车与人类驾驶员的环境感知差异。”在机器人环境感知领域深耕多年的浙江大学控制科学与工程学院机器人实验室副教授刘勇说。

毕竟中国能够自主开发战斗机并追赶美国的相关技术,相比汽车技术要更具挑战。

英特尔公司为无人驾驶汽车砸下了重金,一系列的收购可谓是集齐了无人驾驶界的“七龙珠”,收获了各种关键能力。包括以150亿美元收购了以色列科技公司“移动眼”、深度学习技术公司Nervana、微芯片制造商Movidius和汽车公司德尔福。另外,英特尔计划与宝马和大众携手合作,于今年晚些时候开始试验无人驾驶汽车。

刘勇解释说,人类驾驶时通过双眼识别可通行区域及物体,而天气变化对人类视觉体系和认知系统的影响较小。与人类不同的是,在无人驾驶技术中,汽车自主行驶需要的不仅仅是视觉系统,它还需要构造出一个三维地图来实时判断自身位置并规划路径至目的地。

但是汽车技术的特性就是需要以可接受的成本提供安全可靠的性能并大量量产。这就是其特有的技术难点。

“眼睛”可观六路:反馈物体距离,阅读交通标志

无人驾驶系统往往包含多个传感器,其中广泛被用于构造三维地图的是激光雷达,是无人驾驶系统的核心元件。在冰雪天气,道路因结冰或积雪而导致反射特性发生变化,导致激光雷达的效果受到一定影响,从而影响到三维地图的构建,也就导致了无人车的“位置晕眩”。

后面将基于无人驾驶的三大技术进行详细分析:机器人技术Robotics、人工智能AI、云技术Cloud。

大多数无人驾驶汽车配备了传感技术“套装”,包括“一双眼”及“一把尺”——视觉传感器和监测传感器(测量目标距离的激光和雷达)。过去十年中,测量范围的传感器在商用开发系统中占据了主导地位,能可靠地反馈周围所有物体的距离,监测范围达到100米甚至更远。

另外,除了感知三维环境,无人车也需要视觉传感器对车道线以及道路标志等信息进行识别,从而实现障碍避让并按规章行驶。冰雪天气对于道路标示检测也是一个很大的挑战,例如车道线和道路标志会被大雪局部覆盖,而车辆及道路两边的房子则会因为冰雪的覆盖而导致识别难度增大。

图片 45 technology trends to watch 2015 五大技术看点(来自CES2015的主办方CEA)

激光通常只用于低水平和简单的任务中,比如躲避障碍物,确保不会撞上任何东西等。而雷达则是一些高档车的老搭档了,在巡航控制系统中至少“服役”了十年。近年来,低价位的汽车也纷纷采用了这一技术。不过,监测距离的传感器还是有其局限性,远程激光或雷达扫描能够向你反馈大致的信息,比如路人的姿势,却不会告诉你那个人的表情是平静还是惊慌。而且,由于大多数的标志都是靠看的,在阅读现有标识时,距离传感器也表现得很差。相比之下,像相机一样的视觉传感器弥补了这一缺陷,它们能够感知颜色和外观细节。

刘勇分析,想要让无人车在冰雪天气也能顺利行驶,需要从稳定三维地图构建与可靠道路标志识别等方面考虑。

机器人技术Robotics

由于我们的驾驶环境在设计和建造时默认司机能够看到,所以,能够像人一样“眼观六路”的无人驾驶汽车更能适应现有的基础设施和标识。

对于前者而言,期望在硬件上研发出对雨雪等恶劣天气更加适应的传感器,不论道路是大雪覆盖还是大雨滂沱,都能进行稳定的检测。从算法层面对良好天气下构造的精准地图加以利用,在冰雪天气结合已有的地图完成顺利的感知与规划也很重要。

1.汽车感知传感器技术

“判断力”待加强:驾驶系统难以应对恶劣天气

而对于后者,刘勇认为,不同天气和季节下的稳定识别问题是计算机视觉的一个重要问题,通过构造各种天气和季节下的数据集,利用近年来取得众多成果的深度学习算法进行训练,实现接近于人类的可靠识别是可期的。

图片 5汽车感知传感器技术(来自奥迪)

不过,汽车并非装备了眼睛就能保证“视力”没问题。相机非常容易受到环境改变的影响,在路上最常遇到的就是昼夜循环。在黑暗的环境下,人工照明或远光灯会让系统很难判断前方到底有什么。

据了解,为了解决摄像头、激光传感器的视野问题,Google 给车顶上的激光传感器加上了“雨刮器”,来保证不被雨水遮住视野,传感器发现下雨后,它还得教会汽车能透过雨滴和寒冷时冷凝的废气烟看清东西,继续准确地侦测物体。

在这个技术领域,相对的美国政府、企业和学校间的互动最多,政策影响最深远,并在持续影响中。较早的起步和更沉得住气的基础技术研发,使得个别企业掌控了该领域的核心技术。对比三大无人驾驶技术,个人认为汽车感知传感器技术是领先中国最多的方面。

在寒冷的地区,街道两旁可能有不少大风吹成的雪堆,不仅完全模糊了线标,甚至连标识也很容易被埋、被遮挡。由于无人驾驶汽车的设计严格依赖道路法规,所以系统会变得很纠结。

“我们希望让无人车在绝大多数天气都能行驶。”福特的无人车技术负责人Jim McBride这样说道,因此模拟真实世界显得如此重要:“在技术更新之前,无人车还需要走很长的路,将现有的技术都暴露在环境中,在这个过程完善并学着调整。”

汽车感知传感器技术细分包括超声波测距传感器、摄像头图像传感器、雷达传感器和激光扫描仪。

这还不算完,最大的挑战往往出现在多重变化同时发生的时候,比如夜间行驶又赶上热带风暴。遇到这种组合就连人类司机都难免会发生事故,好在大多数情况下我们都小心谨慎、处理得当,而无人驾驶汽车就显得没那么可靠了。除了雨雪,冰、冰雹、雾、烟、霾、风、光和热都会对驾驶环境造成干扰。现在还没有一辆车能够证明遇到极端天气仍能可靠地行驶,目前大多数车能够处理的,不过是中等降雨程度。

图片 6超声波测距传感器、摄像头图像传感器、雷达传感器和激光扫描仪(来自奥迪)

对于盯着无人驾驶汽车这块蛋糕的各厂商来说,没有什么比开发出适应全天候无人驾驶车更大的挑战了。我们虽然有很多辆能够适应“大部分情况”的车,却没有一辆适应“所有情况”的车。天气的重要性无须赘述,仅在美国,超过20%的事故都和恶劣天气有关。

图片 7超声波测距传感器和雷达传感器(来自奥迪)

配备最强“大脑”:深度学习为镜头素材贴标签

其中政策影响深远的典型例子就是DARPA及其著名的DARPA挑战赛。

为了不让无人驾驶汽车的一双眼睛成为摆设,开发人员就要给它们配备相应的“脑子”。这也是为什么许多无人驾驶汽车厂商都在开发深度学习系统,有了这门技术,它们轻易就能超越人类需要练习100个小时才能达到的“老司机”的境界。

其成就了Velodyne,也间接养育了谷歌Google无人汽车的雏形。

英特尔公司收购移动眼也正是有此用意,这些深度学习系统通常需要大量的标签数据。收集原始数据虽然成本很高,但可行性高,方法也比较“简单粗暴”:只需在大量汽车上安装传感器和计算机,然后就等着它们在公路网中跑上个数百万小时吧。一旦跑回来,接下来的工作才是费时费工费脑子的,镜头记录下的大量素材需要处理,人、汽车、各类危险、交通灯、车道标记等都需要“贴标签”。移动眼公司意识到这种繁琐的工作偷不了懒,于是雇用了数百名员工专门为图像“贴标签”,这种脚踏实地的作风也使其成为了该领域的引领者。有了这些基础,未来,移动眼等其他公司会越来越多地使用模拟技术生成大部分数据,而不再靠人力了。

什么是DARPA?

“性格”比人谨慎遇到路边慢跑者会减速停车

美军方的国防部先进研究项目局Defense Advanced Research Projects Agency (DARPA)。听着这个项目局的名字是不是就觉得这个组织肯定很霸气,不亚于神盾局什么的?相信我,看了后面的详细介绍你就会发现实际上它比名字上表现出来的更霸气。

目前,无人驾驶汽车通常比人类司机更“胆小”,因为我们能够更准确地了解周围发生着什么。在一段测试视频中,当一辆特斯拉遇到路边的慢跑者时会减速到几乎停下。而当我们遇到同样情况时,会作出“慢跑者不太可能突然跳到马路上”的判断,而系统则被设计得更为谨慎(至少现在的系统都是这样)。

说道DARPA,我们就先抛开汽车应用,说说它之前主导开发的技术成果。

以目前的技术来看,无人驾驶车的谨慎确实很有必要。它们还不太擅长处理那些百万分之一可能会发生的“小概率”事件,比如前车上掉下来一个沙发,或者一些穿着奇葩装束的人出现在路边。

首先大家今天能够上网,能够看到这篇文章全赖于DARPA。是不是觉得说的有点玄乎奇迹?相信我,一点也不玄。因为因特网是DARPA主导开发的。因特网INTERNET的前身为ARPANET,是由ARPA(Advanced Rearch Projects Agency)研究开发的。1975年,ARPANET由实验室网络改制成操作性网络,整个网络转交给国防部通信署管理,同时ARPA更名为DARPA(Defence ARPA)。

自动眼开发的视觉技术可能会提供更多的“微妙场景”,帮助汽车训练得更为自信。还能读懂人的面部表情,分析出路边行人的姿势和可能的意图,甚至能够“看穿”旁边的汽车,究竟对方的司机是在好好看路还是在玩手机。此外,这种视觉技术能够与人类司机无缝对接,通过辅助保护系统帮助我们避免错误。

其次是全球定位系统GPS。大家手机上使用导航软件时的位置信息来源GPS。而在GPS导航卫星发射前,DARPA建立了一个有5颗卫星组成的网络Transit。1960年,Transit开始工作,确保美国海军舰船位置每小时更新,误差不超过200米。

名词解释

再有就是隐形战机概念也是最早由DARPA提出的。甚至美国空军最初听到这个概念时也大吃一惊。隐形战机的第一个原型HavenBlue于上世纪70年代末开始测试,成为F-117夜鹰隐形战机的前身。

自动驾驶汽车(Autonomouscar)和无人驾驶汽车(DriverlessCar)是同一种事物,但不同地方叫法不同,欧洲偏向于称之为自动驾驶汽车,而美国多用后者。

还有DARPA比较不为人知的成就就是半导体砷化镓工艺的开发。如果大家对半导体技术了解不多可以这么简单理解。今天电脑里用的CPU,内存和显卡芯片大部分使用用硅材料为基础的。可能你觉得这些芯片的运行速度已经挺快了。但是实际上它们还不够快。类似无线通讯技术需要更快的运行速度。

因此半导体砷化镓工艺被开发出来,其有更快的电子迁移速度。虽然它的价格相比硅半导体工艺贵很多,但是可以很好的满足无线通讯,卫星和雷达以及军工应用的需求。换句话说,今天大家可以轻松的使用手机通话、看微信、看网页那也是托了DARPA很大的福的。

图片 8无人驾驶汽车挑战赛

那么说回汽车,DARPA在无人驾驶汽车的研究中又扮演一个什么地位呢?今天为人熟知的谷歌无人驾驶汽车使用很多的技术实际上脱胎于DARPA组织的陆地挑战赛(Grand Challenge)。DARPA早在十多年就开始提供资金支持,协调大学研究机构、车企、传感器供应商和半导体供应商合作,进行一系列的无人驾驶汽车挑战赛。而这个系列的挑战赛被称为DARPA陆地挑战赛。这一系列挑战赛中比较有名的就是2004年和2005年的两届陆地挑战赛(Grand Challenge)和2007年举行的城市挑战赛(Urban Challenge)。

图片 9TerraMax的陆地挑战赛参赛车型

由于2004年当时的技术限制,在当年第一届无人驾驶陆地挑战赛举办的时候甚至没有一家参赛队伍能够完成主办方DARPA设定的加州莫哈韦沙漠240公里赛道。因此在2005年的第二届陆地挑战赛中DARPA将赛道的最低目标距离设定为11.78公里。这也是第一届中无人驾驶汽车最远的行驶。此届挑战赛中有5辆无人驾驶汽车完成了目标。而其中比较出名的应该就是如上照片中显示的TerraMax无人驾驶卡车。上图为2005年TerraMax的陆地挑战赛参赛车型。下图为在BBC TOPGEAR汽车节目19季第5集中出镜的TerraMax无人驾驶卡车(左)和詹姆斯梅驾驶的路虎揽胜(右)的越野比赛起点照片。要知道TerraMax还仅仅是2005年挑战赛中5个完赛队伍中的最后一名。

图片 10BBC TOPGEAR出镜的TerraMax无人驾驶卡车(左)和詹姆斯梅驾驶的路虎揽胜(右)

第三届的陆地挑战赛被DARPA官方称为城市挑战赛(Urban Challenge)。于2007年在加州的乔治空军基地进行。比赛被设定成让无人驾驶汽车可以使用于城市驾驶环境中。赛道全长96公里,限时为6个小时。并且不同的队伍之间会有路线交叉的过程。而如果大家去搜索美国Velodyne公司的历史的话,就会发现它的前期主要产品为音响产品。就是因为Velodyne公司参与了前两届的DARPA陆地挑战赛,才开始了激光扫描仪产品的开发,并成为业界360度高性能激光扫描仪的领先者。因此说DARPA挑战赛成就了如今的Velodyne,成为激光扫描仪LIDAR界的巨人一点不为过。

图片 11Velodyne公司的激光扫描仪产品

到了2007年的城市挑战赛中,Velodyne公司的激光扫描仪已经应用到了大部分的参赛队伍中。6个完赛的参赛队伍中只有第三名的VictorTango队没有使用Velodyne公司产品。

图片 12斯坦福队使用的大众帕萨特旅行版(左)和VictorTango队使用的福特翼虎(上)在路口相遇

图片 13VictorTango所用的来自IBEO和SICK的传感器

上图一为城市挑战赛中斯坦福队使用的大众帕萨特旅行版(左,第二名完赛)和VictorTango队使用的福特翼虎(上,第三名完赛)在路口相遇。上图二为VictorTango所用的来自IBEO和SICK的传感器。而IBEO是小型化低成本激光扫描仪的领先者。SICK则是IBEO的母公司,并且拥有众多的激光传感器产品。IBEO和SICK的激光扫描仪也应用在前三名完赛的队伍中,普及率仅次于美国Velodyne公司。

图片 14斯坦福队无人驾驶汽车主要开发成员Sebastian Thrun

其中照片中站在斯坦福队无人驾驶汽车前的Sebastian Thrun以及部分其他团队成员最终被谷歌挖走。后来就有个谷歌无人驾驶汽车。

图片 15谷歌无人驾驶汽车早期测试车型(来自谷歌)

图片 16谷歌无人驾驶汽车量产车型(来自谷歌)

美国政府引导影响深远还体现在对于关键传感器-激光扫描仪的持续成本优化。

图片 17行业分析显示,激光扫描仪在高级别的无人驾驶中不可或缺

从CES2016已经可以看到一个非常明显的信号,激光扫描仪未来发展趋势是固态化,小型化,低成本化

图片 18激光扫描仪未来发展趋势是固态化

之前提到最早谷歌提出的无人驾驶汽车就是基于置于车顶的机械旋转激光雷达产品实现的。它其实就是来自Velodyne公司的64波束激光雷达。而这款产品当初的价格也是惊人的超过了7万美金。是谷歌采用的原型车丰田普锐斯售价的两倍还要多。虽然它的性能非常好,但是为了实现将来无人驾驶汽车的量产,成本降低是必然之路。Velodyne的产品包括64波束(用于谷歌无人驾驶汽车)、32波束(用于福特CES2016无人驾驶概念车)以及混合固态Hybrid Solid State 16波束 VLP-16 PUCK(将用于未来的福特无人驾驶计划)激光扫描仪产品。如下图分别为与CES2016发布的基于福特蒙迪欧的无人驾驶概念车,以及装配于车顶的4个Velodyne 32波束激光雷达。

图片 19福特CES2016无人驾驶概念车

图片 20装配于车顶的4个Velodyne 32波束激光扫描仪

而福特今年发布的CES2017展示用无人驾驶概念车已经装配上了前面提到的固态激光扫描仪产品。

图片 21福特CES2017无人驾驶概念车

图片 22装配于车身的2个Velodyne 固态激光扫描仪

而CES2016发布的来自Quanergy的“固态”激光扫描仪S3更是首次引入了全固态激光扫描仪的概念。让我们来通过Quanergy在CES上的演讲和其相关的专利说明来详细探讨一下它的创新之处吧。简单的说,这是一款全“固态”的激光雷达,或者称光学相控阵激光扫描仪。其目标量产成本为250美元。首先如下图一所示,其满足了激光扫描仪小型化的大趋势,整个尺寸只有90mm x 60mm x 60mm。如图二的产品工作原理展示中可以看到内部机构不存在任何的机械旋转部件。所有的激光探测水平和垂直视角都是通过电子方式实现的。因此其名副其实的是全“固态”激光扫描仪产品。

图片 23Quanergy的“固态”激光扫描仪S3

图片 24Quanergy激光扫描仪S3产品工作原理展示

美国政府影响至今仍在持续。

除了以上对于激光扫描仪成本优化的固态化趋势,DARPA正主导继续与加州Berkeley以及麻省理工MIT进行下一代频率调制连续波FMCW 激光扫描仪芯片的开发。将进一步降低激光扫描仪的成本。

实际上美军方DARPA主导的项目小组,以加利福尼亚大学为核心已经基本完成了原型半导体芯片的开发,并且在IEEE国际电子工程师协会上发布了正式的论文。如果需要从事相关的激光传感器开发或者对激光传感器小型化感兴趣的朋友,可以搜索相关的论文进行进一步的研究。如下是论文原型芯片的示意图,用来给感兴趣的朋友一个大概的总览。下图一为原型芯片的组成示意图,包括左上角的MEMS tunable VCSEL微机械可调谐垂直腔面发射激光器作为发射源和右上角及下方的两组光敏二极管作为接收器件。下图二所示由芯片组成的闭环可控光学频率调制连续波FMCW控制电路。电路显示由三大类的器件组成。该三大类的器件分别分布在三种半导体层上。红色表示的器件为三五价III-IV半导体层。典型代表为砷化镓GaAs或者磷化铟InP半导体工艺。三五价半导体是直接能带半导体,更够发出更强的光,适合制作光学芯片。因此原型芯片的激光发射源和光敏二极管接收单元均由该类型的半导体完成。蓝色部分硅光电子层Silicon Photonics(又称SiP),是基于硅基工艺制作的光学半导体。因此耦合器Coupler和相位测量干扰仪Interferometer由该半导体层制作。黑色部分为传统硅基CMOS层,其他传统的控制单元都有该半导体层制作。下图三为具体的三种类型半导体层的分布情况。

图片 25原型芯片的组成示意图

图片 26由芯片组成的闭环可控光学频率调制连续波FMCW

图片 27三种类型半导体层的分布情况

神奇的是,此概念提出一年以后原型样片真的被做出来并进行了相关的测试。其产学研的扶植力度可见一斑。这也是其深厚技术积淀的一种体现。

图片 28由麻省理工MIT设计的FMCW激光扫描芯片

图片 29该芯片的内部结构介绍

图片 30芯片实物放大图

以上,汽车感知传感器技术方面,受美国政府持续扶植影响,美国的技术优势最明显。

不过由于全球供应链一体化的影响,加上中国是最大的汽车销售市场,相应的技术还是逐渐应用到了国内的无人驾驶概念车上,比如上汽、长安等车厂。而且国内院校比如同济大学和清华大学也参与了相关技术研究。因此中国加速追赶并不是不可能的。

图片 31装备激光扫描仪的上汽iGS无人驾驶概念车在广德试验场进行测试

图片 32长安汽车的无人驾驶概念车

图片 33同济大学与奥迪汽车组成联合实验室

图片 34奥迪汽车联合同济大学在上海的道路上测试无人驾驶概念车

2.汽车控制执行技术

a. 电子线控刹车(Brake By Wire)

电子线控刹车(Brake By Wire):这个线传操控系统的出现可以说最主要的诱因就是电动汽车的出现。因为传统刹车系统需要通过发动机的工作建立制动助力所需的真空助力。

是的,刹车也是需要助力的。如果大家家里有车可以试一下,在发动机熄火的情况下,最多可以深踩3次刹车。再踩的话就会觉得刹车踏板特别硬,几乎无法靠人力踩动。

如下图就是传统刹车系统所需的真空助力器和传统系统和电子线控刹车系统(又称电子液力刹车系统EHB)系统对比图。可以看到真空助力器是一个非常大的家伙,你可以很容易在发动机舱内找到它。当驾驶者踩下刹车踏板时踏板连接的推杆将力传递到真空助力器。真空助力器是一个通过大气压和真空之前的压力差将力矩放大然后传送给液压制动总泵进行制动的装置。真空源是由发动机的负压产生的(发动机吸入空气的时候会产生负压,但不是所有的发动机都能够找到真空源,比如涡轮增压发动机)。由于采用气压差来放大力,因此其体积必须做的很大,占空间又不容易布置。

电动车或者纯电行驶的插电式混合动力汽车,由于没有发动机或者发动机不工作,无法获得稳定的真空源。一种方法是使用电子真空泵。但是电子真空泵需要持续运转,比较耗油。另一种更加智能的方法就是使用电子线控刹车系统。传统的刹车系统(第2图上半部分)驾驶者踩刹车踏板,通过推板经过真空助力器放大力矩给到制动总泵。制动总泵驱动液压系统传递刹车力到ABS/ESP刹车防抱死/电子稳定系统控制器。ABS/ESP再根据车辆状况把刹车力分配到四个车轮。

图片 35传统刹车系统所需的真空助力器

图片 36传统刹车系统和电子线控刹车系统对比图

那么EHB系统基于电机的刹车助力器到底是什么样子的呢?我们就基于市场上的两大解决方案举个例子。首先要说的就是如下图所示的来自德国博世BOSCH的iBooster系统。

博世 iBooster所属新的EHB系统(上图下半部分)将驾驶者踩刹车踏板的动作转换成行程位置电信号,刹车助力控制器控制电机给出刹车助力所需的力矩给到制动总泵。制动总泵驱动液压系统传递刹车力到ABS/ESP刹车防抱死/电子稳定系统控制器。ABS/ESC再根据车辆状况把刹车力分配到四个车轮。

图片 37德国博世BOSCH的iBooster系统

图片 38博世 iBooster所属新的EHB系统

而另一大解决方案就是如下图所示来自德国大陆汽车Continental的MK C1系统。可以看到MK C1的主要理念和博世 iBooster基本相同。但是MK C1更进一步将原来的ESC系统MK 100中的ESC控制器,真空泵,真空助力器三个部件合而为一。大大简化了系统的复杂程度。

图片 39德国大陆汽车Continental的MK C1系统

图片 40MK C1将ESC控制器,真空泵,真空助力器三个部件合而为一

那么博世iBooster在国内的一个最早的成功案例就是目前比亚迪E6所用的刹车系统。该电子线控刹车系统可以灵活的在电机能量回收制动和机械刹车片摩擦制动之间进行分配。并且当纯电机能量回收制动的时候为了给驾驶者一个合理的刹车踏板力回馈,刹车助力电机还能够反向给出一个阻力力矩。让驾驶者感觉到合理的阻尼感受。同时电子线控刹车系统还能够提供可选择的刹车响应模式。比如运动模式下刹车就一踩就有,响应灵敏。而舒适模式下,刹车就显得柔和线性,相较运动模式没有那么紧绷。和驾驶辅助系统结合以后,当检测到可能的碰撞时则可以加快制动响应或者直接增加制动压力。使得车辆能够在更短的距离内停止下来。

说到电子线控刹车系统的安全性,更偏向一个系统级的安全方案。电子线控刹车系统中的电子刹车助力器和传统的电子稳定系统ESC以及电子转向助力系统EPS三者互为备份。三者中的任何一个模块出现故障,另两个模块都能够部分覆盖故障模块的功能。比如电子刹车助力器出现故障,电子稳定系统ESC将能建立制动液压压力,配合EPS将车辆安全刹停在车道内。相反如果电子稳定系统ESC出现故障,电子刹车助力器可自行建立制动液压,配合EPS将车辆刹停在车道内。当电子助力转向EPS失效时,电子稳定系统ESC将通过对不同侧的车轮施加不同刹车力产生扭矩矢量,将车辆保持在车道的中心位置。

b. 电子线控转向(Steering By Wire)

相信大家目前接触到的车辆都是带转向助力的。转向助力主要分两大类,一类是液压转向助力,另一类是电子转向助力。液压转向助力的一个弊端就是不管是否转向,液压系统都要通过发动机传输过来的动力位置助力油压。因此系统复杂,且耗油。而电子转向助力通过电机在需要转向的时候提供助力,而不需转向时是不耗油的。而且系统较液压助力系统简单很多。如下即是电子助力转向系统的示意图和系统构架图。

图片 41电子助力转向系统的示意图

图片 42电子助力转向系统构架图

而今天介绍的电子线控转向系统可谓是电子转向助力的进阶版。因为电子线控转向系统在正常工作时断开了方向盘和转向系统之间的机械连接,而完全靠电子信号传输给转向控制器然后操控转向执行器实现。电子线控转向系统的代表车型就是英菲尼迪的Q50,目前该车型已经国产,称为Q50L。由于采用了电子线控转向系统,车辆的转向特性可以智能的调节,比如偏沉稳还是偏轻盈灵动。并且结合驾驶辅助系统的车道识别功能还能主动的修正车辆行驶方向保持在车道中间位置行驶。下图即为英菲尼迪Q50电子线控转向系统的示意图和展示照片。

那么如果电子系统出现故障,驾驶者发现转动方向盘完全不能控制车辆转向的时候是一件非常恐怖的事情。因此整个系统充分考虑了安全性。当转向系统工作在电子线控模式的时候,整个系统借鉴了飞机电传飞操系统的多余度安全理念。通过3个转向控制器相互冗余地控制转向系统。相互之间进行校验,保证控制信号始终和驾驶者的转向意图相关。下图为转向系统工作在电子线控模式。此时转向系统和方向盘断开连接,由电子控制器控制。

图片 43英菲尼迪Q50电子线控转向系统的示意图

图片 44英菲尼迪Q50电子线控转向系统的示意图

图片 45英菲尼迪Q50电子线控转向系统展示照片

图片 46英菲尼迪Q50电子线控转向系统展示照片

目前电子线控转向系统还没有全面市场化,仅在少数车型上出现。其中主要原因是前面提到的转向特性智能调节和自动车道保持等功能在某种程度上仍可以使用传统的电子助力转向系统实现。那么电子线控转向系统的真正意义是将来系统成熟以后可以完全断开机械连接。从而为将来的无人驾驶汽车服务。如下图的无人驾驶概念车,车内的乘员可以直接控制方向也可以交给自动驾驶而分别躺下。方向盘位置可以灵活移动,无疑为空间的利用将更加高效。而这就需要电子线控转向系统的支持。

图片 47无人驾驶概念车方向盘位置可灵活移动

图片 48无人驾驶概念车方向盘位置可灵活移动

人工智能AI

该技术方向又分成两大块,分别是硬件和软件。

硬件方面由于美国长期的计算机技术的领先地位,其优势依然十分明显。

人工智能AI所需的硬件目前呈现三足鼎立的状态。分别被NVIDIA、INTEL和IBM所引领。

NVIDIA作为GPU的领先供应商,正将其主营业务从图形处理以及游戏产业转向基于GPU的人工智能AI的深度学习计算平台

图片 49NVIDIA Jetson TX1 嵌入式深度学习计算平台

图片 50NVIDIA DRIVE PX无人驾驶计算平台

而INTEL在其传统计算机/服务器行业的增速放缓后,战略性的收购了FPGA领导者ALTERA和AI架构的创新初创公司Nervana。并且迅速融合其优势,并向无人驾驶人工智能AI技术方向迅速发展。更是与宝马BMW以及Moblieye组成了战略同盟,进行无人汽车的开发

图片 51INTEL 人工智能AI产品架构

图片 52宝马BMW和INTEL以及Moblieye组成了战略同盟

而最低调最不为人知的可以说是IBM。蓝色巨人悄然进行着人工智能AI神经网络芯片的开发,并已在汽车外的多个行业开花结果

图片 53IBM神经网络芯片示意图

图片 54IBM神经网络芯片原理介绍

软件方面则以谷歌最为突出,但中国企业如百度仍然可以走出中国特色的发展路线进行追赶。

不管是搜索引擎还是无人驾驶在实现方法上,“科班出身”的谷歌更依赖于基础技术本身,而“中国特色”的百度则更多在基础技术上针对中国市场进行人工优化。换句话说,谷歌的设计思路是不相信人工调整。所有的错误结果都应该从某种程度上通过优化基础算法自动发现并纠正。即花大量的精力和资源在前端技术优化上,使其可以适应于不同的使用环境。而百度的设计思路是在某种程度上技术总会出错,这个时候就应该透过人工优化来进行纠正。即花更多的精力和资源在后端应用优化上,让其更适应于终端使用环境。这就好比开发一款车。一方专注车型平台的优化。最终可以将这个平台用于A级车,拉长以后变成B级车,垫高后变成SUV,拉长拉高加两个座位就成了MPV。车型可以用于亚洲、欧洲、美洲等多个市场。但是可能对中国市场并不是最优化的。而另一方针对市场需求花大量精力优化一款A级车,结果可能针对中国市场更优化。

谷歌提出的AI First人工智能为先战略已在图像识别、机器翻译等多个领域获得进展。

图片 55谷歌提出的AI First人工智能为先在图像识别的应用

那么“科班出身”的谷歌对基础技术有多专注呢?我们之前介绍过美军方牵头的DARPA无人驾驶挑战赛,谷歌一步一步进行了各种传感器的集成并创造了特有的量产版无人驾驶汽车。而另一方面,软件算法方面谷歌领导了相关深度学习Deep Learning和谷歌大脑Google Brain技术开发,进行了大量的基础研究。因此谷歌在无人驾驶汽车领域可谓不管硬件还是软件,各方面都亲力亲为。下图为之前提到的谷歌大脑项目中检测到的人脸、人体和猫。

图片 56谷歌大脑Google Brain技术

而百度无人驾驶汽车一下子登上了央视《新闻联播》,在2015年的尾巴给国人一个大大的惊喜。12月10号路试成功,14号成立无人驾驶事业部,16号参加乌镇互联网大会进行宣讲。一切都来得这么突如其来,却井然有序。层层推进,步步为营。中国也一下子有了真正在路上跑的无人驾驶技术。

“中国特色”的百度在战略性地和传统整车厂宝马合作。其无人驾驶汽车由宝马3系GT车型改装而来。原3系GT车型已经配备了如自适应巡航和行人车道识别等先进驾驶辅助ADAS系统。和谷歌的无人驾驶概念车一样,百度在改装的过程中在车顶加装了64波束的激光扫描仪。从而获得更多的路况信息。由于硬件方面有了宝马的合作,百度可将更多的精力倾注于软件算法方面的开发。和谷歌一样其核心算法也基于深度学习技术,这种技术让无人驾驶汽车可以通过算法和大量基础数据识别各种障碍物并自行做出判断。然而中国的路况是充满了挑战的。车辆、非机动车、行人的随机插入一直都是各方讨论的热点。这方面相信百度较谷歌有更多的资源进行基于路况的人工优化,特别是基于中国的高速和地面道路进行大量的路试和调整。下图为百度无人驾驶汽车,由宝马3系GT车顶加装激光扫描仪改装而来。

图片 57基于宝马3系GT车型的百度无人驾驶汽车

云技术Cloud

互联技术V2X

这是三大核心技术当中,个人认为中美技术差距最小的方面。

因为互联技术,特别是车车通信V2X的标准一直没有统一。美国在这方面走过许多弯路。

最早的DSRC专用近距通讯技术IEEE802.11p与4G LTE技术之争。DSRC一直以200m内点对点通讯1秒的通讯实时性,压得4G LTE 6~7秒的通讯延迟死死喘不过气来。

图片 58DSRC Dedicated Short-Range Communications IEEE802.11p (5.9GHz)

不过随着5G LTE或者称LTE-V2X的发展,彻底解决了实时性问题。业界也逐渐统一了观点。而通讯又是中国企业的强项。因此差距并不大。

华为在与高通的相关竞争当中并不落下风。华为还率先与多家国内外整车厂展开了合作和实车测试。

图片 595G LTE与之前的通讯协议的比较

图片 60高通Qualcomm 5G C-LTE 技术方案

图片 61华为 5G LTE-V2X 技术方案

但随着V2X技术的引入,信息安全成为关键中的关键。需要政府牵头制订相关加密标准。否则一旦无人驾驶汽车被黑客攻破,其后果是不堪想象的。

  1. 基于云技术的地图采集优化技术

那么如下主要提一下比较新的基于云技术的地图采集优化技术。

地图数据众包采集concocting Crowd-Sourced Mapping Data技术。

通用汽车将把Bolt最为一个平台Platform来不断对其软件进行升级学习。从而向最终的全自动驾驶目标而演进。在CES2016的演讲中玛丽贝拉(通用汽车CEO)透露了通用汽车正在和驾驶辅助系统的领导供应商Mobileye进行合作开发自动驾驶项目。其传统自动驾驶功能主要应用于良好的高速公路,必须有规范化的车道线和指示信号灯或路牌。而通用汽车和Mobileye开发的系统则可以基于每辆装备安吉星OnStar 4GLTE技术的通用品牌汽车将各个路段的车道线和指示信号灯或路牌图像信息通过移动网络上传到云进行统一计算。这样具备这种技术的自动驾驶汽车就可以基于云数据快速学习多变复杂的道路,最终实现良好的自动驾驶体验。下图为通用汽车和Mobileye开发的地图数据众包采集自动驾驶系统概念图。

图片 62地图数据众包采集concocting Crowd-Sourced Mapping Data技术

如下的加州无人驾驶测试许可也说明了这一点。中国车厂的数量不输于美国。其中互联网车企(百度、乐视汽车、蔚来汽车)扮演者举足轻重的角色。

图片 63加州DMV无人驾驶测试许可

百度与多家国内车企也展开了合作,分别包括比亚迪、奇瑞、北汽和福田。

在2016年11月乌镇召开的互联网大会上,百度展示了基于比亚迪、奇瑞、北汽的无人驾驶测试车

图片 64基于比亚迪秦插电混动汽车的百度无人驾驶测试车(来自百度)

图片 65基于奇瑞eQ纯电动汽车的百度无人驾驶测试车(来自百度)

图片 66基于北汽EU260纯电动汽车的百度无人驾驶测试车(来自百度)

百度还与福田重卡合作卡发了无人驾驶开车概念车,发布于2016年11月。

图片 67百度和福田联合开发的无人驾驶卡车IFOTON(来自china daily)

CES2017百度又展出了其与长安合作的无人驾驶概念车。

图片 68CES2017百度与长安合作的无人驾驶测试车(来自百度)

乐视汽车基于LeEco LeSEE和Faraday Future两大品牌展开无人驾驶测试。

乐视于2016年4月发布LeEco LeSEE概念车,并开始Level3 无人驾驶的相关测试。

图片 69LeEco LeSEE概念车

图片 70LeEco LeSEE概念车开始Level3 无人驾驶的相关测试

贾教主刚刚在CES2017的先期发布会上发布了Faraday Future的FF91车型。 Faraday Future已获得加州的无人驾驶测试许可,正在进行相关车型的无人驾驶测试

图片 71Faraday Future CES2017先期发布会

图片 72Faraday Future FF91车型发布照

综上所述,在无人驾驶三大核心技术-机器人技术Robotics、人工智能AI和云技术Cloud上,在政策的扶植下,美国确实领先中国。但是中国只要加强政策力度,依托互联网大潮,仍有加速追赶的机会。

图片 73

本文由SBF胜搏发发布于汽车文化,转载请注明出处:无人开车车雪中蒙圈,还得靠高精度地图

关键词: SBF胜搏发

假膜贴上洋品牌价格涨好几倍 SBF胜搏发比卖车赚

随着夏日来临,不少车主都选择在车窗上贴膜,以提高爱车的“防晒”能力,4S店及汽车美容店的汽车贴膜业务随之激增。...

详细>>

二零一五年1-八月自己作主SUV销量排名的榜单

2013年12月自主SUV销量排行榜 2014年1-4月自主SUV销量排行榜 自主品牌SUV哪个好 2014年1-5月自主SUV销量排行榜 排名 排名...

详细>>

2016年一月合营SUV销量排行的榜单

2013年12月合资SUV销量排行榜 2014年10月合资SUV销量排行榜 2014年12月合资SUV销量排行榜 排名 排名 排名 厂商 厂商 厂商...

详细>>

吴恩达新类型运营:发力深度学习教育

ref: 今年3月22日,任职百度首席科学家、领导百度的人工智能研究的吴恩达在Medium上发布了一份公开信,称将会辞去...

详细>>