自動駕駛,無人駕駛

騰訊蘇奎峰:自動駕駛核心在于數字驅動

自動駕駛的終極目標,不光是運營移動的服務,還包括更好地連接我們的服務,使我們的出行達到一種無縫連接的狀態。它的核心在于數字驅動,建立閉環的數據應用體系,是自動駕駛產品落地

2019年11月12日,“第七屆中韓汽車產業發展研討會”在京召開。本次研討會圍繞“以東方智慧驅動自動駕駛新時代”主題,共同討論中韓兩國汽車自動駕駛技術最新成就,探討中韓兩國在自動駕駛領域的合作與發展。
 
在大會期間,騰訊自動駕駛總經理蘇奎峰發表,他認為,自動駕駛的終極目標,不光是運營移動的服務,還包括更好地連接我們的服務,使我們的出行達到一種無縫連接的狀態。它的核心在于數字驅動,建立閉環的數據應用體系,是自動駕駛產品落地的關鍵。
 
以下為騰訊自動駕駛總經理蘇奎峰演講實錄:
 
各位嘉賓,各位朋友,下午好,很高興有機會和大家分享對自動駕駛的理解。
 
我今天講的題目是《解放雙手擁抱未來》,對自動駕駛來說我們大家都很清楚,主要是為了解放人在車上的一個時間,把你的時間釋放出來,然后你能夠有更多的服務,在未來的自動駕駛上我們有更多的想象空間,能夠把它作為一種服務的方式,在那里去享受。
 
那么我今天想說的是,在L1和L2的時候已經解決了雙腳問題,在當下的階段,我們實際上希望盡快地把我們雙手釋放出來,得到我們希望的生活。
 
對自動駕駛來說,它的落地,落地的幾個場景,是我們能看到的。第一個是乘用車方面,在乘用車是我們大家每天都在用車的時候,能夠期待的,也是我今天要重點強調的。另外一個就是特定的領域,能夠提高效率、降低成本,然后尤其是降低一些危險、礦山、碼頭還有運輸物流等行業,那么它是在領域方面特殊的。
 
另外一個就是我們終極目標,自動駕駛的目標,不光是運營移動的服務,可以更好無縫連接我們的服務,使得我們的出行達到一種無縫連接的狀態。
 
那么這三種場景對不同的用戶它有不同的價值,那么首先我今天來分享的主要還是在乘用車這個領域里面,我們到底怎么去做,基于它當下的這種狀態有哪些內容可以去做。
 
在談到乘用車,我們就談到每個人的出行,在我看來,每個人的出行實際上絕大多數的情況下,分為一種上下班的出行,這是我們日常經常做的;另外是旅游,當然還有就是日常低頻的走朋友串親戚。
 
那么最高頻的兩個領域,主要是第一個我們上下班的狀態,是我們每天都要經歷的。在上下班的時候,實際上我們會先想一下,尤其是在這種北京、上海這種大城市里面,像今天上午徐主任講的,那種都是攤大餅的城市里,往往你的出行是從家里出來很短的時間可以上一個高速和快速路的道路上,然后再可以經過一大段的時間,高速、快速路、封閉半封閉路上行駛,有擁堵的,到公司的時候,大概三五分鐘就到公司了,在這種場景我們百分之80%甚至90%的時間,行駛在路上,包括在長途路上也是如此。
 
所以從乘用車的角度來看,我們可以發現高頻使用,這兩個場景里80%都是在封閉和半封閉的道路里面,針對這種高頻的應用我們可以用滿足80%的需求,就可以滿足相當部分的需求,我們看這兩個場景如何去做。
 
面臨的問題和帶來的痛點基本是類似的,一個是在長途或者是這種上下班的時候,已經經過一天勞累的時候,如何把你的身心從駕駛上釋放下來,另外在擁堵的時候我很焦慮,我們在這種擁堵耗時的時候,無事可做的時候,尤其是像北京這種路況,慢慢你還要時刻的哪怕再堵也在蝸牛的狀態在向前爬,否則你就一直被插隊。在這種情況下我們怎么解決這些問題,使得我們更好的去享受我們的旅程。
 
在這個過程當中,實際上我們有更好的技術能夠去看這些內容,綜合這兩個場景和類型,高速巡航擁堵模式,大家經常提到的HWP和TJP。這兩個功能加在一起就可以解決大部分的場景,尤其是在國內像德國沒有高速限速,0到120公里,到城市就是0到80公里就OK了,工作范圍相對來講是可控的,另外場景,基本上交通擁堵和高速快速公路的場景,對道路環境來說就是高速快速路,在高速快速路即便我們交通環境很復雜,但是在高速快速路上面還是非常少的見到行人,這種自行車這種狀況偶爾會有,但是非常低頻,這種情況下,它的交通復雜度僅限于車這種行為,所以它也會降低。
 
所以在這種功能和場景定義下我們需要解決問題,實現我們的自動駕駛,滿足絕大部分人的需求。
 
對于我們互聯網公司來說做自動駕駛,本身實際更愿意以一種助力形式來做這個事情,剛才描述一個功能和定義,我們如何實現功能和定義。和傳統的TIER1的區別,我們更多的希望能夠給大家在平臺上提供更多支持,而不是直接面對更多的競爭。
 
在支持方面,我們可以看到我們強調場景,強調AI算法、數據。整個自動駕駛來說,都是數據驅動型的自動駕駛解決方案,在數據驅動型自動駕駛解決方案當中,我們實際上如何快速的利用數據和高速利用數據,是本質的事情,如何快速利用數據或者快速的計算資源,這是我們在解決量產化和降低成本過程當中,需要解決的問題,對于騰訊來說,愿意從這兩個維度給大家助力,我們在做這個工作的時候會強調開發運營和云平臺。有一個云平臺我們從收集到數據、處理數據、使用數據、算法訓練、評測,我們可以更高效把數據流轉和運用起來。
 
另外需要我們的場景,可以收集大量的數據,場景有限,我們需要有更好的仿真系統來支撐我們這樣的去做更好的測試和驗證。甚至有些場景現實當中非常少見的場景,我們能夠模擬仿真出來,降低成本,增加這種場景的覆蓋度。
 
有了這些以后,我們還是需要有一個高精度地圖作為一個基礎的設施,高精度地圖它不僅僅是完成了一個定位的一個基礎,它實際上可以更多的輔助于感知,輔助于決策,同時在隨著高精地圖的運營隨著我們在路上跑的車輛越來越多,高精度地圖本身也逐漸變成一個從基礎的設施屬性變成一個運營屬性,可以傳更多的數據更新,使得高效的調動和運營系統。我們可以采用探頭的數據,利用場景的數據,更多的豐富PIO的點,使它更精準,甚至在出行服務、物流、快遞配送方面等得到更多附加值的應用,所以在這個方面高精地圖本身由原來的最基礎的技術平臺,逐步延伸到運營平臺。包括仿真它本身也不帶是說,我只是一個測試的平臺,我們在OTA功能逐漸升級迭代過程中,它是通過仿真去測試。
 
實際上每個人是有千人千面的,你的駕駛行為是不一樣的。你的習慣不一樣,有的人開車比較激進,有的人相對來講比較平緩,那么他是很注重安全的感受,可能是比較保守的策略。隨著自動駕駛,你的車在客戶手里,本身行駛狀態也會隨著變化,這些變化是要根客戶來定制算法。這些算法本身要經過嚴格的驗證,不可能每個人的驗證都要到馬路上跑,仿真層面,長期來看不單是測試平臺,更多的是說我可以做一個運營屬性。
 
在這三個維度上,無論是開發的云平臺,還是仿真平臺,還是高精度地圖都具有互聯網運營的屬性,我們致力于從現在開始加速你的自動駕駛的開發、落地。同時也愿意支持你在長期的根據客戶的需求來定制你的自動駕駛的一個特點,使其更適合用戶的需求,更能滿足需要的出行工具。
 
那么基于這樣的一個平臺,我們會在定位、感知、預測、規劃、控制等方面,再做基礎的研究,在這些研究方面我們也會模塊化的設計出來,如果有需要,我們會給獨立的模塊提供相應的產品。
 
除此之外騰訊還有在全球信息安全領域有很強的團隊,我們也有專著自動駕駛的科研實驗室,包括特斯拉、BMW等在自動駕駛安全方面的合作,在這個更廣的維度我們也來助力。
 
為了實現這些,云平臺、模擬仿真、高精地圖,就是來支撐這些算法研究的。云端來說我們要采集數據,如何把數據高效化、模塊化,實現系統的閉環測試、開環測試以及機器學習模型的測試,從而使得整個的研發鏈條在數據流的驅動下,更快更高效的運轉起來,降低你的成本,加速你能夠快速推向市場。
 
在仿真方面,我相信大家在做自動駕駛研發和體系構建的時候,都會涉及到,無論是大的公司還是小的公司,你想做測試驗證一定要經過仿真這個環節,無論是做的簡單的仿真模擬器,還是復雜的模擬器,一定是上實際車測試之前要進行仿真,仿真也分很多層面,整個的環境從感知到決策的閉環,我也可以針對某個場景進行閉環測試,為了滿足不同層級的需求,我們構建單機版的系統,讓它能夠包含很多環境模型的構建,可以云端版,可以進行場景加速。
 
隨著時間積累,我有幾十萬個甚至上百萬個測試用地,我可能單機跑很長時間,需要在云端進行加速。另外我們在采集數據或者說編輯場景的時候,實際上非常難的,很難覆蓋到整個的這種場景。那么我們就必須來通過一種虛擬的方式,概率統計的方式,實現場景的多維覆蓋,我們有虛擬城市,在虛擬城市可以跑概率和統計方法,來進行相應的KPI和邏輯的判斷,只要在這個城市邏輯上跑,產生碰撞或者說KPI的沖突之后,你就可以把這項事項沉淀下來進測試驗證,這是不同的維度滿足在整個開發體系上的不同的需求。
 
這幾個圖是代表我們想在做仿真的時候你所需要的功能,第一個交通流,在做自動駕駛的時候,需要更逼近于現實的交通流來趨近你仿真驗證,甚至說,根據不同的地域特點來構建不同的交通流。北京人的駕駛行為和濟南人的駕駛行為或者說深圳的駕駛行為是有很大的區別的,我們需要有不同的行為,當地的駕駛數據來產生相應的當地交通流來驗證,同時根據數據來驗證你的決策算法。所以自動駕駛的挑戰,不單純是某一個技術的挑戰,還挑戰它的這個scalable的挑戰,不像滴滴從一個城市復制到另外一個城市,而它需要一個城市到攻克另外一個城市。部署更多的虛擬城市,我們需要沉淀更多的交通場景,第三個自動生成,需要廣的覆蓋度,人工編輯的場景是有限的,需要覆蓋更廣范圍的時候,需要高精地圖和有需求的時候,可以產生場景。
 
這個圖,全中國的高速快速路,34萬的高精地圖,我們可以自動生成34萬的場景,可以在上面跑和驗證。這個反過來又提到TJP和HWP,可以在云端驗證,驗證你的地圖,驗證你的決策。
 
傳感器的仿真,我們需要重新驗證的時候,需要它的天氣光照,主要是在仿真上面,需要大量的數據,虛擬傳感器。在L2的時候,根本就沒有激光雷達這樣的傳感器,但是它在路上跑幾十萬輛車。我在開發L3的時候,主要是原來的L2的基礎之上增加了新的傳感器,或者只是增加了激光雷達這樣一個傳感器,將原來的數據利用起來,提供利用仿真技術增加新的激光雷達,結合L2的傳感器共同產生新的數據去訓練,這樣可以很大的提高數據利用效率,可以快速使得從L2升級到L3,設置更高級的自動駕駛系統。不單純降低你的成本,更多的是說,可以在市場上快速的占領先機。
 
無論是在什么樣的道路上,即便是在封閉的高速快速路的場景下,我們都需要有這樣的去應急緊急的剎車的方式,這有虛擬城市產生的交通流,可以去驗證你的算法,這在整個研發鏈條當中是需要看到的。
 
云端的利用效率,要把數據快速的利用下來,利用數據產生很多的場景放到仿真系統進行驗證,對高精地圖來說,不光是車端的某一個定位,不光是用EHP、EHR的管理數據,更多的是跟云端地圖實時交通系統,以及它動態的信息,要融合在一起,云端和車端必須動態的融合在一起,才能夠給你提供更精準的高精度地圖的服務,實時地圖更新服務,以及未來地圖相關的運營服務。
 
所以在整個里面,我相信這個解決方案大部分的車都是這樣的一個解決方案的圖,那么都是我們針對HWP和TJP這兩個場景經常會用到的叫雷達前置攝像頭,區別就在于說我們可以為了降低成本你可以把你的定位系統集成在它的ADCU里面,整個系統成本更低,可以采用強的耦合方式,來實現你的自動駕駛系統。
 
我們需要的是什么?我們需要更多的服務提供給大家,所以我們才會有釋放雙手享受其它的生活,對于其他的互聯網公司也好,或者說提供服務的公司也好,我們需要有千人千面的這種服務的形式,用原來人找服務的這種狀態,由服務找人的方式來替代,所以需要有更好的一種服務的生態來去構建。也就是從自動駕駛的層面,上升到了車聯的層面,車聯網了,把服務通過聯網的生態打進來,使你的全時在線,能夠跟更多的合作伙伴,一起把更多的服務,無論是購物也好,還是你的音樂也好,還是其它的智能服務,能夠通過更新的一種方式,傳遞給用戶,給用戶帶來更多的價值,使用戶在這種出行過程當中的80%的時間里不需要駕駛的時候,能夠享受更好的服務形式。
 
舉一個例子來說,實際上我們日常生活,我們要出去的時候,可能會要定一杯咖啡或者買一些娛樂系統,或者其他的內容,我們原來所有的內容在咖啡館或者辦公室做的事情,都可以在你出行過程當中做。另外一個隨著自動駕駛系統數量的逐漸增加,更精準的LBS服務也會出現,到時候你就不再是說預定一些東西,而是很多的東西都會直接的送達到你的手上,你的車里這種服務的形式,會更多,因此我們想象的空間會更大一些。
 
在這個過程當中,我們第一步對于未來的生態來說,還是需要解放雙手,把你的雙手解放出來,只有解放雙手了以后,我們才能有機會、有時間來享受我們的生活。在中國這種互聯網發達的生態里,我們的生活是美好的,很多好的服務都在那里等著,只是希望我們在座的各位,一起努力,把真正的用戶的雙手解放出來,才能更好的擁抱未來。
 
我的演講就這么多,謝謝大家!

好文章,需要你的分享

文章來源:自動駕駛之家 / 文章作者:自動駕駛之家
聲明:本文來源“自動駕駛之家”作者“自動駕駛之家”,版權歸作者所有,不代表自動駕駛之家官方立場。轉載請注明出處、作者和文章鏈接,如果有侵權,請聯系刪除。
收藏
甘肃快3开奖直播