特斯拉都搞不定,車路協同是無人駕駛的終極解決方案嗎?

語言: CN / TW / HK

   新智元報道  

編輯:好睏 桃子

【新智元導讀】 先是萬億,後是1.2萬億,特斯拉市值不斷創下新高。放眼望去,整個車企都在積極擁抱無人駕駛。但是目前的技術面臨著的諸多瓶頸,卻不得不讓人們重新思考無人駕駛的中國道路在哪裡?

先是萬億,後是1.2萬億,特斯拉市值不斷創下新高。

放眼望去,整個車企行業都在積極擁抱無人駕駛。

可以說,特斯拉萬億市值摧毀了傳統車企對舊時代的一絲留念。

然而,現實是包括特斯拉,Waymo在內的無人駕駛企業在安全性和高級別無人駕駛技術的推進上屢屢受挫。

先不說多次致命的特斯拉撞車案, Waymo自動駕駛汽車還有著「不撞南牆不回頭」的執著

就比如最近在洛杉磯市的一條死衚衕,這條路每天最多要「接待」50輛Waymo自動駕駛汽車,而且已經持續了8個星期。

於是,一條獨特的風景線就這樣誕生了: 「每5分鐘」就能看到一輛Waymo在掉頭

不論是特斯拉,還是Waymo,它們都是單車智慧的典型代表——通過提升車子自身的智慧化水平實現自動駕駛,看似智慧其實不一定。

無法識別「白色卡車」、十年僅累積3000多萬公里路測資料等等,這是單車智慧目前無法解決的瓶頸。

如果現在能夠把車和路結合,以車端的智慧+路端的智慧互相結合,是不是會成為高級別自動駕駛的另一種出路?

車路協同VS單車智慧

還是用Waymo紛紛駛入死衚衕這件事舉例吧。

如果像我們小時做題那樣,單純地在地圖上連線的話,這路,確實可以走。

當然,前提是這個路的盡頭沒有下面這個牌子。 

為什麼這條路明明是「死路」,無人駕駛車還要往裡使勁開呢? 

其實很簡單,因為Waymo的車載地圖並不知道……

結果就導致,所謂的自動駕駛車輛直到走到跟前才發現:「哦,此路不通」,於是只能掉頭往回走。

這就是單車智慧難以逃避的一個侷限性: 只能以車為中心對周邊區域進行區域性感知,只有車輛能識別到才能進行相應的調整和動作

那麼,如果是用「車路協同」來實現,又會是如何呢?

(來源:德勤分析)

車路協同 ,顧名思義 是由「車端」和「路端」兩大關鍵部分組成其實除了這兩個看得見的部分外,還有看不見的“雲端”來為車和路的協同配合來提供後臺支援:

  • 車端: 可以聯網且具有一定自動駕駛能力的車輛; 

  • 路端: 包含智慧感知設施(攝像頭、毫米波雷達、鐳射雷達等)、路側通訊設施、計算控制設施(邊緣計算節點等)等配套裝置。

  • 雲端:包括計算平臺和雲控平臺等後端平臺,可以將車和路的資訊進行實時收集、計算和處理,將車和路的協同能力調配到最優狀態。

和單車智慧僅靠車端來感知外界不同,「聰明的車」+「智慧的路」+「強大的雲」,三者的協同結合將使得車路協同具備站得高、坐的穩、資料好、算得快的這幾個技術優點。

蒙上「眼睛」的車

站得「高」、看得遠的「上帝視角」

先說站的高。

在車路協同的方案裡,“高高在上”的路端裝置能夠以「上帝視角」實時獲取路況資訊:鐳射雷達負責物體三維座標的探測,配合上毫米波雷達、攝像頭和5G傳輸裝置,從而能夠實現區域性高精度地圖的實時繪製和路況的實時動態跟蹤。

當這種以「上帝視角」採集到的資訊與車端進行交流後,「車端」除了一如既往地通過多種感測器來進行環境的感知和資料的融合外,還能無延遲地實時接受路端提供的資訊。

隨著「路端」將交通參與者的位置、速度、軌跡等資訊不停地傳送給「車端」,也就相當於讓車本身擁有了一個無死角、無限遠的全域感知,從而能夠提前瞭解到路上的實際情況並進行及時的響應。

因此,在車輛的行駛中,不管是預測準確率,還是複雜場景的通行效率都可以得到提升。可以說,車路協同的本質是讓車「站」的更高、「看」得更遠了

「站得高」的路端感應裝置

那麼,回到最開始的那個問題,如果有了車路協同,Waymo還會不會開進死衚衕裡? 現在,就非常好回答了。

在車路協同的加持下,車不僅能「知道」前面的路到底能不能走,甚至能提前知道前言道路上行人和車輛的實時情況, 自然也就不會再去「不撞南牆不回頭」了。

當然,這種站得高並非只是物理位置的“高”,還是統籌全域性的“高”:當系統發現前方道路在施工或發生變化時,就可以及時指揮車輛進行調整路線,實現交通優化。

據有關資料計算顯示,基於車路協調,道路的擁堵情況在道路上無人駕駛車輛和有人駕駛車輛同時存在的情況下就能降低30%~40%,如果全是無人駕駛甚至可以基本解決道路擁堵問題。  

數量大、質量高的資料收集

在無人駕駛中,系統對資料的收集效率和收集質量是解決應用落地最為重要的因素:只有收集到龐大和高質量資料來進行分析和學習,才更使系統更精準地進行優化。

這也是蘭德公司早在2016年就提出,「L4級無人駕駛車輛的量產需要測試177億公里(110億英里)以上才能實現」的原因——畢竟駕駛行為是涉及到“人命關天”的大事,哪怕在駕駛行為的處理中有0.1%的概率出現問題,都有可能會造成車毀人亡的大事故。

(來源:Rand)

然而,在單車智慧方案中,以Waymo為例,雖然背靠著谷歌這個大靠山,在投入了鉅額的資金,十年的時間裡才積累了3500萬公里的真實路測資料,遲遲不能實現應用和落地。

這實際上是單車智慧方案的共性問題:緩慢的資料收集能力使得學習能力變得緩慢;學習能力的緩慢也使得系統的優化提升變得緩慢;系統優化的緩慢導致了方案落地的緩慢。

比如,在2021年5月,面對著一個人類駕駛員很容易處理的情況,Waymo自動駕駛汽車卻陷入了「三角錐難題」,以一己之力,連續數次堵住道路。出現這種情況的根本問題就是它從來沒有遇到過這種情況,也從來沒有解決這種情況的方案。

與此相對的則是車路協同方案在資料收集能力上的顛覆性的突破:除了收集「車」上的資料以外,還會以「路」為單位進行收集;除了收集無人車輛的行駛資料,還收集人類駕駛員的資料。

僅以蘇州為例,在完成路端的改造後,在資料「量」上,全市公路里程1.2萬公里,按450萬輛汽車的真實行駛里程計算,每天可收集1.2億公里的真實車輛行駛資料;在資料「質」上,「路端」的收集的資料不但全視角、可連續,而且還能夠記錄真實CornerCase發生的前因後。

大資料處理

算力大、計算快的「隱身英雄」

當然了,如此巨大的資料量也不是個善茬,帶來的是對整個系統「算力」的極高要求。 然而,單車智慧搭載的晶片由於空間和功耗的限制, 目前的算力最高只能達到1000+TOPS

這是個什麼概念?

(來源:未來汽車日報)

從L3有條件的自動駕駛開始,車輛除了需要控制自身的轉向和加速減速以外,還需要在行駛過程中對環境進行監測。

此時,車載晶片的算力起點就已經從L2的2Tops提升到了L3的24Tops。

進入到L4和L5階段之後,還需要加入緊急事件觸發接管機制,此時對算力的要求幾乎是呈現「指數」級的上升,達到320TOPS和4000TOPS。

至少目前來看,單車智慧在面對如此海量的資料時,只能選擇「躺平」。

(來源:東興證券研究所)

而相比來說,車路協同中的計算可以運用邊緣計算和雲端計算技術,呼叫海量的算力來完成這些複雜運算,而不會受制於單車的算力。 

不僅如此,車路協同算力裝置部署更為穩定,不受行車規則的限制,光纖通訊可實時呼叫海量算力把車端路端演算法互相反饋測試來驗證結果。這些也都是單車智慧在算力上所不具備的優勢。

除了安全,還是安全

就像剛才提到的那樣,車路協同除了能能讓車「認路」以外,最厲害的一點就是有能力解決 自動駕駛面臨的最大挑戰:安全問題

尤其是自動駕駛的概念越來越普及的現在,由輔助駕駛引起的事故也越來越多。

2020年6月一輛特斯拉Model 3在高速上徑直撞向一輛翻倒的卡車。

即便當時視野開闊且光線良好,然而AutoPilot依然沒有成功識別出來前方靜止的障礙物。

這實際就是單車智慧在安全問題上遇到的瓶頸。

比如說被遮擋住的「STOP」指示牌,對於人類駕駛員來說,基本上可以輕鬆識別並很快作出行動反應。

但對單車智慧來說,在有足夠的資料和資訊、並且系統足夠優化之前,這些符號是難以識別的,畢竟它看到的不是具體的「STOP」,而是一堆無意義的數字程式碼。 

車路協同所具備的資訊收集和分析優勢使得車路協同在安全性的保證上可以引入「多餘度」的概念。

多餘度一詞源自飛機的設計之中,該技術通過使用多個相同的功能單元和模組來接受相同的資訊。當主單元故障時,便會切換至備份單元工作,保障飛機的安全執行。

對於車路協同來說, 多餘度就是利用道路交通各參與方來進行多維度的感知、跟蹤、預測和學習

通過路端的感知,以及車、路之間的資訊共享,不僅可以補足車端感知視距有限、感知存在盲區等問題,特別能夠實現對於其他交通參與者行為的預測和判斷。

比如,行人的「鬼探頭」、路口有車輛突然竄出、同一條道路其他車輛的不規範行駛,甚至在無紅綠燈路口交警現場指控交通時的命令等都可以由「路端」感知後提前預測判斷,然後再把訊號無延遲地傳送給車輛端。

這就像是給單點智慧的車加裝上全天候、全場景、360度的「千里眼」和統籌全域性的「智慧腦」, 實現車、路、人、基礎設施的萬物互聯和萬物互控。

未來,每輛車都將成為資訊的接收者、中轉者、處理者和發出者,全域性調配將在一張城市智慧網上執行,實現對資訊的多重採集和判斷,從而實現無人駕駛安全性上指數級的提升。

盲區預警

中國無人駕駛特色道路怎麼走?

2019年可以說是個分水嶺 ,中美兩國在智慧駕駛的發展上選擇了不同的方向。

美國一如既往走在「單車智慧」的道路上。而在中國, 車路協同越來越成為無人駕駛一個更為可靠的實現路徑

首先,從地理環境來看,美國地廣人稀,交通環境相對單一,即便是不太精確的單車智慧就有可能實現輔助駕駛的目的。

反觀國內,人口密度大且集中,交通環境複雜,對自動駕駛的要求相對更高,依靠單車智慧很難實現高級別的自動駕駛,而車路協同則提供了一個好的解決方案。

其次,基礎設施投入建設也很重要。高寬頻、低時延、廣連線等特性的5G才足以支撐車路協同的發展。

最新資料顯示, 中國目前已累計建成5G基站超91.6萬個 ,在全球佔比約為70%。

中美車路協同基礎設施對比 (來源:德勤分析)

最後,中國實現車協同具備巨大的規模優勢。相比於單車智慧方案中每一輛車都必須配備複雜且昂貴的感測器和計算單元裝置的巨大投入,車路協同只需要I4級別的道路和L2級別的車輛即可實現高級別的無人駕駛。

從中國的汽車保有量和龐大的路網布局來看,規模化的發展將使改造成本不斷降低。在中國以車路協同技術來實現L4級別的無人駕駛方案,從總投入來看,成本甚至不到單車智慧的一半。

(來源:德勤分析)

正是這種優勢使得「車路協同決定中國無人駕駛的成敗」的觀念基本上已經成了包括產業政策制定者在內的行業參與者的共識,一些先行者已經在車路協同無人駕駛的道路上實現了突破。

2021年「新四跨」演示車輛

中智行All in車路協同

在蘇州市相城區,有一條高標準的車路協同測試路段,在這條路段上,依靠車、路、雲配合的高等級無人駕駛路測已經取得了實質性突破。

實現了這種突破的中智行科技有限公司是一家專注於車路協同的公司。在2021年9月份,這家公司剛剛和中國電信、蘇州市政府一起成立了一家名為天翼交通的公司來共同推進車路協同在中國的落地。

車路協同無人駕駛車輛正在測試

這實際上也是中國優勢在車路協同中的一種具體體現:中國電信擁有5G基建和資訊處理能力;蘇州市政府具備基建優勢和政策支援;而中智行則是中國唯一實現車、路、雲全棧技術架構的公司,在無人駕駛的核心技術指標上位於全球前列。

在實現了核心技術上的突破後,車路協同接下來的方向就是城市級的應用,這其中雖然還有大量的工作要做,但已經度過了「從0到1」的起步階段。

中智行公司創始人王勁

中智行的創始人王勁曾創立了中國第一個(全球第二個)L4級全無人駕駛團隊,他對車路協同城市級應用的理解是:「車路協同的發展必然路徑就是:先進行小規模實驗,成功之後再進行大規模實驗,然後再不斷鋪開。」 

實際上,全國各地城市智慧道路的建設正在持續地推進,除了蘇州外,中智行正在和多地政府進行車路協同的落地對接。

在計劃中,中智行將會在2025年前在兩個二線城市和5個三線城市中完成智慧道路的鋪設。

可以預見的是,在技術不斷突破和基建標準越來越清晰的情況下,城市級應用的推廣速度將會越來越快。 

All in車路協同,或許是未來交通發展的一個充滿潛力的選擇。

參考資料:

https://pdf.dfcfw.com/pdf/H3_AP202108131509805924_1.pdf?1628869939000.pdf

https://www.bilibili.com/read/cv8821840

https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/consumer-business/deloitte-cn-cb-autonomous-driving-under-new-infrastructure-zh-210126.pdf

https://www.leiphone.com/category/transportation/cozGOy3epRSg7QK0.html

https://www.rand.org/content/dam/rand/pubs/research_reports/RR1400/RR1478/RAND_RR1478.pdf

https://www.vzkoo.com/read/11c32912f0dfacc9cc4058679905d772.html

「其他文章」