您现在的位置:主页 > 教育新闻 >

智能驾驶发展趋势:“车-路-云”一体化

发布日期:2022-01-14 05:47   来源:未知   阅读:

  智能驾驶的理想发展方向是“车-路-云”一体化,由智能汽车、路侧智能设施、云计算相结合,形成智慧交通生态系统。相比“纯单车智能”方案,“车-路-云”一体化对智能汽车软硬件的要求较低,更容易实现商业化,且有助于提高交通效率,降低事故率。展望未来的陆空立体交通时代,低轨卫星互联网及新一代空中通信技术将发挥重要作用。

  当前自动驾驶技术的核心瓶颈在于算法不成熟,存在推理能力弱、训练效率低两大问题。此外,成本、基础设施、法律法规等因素也将影响自动驾驶商用进度。预计自动驾驶先在B端Robotaxi等场景实现商用落地,再逐步渗透C端私家车市场。随着配套基础设施、法律法规逐渐完善,公众接受度逐步提升,经过长期发展,实现“车-路-云”一体化的生态的全面普及。

  2020年,工信部发布《汽车驾驶自动化分级》,规定了汽车驾驶自动化分级遵循的原则、分级要素、各级别定义和技术要求框架,与国际主流的SAE分级标准基本保持一致,将于2022年3月起正式实施。根据分级标准,L0-L2为驾驶辅助,由驾驶员承担动态驾驶任务。L3为驾驶辅助和自动驾驶的过渡阶段,由系统承担动态驾驶任务,但驾驶员需随时做好接管准备。L4要求自动驾驶系统独立控制动态驾驶任务,仅在系统失效或人类驾驶员要求接管的情况下停止运行,但存在设计运行范围限制。L5进一步解除了设计运行范围限制,实现完全自动驾驶。综上所述,至少达到L4标准,才可以实现自动驾驶。

  明确区分辅助驾驶与自动驾驶。辅助驾驶又称为“ADAS”,主要功能包括自适应巡航、自主泊车、碰撞预警、自动紧急制动等,可有效提升驾驶体验与安全性,但目标识别与动态驾驶任务仍由驾驶员承担。自动驾驶完全不需要驾驶员介入,对算法、传感器、芯片等智能软硬件提出更高要求。硬件方面,辅助驾驶的感知以摄像头为主,毫米波雷达为辅,算力需求小于100TOPS;主流观点认为自动驾驶汽车必须装配激光雷达,且中央计算平台算力至少达到1000TOPS。软件方面,辅助驾驶算法主要围绕摄像头的“纯视觉”感知,且决策/规划能力要求较低;自动驾驶算法需具备强大的多传感器融合感知能力,并形成周边环境3D建模,决策/规划方面也需具备独立、高效决策能力。

  关于自动驾驶的发展方向,主要有“纯单车智能”和“车-路-云”一体化两种方案。后者对配套基础设施的要求高,但对单车智能的软硬件水平要求较低,更容易实现商业化。此外,“车-路-云”一体化也有助于提升交通效率,降低事故率,实现社会整体出行模式的优化。

  “纯单车智能”路线存在瓶颈。自动驾驶技术发展初期,以Waymo为代表的美国企业主推“纯单车智能”,主张由每辆智能汽车本身的感知、决策、控制体系来处理全部驾驶任务,实现L4/L5自动驾驶。纯单车智能对智能汽车的软硬件提出了极高要求,在智能传感器配置、主控芯片算力等方面需确保硬件冗余,成本端也面临着很大考验。此外,每辆智能汽车的感知范围局限于周边200-300m,对于范围外是否存在交通拥堵或安全风险无法形成预判。因此纯单车智能路线的自动驾驶,在行驶表现上存在明显约束,且成本下降空间有限。

  案例:Waymo进度陷入停滞。2018年以来,由于Waymo坚持纯单车智能路线,技术门槛极高,而美国政府的政策支持仅限于测试许可,并未涉及路侧智能设施建设,因此商用进程陷入停滞。此外,母公司Alphabet对自动驾驶算法的安全性要求极为严苛,与Waymo团队出现分歧。2021年上半年,Waymo遭遇高管离职潮,CEO、CFO等9名核心高管先后离职。据FT报道,Waymo估值已从巅峰时期的1750亿美元缩水至约300亿美元。

  “车-路-云”一体化方案更具应用前景。“车-路-云”一体化通过V2X、路侧智能设施、云计算、卫星互联网共同配合,“绘制”动态高精度地图并实时更新,辅助智能汽车的感知与决策。每辆智能汽车及每座路侧智能设施将感知信息进行初步处理,通过通信模块传输到云端,经云计算平台处理,生成动态高精度地图,覆盖区域内所有智能汽车、非机动车、行人、信号灯等实体,并反映道路施工等异常事件。考虑到低时延与全面性之间的矛盾,可设计两套高精度地图机制:(1)微观地图:根据某辆智能汽车及其周边路侧设施的感知信息,形成500m内的高精度地图,供这辆智能汽车使用。计算主体为智能汽车本身或路侧设施,更新频率控制在1s以内;(2)宏观地图:收集区域内所有智能汽车及路侧设施的感知信息,在云端绘制全面的高精度地图,更新频率为每分钟2-3次。

  “车-路-云”一体化方案具备两大优势:(1)信息感知更全面细致,对单车智能的要求降低,对应更低的成本,使自动驾驶更容易实现商业化;(2)所有智能汽车均实现网联的情况下,通过云端可实现全局交通指挥调控,全面提升交通效率,降低事故率。由于前期基础设施投资要求较高,因此一体化方案需要政府或产业联盟牵头进行前期建设。基础设施复用率高,随着自动驾驶汽车放量普及,前期成本可通过合理的收费机制来收回,也可与智能汽车节省的成本、交通效率提升的附加值相互抵消,长期来看具备明确的商业前景。

  案例:北京经开区智能路口改造工程。中国多地政府已开始在部分高速公路、城郊示范区安装路侧智能设施。以北京为例,2020年成立高级别自动驾驶示范区,年底完成1条12.1公里开放道路的全部28个路口智能化改造,建设装配毫米波雷达、激光雷达、边缘计算终端和无线通信技术设备的多功能信号杆。乘客也可通过车载显示屏查看精确路况。北京计划到2022年完成示范区60平方公里内全部305个路口的智能化改造,并逐步向北京市其他区域复制推广。

  陆空立体交通业态展望:随着电池、电机技术实现突破性进展,飞行汽车的量产商用有助于充分利用城市低空的空间,彻底解决交通效率问题,实现交通出行模式的变革。广义上的飞行汽车包括“飞行器”和“陆空两用汽车”,可定义为具备飞行功能的大众出行工具,而空中行驶操控门槛高,自动驾驶功能将成为飞行汽车的必备。由于路侧基站的感知范围有限,低轨卫星互联网将成为立体交通时代的核心基础设施,而新一代空中通信技术将为立体交通系统的实时性、智能性赋能。

  自动驾驶是汽车智能化的核心目标。理想中的自动驾驶形态,应由单车智能、路侧智能设施、云计算相结合,以动态高精度地图为媒介,形成“车-路-云”一体化的智慧交通生态系统,提高交通效率,降低事故率,实现社会出行模式的整体优化。展望未来,飞行汽车的商用将促使城市进入陆空立体交通时代,也将对自动驾驶技术、卫星通信技术提出更高要求。

  自动驾驶仍处于商业化初期,现阶段主要任务为提升算法的推理能力与训练效率,探索合适的硬件配置方案,初步建设配套基础设施,并通过大量的道路测试来探索/验证技术可行性。

  当前自动驾驶技术的核心瓶颈在于算法。从需求角度考虑,算法与传感器、主控芯片等硬件呈相辅相成关系:若算法成熟度低,则智能汽车需装配大量传感器,对应的算力需求高,且具体要求难以估量,需逐步探索最优方案;若算法成熟度高,则传感器、算力要求降低,更容易形成商用可行方案。近年来,在英伟达、高通等芯片巨头的推动下,预计未来2-3年主控芯片算力将初步满足L4的理论需求,而算法的迭代发展相对滞后。

  自动驾驶对算力要求极高。根据英特尔测算,在全自动驾驶时代,每辆汽车每天产生的数据量将高达4TB。主控芯片应具备实时处理海量图像/视频、雷达成像等非结构化数据的能力,对算力提出了极高要求。自动驾驶等级每提升一级,算力需求则相应增长一个数量级。据地平线TOPS,而L5需要的计算力目前还未有明确定义(有预测需要至少1000 TOPS)。

  算力高速迭代+多芯片组合,总算力已接近理论需求。车规级计算平台的算力迭代已进入爆发期。2018年,英伟达发布的Xavier芯片峰值算力达到32TOPs,并于2020年实现量产装车。新一代Orin芯片峰值算力达到254TOPS,预计2022年量产。通过多芯片组合的方式,理论上中央计算平台的总算力可达到500TOPS以上。例如英伟达提出的“双Orin+双GPU”/“四颗Orin”方案,总算力可超过1000TOPS,单纯从算力数字来看,已经接近自动驾驶的理论需求。

  自动驾驶算法主要包括感知、规划/决策两个模块。感知算法应用于目标定位、识别、跟踪,约占算法代码的70%,是自动驾驶算法中最重要的模块。与算力的高速进步相比,自动驾驶算法的进展相对滞后,成为现阶段影响自动驾驶商业化进程的核心因素。

  推理能力弱:以目标识别为例,算法的学习过程体现为“输入感知信息-识别(失败)-上传并标注-算法更新”,但由于算法推理能力较弱,在未标注物体/场景出现时,表现大打折扣,出现安全风险。因此理论上需要在训练中对每一种场景,每一种物体完成全面标注,才能确保算法的鲁棒性。此外,在出现多类动态目标的复杂场景中,系统决策的稳定性低,对目标的预判能力弱。热门的“自监督学习”的作用局限于将人工标注转为系统标注,有助于节省人力成本,提升训练效率,但本质上无法解决算法推理能力弱的问题。

  训练效率低:多动态目标复杂路况、低能见度、突发事故/施工等长尾场景是自动驾驶的痛点所在。而在划定区域的道路测试中,长尾场景出现的频率极低,积累的“安全行驶里程”来自低风险普通场景的重复,对算法迭代的意义较为有限。此外,安全员责任制也对训练效率产生一定影响。理论上,安全员遇到极端场景时执行接管,自动驾驶系统将接管的情况数据化,上传云端,可帮助算法提升短板,学习人类驾驶员的行为。但实际道路测试中,由安全员承担全部责任,因此安全员倾向于频繁接管,遇到稍复杂的场景均选择直接接管,造成大量冗余数据输入,影响算法迭代,而算法很难判断/评估安全员接管的质量与必要性。

  自动驾驶系统的成本可粗略分为硬件成本、算法成本两类。据Mobileye测算,当前传感器、计算平台等全套自动驾驶硬件的成本在1.5万美元以上,若考虑硬件冗余设计,成本将进一步提升。算法训练的前期成本极高,包含测试车的改装成本,车队运营成本,云端计算/存储成本,仿真测试平台成本等多方面,将在实现商业化之后逐步摊销。B端与C端不同的商业逻辑,决定了自动驾驶的商业化分为“一步到位”、“循序渐进”两条路径。

  B端“一步到位”:L4/L5无人驾驶系统取代人类驾驶员。以Waymo、Cruise、百度Apollo为代表的公司直接探索L4/L5在无人驾驶出行平台(Robotaxi)场景的商用。商用场景的自动驾驶车属于生产工具,核心价值在于使用无人驾驶系统取代驾驶员,以节省成本。据瑞信统计,驾驶员成本占出行平台收入的比例达到60%。随着技术进步,无人驾驶系统的成本将逐步降低,而驾驶员产生的人力成本会随着经济发展而逐步提高。麦肯锡预计2025-2027年起无人驾驶系统的每公里成本将低于驾驶员,达到商用拐点,全面取代人类驾驶员,显著提升出行服务平台的盈利能力。此外,Robotaxi车队由平台统一运营管理,算法保持一致性,也更容易与基础设施交互配合。缺点在于技术门槛较高,短期内无法落地,在实现Robotaxi平台规模化运营之前缺乏商业变现能力,对企业的现金流和资金储备提出较大考验。

  C端“循序渐进”:从L1/L2起逐步提升自动驾驶能力。特斯拉等造车新势力采取渐进式路线,先在量产车型中配备L1/L2辅助驾驶系统(ADAS),实现ACC(自适应巡航)、AVP(代客自主泊车)、AEB(自动紧急制动)等功能,使汽车初步具备智能属性,提升附加值与品牌竞争力,优化驾驶体验。优势在于成本可控,技术门槛低,商业化变现能力强,且积累的用户数据有助于自动驾驶算法的开发迭代。缺点在于附加值有限,且容易造成用户认知误区,带来安全风险,并使得公众对自动驾驶技术的认知受到负面影响。此外,不同车企采用不同的自动驾驶算法,在实际运营中不同算法并行,可能会形成难以预料的复杂情境,反而会增加交通系统的安全风险。

  预计B端路径率先实现自动驾驶商业化。假设B端、C端两条路径的技术进程一致。从成本角度考虑,出租车/网约车本质为生产工具,当无人驾驶汽车的摊销成本低于驾驶员薪酬时,Robotaxi将迎来商用拐点,开始具备规模化运营价值。目前百度的Apollo Moon无人驾驶车成本已降至48万元,假设Apollo Moon的硬件配置方案能够满足L4需求,按运营寿命5年来测算,每月摊销成本仅为8000元,已初步具备成本竞争力。另一方面,C端私家车本质为出行代步工具,主流消费者对汽车价格较为敏感,自动驾驶汽车的价格需降至略高于同级别普通汽车的水平,例如20-30万元区间,才能初步具备价格竞争力。综上所述,预计自动驾驶在C端的商用进度将会慢于B端。

  最基础的“车路协同”阶段,路侧智能设施由感知、计算、通信三个模块构成,精确识别/追踪周边车辆、行人、交通锥等实体的位置,实现全方位车路动态信息交互,并提供盲区/变道、车辆失控、闯红灯、非机动车/行人碰撞等各类预警。“车-路-云”一体化阶段,每辆智能汽车和每台路侧设备将感知、决策信息共享到云端,形成实时更新的动态高精度地图,辅助每辆智能汽车规划最优路线并规避安全风险。因此“车-路-云”一体化对路侧设施的密度/智能化程度,云端的计算/存储能力,整套生态系统的同步性都提出了较高要求。

  据统计,约50%的致伤性事故发生在路口。作为城市开放道路中最复杂的场景,路口成为路侧智能设备部署的重点。如前所述,北京经开区已开始进行路口智能化改造,计划到2023年完成区域内全部305个路口的改造,再逐步向北京市其他区域推广。整体而言,配套基础设施的建设仍处于起步期,距离实现“车-路-云”一体化还有很长距离。一方面需要政府牵头进行持续的资金投入,推动建设进度,另一方面也需要企业加速自动驾驶技术研发,积极探索/验证技术可行性。

  自动驾驶的商用需要与法律法规、监管制度的完善相匹配,核心问题包括评估测试体系、事故责任认定等。

  评估测试体系:完全自动驾驶(L4/L5)需要乘客对系统完全信任,愿意把生命交给系统。而法律法规/监管制度作为底线,必须为公众做好“把关”工作,建立完善、严谨的评估测试体系,从科学的角度引导公众对自动驾驶技术形成合理认知。具体而言,监管机构应审核每种车型的传感器、算力等配置是否满足最低标准。此外,每一辆自动驾驶汽车应在专用测试场地中,通过拥堵路口、多障碍物复杂路况、低能见度、突发事故/施工等长尾场景的测试,综合评估安全性、稳定性与乘车体验。满足标准的汽车可获得自动驾驶牌照,并上市公开销售。将来在技术成熟或充分验证后,逐步改为每种车型抽样测试。此外,每辆自动驾驶汽车需定期维护/测试/检修,评估自动驾驶性能是否依然满足标准,成本可由车主、车企、政府共同承担。

  事故责任认定:理论上,自动驾驶阶段,系统承担全部动态驾驶任务,因此出现主动事故时,应由系统承担全部责任。而在现有法律体系下,系统不能视为法律主体,因此责任认定应考虑具体情况,延伸至相关法律主体。考虑一种简化的责任认定框架:首先分析事故原因,明确故障出现在软件(算法)还是硬件。若算法存在问题,则车企及其算法供应商承担全部责任;若硬件出现问题,考虑车主之前是否按照相关规定进行定期检修/测试,以确定车主、车企(及其相关供应商)的责任比例。此外,驾驶员/乘客在每次激活系统前,需要对系统状态做简单的检查。如果没有正常完成例行检查的记录,则驾驶员/乘客也应承担部分责任。理想状态下,系统应设定为“未完成例行检查,则无法激活系统”,从根本上排除驾驶员/乘客承担责任的问题。

  L3定位亟待明确。辅助驾驶(L0-L2)由驾驶员承担所有责任,自动驾驶(L4/L5)由系统承担所有责任。而作为辅助驾驶和自动驾驶的过渡阶段,L3要求系统承担所有运动控制和事件响应任务,但驾驶员必须时刻做好接管动态驾驶任务的准备,衍生出一系列复杂问题。法律层面,L3实质上要求系统和驾驶员共同承担驾驶任务,一旦发生事故,责任认定将极其困难,因此立法机关和监管机构必须考虑多种复杂情境并制定相关标准。使用体验层面,驾驶员不需要一直把控方向盘,但依然必须全神贯注,随时准备接管驾驶。因此,L3带来的使用体验提升有限,反而会导致驾驶员更容易走神,增加事故风险。主流观点认为,驾驶自动化进程应明确分为“辅助驾驶”和“自动驾驶”两个阶段,而L3在实际商用时应划分为“辅助驾驶”,明确由驾驶员承担责任。

  目前自动驾驶技术的核心瓶颈在于算法不成熟。加快训练效率、提升推理能力是算法突破的两大方向。从成本角度考虑,预计B端无人驾驶(Robotaxi)更容易实现商业化。综合考虑技术、成本、基础设施及法律法规等因素,预计自动驾驶将从2030年起开始商用落地,经过20-30年进程,到2050年左右基本实现“车-路-云”一体化的自动驾驶生态。

  根据技术可行性与商业可行性的发展进程,可将自动驾驶的商业化划分为两个阶段。(1)道路测试与商业化试点:核心在于探索/验证技术可行性。道路测试初期,车内配备安全员,搭载工作人员或少数公众乘客,积累数据,优化算法。积累足够测试里程后,在指定区域向公众开放无人驾驶出行服务,并收取服务费;在方案成熟之后取消安全员。(2)从Robotaxi到自动驾驶私家车:核心在于降低成本,完善基础设施及法律法规。在区域试点成功的基础上,Robotaxi平台推广到整个城市范围运营,并进一步拓展至更多城市。随着技术成熟,成本进一步降低,无人驾驶进入C端市场,全面替代普通汽车。到2050年左右,基本实现“车-路-云”一体化的自动驾驶生态。

  2009-2018:Waymo率先开启道路测试。2009年谷歌无人驾驶团队(Waymo的前身)在旧金山开启道路测试,并于2015年在奥斯汀完成全球首次搭载乘客的无人驾驶测试。2018年12月Waymo上线出行服务平台Waymo One,并在凤凰城郊区开展全球首个自动驾驶商业化试点。2015-2018年也成为自动驾驶公司创业的高峰期,业内普遍看好自动驾驶商用进度,提出“2020年规模落地”等目标。

  2019-2021:行业初步整合,多家企业开启商业化试点。2019年起,尽管越来越多的企业进入道路测试阶段,“安全里程”快速累积,但算法推理能力弱、训练效率低的问题逐渐凸现,领头羊Waymo的进度也陷入停滞。在商用时间表不明朗的情况下,资本热潮褪去,高昂的测试运营成本成为多数自动驾驶企业的“不可承受之重”。随着Uber、Lyft等企业选择退出,行业完成初步整合。2021年11月,百度Apollo、小马智行在北京经开区取得商业化试点牌照,在配备安全员的情况下开展自动驾驶出行服务。通用Cruise通过DMV审批,获准在旧金山指定区域运营无人驾驶服务,不需要配备安全员,并可向乘客收取费用。

  政策支持有助于提升测试效率。以中国为例,政府高度关注自动驾驶技术发展,鼓励各地积极建设自动驾驶示范/测试基地。截至2020年底,已有北京、上海、广州、长沙等27个城市发布了自动驾驶相关道路测试政策,累计发放409张自动驾驶道路测试牌照。以北京为例,在政府支持下,百度等企业成立产业联盟(智能车联产业创新中心),推进评测标准体系等工作。车企、自动驾驶技术服务商的每辆测试车需在亦庄测试基地,通过全天候、多场景等一系列测试,评估合格,才能进入开放道路进行测试。

  载物自动驾驶成为商用突破点。长途货运存在驾驶体验极其枯燥的问题,司机缺口较大,物流企业招聘困难,是最需要自动驾驶技术的场景之一。高速公路路况相对简单,路面标准化程度高,且没有十字路口、非机动车、行人等复杂变量,空间宽裕,理论上适合无人货运卡车率先落地。在图森未来成功上市的背景下,Waymo等企业开始布局无人驾驶重卡业务。但重卡存在惯性大,刹车距离长(150m以上)的问题,对感知范围、制动性能要求更高。图森未来预计长途重卡全面无人化还需要10-15年进程。

  此外,无人派送车、无人物流车等细分赛道也吸引了众多企业布局。这些细分市场的容量远小于乘用车出行市场,但技术门槛相对较低,监管要求相对宽松,有助于企业加速商业变现,初步建立造血能力,度过自动驾驶技术成熟落地前的瓶颈期。

  技术可行性得到验证,成本下降成为主线。随着无人驾驶车的单车智能提升至L4标准并得到广泛验证,单车成本降至合理范围(40-50万),同时智能路口等路侧智能设施建设、法律法规初步完善,Robotaxi平台将率先在部分城市展开商业化运营,形成成熟商业模式后,逐渐推广到更多城市。例如Cruise与迪拜市政府达成协议,计划2023年起在迪拜运营Robotaxi平台,到2030年在迪拜全城投入4000辆Robotaxi。百度Apollo也提出2030年在100座城市运营自动驾驶平台的计划。乐观情境下,2030年有望成为Robotaxi平台规模化运营的起点。

  “车-路-云”一体化成型,人类驾驶逐步退出。Robotaxi商业模式的成功,将为众多车企提供自动驾驶汽车的商业化模板,也有助于公众对自动驾驶的接受度提升。在基础设施逐渐完善的基础上,车企找到智能传感器方案、算力需求和成本约束之间的平衡点,优化整车架构,逐步降低成本,最终实现私家车无人驾驶的普及。另一方面,无人驾驶渗透率的突破式提升,将进一步推动政府加快配套基础设施建设,以城市为起点,逐步实现路侧智能设施的全覆盖。配合通信技术、云计算技术的持续提升,到2050年左右,“车-路-云”一体化的智慧交通生态系统有望逐步成为现实。考虑到人类驾驶员的感知、决策能力受到生理条件限制,会对无人驾驶交通系统带来不稳定因素,在无人驾驶技术全面成熟之后,预计政府将逐步限制/禁止人类驾驶。

Power by DedeCms