上个月,一段搭载华为自动驾驶ADS系统的极狐量产电动车路试视频走红网络,视频中展示该车在极为复杂的路况下仍旧能实现自动驾驶功能,车辆所实现的更高阶自动驾驶成为了核心关注点。

在众多厂商入局的电动车行业,自动驾驶很可能会成为未来电动车的核心竞争力之一。目前自动驾驶技术都用到了哪些技术?未来自动驾驶技术会怎么发展?自动驾驶技术有可能成为接下来电动车行业的焦点之一。

自动驾驶也有分级

我们先来了解下目前自动驾驶都有哪些类型。根据国际自动机工程师学会(SAE)划分的标准,自动驾驶拥有从L0到L5五个级别。L0需要人类全程驾驶,车辆能够提供有限的提醒,比如盲点监测提醒。L1能够实现转向或者加减速其中一项功能。L2则是有一定的自动化驾驶功能,同时支持转向和加减速功能,而驾驶员需要完成其余操作。

打开网易新闻 查看更多图片

L3级别的自动驾驶与上面几个级别完全不同,L3能够实现条件自动驾驶,车辆完成驾驶操作,不过驾驶员仍旧需要关注路面动态,随时准备接管。L4则是高度自动化驾驶,在限定道路和环境条件下,可以由自动驾驶完成所有操作。

简单来说,L3级是自动驾驶的一个转折点,带来质的提升。目前有部分厂商对L3、L4级别的自动驾驶进行了尝试,预计未来车辆所搭载的自动驾驶功能更多是L3级别以上。

从路测的情况看,搭载华为自动驾驶ADS系统的极狐电动车已经实现类似L4级别的自动驾驶。最近也有不少科技企业宣布涉足造车行业,在自动驾驶方面,科技企业可能会有更大优势。

自动驾驶有视觉派&激光雷达派

要想实现自动驾驶,车辆需要具备环境感知能力。在车辆环境感知层面,目前技术路线大概可以分为视觉派和激光雷达派两种不同路线,这两种路线都会采用多传感器混合感知方案,只不过核心实现形式有所区别。

视觉派自动驾驶主要以摄像头视觉识别为主,摄像头+毫米波雷达就是很常见的组合方案。通过摄像头识别物体、场景,毫米波雷达负责提供距离、速度等参数,通过这些传感器组合捕捉到车辆位置以及外部环境信息,共同实现车辆的感知能力。

据了解,特斯拉采用8个摄像头+1颗160米测距毫米波雷达+12颗超声波雷达组合,特斯拉使用的感知方案可以看做是比较典型的视觉派自动驾驶。

视觉派的工作原理其实很容易理解,就是跟人眼感知环境类似。通过车载摄像头捕捉到现实环境的2D画面,然后利用算法构建出3D环境地图,车辆能够实时感知周围环境情况。

视觉派的实现方式虽然相对简单直接,但对算法要求非常高,算法需要对获取到的2D图像中的每一件物体进行准确的识别才能构建出可靠的3D地图,地图的可靠性直接关系到自动驾驶的最终效果。

视觉派自动驾驶的优点是整套硬件配置组合简单,成本相对更低。神经网络图像识别算法在视觉派自动驾驶中起到至关重要的作用,海量的路测数据可用于神经网络训练,可以改善环境感知数据精度不足等问题,提供更准确的场景识别能力。

另外一种激光雷达派自动驾驶就能有效提升场景识别的准确度。激光雷达派一般会采用激光雷达+毫米波雷达+摄像头的混合感知方案,与视觉派主要区别在于增加了激光雷达。

打开网易新闻 查看更多图片

激光雷达其实大家应该不会陌生,去年推出的iPhone 12 Pro、以及iPad Pro 2021上面都配备了激光雷达,通过这颗雷达可获取到更加精准3D深度信息,可用于3D建模等场景,电动车所搭载的的激光雷达也是利用了类似的特性。

激光雷达可以主动发射出大量不可见的激光束,遇到物体时反射回来,结合光速和返回时间,就能实时计算出车辆与物体的距离、速度等,构建出一幅十分精确的3D空间地图,精确度远高于摄像头所获取到的2D图像信息,更加可靠。

上面提到的毫米波雷达工作原理和激光雷达类似,不过各自都有擅长的方面。毫米波雷达可以获取到较为准确的相对速度、距离等信息,但无法实现精确的3D建模。毫米波雷达在汽车上使用的时候,通常还会过滤掉静止的物体,无法实现全面的探测。不过在雨天、雾霾等恶劣天气下,毫米波雷达仍旧能保证比较好的探测效果,可以作为激光雷达的互补。

通过激光雷达+毫米波雷达+摄像头的组合,能够让电动车拥有更加精准的空间感知能力,并且在不同天气下也能保证可靠性。上面提到的这些都是自动驾驶汽车的空间感知能力,硬件部分主要通过雷达+摄像头的组合,获取到环境空间的数据,让汽车能够实时理解所处的环境动态。

打开网易新闻 查看更多图片

极狐阿尔法 S HI 版搭载了3颗激光雷达、6颗毫米波雷达、12颗超声波雷达、13个摄像头。小鹏 P5最高搭载2个激光雷达(最远探测距离150m)、5个毫米波雷达、12个超声波传感器、13个摄像头。这些都属于激光雷达派的自动驾驶,采用多传感器混合感知方案。

多传感器融合采集到的数据虽然更多更可靠,但怎么整合利用好各种传感器的数据又是另外一个问题。汽车具有了空间感知能力后,要想实现自动驾驶,还需要决策层决定汽车的下一步操作,并且传递给执行层。决策层需要根据获取到的外部环境信息,来决定汽车的下一步操作。

决策层相当于汽车的大脑,代替了原本驾驶员需要决定的车辆操作,会根据目前掌握到的信息决定汽车下一步动作。比如决策层需要根据当前车辆附近的行人、障碍物等实时路况,决定车辆是否需要减速避让、变换车道或者保持车距等。决策层

但因为道路上有各种不确定因素,特别是一些复杂的路面,需要决策层根据实时场景快速做出反应,算法的可靠性就十分重要。决策层需要通过深度学习神经网络、以及大量路况数据的智能训练,才能尽可能根据不同场景做出最佳的驾驶决策。

要想自动驾驶功能完全脱离人工干预,算法层面是最终影响到自动驾驶效果的核心。就像手机拍照一样,即使不同厂商使用同一款传感器,因为调教算法和风格不一样,最终你用不同手机拍摄出来的照片可能同样会有较大的差别。

此外,自动驾驶还需要搭配高精度地图、车联网的支持,规划出一条可行的路线,完成自动驾驶。因为自动驾驶全程都需要大量数据计算,算力也是自动驾驶方案中很重要的一部分配置,关系到自动驾驶面对不同场景实时决策、处理数据的速度。

从目前来看,在自动驾驶感知层面,激光雷达等多传感器融合是一个新的趋势,可以提供更精准的感知信息,随着激光雷达成本下降,激光雷达方案可能会变得更为常见。

自动驾驶是一项软硬件高度融合的生态功能,未来自动驾驶核心差距应该还是会在自动驾驶的决策层,这部分与厂商的算法、数据积累等方面都有关系。不久的将来,可能更加完美的高阶自动驾驶会变得更为寻常,让我们拭目以待。