2020年10月28日 星期三
自动驾驶真正上路 还有10%的技术难题待解
本报记者 马爱平
市民在北京市海淀区稻香湖路的百度自动驾驶出租车指定上车点乘车。
新华社记者 任超摄

    自动驾驶在技术上已经解决了90%的问题,但剩下10%的问题如很多边界化难题,却可能要花费比过去更多的精力去解决。

    10月21日,全国首个常态化运营的5G无人公交在苏州落地。这个在苏州高铁新城亮相的无人公交是在开放的城市道路上运行,且速度可达20—50千米/时。这辆无人公交车除了具备避让行人车辆、自动变道、自动转向、红绿灯识别等基本功能,还能应对各类城市复杂交通场景,例如穿行人车混杂的路口、应对后车加塞、“鬼探头”等。

    此前,10月12日,北京也开放了无人驾驶出租车试乘,可试乘区域包括海淀、亦庄等,12日当天北京地区的呼单量就突破了2600单。而早在今年4月,长沙已经全面开放了无人驾驶出租车服务。

    自动驾驶服务陆续落地,是否意味着其商业化临近?

    商业化正迎来最佳时机

    目前自动驾驶的落地情况如何?其发展到了一个什么程度?

    “2019年12月,国内首次提出了新基建的概念,掀起了一股新浪潮。新基建包括5G、物联网、工业互联网、卫星互联网、人工智能、云计算、区块链七大板块,其中有三大板块是自动驾驶软件的核心技术——5G、AI、大数据中心(云计算)。”轻舟智航联合创始人、CEO于骞在接受科技日报记者采访时表示。

    在于骞看来,自动驾驶处于这几大领域的交汇点,是新基建的典型落地应用。加上近年来不断完善的智慧城市、智慧交通相关政策,可以说,自动驾驶在国内的商业化落地正迎来最佳的时机。

    “在整体落地方面,仅从近几年无人驾驶行业的创业公司情况来看,以2018年为分界点,无人驾驶领域确实是出现了两个创业的黄金窗口。”于骞说。

    第一个黄金窗口出现在2015年至2017年之间,在这段时间里,出现了一批自动驾驶公司,在这个阶段的融资主要是靠估算的产品规模以及团队背景,当时市场对L4级别自动驾驶(全自动驾驶)产品落地的期望值很高,定下了不少比较乐观的近期目标。

    “在近期目标没有实现时,市场感到了失望,并重新对落地时间树立起了新的认知,这时又遇上了资本寒冬,所以自动驾驶创业公司的声音少了许多。”于骞表示。

    在2019年之后,人们对L4级别自动驾驶的预期开始回归理性,随着技术的进一步成熟,市场的需求也呼唤无人驾驶产品落地。同时国家的各类政策先后推出,以及相应的法律法规逐渐完善,随着硬件成本的显著下降,L4级别自动驾驶的短期落地场景逐渐明确了。

    于骞表示,目前,业内预计公共道路中低速载人场景的落地运营时间大概在1—3年,公共道路中低速载货场景的落地运营时间则是在3—5年。虽然前几年已经有各种物流车、摆渡车试运营,但这些试运营都只局限在园区里头,这里的落地,指的是在公开道路中的落地。

    无人小巴更具落地可能性

    部分应用落地是否意味着自动驾驶将很快投入商业化运行?自动驾驶的商业化道路还有多远?

    在于骞看来,自动驾驶能否商业化取决于不同自动驾驶级别和不同场景,例如L2级别自动驾驶(部分自动驾驶)的方案已经在许多量产车上落地。

    “无人驾驶出租车作为目前市场规模最大的、最有挑战的部分,是城市复杂交通环境无人驾驶的终极目标,但无人驾驶出租车的落地周期比较长、速度快、非固定路线,落地难度会比较大。”于骞说。

    目前业内更看好无人小巴在公开道路的商业化落地应用,无人小巴正在国内多个城市启动常态化运营,可满足城市中的地铁接驳及微循环接驳需求。

    如苏州在2020年7月发布了全球首条城市微循环无人小巴市民体验线路,并随后落地了全国首个常态化运营的城市公开道路无人小巴项目,部署多条无人小巴城市微循环线路。苏州的无人公交项目将设置多条路线,覆盖高铁新城周边9.8平方公里区域,解决居民出行“最后三公里”难题。这是目前国内覆盖范围最大的无人公交项目,也是唯一常态化运营的城市公开道路无人公交项目。

    于骞表示,无人小巴这一应用场景具有三大优势。第一,中低速场景,乘客对车速的预期可控,速度保持在20—50千米/时之间。第二,固定路线,车在同一条线路上反复磨练,更能确保行驶安全,并可实现红绿灯优先和预警。第三,满足多人出行,具有社会效益,在公共道路上享受优先路权。

    “无人小巴这一应用场景结合了固定路线中低速、多人出行路权优先、可部署基于5G的车路协同等优势,或将成为L4级别自动驾驶的最快实际落地场景。”于骞说。

    已经解决90%的技术问题

    有专家指出,目前困扰自动驾驶的主要难点在于其决策规划和感知,并认为目前并没有看到这两个难题的解决措施,此观点获得不少人的认同,现实情况是否如此?

    于骞认为,决策规划和感知的问题都可以归结为自动驾驶的长尾问题。自动驾驶在技术上已经解决了90%的问题,但剩下的10%却可能要花费同样多甚至更多的精力去解决,这10%包括很多边界化难题(Corner case),如在车辆遇上野鸭子之前,工程师甚至不知道会有野鸭子的问题。所以边界化难题是需要去发现并解决的。

    那么边界化难题怎样去发现并解决呢?

    “除了收集大量的数据,更重要的是建立自动化生产工厂,将源源不断收集来的有效数据,通过自动化的工具,加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。”于骞表示。

    于骞以上面野鸭子的场景为例,如果需要专门针对这些场景去开发特殊的模型,那会有无穷无尽的场景需要处理。但借助自动化的办法,只要数据标注好了,下次系统更新时便可以更好处理这种情况,省下大量工程师的时间。

    “以感知举例是比较容易理解的,但其实规划技术也一样。要想让车做出准确的规划,最原始的方法是工程师写规则——大量的工程师写出大量的规则,但这种方式不易维护性还不能满足最新需求;再进一步便是设计奖励函数——设计奖励函数比写规则要简单得多;再往后则是系统利用数据自动学习奖励函数。这个过程便是往自动化方向发展的过程。”于骞说。

京ICP备06005116