其他
近日,在清华大学智能产业研究院(AIR)与百度Apollo联合举办的《面向自动驾驶的车路协同关键技术与展望》白皮书发布会上,清华大学智能产业研究院副教授周谷越以《面向自动驾驶的车路协同关键技术及落地路径》为主题发表演讲,正式揭晓本次发布的白皮书的关键内容。在“新四化”浪潮下,汽车产业面临全新的机遇和挑战,其中的关键技术之一自动驾驶技术的发展是关键难题,尤其是如何提高自动驾驶的安全性,以及如何加速高等级自动驾驶的落地。对此,周谷越副教授提出,这主要依赖于车路协同技术。车路协同会提升自动驾驶安全性;同时,车路协同自动驾驶需要高等级智能道路。演讲视频演讲音频内容要点如今,我们进入了一个智慧交通全新时代。随着技术的发展,整个汽车行业都面临“新四化”的机遇和挑战,其中包括网联化、智能化、共享化、电动化。网联化和电动化在日常生活中或多或少实现了一些应用,随着智能化的关键技术的发展,尤其是智能驾驶技术的发展,它将大幅提高自动驾驶安全效率,同时交通的商业前景会有大大的改变。自动驾驶本身是一项非常有挑战的任务,主要体现在系统完整度和任务复杂度这两个方面。从感知到认知,从传感器到执行器,整个自动驾驶的系统是非常完整的系统。并且,它面对的是高复杂性的场景以及高可靠性的需求。可以说,这是当今最具挑战的有边界的人工智能垂直领域问题。01如何提高自动驾驶的安全性提到自动驾驶,最无法忽视的是安全问题。现在,有各种各样的因素会影响自动驾驶的安全性。有的来自于感知问题,有的来自于控制和决策问题。无论是作为监管方的政府,还是作为技术提供方的企业和机构,还是自动驾驶的直接用户,自动驾驶的安全性都是首要关注的因素。自动驾驶的安全性不仅仅是政府制订政策和法规的红线,也是技术的提供方提供大规模可量产技术的前提条件,同时也是用户真正放心使用自动驾驶的心理底线。那么,如何提高自动驾驶的安全性,如何加速高等级自动驾驶的落地速度?这就回归到本次白皮书报告的主题——车路协同技术。对此,周谷越副教授阐述了两个观点:第一,车路协同会提升自动驾驶安全性;第二,车路协同自动驾驶需要高等级智能道路。02自动驾驶的量化安全评价指标自动驾驶安全不仅有诸多影响的因素,还有很多成熟的标准和框架。最值得一提的是预期功能安全SOTIF框架,它将所有场景划分为四个区域,即已知安全、已知不安全、未知不安全、未知安全区域。经典驾驶安全模型会基于SOTIF场景分类建立对应的场景库,并基于场景库计算整个自动驾驶的量化安全评价指标。在下方的系统框图中,仿真器模拟出初始交通状态,配合车辆交互模型,得到车辆一段时间内的运行轨迹后,再将运行轨迹与驾驶安全评价模型结合起来,则可以得到安全评价的指标。其中,大部分仿真器的场景分布是由实际的交通数据和车流数据统计得来的,不同的场景和不同的变量会服从不同的分布。同时,还需要车辆的交互模型来预测未来的车辆会怎么运行,在不同的环境下有不同的模型。在没有任何通行的状态下,通常采用匀速的模型。在前后车跟驰的状态下,则采用IDM模型。在策略变更状态下,包括左转、换道等情况,通常采用较为复杂的多阶段模型,它往往由一些简单的模型组合而成。最后,要量化评价安全指标,这需要通过不同的维度和不同的评价指标来评价整个驾驶行为安全。从时间评价维度来看,这关乎TTC(碰撞时间)。如果后车追尾前车的碰撞时间,时间越短,代表驾驶行为越不安全。在较复杂的场景,比如在路口左转时,左转车辆和直行车辆有可能会产生碰撞,这个碰撞则用ΔT(抵达冲突时间差)来表示。左转的车辆和直行车辆轨迹有一个交差点(或称冲突点),两辆车辆抵达冲突点时间越小,代表这个场景越不安全。从概率的维度来看,给出量化的评价指标最简单的评价指标是P