五部門關(guān)于開展2024年新能源汽車下鄉(xiāng)活動(dòng)的通知
行為預(yù)測技術(shù),自動(dòng)駕駛破局關(guān)鍵
行為預(yù)測技術(shù),自動(dòng)駕駛破局關(guān)鍵本文來源:智車科技/ 導(dǎo)讀 /自動(dòng)駕駛領(lǐng)域已持續(xù)火熱了多年,而截止目前,自動(dòng)駕駛在真實(shí)復(fù)雜場景下的大規(guī)模部署卻一再延后。其中一個(gè)很重要的原因是,對(duì)于動(dòng)
本文來源:智車科技
/ 導(dǎo)讀 /
自動(dòng)駕駛領(lǐng)域已持續(xù)火熱了多年,而截止目前,自動(dòng)駕駛在真實(shí)復(fù)雜場景下的大規(guī)模部署卻一再延后。其中一個(gè)很重要的原因是,對(duì)于動(dòng)態(tài)和強(qiáng)交互性場景下的行為和軌跡預(yù)測問題(behavior prediction)始終沒有得出很好的解決方案。由于缺乏對(duì)其他道路參與者的行為理解與預(yù)測,自動(dòng)駕駛車輛便無法進(jìn)行安全高效的決策、規(guī)劃以及控制。
在自動(dòng)駕駛領(lǐng)域,很早就有業(yè)內(nèi)人士指出:行為預(yù)測是自動(dòng)駕駛最具挑戰(zhàn)性的問題之一,比如曾經(jīng)領(lǐng)導(dǎo)Google無人車項(xiàng)目多年的Chris Urmson,曾在演講中提到:Google無人車項(xiàng)目的最大障礙就在于怎樣理解并預(yù)測周圍道路參與者的未來行為。
1
什么是自動(dòng)駕駛中的行為預(yù)測問題?
讓我們從自動(dòng)駕駛汽車的工作原理開始。我們知道,目前自動(dòng)駕駛的整體架構(gòu)如下圖所示,預(yù)測處于的位置在感知與規(guī)劃之間,它拿到上游感知識(shí)別到的障礙物信息,并對(duì)這些障礙物在未來時(shí)間內(nèi)的行為及軌跡做出一系列的預(yù)測,再將預(yù)測的軌跡給到規(guī)劃模塊,從而幫助規(guī)劃模塊能夠生成更加合理、安全、舒適的軌跡。
自動(dòng)駕駛汽車需要能夠?qū)ξ磥碜龀鲱A(yù)測 —— 這是司機(jī)們一直在潛意識(shí)里做的事情。設(shè)想一輛自動(dòng)駕駛汽車試圖左轉(zhuǎn),而另一輛車正從相反的方向駛來。為了使自動(dòng)駕駛汽車安全地執(zhí)行這一操作,它需要確定另一輛車是右轉(zhuǎn)還是繼續(xù)直行并干擾左轉(zhuǎn),這正是運(yùn)動(dòng)預(yù)測的意義所在。而自動(dòng)駕駛駕駛中的預(yù)測模塊,便是模仿司機(jī)在道路上針對(duì)不同障礙物的預(yù)測判斷,而不同的駕駛員針對(duì)相同的障礙物,他們的判斷是不一樣的,往往一個(gè)老司機(jī)比一個(gè)新手司機(jī)所多出來的知識(shí)經(jīng)驗(yàn)就體現(xiàn)在這方面,而這也恰恰決定了一個(gè)自動(dòng)駕駛系統(tǒng)的智能性及安全性,是他是否能達(dá)到類人駕駛的一個(gè)重要標(biāo)志。
2
行為預(yù)測到底重要在哪?
我們知道,評(píng)判一個(gè)司機(jī)是否是經(jīng)驗(yàn)老到的老司機(jī),最重要的一點(diǎn)就是他對(duì)未知情況的預(yù)見性,如果能預(yù)測出一些危險(xiǎn)的場景并能提前做出判斷,那便能使得駕駛更加得安全舒適,而自動(dòng)駕駛中的行為預(yù)測技術(shù)在這里便是充當(dāng)這一功能??梢哉f沒有行為預(yù)測,自動(dòng)駕駛也許能解決大部分的簡單場景,但是要真正實(shí)現(xiàn)L5級(jí)別的自動(dòng)駕駛,行為預(yù)測是其中的關(guān)鍵技術(shù),也是決定各家廠商最后成敗的關(guān)鍵一環(huán)。
自動(dòng)駕駛公司 Pronto CEO Anthony Levandowski 講述了自己的看法:他認(rèn)為自動(dòng)駕駛原型車在「預(yù)測」能力上的短板是阻礙其奔向 Level 4/5 的絆腳石。在 Medium 上發(fā)布的一篇博文中,Levandowski 寫道:「現(xiàn)在沒人能實(shí)現(xiàn) Level 4/5 是因?yàn)槿缃竦能浖€不太行,它無法預(yù)測未來。在這方面,軟件跟人類直覺差遠(yuǎn)了,而行為預(yù)測又恰恰是道路安全最重要的因素。」
目前市場上的自動(dòng)駕駛系統(tǒng)中,預(yù)測環(huán)可能是每個(gè)業(yè)界玩家都深感頭疼,卻又不得不解決的一個(gè)難題。在一次商業(yè)采訪中,Levandowski 又重申了預(yù)測重要性這一觀點(diǎn):
「如果你想分析測試車每次『脫離』背后的故事,找到真正的原因,最終結(jié)果都是軟件故障。即使是較為成熟的公司也難以避免,因?yàn)樵趶?fù)雜環(huán)境下,車輛很容易出現(xiàn)誤解或溝通問題。眼下我們的問題不是能否找到更好的傳感器,而是如何解決預(yù)測這個(gè)大問題?!褂纱丝梢婎A(yù)測的重要性在所有自動(dòng)駕駛公司中都已經(jīng)得到極大的重視,并且也提上了日程。
3
行為預(yù)測的現(xiàn)有解決方案
根據(jù)行為預(yù)測問題的定義,業(yè)界將自動(dòng)駕駛軌跡預(yù)測的方法分為3類。
1.Physics-based motion models 物理模型
2.Maneuver-based motion models 意圖模型
3.Interaction-aware motion models 交互模型
物理模型即利用汽車運(yùn)動(dòng)學(xué)模型及動(dòng)力學(xué)模型,把汽車當(dāng)做一個(gè)剛體,根據(jù)剛體運(yùn)動(dòng)預(yù)測汽車的軌跡。缺點(diǎn)是對(duì)時(shí)間的定性約束,車輛非常多的情況,不能應(yīng)用到其它拓?fù)浣Y(jié)構(gòu)的道路。
意圖模型將車的軌跡可以分為一系列的簇,每一簇對(duì)應(yīng)一個(gè)典型的運(yùn)動(dòng)模式。缺點(diǎn)是對(duì)時(shí)間的定性約束,車輛非常多的情況,不能應(yīng)用到其它拓?fù)浣Y(jié)構(gòu)的道路。
交互模型比物理模型預(yù)測的時(shí)間更久,比基于意圖的預(yù)測更加穩(wěn)定,但同時(shí)計(jì)算多個(gè)汽車之間的關(guān)系計(jì)算量比較大,非常耗時(shí)。
4
行為預(yù)測的未來挑戰(zhàn)
作為自動(dòng)駕駛的重要細(xì)分方向之一,“自動(dòng)駕駛中的行為預(yù)測問題“吸引了大量研究人員的關(guān)注與努力。近年來,伴隨著深度學(xué)習(xí)在自動(dòng)駕駛領(lǐng)域的應(yīng)用不斷加深,行為預(yù)測的精度更是得到了大幅度的提升。然而,現(xiàn)實(shí)世界中的駕駛場景極其地復(fù)雜多樣,不同的駕駛場景(高速,交叉路口,環(huán)島等),無論是道路結(jié)構(gòu),還是駕駛模式都存在不小的差異。
從駕駛場景來看,當(dāng)前的行為預(yù)測方法通過訓(xùn)練后可以在訓(xùn)練集所包含的場景上表現(xiàn)良好,但是一旦遇到一個(gè)全新的或者稍有差異的場景,模型的預(yù)測性能往往會(huì)崩潰或大幅下降。通過上述行為預(yù)測方法訓(xùn)練出的模型,由于遷移性(transferability)和泛化能力(generalizability)的缺失,會(huì)極大地限制自動(dòng)駕駛進(jìn)行大規(guī)模部署。倘若需要針對(duì)每一個(gè)駕駛場景專門訓(xùn)練一個(gè)模型,可想而知開發(fā)成本會(huì)多么高昂。
除此以外,對(duì)真實(shí)駕駛環(huán)境中復(fù)雜多樣的駕駛行為實(shí)現(xiàn)高效精準(zhǔn)預(yù)測,也是一項(xiàng)不小的挑戰(zhàn)。駕駛行為因人而異(heterogeneous) ,不同的駕駛員展現(xiàn)出的駕駛行為存在著較大差異,不同的駕駛員也有著不同的駕駛風(fēng)格,有粗魯莽撞的駕駛員,也有謹(jǐn)慎禮貌的駕駛員。
而目前的大部分預(yù)測方法,通過訓(xùn)練后僅僅能夠預(yù)測出平均意義上的駕駛行為,卻無法捕捉到駕駛員的個(gè)體差異。智能體對(duì)個(gè)體行為差異理解的缺失,將會(huì)始終制約行為預(yù)測的精度,因而自動(dòng)駕駛行為的安全性也將難以得到保障。
在不久的將來,預(yù)測將會(huì)成為自動(dòng)駕駛落地的關(guān)鍵技術(shù)之一,而預(yù)測算法的強(qiáng)大與否,也將直接決定了現(xiàn)在所有自動(dòng)駕駛玩家的上限,以及用戶在體驗(yàn)各家產(chǎn)品對(duì)于乘坐安全性及舒適性的高要求。
參考資料:
[1]知乎OpenDILa:
- End -
原文標(biāo)題 : 行為預(yù)測技術(shù)——自動(dòng)駕駛破局關(guān)鍵
-
自動(dòng)駕駛的跨場景商業(yè)化:攀登珠峰,沿途下蛋2022-03-25
-
如何構(gòu)建智能駕駛泛場景數(shù)據(jù)體系?2022-03-08
-
山東淄博將于今年打造200輛氫燃料電池汽車應(yīng)用場景2022-03-08
-
ISO 22737 預(yù)定軌跡低速自動(dòng)駕駛系統(tǒng)-系統(tǒng)要求、性能要求和性能測試規(guī)范(中文全文版)2022-02-24
-
英偉達(dá)用于創(chuàng)建自動(dòng)駕駛汽車的AI訓(xùn)練的環(huán)境模型2022-02-23
-
車道模型驗(yàn)證示例2022-02-08
-
美的、格力、創(chuàng)維等家電巨頭們?cè)燔嚕杭夹g(shù)向左,場景向右2022-01-24
-
商業(yè)化落地后,自動(dòng)駕駛載人場景商業(yè)價(jià)值更高?2022-01-18
-
自動(dòng)駕駛五大主流場景簡析2022-01-04
-
華為如何打造出行場景的“超級(jí)終端”?2021-12-30
-
無人配送車輛年終盤點(diǎn),場景驅(qū)動(dòng)或成新趨勢(shì),美團(tuán)有望成為中國的NURO2021-12-23
-
自動(dòng)駕駛八大應(yīng)用場景全景掃描,誰能抓住萬億市值賽道?2021-12-17
-
自動(dòng)駕駛環(huán)衛(wèi)場景掀起資本新浪潮!誰來分食2000億大蛋糕?2021-12-14
-
自動(dòng)駕駛典型應(yīng)用場景都有哪些?2021-12-14
-
重塑新能源物流車生態(tài),全路程如何讓換電在物流場景落地?2021-12-02