詳解自動駕駛車輛的複雜性

作者 : Egil Juliussen,EE Times專欄作者

自駕車的根本問題在於,要開發達到SAE L4、安全可靠的自動駕駛車輛,是極其複雜的任務。

自動駕駛車輛(AV)的發展持續吸引交通運輸與其他產業領域的大量投資,這些投資是有需要的,因為該領域還有大量棘手的技術問題有待解決。在筆者看來,三大關鍵問題如下:

  • 為何自駕車問題如此難以解決?
  • 不同應用案例如何對自駕車問題產生影響?
  • 自駕車應用案例的部署會如何發展?

接下來筆者將這些問題整理成三張圖表,為無論是新手或專家的讀者提供一些思考方向。

自駕車複雜性問題

自駕車的根本問題在於,要開發達到SAE L4、安全可靠的自動駕駛車輛,是極其複雜的任務。圖1總結了相關挑戰。

 

圖1:有待克服的自駕車難題。(製圖:Egil Juliussen)

 

圖1的紅色框將自駕車難題分為三大類,黑色框內是可能的解決方案;每一類難題有四組解決方案。請注意,有三個黑框內以藍色字標示的內容是相同的,因為這三類問題都需要以軟體平台、AI軟體(包括機器學習和神經網路)來解決。

第一類難題是,在大多數場景中需要知道自駕車的確切位置,而且精度達公分等級。接下來是對所有用路人與物體進行分類,包括他/它們是什麼、或正在做什麼,還要預測在接下來的幾秒內他們可能會做什麼。

解決這類問題需要大量感測器、強大的運算能力以及管理多個複雜系統的平台和AI軟體。一輛典型的自駕計程車需要超過30組感測器,包含攝影機、雷達與光達(lidar)。像是美國自駕車業者Zoox (EETT編按:在2020年被Amazon收購)最近發表的自駕計程車內建64組感測器,包括28組攝影機、20組雷達和16組光達。

此外,還需要以AI為基礎的視覺軟體來處理感測器資料。而大多數自駕車系統都需要高解析度地圖才能準確定位。所有的軟、硬體系統都需要全面性的網路安全防護,軟體必須以內建的空中下載(OTA)功能定期更新。

第二類難題是確保自駕車軟、硬體的可靠度,無單點故障(single-point failures)。即使發生故障,也需要具備「跛行」(limp home)模式,至少能讓車輛停靠至路邊。而隨著自駕車法規問世,安全與操作守則也必須納入系統和可靠度設計考量。

還有硬體備援也需要納入系統設計考量。自駕車內至少有三套系統需要備援設計:駕駛控制(轉向、剎車、加速),視覺感測器(三種類)以及運算。系統架構採用的技術必須能夠簡化軟體平台的協作,並擁有強大的網路安全以及OTA更新功能。

而因為那些系統仍然相當昂貴,大幅降低成本勢在必行。幸運的是,晶片技術的發展已經帶來顯著的成本降低,尤其是自駕車最昂貴的零件:光達。自駕車元件的模擬也至關重要,包括軟體、硬體以及所有類型的測試和建模。

還需要自駕車事件資料記錄儀,以深入瞭解事故情況以及能如何改善安全性。遠端操控(teleoperation)也逐漸成為自駕車法規中的一項標準,這會是支援自駕車「跛行模式」並解決邊緣案例的關鍵。

第三類難題是開發優於人類駕駛的軟體駕駛員。軟體駕駛員要比人類駕駛更好到什麼程度,目前仍未有定論,但毋庸置疑的是,自駕車開發人員必須持續測試並改善他們的系統。而開發時間將取決於應用案例。

邊緣案例測試被廣泛應用,這基本上意味著要不斷發現軟體駕駛員以往未看過、可能不知如何處理的新情況。持續添加新的邊緣案例以提升軟體駕駛員的能力,被認為或許是目前優先順序最高的任務。

要確認自駕車軟體駕駛員的表現能優於人類駕駛,也是一個難題。目前我們還不清楚自駕車法規和未來的自駕車類型審查將如何處理這個重要問題。其解決方案主要涉及測試、分析大量測試資料,以辨別軟體駕駛員的弱點,然後進行更多測試。

幸運的是,這種測試大多數都能夠以軟體模擬來進行,效率遠高於道路測試──軟體模擬每日測試里程數最高可達到道路測試的100倍。軟體模擬測試側重於邊緣案例與類似場景的測試。而自駕車測試也必須涵蓋不同的天氣和光線條件,但過去大多數自駕車測試都是在理想天氣條件下進行的;因此,我們需要更多模擬真實世界的軟體測試。

自駕車應用案例

 前面討論的自駕車複雜性會因為應用案例的不同而有很大差異,自駕車複雜性主要取決於駕駛的複雜性。圖2是自駕車應用案例複雜性的綜覽,聚焦於SAE L4自動駕駛車輛的部署。而這些場景的各種變化情況不包括在內。

 

圖2:自駕車應用案例與相對應的複雜性。(製圖:Egil Juliussen)

 

圖2以二維圖顯示各種自駕車應用案例與相對應的複雜度,y軸越往上代表自駕車複雜性越高,x軸越往右則是駕駛複雜性越高。駕駛複雜性包括路線障礙、駕駛速度、交通流量密度、道路使用者的多樣性(汽車、自行車、行人等)和天氣條件。圖中同時列出了發生致命事故的風險,這主要取決於車速,部分自駕車應用案例發生致命事故的風險極低。

低複雜性自駕車

低自駕車複雜性是指路線簡單、車速低、使用者或交通狀況的多樣性較低。最簡單的等級是自駕車僅在封閉場域內行駛,例如校園、辦公園區或軍事基地。路側貨運自駕車目前跑得最快,有多家廠商投入,其中美國公司Starship是領導業者,在2021年5月已經累積超過150萬次送貨,很快將超越200萬次。

固定路線自駕車的複雜性也較低,因此這個利基市場也吸引多家業者參與。這類自駕車由於價格高昂而部署緩慢,但也已在數百個城市進行測試中,其應用包括複雜性低的巴士路線,或是封閉式的行駛環境。

固定路線自駕車也可以應用於彈性化的路線,例如支援隨選接送服務;在2021年7月公佈的ISO 22737低速自動駕駛(Low-speed autonomous driving,LSAD)法規應該會對固定路線自駕車部署帶來正面影響。

僅用於「最後一哩」貨物遞送的貨運自駕車,所面臨的交通複雜性更高;這類自駕車的行駛速度高於路側貨運自駕車,可以用廂型車和小型卡車改裝。目前這類自駕車正以配備安全駕駛員的模式進行測試。

中複雜性自駕車

這個類別涵蓋多種自駕車場景,沒有配備安全駕駛員的低速貨運自駕車也屬於這一類;在集貨點間(Hub-to-hub)行駛的自動駕駛卡車也可以算在這一類,但目前還需要安全駕駛員。該類別也稱為中程(相對於長途)卡車運輸。

在沒有安全駕駛員的情況下,可以透過遠端操控集貨點間自動駕駛卡車和自駕計程車。大多數自駕車法規都要求具備遠端操控能力,當自駕車卡在路上,遠端操控可以作為管理自駕車的最後手段。遠端操控也可能成為更普遍的技術,最終取代安全駕駛員。

高複雜性自駕車

圖2還包含了三種具高複雜性的自駕車應用案例。集貨點間自駕卡車的應用案例是該類別中複雜性最低的,其次為自駕計程車。仍在開發階段的私人自駕車也被歸類為高複雜性。私人自駕車可能從跨城區部署的自駕計程車中獲取經驗。

自駕車應用案例部署

自駕車的部署將從簡單轉向複雜。圖3對圖2所示的自駕車應用案例圖稍作了修改,以x軸來表示時間線,並重新排列了應用案例方框,使其位於時間線的不同位置,表明何時將會出現有實際意義的應用。

 

圖3:自駕車應用案例演進。(製圖:Egil Juliussen)

 

在這種情況下,路側貨運自駕車的部署率最高,在許多城市中應用於送餐、送雜貨以及其他小型包裹。由於採用的感測器較少、重量較輕,且以行人速度行駛,路側貨運自駕車成為最便宜的貨運自駕車,它與人或其他物體發生碰撞的風險也相對較低。

純貨運自駕車以Nuro的無人駕駛貨運車為代表,目前仍主要處於測試階段;從該公司的宣傳來看,他們可能更廣泛部署這種無人駕駛貨運車。配備安全駕駛員的貨運自駕車也能在商店或倉庫間提供最後一哩或中程貨運。配備安全駕駛員的集貨點間自駕卡車正在進行越來越多的測試,其中大部分是為付費客戶運送貨物。

而自駕計程車目前大多數仍處於測試階段,並配備安全駕駛員。不過Waymo在美國亞歷桑納州鳳凰城區域的大部分測試都撤下了安全駕駛員,有幾家自駕計程車營運商甚至已獲准在美國和中國的一些城市為所提供的服務收費。

固定路線自駕車業者如EasyMile、Local Motors和Navya等,已在多個國家/地區進行了大規模測試。但新冠病毒疫情始得專注於每趟最大乘客數達12名的大多數測試停擺,最新的ISO LSAD法規涵蓋了該類案例,預計在接下來幾年啟動固定路線自駕車的實際應用。

其他類別的自駕車應用案例部署要困難很多,而且將會比圖3中顯示的時間更晚。集貨點間自駕卡車可能會在2025年左右投入應用。自駕計程車的大量部署會在幾年之後,部份自駕計程車業者表示,會在少數城市提供服務。私人自駕車應用則將明顯晚於自駕計程車。

利用AI解決自駕車複雜性問題

自駕車技術仍然存在很多難題,但部分應用案例的複雜性較低,可以進行有限部署。針對較單純自駕車場景的相關法規正陸續問世,眾多廠商最終都將提供法規核准的服務。所有自駕車法規都會要求遠端操控功能,該功能也可取代安全駕駛員,讓某些應用案例更早部署。

目前導致自駕車系統價格高昂的主因是光達,該技術成本在接下來五年可望迅速下降,這意味著在2025年之後,自駕車系統的成本也將大幅降低。而複雜自駕車系統能否早日部署,最終取決於AI技術的突破,但這是無法預測的;如果相關的創新發生,或許不必等到2030年就可以看到私人自駕車。

本文同步刊登於《電子工程專輯》雜誌2021年9月號

責編:Judith Cheng

(參考原文:AV Complexity Explained,by Gary Hilson)

 

 

 

加入LINE@,最新消息一手掌握!

發表評論