自動駕駛車有多複雜?

作者 : Egil Juliussen,EE Times專欄作者

自動駕駛車(AV)的發展繼續吸引著交通和其他工業領域的大量投資。這些賭注是必要的,因為許多棘手的技術問題仍遠未解決…

自動駕駛車(AV)的發展繼續吸引著交通和其他工業領域的大量投資。這些賭注是必要的,因為許多棘手的技術問題仍遠未解決。

在筆者看來,存在著三個關鍵問題:

  • 為什麼自動駕駛車問題如此難以解決?
  • 不同的自動駕駛車範例如何影響自動駕駛車問題?
  • 自動駕駛車案例的部署將如何發展?

為了回答這些問題,本文將採用三個圖表總結一份報告,旨在為新手和專家提供一些視角。

自動駕駛車複雜性問題

自動駕駛車的根本問題是在針對SAE Level 4功能開發安全、可靠的自動駕駛車時涉及巨大的複雜性,圖1總結了這些困難。

 

圖1:自動駕駛車問題範圍。

 

如圖1所示,自動駕駛車問題在紅色塊中分為三組。潛在的解決方案列在12個黑框中——每個問題由四個框組成。請注意,有三個框中的藍色文字相同,因為這三種類別的問題都需要用軟體平台、人工智慧(AI)軟體——包括機器學習和神經網路——來解決。

首先,在大多數情況下,需要以公分級的精準度瞭解自動駕駛車的確切位置。下一步是對所有道路使用者和物體進行分類,包括他們正在做什麼(如果有的話),並預測他們在接下來的幾秒鐘內可能會做什麼。

這些問題的解決方案包括大量感測器、強大的運算能力,以及管理多個複雜系統所需的平台和人工智慧軟體。例如,一輛典型的無人駕駛計程車需要30多個感測器,包括攝影機、雷達和光達(LiDAR)。例如,Zoox最近發佈的無人駕駛計程車公告列出了64個感測器:28個攝影機、20個雷達和16個光達。

處理感測器資料還需要基於人工智慧的視覺軟體。大多數的自動駕駛車都需要高畫質地圖才能精準定位。所有軟體和硬體系統都需要大範圍的網路安全保護。軟體還必須使用內建的空中下載(OTA)軟體的更新功能來定期更新。

第二個問題是確保自動駕駛車硬體和軟體的可靠性,沒有單點故障。如果發生故障,則需要所謂的「跛行模式」(limp home)功能,至少可以將車輛引導到路邊。

隨著自動駕駛車法規的引入,必須將安全和操作規則作為系統和可靠性設計的一部分。還需要在系統設計中加入硬體冗餘。至少有三個自動駕駛車系統需要冗餘:駕駛控制(轉向、剎車、速度)、視覺感測器功能(三種類型)和運算。

系統架構必須使用能夠簡化軟體平台合作的技術,從而實現強大的網路安全和OTA更新。這些系統仍然相當昂貴,並且需要顯著降低成本。幸運的是,基於晶片的技術可以節省大量成本,尤其是對於最昂貴的組成部分:光達。

對自動駕駛車各組成部分進行模擬至關重要,包括軟體和硬體,以及所有類型的測試和建模。需要使用自動駕駛車事件資料記錄器來深入瞭解碰撞情況,以及可以採取哪些措施來提高安全性。遠端操作也正在成為自動駕駛車監管的標準,並且在解決邊緣案例時成為跛行模式性能的關鍵。

第三個問題是開發一個超越人類駕駛的軟體駕駛,到底好多少還在爭論中。很明顯,自動駕駛車的開發人員必須繼續測試和改進他們的系統,開發時間將取決於使用案例。

邊緣案例測試被廣泛使用,基本上意味著發現了新的駕駛狀況,軟體駕駛以前沒有見過而且可能也不知道如何處理。將新的邊緣案例添加到軟體駕駛的功能上,可能被認為有著最高的優先順序。另一個難題的確認是自動駕駛車軟體駕駛可以勝過人類駕駛。目前尚不清楚自動駕駛車法規和未來的自動駕駛車型式認證將如何處理這一重要問題。

解決方案主要涉及測試,分析大量測試資料以甄別出軟體駕駛的弱點,然後進行更多測試。幸運的是,大部分的測試可以模擬而且速度比道路測試高得多——在模擬模式下每天的英哩數要比道路測試高出100多倍,這些模擬側重於邊緣案例和類似情況。

測試必須包括不同的天氣和照明條件。大多數之前的自動駕駛車測試都是在理想的天氣條件下完成,因此,需要更大的真實世界模擬。

自動駕駛車案例

以上描述的複雜性將根據自動駕駛車案例產生很大差異。自動駕駛車的複雜性主要由駕駛時的複雜性所決定,圖2概述了自動駕駛車案例的複雜性,重點關注SAE Level 4部署,這些駕駛場景的多種變化不包括在內。

 

圖2:自動駕駛車案例的複雜性。

 

圖2顯示了各種自動駕駛車案例在二維空間內的適應情況,自動駕駛車的複雜度隨y軸增加,駕駛的複雜度則隨x軸增加。駕駛的複雜度包括路線障礙、駕駛速度、交通密度、道路使用者的種類(汽車、自行車、行人等),以及天氣狀況。還列出了死亡風險,這主要由速度決定,一些自動駕駛車案例的死亡風險率非常低。

低自動駕駛車複雜性

低自動駕駛車複雜性是指簡單的路線、低速度和低使用者或低交通狀況。在最簡單的層面上,操作僅限於封閉區域,例如校園、辦公園區或軍事基地。人行道送貨車,以及其他參與者則是最遠。人行道自動駕駛車領導者Starship在2021年5月的交付量超過了150萬次,並將很快超過200萬次。

固定路線自動駕駛車的自動駕駛車複雜性也較低,這個市場利基包括多個參與者。這類車輛部署比較緩慢,因為其價格高昂,但已在數百個城市進行測試,應用包括低複雜性的公交路線和/或封閉環境。

固定路線自動駕駛車也可用於靈活的旅行,例如按需接送。最近於2021年7月發佈的ISO 22737低速自動駕駛(LSAD)法規,應該會對固定路線自動駕駛車的部署產生積極影響。

用於最後一哩交付的純貨物自動駕駛車帶來了更多的交通複雜性,其在道路上行駛的速度比人行道自動駕駛車更高。貨車和小型卡車也可以改裝為自動駕駛送貨車,它們正在使用安全駕駛人員進行測試。

中等自動駕駛車複雜性

這個類別包括幾種自動駕駛車場景。沒有安全駕駛人員的低速貨物自動駕駛車屬於這一類,也可包括具有樞紐到樞紐路線的自動駕駛卡車,但目前需要一名安全駕駛人員,這個類別也被稱為中間一哩(middle-mile)卡車運輸。

如果將安全駕駛人員移除,則可將遠端操作監控用於樞紐到樞紐卡車運輸及自動駕駛計程車。大多數自動駕駛法規都要求將遠端操作作為管理自動駕駛的最後手段,以防它們被卡住。遠端操作也可能成為一種更普遍的技術,最終取代安全駕駛人員。

高自動駕駛車複雜性

圖2包括三個具有高自動駕駛複雜性的案例,樞紐到樞紐的卡車運輸案例在這一類別中最低,其次是自動駕駛計程車。仍處於設計階段的個人自動駕駛車,也將被歸類為高複雜性;個人自動駕駛車可能會受益於在都市區部署自動駕駛計程車的經驗。

自動駕駛車案例部署

自動駕駛車部署將從簡單過渡到複雜。將圖2的案例圖稍作修改可得到圖3,它將x軸更改為表示時間線,並貼上綠色標籤,用來表示案例塊的重新分佈。自動駕駛車案例的放置,反映出它們在時間線上何時可能會看到有意義的使用。

 

圖3:自動駕駛車案例演變。

 

在這種情況下,人行道自動駕駛車的部署率最高,其在許多城市用來運送餐食、雜貨和其他小包裹。這種自動駕駛車也是最便宜的產品,因為感測器更少、重量更輕、行人速度更慢,撞到某人或某物的風險相對較低。

純貨運自動駕駛車以Nuro送貨車為代表,其基本上還處於測試模式。當前的廣告顯示,Nuro可能已準備好廣泛的部署。

自動駕駛計程車仍主要處於測試階段並配有安全駕駛人員。Waymo在鳳凰城(Phoenix)大部分的測試中都移除了安全駕駛人員。一些自動駕駛計程車營運商已獲准在美國和中國的一些城市對其服務收費。

配備安全駕駛人員的貨物自動駕駛車,還為商店和/或倉庫之間的最後一哩或中間一哩營運運送包裹。

固定路線自動駕駛車,如EasyMile、Local Motors和Navya,已在多個國家/地區進行了大規模的測試。新冠疫情導致了大多數測試停止,這些測試的重點是每次乘車最多運送12名乘客。最近的ISO LSAD法規涵蓋了這一案例,並應在未來幾年啟動固定路線自動駕駛車的使用。

配有安全駕駛員的樞紐到樞紐的自動卡車測試越來越多,其中大部分包括將貨物運送給付費客戶。其餘類別的部署則會難上很多,因此會比圖3所示的時間點更晚到達。樞紐到樞紐的自動卡車可能會在2025年左右部署;自動駕駛計程車的大規模部署則是幾年後的事情了,據一些自動駕駛計程車的期待者聲稱,這可能會在少數幾個城市發生。個人自動駕駛車則將會明顯晚於自動駕駛計程車。

用人工智慧處理複雜性

自動駕駛車技術仍舊難以實現,但一些案例的複雜性較低,並將以有限的數量部署。針對更簡單的自動駕駛車場景的法規正在出現,許多公司最終將依據法規部署。所有自動駕駛車法規都要求能遠端操作,但為了提前部署某些案例,也可用它來替代安全駕駛人員。

自動駕駛車系統的成本目前仍由昂貴的光達佔據主導地位,未來5年將迅速下降。這意味著2025年之後,過高的自動駕駛車系統成本不會成為阻礙因素。早期部署的複雜自動駕駛車系統最終將取決於人工智慧技術的突破,這是無法預測的。如果出現這樣的創新,潛在用戶可能不必等到2030年才能使用個人自動駕駛車。

(參考原文:AV Complexity Explained,by Egil Juliussen)

本文原刊登於EDN China 2月刊

 

 

 

 

加入我們官方帳號LINE@,最新消息一手掌握!

發表評論