0
| 本文作者： 新智駕 | 2017-09-19 19:39 | 專題：智能駕駛的商業化初探 | MMC 2017 |
雷鋒網新智駕按：9月14日，在第四屆APEC車聯網研討會暨MMC智慧出行體驗周上，雷鋒網新智駕聯合MMC共同舉辦了主題為《智能駕駛的商業化初探》的沙龍。本文是此次沙龍上，極奧科技創始人王雪坤的分享。
在創辦極奧科技之前，王雪坤是四維圖新的產品總監，在地圖行業有超過10年的經驗。在四維圖新期間，他主導了導航產品FunDrive和車聯網產品WeDrive的開發，同時還曾負責寶馬、沃爾沃、馬自達等車企的項目工作。
極奧科技創辦近2年，它的核心業務是一個數據眾包平臺。通過“吃進”各種不同車載設備、傳感器上原本零散數據，極奧通過平臺消化梳理形成高精度、高鮮度的格網地圖，王雪坤他們則希望用高鮮度的數據和算法助力主機廠、Tier 1和新技術公司的智能駕駛開發。
極奧科技創始人王雪坤
近年激光雷達和影像識別技術都趨于成熟，自動駕駛行業內的競爭已經走到了算法這個層面。自動駕駛是一個很長的產業鏈，大家也都在尋找自己的位置。我們極奧在這里做的，其實是在很長一段時間不被重視的工作：眾包地圖。
在高精度地圖這個領域，現在已經有很多大公司花了重金，使用全副武裝的測繪車開始很多測繪的工作。這些測繪車都非常酷，這些工作本身也很有意義。因為車道級的拓撲路網以及厘米級精度的地圖，都是自動駕駛的決策算法所必須的。厘米級精度的地圖可以為自動駕駛決策算法提供很好的支撐。但如果考慮到地圖一個非常基本關鍵的問題——地圖的鮮度怎么保證，就是地圖的更新頻次，這里面涉及到巨大的成本。每一個車道的變化一定會影響用戶開車的情況，一個車道不通了，在車道網絡中對應的整個模型結構就錯了，就會影響到自動駕駛汽車。所以想到解決這個問題就想到了眾包，我們也是從眾包開始入手。
我們說一下現在數據的情況：目前我們平臺上有450萬輛車，是從后市場硬件切入。我們眾包了450萬輛車的數據，大家能想到的設備我們都有——行車記錄儀、OBD、車機等等，目前這些車輛的日活在60%以上。從今年6月11日開始，每天穩定的提供1億公里的相關數據。
既然我們是眾包，我們現在是“口不擇食”，所有的數據我們都要。我們收集的數據以軌跡數據為基礎，在根據眾包的設備上不同的傳感器形成了不同的軌跡附加屬性：如果這個設備上有攝像頭，那通過我們植入的算法利用設備的剩余算力完成對車道線、交通標志、紅綠燈等識別后，上傳識別結果；如果這個設備是一個OBD或者后市場的那種破解CAN的產品，我們就可以拿到車內其他傳感器的數據。
舉個例子，我們一開始希望通過加速度傳感器G-sensor做道路曲率的檢測，后來我們發現一些行車記錄儀等設備的加速度傳感器太爛了。但我們發現它有別的用處，我們就把它用在記錄道路的顛簸和損毀狀態。還有我們接入了車載空氣凈化器的數據，所以我們擁有道路上每一段PM2.5的數據。這是關于我們平臺上，目前什么數據都要。
既然平臺是基于地理數據為基礎，我們第一步肯定要做自己的路網。這里面也有一些很好玩的事：上個月我跟某一家圖商有交流，給他們看格網的數據，當時他們指出來某一條車道線做錯了，這條車道不能做左轉。那我就去看原始數據，原始數據上的確有大量的左轉數據。然后我們又去現場勘測，發現這個車道一個多星期前剛剛從直行車道變成了直行加左轉車道。
目前，從我們的經驗來看，一個類似上海這樣的城市在積累了20萬輛車，連續六個月以上的數據之后，就可以開始制作第一版地圖。在第一版地圖制作完成之后，類似于上海中環這樣的道路，我們可以通過2000車次軌跡形成亞米級的道路形狀點，5000車次軌跡完成拓撲關系的掛接，道路的新改增以及交通規制的變化可以實現小時級更新。
不過事情都是在變化的，當我們把關注點從軌跡數據處理轉移到視頻數據的處理之后，這才真正地打開一片新的天地。通過視頻數據處理，我們補充了軌跡無法提供的交通標牌，交通標志，紅路燈等靜態屬性之外，還大大降低了之前使用純軌跡方式構建車道模型的運算復雜度。除了靜態模式識別的內容外，極奧和所有視覺分析公司一樣，完成了車輛類型的識別，車牌的識別，行人分析以及交通場景語義的分析等等。但是，我們不同的是，我們沒有把這些技術用在實時感知上，而是讓這些分析結果全部沉淀在了經緯度上，沉淀在了拓撲路網上，沉淀在了每一個格網里。
這樣就形成了我們概念中的眾包地圖。設施層為基礎，這里面包含的是基礎的車道級拓撲網絡、相關的設施屬性等等，從拓撲模型和數據精度上與大家一直說的HAD MAP或者HD MAP保持一致。
但在此之上，我們通過眾包的視頻數據、車內其他傳感器數據等等形成了環境層和行為層。這兩層數據不但與位置相關還與時間緊密相關。比如這條路上什么時間集卡會大量通過，這個路口在什么時間行人闖紅燈密集，甚至包括這個路段在春天幾點會點亮有路燈，冬天路燈會在幾點熄滅等等。簡單的說環境層中沉淀的是每條路在不同的季節，不同的時間的變化情況。然而行為層中我們的關注點又回到的駕駛的層面，每條路上車輛通常的駕駛情況和周邊車輛的駕駛情況。簡單的說，行為層沉淀了老司機的駕駛經驗，按時髦的說法就是自動駕駛的訓練數據。
但是這些數據怎么用呢？我舉個例子。這是自車和前后的A、B、C三部車，我們需要在C車TTC=3秒的時候給出一個預判，C車會不會加塞。明顯這是一個L2的功能。這件事我們考慮的出發點不是如何構建一個實時高效的運算模型，而是考慮到不同道路在不同的時間里加塞預判要使用不同的模型。在研發的過程中，我們通過掌握的眾包數據先建立了一個通用模型，再通過這個模型訓練了每條道路上在不同時間點上的模型。最后再根據位置和時間，加上通過攝像頭的測距，再代入到相應的模型中，形成了最終的預判結果。
目前我們實現的對C車的加塞預判準確性在70%左右。在復盤數據后，我們發現很多預判錯誤的場景中，所有的數據完全符合這個模型，但是就是沒有發生加塞行為。怎么解決？當然我們的數學模型還是有待提高的。可是，讓我們再從人開車的角度思考，當我們從反光鏡里面看到后車的時候，不但考慮的是這輛車現在的駕駛行為，我們也會對這輛車本身有個判斷。我們腦子中會有一個預判，開法拉利的人就愛飆車，我要躲著他一點。因此，我們把這種思考方式同樣教給了環境層和行為層。
我們使用剛才提到的車型識別和車牌識別的技術，針對不在我眾包平臺上的車輛建立了類似于人物畫像的標簽，也就類似我們自己對周邊的環境形成一個概念性的認識。所不同的是，我們讓在眾包平臺上的所有車輛一起來補充這個標簽，提高這個標簽的準確性，也就是把所有人的概念認識形成了通用的觀念。之后，我們在對周邊車輛預判中除了從純數學的角度考慮外，就加入了對車本身的行為參考。當然這件事會更難，更復雜，但是價值更大。
眾包的魅力除了能沉淀老司機經驗外，更大的魅力是快速的發現這個世界的變化。當我們把視頻分析結果，在于拓撲路網相結合之后，就有了更多的火花。再舉一個例子：大家都知道現在的動態交通信息是通過對浮動車數據的處理形成的，最終以紅、黃、綠線的形式表示出來。但是這種動態交通信息最大的弊病除了表達不精確外，就是只有在道路真的堵上了它才能反饋出來。現實中，當我們已龜速通過堵車的結點時會發現無外乎前面有交通事故，無外乎四個車道被封閉了兩個做路面維修，無外乎路面上有一塊石頭大家都在躲著開車等等。這些非正常的道路狀況其實早有車發現，只是后車不知道而已。
我們可以對道路施工做到自動發現，自動上報的。同時在拓撲層面上，也是可以及時地做到車道級的調整，并且把相關的數據再分發給其他車輛，以便后車提早繞行。目前我們完成了對錐桶、施工標志、水馬等固定物體的分析，在這個產品中我們也會逐步加入非正常行人，施工車輛，車道非正常停車，交通事故以及路面遺撒等情況的分析。
自動駕駛無論是路線選擇或者車道決策中對地圖的需求是不可避免的。然而，除了地圖數據本身的精度外，地圖的鮮度也是非常重要的。同時環境層和行為層數據更為自動駕駛決策提供了必不可少的數據支持，眾包數據、眾包制圖的意義和價值也就來源于此。
雷鋒網推薦閱讀：《前特斯拉工程師創辦高精度地圖公司lvl5，要用手機攝像頭眾包制圖》
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
