#百人创作先锋团#新基建下的自动驾驶:单车智能和车路协同之争

发布于 2022-12-19 16:02
浏览
0收藏

前言

2020年3月,随着中央政治局会议的正式定调,“新基建,即新型基础设施建设,成为公众新焦点。4月,发改委明确新基建范围。在新基建涉及的细分领域中,5G、物联网、卫星互联网、人工智能、数据中心、智能交通基础设施均与自动驾驶技术密切相关,自动驾驶站在这几大领域的交汇处,将作为重点落地场景推动新基建的发展。而新基建也将为我国

自动驾驶技术的发展创造前所未有的战略窗口期,进一步加速自动驾驶的商业化落地。


自动驾驶技术的突破,是影响汽车产业未来发展的最大变量。随着无人驾驶技术的成熟和商业化程度加深,汽车将不再是从属于人的驾驶工具,而是成为自主导航的运输类机器人,推动真正共享汽车时代的到来,并重新定义用户出行体验、整车销售模式和价值分配格局。


随着决策主体从人类大脑变成人工智能,司机的双手、双脚、双眼从驾驶座中被解放,汽车内部等同于可移动的私人空间,出行过程中的娱乐、社交、消费场景被彻底打开,开辟万亿级市场。其次,专职司机被取代后,移动出行成本大幅下降,更多用户选择移动出行,整车销售模式从2C向2B转变,主机厂客户转向移动出行车队运营商,网约车和分时租赁两种业态殊途同归。最后,由于汽车成为大型移动智能终端,车的核心部件由体现动力和操控的传动系统转向体现自动驾驶技术水平的智能软件系统(算法)和处理器芯片,实现软件定义汽车。汽车产业链原有的价值分配格局被颠覆,跨界竞争者纷纷入局,价值链顶端由传统主机厂转向科技新贵。


不仅如此,智能网联汽车将成为5G物联网终端最大的应用领域,根据Gartner于2019年10月的预测,全球智能网联汽车占5G物联网终端总数的比重将达到39%。随着汽车的智能化和网联化的发展,自动驾驶汽车实现在线和联网,车侧和路侧海量信息交互,节点规模突破百亿甚至千亿的量级,推动“人-车-路-云”实现高度协同,万物互联的世界指日可待。


面对行业即将到来的剧变,传统主机厂、造车新势力、互联网巨头、ICT企业、零部件供应商均深度参与这场变革,力图把握主动性,力争话语权。自动驾驶的两大方向是单车智能和车路协同,车侧智能和路侧智能相互配合,又在某种程度上相互替代,而背后的移动通信技术的标准之争,更是国家间利益分配主导权之争。

自动驾驶两大方向:单车智能和车路协同

单车智能和车路协同的本质是技术和成本在车侧和路侧的分配。


虽然L4-L5级的自动驾驶最理想模式是实现“车端-路端-云端”的高度协同,智能的车配合聪明的路,车端智能和路侧智能协同呼应,但车端智能和路端智能的发展不完全是同步的关系,自动驾驶路线的选择面临感知能力、决策能力(算力)等不同能力在车侧和路侧分配的问题,所对应的自动驾驶成本也不同。由于单车智能的成本高昂,若用路侧设备代替部分技术,让路“变聪明”,可降低不少车载成本,这样一来,就衍生出了自动驾驶的两大方向:单车智能和车路协同


技术和成本在车侧和路侧的分配

#百人创作先锋团#新基建下的自动驾驶:单车智能和车路协同之争-汽车开发者社区

数据来源:德勤分析


以车载传感器为例,激光雷达价格昂贵,尤其是用于远距离、大范围探测的L4/L5级别自动驾驶主雷达。例如Velodyne销售的64线激光雷达售价高达7.5万美元,曾是Waymo和百度等自动驾驶公司测试车的标配3,后来Waymo开始自研激光雷达,并于2017年宣布将激光雷达成本降低90%,达到7,500美元,2019年3月Waymo开始对外出售自主研发的激光雷达Honeycomb4,以摊薄成本。我国国产的激光雷达因高性价比日益受到市场的认可,价格有所下探但仍比较昂贵,例如禾赛科技在2020    CES上发布的64线超广角激光雷达PandarQT零售价为4,999美元5。


如果在路侧安装摄像头、毫米波雷达和激光雷达等感知设备,例如路灯杆进化为多合一路灯杆,安装各类传感器,探测周围环境的三维坐标,进行信息融合,由于安装高度高,拥有“上帝视野”,不容易被遮挡,视距条件更好,可最大化减少盲区,提高数据获取的准确性,并实时发送到ITS中心(智能交通系统)以及车端,那么车侧的部分激光雷达成本可以被节省下来,从而大幅降低车载成本。


同理,在路侧安装计算设备,通过边缘计算单元为车辆提供决策依据甚至指令,与车载计算平台协同处理数据,可以降低车载计算平台对算力的要求,对功耗和散热性能的要求也会随之下降,从而降低自动驾驶汽车对高性能车载芯片的依赖。


可见,路侧安装设备的方案拥有更低的单车成本和边际成本,路侧智能是车侧智能的有益补充。例如,奇瑞雄狮已实现固定区域的30Km/h以下的L4级“一键召还车”功能,如果只依靠车侧智能,车载传感器成本高达10万元/车,而借助5G和V2X技术,室内外的定位精度偏差小于15厘米,单车成本低于万元。这仅是车路协同在停车场等低速限定场景的应用,大规模L4级的量产还需要覆盖更多场景,例如半封闭的高速公路和一级公路,以及路况更为复杂的城市开放道路。在5G基站和V2X设备尚未铺设的路段,单车智能仍是重要的自动驾驶实现方式。


车路协同的前提是公路的智能化改造和基础设施投资。目前交通部已重点在北京、河北、广东三省进行公路的智能化改造试点,根据天风证券和中银国际证券的测算,高速公路的单公里智能化改造成本是100万左右,包含了RSU (RoadSideUnit)、边缘计算、摄像头等设备,考虑到中国的高速公路里程14.96万公里,一级公路11.17万公里,高速公路和一级公路的智能化改造市场规模约为2,613亿元。而对于二级公路和更低等级的公路,由于其路况更为复杂,更多机动车与非机动车和行人的混行情况,场景更为开放,需在十字路口、匝道口、事故易发路段等关键场景铺设更多路侧设备,不同路况的单公里智能化改造投资差异较大,难以进行估算。


对于高速公路和一级公路的智能化改造,更多通行车次、更为繁忙的路段可更早实现盈亏平衡,考虑到中国的人口和经济活动主要集中在东部地区,且东部地区地势相对平坦,急弯和陡坡较少,路况更简单,在东部铺设路侧设备具有更高的经济效益,尤其是物流密集的点对点固定运输路线,货运的空驶率更低,无人运输车队的优势明显,车队管理者付费意愿更强。自动驾驶不仅可节省司机成本,还可降低油耗,以卡车的编队行驶为例,由于跟车距离缩短(车距10m),前车可以为后车“挡风”,减少空气阻力,降低10-15%的燃油消耗10。假设货车百公里油耗35升,6元/升,编队行驶可节省10%油耗,则单公里可节省油耗0.21元,另外,假设一辆货车每年运营里程17.5万公里,司机年收入7.8万11,则单公里司机成本约0.45元,汇总后每公里可为车队节省0.66元,如果车路协同收取服务费0.4元/公里,考虑到初始投资100万/公里的改造费用,则使用车路协同服务的单公里通行车次达到250万辆车时,可实现盈亏平衡。如果10%的通行车辆使用车路协同服务,则总通行车次达到2,500万辆时盈亏平衡,也就意味着部分繁忙路段最短可在1年内收回成本。


车侧智能和路侧智能的分配和发展受到诸多因素的影响,例如政府对公路智能化改造的支持力度、不同区域的路况、交通参与者特征、地图与定位的精度、高性能激光雷达的价格变化、车队用户和个人消费者付费意愿与转换成本等因素。这些因素共同决定了不同方案初始投资的高低、投资回报期的长短,以及投资的经济性,从而影响了技术和成本在车侧和路侧的分配方案与演进路线。车侧智能和路侧智能最终的融合状态是怎样的?何时达到?如何演进?这些问题需要产业链上的玩家们协力解答。

三种技术路线的演进

从技术和成本在车侧和路侧的分配出发,未来自动驾驶的发展演化出三条技术路线,分别是以激光雷达和高精地图为代表的“谷歌派”单车智能路线,以视觉感知和影子模式为代表的“特斯拉派”单车智能路线,以及在网联化方面率先发力与突破的车路协同路线。


#百人创作先锋团#新基建下的自动驾驶:单车智能和车路协同之争-汽车开发者社区

数据来源:德勤分析


单车智能“谷歌派”的代表企业包括Waymo、通用Cruise,以及以戴姆勒、宝马等公司为代表的主流车企,以激光雷达为主要感知设备,采取了激光雷达、毫米波雷达、摄像头等多传感器融合的方案。Waymo车顶的360°激光雷达最远可探测300米外的物体,形成实时车辆鸟瞰图12,还在车辆周围的四个点安装了四个激光雷达,用于近距离检测正在靠近车辆的物体,增加探测的视野。Waymo的视觉系统由29个摄像头组成,提供高分辨率的图像,避免视野盲区,其远距离探测相机和360°视觉系统可探测到500米以外的停车标志。毫米波雷达与激光雷达和摄像头形成互补,可对间隔较近的物体加以区分,并在特殊天气下发挥作用。在高精地图方面,Waymo通过谷歌地图专业的测绘车队为无人驾驶汽车创建丰富而详细的高精度地图,进行高精度定位,提供动态实时的数据服务,保证信息的准确和完整。Waymo与麦格纳合作的工厂是全球首批量产 L4自动驾驶汽车的工厂13,截止2019年底,Waymo在美国推出的无人出租车服务Waymo  One月活用户超过1500人,累计总订单超越10万人次14。


单车智能“特斯拉派”以视觉识别为核心,典型代表为依靠Mobileye视觉自动驾驶技术起家的特斯拉,此技术路线认为视觉是最有效的信息获取方法,在量产汽车上没有配备成本高昂的激光雷达,而是选择了更为便宜也更容易量产的计算机视觉的方案,并通过神经网络的模型训练Autopilot算法。


除此之外,特斯拉利用影子模式(Shadow-Mode)训练与迭代其自动驾驶算法,将已售车辆变为“测试车辆”,不断收集现有活跃车辆的真实场景数据,上报捕捉到的视觉信息与“稀有案例”,并基于模型对外界进行预判,例如前方车辆的换道并线,如果预判正确无需上报数据,反之则标识为NegativeSample送到云端,对特定模块进行修正性训练,再将修正后的模型下发到车端,完成训练的闭环。截至2020年3月,特斯拉已完成100万辆车的量产下线,庞大的特斯拉车队活跃在北美、欧洲和东亚,为特斯拉建立了庞大的数据库,修正和完善了自动驾驶算法。


目前特斯拉尚未部署高精地图,以低精度地图和低精度定位为主,依赖视觉感知进行周边环境的高准确率识别,但视觉感知仍存在遮挡物和盲区的问题,存在一定的局限性。特斯拉也在考虑未来适当引入高精地图,以解决道路坑洼的识别等相关问题。


而车路协同的发展路径有望率先在网联化的维度实现突破,对车端、路端以及云端的协同提出了较高的要求。车端与路侧端的信息实时交互,车端多传感器进行环境感知与数据融合,通过车载计算平台进行数据处理,路侧设备负责路况信息搜集与边缘侧计算,其中激光雷达作为路侧感知设备中的核心硬件,探测物体的三维坐标,和毫米波雷达、摄像头等设备通过边缘计算进行数据融合,实时绘制局部的高精度地图,以“上帝视角”采集路况信息,为车辆提供决策依据,而通信平台提供车-车、车-路、车-云间实时传输的信息管道,从而让车辆实现网联化自动驾驶。由此可见,车路协同的方案高度依赖低延时、高传输速率、高可靠性、高连接数密度的5G网络环境,而5G基站、路侧感知设备与边缘计算设备的铺设是车路协同实现的前提条件,需要主机厂、零部件供应商、通信企业、互联网公司以及政府部门通力合作,进行必要的基础设施投资,制定统一标准,高度整合软件、硬件、平台等技术,产业协调的难度较高。


车路协同与智慧交通基础设施

#百人创作先锋团#新基建下的自动驾驶:单车智能和车路协同之争-汽车开发者社区

数据来源:德勤分析


文章转载自公众号:智能汽车设计

收藏
回复
举报
回复
相关推荐