03-29 07:11 阅读 173

智加科技自动驾驶重卡量产之路：技术架构的挑战

分享嘉宾：韩坪良智加科技技术专家

文章整理：Hoh Xil

内容来源：DataFunTalk

出品平台：智加科技、DataFun

温馨提示：疫情期间，勤洗手，戴口罩。

导读： 头部自动驾驶公司已经从Demo阶段开始迈入了量产阶段，在自动驾驶重型卡车的量产之路上，对车载的软件系统和硬件平台都提出很高的要求。如何在受限的资源平台上，不断提高算法和模型的精准度，不断优化系统的性能和稳定性，是一个非常大的挑战。本次分享的主要内容包括：

自动驾驶概述
车载硬件和软件架构
数据和模型平台
量产挑战

01. 自动驾驶概述

关于自动驾驶的分级，可以参考博世的这张图，里面介绍的比较通俗易懂。它将自动驾驶划分为6个阶段：L0~L5，L0就是人类手动驾驶；L1是“脱脚”，比如定速巡航，可以辅助驾驶；L2是“脱手”，除了脱脚之外还可以脱手，实现部分自动驾驶；L3是“脱眼”，眼睛可以不关注路面，可以在车中玩手机；L4是“脱脑”，可以不用考虑驾驶这件事儿，可以坐在主驾，也可以坐在副驾，这是在限定场景下完成的；L5就是“无人驾驶”，没有方向盘和油门刹车等，在任何场景下都可以进行自动驾驶。智加科技做的是L4级及以上的自动驾驶重卡。

02. 车载硬件和软件架构

首先看下自动驾驶重卡的外观：

我们可以看到“大个子”头顶上安装了大量的传感器：激光雷达、摄像头、定位传感器、毫米波雷达等自动驾驶会用到的传感器。

1. 车载硬件架构

车载硬件架构，如上图，中间ADU为计算平台，它是一个异构的平台，除了大家所熟知的CPU，还有针对深度学习算法的运算单元，可以是GPU/FPGA/ASIC等。在ADU左边的就是刚刚看到的各种传感器设备，以及TBOX网络传输设备等，还有OBU V2X车载计算单元，可以获得一些传感器无法看到的道路状况。ADU的右边为CAN总线，它的右边链接了各种各样的线控执行设备，ADU通过CAN总线和这些线性执行机构进行交互。这就是常见的车载硬件架构。

2. 车载软件架构

刚刚讲到的各种传感器在软件系统中对应的是driver，也就是各种传感器驱动，将传感器得到的数据分别注入感知模块以及定位模块，感知模块通常会做信号灯、车道线、障碍物的识别，然后感知模块和定位模块的输出会注入决策模块，决策模块规划出轨迹之后由控制模块来执行，生成油门踏板、刹车踏板以及方向盘转角的指令，通过DBW线控模块和车辆进行交互。除此之外软件系统还包括Watchdog监控车辆状态的模块，以及Recorder数据记录模块。

03. 数据和模型平台

首先通过传感器会收集到很多数据，这些数据通过网络会上传到云端，上传到云端之后一方面对数据进行处理之后存储到数据库中，通过数据库会做一些分析生成报表；另外一方面这些数据会流向数据仓库，对数据进行分析和提取，提取一些有用的片段，这些片段也会有两个去处，一个是仿真平台，仿真平台根据每天采集到的新的数据或者特殊的场景进行仿真训练，另一个是进入到training data，通过更新的数据对原有模型进行迭代。

04. 量产挑战

1. 产品

因为我们要做的是L4的自动驾驶重卡产品，那么如何定义这样的一个产品？我们知道L4是限定场景下的自动驾驶，那么我们要限定哪些场景呢？比较典型的场景有：港口、干线物流、物流仓。比如要定义L4的自动驾驶重卡，就需要认真的考虑合适的场景，对场景的选择决定了车辆的功能，进而决定了硬件的选型以及软件功能的选择。

在做L4的自动驾驶重卡时，还会遇到设计上的挑战。左图为一辆后改装的自动驾驶众重卡，这种做实验还可以，但是它是无法卖给客户的，首先法规规定不能在车辆上做后改装，也不能在车顶上装各种的传感器。那么如何做一个如右图一样的前装产品呢？我们不但要考虑法律法规，还要考虑自动驾驶本身的功能需求。这个方面，需要通过和主机厂紧密的合作，来解决这个问题。

2. 功能和性能

硬件方面的挑战：

计算平台：

最开始大家一般都会用到工控机，一是因为它的算力比较强，二是它是X86的架构，软件可以很轻松的在工控机上运行。但是由于工控机的功耗和体积比较大，且只是工业级的封装，达不到车规级的要求，所以无法应用到量产平台上。我们该如何选择呢？我们可以看看目前业界的一些做法，如Audi（集成了GPU、FPGA、ASIC等）、Tesla（FSD，有2个针对AI的计算芯片，计算性能强劲）、Nvidia（区别于前两个私有化定制的芯片，英伟达的芯片在市面上可以买到）。

激光雷达：

虽然有些公司认为实现自动驾驶是不需要激光雷达的，但是目前大部分的自动驾驶公司都采用了激光雷达的方案。如果你选用了激光雷达的方案，那么不可避免的会遇到：

① 成本上的挑战

② 车规，符合车规并且能够量产的激光雷达非常少，目前唯一符合车规能够量产的是Valeo SCALA(4线)。

高精地图：

① 覆盖、更新：如果依赖高精地图定位，不可避免的会遇到两个技术挑战，一个是高精地图的覆盖程度，一个是实时更新的挑战。

② 法规限制：目前在国内还不可以合法的使用自动驾驶高精地图，如果量产的话，需要有一种不依赖于高精地图的定位方案。这方面我们有很好的技术积累。

高精定位：

目前很多公司采用的是RTK的定位方案，但是RTK也会遇到类似的问题：

① 覆盖范围：如右图，这是千寻网上的RTK覆盖示意图，目前并不是所有的地方都有高精度定位的覆盖。

② 成本：高精定位设备的成本本身就很高。

模型精度方面的挑战：

比如现有的算法针对现有的数据集能达到99%的精确度，但是对车进行大量的路测实验时会发现，面对各种长尾的路况，模型的精度会下降。那么如何保障模型维持一个比较高的精确度呢？在量产的过程中，需要大量的收集数据，大量的进行路测来检验、改进模型，这时会发现收集的数据越来越多，越来越多的切片，越来越多的标注任务，虽然可以通过自动化的方式进行标注，但是目前还是需要人工的介入。有了越来越多的数据就会有越来越多的training job，就需要越来越多的计算资源，最后还需要构建合理的渠道，把改进的模型通过某种方式（如OTA）升级到车上。所以我们需要一个很好的Pipeline来保证可以持续的对模型进行迭代。这个方面，需要依赖一个强大的数据和模型训练的平台来支撑。

系统性能和稳定性：

这里简单提两点：

① 中间件：很多公司一开始采用的是ROS，但是ROS本身有性能和稳定性等一些问题。如果量产的话，就需要一款稳定且高性能的中间件。应对办法，一是参考同类产品的经验，二是自研相应的中间件。这个方面，我们也已经有了很好的技术积累和成熟的方案。

② OS(操作系统)：最开始如果用ROS，都会搭配Ubuntu来用，这是可以做一些简单的演示和Demo。如果量产的话，就需要一个可靠的实时操作系统，这个选择也比较多，大家可以自行探索。

3. 安全

在做自动驾驶量产的过程中，首先要有的概念，就是如何证明系统是安全的以及如何保证系统是安全。

如何证明：

① 里程测试：一个被广泛采用的方式，自动驾驶事故概率＜人类事故概率

② 其他思路：AB测试、政府部门的全面验收、第三方介入、参考飞机自动驾驶系统的验证。

如何保证：

① 标准：

可以参考各种标准，最为广泛讨论使用的标准是ISO 26262，这个标准涵盖了从产品定义，到软硬件开发、测试、生产的一个安全流程。另外，还有在制定中的SOTIF，遵循这些标准来进行功能开发和测试，有助于提高系统的安全性。

另外一个可以参考的标准是Adaptive Platform AUTOSAR，它是针对汽车智能驾驶软件架构的标准，同时它是最符合ISO 26262的软件架构。

② 冗余：

系统级别冗余：

包括：ADU（可以看到系统只有一个ADU，如果ADU突然断电了怎么办？）、CAN、线性执行机构（都是单点链接，可能会存在单点失效的风险）。

所以一种设计思路是：采用双ADU、CAN、线性执行机构。这样当一套系统失效的时候，还有备用系统。图中左边可以发现还是单点，也可以直接采用双份，但是成本直接翻倍。由于传感器之间存在交叉和冗余，所以可以靠传感器本身之间的冗余来解决。

05. 结束语

最后，我们的初心是希望能够解放卡车司机，让交通有安全、运输更便利！

今天的分享就到这里，谢谢大家。

分享嘉宾

▬

韩坪良

智加科技 | 技术专家

友情推荐：

智加科技多岗位热招中，关注“智加科技AI”，即刻投递简历：