在城中村里实现的「真·无人驾驶」，看着就很心累 ?作者/ 于雷 不同于一些在规范化路段的城市道路测试，AutoX于近日发布了一段城中村自动驾驶测试视频。面对一些人类驾驶员都或许会感到棘手和心累的场景，测试车辆仍做到了超过37分钟0接管，而且依旧是没有安全员和远程遥控的「纯无人」自动驾驶。 这次测试选择在出行量较大的傍晚，测试车辆采用激光雷达+4D毫米波雷达+摄像头+微波雷达?的第五代?系统Gen5，路线以城中村内支路和城市次主路为主，道路环境复杂。 根据视频内信息显示，视频已经过4倍加速，反推回去的全程测试时间约为37分钟。在无车辆保护、车内无安全员监管的情况下，系统自动完成了所有的驾驶任务，未出现脱管或报警提示。尽管在这段公开的测试视频中，没有提供周边环境建模的三维可视化内容，也缺少车速、加速刹车踏板等车辆信息，但不妨碍对这套系统进行个初步了解。场景一：穿行无秩序混行路况城中村内行人、非机动车、汽车、违法占道车辆的复杂环境，是与城市道路最大的差异之一。在这次测试中，AutoX测试车遇到了多次无序混行的路况，甚至还有一次近乎直接在人群中穿行，但都在自动驾驶系统的操作下顺利通过。这种交通参与者数量庞大且无秩序的环境，最为考验自动驾驶系统的能力。与城市道路不同，后者虽然也会面临混行问题，但大多数还是仅要考虑周边车辆。前者要不但要同时感知数倍以上的交通参与者，而且行为动机也不像汽车般有迹可循可寻，难以做出决策。 从根本而言，自动驾驶系统对每个周边交通参与者的行为预判，都是在做一种博弈，但这种博弈的几率却不相同。如城市道路车辆因为有交通规则、道路条件限制，预判的成功率较高，而城中村的行人、非机动车，却难以找到行为规律。这种情况下，系统也就被迫变得保守。 视频中，AutoX测试车在城中村和城市道路的两种表现，也反映了这一点。在城中村行驶时更为谨慎，识别到前方影响通行的行人时，往往都会及时刹车，保持住较大的安全距离。 但在城中村前后的城市道路上，测试车就表现得更为自信，跟车、通过无红绿灯路口都没有多少犹豫。场景二：非常规道路通行城中村内，各种难以预先学习的非常规道路环境，也是自动驾驶的另一难点。AutoX测试时也遇到了闸门、占路摆放的不同障碍物、非标准道路等情况，但都顺利通过。 ?测试车进入城中村时，被临时帐篷占据自方车道，但没有犹豫就跨过允许借道的黄虚线，在与行人和非机动车的博弈中，顺利通过。在这个场景中，存在道路不规则、标线不清晰，出口有收窄闸门的问题，但测试车几乎没有任何额外的动作，径直开了过去。 ?在遇到路边违停车辆时，测试车也没有死守前进路线，而是在交规允许的范围内，变道完成超越。只是在回归自己道路时，受到了对向车辆影响，选择保守让行后通过。 场景三：无标线道路测试车还遇到了一段没有任何道路标志，突然出现一片空地连接两侧道路的情况，测试车仍顺利找到了路线。?场景四：城中村无保护路口?城中村内的无保护路口也是另一难点，不但存在无红绿灯、路口错位、布局不合理等各类情况，车辆视线、道路参与者感知判断难度，也会随之增加。AutoX在测试期间较好的解决这些问题，在无红绿灯保护的情况下，多次完成直行、左转、右转。一次在城中村的无保护路口左转中，不但有行人、非机动车等多方干扰，车辆左侧还有两台三轮车遮挡住视线，但测试车仅在两次能识别到左侧道路的间隙稍作减速，就顺利完成无保护左转。另一次无保护左转过程中，测试车识别到后方驶来的电动车速度过快，而且前进路线重叠，所以提前减速让行。以电动车经过时的速度来看，如果未让行双方可能会出现事故。?场景五：单车道会车博弈?另外，城中村由于缺乏车位，有很多汽车都选择就近在路边违规停放，所以也造成了仅有单条车道可正常通行的情况。这种路况带来的会车问题，也是自动驾驶系统的博弈难点，自己与对方谁来让车？自己让，怎么顺利找到让车点？对方让车后，自己怎么在非标准路线通行？?AutoX测试车在城中村遇到了多次相似场景。第一次与对向车辆交汇时，测试车认为自己应该享有路权，不但没有退缩，还通过远近灯光切换提示对方，最终对方让车顺利通过。?在另外一次单车道交汇中，双方车辆距离狭路出口都很远，测试车选择连续两次倒车，腾出足够空间，两台车互相绕行对方成功通过。?场景六：突来车辆遇到突来的车辆，AutoX的处理手段比较老练，不太容易被对方影响节奏，更多是保持原本路线和速度，让对方超过。如果躲避不开，也会缓慢减速，没出现神经质的急刹。如果只是如并入并出、路口相遇等正常的交会，AutoX自己享有路权，则在对方未影响自己前进路线的时候，基本都看不到避让或明显减速。视觉与雷达融合方案AutoX测试车能够实现城中村的环境识别与自动驾驶，第五代系统Gen5的硬件设备起到了关键作用。这套系统采用视觉与雷达的融合方案，全车共有28个8百万像素的车规级摄像头，每帧像素总和超过2.2亿，但雷达方案更加出色，车顶2个颗128线激光雷达、周边4个64线盲区激光雷达、8个能够识别到高度信息的4D毫米波雷达，这种配置程度只能用夸张来形容。这次在非标准的城中村完成自动驾驶，离不开雷达布局带来的感知能力，而这是纯视觉方案现阶段难以通过机器学习做到的。而且，AutoX的这种方案并非「堆料」，随着传感器增加同步激增的海量数据解析任务、不同传感器数据间的融合判断，都对自动驾驶系统的软硬件能力，提出了更高要求，难度系数实际在大幅增加。AutoX因此也自主研发了核心计算平台XCU，该平台采用英特尔CPU+英伟达GPU+赛灵思FPGA的架构，整体算力达到2200Tops，可支持L4/L5级别自动驾驶需求。关于AutoByte Auto Byte 为机器之心推出的汽车技术垂直媒体，关注自动驾驶、新能源、芯片、软件、汽车制造和智能交通等方向的前沿研究与技术应用，透过技术以洞察产品、公司和行业，帮助汽车领域专业从业者和相关用户了解技术发展与产业趋势。欢迎关注标星，并点击右下角点赞和在看。点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。?阅读原文