打开泰伯APP,感受不一样的阅读体验
立即体验

香港科技大学教授刘明干货分享:低速无人驾驶落地有哪些技术要素和场景?

刘明教授分享对低速无人驾驶的科研成果。

“相隔一年,世界已经巨变,技术变革提前并且加速,与其担忧,不如担当。”马云在2020世界人工智能大会上讲到。

疫情之下,对于愿意思考未来的企业家来说,机会才刚刚开始。新科技将改变未来商业世界版图。

疫情期间「无人配送」的爆发,把无人驾驶物流车引领至镁光灯下。而深圳一清创新科技有限公司(下称UDI),就多次采用无人车配送蔬菜至疫情区、送饭盒至城中村的工作人员,令无人车由「噱头」变成真正落地的问题解决者。

一清创始人,港科大刘明教授,是目前唯一一位华人IEEE IROS杰出青年得奖者,曾率领团队研发香港第一台能回避障碍物,备有多项创新功能的无人车。此次在香港科大EMBA【走进科大实验室】系列中,做了「低速无人车 应用技术要素」主题分享。

无人驾驶的需求与未来终局

展望未来,我预测载物无人车及载人无人车的数量,前者将大幅度超越后者。预测建基于经济发展的趋势,其一是物流车需求高企,在中国,仅电商物流达每天10亿元订单;其二是劳动力不足,人工成本上升;其三是快速外卖抬高物流成本,将持续降低物流成本需求。至于Robottaxi的普及,应该不及载物无人车的发展规模。

回顾我的研究历史,跟全球无人车的发展轨迹一致。我在2003年至2005年期间参与完成中国第一代新能源车「超越3号」,至2009年,开始牵头多地形自主导航重点项目NIFTi ,并参与欧盟首个无人车项目Smarter。在2013年于香港成立首个无人驾驶研究实验室;在Google 无人车项目Waymo成立的同一年(2016年),我围绕多个香港产学研究项目展开无人驾驶研究,经费超过五千万港币,随后在2017年再领导课题组发布香港首部无人车,低速行驶毋须安全员。创立UDI则始于2018年,当时确定以物流车为主要方向,低速无驾驶位,原因是无人车的实用性,包括:有用、好用、用的上、用的上及用的好,才是最重要的一环。

你想要什么样的无人驾驶生活?

有关无人驾驶的状况,有许多枯燥的视频介绍,总是聚焦人坐在车内,就完全不用担心车外的交通状况、如何避开障碍物的美好想象,描绘中欠缺技术层面,如感知系统、其他智能设备的配合。

实际上新闻上令你专注哪呢?

同时,世界各地有关无人驾驶的意外新闻,骇人听闻,令人知道技术并非经常都安全,因此,我的结论是:无人驾驶在「什么场景当前可落地」才是最重要的。成立UDI,我定了一句口号「攀登珠峰,沿途下蛋」,技术要登上最高峰,实用落地能力如沿途下蛋。

现时,各国无人驾驶技术的应用集中在L4级别,即有条件无人驾驶,例如车速设上限、行驶区域路线较固定的应用等,原因是交通场景复杂多变,无人车要攀升至L5级,即不设车速及路线限制,可在任何条件下自动行驶,并不轻易。

创业目标:攀登珠峰,沿途下蛋

锁定「攀登珠峰,沿途下蛋」的目标,UDI在成立至今,一直针对L4级别开拓园区智能无人物流系统,因为没有法规问题,安全可控,可形成规模销售收入,跟工业物流系统深度合作,使我们易于积累定单的实际运作经验,其他同期项目包括:无人车零售、无人清扫等。预计来年至2022年,UDI开发区域无人物流系统,于公开道路L4低速载物,降低物流成本,形成供应系统,制造超大规模销售收入,另外发展半公开道路L4低速载人系统,而其他项目则开发无人巡逻安防;预计到2025年,城市无人物流系统正式成形,公开道路L4高速载物系统及高速公路L4载物,配合大需求的物流产业蓬勃发展;至于公开道路L4高速载人系统,关系到法规的支持,如没有相关的法规定立,一旦发生事故,整个无人车发展将受到毁灭性的打击。因此,UDI集中投资在低速载物无人车的研发。至于L5级别自动驾驶,大规模智能物流、Robottaxi的实现,仍需以十年计的时间去发展和达成。

实现多面向的应用

目前,UDI无人车已应用至多个产业板块,包括:机场、仓储企业、大学城、住宅区、产业园、生产厂区、物流企业、码头等;其中,无人车系统带动工业物运输4.0,从人手配送升级至自动化配送,运行公里已达数十万,从经营大型工业园区的客户的经验所得,无人车的ROI(投资回本期)仅一至一年半,UDI提供的方案包括行车的调度平台、可跟ERP(企业资源管理系统)对接以及标准制定,还有5G应用,实时管控。而跟我们合作的快递公司,亦成功将快递人手下调至过去的三分之一,无人车自动派件服务更将人员降至0。其他具代表性的应用项目,还包括企业使用一台无人车清扫,效率相当于五名清洁工的效率,在自动化码头的增益基础上,我们成功协助自动化港口降低了建设成本共五千万,以及后续使用成本,另有各类通勤车,已运作一年半。

无人系统模块技术结构

无人系统的核心技术结构,集中在「系统化算化核心模块」,当中分为三个重点:

(一)感知系统--由传感器技术与产品支持

(二)决策与预测系统--由算力及芯片化方案支持

(三)规划与控制--由车身技术支持

1. 感知系统

将物理世界的信号通过传感器传达至无人车系统,再将这些数字信息提升至可认知的层次,如记忆、理解、规划、决策等。UDI开发的感知系统,从六方面搜集道路上的信息:

1.1日夜感知能力--建基于视觉,跨天气、融合夜视的实时感知系统,足够支撑大范围高精密度的应用。

1.2多目视觉惯导融合系统--基于多目视觉与惯导融合,能实时建图定位,将光线变化的影响减至最低,采用单CPU低运算开销,同样支撑大范围高精密度的应用。

1.3 实时障碍检测与预测--实时感知及预测解算,包括检测动态及静态(如路沿)等障碍物,可大范围应用,单CPU低运算开销。

1.4 实时路面语义场景分析--路面语义分析,包括从三维到二维,或反过来从二维到三维等多种模式,单个镜头即可工作,开销低,实时响应。

1.5 实时车道场景分析--通过习次化网络实现的实时高精准度车道识别,同时为路径规划与运动规划提供参考。

1.6 实时视觉场景语义分析--针对道路场景的图片,对图像中的物体进行基于深度学习的分割,提供精密的分析数据。

1.7 实时激光景语义分析--利用激光检测关键物,深度图向三维空间,不受环境光线条件影响,不论日夜明暗都能实时检测,是目前建基于激光的关键物体检测,得到最佳结果的技术。

1.8 手持及车载大范围实时建图--以单一设备实时结合手持及车载检测,达三维建图领域最佳的结果。

1.9 路面环境可行区域检测──于三维建图基础上,再从三个不同角度检视环境,合共六个定位,基于几何解算,实时性高,不受环境光线条件影响,已在多个平台应用,动态物体检测与消除,CPU运算需求低。

1.10 视觉定位技术──采用单目视觉的全局定位,可实时应用,配合激光检测,基于紧耦合的优化算法,是极低成本的传感器方案。

1.11 三维语义感知──视觉强感知系统,具有独立的类人驾驶能力,可实时计算实时应用。

1.12 其他算法模块──红绿灯检测及识别,于室外大范围环境的成本定位导航系统,行人、路牌等关键物检测与跟踪,以及多地形机器人的导航等。

建基于以上多项感知技术,将非常复杂的空间制图,图中能显示出点、颜色、物体特征、明暗灯光之下的不同反光程度等,超越了Google街景的二维模式,提供原生三维模型及生成高清地图版本模式。

传感器技术与产品

感知系统需要优良的传感器配合,我们研发的Unity-One:多传感器融合一体化传感器,是全球首发硬件同步,且满足实时要求的传感器产品,实时帧率及全局快门,结合激光、视觉和惯导三种检测模式。此外,多传感器融合紧耦合优化,包括姿态估计、建图、定位、检测、识别、跟踪、决策合于一身,可采用激光、视觉和惯导三种检测模式。我们也会跟激光企业深度合作,基于尚未上市的下代样机,包括MEMS-LIDAR等传感器,提早布局应用场景,为新型激光传感器的应用铺路。Unity-One的摄像头与激光IMU进行深度融合与硬件同步,性能可与Waymo传感器对标,而Unity IMU的传感器采样高达20KHz,精密度高,陀螺零偏稳定性也高达每小时2度,具备优越的高冲击、高振动抑制能力,更可集成外部辅助轮速、多普勒、测距、重力梯度;当外接摄像机、激光雷达,达工业级的无延迟同步。

2.决策与预测系统

无人车系统的第二个核心技术是决策与预测系统,以规划驾驶的下一步。当中包括以下六个范畴:

2.1实时决策与动态预测──基于对动态物体的跟踪及环境的动态变化进行实时决策,利用GVO模型与RRT规划相结合,进行动态预测,以应对超车、跟车、停车等候等各情景。

2.2多信息融合技术──基于多信息融合的实时分类与决策,利用Dirchlet过程模型,与非参数化建模结合进行最优估计。

2.3车辆模型辅助的动态决策──在路径规划条件下,结合车辆的运动学模型进行最优决策,同时考虑环境中的动态及静态障碍。

2.4基于深度强化学习的决策──基于深度强化学习,通过 80万步的训练实现低成本传感系统条件下的自主导航,实现从虚拟环境向真实环境的迁移学习,在无人车技术的研究中,我们是最早将深度学习应用在端对端场合中的案例。

2.5 三维场景预测──深度强化学习与传统的滤波器结合,把传统每秒20帧提高到 21000帧,较传统技术高1000倍。

2.6 多机任务分配──此技术协助同时有多台无人车,以及不同目的地如仓储的场景,按照多个目标分配及决策出最有效率的方案。

为了增加决策与预测系统的精密度,我们从大规模的虚拟测试中收集数据,当中包括无人车对不同天气,如雨、晴转阴、日转夜的不同反应,仿真实安排突发事件,如不依交通灯过路的行人等,强化系统快速运算及决策的准确度。

算力及芯片化方案

在工控机与GPU算力分配上,我们有自家研发的ACU,另可选配Tx2,FPGA的点云算法方案,边缘计算与云计算融合等,支持决策与预测系统的流畅运作。

3. 规划与控制

无人车系统的最后一个核心技术是规划与控制,包括三大范畴:

3.1三维路径规划与控制──在三维场景下流形上的路径规划与控制,实现多地形机器人的实时导航,与场景分析的结合,是领域内低速全自动导航系统的代表作。

3.2基于MPC的控制系统──实现多个复杂控制对象平台的MPC控制。

3.3基于迁移学习的强化学习──·迁移学习领域内具代表性的成果,实现虚拟环境与真实场景的互动,此技术实现了在真实车辆上进行端到端(End-to End)控制的实际控制系统,是领域中少数几个成功案例之一。

车身技术

建立了优质的核心技术,最后还得由一台设备、电控、传感交换完善的无人车,才能真正实现无人驾驶的目标。UDI现已设有量产产线,并特别为无人车开发了5G低速无人车测试场地,内有50种测试场景。我曾服务于我国第一代燃料电池车「超越二号」和「超越三号」,负责ECU及BMS系统软硬件系统设计与调试,服务过第一代无人公交车阿尔法巴控制系统。加上之前的创业和科研经历,为我在复杂机电系统设计等方面积累了丰富的产品化经验,研制出时速达40km/h的无人车,是目前低速无人车最高速的成品。

结合云端 全国应用

要把无人车跟使用者整合起来,云端是当中的桥梁。从叫车APP到自动或手动装车,经由云端(Cloud-end)管理 ,驾驶过程中的安全,由远程监控及辅助无人车,有条件地实现全流程无人化。

UDI无人车的应用已遍及中国多个城市,包括深圳科技园的小型无人车,顺丰采用的快递无人车,苏州的疫情消毒喷灌无人车,以及临淄的零售用无人车和物流无人车等。根据我们在产业园区的实践经验,人们由憧憬或害怕无人驾驶,只是源于不了解。直至无人车在园区内行走,路上总有好奇的员工前来测验无人车的反应,运作一段时间后,园区内的人都习以为常,适应了无人车是日常的一部分;过程正好是未来无人车技术普及化的缩影。

猜你喜欢

参与评论

【登录后才能评论哦!点击 登录