上一版
缩小
全文复制
上一篇
在新一轮科技革命中，自动驾驶无疑是最具发展潜力的技术之一。然而，一个公认的事实是，与传统汽车的研发不同，自动驾驶的实现并非靠一两项技术的突破。
从信息安全问题、测试问题，到法律法规问题、控制问题和计算平台问题……都需要整个行业携手突破。
2018年8月，清华大学车辆与运载学院接受了北京市科委委托，组建校企政府联合技术团队，开发面向冬奥会服务的L4级智能汽车，并研究为首钢园区全天候多车型自动驾驶技术开发提供技术保障（以下简称“科技冬奥专项”）。
本期青年说邀请3位来自清华大学的“科技冬奥专项”项目组成员，从多个技术维度探讨自动驾驶“落地”的关键点。
自动驾驶上架前还需“提质增效”
清华大学车辆工程专业博士后 杨蒙蒙
随着自动驾驶汽车智能化程度的提高，车辆对环境感知能力的要求越来越高，环境感知能力是高级自动驾驶实现的关键，感知性能的优劣直接关系到自动驾驶车辆整体稳定性、可靠性与安全性，是自动驾驶体系架构中的关键环节。
当前，感知能力与硬件集成方案高度耦合，各种传感器性能难以发挥最佳优势，也难以满足高级别自动驾驶的感知需求。
在“科技冬奥专项”中，我主要负责面向高级别自动驾驶的高精度地图多源异构感知融合相关研究工作。
目前，我们正在面向高级别自动驾驶汽车的多源异构感知数据的智能融合机制展开研究。
一方面，基于自动驾驶高精度地图，团队构建一种新型超级感知容器，建立多源异构智能全息融合模型；另一方面，我们基于先验地图与人工智能算法建立动静结合的全息行驶空间模型，实现目标智能识别与感知结果的一致性描述与表达，以突破高级别自动驾驶感知增强的技术瓶颈。
在不增加成本的基础上，只有最大化增强高级别自动驾驶的感知能力，才能为高级别自动驾驶汽车传感数据融合处理提供新的理论支持与技术支撑。
让自动驾驶决策算法再“聪明”一点
清华大学机械工程专业博士生 曹重
在“科技冬奥专项”中，我主要负责无人驾驶汽车的自主决策算法开发及全栈算法平台搭建工作。
在该项目中，无人驾驶汽车决策算法是基于我们课题组提出的规则与人工智能自学习混合决策方法，该方法能够充分发挥传统的规则驾驶策略的可靠性与人工智能决策方法的自我提升能力，实现在真实复杂道路条件下的智能决策。
在无人驾驶汽车开发与测试过程中，我们发现真实世界的交通环境极其复杂随机，实现在各种随机场景中的连续长时间高度智能化决策仍然面临挑战。
尽管经典的规则决策算法目前已经能够实现在大多数场景中驾驶，但面对少部分复杂场景由于没有预先设计规则，无人驾驶汽车可能发生危险。
因此，引入人工智能技术对于无人驾驶高度智能化决策十分必要。事实上，人工智能自学习的驾驶策略需要长时间训练，对数据量需求较大，未充分训练的可靠性不足，这与无人驾驶汽车的高可靠性需求相矛盾。
课题组研究工作致力于突破规则决策与人工智能决策的融合难题，实现可学可控的无人驾驶决策，目前取得了一定的进展。
在我看来，“可学”是不够的。如何能够实现“快学”，“举一反三地学”，并保证自学习的驾驶策略能够具有高可靠性，是未来决策系统实现在各种复杂场景中可靠驾驶的重要基础。
高精度地图更新不妨试试“众包”
清华大学机械工程专业博士生 温拓朴
自动驾驶技术毫无疑问将深刻改变人类的出行方式。实现自动驾驶，一个被广泛认为是不可缺少的基础技术便是高精度地图。
高精度地图区别于普通的导航地图，它实现了对三维道路环境精确的重构，用厘米级的精度刻画道路的信息，包括车道线交通灯等等，可谓是“自动驾驶眼中的地图”。
目前，在主流车厂的智能驾驶硬件配置表中，高精地图已经成为共同的选项。然而高精地图存在着数据鲜度的问题，在中国的基建背景下，道路环境的变化频率较快，因此地图需要其能够及时的更新来反应道路环境的变化。
值得注意的是，采用专门的地图采集车进行更新仅仅能满足月级别的更新频率，相比自动驾驶以天为单位的实时更新要求难免有些捉襟见肘。
作为车辆学院的博士生，我在“科技冬奥专项”中的研究工作正是解决高精度地图实时动态更新的问题。我们希望能够利用量产车搭载的低成本视觉传感器，通过大规模的车辆对环境的实时感知，来实现高频率的众包式高精度地图更新。
在“科技冬奥专项”的自动驾驶平台上，我们的目标是通过研究的众包式高精地图更新技术，能够使用车载的低成本单目相机来实现冬奥组委会园区的高精度地图的实时更新，助力自动驾驶在冬奥的运营。
目前的研究成果已经支持了仅依靠单目视觉，实现对车辆20+cm的高精度定位。
在我国自主的自动驾驶道路上，我们有着独一无二的先天优势。我们拥有世界上最复杂的交通环境，也有着世界上最大的汽车市场。这也意味着我们的自动驾驶会面临更多的挑战与机遇。
我相信在不久的将来，高精度地图的生产会逐渐大规模落地并趋于完善，为中国的自动驾驶保驾护航。
程鸿鹤
