cookieOptions = {...}; .自動駕駛面臨的最大挑戰,竟然是它…… - 3S Market「全球智慧科技應用」市場資訊網

智慧生活設計事務所


2017年2月10日 星期五

Go for a Ride in Uber's Autonomous Car


leiphone 作者:思佳


自动驾驶面临的最大挑战,竟然是它……

配備「千里眼」和「最強大腦」,自動駕駛汽車毫無疑問,已經初具無障礙行駛的能力了。

瞭解,目前,主流自動駕駛汽車對車輛、行人或是動物的辨識準確率日漸提升,這得益於它們裝備的,不同的傳感設備和算法系統。但多數人沒想到的是,道路上那些最輕、最安靜、最靈活的小車,可能成為自動駕駛在未來的最大挑戰。

背景:「小」麻煩
「自行車可能成為自動駕駛系統面臨的,最艱難的檢測難題」,來自加州大學伯克利分校的研究工程師Steven Shladover如是說。

加州大學的視覺計算專家Nuno Vasconcelos也表達了類似的觀點,他認為自行車正因相對小巧、靈活並且結構特殊,可能會使自動駕駛汽車面臨一種複雜的計算難題。

「汽車就像一個’龐然大物’,但自行車的質量就小得多,而且它們的外形各不相同——比如不同形狀、不同顏色、不同掛飾等等。」

這也解釋了一個問題,就是為什麼近年來自動駕駛車,對汽車的檢測正確率已經超過了自行車當然,其中也包括一些算法訓練的原因。目前自動駕駛汽車的路況檢測算法,一大部分是基於圖像的深度學習,而主要的「學習」對象是汽車特徵,自行車則相對較少。

轉機:算法顛覆
話說到這兒,就要祭出一個近期剛剛發佈的神秘算法了。這個「神秘」更多不在於算法本身,而是其頗為有趣的研究團隊陣容。小編瞭解到,去年年底,這幾位研究人員發佈了他們名為「Deep3DBox」的算法論文

自动驾驶面临的最大挑战,竟然是它……

從上圖就看得出,論文由三人合力完成,其中一人來自喬治‧梅森大學,而另外兩位,則來自極盡低調之能,卻被炒得聲名在外的,無人駕駛汽車創業公司Zoox。

瞭解這一領域的人,應該對Zoox多少有所耳聞,這家座落美國矽谷的初創公司,致力於無人駕駛汽車研發。去年10月,一筆高達5000萬融資過後,Zoox身價已經一躍達到了10億美元。雖然Zoox可能壓根兒沒有「外宣」部門,但它的技術員工陣容十分強大,一些資料顯示,部分員工曾供職於谷歌、蘋果、特斯拉等公司。

回到三人共同研發的最新算法「Deep3DBox」,用頗為外行的話解釋,就是這種算法獨創了一種方式,能夠從2D照片中提取3D的目標檢測和姿態估計。測試數據顯示,Deep3DBox能夠辨識89%的車輛,而之前這一記錄保持者(學術方向)的成績是70%。

自动驾驶面临的最大挑战,竟然是它……

美國商用數學軟體MATLB中,對上圖提到的「boundingbox」(邊界框)一詞做過定義,即「get the properties of region」,意思是用來度量圖像區域屬性的函數。在許多基於2D圖像的資訊辨識中,都用到過這個函數,例如車牌辨識等等。

在這個背景下,我們就能更直觀地理解圖像辨識中,2D boundingbox 和3D boundingbox的區別。比如,機器人在圖像中用2D boundingbox抓取到一輛汽車,就等於用一個正方形圈出了它,但 3D boundingbox 圈出的卻是一個「立方體」,在空間幾何尺度,3D boundingbox能夠計算出更多的資訊。

自动驾驶面临的最大挑战,竟然是它……

現在,Deep3DBox正試圖攻破一個更大的挑戰:那就是依託他們的算法,將目標車輛周圍的2D圖像中的障礙物三維化,以預測車輛的行進路線。

喬治‧梅森大學的電腦科學家 Jana Košecká 解釋說,「深度學習通常,只適用於像素模式下的檢測和辨識,但我們找到了一種方法,能使用類似的手段,評估出幾何層面上的量級。」Košecká 還有一個特殊的身份,那就是Deep3DBox項目的投資人。

瓶頸:自行車難題
Deep3DBox已經較原來的深度學習方式,有了很大改進,但自行車辨識,依然是他們的難題。

團隊發現,每當算法涉及到為自行車定位和定向時,其辨識性能會顯著下降在基準測試中,算法的目標辨識率僅為74%,即便這已經算得上,同類算法中的最好成績了,但對於自動駕駛汽車的完美運行卻遠遠不夠。

定向測試中,Deep3DBox判斷對車輛判斷的準確率達88%,但針對自行車的成績僅為59%。

Košecka指出,相對而言,商業化的自動駕駛系統,其辨識的準確率會更高,因為它們獲取到了足夠多的道路數據,來訓練它們的系統。

與此同時,大多數路測汽車除了視覺算法,還裝配了如雷射雷達(LiDAR)等傳感器,這些設備雖然無法預測,自行車的行進方向,但也可以幫助自動駕駛汽車辨識它們,並計算相對位置。
之後,高精度地圖又為自動駕駛系統,帶來了更大的便捷。譬如Mobileye野心勃勃的道路管理系統(Road Experience Management,REM),他們試圖打造一種非常精確、非常即時的龐大地圖,同時在每輛車上配備,可以上傳和下載即時地圖數據的軟體,從而達到一種理想狀態——使汽車僅僅依賴導航,就完成自動駕駛

這非常類似於SLAM(即時定位於地圖構建)的變種,但又遠遠沒有那麼簡單。

自动驾驶面临的最大挑战,竟然是它……

上面介紹的地圖,能夠先一步將自行車辨識為道路異常,而後或許再由視覺算法處理。去年,福特汽車聯合5家公司,投資高精度地圖初創公司Civil Maps,研發用於自動駕駛汽車的3D地圖。福特方面已經透露,今年開展路測的自動駕駛汽車,將裝配「高精度3D地圖」。

將上述的技術有機結合,就能夠獲得更加理想的結果,例如谷歌去年剛發佈的「自行車辨識」技術。在新版本的技術中,谷歌提升了無人車對自行車的辨識水準,並加入了自行車車主手勢(表達變換車道、轉向)辨識等新算法,這正是為了避免,其過去無法正確辨識自行車行進情況的問題。

在剛剛落幕不久的2017底特律車展上,谷歌進一步升級了自行車辨識算法,並推出了專門針對自行車的傳感器技術。

商用:忌操之過急
加州大學視覺計算專家Vasconcelos,依然對當下的傳感和自動化技術,能否取代人類保有質疑,但他相信,目前的技術已經能夠幫助人類司機,避免一些事故的發生。

未來,自行車自動檢測和辨識,面向商用化的第一步,很可能就是用於傳統車輛的自動緊急剎車系統(AEB)目前,AEB系統的功能,已經從單純的車輛檢測,延伸到行人、自行車檢測等更大範疇。

2013年,沃爾沃開始提供第一款,支持自行車檢測的AEB系統,系統搭載了攝影機和雷達等設備,用於潛在的碰撞預警。今年歐洲的公共巴士中,也裝備了類似功能,值得一提的是,歐盟早在四五年前,就發佈規定,要求新車配備AEB系統。

自动驾驶面临的最大挑战,竟然是它……

如今,越來越多的車企也在追隨「歐洲模式」,期望將自行車檢測功能加入AEB系統的性能評級中。

也就是說,AEB系統未來的要應對的問題就更複雜了,甚至是和自動駕駛車研發人員面臨相同的挑戰。而這個挑戰,就是「預測障礙物的行進」。

而其中最最嚴苛的要求,莫過於對自行車進行檢測預警的AEB系統,負責歐洲自行車-AEB系統基準測試的高級顧問Op den Camp指出,自行車的移動,幾乎是最難被預測的。 

Košecká也同意這個觀點,「自行車的可預測性,比汽車低很多,因為它們很容易突然轉向,或消失在視野中」。

這些觀點都意味著,將自行車排除在人為事故風險之外(美國管理機構數據,94%的交通事故由人為失誤造成)尚需日時。

舊金山自行車聯盟的執行董事Brian Wiedenmeier說,「每個騎自行車的人都在期盼這項技術的到來」,但他也同時表示,應靜待自動化技術成熟再投入使用。

據瞭解,去年12月,Uber曾在加州某試點,測試自動駕駛計程車服務,Wiedenmeier那時就對Uber發出過警告。他指出,這些汽車無視當地專為自行車劃定的車道線,這違背了加州保護自行車騎行者安全的相關法規。

去年底,Uber一路與加州監管部門死扛,加州希望Uber獲得DMV(美國車輛管理局)許可後上路,但Uber無視繼續路測,之後這種行為遭到禁止。
目前,Uber的自動駕駛汽車,仍在亞利桑那州和匹茲堡進行路測,而就在不久前,加州街頭也重現一些Uber路測車的身影,不過消息顯示,這些車輛只被允許收集舊金山街道的測繪地圖數據,並必須保證有人類駕駛員在車內。

自动驾驶面临的最大挑战,竟然是它……

Wiedenmeier說,Uber對市場的「急功近利」行為是錯誤的。「任何新技術都需要審慎地測試和檢驗。」


                                                                                                                                                                  


0 意見: