打开APP

理想城市NOA落地100城,有没有悬念?

雷峰网58

您好,欢迎收听雷锋网理想城市NO落地100城又没有悬念今天是理想汽车成立八周年的日子。理想在周五发布了全员性称,理想汽车2025年的目标是做到中国豪华品牌第一,销量到一年160万辆。支撑理想这一判断的不仅是今年上半年以来不断攀升的销量组织变革的结果还有理想汽车在自动驾驶方面超乎预期的进展。家庭科技日上,理想汽车不仅发布了智能空间的马GPT,还公布了智能驾驶的新进展。理想称会在年底多个城市开放不依赖于高精地图的城市NO,以及推出不调路段的通勤NO关于这次理想汽车的城市NO核心的逻辑是通过和清华研发的神经网络。

NPN自研的挺信号灯识别网络以及OCY去弥补原有办算法识别的局限。不过理想汽车和清华只合作了NPN网络,对方提供理想研究和小范围的实验数据有关,很多工程化部分都是由理想汽车自己的团队去进行落地雷锋网体验了早鸟测试版的城市NO。总体体验超呼预期,除了出现一次在施工道路的人为接管,一次树影误识别以及在道路中心规控偏保守之外。其他的操作都很流畅,尤其是路口信号的识别以及对卓边车辆的预测上,识别都很精准。在高精地图还没有变成自动驾驶瓶颈之前,市面上,做自动驾驶的路线大概可以分为三种以以特斯拉为代表的纯视觉强感值的路线。二,科技公司视觉伽高精地图三视觉伽机关维达以前理想汽车选择的是利用高精地图加规则的方式去做自动驾驶。高精地图精度数据维度都比较高,能给自动驾驶提供的信息很丰富作为辅助作用的规则也可以在限定场景下很好。

地去解决场景内可能存在的情况基于高精地图的这套自动驾驶方案,优点是能在短时间内比较快地做到一套基本可用的城市NOO功能。但是这种做法并不可持续。暂且先不提制作成本高,更新频率低,人力耗费巨大,高精地图资质收紧等这些客观层面的因素采用高精地图做自动驾驶方案的厂商在扩大城市NO覆盖范围时会遇到很大的难关。国内的城市里程包括一级,二级的乡道,省道,国道,基本上能达到1000万km,按照高精地图的思路,从一二线城市扩大到三四线及以下城市。用户都能用得上的话,需要一个城市接着一个城市做路测传统高精地图路测的过程是用搭载一系列高精度传感器的数据采集车在城市里来回开。把收集来的点云数据用四M的做法做数据的拼接和配置,配置结束后会得到一更高精度的点云地图。点云地图并不能直接用来做自动驾驶,还需要一个人类地图标注源把地图上的每一个元素进行人工标注理想汽车自动驾驶研发负责人郎贤鹏在接受采访时说。

如果有一张高精地图覆盖了中国所有的道路,每分钟就能更新一次,而且还很便宜,一块钱就能用一天,我肯定会非常赞同使用高精地图。由于高精地图的局限性,理想汽车也加入了去高精度地图的大潮目前理想所采用的算法路线简单来说也是和特斯拉一样及基于TRANSSFOR的BA算法再加上AGANCY去解决感知问题。但算法分为静态DA和动态代算法。静态BA感知的是物理世界里相对静态变化不大的车道线和道路结构,而动态BUFF感知的便是道路上不断变化的交通参与者例如人骑车。人车等物体。但是静态待算法在复杂路口的实时感知状态,由于目标很多,传感器的视野容易被遮挡,导致车段的感知结果会丢失一部分局部信息而不稳定。

抖动会比较严重,这样一来会影响到车辆在复杂路口的无判为了补足静态呆子感知不足理想汽车和清华大学一起研发了NTN神经鲜艳网络。这一网络处理的就是超出感知范围或者视野被遮挡的复杂路口,它提取的道路参数的结果并不是给人探的。而是给后台的AI司G看的。NPN对拜算法具体补充的过程是利用大量用户车队在复杂路口的多次历史轨迹提取他们在该路口所做的行为特征。形成特征库,保存在云端和车端,同时车端和云端之间可以相互更新,云端的特征库会跟车端进行实时的融合。

以此还原出更好的展示结果。值得一提的是,NPN提取的道路特征对人来说并不可视只识别车周围的高精地图而非整个城市的高精度地图。所以也不涉及地理采集,地理信息等数据安全的问题。除了静态的车道线,道路结构以及不断变化的交通参与者之外,还有一些通用障碍物及那些不需要区分类型但仍然需要避让的元素。为了解决这类非标物体的感知理想汽车采用的适用AUTCY网络去还原障碍物的物理面积来达到避让的作用。

但是解决了道路信息的感知之后,还需要解决信号灯的识别。识别信号灯的红绿位置并不难,难的是去找到信号灯和道路的匹配关系及车灯到底对应哪个车道。以前在依赖高清地图的时候,地图给出足够详细的匹配度之后驾驶员只需要通过视觉方法去识别自己行驶道路上应该对应哪个车道即可但是如果道路出现临时情况。比如施工等,高精地图没有及时更新的话,依靠高精地图的自动驾驶的感知就会出现问题。对此,理想汽车采用了天信号灯意图网络去解决这一问题,即利用NPN特征提取大量人类司机在路口对于信号灯的行为特征再去告诉车辆应该怎么走一句话总结。目前理想汽车的自动驾驶路径是,自动驾驶的算法依然是基于TRANSSFORMER大模型的BA感知算法。

只不过现在这套算法更先进了。理想汽车的做法是用NPN网络去规避掉静态代算法在复杂路口的不稳定性,用听网络解决信号灯与道路的匹配关系用AUCCY去识别道路上的飞标且需要避让的物体。在车端训练了模型定不代表可以直接将自动驾驶直接落地到某一个城市。在一个城市做自动驾驶算法的落地,必须要经过测试和验证,以保证产品系统的功能安全和稳定一般来说。验证有两种方式一种是靠路测另一种便是特斯拉提出的影子模式。影子模式简单说就是通过捕捉收集每一个用户车在实际驾驶过程中遇到的路况信息,将相关数据回传已进行算法训练。

这个模式的好处就在于量产车就等于是数据采集车,上路的车辆都可以进行模型测试和数据采集一来既可以在短时间内积累海量的自动驾驶行驶里程数据。二来也可以让自动驾驶模型学习到真实人类的驾驶行为习惯。今年上海车展,理想汽车发布双能战略的同时称,会在年底在100个城市落地理想的辅助驾驶业内人士此前对这一目标并不抱有希望说。落地100成,连路测都做不完。雷锋王请教了理想汽车自动驾驶产品总监赵哲伦,对方称,本质上还是研发体系的问题,如果所有落地都得靠路测,不能去做影子模式的验证,算法训练过程,如果还有很多人工标注的部分效率会慢很多理想汽车落地城市NOO的做法是少。量的路测加上大量的影子模式对于神经网络算法来说,数据就是它的养料,影子模式为它提供了源源不断的养料。去帮助其不断成长与成熟。

影子模式要发挥最大的作用,核心在于得发掘回收数据的价值及高效快速正在海量数据中有效地调取标准化数据在数据使用上有两个维度的能力十分重要。一是数据闭环,没有闭环,自动驾驶数据的有效性就无法得到验证。二是在数据闭环的基础上,需要实现数据的高效挖掘和运转。理想内部在获取数据,处理数据以及应用数据,有一套完整的流程内部叫做数据闭环系统或者说。数据驱动系统赵哲伦告诉雷锋网,这一套系统在验证影子模式的完整过程是,首先得自动挖掘有用的数据,其次便是自动化的标注,自动化的训练,再到自动化验证地环,验证通过之后才会O得到车上这一数据。闭环系统的优点是能通过自动化,的方式去让平台不断进化,有了数据闭环系统还不够,还需要有大量的用户数据。此前雷锋网曾报道过,郎贤鹏在赴美宣讲时提到,衡量自动驾驶有三个维度,算法,算力和数据,最后拉开差距的是数据量算法,大家基本上法洛特斯拉的路线,算力上的差距也不大已经公开的有小鹏吉利毫莫之行李想在家庭科技日上公布了目前算力在1200PFOPS在前三个要素都拉不开差距的情况下。数据将成为关键,而这是理想的优势。

六月即将进入尾声,理想三周的销量已经达2.73万辆,远超未来小鹏车卖得多,自动驾驶也不收服务费,每一辆卖出去的在路上的跑的理想汽车都在给理想训练自己的自动驾驶收集足够多的数据事实上。理想汽车在推出现阶段的城市诺之前,上半年才打和清华一起合作的研究方案落地,实际测试也只花了三个月。正是因为有了完整的数据闭环训练系统以及大量的用户数据,才能让赵哲伦再回答新支架的疑问。时有这样的底气三个月的测试时间并不短行业里新势力的自动驾驶研发之路,理想研发要比未来小鹏研发都要晚。朗贤鹏在家庭科技日上说,今年相信大家会对理想汽车的自动驾驶产生改观。

在理想汽车自动驾驶产品总监赵哲伦看来,后发并不等于落后。后发有后发的优势拉AD来举例子当AD本身的整体架构性还没有那么成熟的时候,这个时候做大量的投入会被浪费掉后发。因为找对了方向可以省去大部分探索的时间。这点可以从另一个侧面得到印证。特斯拉是自动驾驶研发的前驱,在发现算法并不能达到理想结果的时候,自己重写了一遍算法在特斯拉之后。包括小鹏,理想和未来在内的车企以及华为等自动驾驶方案提供商都对自己的算法架构进行了重写。且都采用了特斯拉TRANSFOR加BI加OFCY的散法路径,且由于后发优势,预想李三家架构重写的时间都要比特斯拉短。不过理想汽车自研的电信号等网络也有一定的风险传统的感知算法是用数学的方法去做,采用的是一种叫做卡尔曼滤波的融合算法。

就是这种算法把卫星送上了天,完成了火箭的发射,是一种比较稳定可靠的算法,它的弊端就在于,如果事物不符合高斯分布,它就会失效。表现在自动驾驶上就会出现非常多的COLL CASE人类寄希望于大模型去解决所有的CH CASE。但大模型也有弊端。作为一种端到端的大模型,TEN信号网络也不例外。人工智能有典型的三层架构及输入层,输出层和中间层。几十年前因为算力不足,中间层只能构建一到两层,而现在中间层已经发展成为无数层级深度学习的方法是给输入层位海量的数据。同时给输出层趣味正确的答案。

中间层不断调整参数,以使得输出结果和正确答案无数接近。一位自动驾驶专家告诉雷锋网,传统的感知算法更强,而理想汽车这里提到的退网络它不仅设计感知也设计规控但因为它是端到端的大模型。无法保证对未知的物体一定适用,也无法保证对某一个具体的问题做定向的修正。黑盒的整个决策过程不可推导,也不可细分,一旦出现问题,研发人员定不能找出问题的存在在。当我们在谈论端到端自动驾驶时,我们在谈论什么一文中有提到一般情况下辅助驾驶出现BUG改进过程假设出现了一次误杀。经典的自动驾驶技术站会分析刹车指令的来源是前方动态障碍物还是静态物体,或者是规划模块的速度规划出现了问题。或者是在控制模块在输出正确的情况下,控制指令出现了问题,分析之后就会对具体出现问题的部分进行定向优化但是端到端的模型就只能通过为大量的数据帮助他更好地做出符合目标的决策。找不到是在哪个环节上进行优化改进,以及具体应该提供哪些数据进行定向优化。不过依然不能否认,理想汽车在这件事情上的开辟作用拿着刚研发的结果去落地不确定性很强不少人会觉得理想汽车的做法很激进。

一位业内人士告诉雷锋网,选择把学术上一些前沿的技术方案进行工程化落地,本身就需要勇气。理想的做法很像特斯拉,特斯拉最牛的一点就是能用最快的速度把学术研究成果进行工业化。验证和落地让其价值发挥出来即使最后代价会比较大。感谢收听本期节目,更多热点评论内容,欢迎订阅本节目,我们下期见

相关推荐