這群在校生的程式碼,自動駕駛專家看了都說好

賈浩楠 發自 凹非寺量子位 | 公眾號 QbitAI

自動駕駛領域沒有先例的一場挑戰賽,剛剛出結果。

1067支隊伍

,整3個月時間主要在

自動駕駛卡車

幹線物流

自動駕駛轎車

城市道路

雙賽道場景下角逐。這也或是國內首次有幹線物流賽道入賽,覆蓋AEB緊急制動、跟車、變道、匝道匯入等8類典型高速場景。

參賽選手需提交

自動駕駛規控演算法

,在真實場景條件下利用有限資源,規劃一條安全光滑的軌跡,無碰撞、高效、舒適通行,到達指定目標區域。

這群在校生的程式碼,自動駕駛專家看了都說好

獲獎選手在頒獎會分享方案

不過,競賽科目既非熱門的感知演算法,聚焦領域也是少在賽場上出現的自動駕駛卡車,賽題內容更不是常見經典資料庫,甚至對成績的評判標準也不單看演算法效能上限。

非主流非傳統,但它依然吸引了全球範圍來自200多所高校和60多家企業單位的選手參與。

成績優異的前五名,按照主辦方自動駕駛專家的評價,都拿出了“讓人眼前一亮”的方案。

比賽本身具有獨特性針對性,連同它出人意料的參與熱度,和湧現出的優秀選手,結合自動駕駛卡車商業落地如火如荼,這樣的大賽出現似乎恰如其分。

挑戰賽產出了哪些成果?

大賽從9月1日開啟,11月16日是程式碼提交的最後期限。

AB兩榜共38個場景,難度各異,綜合高速和城市道路場景。

本車的感測器方案和道路環境資料由主辦方統一提供,是不變數。參賽選手需要做的是以感測器輸入資料作為決策依據,為本車規劃出一條到達目的地合理的路線。同時還需要保持行駛的平穩性、安全性。

其中一個最為典型,也是自動卡車量產中關注的焦點的題目是

高速匝道匯入

這樣的場景下,自動駕駛卡車面臨的挑戰主要有道路上不斷變化的車道線、其他交通參與者,以及重卡獨有的車身長,系統反應慢的特點。

在任務規劃已經明確

(比如成功匯入匝道)

的情況下,參賽選手需要解決的主要問題有兩個:

行為規劃

:按照任務規劃的目標和當前的實時情況

(其他的車輛和行人的位置和行為、車道線、交通標識等等)

,作出下一步車輛應該執行的決策。簡單說就是系統決定是跟車還是超車,是加速變道還是減速避讓。

執行系統

:充分考慮半掛車自身尺寸和響應速度,決定縱向

(油門剎車)

、橫向

(轉向)

維度的具體執行方法,保證安全。

規劃決策一般有3類baseline演算法,分別是基於最佳化的、基於搜尋的,以及基於強化學習的,參賽選手可以任選,也可以創新方案。

場景資料則來自於國內最大的自動駕駛高速場景庫,全部取自真實道路。

單個場景賽題的評判分數分為兩部分:

可行性分數和路徑代價分數, 兩者各佔50%。比賽的測評成績為所有場景的加權和,每個場景的權重按賽題難度劃分。

可行性是考察選手提交演算法在當前任務中是否具備基本的安全性、合理性。而路徑代價考察的則是演算法執行過程中佔用的計算資源、行車的平穩性、路徑的最佳化程度等等。

這樣的賽題設定最大特點是

場景細化,條件特化,但可採用多種方法

八仙過海各顯神通,比如大賽冠軍隊,來自美國加州大學戴維斯分校和普渡大學的團隊。

自動駕駛規控演算法常用的3種baseline更多著眼於與控制演算法模組連線緊密的軌跡規劃,但自動駕駛尤其是規範道路上的自動駕駛(robotaxi以及自動駕駛卡車),面臨的最大挑戰是與上層模組的互動以及決策的正確與否。

他們獨樹一幟用Xbox控制器採集了多個成熟卡車駕駛者的駕駛習慣和不同場景處理方法,直接將這些“老司機”的資料拿來訓練神經網路,讓其掌握半掛車加速度的控制方法,然後再配合LCA(Lane Centering Assist 車道導正輔助系統)完成軌跡規劃,解決規劃問題。

這是一種創新的輔助駕駛+深度模擬學習+搜尋演算法的綜合解決方法。

這群在校生的程式碼,自動駕駛專家看了都說好

賽事主辦方的資深自動駕駛工程師稱這種方案“眼前一亮”,理論上提供了一種更加可靠,失誤率更低的規劃決策演算法開發思路。

其他獲獎選手的解題方案也各具特色,分別採用了雙向搜尋和貪心演算法、搜尋演算法的空間剪枝、凸最佳化方案、深度強化學習PPO演算法求解等豐富解題方法。

為什麼比規控?要解決什麼問題?

之前,自動駕駛最受關注的部分是感知識別,外界幾乎絕大部分對自動駕駛的關注,也都在感知模組上。

各種各樣的自動駕駛挑戰賽,多脫胎於以往的計算機視覺大賽,即在統一的資料集上比不同演算法的識別率、準確度。

規劃控制,一方面受限於產業落地進展,沒有相關資料集;另一方面也沒有實力玩家能夠振臂一呼。

於是這次大賽,聚焦在自動駕駛規控——具體到卡車領域更是獨一個。

為什麼聚焦這個環節?對於自動駕駛卡車來說,規控意味著什麼?

第一個問題的答案再簡單不過:

規控是自動駕駛最重要的模組之一,不是沒有挑戰,而是比感知難度更大。

感知識別層面,通常是涇渭分明的好與不好,成功識別和識別失敗,更容易被認知,被量化。

但規控不同,完成同一個目標伴隨著預測、決策、路徑規劃、控制等不同環節,其中最困難的是如何做決策。

主要技術難點在於對其他交通參與者的行為進行預測,並和他們進行博弈,保證自動駕駛系統的安全和效率。預測未來的難度超越感知當下,上升到系統對真實世界的駕駛行為的建模層面。

每個環節都有數種不同的方案可選,帶來的是駕駛風格激進與否、行駛是否平順、容錯空間是否足夠等等實際能力的差別。規控是評判一個自動駕駛系統是否好用、敢不敢用的核心。

當然,規控環節的任何毫釐之失,也會造成整個系統的失效。所以與感知識別“0與1”的特徵不同,規控演算法是藏在細節的魔鬼。

自動駕駛卡車應用於幹線物流,是一個唯成本說話的行業,其中包括車輛成本、人工費、燃油費、貨物損耗等等。

優秀的規控演算法能儘量保持卡車平穩行駛,選擇最短路徑的同時,減少急加速急減速,降低油耗;在透過顛簸坑窪路面時,合理的規控演算法也能最大程度減少貨箱收到的衝擊,減少運輸損耗;以及使駕駛更輕鬆,降低人力。

事實上,自動駕駛卡車,尤其是半掛車的規控演算法在這個賽道內一直是一個熱門研究,也被視為商用無人車區別於乘用無人車的核心技術所在。

一個C本人類駕駛員,是開不了B本A本卡車的,對於AI司機來說同理。

因為卡車的車身慣性更大、車身響應更遲鈍,首先就對控制系統提出很高的要求。

最關鍵的是半掛車與車頭屬於非剛性連線,導致整個車身的力學特性、對路況的反饋姿態完全不同,規劃決策層面要考慮更多更復雜的引數,對周圍其他目標的關注、預測能力要求,也比乘用車高得多。

半掛車模型

自動駕駛業內第一個規控演算法大賽,明確錨定智慧卡車賽道,體現的是最核心最原始的訴求:

安全和成本的平衡作為基本評判原則

,解決的自動駕駛卡車落地面臨的現實問題。

如何評價比賽?

聚焦自動駕駛卡車、幹線物流,並首次以規控演算法作為核心;另外,賽題設定和評判規則,都從“量產落地”原則出發——沒有海量的真實道路測試資料,以及長期面向量產落地研發經驗,是難以支撐主辦這樣一場大賽的。

作為國內率先落地量產和開啟自動駕駛卡車幹線運營的自動駕駛企業,

嬴徹科技

,目前商業運營範圍覆蓋50多條高速,自動駕駛商業運營里程已超1800萬公里,已經積累出國內最大的自動駕駛高速場景庫。

嬴徹科技賽事工作組表示,規控演算法之前少有公開研究,門檻不低,但本身卻是自動駕駛卡車落地量產中的難點。

這樣的領域,需要有能與商業進展相匹配,而且能雙向促進的技術大賽,比賽最終報名隊伍數也大大超過開始前的預測,選手們的硬核實力和精彩解題方案也令人深受鼓舞。

這是比賽獨特性和稀缺性的最好證明。

近年來,行業正達成共識,整個賽道走到了一個重要分水嶺:

靠Demo秀肌肉分高下階段結束了,“量產為綱,解決實際問題”成為了當下的主要任務。

將技術賽事帶入與產業最前沿的進展同步,也正是本次大賽的重要意義。

最後,優秀參賽選手方案已經為你整理好,微信裡回覆“大賽”獲取。

這群在校生的程式碼,自動駕駛專家看了都說好

賽題中高速道路場景資料由嬴徹科技提供,城市道路場景資料由清華AIR與百度提供。

頂部