獨家，提出一套車路協同的收益理論體系。

龍馬潭網站建設公司創新互聯建站,龍馬潭網站設計制作，有大型網站制作公司豐富經驗。已為龍馬潭1000+提供企業網站建設服務。企業網站搭建\外貿營銷網站建設要多少錢，請找那個售后服務好的龍馬潭做網站的公司定做！

作者 | 利榮

車路協同的收益如何計算？

百度提出了一套收益理論體系，包括價值量化標準、價值邏輯推演體系、V2X解決問題實例。

9月14日，在2020 世界智能網聯汽車大會上，百度智能交通產品研發總經理陶吉表示，這套理論體系提出來，就是衡量真正理想情況下，車路協同對自動駕駛的幫助。

陶吉稱，簡單來說，我們要測量一下有V2X時發生事故的概率和沒有V2X發生事故的對比，這個比值代表了收益。V2X的覆蓋率參數是C，解決問題的比例是X，解決了這些問題之后可以避免相應事故的概率是P。

得到的結論是，通過車路協同可以減少10-100倍的駕駛風險，無人駕駛事故率降低99%-99%。

以下是陶吉的演講全文，雷鋒網新智駕進行了不改變原意的編輯：

大家下午好，我的演講分為三個部分：自動駕駛我們走到了哪里、我們為什么需要車路協同、從車路協同如何到智能交通新基建。

首先說一下自動駕駛技術。

過去幾年，百度在自動駕駛專利和在加州平均接管公里數的排名，迅速從追趕者的位置到了領先者的象限，也代表了外界對我們的認可。

從內部來說，我們認為Robotaxi分為六個階段，我們認為我們現在正處于第四階段，而第四階段末尾的關鍵指標就是去掉安全員，或者是把安全員從車上移到遠端的安全中心。

因此，要實現從第四個階段順利畢業，要做到如下三個方面：智能、成本、安全。

智能方面：數據閉環實踐，高價值數據是關鍵。

什么是高價值？

一是我們做的是L4級的Robotaxi，ODD是限定的，在限定的ODD范圍內進行地毯式的數據搜尋是最有效果的，它比零散稀疏的采集更高效。

二是傳感器配置，就是收集的傳感器配置要和實現自動駕駛的傳感器是一致的，這樣才可以最有效的訓練模型。

三是高質量的標注，我們看到機器學習、人工智能沒有實現數據自閉環，沒有實現自學習和無監督學習時，人工對數據的標注依然是非常重要的環節，這是我們談數據時不可避免的話題。

最后，數據處理數量和車輛的異常行為關聯是非常重要的，這種場景下的數據對我們最為關鍵，而不是單純靠堆積數據量就可以獲得。

此外，除了真實測試的數據收集，我們認為仿真也是非常重要的數據補充。

我們目前已經積累了超過2.5億公里的仿真歷程，有超過1800萬個仿真場景，日行歷程達到160萬公里。

成本方面：我們去年發布了Apollo Lite。

打造Apollo Lite這個系統并不是說要改變多傳感器的技術路線，我們是希望通過對數據能力高壓強的提升，使得它可以形成一個和激光雷達相對獨立，相對冗余的系統，從而使得我們可以降低對高性能激光雷達的依賴。比如說現在Waymo新一代的激光雷達就非常大。

相信大家看過很多自動駕駛汽車在道路上行駛的視頻，而這個視頻的獨特之處就是我們沒有用到除了視覺傳感器之外的任何傳感器。

這當中很難的點是各個角度上，二維的圖像檢測的障礙物首先要進行融合，你要判斷不同的攝像頭看到的障礙物是不是同一個障礙物。僅僅依賴這樣的一個視覺系統，我們的車就可以行駛在非常復雜的城市道路，獲得一個良好的表現了。

僅僅有這個障礙物檢測的視覺系統肯定不夠，我們不可能窮舉所有的沒有見過的障礙物去訓練模型，這個時候我們需要有一套冗余機制。

成本方面：視覺檢測冗余，基于單目的最深估計。

這是一套通過單目恢復出來的深度圖，我們進行了一個自動化的聯合標注，從而連了一個非常好的DNN網絡，它可以把物體深度恢復出來，這樣你看到一輛未知的車，比如說你看到一輛橫著的大車，雖然你不知道它是什么，但是我知道我離它很近了，可以停下來。

安全方面：無人化的關鍵是需要知道何時不行。

我剛剛講到第四階段畢業的關鍵是無人化，而無人化的關鍵是需要知道我們什么時候不行了，如果說知道這一點，我們就把車交給安全員。這當中我們可以做三件事情：

第一個是我們做電子電器的故障監控，這對應的是公路安全的概念。當我的計算單元出現故障時我要知道，我們用一個冗余的計算平臺實時監測主系統的心跳，監測是否正常，一旦發現不正常，我們馬上進入安全停車模式。

第二個是系統功能表現局限監控，比如說遇到一個非常近的障礙物還沒有剎車，比如說車輛規劃的加速度突然變得非常大，或者說定位一下子漂移等這些場景，我們希望通過一些安全的硬邊界規則來進行限制，一旦超出閾值，我們認為進入了非安全狀態。

第三個是5G云代駕，提升超出ODD的阻塞場景通行能力，目前我們在北京和長沙都在進行這樣的無人化測試工作。

為什么需要車路協同？

在自動駕駛上，我們做了很多工作。接下來是我們為什么還需要做車路協同。

我們的車路協同當前做的事情更多是V2X，是在道路上增加傳感器來增加感知的冗余，彌補車端的不足。道路上安裝傳感器有很多的優勢，比如說上帝視角、全域感知、路面危險檢測、路面突變、規避視覺盲區等。

但提到車路協同，業界問的最多的問題是裝了上述這樣的設備對自動駕駛有多大幫助？

實際上這并不是一個靠研究可以回答的問題，我們相信這一定要靠大規模實踐，加理論推演才可以進行有效回答。

所以我們做了幾件事情：

一是我們在全國范圍內部署了規模的車路協同車隊進行協同驗證；

二是盡努力提升路側AI的智能化，只有當我們提升到足夠強的能力，和車端感知真正形成正交冗余才可以。

上圖演示的是我們在全國數百個路口部署的多視角多傳感器融合，真正的全息感知。除了部署這么多的路口，我們還部署了全國規模的自動駕駛車輛，實現了數百輛自動駕駛車端與路測感知融合。

上圖中綠色的部分是路側感知結果，紅色的是車端感知的結果，藍色的是融合感知結果。其中，紅色則是盲區車，是無人車自己看不到的必須要通過路側感知才可以看到。

每天我們在進行這樣的融合和收集數據。有了這些數據之后，我們要做一個理論推演，車路協同對自動駕駛的增益到底是多少。

我們認為目前的情況會在未來某一天發生改變，這套理論體系提出來，就是衡量真正理想情況下，車路協同對自動駕駛的幫助。

簡單來說，我們要測量一下有V2X時發生事故的概率和沒有V2X發生事故的對比，這個比值代表了收益。

V2X的覆蓋率參數是C，解決問題的比例是X，解決了這些問題之后可以避免相應事故的概率是P。

這里有一些簡單的數字計算，大概的意思是說當我們單車智能可以達到人類駕駛水平的時候，有一個數字給大家作為一個參考。比如人類司機每10萬小時出一次事故，單車智能接近人類水平時，剩下的問題大部分是因為看不見看不清看得太晚造成的，自動駕駛車當然不會有疲勞駕駛和魯莽駕駛，而那個時候，自動駕駛車大部分都是因為感知帶來的問題，而車路協同可以解決99%的問題。

而今天我們的算法只能解決60%-70%，而且希望到真正商業化的時候可以達到接近99%，這是根據我們目前技術迭代的推演得到的。

因此，通過車路協同可以減少10-100倍的駕駛風險，無人駕駛事故率降低99%-99%。

這是我們基于實踐理念的推演，隨著我們大部分的試驗和積累，這個數據我們會不斷更新，讓它更加精確。

從車路協同到智能交通

有了ACE系統之后，我們就有了數字基礎設施的底座，這個底座把道路的交通情況、車輛、行人做了影射，或者叫數字孿生。

通過數字孿生之后，智能駕駛和車路協同引擎可以支撐很多的應用，這個引擎是開放的，有了數字孿生能力以后可以做很多事情。

因此我們提出了ACE的引擎，作為我們智能交通整個的基座。

比如說，有了ACE之后，信息控制優化可以給車更多可用的道路空間。通過車路協同設備，我們在不同的車端提供了我們的網聯信息，包括我們和福特合作的前裝車機的網絡信息提示，包括百度地圖上都可以收到我們的網聯信息提示，給駕駛員帶來非常好的伴隨式體驗。

當前標題：Apollo智能交通一路走來的故事和思考
文章分享：http://www.yijiale78.com/article38/cpdgpp.html

成都網站建設公司_創新互聯，為您提供網頁設計公司、標簽優化、外貿建站、小程序開發、定制開發、云服務器

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯