科技行者

转型私董会 科技行者专题报道 网红大战科技行者

知识库
ZDNet智能硬件频道滴滴前沿业务专家贾兆寅:智能驾驶何时能来?数据量是关键

滴滴前沿业务专家贾兆寅:智能驾驶何时能来?数据量是关键

  • 扫一扫
    分享文章到微信

  • 扫一扫
    关注官方公众号
    至顶头条

这是滴滴前沿业务负责人贾兆寅在一次分享会中的开篇故事,这个真实的故事清晰的反映出障碍物感知、物体识别以及路径规划等技术对于智能驾驶实现的重要地位...

作者:孙斌 来源:ZDNet智能硬件频道 【原创】 2017年3月17日

关键字:无人驾驶 智能驾驶 滴滴

ZD至顶网个人商用频道 03月17日 北京消息(文/孙斌):故事是从一场事故开始的:

滴滴前沿业务专家贾兆寅:智能驾驶何时能来?数据量是关键

(图片来自网络)

上图中,是发生在DARPA自动驾驶挑战赛中的一幕。画面中相撞的两辆无人驾驶汽车分别来自MIT跟Cornell。而下面的文字,是由两所学校一起写的题为《The MIT–Cornell Collision and Why It Happened》的事故分析报告对图1的描述。报告内详细的描述了事故发生的情况以及原因。具体来说,就是实现无人驾驶的一些比较关键的、也是困难的技术。比如:障碍物感知、物体识别以及路径规划等等,而此次事故就是因为在各个技术方面都产生了一些瑕疵所造成的。

这是滴滴前沿业务负责人贾兆寅在一次分享会中的开篇故事,这个真实的故事清晰的反映出障碍物感知、物体识别以及路径规划等技术对于智能驾驶实现的重要地位。而贾兆寅表示,目前,用于智能驾驶的传感器性能越来越好,但只有包括计算机深度学习以及新的识别算法的出现,才能让整个智能驾驶的发展得到长足的进步。

分享内容如下:

分享一:障碍物感知:识别传感器性能越来越好

对于智能驾驶来说,汽车对障碍物的感知主要依靠各种各样的传感器来得以实现。

首先最常见的传感器就是照相机,其优点在于价格便宜,而且因为它捕捉的是可见光,所以可以得到非常丰富的细节特征,能够表现更多的东西。

现在,很多的智能驾驶平台都会装上多个摄像头,其中包括前向、侧向以及后向,从而通过算法实现对周围物体的感知,这也是进行路径规划的基础。

另一大块的传感器就是人们常说的激光雷达,其好处在于不仅可以探测到障碍物的存在,更可测量车辆与障碍物之间的距离,从而得到一个具体的深度。

滴滴前沿业务专家贾兆寅:智能驾驶何时能来?数据量是关键

(图片来自网络)

如图所示,一根激光可得到一个点的深度,多根激光就可得到多个点的深度。当下主流的雷达Lidar最多是64线的雷达,通过扫描,便可获得图片中这个全局360度的深度图,进而更加清楚的了解到障碍物的整体形状以及距离车辆的距离,从而尽早、尽好的做出正确判断,同时下达规避的指令。

分享二:物体识别:计算机深度学习需要数据支持

当感知系统发觉行驶途中有障碍物存在时,还需要对障碍物的类别进行一定的判断,这里就到了物体识别的层面。

对于智能驾驶来说,相比一般的机器人,其应用环境较为特殊,遇到的95%以上的物体都是一些路上常见的类别,如汽车、行人、自行车、摩托车、助力车等等,所以智能驾驶的物体识别很大的经理是放在了这些物体上。

但也不能假设这些就是所有出现在路上的物体,多数情况下,智能驾驶会有一些长尾效应,比如说在物体识别上面出现的一些比较低频的事件,例如道路上留下的车辆爆胎,散落在路面上的垃圾、货物、砖块等等,这些情况可能需要车辆行驶几百公里、甚至几千公里才能碰到。所以,只有提供给车辆足够的数据量进行学习,才能实现一个长尾效应,进而让汽车了解更多低频事件的解决方法。

分享三:路径规划:路网信息是智能驾驶的重要部分之一

路径规划上,目前较为流行的技术就是根据车道线的情况来进行道路情况的判断,并规划处较为合理的行驶路径。

滴滴前沿业务专家贾兆寅:智能驾驶何时能来?数据量是关键

(图片来自网络)

这里就需要向智能汽车(轮式机器人)提供大量的路网信息,如图所示,这是一个车道线极其复杂的路况示意图,图中道路各个方向都有两车道,并且还夹杂了部分非常规角度的弯道。这种路况下,所提供的路网信息的准确程度就非常重要,如各条车道线间的连接方式、哪条车道线在怎样的情况下可以驶入、车辆调头时如何行驶等。简而言之,提供的路网信息越详细,车辆越可做出正确的判断。

除路网信息外,整个世界的地图信息也是非常重要的,例如即将驶入的车道具体有多宽、路是怎么样的一个几何的形状,这些信息就相当于让车辆对于整个世界有了一个前沿的只是,车辆才能知道哪里是障碍物,哪里不是障碍物。

这两种信息的提供,也会让之前提及的障碍物感知与物体识别相对变得更容易实现。

在分享会的最后,贾兆寅总结到,“在智能驾驶中可以看到,对于现在这些基于学习的感知方法,数据量是一个关键,一个是你可能会有更多的数据量,那样学习出来的模型才会更好。另外一个是大的数据量,那样才可以得到更多的低频事件,使智能汽车在极少数突发情况下,也能做出正确的判断。”

出行数据是滴滴研究智能驾驶的优势所在

当从技术分享中回归到行业,不如去看看贾兆寅最近加盟的滴滴如何探寻自己的智能驾驶之路。

2017年初,滴滴出行创始人兼CEO程维曾表示,“滴滴将变成世界级的科技公司,继续引领和推动全球交通和汽车产业的变革。”

同年3月9日,滴滴出行宣布,在美国硅谷山景城成立了滴滴美国研究院。据了解,该研究院已有数十位数据工程师和研究人员加盟,主要研究的课题包括了深度学习、人机交互、电脑视觉及图像学及智能驾驶等领域的技术开发及应用。

研究院成立的同时,“2017滴滴-Udacity‘无人驾驶’大挑战”也在硅谷同期宣布启动,据贾兆寅介绍,此次大赛的关注点主要集中在感知算法这一块,参赛选手的任务就是根据Udacity和KITTI提供的数据来检测出障碍物的位置。

美国研究院的成立也好,“无人驾驶”挑战赛也罢,不难看出,滴滴在努力扩充自身的技术人才储备,从而为后期的技术创新奠定基础。

而在此之前,滴滴出行在国内的“共享出行”相关业务,为这些技术创新提供的庞大的数据量。截止至2016年,滴滴平台用户累计已达到4亿,覆盖城市超过400座,在这样基数上所产生的出行数据正是滴滴在智能驾驶技术研究方面的优势所在。

至于智能驾驶何时能来?贾兆寅表示,这个要看大家对“到来”是怎样定义的,目前,智能驾驶拥有不同的维度和发展阶段,部分技术已经得到广泛应用,如盲区检测、车道线检测、CMB、ACC等等,而真正意义上脱离方向盘的智能驾驶方案的广泛应用,仍取决于智能汽车深度学习的程度、算法的优化进度,而决定这两者的关键因素,最终会落在用于研究的出行数据量的大小。

邮件订阅

如果您非常迫切的想了解IT领域最新产品与技术信息,那么订阅ZDNet技术邮件将是您的最佳途径之一。

重磅专题