特稿 >

行业洞察 >

深圳私享会现场:人工智能是否能颠覆百年历史的汽车产业

深圳私享会现场:人工智能是否能颠覆百年历史的汽车产业

Xtecher原创 丨 行业洞察

8823
615

2017-04-18

小猪

Xtecher特稿作者

关注

很早以前,汽车是自由的象征。自动驾驶延伸自由的概念。它让驾驶员能够控制自己的时间,尽管横亘在自动驾驶普及前的难点还需逐个击破,但必然的趋势和巨大的市场是毋庸置疑的。

 

自动驾驶的革命已经到来,我们没有回头路。时代的巨轮在飞快转动。未来正以超越大众预期的速度呼啸而至,所有人都置身于这个一日一更的世界中。这艘巨轮究竟将驶向何方? 

 

本次深圳私享会以人工智能是否能颠覆百年历史的汽车产业为主题,Xtecher邀请到的分享嘉宾有PerceptIn联合创始人刘少山、Minieye创始人及CEO刘国清、速腾聚创CEO邱纯鑫、昆仲资本创始合伙人姚海波,以下是他们的相关见解。


PerceptIn联合创始人刘少山

liushaos.jpg


刘少山,加州大学欧文分校计算机博士,研究方向包括智能感知计算、系统软件、体系结构与异构计算(FPGA、GPU)。在创立PerceptIn之前在百度硅谷研发中心主要负责于百度无人车系统架构与产品化、大数据、深度学习以及异构计算平台的架构与开发。现在PerceptIn主要专注于增强现实、虚拟现实、SLAM技术以及其在智能硬件上的实现与优化。

 

刘少山分享主题为“我们的时代”。他表示无人车是AI时代多种技术的整合,它不是一个单点技术。它整合了五六十个技术点到一款产品上,技术门槛高。因而自己创业之初未曾选择无人驾驶,而是选择了一个相对容易的创业入口—机器人。

    

他说无人车的研发需要每一个零件、每一项技术、每一个领域的创新。无人车技术主要涵盖三个方面:算法、系统集成、云平台。算法主要包括了感知、理解、决策三个部分,其中理解包括了定位、物体识别、物体追踪。

 

对于定位方面,他解释说,无人车其实是靠多种传感器的融合实现定位的。首先利用IMU和轮轴的信息做一个初始的定位,然后再用GPS对这个定位进行纠正,随后用激光雷达再做一次纠正,激光雷达通过与高精地图匹配,进行定位。

 

对于物体识别技术的应用,他列举了避免碰撞到行人的例子,需要利用物体识别技术检测出前车的距离以及目前正在行驶的车道等。

    

物体跟踪是指识别之后再去跟踪行人的行动,根据行动去预测行人的走向,然后调整自己的决策以免发生碰撞。

   

介绍完算法之后,刘少山又介绍了系统集成。系统集成主要包括操作系统与硬件平台两个方面。硬件平台又包括传感器、计算平台与车辆控制平台三个部分。

    

无人驾驶是个相当复杂的硬件系统,一般一台无人车至少十几个高清摄像头、一到两个激光雷达,并且需要把各种传感器融合在一起,因而需要巨大的计算能力。

 

无人驾驶复杂的应用需要操作系统,目前大家使用的都是基于ROS的机器人操作系统。大家之所以喜欢ROS框架,是因为它比较方便,数据比较容易在这个框架里流动。但它存在很多严重的问题,比如很容易造成系统崩溃。如果车在行驶过程中,它的ROS系统崩溃了则会导致撞车。

   

计算平台分成三个部分,分别是传感器平台Lidar、GPS系统、摄像头。传感器所有数据通过PCI走到计算平台,再通过CAN 主线传到控制平台,然后进行刹车和控制轮胎等。计算平台也有很多创新空间,如何把整个硬件小型化、标准化就是其中之一。

 

刘少山说,云平台对于无人驾驶是必不可少的。一台在路上行驶的欧四级别的无人车,每秒钟产生2GB的数据,包括视觉数据、位置数据、轮胎数据等,这些数据都要上传。云平台那么大的数据量,就需要一个分布式的平台,把它做成一个计算。

    

云平台主要由计算平台和存储平台两部分组成,主要应用在模拟计算和地图生产两个方面。

 

计算是用Spark框架,而存储是用内存存储框架。云存储平台使用了Alluxio机制,因为它把存储放在内存里面,而不是放在传统的硬盘里面,这样在有多个计算的工作里面,便会有30到50倍的加速。

 

他也提到了模拟计算的重要性。他说,假如开发一个新算法,如果放到车上去验证就很麻烦,第一成本太高,第二是不知道有多少种情况发生,第三不知道用多长时间才能得出结论,所以需要模拟计算。模拟是一种回放技术,用ROS把数据重新回放。这个模拟计算是分布式的,需要在SPARK平台上用多台机器。

    

他表示云平台在地图产生方面发挥的作用是巨大的。如果要使用激光雷达作为主要导航部件,必须不断地去更新高精地图,而高精地图数据量极大,需要大量的计算资源在后面支撑。

 

高精度地图产生是个相当复杂的流程,扫描原数据,并把扫回来的数据变成点源,点源不能形成一个连续的图状,需要进行拼凑。拼凑之后,要放一些标签,标示哪条路径是你的车道,这条路径限速多少等。

 

最后,刘少山展示了自己公司做的一个Demo,他说PerceptIn至少证明了利用一个很低层面的硬件平台,还是能做出不错的人工智能无人车。


Minieye创始人及CEO刘国清

liuguoq.jpg


新加坡南洋理工大学工学博士,前新加坡CeMNet研究中心研究员,江苏省“双创人才”。10余篇研究成果在人工智能顶级会议、期刊发表(AAAI、IJCAI、PR等等),拥有9项国内外发明专利。2012至2013年,主持了由新加坡政府(MDA)和南洋理工大学联合发起的高级驾驶辅助技术研究课题。

 

刘国清在此次私享会活动中,给大家分享的是无人驾驶中基于视觉的目标识别技术。

 

他说在无人驾驶的视觉方面,采用了多种传感器融合的方式。高端的无人驾驶,出于对安全性和可靠性的高要求,需要多种传感器融合到一起,通过信息的冗余来提升安全性、可靠性。视觉感知对于无人驾驶而言是不可或缺的。


首先,它具有分辨率的优势。现在主流的Camera超过了Lidar、Radar。Lidar和Radar最多只能够达到0.3兆,Camera却可以达到61M。高分辨率能带来更大的信息体量,用户能够更好地了解驾车环境,进一步帮助我们对交通环境有一个定性的认识。


其次是信息的维度上有一定优势,包括形状、纹理、颜色、灰度等多个维度。


对于感知技术的发展,刘国清谈到该领域有两个趋势:第一,在感知技术建模过程中,机器学习发挥了越来越重要的作用;第二,识别的内容愈加精细。

他以人脸检测为例,在1990年以前,做人脸检测的时候,是用一种很原始的方式做的。对人脸的建模是基于观察,基于经验,以及一些结构信息,这种方式适应性欠佳。


在1990年至2010年的这个阶段,开始把机器学习引入到视觉感知这个领域里,比如对人脸的建模,是对模型的建立。首先会去定义一些feature,它们是描述一张人脸的基本元素。接下来,会通过一种学习方式,在一万个feature里,挑选100个最能有效地表征人脸的feature,然后利用这些挑选出来的feature,从数学的角度实现人脸模型的建立。这种方式对数据的取材要求较大,并且特征的设计需要大量经验的积累,因此对功力的考验很大。


到了2010年以后,深度学习开始进入蓬勃发展的阶段。深度学习相对于传统的感知算法,最大的优势在于深度学习把特征设计的过程融入到它的学习里,通过端到端的深度学习神经网络,使整个特征吸取的过程自动完成。


刘国清表示识别的内容愈加精细的发展趋势也是非常明显的。在2010年之前的论文做的论题大部分是Image classification,也就是说给出一张图片,可以识别出图中是否有人,但人的具体位置无法识别出来。


到了下一个阶段,被称为Bounding-box detection,不仅能够知道图中的物体,还能知道物体的具体位置。当ADAS用于辅助驾驶时,Bounding-box detection可以很好地满足需求。


现在大家感兴趣的深度学习叫Pixel labeling,不仅能获取目标的具体位置,还能够知道这个图象里具体像素所对应的目标。随着汽车无人驾驶环境的推进,我们需要对环境的感知越来越精细,感知得越精细安全性则越好。在这种情况下,Pixel labeling是一个发展趋势。


他表示视觉感知技术应用的领域很广泛。相对于其它的应用环境,比如安防、考勤、娱乐等,车载环境需要面临更多的挑战。挑战主要来源于俩个方面的冲突:第一个是准确性和类别内差之间的冲突,第二个是实时性和计算资源之间的冲突。


准确性关乎人身安全,所以我们对准确性的要求非常高。准确性由两方面构成:一是识别率,另一个是误检率或误识率。类别内差过大则会引起准确性降低。物体的不同姿态、光照、天气变化等都可以造成很大的类别内差。


实时性是指即时地识别和反应。车载硬件的优势在于可靠,并非计算能力。在计算资源有限的平台上,要做很复杂的识别障碍的操作,并且又保证行车记录正确,这是一个很大的挑战。


他说,如果去评价一个视觉感知系统,尤其是在车载环境里,概括起来有三个方面:准确性、实时性和数据库。在关注技术失调的同时,也要了解技术指标是在什么样的条件下得到的,是在什么样的数据库下检测到的


速腾聚创CEO邱纯鑫

qiu.png


哈尔滨工业大学控制科学方向博士,移动机器人环境感知技术专家曾在JFR(Journal of FieldRobotics)等国际顶级机器人刊物上发表多篇论文,完成过包括国家自然科学基金在内的多个机器人相关项目的研发工作;2014年创办深圳速腾聚创(RoboSense),开发用于自动驾驶领域的高端激光雷达技术。


邱纯鑫主要给大家分享的是激光雷达相关知识。他表示如何去模拟雷达与雷达之间的干扰,以及如何抗干扰,是速腾一直在研究的问题。


激光雷达是一个输入源,如果被入侵或被模拟,对后端决策会非常危险。从整体上看,传感器、控制系统、云端,还有车内各个零配件都可能被入侵。


他表示目前用固态机械式激光雷达去做抗干扰的效果并不理想,因为激光光源不太好做,技术并不成熟。这说明无人驾驶离我们还有一段距离,三年内无人车要大量上路,不太现实。从低速车,到具有固定功能或特殊领域的应用,最后过渡到普通的无人驾驶乘用车,这样一条技术发展的路径是大家现在比较认可的。


他直言自己之所以想去做无人驾驶,是因为理想。速腾立志要做传感器的助推者,做整个无人驾驶的助推者。激光雷达,在无人驾驶领域的作用举足轻重,对创业而言,是一个不错的切入点。


邱纯鑫表示目前的激光雷达还很原始、很基础,跟摄像头比,它整个发展要晚很多。因为无人驾驶对可靠性的要求,激光雷达才真正发展起来。激光雷达目前面临很多问题:体积大、成本贵、稳定性欠缺。


他表示未来三五年内,激光雷达在硬件上有很大进步空间。但三五年后,解决了成本、体积问题,再进步提升就很难,所以光做硬件是行不通的。


针对无人驾驶的研发现状,邱纯鑫将目前进入该领域的公司分为了四大类:科研巨头,如谷歌、百度;传统车厂,如宝马、奔驰;新能源汽车,如特斯拉;运营商,如Uber、滴滴。科技巨头,态度激进,进展迅速;传统车厂,态度保守,循序渐进。


他表示早期做无人驾驶,学者的想法是希望能降低事故率,现在由于人为因素造成了很多事故。邱纯鑫通过对比机器与人之间的反应时间以及操作时间,充分证明了机器安全性的优势。并表示,人在上述两个方面进步的空间很小,而机器则可以通过算法的优化,进一步提升。另外无人驾驶还有其他一些显而易见的好处,比如减少温室效应、省钱、减少拥堵、节省时间等。


 对于无人车所面临的挑战,邱纯鑫表示除了技术上的问题,还包括政策的问题,云端安全问题,伦理道德问题。


就政策问题来说,北美那边就会限制测试的地点。国内测试场地也是有限的,整个路况环境也非常复杂。如果你没有给无人车充分的测试数据,就不能断定无人驾驶是安全的。他举例说,特斯拉事故的原因就在于没有确切说明无人驾驶的使用环境。Uber因为更换既定的测试场地而被警告。大家都想有更多的环境去测试,有更多的数据来支撑。


他表示整个无人驾驶系统架构,包括高精度地图、环境感知、决策、控制这几个方面,高精度地图也应该作为一个特殊的传感器来对待。


邱纯鑫告诉我们,无人车左边分布着毫米波雷达、摄像头、激光雷达等,用于感知周围物体的环境;右边分布着GPS、IMU,主要用于定位,仅仅靠GPS定位,精确度是不够的。


摄像头、毫米波雷达、激光雷达各自的优缺点比较明显,因此传感器是多种方案融合的技术。哪怕中间有一些技术重合也没关系,最好能出现传感器冗余,冗余的好处是,哪怕有一个传感器被攻击了,其他传感器还可以发挥功能。


接着邱纯鑫讲解了激光雷达算法。他说现在激光雷达的后处理算法主要有三个方面的作用:车道线检测、数据的采集、障碍物检测。


目前Mobileye提出用纯视觉去做高精度地图,但效果如何还不是特别清楚。如果用激光雷达、GPS和IMU做一个定位之后,可以针对激光雷达提取的车道线路去匹配原来的高精度地图,就可以很大程度提高车左右偏的精度。


最后,他介绍了速腾的产品,主要有两块,一个是静态激光雷达,一个是多线激光雷达,多线激光雷达有16线和32线,16线已量产。他表示速腾不做64线激光雷达的原因有三个:第一是整个固态激光雷达发展得太快了;第二是即使体积做小,也没法压缩成本,因为原理性没有改进;第三是64线激光雷达生产困难。


激光雷达应用领域很多,像一线激光雷达主要用于工业和机器领域;多线激光雷达主要用在辅助驾驶;更高线数的激光雷达,如8线、16线、32线、64线,主要用在无人驾驶与高精度地图上。AGV也想用激光雷达,目前AGV主要通过磁条定位,后来升级为“激光+反射板”的方式,能够达到厘米级定位精度。


昆仲资本创始合伙人姚海波

yoahai.png


长江商学院EMBA,同时拥有马耳他大学的信息工程硕士学位和天津工业大学计算机学士学位,并于2012年取得了中国证监会授予的独立董事任职资格。曾经作为联合创始人创立互联天下,亦曾就职于中国长城计算机集团。曾担任IDG资本深圳地区首席代表,主导了柔宇科技、茂硕电源、融创天下等优质项目的投资。于2016年6月共同创立昆仲资本。此前,姚海波先生担任复星昆仲资本董事总经理,任职期间主导投资了极光推送、uSens、理才网、超级猩猩等优质项目。


姚海波主要给大家分享了无人驾驶领域投资的相关情况。他表示,在该领域,他们最看好的是谷歌,因为谷歌基本把上把钱、人、财、物都集中了。另外百度也是一个选择,自己曾接触了六拨非常优秀的从百度出来的团队。


他告诉我们,昆仲资本非常喜欢技术类的创业。对于自动驾驶在中国的创业机会,他们先前关注了两个方面:感知以及“大脑”,高精度地图是感知的一个部分。后来,发现感知在国内已经投不下去了,因为估值太高,因而只能找第二选择。


他列举了无人驾驶比较有代表性的企业:谷歌、百度、Uber、福特和GM。他说这些企业一边忙着收购,一边忙着拆分。Waymo已经从谷歌独立出来,英特尔花大价钱收购了Mobileye。传统车厂关于无人驾驶的态度,绝大多数非常保守,甚至很多都不看好,他们觉得从L1到L2.5是可以做的,但不认为L4会马上出来。当然也有比较激进的,比如说福特和GM。福特公司有大概五百人在做无人驾驶,还花10亿美元收购了Argo。


他分享了自己曾经在乌镇试驾百度无人车的经历,感觉新鲜又惊悚。那个车大概行驶了15分钟,司机接管两次,谷歌现在可能一千公里接管一到两次,Uber可能几十公里就要接管一次。他个人觉得百度不错,有进步的空间,是好事。


对于无人驾驶,互联网公司与车厂的逻辑和角度完全不同。前者追求的是性能,是安全,不计成本;后者追求的是成本。


对于无人驾驶何时落地的问题,他觉得需要具备三个条件:谷歌的技术、Uber的平台、国家的政策。为什么说是Uber的平台?他解释说纯粹的无人驾驶乘用车,是不太敢买的,但它可能会在其他领域上使用,比如说出租车或是物流车。 


对于政策的的作用,他类比了电动车的发展。他说无人驾驶与电动车有特别相象的地方,比如说电动车的核心技术是三电一瓶,无人驾驶核心技术是感知、理解、决策,基本是接近的。电瓶车技术成熟得益于中国政府大力投资,因此产生了非常多的上市公司。


对比一下电动车的前世,他认为中国版无人车也可能会这样发展,现在政府都非常欢迎这类创新企业到各地落地,如果大家在创业,或者投资创业公司,可以去中国的芜湖、武汉、宁夏,或者广州和深圳。


最后,他告诉大家,目前创业和投资最大的竞争对手是时势,时势就是看准好的时机,该融资就融资,别犹豫,不管你是什么出身。

打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮

账号登录

重置密码

还没有账号?立即注册>

账号注册

已有账号?立即登录>注册企业会员

重置密码

返回

绑定手机