5G和AI的应用为自动驾驶汽车带来边缘计算

“实现完全自主无人驾驶是一个令人兴奋又望而生畏的挑战。”在近日举行的中国智能车大会暨国家智能车发展论坛上，中国自动化学会理事长、中国工程院院士郑南宁对无人驾驶的前景谨慎乐观。

随着5G、人工智能（AI）、物联网等技术的不断发展，智能车相关技术正在谋求技术融合，探索兑现更多场景应用。

郑南宁表示，尽管目前辅助驾驶，结构化环境无人驾驶，有明确应用背景、针对相关任务的无人驾驶技术已慢慢走向成熟，但对于实现完全自主无人驾驶技术，我们还面临着十分艰难的挑战。

他认为，应对这一挑战，不仅需要在实验室里探讨新方法，更重要的是把实验室中的理论研究成果与真实物理世界验证结合起来。

“5G＋AI”为智能车带来边缘计算

2019年是中国5G商用元年，5G因其超高速率和超低延时的特点，将对人与物和物与物的连接产生革命性影响。

无人驾驶、车路协同等一方面对自动驾驶汽车智能化要求越来越高；同时，由于自动驾驶汽车受限于低成本要求，对算力、供电等有很高要求。“自动驾驶汽车技术对自动化的要求是无限的，我们希望最大化利用深度学习方法。”在清华大学AI研究院教授邓志东看来，这是自动驾驶领域的一个困局。

但在5G环境下，这一困局有望破解。“5G和AI会催生边缘计算发展。5G通过边缘计算提供算力，连接云端和移动终端。”邓志东相信，5G和AI的应用将为自动驾驶汽车的数据源头提供就近服务，“边缘计算可以为自动驾驶汽车提供实时性、智能化服务操控。”

这首先可以降低自动驾驶移动终端的成本，同时大大加强移动终端边缘识别能力，而且可以提供周边范围公共服务。这样就可以把自动驾驶汽车看做是一个传感器，或是执行机构。

目前，L4汽车的技术路线选择主要有两个，一是摄像头视觉为主导，二是激光雷达为主导。无论是二维摄像头，还是三维激光雷达、毫米波雷达，成像之后都需要依靠计算机视觉，需要AI赋能。

相对于传统计算视觉方法，在大数据与大计算能力的支撑下，视觉的感知智能方法带来了场景、目标、行为与检测、定位、跟踪与识别能力的大幅度提升。该方法目前基本可以应用于自动驾驶领域。

深度学习方法，不仅有底层特征，还有中层特征、高层特征、局部特征和全局特征，所有这些特征都通过算法结构从大数据中自动学习。“这是最本质的问题。” 邓志东举例到，传统计算视觉方法能达到70%～80%的识别率，而深度学习方法可以做到97%、98%，甚至99%。而人的识别率在97%左右。就是说，深度学习在视觉计算方面理论上可以达到甚至超过人的能力。

“对某一个数据集来说，这种识别率变得基本可用。” 邓志东强调。

多驾驶场景如何实现

“在结构化、封闭化道路上做决策和规划相对较容易，但是开放场景、有动态障碍物的复杂场景，对智能车的自主决策和规划还是非常大的挑战。”吉林大学汽车工程学院教授高炳钊课题组在汽车控制领域已耕耘20多年，对模型预测控制在线优化方法和手段在自动驾驶各个环节中的作用颇有研究。

高炳钊介绍说，人类驾驶员驾驶行为的基本原理是，先进行道路预瞄和前方场景理解，再根据环境当前状况以及车辆所处状态修整驾驶行为。基于此，人类驾驶决策是优化和调整的过程，从控制理论来看，驾驶具有分层架构，首先需从感知信息到决策规划和控制。其中决策涉及到与其他车辆、其他行人和智能体交互的多方博弈；规划要满足汽车的动力学特性，节能经济性考虑等。决策规划给出一个控制指令，车辆输出进一步影响周围和行人，形成一个新环境，继而提供新的感知信息。

“模型控制就是在这样的滚动循环下做驾驶规划和决策。” 高炳钊说。

多驾驶场景的特点在其开放性和复杂性。“比如在没有车道线的情况下，很多指令性规则实际上不足以覆盖实际需要，还有一个关键因素是中微观驾驶行为对运动的影响。” 高炳钊解释到，同样是一个换道操作，采用不同完成时间和不同加速度，轨迹差距可以达到15米以上，这也对决策的计算量影响提出了要求。

高炳钊团队提出的办法是采用参数化决策方法提取主要运动量。比如动作持续时间、纵向加速度、终端位置、侧向加速度等一些关键物理量，提取它们的取值范围，利用组合覆盖多种不同程度的微观驾驶行为。

决策输出最重要的关键参数是时间、纵向加速度和终端位置。这种决策结构与人的驾驶行为很接近。在设计模型时，高炳钊团队首先提取时间、纵向加速度和终端位置作为第一层关键物理量，再用其他参数保证轨迹规划合理，用不同终端约束匹配不同道路，在考虑动力学特性的前提下，一定要使轨迹可行和光滑。

“通过这样的处理，可以比较快速地把决策和规划问题求解出来。” 高炳钊表示，对于决策层，我们可以用在线优化和强化学习的方式采取离线训练；对于规划层，可以采用非线性模型预算控制做光滑轨迹的优化和跟踪控制。

突破无人驾驶大规模商用难点

谈到制约无人驾驶技术实现大规模商用的主要难点，郑南宁团队成员、西安交通大学博士陈仕韬表示应是规划和定位问题。

从规划角度来看，无人驾驶汽车在正常的结构化道路上可以跑的很好，而面对非结构化道路往往不能很好处理。这时候需要有更好的规划帮助无人驾驶汽车适应不同场景。

从定位角度来讲，目前有全球导航卫星系统等卫星导航定位手段，但很多应用场景并不具备GPS信号的良好条件，无人驾驶汽车也需要通过地图或语义的方式确定其位置。

郑南宁团队所开发的无人驾驶系统中使用的定位模块离不开多传感器融合。“我们的融合方法不完全依赖GPS信号。” 陈仕韬表示，在各种场景下都能做到精确实时的位置输出，是他们的最终目标。

当前主流的定位方法，包括二维码定位和磁感应定位。二者现在已经非常成熟地应用于AGV小车技术。除此之外，GPS改进方案也解决了GPS信号多路径效应等问题，这都可以提升定位精度，扩大无人驾驶应用场景。

他们目前考虑的是，如何把GPS改进方案综合在一起，得到一个更加可靠的定位系统。

“现有的GPS改进方案依然解决不了有地库的场景或者林荫道下有信号遮挡的场景。” 陈仕韬表示，slam算法虽然在室内机器人上得到了成功应用，但面对室外的复杂动态交通场景，其计算复杂度会很大，实时性也无法满足都满足要求。所以，研究需要去结合两者的优势。

由此，郑南宁团队希望构建的基于多传感器融合的滤波定位框架有如下几个特点，首先要强调弱化GPS在整个系统中的作用。“我们不一味地依赖或否认GPS，它好的时候我们去用，它不好的时候我们也要及时地把它屏蔽掉。”

其次定位需要是高频率的，“我们希望无人驾驶汽车获得的位置更新达到每秒100赫兹以上，所以我们也要通过一些融合滤波的方法提高定位的平滑性和实时帧率。” 陈仕韬接着说。

郑南宁团队提出的综合一体化建图与定位方案认为，从宏观上来讲，无人驾驶汽车就是要在长距离、长过程的定位中不能有累计误差，并且可以把综合定位误差控制在一定范围内。从微观来看，具体到一个定位的实时位置应是连续和平滑的。

“自动驾驶产业要想真正落地，就必须获得大数据、大计算能力、5G、云边端自动驾驶技术实施，以及核心零部件、高精度地图、智慧城市、智慧道路、视觉认知道路等的支撑。” 邓志东表示，自动驾驶产业的前景是美好的，不过我们还需要通过加速自动驾驶领域的全生态建设和技术融合探索，如此才能推动自动驾驶在中国的快速发展与产业落地。
       责任编辑：tzh