如今，無論是中國，還是美國，物流市場的規(guī)模都已達(dá)萬億級別，而且，市場規(guī)模都還在不斷擴(kuò)大。毫無疑問，這是一個擁有無限潛力的市場。
       然而，這一市場正在面臨尷尬的局面——巨大的就業(yè)缺口、高昂的運營成本、頻發(fā)的駕駛安全事故，這些都成為當(dāng)代物流行業(yè)亟待解決的痛點。
       近日，雷鋒網(wǎng)邀請了智加科技高級主任科學(xué)家崔迪瀟來進(jìn)行業(yè)內(nèi)分享。以下為崔迪瀟演講內(nèi)容，雷鋒網(wǎng)進(jìn)行了不改變原意的整理：
       大家晚上好，我是來自智加科技的崔迪瀟。
       我今天分享的主題是打磨安全的干線物流自動駕駛，會分享智加過去在干線物流自動駕駛領(lǐng)域的實踐，以及智加對技術(shù)落地的思考和推演。
       主要的內(nèi)容分為四個版塊：

   •  當(dāng)前干線物流的現(xiàn)狀和自動駕駛的機(jī)遇；

   •  自動駕駛落地應(yīng)用的 5 個階段；

   •  干線物流自動駕駛的關(guān)鍵技術(shù)和挑戰(zhàn)；

   •  L2+ 到 L4 級所面臨的數(shù)據(jù)閉環(huán)問題。
       一、當(dāng)前干線物流的現(xiàn)狀和自動駕駛的機(jī)遇
       物流在國家經(jīng)濟(jì)的組成部分中占重要位置，尤其在中美兩地，物流市場已形成萬億規(guī)模，公路運輸長期占據(jù)國內(nèi)整體貨運量的 75% 左右。
       然而，這一巨大市場面臨著嚴(yán)峻的結(jié)構(gòu)性人力供給短缺問題，主要表現(xiàn)為勞動力流失率高和未來勞動力補(bǔ)給不足——如今有超過半數(shù)的卡車司機(jī)計劃未來不再做司機(jī)，而 96% 的卡車司機(jī)不希望自己的下一代成為司機(jī)。
       此外，重卡的運營成本也很高，從燃油、司機(jī)、保險、車輛折舊等方面進(jìn)行統(tǒng)計分析，在美國，人力和油耗占運營成本的 70%，在中國，這一比例也超過 50%。同時，長途運輸中的駕駛安全問題也備受關(guān)注。
       基于上述現(xiàn)狀，利用自動駕駛技術(shù)來填補(bǔ)勞動力缺口、優(yōu)化成本、提高重卡行駛過程中的安全性，已成為大勢所趨。這也使得干線物流成為能夠最早實現(xiàn)自動駕駛商業(yè)落地的場景之一。
經(jīng)過幾年的發(fā)展，產(chǎn)業(yè)界和學(xué)術(shù)界已經(jīng)基本達(dá)成共識：隨著自動駕駛技術(shù)的應(yīng)用，重卡運營成本可以降低26%，事故率可降低 80%。
       基于中美兩地市場的現(xiàn)狀，以及對自動駕駛技術(shù)光明前景的判斷，智加科技從成立起便以落地應(yīng)用為主導(dǎo)，以構(gòu)建生態(tài)為核心，定位為全球最大的兩個物流市場進(jìn)行賦能。目前，智加在中美兩地均設(shè)有辦公室和研發(fā)中心，超過 25% 的員工有博士學(xué)位，超過 80% 的工程師畢業(yè)于中美兩地排名前五的工科院校；擁有自動駕駛核心技術(shù)的全棧研發(fā)能力，包括感知、地圖、定位、決策、規(guī)劃、控制等。資本方面，智加也得到了紅杉資本、金沙江資本、滿幫集團(tuán)等多方的支持。
       智加在過去的幾年里取得了不錯的成績：

   •  2017 年 3 月，智加獲得了加州交管局頒發(fā)的自動駕駛路測牌照，成為第一家獲得路測牌照的中國初創(chuàng)公司；

   •  隨后，智加在硅谷的真實車流中完成了近2000公里的實際路測；

   •  2018 年，智加和與中國市場份額最大車貨匹配平臺滿幫集團(tuán)達(dá)成了獨家戰(zhàn)略合作，并聯(lián)合滿幫、一汽解放和英偉達(dá)成立了四方同盟；

   •  2018 年 11 月，智加獲得了公安部、交通部、工信部和江蘇省政府聯(lián)合發(fā)布的中國首張營運自動駕駛測試牌照；

   •  2019 年 1 月，在哥倫布智慧物流大會上，智加與一汽解放完成了首批智能重卡的交接儀式。
近期也有一些進(jìn)展：
       去年底，智加取得了全國首張跨區(qū)域的測試牌照，可在江蘇、安徽、浙江、上海、三省一市的相關(guān)道路上進(jìn)行測試和數(shù)據(jù)收集；
       去年，智加聯(lián)合一汽解放成立了蘇州摯途科技有限公司，攜手推進(jìn)智能重卡的落地量產(chǎn)；
在美國，智加也在持續(xù)進(jìn)行商業(yè)試運營。去年圣誕前夕，智加的重卡自動駕駛了三天三夜，橫跨美國東西海岸完成了生鮮運輸工作，行駛里程達(dá) 2800 英里。
       二、自動駕駛落地應(yīng)用的5個階段
       智加對自動駕駛技術(shù)落地的 5 個階段有自己的見解：

   •  在干線物流的場景下，第一個階段叫作“原型期”。在這一階段要做好三件事：確定 L4 級重卡自動駕駛的價值，制定大致的技術(shù)發(fā)展方向，同時尋找可靠的伙伴共同來推進(jìn)。

   •  第二個階段叫作“工程驗證期”。在這一階段，最主要的工作是通過驗證，證明自動駕駛的安全性和經(jīng)濟(jì)性。而且驗證不僅僅是路測驗證，還包括建立仿真系統(tǒng)來進(jìn)行驗證。

   •  第三個階段叫作“設(shè)計驗證期”，此前工程驗證期驗證通過的自動駕駛系統(tǒng)，需要與量產(chǎn)車進(jìn)行融合設(shè)計，從而設(shè)計出一款真正的自動駕駛的重卡。

   •  第四個階段叫作“生產(chǎn)驗證期”，要進(jìn)行流水線和生產(chǎn)方面的準(zhǔn)備，包括把供應(yīng)鏈打通、把工廠建設(shè)好，這是重卡主機(jī)廠擅長的事情。

   •  第五個階段就是“量產(chǎn)”，到了這個階段，自動駕駛重卡已經(jīng)開始大規(guī)模商業(yè)化落地，類似于滿幫這樣的角色將會在這個階段發(fā)揮最大效果，推動自動駕駛重卡進(jìn)行規(guī)模的商業(yè)化試運營。
       基于以上的五個階段，智加也分別做了相應(yīng)的規(guī)劃和準(zhǔn)備，包括一些技術(shù)上的創(chuàng)新。
       三、干線物流自動駕駛的關(guān)鍵技術(shù)和挑戰(zhàn)
       一輛時速為 120 公里每小時、帶掛的重卡，它的制動距離通常在 180 米。如果有更大的重量，將會有 0.6 秒到 0.8 秒的制動延時，這會導(dǎo)致更長的制動距離。
       此外，重卡在濕滑的路面上行駛的制動距離將進(jìn)一步增加。為了安全起見，在濕滑路面下的重卡制動距離通常需要至少 300 米。另一方面，由于車身高帶掛的特性，重卡司機(jī)的感知盲區(qū)遠(yuǎn)比乘用車大，因此也引發(fā)了大量的事故。
由此引出的自動駕駛乘用車和重卡在技術(shù)上的差異，包括感知、標(biāo)定、地圖、定位等內(nèi)容，我接下來會為大家做拆解。

   •  標(biāo)定
       首先是標(biāo)定。多傳感器同步和內(nèi)外參數(shù)標(biāo)定是所有智能駕駛系統(tǒng)必須解決的問題，其誤差會通過感知層逐步遞增到規(guī)劃和控制，影響最終的自主行駛。
       傳感器的標(biāo)定可以分為離線的靜態(tài)標(biāo)定和在線的動態(tài)標(biāo)定。
       針對靜態(tài)標(biāo)定，通常采用基于標(biāo)記物的標(biāo)定方法。這種標(biāo)定方法需要選取和設(shè)計利于不同傳感器能夠同時進(jìn)行準(zhǔn)確觀測的特殊標(biāo)記物。為了上述目標(biāo)，選取標(biāo)記物時要考慮其幾何結(jié)構(gòu)和表面材質(zhì)，比如相機(jī)對紋理和角點的觀測精度、激光對深度（尤其是深度不連續(xù)位置）的觀測精度、以及雷達(dá)對金屬的強(qiáng)反射性等。
       標(biāo)定的整體流程分為兩大類，一類是以 3D 的點集配準(zhǔn)為主要方法，基于 3D 坐標(biāo)之間的對應(yīng)關(guān)系來實現(xiàn)標(biāo)定。 另一類是典型的 2D 和 3D 的對應(yīng)點之間的標(biāo)定問題，可以使用 PNP 的方式來求解。
       重卡面臨的另一個問題是在線標(biāo)定。由于車身懸掛的抖動明顯，可能會導(dǎo)致兩個標(biāo)定問題——第一個是不同傳感器之間的相對位置會發(fā)生變化，比如相機(jī)和相機(jī)的相對位置、相機(jī)和激光的相對位置發(fā)生偏移。第二是傳感器相對于大地的坐標(biāo)系會發(fā)生變化。
       針對第一個問題，可以利用左右雙目的高區(qū)分度的特征點來進(jìn)行在線校正。針對第二個問題，可以直接使用激光中深度不連續(xù)位置和圖像中逆距離變換求取的邊緣來實現(xiàn)對傳感器外參數(shù)漂移的在線標(biāo)定。
       不過，值得注意的是，所有好的在線標(biāo)定系統(tǒng)都對初值有著嚴(yán)格要求，所以首先還是要實現(xiàn)重復(fù)性高的離線標(biāo)定，來提供相對準(zhǔn)確的初值。

   •  感知
       感知方面。智加基于多個攝像頭、激光雷達(dá)、毫米波雷達(dá)實現(xiàn)了車周無盲區(qū)，以及遠(yuǎn)距離的感知。在前向距離上，智加可以實現(xiàn)超過500米的靜態(tài)和動態(tài)障礙物的檢測和跟蹤。這種傳感方案與單純地強(qiáng)調(diào)遠(yuǎn)距離感知不同，還兼顧了感知的視野范圍，可以感知到路面的起伏情況。這是實現(xiàn)重卡安全運營的一大重要手段。
       另外，在技術(shù)方案中，智加充分利用了多基線配置的雙目視覺和來自于激光毫米波雷達(dá)的數(shù)據(jù)的深度融合。

       如今，隨著算法的迭代和優(yōu)化，智加車頂傳感器的數(shù)目不斷減少，但始終保留了雙目的配置。這是因為雙目在傳感器的自檢、動態(tài)標(biāo)定和深度估計上都給了感知模塊和整體系統(tǒng)很多冗余，比如雙目深度比單目準(zhǔn)，點云密度比激光高，同時左右兩側(cè)相機(jī)可互為冗余，以防其中一個出現(xiàn)故障。同時，雙目本身也利于在線標(biāo)定。
       而且，由于雙目點云的天然特性，它的幾何結(jié)構(gòu)的信息穩(wěn)定性高于紋理信息，使得它和激光雷達(dá)的數(shù)據(jù)融合可以在深度層面上展開。

   •  車道線檢測和障礙物感知
       車道線檢測的方法層出不窮，但實際上，大多數(shù)時候，對車道線的檢測和改進(jìn)都是基于二維空間，關(guān)于高度的信息估計幾乎是缺失的。在一些特殊的場景下，車道線的準(zhǔn)確性會大打折扣。以高速公路收費處的匝道為例，其路面并不是一個典型的平面，而是高度逐漸升高/降低的曲面。
       智加用基于立體視覺估計的曲面來實現(xiàn)路面點云的稠密化，從而實現(xiàn)圖像像素和激光的點和點對齊；且這種方式使得感知結(jié)果可以和車體坐標(biāo)系建立清晰的物理對應(yīng)關(guān)系。
有了準(zhǔn)確的路面估計以后，則需要考慮障礙物的感知問題，尤其是針對重卡的遠(yuǎn)距離障礙物感知。有了來自于雙目的顏色和深度信息以后，多傳感融合則有更多的操作空間，實現(xiàn)對障礙物的類別、位置、朝向的檢測和跟蹤。

   •  建圖和定位
       智加的建圖和定位依然是多傳感融合的方式。智加高精地圖創(chuàng)建包含了 3D 點云和 2D 圖像作為地圖數(shù)據(jù)的輸入，然后通過離線完成幾何度量信息的生成和優(yōu)化，并在最終使用前進(jìn)行人工的確認(rèn)；尤其是要對不同時間和不同車輛采集后生成的地圖之間的建圖精度、一致性和重復(fù)性進(jìn)行可視化顯示，最終地圖的采集會隨著車輛的測試運營不斷進(jìn)行增量式的更新。
       特別在高速公路這種具有結(jié)構(gòu)化特點的場景下，創(chuàng)建地圖會有一些便利，比如可以預(yù)先采集、建立一套典型的適合高速公路環(huán)境的幾何模板，并基于此來完成檢測重建。
       不過建圖中有一個容易被大家忽略的問題。未來商用地圖采集車大部分都會是乘用車，然而它的傳感器配置類型和安裝位置都與重卡有很大不同，比如激光數(shù)據(jù)的測距精度、返回強(qiáng)度等都有可能出現(xiàn)較大差異。現(xiàn)在行業(yè)內(nèi)許多公司在測試時或 demo 使用的采集車是同一款車，甚至是同一輛車。這就導(dǎo)致地圖精度和傳感器類型、安裝位置、甚至多傳感的標(biāo)定誤差嚴(yán)重耦合。
       智加較早意識到這點，所以目前用來進(jìn)行地圖數(shù)據(jù)采集的是乘用車，用來定位驗證的是重卡；同時，智加內(nèi)部也會實行類似的交叉驗證，完善建圖方法，以及定位算法。

   •  系統(tǒng)冗余設(shè)計/系統(tǒng)架構(gòu)設(shè)計
       最終的 L4 級系統(tǒng)是不需要安全員的，所以需要從系統(tǒng)設(shè)計方面考慮可靠和冗余。智加對系統(tǒng)的可靠冗余設(shè)計包含五個維度，分別是可靠硬件平臺、傳感器的冗余、功能算法的冗余、系統(tǒng)架構(gòu)的設(shè)計以及測試驗證。
可靠的硬件平臺，主要是指車輛平臺，尤其是執(zhí)行機(jī)構(gòu)以及計算平臺的可靠性。對車輛平臺來說，它的可靠性體現(xiàn)在轉(zhuǎn)向、制動、動力的冗余。
       計算平臺則要滿足功能安全。 L4 級對于算力的要求會比 L2 系統(tǒng)或者 ADAS 系統(tǒng)有顯著的提升，計算架構(gòu)也逐步從分布式向中央集成式過渡。但這種中央集成式的 ADU 的大功耗也存在著安全隱患，所以智加采用的混合結(jié)構(gòu)，部分計算任務(wù)在傳感器端做，部分計算任務(wù)在中央 ADU 端做，平衡了算力和功耗。而且，這樣的架構(gòu)也方便之后的冗余系統(tǒng)的設(shè)計與實現(xiàn)。
       傳感器的可靠性主要是體現(xiàn)滿足車規(guī)，以攝像頭為例，性能上滿足算法對圖像質(zhì)量的要求。除了傳感器本身的連接穩(wěn)定性，傳感器的靈敏度動態(tài)范圍也要有顯著提升。
       傳感器的冗余，即在傳感器故障時有硬件備份，更重要的是，同一類型的傳感器可以用來做相互校驗，檢測系統(tǒng)里的軟失效，如立體視覺。相應(yīng)的還有功能算法冗余，即通過功能算法的冗余來判斷傳感器是否失效。
       重點是智加現(xiàn)在正在采用的 simplex 的架構(gòu)設(shè)計，其中包括抽象的傳感器、抽象的執(zhí)行單元，還有一個 safe landing 系統(tǒng)。這是一套包含了硬件傳感、軟件算法、失效質(zhì)檢、硬件（問題硬件）自隔離的系統(tǒng)。
       最后，還需要一系列高效的測試驗證把整套研發(fā)環(huán)節(jié)跑通，在一些常規(guī)測試的基礎(chǔ)上加大難度，對系統(tǒng)的性能邊界進(jìn)行驗證。同時，還要有一套高效運作的測試或研發(fā)數(shù)據(jù)管理體系，來對信息進(jìn)行篩選、整理、分類，從而反哺模型的提升和系統(tǒng)的迭代。
       建立數(shù)據(jù)管理系統(tǒng)，要解決三個問題：第一、怎么收集數(shù)據(jù)？第二、怎么篩選數(shù)據(jù)？第三、怎么使用數(shù)據(jù)？
       圍繞這三個問題，智加已經(jīng)打通和完善了一整套的數(shù)據(jù)管理系統(tǒng)。這個系統(tǒng)可以用來跟蹤所有路測車輛的狀況，包括自動駕駛比例、車輛所在位置、油耗里程等等信息，然后通過人工或者自動化的方式來標(biāo)注和篩選出有價值的場景數(shù)據(jù)。
       這些數(shù)據(jù)一部分會進(jìn)入智加的內(nèi)部平臺，依據(jù)場景分類信息來進(jìn)行自適應(yīng)的采樣，形成二級或者三級的標(biāo)注數(shù)據(jù)，用于模型的訓(xùn)練、測試和評測。另一部分則用于生成仿真測試場景。
       經(jīng)過感知團(tuán)隊和標(biāo)注團(tuán)隊的努力，智加已經(jīng)圍繞困難場景的車道線標(biāo)定收斂出來一套標(biāo)準(zhǔn)。以車道線檢測為例，這套標(biāo)準(zhǔn)大體上包含兩個方向：
       第一，關(guān)心數(shù)據(jù)的分布，要建立一個完備的場景，以及定的多層次分類體系。也就是說，不僅要評估模型在比如天氣、光照、道路、場景、交通流等某個一級分類維度的性能，還要分析它對應(yīng)的某個二級分類維度的性能，同時還要建立不同分類、不同維度之間的關(guān)聯(lián)關(guān)系。
       第二，要獨立客觀地去評測模塊和跟蹤模塊，即檢測和跟蹤要分開。目前，常見的車道線模塊的評測采用兩種方式，只評測車道線模塊；或者把車道線模塊評測和跟蹤同時進(jìn)行，做最終結(jié)果的評測。上面兩種方式操作起來確實簡單，但基于這些方式的評測結(jié)果十分寬泛，并沒有對檢測模塊和跟蹤模塊的性能邊界有一個明晰的判斷。類比現(xiàn)在傳感器性能突飛猛進(jìn)，但我們要清醒地知道，感知模塊性能的提升，到底是得益于傳感器廠商的進(jìn)步，還是得益于自己處理數(shù)據(jù)能力的增強(qiáng)。所以，一定要做類似的獨立客觀冷靜的測試。
       具體方法為：首先給跟蹤模塊輸入完美的感知數(shù)據(jù)/感知真值，然后不斷增加噪聲，降低感知輸入的質(zhì)量，模擬車道線的缺失、遮擋、丟幀、處理延時等，評測和確定跟蹤模塊的性能邊界，以及對感知模塊數(shù)據(jù)輸入的要求。
有了一套分類體系和一套可以獨立拆分模塊的評價體系以后，就能夠解決數(shù)據(jù)使用的問題。如何讓系統(tǒng)在測試過程中自動化去識別一些不明物體，支撐采集數(shù)據(jù)和篩選數(shù)據(jù)兩個環(huán)節(jié)，這個問題接下來會展開講。
       四、L2+ 與 L4 的數(shù)據(jù)閉環(huán)問題
       前文提到了自動駕駛技術(shù)量產(chǎn)的五個階段，在整個自動駕駛的演進(jìn)中，從更高維度理解可以把一個 L2+ 系統(tǒng)等同于一個 L4 系統(tǒng)的設(shè)計驗證階段。然后，把 L2+ 系統(tǒng)里的量產(chǎn)、落地，以及在大量運營中積累的數(shù)據(jù)，轉(zhuǎn)換為 L4 的系統(tǒng)的生產(chǎn)力。
       然而，我們在討論這個話題的時候，要考慮好兩個核心問題：

   •  數(shù)據(jù)的價值。比如特斯拉 Autopilot 是 L2+ 系統(tǒng)，Waymo Robotaxi 是 L4 級系統(tǒng)，但兩者之間的數(shù)據(jù)閉環(huán)并沒有太多價值，因為兩者的數(shù)據(jù)特性不一樣，配置也不一樣。

   •  收集數(shù)據(jù)的效率和成本。海量用戶數(shù)據(jù)打通之后，安排標(biāo)注員在后臺翻看數(shù)據(jù)幾乎不現(xiàn)實，效率也十分低下，這種情況根本無法支撐數(shù)據(jù)閉環(huán)。
       針對第一個問題，有觀點認(rèn)為，特斯拉明確表示不需要激光，僅靠視覺就能實現(xiàn)無人駕駛。但同樣在視覺領(lǐng)域頗有建樹的 Mobileye 在其官網(wǎng)上對 EyeQ 系列芯片的發(fā)展介紹中寫道，“EyeQ 4 支持 L3 級自動駕駛，EyeQ 5 支持 L4 級以上自動駕駛”。
       然而，這并不代表靠視覺起家的 Mobileye 認(rèn)為僅靠視覺就能實現(xiàn)高級別自動駕駛。其官網(wǎng)上同樣用加粗的黑體字介紹道，“It has the capacity to process data from more than eight camera sensors，in addition to radars and LiDARs…more than sixteen multi-mega-pixel cameras and other sensors”。
       至于上述“other sensors”是什么，目前未有明確的說法，但我大膽推測，這里面應(yīng)該包含激光雷達(dá)。因而在絕大多數(shù)的、非特斯拉的自動駕駛公司的心里面，要實現(xiàn) L4 就需要激光雷達(dá)來提供準(zhǔn)確的深度信息。
       L4 系統(tǒng)對場景理解的準(zhǔn)確性提出了新的要求，因此對傳感器數(shù)據(jù)的需求將從模態(tài)分裂走向模態(tài)融合。我們不再把數(shù)據(jù)按照激光、視覺、毫米波雷達(dá)來區(qū)分，而是按照紋理、色彩、深度甚至速度來理解。
       因此我們要回答數(shù)據(jù)閉環(huán)的價值問題，本質(zhì)上是要判斷 L2+ 系統(tǒng)的傳感器類型以及使用方式與 L4 級階段的差異有多大？差異越小，它的數(shù)據(jù)閉環(huán)就越有價值。
       乘用車作為生活資料，它在 L2+ 階段無法省掉駕駛員，它的利潤也只能通過載客服務(wù)來實現(xiàn)。因此，單車成本上，預(yù)留給傳感器和計算平臺的成本有限，可能無法負(fù)擔(dān)起激光雷達(dá)的成本。同時它的算力也受限制，通常只能進(jìn)行后融合。因此 L2+ 階段的傳感器針對乘用車來說，它的傳感類型和使用方式與 L4 級階段有著比較顯著的差異。
       商用車雖然在 L2+ 階段也無法省掉駕駛員，但是它作為生產(chǎn)資料，本身就在持續(xù)創(chuàng)造營收。同時，還可以通過節(jié)油和提升車輛保值來進(jìn)一步增大利潤空間，從而使得單車成本上可以預(yù)留更多給傳感器和計算平臺。
       這種情況下的 L2+ 級階段傳感器的類型和使用方式與 L4 階段的差異較小。這也是為什么我們認(rèn)為干線物流在這方面會優(yōu)先落地的原因。
       基于此，我也分享一下智加目前的相關(guān)工作。我們?nèi)诤狭肆Ⅲw視覺和低成本激光雷達(dá)，通過后處理來實現(xiàn)場景的三維重建，從而獲得成本低、精度高且稠密的 RGBD 數(shù)據(jù)。未來我們可以從這種稠密的深度信息里抽樣，泛化成在 L4 級階段使用的激光雷達(dá)的點云數(shù)據(jù)。
       數(shù)據(jù)的價值判斷問題處理好了，再來看看收集或篩選這些有價值數(shù)據(jù)所要付出的成本，以及它的效率。
       在大規(guī)模運營后的產(chǎn)生的海量數(shù)據(jù)，只有通過在線且自動化的方式才能保證數(shù)據(jù)收集和篩選的效率高、成本低。智加的數(shù)據(jù)來源目前主要有 4 個，包括在線人工標(biāo)注、離線人工標(biāo)注、離線自動標(biāo)注和在線自動標(biāo)注。
       目前我們已經(jīng)從前面的三個階段逐步過渡到了第四個階段，即在線自動化標(biāo)注，意味著我們數(shù)據(jù)收集的成本會越來越低，效率會越來越高。
       在線自動化的典型代表是大家津津樂道的影子模式，通過來比較人工駕駛的軌跡和系統(tǒng)規(guī)劃的軌跡之間的偏差，比如說當(dāng)路徑上的橫向位置、縱向速度和加速度偏差超過系統(tǒng)設(shè)定閾值時，就自動抓取當(dāng)前場景的數(shù)據(jù)并回傳。從這種設(shè)計上我們可以看出，它采集的數(shù)據(jù)本身是面向決策和規(guī)劃端的，我個人認(rèn)為這種設(shè)計有兩個不足：
       第一，采集的數(shù)據(jù)容易非平衡。影子模式基于人工駕駛的情況下、軌跡端結(jié)果觸發(fā)，所以它沒有辦法直接反映出其他模塊的問題，容易導(dǎo)致數(shù)據(jù)的非平衡性。
       第二，數(shù)據(jù)采集成本比較高。由于它的觸發(fā)條件在系統(tǒng)功能層面，粒度較粗，無法反映出上游模塊的問題，只能采用事件觸發(fā)點前后的全量數(shù)據(jù)采樣，在數(shù)據(jù)存儲空間和流量空間有限的情況下，極容易導(dǎo)致冗余數(shù)據(jù)，從而導(dǎo)致數(shù)據(jù)使用效率下降，數(shù)據(jù)采集成本攀升。
       智加內(nèi)部有一套 Plum 系統(tǒng)，它包含離線自動化標(biāo)注和在線自動化標(biāo)注兩大部分，我們還針對感知、定位、決策、規(guī)劃、控制等各個模塊制定了相關(guān)指標(biāo)，用于自動化篩選有價值場景數(shù)據(jù)。
       對于需要強(qiáng)算力或者需要大存儲空間、或者需要進(jìn)行多幀數(shù)據(jù)關(guān)聯(lián)的指標(biāo)，我們采用離線計算。對于經(jīng)過輕巧設(shè)計、對算力和存儲要求低的指標(biāo)，我們則采用在線自動化的方式，幫助我們更高效、更低成本的抓取數(shù)據(jù)。
       今天的技術(shù)內(nèi)容講了很多，除此之外也談到了現(xiàn)狀、產(chǎn)業(yè)和數(shù)據(jù)閉環(huán)等內(nèi)容。
       自動駕駛還是一個新興學(xué)科，它的標(biāo)準(zhǔn)和規(guī)范尚未健全，因此，我們大家都是這一領(lǐng)域的參與者、設(shè)計者和建設(shè)者，期待未來更多交流和碰撞。
                                                                                                                                                      （來源：雷鋒網(wǎng)）