車喵Z12是高科中天和北航聯合實驗室致力長期研究的智能駕駛項目。近日,該項目又有了新進展。合作雙方已開始共同研發多模傳感行車數據采集與智能駕駛學習環境系統,該系統可為汽車智能駕駛研發企業提供行車數據采集、數據后處理及深度學習模型訓練的解決方案。
智能駕駛的實現依靠一個復雜的系統,其中包括三個主要的子系統,分別是感知、決策和控制。感知,是指通過傳感器和高精度地圖的協作,來實現對汽車周邊環境的感知。決策,是指依靠算法系統來處理所獲取的信息并進行決策。控制,是指將決策通過執行器進行對于汽車的控制。
其中控制系統主要包括安全輔助部分,例如電子穩定控制系統(ESP)和輔助駕駛系統(ADAS)等,具有防抱死、車道偏離預警、預測碰撞報警等功能,還包括可控制車輛轉向角度、油門力度、剎車行程等的直接控制系統。目前控制系統的技術已較為成熟,需與決策系統進一步融合,從而實現更精準的控制。
而感知和決策系統的不成熟,是現在制約智能駕駛技術發展的主要因素。感知方面,對于障礙物、交通標識等的認知尚有困難,尤其在雨雪等復雜天氣情況下,傳感器各自的物理限制和其他車輛運動的干擾都對精確感知環境產生較大的影響。
決策方面,只有將行為預測、路徑規劃和避障機制結合起來,才能實時地產生有效的操作計劃,這需要完善算法的支持。而目前算法尚不成熟,用來測試和優化算法的深度學習模型仍需要不斷調整,距離實際應用還有較大差距。
融合傳感器與大數據平臺,解決行車數據難題
車喵Z12項目的多模傳感行車數據采集與智能駕駛學習環境,覆蓋了感知和決策系統,參與了感知、數據采集、信息理解環節,以及數據存儲、模擬系統和深度學習模型訓練環節。
該系統分為兩部分,其中多模傳感行車數據采集為智能駕駛的感知系統提供了解決方案。數據采集終端傳感器主要使用了攝像頭、雷達、GPS/北斗、加速度傳感器及陀螺儀。
攝像頭主要用于物體識別和物體追蹤,所捕捉的視覺信息細節豐富、范圍廣,但受光線影響。除數據采集功能外,攝像頭在應用層面可通過圖像匹配進行對車輛、行人、交通信號的識別,也可利用物體的運動模式,或雙目定位,估算目標與汽車的相對距離和相對速度。
雷達包括毫米波雷達和激光雷達。毫米波雷達可感知障礙物的相對距離和相對速度,而且具有全天候全天時的優點,但對體積較小的物體難以識別。激光雷達可進行三維建模,探測范圍廣、精度高,但受雨雪等天氣影響明顯,在此點上毫米波雷達恰好可形成互補。同時,由于夜間光線干擾少,激光雷達的性能會更好,可與攝像頭形成互補。
GPS/北斗系統可通過收集地理位置來幫助汽車進行定位,記錄位置信息也可幫助汽車進行路線規劃。GPS/北斗的精度高但更新頻率低,且汽車上方不能被覆蓋,在隧道等空間無法使用。
加速度傳感器和陀螺儀可收集速度及慣性變化信息,例如加速、剎車、轉彎等,更新頻率快,可與GPS/北斗結合,更好地記錄汽車位置、路線與行駛狀態的關系,收集車輛在特定情況下做出的反應,與其他傳感器收集的信息相對應,使系統記錄在出現何種標識、路況、障礙物時,車輛需要減速、轉彎等。
通過將多種傳感器結合使用,車喵Z12項目可從多個維度記錄并感知汽車及環境信息。該系統采用了嚴格的同步技術,以確保傳感器數據可準確還原汽車的行駛軌跡。此外,車喵Z12項目采取各個功能塊獨立存儲,每種數據存儲式均帶有時間戳,這些數據在數據管理平臺進行統一管理。
在數據采集之后,車喵Z12項目會在大數據平臺中進行數據管理和信息整合。這個環節中,該系統采用了行車數據語義標注技術,通過深度學習手段,利用卷積神經網絡、循環神經網絡等技術進行物體識別,利用目標檢測技術得到的標識物體的矩形框,采用濾波去噪、直方均衡的傳統方法對矩形框范圍進行預處理。結合語義分割結果與目標檢測結果,得出歸整、準確度高的像素級語義分割結果。利用開發工具集人工審核校驗,進一步精確語義分割結果,建立適用于中國道路交通的圖像數據集并發布使用。
數據仿真為深度學習提供學習環境
智能駕駛決策環節的核心是算法。傳統的智能駕駛決策方案是事先窮舉出各種可能的情況,分別針對不同情況設定解決方案。當汽車行駛時,系統識別出各種預設的情況并給出對應的解決方案。而深度學習算法的引入,能夠使系統在實際行駛過程中不斷積累各種情況的應對方案,不斷對比分析樣本,自主產生一套判斷規則,只要有足夠的輸入就能夠形成可靠的應對各種情況的解決方案。
將深度學習融入視覺識別系統,可以使得智能駕駛系統更完善。感知端會感知識別車道線、車輛、行人、交通標識等目標,并采集大量的圖像信息,這些信息會形成一個數據模型,深度學習在對比、分析的過程中,對模型進行修正,并重新保存至數據庫,不斷提高對道路信息的識別程度。深度學習通過一定的算法可訓練出一個識別率非常高的分類器,從而使環境感知部分能夠高精度的完成,為駕駛決策環節提供正確的環境信息,保證智能駕駛的正常完成。
然而只依靠傳感器終端所采集的信息是遠遠不夠的,為訓練并驗證深度學習算法,從而使其快速迭代,大量的模擬仿真數據十分必要。
車喵Z12項目中的智能駕駛傳感器模擬技術,是通過對多種不同類型傳感器的模擬仿真,建立其誤差模型,可根據需要設置不同類型的傳感器參數,產生基于虛擬駕駛場景的模擬仿真數據,合成各類復雜的交通場景,創造出虛實融合的駕駛環境,為不同車廠的智能駕駛系統提供充分的復雜場景學習和訓練材料,大大提高其控制決策系統的適應能力和控制決策的可靠性。
高科中天致力長期推動智能駕駛行業發展
智能駕駛是人們出行方式革命性的改變,是未來交通發展的必然趨勢。目前谷歌、特斯拉、百度等均投入巨資研發智能駕駛系統,沃爾沃、豐田等車企紛紛建立了自身的智能駕駛訓練學習環境,通過海量行車數據學習訓練,不斷提升智能駕駛系統的適應能力。
車喵Z12項目的多模傳感行車數據采集與智能駕駛學習環境,正是為智能駕駛系統的研發服務。未來,高科中天將繼續投入智能網聯駕駛領域,實現數據驅動的三級智能駕駛系統的開發,推動智能駕駛技術的成熟與行業發展。
(新聞稿 2017-06-21)