close

自动驾驶

自动驾驶汽车(Autonomous vehicles;Self-piloting automobile )又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是建立在人工智能,视觉计算,雷达,监控设备以及全球定位系统协同合作基础上,使电脑能够不需要人类操控,独立自主安全的操控机动车辆的技术。

自动驾驶汽车通过视频摄像头,雷达传感器、激光测距器、以及GPS 等技术手段感知周围环境,根据已经建立的地图系统,通过中央数据中心,将感测到的资料转换成相应的道路导航。

由于自动驾驶汽车比人类拥有更全面的环境感知能力,可以使用光学雷达等主动与被动感测器持续做大范围的监测。在拥有360度视野的同时,能够捕捉到可见光、红外线与超音波等人类无法感知的信息,因此可以对潜存危机做出安全正确的应对。

对于自动驾驶汽车的研究可以追溯到1920年前后。1980年前后,世界上第一辆能真正够自动驾驶的汽车问世。从此以后,许多大型公司与研究机构开始制造可运作的自动驾驶汽车原型。目前,谷歌,特斯拉等公司均在自动驾驶领域取得卓越进展。

人机共驾:自动驾驶的终局?

「它经常会在不合适的时机进行变道,但如果你想拨一把方向盘救个急,它还会和你较劲,非常危险」,「整个过程就像看着自己孩子开车一样,干着急还提心吊胆,搞得压力很大」……

这里的「它」正是特斯拉 Autopilot 。之前美国《消费者报告》(Consumer Reports)曾报道称,更新后的 Autopilot 具备了自动变道的功能,车主可以选择在变道时不进行任何提醒,完全交由机器来抉择。但试驾编辑们在体验后却纷纷吐槽了它。

特斯拉 Autopilot 一直以来都争议不断。一边说它是新手们的福音,杜绝事故的好帮手,另一边却有人抨击它是事故的罪魁祸首。这套系统带来用户体验升级的同时也因为频发的安全事故而备受关注。

不可否认的是,特斯拉 Autopilot 让大家有机会一窥自动驾驶的未来,尽管它离真正意义上的「自动驾驶」还很远。毕竟软硬件的局限导致它最多只能实现 L2 级自动驾驶的能力,而这个阶段中「人」依然是主体,需要机器和人相互配合完成,所以这些关于 Autopilot 的争议全部都可以归属于典型的「人机共驾」问题。

图1开启了「Navigate on Autopilot」功能的特斯拉车型能够实现自主变道 | Teslarati

在「完全自动驾驶」这个纯技术的难题还未普及实现之前,「人机共驾」问题是所有汽车企业、自动驾驶企业都需要突破解决的另一道难题。

这道难题的核心是「人」这个不确定因素。按照控制权的划分,「人机共驾」又可分为「双驾单控」和「双驾双控」两种模式。前者关注的是驾驶权的交接和人车在主驾、副驾时的问题;而后者关乎驾驶自信,在人车都有控制权的情况下,该相信哪方多一点。

所以要建立一套高效、体验舒适、安全的自动驾驶系统是及其复杂的。原因很简单,机器是必须要和人进行互动的。而且这个互动的过程不光牵扯到机器人学科,还囊括了机器学习、心理学、经济学及政策等领域的问题。同时它也对我们已有的认知和假设形成了挑战:到底人类的表现能有多糟?人工智能又会是多么强大的存在?

图2MIT 进行的「人机共驾」研究,右上角为试验车辆「Black Betty」| MIT

MIT 之前曾进行过一项关于「人机共驾」的课题研究,从设计和开发「以人为中心」自动驾驶系统的角度出发,提出了七大原则。这些指导原则中并没有把人类本质的复杂性剔除掉,而是将其融合到了整套系统中。这也恰恰是这套课题研究的精髓所在。

实验成果的展示我们可以在一辆叫做「Black Betty」的无人车上看到。它只搭载了摄像头,主要通过机器学习的方式进行外部环境感知,规划决策,驾驶员监控,语音识别、聚合以及管理人机双向操控的无缝切换(语音控制),方向盘上安装了扭矩传感器。通过下面的视频,大家可以看到这辆无人车的具体表现:https://www.youtube.com/watch?v=OoC8oH0CLGc

「人」才是复杂因素?

在过去的十几年里,汽车自动驾驶的能力在逐步提升,迫使政策制定者以及行业安全研究人员开始思考如何为「自动驾驶」定级的问题,目的是借此为相关法律、标准、工程设计甚至是业界交流提供可参考的框架。目前行业内普遍采纳的是美国汽车工程学会 SAE 制定的分级标准,它将自动驾驶分为 L0 到 L5 共六个等级。不过 SAE 对每个级别的定义其实是很模糊的,并不能给出清晰、明确的区别,所以它似乎已经不太适合作为引发行业思考的「砖」了,更像是汽车系统设计开发的一套指导原则。

图3美国汽车工程学会 SAE 对自动驾驶的分级 | SAE

目前业界对自动驾驶汽车有如下三种普遍的观点:1. 驾驶任务很简单;2. 人类不擅长开车;3. 人类和机器无法做到良好的配合。相较这些观点而言,MIT 的研究则完全朝着相反的方向进行:1. 开车这件事实际上很难;2. 人类是非常棒的驾驶员;3. 让人和智能机器实现高效协作是能够实现的,而且是很有价值的目标。

基于这样的前提和假设,MIT 提出了「以人为中心」的框架并将其应用至人机共驾系统的开发过程中,在执行具体的驾驶任务时将人类与机器的边界完全去掉。与此同时,MIT 还提出了针对人机共驾的「七原则」,讨论了在设计、开发、测试「Black Betty」的过程中如何应用这些原则。

「人机共驾」的七原则

一、人机共驾(Shared Autonomy)

MIT 认为自动驾驶应该分为两个等级:一、人机共驾(Shared Autonomy);二、全自动驾驶(Full Autonomy)。这样的分类方式不仅能够提供有建设性的指导方针,添加必要的限制条件同时还可以对要实现的目标进行量化设定。甚至,对每个类别下要实现的功能、对应的技术需求以及可能遇到的问题都可以划分出来。

这个原则的核心在于对「人类驾驶员在环」的讨论。为了实现对车辆的有效控制,人和机器组成的团队必须共同保持对外部环境有充分的感知。目标是促使整个行业对「人机共驾」和「全自动驾驶」进行清晰地划分。

图4表 I 「人机共驾」和「全自动驾驶」这两种路径中涉及的技术,包括用于大规模量产时对每项技术表现的等级要求 | MIT

需要指出的是,表 I 中的术语「Good」和「Exceptional」用来表示解决 1% 极端案例的优先级顺序。远程操控、V2X 和 V2I 等并非必须的技术,如果要使用的话需要达到特殊的能力要求。

在实现高等级自动驾驶的方法上,传统思路全程都跳过了对「人」这个因素的考虑,精力主要集中在对地图、感知、规划以及表 I 中「全自动驾驶」一栏标注为「exceptional」的技术上。实际来看,考虑到目前的硬件和算法能力,这种解决方案对高精度地图、传感器套件的鲁棒性要求很高,提供的是较为保守的驾驶策略。

而正如表 I 所述,「以人为中心」的自动驾驶汽车着眼点主要在司机身上。负责控制车辆的依然是人,但前提是要对人的状态、驾驶方式及之前的人机合作经验做充分的考量,同时把车辆的转向、加减速等交由人工智能系统负责。以特斯拉的 Autopilot 为例,之前 MIT 的研究显示,测试中有超过 30% 的行程都是由这套 L2 级驾驶辅助系统控制完成的。而如果人机共驾应用成功的话,应该能实现超过 50% 的机器控制率。在这次实验中,MIT 表示无人车系统在接管过程中呈现出了不同程度的能力,而人类驾驶员始终在密切关注着机器的动态,根据感知系统获得的信息及时预测可能发生的危险。

二、从数据中学习(Learn from Data)

从表 I 不难发现,这其中涉及的任何一项车辆技术都是数据驱动的,需要搜集大量的边缘案例数据,利用这些数据持续不断地优化算法。这个学习过程的目的应该是,通过大量数据实现从传统的模块化监督学习向端到端半监督式和无监督学习过渡。

要实现车辆的自动驾驶,传统的方法,不管是哪个级别,几乎都不会大量的应用机器学习技术。除了在一些特殊的线下场景,比如 Mobileye 的视觉感知系统要进行车道线识别,或者是通用 Super Cruise 搭载的红外摄像头要对驾驶员头部动作进行预测等。

特斯拉的 Autopilot 可能要比其他方案更进一步,在开发针对第二代硬件平台 HW 2.0 的软件算法时,在视觉感知上应用了越来越多监督机器学习的原理。但即便如此,对车辆的绝大部分控制以及对驾驶员状态监测的实现中,并没有利用大数据驱动的方式,也几乎不涉及线上学习的过程。

而在目前业界进行的一些全自动驾驶技术的路测中,机器学习主要应用于环境感知这一环节。更甚的是,这些车辆采集到的数据,无论是从量还是多样性来看,和具备 L2 级自动驾驶能力的车型相比,逊色不少。

图5特斯拉 Autopilot 对目标物、车道线的检测主要依赖机器学习算法进行 | Electrek

MIT 认为,「L2 级自动驾驶系统中机器学习框架使用的数据,从规模和丰富性的角度来看都具有足够的扩展能力,可以覆盖多变的、具有代表性、挑战性的边缘案例。」人机共驾(Shared Autonomy)要求同时搜集人和车辆的感知数据,挖掘分析后用于监督学习的标注。在 MIT 的实验过程中,驾驶场景感知、路径规划、驾驶员监控、语音识别以及语音聚合都应用了深度神经网络模型,可以通过搜集到的大量驾驶体验数据进行持续性的调校和优化。

在进行数据采集时,MIT 表示并不会只局限于单一的传感器来源,而是对整个驾驶体验通盘考虑,并将所有的传感器数据流通过实时时钟(real-time clock)汇总、聚合,用于多个神经网络模型的标注。这种方式能够让驾驶场景与驾驶员状态能够很好地匹配起来,而在聚合的传感器数据流进行标注工作,使模块化的监督学习可以在数据规模允许时轻松地向端到端学习过渡。

三、监督人类(Human Sensing)

这个其实就是我们俗称的「驾驶员监控」。它指的是对驾驶员的整体心理以及功能特征,包括分心、疲惫、注意力分配和容量、认知负荷、情绪状态等的不同程度进行多维度的衡量和评估。

目前除了通用 Super Cruise 在方向盘上装有一枚红外摄像头外,不管是搭载了 ADAS 驾驶辅助系统的量产车型,还是在路测的全自动驾驶汽车,绝大部分都没有提供任何有关驾驶员监控的软件和硬件。特斯拉 Model 3 其实也装了一枚车内摄像头,但目前尚未启用,具体功用官方表示要等软件更新后才知道。而基于视觉的解决方案以外,市面上还包括一些准确率不高的方式。比如特斯拉在方向盘上安装了扭矩传感器,也有的公司利用监测方向盘是否发生倒转的方式推断驾驶员是否出现疲劳情况。

图6全新一代凯迪拉克 CT6 搭载的驾驶员监控系统由 Seeing Machines 提供 | 官方供图

MIT 认为「对驾驶员状态的感知和监控是实现高效人机共驾的的第一步,同时也是最关键的一步。」在过去的二十多年里,来自机器视觉、信号处理、机器人等领域的专家都进行过相关课题的研究,目的都是在探讨如何尽可能保证驾乘人员的安全。此外,对驾驶员状态的监测对如何改善和提升人机交互界面、高级驾驶辅助系统 ADAS 的设计都有很大帮助。随着汽车智能程度的不断提高,如何准确、实时地探测到驾驶员的各种行为对打造安全的个性化出行体验尤为重要。

比较有意思的一点是,从完全的手动驾驶到全自动驾驶,这其中涉及到不同模式切换的问题。一般来说双手脱离方向盘(handoff)就是一种信号,可能表示系统要做好接管的准备了,但还有什么其他更准确的信息可以用来判断,可能这也是「驾驶员监控」的研究人员需要持续思考的地方。

四、共享的感知控制(Shared Preception-Control)

通俗点来说,这相当于为整个自动驾驶系统增加了「一双眼睛和手」。目的是建立额外的感知、控制和路线规划机制。即便在高度自动驾驶系统运行状态下,也要及时地为驾驶员推送信息,将其纳入到整个驾驶过程中。

研究全自动驾驶的目的就是为了完美地解决「感知-控制」的问题,考虑到人类的不靠谱和行为的不可测性。所以传统观点认为最简单的办法就是把人从开车这件事上排除掉,像十几年前在 DARPA 挑战赛中获胜的队伍一样。

但和传统解决思路相反的是,MIT 提出的「以人为中心」的理论将人置于感知和决策规划闭环中的关键位置。因此,整车感知系统就变成了支持性的角色,为人类驾驶员提供外部环境信息,这其实也是为了解决机器视觉本身存在的局限性而考虑的。

图7

图8表 II MIT「以人为中心」自动驾驶系统执行的感知任务,包括对驾驶员面部表情、动作以及可驾驶区域、车道线以及场景内物体的检测 | MIT

在 MIT 的研究中,工作人员围绕这个原则设计了几条关键的算法。表 II 是其中几个典型的案例。首先,从视觉上可以看到神经网络做出的判断、道路分割的区域以及对驾驶场景状态的预估的可信程度;其次,将所有的感知数据整合并输出融合式的决策建议,这样在表 IV 的场景下就能够对整体风险进行预估;再次,MIT 一直使用的是模仿学习:将人类驾驶员操控车辆时方向盘的动作作为训练数据,进一步优化端到端的深度神经网络;最后,MIT 使用的端到端的神经网络属于一个叫做「arguing machines(争论机器)」框架的一部分,它为主要的感知-控制系统(表 III)提供了来自人类的监督。

这里的「争论机器框架」是 MIT 2018年提出的一个概念,详细技术细节可点击(http://1t.click/DAK)查看。它将主要 AI 系统与经过独立训练以执行相同任务的次要 AI 系统配对。 该框架表明,在没有任何基础系统设计或操作知识的情况下,两个系统之间的分歧足以在人工监督分歧的情况下提高整体决策管道的准确性。

图9表 III 对「争论机器」框架在「Black Betty」自动驾驶测试车上的应用和评估 | MIT

图10表 IV 通过结合车内外感知系统数据得出的融合型决策能够充分预估可能发生的风险 | MIT

五、深度定制化(Deep Personalization)

这里涉及到一个「将人类融入到机器中」的概念。通过调整 AI 系统的参数,使其能够更适合人类操作并呈现出一定程度的定制化。最终的系统应该带有该驾驶员的行为特征,而不是像刚出厂时的普通配置一样。

六、不回避设计缺陷(Imperfect by Design)

对整个汽车工业而言,处于很多原因的考虑,进行工程设计时通常考虑最多的是「安全」,所以要尽可能地讲系统错误出现的频率和程度降至最低。换句话说,对自动驾驶而言,完美是目标,这也导致了在进行某些功能设计时,可能会因其「不完美」和「不确定」的性质而放弃这些可能是「必要」的设计。

但是在 MIT 的研究看来,丰富、高效的沟通机制在设计用于实现「人机共驾」的人工智能系统时,是非常必要的因素。就「沟通」而言,系统存在的不完美对人和机器而言,在进行感知模型的交换和融合过程中,能够提供密集、多样的信息内容。如果将 AI 系统的不确定性、局限性和错误都隐藏起来,这也就错失了与人建立信任、深度理解关系的机会。MIT 认为,此前业界在设计半自动驾驶系统时所采取的「完美」思路,可能是迄今为止所犯的严重错误之一。

而在开发「Black Betty」这辆无人车时,MIT 把人工智能系统的局限性通过文字和视觉的形式与人类进行充分沟通。例如将人类和机器对外部世界的感知视觉化,让驾驶员知晓 AI 系统的局限所在。研究人员表示这种方式相比只是提供「报警」或者「模糊的信号」,是最简洁有效的人机沟通方式。尽管这种沟通机制要实现还面临一些技术上的难题,比如视觉化的过程通常对芯片的算力和实时调用的能力要求很高。但值得机器人、自动化以及人机交互等领域共同关注并思考解决的办法。

七、系统级的驾驶体验(System-Level Experience)

目前,汽车工业的工程设计过程中,一个最主要的目标就是「安全」。另一个则是「降低成本」。第二个目标导向的是模块化、基于零部件的设计思考。但同样的模式在面向机器人、计算机视觉、机器学习等领域的人工智能系统设计中却有着迥异的理由。

譬如在设计中重视单一功能(目标物检测等)的实现,能够有效测试该算法的合理性并逐步使之得到改善和优化。但是这个过程也难免会把注意力过渡集中在单一功能而忽略了系统的整体体验。

在过去的几十年里,「系统工程」、「系统思考」这样的原则一直在指导着汽车工业产品的输出。然后,类似的思考却几乎没有应用在自动驾驶汽车的设计、测试和评估过程中。正如 MIT 上面提到的这六大原则,人和机器都不可避免会有缺陷,只有当「人机共驾」这个框架在系统层面上得到考虑时,这些缺陷才可能有机会成为优势。

对「人机共驾」的永恒讨论

不管短期还是长期来看,其实很难预测自动驾驶的哪条实现路径最终会成功,而且退一万步说,你甚至都不知道什么样的结果算得上是「成功」。在谈到研究目的时,MIT 希望一套自动驾驶系统能够同时满足「安全」、「愉悦的驾驶体验」和「提升的出行体验」这三个要求,而不是彼此妥善折中。而尽管「人机共驾」这个话题在过去的十年里,是包括汽车工业、机器人在内很多领域研究的焦点,但它仍值得更深入的探讨。

在今年四月份的上海国际车展上,Tier 1 供应商采埃孚联合英伟达推出了coPILOT 智能高级驾驶辅助系统。这是一套定位「L2+级」 的自动驾驶辅助系统,目的是提高乘用车的安全性和驾驶舒适性。从产品名称不难看出,这套系统同样强调了「人机共驾」的概念。它配备了相应的传感器和功能,能够监控驾驶员并在发生潜在危险情况时触发警告。例如,当发生驾驶员注意力不集中、几乎完全未将注意力放在路面交通上或显示出瞌睡迹象等。所以人工智能扮演了「私人驾驶助手」的角色,这个产品理念与 MIT 的研究不谋而合。

到底完美解决驾驶任务比完美管理人类的信任和注意力哪个更难?这是值得深思熟虑的问题。MIT 认为关于这个问题的讨论仍不会停止,不管是这篇论文还是「Black Betty」这台无人测试车,都是基于「人机共驾」研究的成果,MIT 认为它是开发「以人为中心」自动驾驶系统的必由之路。

来源:车云网

阅读全文

埃贝赫推冗余电子安全开关 确保L4自动驾驶汽车安全功能正常运行

据外媒报道,德国一级汽车零部件供应商埃贝赫(Eberspaecher)非常看好自动驾驶的未来,并希望为下一代汽车贡献技术。该公司表示,车道偏离预警系统以及车距控制器等半自动功能已经提供了很高程度的舒适性和安全性。

因此,为了满足自动驾驶的高要求,埃贝赫专门研发了一款电子开关系统,该系统具备很强的可靠性和鲁棒性,而且通过了一系列的验证。今年秋季开始,该冗余安全开关系统(Redundant Safety Switch)将投入量产,此类基于半导体的开关可用于L4自动驾驶汽车。

图1

(图片来源:埃贝赫官网)

半自动驾驶(据SAE J3016标准,L3)已经成为很多车辆的标准功能,车道偏离预警系统、停车辅助或自适应巡航控制等应用让如今的道路交通更易于管理。为了实现更大的安全性以及让车辆提高操作所有自动化功能的能力,埃贝赫提供了各种电子开关组合产品,可根据车辆电网的拓补结构灵活配置与组合。如有必要,此类开关系统可确保所有与安全相关的功能能够正常运行,从而使车辆,即使在无法预见的情况下,也能继续行驶。

未来,下一代的自动驾驶汽车将使用冗余安全开关系统。此类半导体开关在发生过压、欠压或短路等情况时,会自动连接和断开混合动力汽车和电动汽车的12V电网,从而确保在不到100微秒的时间内,与安全相关的功能可得到保护。今年秋季,埃贝赫将开始为一家知名汽车制造商量产该开关系统。

来源:盖世汽车

阅读全文

特斯拉可以全自动驾驶了?专家认为不靠谱

昨天自动驾驶投资者日上,特斯拉CEO马斯克又带来了一个重大声明——全自动驾驶即将实现了。

图1

虽然发布会上马斯克一如既往的迟到了半小时,也很直白的告诉大家我又迟到了,不过对于接下来消息的重磅程度来说,这点不守时好像不算什么。马斯克表示,今年晚些时候,特斯拉的车型能够达到真正的L5级无人驾驶状态,明年第二季度,车主们可以真正的放开双手、闭上眼睛,让车自己驾驶了。

图2

但是现场没有任何演示视频,也没有什么证据表明特斯拉能够达到所谓的L5级无人驾驶。特斯拉只展示了一些最新自己研发的HW3.0 全自动驾驶的硬件细节,不过软件方面的展示显得很无苍白。

图3

HW3.0对画面处理能力为每秒2300张,是HW2.5的21倍;计算能力提升了大约7倍;HW3.0 芯片由三星代工,在3月20日后生产的Model S/X 、4月12日后的Model 3 已经是HW3.0硬件;HW4.0也在研发中了,预计2年后才会出来,性能比现在HW3.0提升3倍。

图4

马斯克还大胆的怼了所有其他企业,因为他公开称使用所谓的激光雷达是非常愚蠢的行为,而几乎所有其他自动驾驶公司都采用了激光雷达的模式,特斯拉则大量依靠摄像头。马斯克的理由很简单,现在的车都是人开的,人只有眼球,可没有激光雷达啊,为啥人可以不用激光雷达开车,自动驾驶汽车就非要用它呢?

不得不说,马斯克充满激情和野心,不过专家认为全自动驾驶不是靠他个人的意志力就能实现的。毕竟这是生死攸关的事业。所以三个小时的发布会虽然看上去很精彩,可是实际上缺乏细节,经不起推敲。

来源:AutoGrace

阅读全文

自动驾驶发展困难重重 Phantom Auto融资进军远程驾驶行业

据外媒报道,远程驾驶初创公司Phantom Auto在其A轮融资中成功融得1350万美元(约合9096万元人民币),此轮融资由美国柏尚风险投资公司(Bessemer Venture Partners)领投,融得的资金将用于扩大物流业务,此类物流业务只要在人行道、仓库和货场开展。如今,所有上述地点都部署了自动驾驶和远程操作技术。

图1

(图片来源:Phantom Auto)

该初创公司于2017年成立,迄今为止已经筹得约1900万美元(约合1.27亿元人民币)。目前,在公共道路上部署自动驾驶卡车、自动驾驶出租车服务以及其他自动驾驶汽车技术应用的“竞赛”遇到了阻碍。随着自动驾驶汽车部署时间的不断推移,各大公司渐渐沉寂了下来。有些公司已经转型、倒闭或者被其他资金状况较好、正在寻找人才的公司收购。即使是Alphabet公司旗下的Waymo也仅在凤凰城郊区,为一小部分乘客提供自动驾驶网约车服务。如果车辆出现故障,通常车上的安全驾驶员会接手驾驶任务,远程监控器也可以进行干预。因此,其他公司,如Phantom Auto就开始在新领域扩张。

Phantom Auto公司联合创始人Elliot Katz强调表示,该公司仍在与客户合作,在公共道路上部署自动驾驶乘用车和商用车。但是,短期内,物流行业具有更大的发展潜力。

Phantom Auto的远程操作平台可允许远程驾驶员在必要时控制自动驾驶汽车,而远程驾驶员有时可位于数千里之外。该平台使用公共蜂窝网络运行,设计初衷并不是为了立马接管驾驶任务,以避免发生事故。相反,该平台被用作备用安全措施,在车辆遇到难以处理的情境或是感到迷惑甚至卷入事故中时,该平台可控制车辆。

应用于物流行业时,Phantom Auto的系统主要用于低速环境,远程控制中心可在全国任一地方控制公司的货场卡车。但是,Phantom Auto并没有在物流应用中部署远程驾驶员。该公司物流行业客户希望培训自己的员工使用该平台。此应用也不一定会取代在地面上操作货场卡车或叉车的驾驶员。

来源:盖世汽车

阅读全文

无人驾驶,会不会被黑客操控成“僵尸”汽车?

无人驾驶汽车逐渐开始在商业场景中民用,但其通过物联网进行操控的自动驾驶系统仍然存在较大的失控风险。

就在前几日,腾讯科恩实验室发现了特斯拉Model S轿车的自动驾驶系统(版本2018.6.1)存在着三大漏洞,其中包括了可以通过外部激活车辆的雨刷系统、通过在道路上设置一些特定的标记可以欺骗Model S的自动驾驶系统使其驶入错误车道,并且通过无线游戏手柄就可以操控Model S的转向系统,从而控制车辆,使其成为“僵尸汽车”。

图1

图片来源@视觉中国

无人驾驶这样的漏洞,如同《速度与激情8》的一个场景,影片中一名黑客入侵多辆无人驾驶汽车使其成为“僵尸汽车”,通过一对多的操控达到任由摆布的效果。

图2

网友对《速度与激情8》黑客操控无人车讨论

想象一下,如果在未来有一天几十辆无人驾驶汽车突然发疯了一样四处乱闯,将会严重危害公共安全,那么在现实中,无人驾驶汽车即将投入商业运营,究竟会不会被黑客操控成所谓的僵尸汽车?

1、

僵尸汽车是僵尸网络的延伸

图3

马斯克对科恩实验室特斯拉汽车系统漏洞的推特回应

僵尸汽车的概念,是互联网僵尸网络的延伸。互联网自上世纪90年代初期开始迅猛发展,在其快速发展的过程中诞生的还有一种新的信息安全威胁方式,即通过结合病毒、木马、蠕虫技术为一体的僵尸网络。

僵尸网络的特点在于,通过一个黑客操控多台被木马等病毒感染的计算机,实现一种一对多的操控方式,构建成一个由一名黑客就能掌控的网络系统。并且在黑客很少甚至不插手的情况下,僵尸客户端能够协同合作并针对同一任务完成目标行动。

图4

僵尸网络攻击示意图

“想象一下电影塑造所谓的僵尸形象,一个无血无肉,空有躯壳的东西,无自主意识听从道士安排,僵尸网络的宏观意思就是这样,众多计算机在不知不觉中如同传说中的僵尸群一样被人驱赶和指挥着,成为被人利用的一种工具。“贵州大学车辆工程专业教师罗嘉解释道,”目前来讲僵尸网络对攻击物联网设备更感兴趣。”

锌刻度通过中国科研与计算机网得知,物联网中形成的僵尸网络与普通的PC电脑病毒不一样,其传播性更广更快,可以通过庞大的物联网系统感染海量的设备,其中就包括无人驾驶汽车。

黑客可以使用这些相同的物联网连接无人驾驶汽车,通过蓝牙、WiFi、轮胎压力传感器以及通过汽车的CAN总线连接几乎任何外部切入点一旦黑客控制了CAN总线,攻击AI系统是最常见的手段,同时突破自动驾驶汽车的网络防御。

比如黑客可能试图通过汽车传感器/网络,让车载人工智能认为是真实的方式注入虚假数据,从而导致人工智能做出错误决定并使人员或货物处于危险之中。

“虽然无人驾驶汽车往往有加密和身份验证等硬安全措施,这些在理论上可以提供合理的安全防御措施,但是这些类型的安全措施的弱点在于,在黑客破解了一个严格的安全事件(即解密消息,输入密码等)后,通常没有额外的安全措施来防止有人滥用系统。”罗嘉介绍。

罗嘉认为未来万物互联,汽车是物联网产品中的重要一环,如果没有更有效的汽车安全防范机制,无人驾驶技术的安全性时刻会面临僵尸病毒的威胁,当数据中心发生黑客攻击时,最坏情况可能是数据丢失,但当自动驾驶汽车被黑客入侵时,可能发生的就是生命损失。

2、

也许情况没有那么糟

图5

特斯拉汽车参加Pwn20wn黑客会议

在三年前的一次实验中,一名美国记者开着一辆Jeep Cherokee,然后被两名黑客—Charlie Miller与Chris Valasek远程控制,他们通过信息娱乐系统获得了汽车的控制权,同时控制了车辆的转向、刹车、雨刷和门锁,除此之外,车辆的转速表速度表的参数也被重置。

两名黑客在此实验后开始与无人汽车公司合作,试图阻止此类事件的发生,就在去年的黑帽大会上,两人纷纷表示,入侵无人驾驶汽车的难度极大,非一般的黑客可以做到。Miller解释说,无人驾驶汽车必须持续监控环境,接收信息,而目前只要减少攻击面就可以大大降低被入侵的风险。

事实上,要想成为僵尸汽车的前提是通过物联网传播僵尸病毒,通过一对多的形式操控一辆甚至多辆无人汽车。“自动驾驶汽车目前依靠一个或两个传感器进行物体检测,那些完全自动驾驶的车辆将具有多个传感器和通信层。”Chris Valasek指出,鉴于破解单个传感器已经很棘手,一些黑客会更难以入侵复杂的传感器系统,并且需要多层设置才能不断访问实时交通和行人数据。

“从理论上讲,自动驾驶汽车的多个传感器和通信层之间固有的互联性可能使他们更容易受到网络攻击,因为他们提供了更多的‘切入点’,然而,出于同样的原因黑客攻击连接的自动驾驶汽车也更加困难,”无人驾驶智行者技术工程师曼曼告诉锌刻度:“必须找到对多层系统的访问,该系统集成了来自多个传感器的信息以及实时交通和行人数据,这可能对黑客构成严重障碍。与物联网相关的解决方案也可用于增强其安全性,例如集成基于量子力学的安全加密系统。”

目前针对黑客入侵的潜在威胁,一些高科技企业和汽车制造商已经在这方面采取了一些行动。

菲亚特公司目前通过使用一些额外的传感器吊舱,通过对传感器等硬件的升级改装来提升其安全性,但依然有不少专家指出,通过传感器升级来提升安全性目前可能没有问题,但其更新速度远远赶不上黑客技术的提升,所以这种方法在成本以及时效性上还有一定问题。

特斯拉汽车今年参加在加拿大温哥华举行的Pwn2Own(一年一度的黑客和安全会议)会议时,通过奖励的方式最终让两名黑客成功入侵特斯拉Model 3汽车,对此特斯拉副总裁David Lau表示,通过参与此类安全会议,不断升级自己的安全防御软件,并通过人工智能的协作来进一步提升无人驾驶的安全性。

除此之外,GuardKnox车辆网络安全公司提出在无人驾驶汽车的通讯连接处建立一个安全系统。该系统在车辆的各种网络之间实施正式验证和确定的通信配置,其阻止任何未验证的通信。必须验证任何试图访问车辆中央网关ECU的外部通信,无论存在多少易受攻击的接入点,都能有效地锁定整个系统。集中化对于防止黑客从其通信网络访问自动驾驶汽车的核心系统至关重要。

3、

5G时代的出现又将面临新问题

图6

Voyage 总经理 Dean Bushey

“5G时代的到来毫无疑问会给无人驾驶汽车带来新的机遇。”自动驾驶汽车公司Voyage的总经理Dean Bushey在今年1月表示5G技术将有助于使自动驾驶汽车更安全。

Dean Bushey 解释道:我们任何时候都想要获得更低延迟,更高效的宽带,因为任何超过一百毫秒的延迟都会导致我们的汽车中断,而这5G的到来可以完美的解决这一问题。

针对5G时代对无人汽车带来的影响,网络安全巨头Avast的高级研究员马丁·赫伦(Martin Hron)却表示,第五代移动网络很可能使自动驾驶车辆比现在更容易受到攻击。

未来5G的大量应用将使得5G极有可能允许更多部件和系统的自动驾驶汽车更容易连接到外部世界以至于扩大黑客的攻击面与切入点。

如何降低5G对无人驾驶带来的风险放大机遇呢?Martin 表示汽车制造业,特别是无人驾驶汽车的研发和制造要领先于黑客技术,Tesla,Google Waymo都在朝这个方向做,但需要更完善的车辆网络安全机制。

“汽车制造业需要借助现有的安全技术并进一步研发领先黑客攻击的技术,以完善包含无人驾驶在内的车辆网络安全机制,比如在最初产品设计阶段车辆就必须将安全防护详细化。”

5G产业化发展对无人汽车主要影响在于云端到嵌入式端数据交互延迟的降低和宽带速度的增加,但这个方案对信息安全、隐私保护等都提出挑战,换句话说,在5G时代由于网速的几何提升,其无人驾驶系统客户的隐私更易泄露。

除此之外,无人驾驶汽车是基于人工智能与物联网基础上组成的系统或网络,如上文所述,无人驾驶汽车早已不是单个实体,所以一旦被黑客攻击,其切入点与攻击面都更大,黑客找寻到薄弱环节成功入侵的可能性加大。

所以Avast安全专家警告称:虽然现在5G应用内的无人驾驶汽车还在观望阶段,但如果没有很好的应对方案,未来5G与物联网的结合将会使无人驾驶汽车被黑客入侵的可能性加大。

4、

观点

每一代新技术的出现都有他自身的价值以及伴随而来的安全隐患,无人驾驶与互联网都有着被黑客侵入的网络安全风险,但这样的问题并没有被汽车制造商、研发者所忽视,比如前文提到的特斯拉在黑客会议上出钱出车要求黑客对其攻击,并因此研究下一代安全防护系统。

事实上,目前对这些风险意识的所有关注只会有助于鼓励以最安全的方式制造新一代自动驾驶汽车所需的更深入的研究。正如Avast的高级研究员马丁·赫伦所指的那样,无人驾驶安全技术需要领先于黑客入侵手段,并不断在软件硬件上进行升级变更,以提高抵御恶意攻击的能力,使自动驾驶更安全。

来源:锌刻度

阅读全文

宝马集团推高性能IT平台 处理自动驾驶汽车数据

自动驾驶汽车需要的不止是额外的硬件,此类汽车还需要访问大量高质量的数据,以及数百万行的代码,以实现安全驾驶。此外,自动驾驶汽车自己也会生成数tb的数据,在研发过程中需要对此类数据进行分析,从而深度学习算法才能做出更安全的驾驶决策,并随着时间推移不断得到改进。目前,汽车制造商们面临的挑战就是如何对此类数据进行分类和分析,以便更有效地利用此类数据,并与其他自动驾驶汽车共享。

图1

(图片来源:宝马集团官网)

据外媒报道,为解决上述问题,宝马建立了自己的IT平台,D3。“D3”代表着“数据驱动开发”(Data-Driven Development),是研发宝马自动驾驶汽车以及验证宝马自动驾驶汽车数据的基础。新款宝马D3平台的推出,是宝马迈向高度自动驾驶道路上的一个重要里程碑。该平台是一个不可或缺的工具,可确保将于2021年底推出的宝马iNEXT车型能够提供安全、可靠的L3系统。

多年来,宝马一直在应用数据驱动开发的方法,该方法基于这样一种假设,即绘制以及最终处理每块大陆上所遇到的各种复杂、多样的交通情况的唯一方法是收集大量数据,也表明必须通过一个广阔的数据池来验证自动驾驶的算法和整体操作。

此过程的第一步是收集来自测试车队的大约500万公里(约为310万至370万英里)的真实驾驶数据。从收集的数据中,提取200万公里(约为125英里)的与驾驶场景和环境因素最相关的数据。由于宝马采用了数据限定条件和过滤法挑选定性数据,收集的数据的相关性正不断提高。之后,在开发过程中,200万公里的驾驶数据会定期进行再处理,即当新的控制单元完成集成,可投入使用时,为了评估新集成的单元在性能上是否提高,就会对数据进行再处理。

该200万公里的数据不断扩大,还增加了2.4亿公里(约合1.5亿英里)的模拟生成的数据,此类模拟数据主要基于相关的驾驶场景,并确保在开发过程中适当考虑到现实驾驶的多样性。处理200万公里的真实驾驶数据以及2.4亿公里模拟驾驶数据需要一个高性能的数据平台,该平台需要具备230拍字节(petabytes)的存储容量,10万多核和处理200多个GPU(图像处理单元)的计算能力。

而宝马高性能D3平台每天可收集超过1500TB的原始数据,存储容量超过230PB,10万多核和处理200多个GPU的计算能力,每两周有50PB数据进入硬件在环(HiL)仿真站。

此外,宝马还与IT服务公司DXC Technology合作。DXC公司于2017年成立,由美国计算机科学公司(CSC)与惠普公司的企业服务部合并而成。DXC主要负责设置和运行数据中心,研发支持自动驾驶开发的应用程序,旨在让自动驾驶系统上市之前,降低其成本和研发时间。DXC的应用程序可让宝马的研发团队收集、存储和管理车辆传感器的数据,还能在几秒钟时间内训练自动驾驶机器学习算法。

来源:盖世汽车

阅读全文

Momenta推出高速自动驾驶方案,CEO曹旭东:人车共驾还要存在20年

“如果三十年以后,你们去采访当时最成功的自动驾驶企业家,我希望这个企业家是曹旭东。”日前,Momenta公司CEO曹旭东在苏州总部揭幕仪式上表示,“然后你们问他,你的企业成功关键是什么?他一定会说一个关键词,就是‘规模化’。”

33岁的曹旭东,在这轮以自动驾驶为主的技术创业潮中,表现得格外成熟。他没有直接扎进资本热烈追逐的Robotaxi领域,而是将Momenta定位成Tier 2,提供自动驾驶的环境感知、高精度地图和规划决策技术,从后装产品开始,逐步过渡到高速公路L3级的自动驾驶,再到限定场景的L4自动驾驶,最后是完全无人驾驶。

图1

Momenta公司CEO曹旭东

如今Momenta的产品线正按部就班向前推进,在产业链中也开始逐渐渗透。

3月25日,Momenta宣布总部即正式落地苏州,公司已在苏州建立起工程中心、产品中心和商务中心,全面推动自动驾驶技术量产化,而在北京,Momenta将继续保留研发中心,支持公司基础算法的研发。

同时,Momenta也推出了可量产的结构化道路自动驾驶解决方案Mpilot,该方案采用了符合车规级、可量产的感知方案,其利用摄像头、毫米波雷达、高精度地图与定位技术融合的方式,能够实现高速公路上下匝道、主动变道、应对紧急加塞等复杂场景的自动驾驶,并在雨天、黄昏繁忙时段、夜晚等极端环境下依然保持良好的性能。

在不少Level 3级高速自动驾驶中,往往需要激光雷达加强感知能力,但是Mommenta公司CEO曹旭东认为,自动驾驶关键的是量产和规模化。但如今市场中,尚未有一款激光雷达产品能满足量产所需的低成本和高稳定性。

曹旭东表示,Momenta的核心技术是基于深度学习的环境感知、高精度地图和驾驶决策算法,在过去三年,公司围绕这三大能力做了大量部署,而在未来3年,Momenta将基于感知、地图和驾驶决策,进一步将技术产品化,形成多个不同级别的自动驾驶解决方案。

图2

相应的量产方案也已经有了推出时间表:

2019年第一季度,推出高速自动驾驶量产方案,也就是本次发布的结构化道路解决方案;

2019年第二季度,发布限定场景内的自主泊车方案;

2019年的第三季度,发布完全无人驾驶的方案。

2020年第一季度,推出城区的自动驾驶解决方案。

“结合深度学习技术与可量产的传感器、计算元件,将自动驾驶技术进行产品化,是实现前装量产落地的关键。”曹旭东说。

“要在规模化的道路上胜人一筹”

“只有做到规模化,成本才能迅速地降低,汽车行业对于规模化带来的成本降低已经非常熟悉。”曹旭东说,“另外,自动驾驶具备互联网属性,规模化同时会带来巨大的网络效应。网络效应就意味着更大量的产品可以带来更多的数据和更多的反馈,从而强化产品体验。”

在曹旭东看来,规模化创造的用户价值越多,成本就会越低,“基本上你在规模化的道路上能够胜人一筹的话,很快就可以奠定自动驾驶领域第一的地位。”

那么,规模化的内在驱动力是什么?曹旭东一语指出,数据和数据驱动的算法。自动驾驶所需要的数据,包括感知数据、高精度地图数据、驾驶行为甚至接管的数据。

据钛媒体了解,Momenta已经借助与车队合作等途径,部署了大量传感器,覆盖中国20多个城市,而这些众包数据不仅都来自可量产的视觉传感器,还内视的相机和外视相机,内视主要是看人,外视主要是看车和路。

“自动驾驶越发展,长尾问题越多,如果要做到一万公里不接管,可能有一万个问题要解决,假设一个问题需要10个人的小团队工作三个月,可能需要上万人的团队,这是不可能的。所以基于海量的驾驶行为的数据和接管的数据,数据驱动的算法也会变得非常重要。”曹旭东说。

曹旭东为Momenta制定了两条规模化之路,一条是面向乘用车,量产人车共驾的自动驾驶方案;另外一条是推出没有方向盘的完全无人驾驶,主要应用于无人出租车和无人卡车领域。

“只有通过量产的自动驾驶才能获得前面提到的海量数据,包括感知的数据、地图的数据、驾驶行为的数据和接管的数据。有了这些数据流向,完全的无人驾驶系统才会提升。”曹旭东说,

这套逻辑似乎不难理解,但要实现这样一个协同增长的效果,并没有想像中那么容易。

“原因正是量产人车共驾的自动驾驶方案和完全无人驾驶方案,必须共享相同的传感器,这样数据流才能打通,同时完全无人驾驶的技术才能快速地落地到量产方案上去,如果传感器的方案不一样的话,就像特斯拉是帮不了Waymo,同样Waymo也是帮不了特斯拉。”曹旭东言外之意不外乎,在完全无人驾驶的方案里,必须以量产传感器为主,而且跟量产自动驾驶方案保持一致。

而Momenta在过去3年的发展中,已经在践行这一原则。

一切为了量产

据介绍,为了攻克量产方案,Momenta解决的一个关键难题是搭建算法模型平台。

因为Momenta主要基于视觉传感器和深度学习建立环境感知算法, 因此,对计算芯片的算力要求非常高,而建立一套无损压缩的算法模型平台,无疑将直接有助于技术方案量产落地。

“如果使用500瓦的GPU,每个GPU都是上千美金,这个GPU是很难做到量产的,所以我们在模型平台上做了大量的研究。使得我们的算法模型可以跑在几十美金的嵌入式芯片上,功耗只有几瓦。“曹旭东算了一笔账,以每一辆车的出货成本减少几百美金计算,如果出货量是百万台车的话,每年节省的费用就是几亿美元,“而且功耗做得更低,对于量产来说做得更好,使得产品更加安全和稳定。”

图3

同时,为增加自动驾驶感知的准确性,高精度地图也不可或缺。2018年9月,Momenta获得国家自然资源部颁发的甲级测绘资质,并基于视觉众包路线,制作了高精度地图。

“当时激光雷达还很贵,我们就采用了对量产来说更友好的技术路线,就是视觉为主建图的技术路线和视觉为主的自定位的技术路线。现在基于视觉的建图,精图已经做到10cm以内,而定位的精度在大多数情况下小于10cm。”曹旭东说,在城市区域的建图和定位中,Momenta也使用了消费级的GPS和消费级的IMU。

曹旭东表示,即便是在之后推出的完全无人驾驶方案和城区内的自动驾驶方案,Momenta也将坚持可量产原则。

“2019年的Q3,我们会发布完全无人驾驶的方案,这一方案同样是以量产的传感器为主,会有12个摄像头再加上5个毫米波雷达,LiDAR(激光雷达)虽然会使用,但是LiDAR在整个自动驾驶系统中起到的作用不是主要的,还是相对次要的。”曹旭东说,“2020年的Q1,我们会发布在城区内的自动驾驶,而这个城区内的自动驾驶仍然会使用量产的传感器,以摄像头和毫米波雷达为主。”

虽然会在今年第三季度就推出完全无人驾驶方案,但是对激光雷达角色的弱化,让Momenta对这一技术的落地预期大幅拉长。

“中国每年的汽车销量差不多三千万台,所以,自动驾驶量产方案出货量小则百万台,大则是千万台以上,它对安全性要求极高,因此,在量产的方案上,我们的预判大概需要20年时间,这20年的时间内都是以人车共驾为主。”曹旭东说。

报道显示,自2016年成立至今,Momenta累计获得超2亿美元资金,总体估值超过10亿美元,投资方阵营包括腾讯、戴姆勒等战略投资者,招商局创投、上海国资经营公司旗下国鑫资本、苏州元禾资本与建银国际等多位国资背景投资者,以及凯辉中法基金、蔚来资本等产业投资者。

获得资金弹药和产业链资源后,Momenta将总部迁至办公成本更低、落地条件更多的苏州,显然已经做好了准备,以应对量产自动驾驶的持久之战。

来源:钛媒体

阅读全文

文远知行公布自动驾驶运营路线图:全新升级自动驾驶方案

继去年10月份拿到了雷诺日产三菱联盟领投的A轮融资后,文远知行继续加速自己的运营计划。2020年是文远知行自动驾驶的运营年,这是文远知行从未更改过的目标。

图1

文远知行的CTO李岩认为,从技术储备而言,文远知行已经有足够的信心进行自动驾驶的落地。在2019年的GTC会议,文远知行也对外公布了自己的技术最新进展—— 全新的L4级自动驾驶方案。

他告诉雷锋网新智驾:这是一套预商业化解决方案。换言之,也是一套为运营落地而生的技术方案。

同时,李岩也强调:和以往的方案相比,这是一套成本更低、安全性能更加高、更加适合中国路况的自动驾驶解决方案。在GTC上,文远知行也首发了一款新的L4级日产LEAF 2,新车型的加入也是壮大了文远知行的运营队伍。升级后自动驾驶方案,进化在哪?

在李岩看来,这次的技术升级对于文远知行而言,具有“里程碑”式的意义。

此次在LEAF 2的车上配置了2颗激光雷达,2颗Velodyne近距雷达、1颗Luminar的固态激光雷达,超过10个相机(包括前视远焦相机、环视相机)、以及5个毫米波雷达。前向的摄像头等效于129线的激光雷达覆盖,侧向有144线的激光雷达覆盖,与之前方案相比,雷达点密度提高了一倍以上。

对于在200米半径下这些低于10%的这种反射率的物体,都可以通过激光雷达进行稳定的检测。

全新的传感器配置也带来了相应的功能升级。

  • 车顶配备可实现360度视场的全覆盖——对摄像头、激光雷达、毫米波雷达三类传感器实现了360度的覆盖。此前的方案当中只具备是前向、侧向的感知。全新的设置可以通过不同波长的传感器的不同特性,可以对车辆周围所有的目标进行多重的确认、以保证目标检测的准确行和可靠性。
  • 采用分辨率更高、测距更远的激光雷达组合,检测距离从此前的120米扩展至250米,提升了感知的范围和性能。
  • 使用了英伟达的DRIVE AGX Pegasus平台,由多个传感器收集的数据可实现时间同步,包括(激光雷达、相机、毫米波雷达、IMU、定位传感器、GPS,所有的数据在统一的时间区域中进行数据处理,其中激光雷达和相机能够进行象素级的同步,保证识别的精度和准确性。)

随着传感器的配置发生变化,与之相对应的则是标定方案也发生变化。在全新的标定方式当中,较为独特的是,车头处有一颗激光雷达。李岩告诉雷锋网新智驾:这样的标定方式能够更加适应中国的路况。激光雷达的放低可以更加精准地检测到前方的细小物体、以及在窄路的路口、无保护的右转、低速路到高速路的切换、辅路并入到高速公路等场景中,有效地弥补车辆视觉的盲区。此外,文远知行也进行了冗余的设置,整个软件的架构得到了全面的升级,车厢内部的走线布局、散热都进行了特殊的处理。

传感器本身价格的下降和文远知行软件的进化能够有效地弥补硬件上的缺陷,都是促成本次方案成本压缩的重要原因。

创立两年,文远知行已经完成了自动驾驶技术在3种不同车型上的适配,包括最早的林肯MKZ,后来的广汽传祺GE3,以及新近加入的日产LEAF 2。此次的LEAF 2新车型的上线,和之前的雷诺日产三菱联盟的战略投资有紧密的关系。

日产在硬件以及里程控制上,给文远知行提供了全面的支持,包括刹车、油门、方向盘、换挡等最底层的信息都能够拿到第一手的资料(更多的底层协议)。这种紧密的打通,使得LEAF 2和文选知行的自动驾驶方案形成了深度的整合,接近于原厂的设置。

为了保障运营的安全性能,新升级的L4解决方案,增多了一个Safety co-pilot的系统。Safety co-pilot由原来的remote control(远程控制)升级而成,在紧级的情况之中能够提供一种接管的方法,相当于提供了一个冗余的系统,多一道安全保护措施。

图2

500辆规模的自动驾驶车队

完成了硬件上的升级之外,文远知行计划完成组建500辆自动驾驶的车队,届时下一代自动驾驶车队使用NVIDIA DRIVE AGX Pegasus平台。

李岩告诉雷锋网新智驾:“车队的投放并不是为了大量地增加营收和获取利润,更多地是把产品进行一个端到端的设计,在运行的过程中能够尽量发现一些漏洞。”

随着车队规模的进一步扩大,测试的路线也更为丰富—— 主要是以生物岛为圆心,在周边附近逐步扩大这个测试的范围,与此同时,测试车辆也在广州不同的区域都进行了路测。

车队扩大更为长远的意义在于运营能力的落地。

据文远知行市场副总裁张力向新智驾透露:文远知行的运营天数已经达到了413天,里程数达到260,000公里,接待人数超过了4000人。(新智驾注:这是截止至3月20日的数据,最新数据请以官方公布数据为准)

在现阶段文远知行的运营规划当中,路线运营的首要因素是安全,倾向选择人车分流的道路。此外,张力也向新智驾表示:在实际的运行过程当中,并不用过多地考虑所谓的MPI,出于安全的考虑多做一些接管也无妨。实际上,运营就是为了验证商业模式的可行型,其中最为关键步骤就是完成从0收入到有收入的变化,也就是自我造血能力的培养。

张力透露:目前,文远知行也在和广州最大的出租车公司进行洽谈,希望进一步推进自动驾驶的落地。

正式成立两年,文远知行仍在攻克自动驾驶技术上的难关。 在一边攻关的同时,文远知行也在探索如何加速落地的进程,探索如何拥有造血的能力。这次的技术升级进一步压缩了自动驾驶成本,对文远知行而言都是一个重要的开始。

来源:雷锋网

阅读全文

俄罗斯互联网巨头Yandex与现代合作开发自动驾驶控制系统

北京时间3月21日消息,据雅虎新闻网报道,俄罗斯智能产品以及基于机器学习提供服务的供应商Yandex同全球最大汽车零部件制造商之一的现代摩比斯(Hyundai Mobis)已经签订了一份谅解备忘录。两家公司计划合作开发适用于第四和第五级别自动驾驶汽车的控制系统,双方期待利用Yandex已有的自动驾驶技术和现代摩比斯在汽车行业的丰富经验相结合以提升产品服务竞争力。

图1

据报道,谅解备忘录的签订还为双方在其他领域的合作创造了可能,比如合作开发整合Yandex技术服务(包含语音、导航和地图等)的产品。

Yandex和现代摩比斯合作的第一步正是双方将聚焦于打造一款基于现代或起亚标准量产车型的自动驾驶原型车。两家公司在未来还计划开发出一款全新的驾驶控制系统,该系统将作为外界解决方案供汽车制造商、共享汽车服务供应商以及出租车队使用。

Yandex首席执行官阿卡迪-沃洛泽(Arkady Volozh)在接受记者采访时表示:“我们的自动驾驶技术是独一无二的,其已经证明了自身的可扩展性。我们的自动驾驶汽车已经成功的在莫斯科、特拉维夫和拉斯维加斯上路行驶,这也意味着Yandex自动驾驶车队可以覆盖到全世界的任何地方。”

据悉,Yandex早在2017年春天就开始测试自动驾驶汽车,到2018年中期在欧洲推出当地首个全自动驾驶服务。值得一提的是,Yandex自动驾驶出租车在俄罗斯Innopolis和Skolkovo开展测试行驶时,即便在冬天车内只有一位安全工程师坐在副驾驶位置上。Yandex还将自己的自动驾驶汽车开到了其他国家和地区,并已在以色列开展行驶测试,而在今年的消费者电子展上Yandex自动驾驶汽车来到现场并进行展示性行驶。

现代摩比斯是现代汽车集团的附属企业之一,后者是全球五大汽车制造商之一,其生产现代、起亚和Genesis品牌汽车。同时,现代摩比斯也是全球十大汽车零部件制造商之一。该公司致力于新技术的研发,而眼下其也正在推进自有自动驾驶汽车的开发工作。现代摩比斯在自动驾驶汽车技术上具有前瞻性的技术优势,此前计划利用3D手机游戏软件研发自动驾驶系统。现代摩比斯表示,使用高清的视频游戏图像创造各种驾驶条件,可让其更高效且安全地检查自动驾驶汽车系统的摄像头,后者是自动驾驶汽车系统不可缺少的组成部分。该公司表示此类视频可用于模拟夜晚或恶劣天气条件和复杂的城市驾驶环境。此外,其还能用于检查摄像头是否能够检测和处理在路边现场可开展的一般维修工作。

Yandex是俄罗斯的互联网服务巨头,类似中国的百度和美国的谷歌。Yandex旗下的搜索引擎在俄罗斯拥有逾60%的市场占有率,同时也提供其他一系列互联网产品和服务。数据显示,Yandex是目前世界第五大搜索引擎,Yandex的主页Yandex.ru是俄罗斯访问量最高的网址。

来源:腾讯汽车

阅读全文

NR再发自动驾驶排行榜:Waymo、Cruise 领跑,百度排名提升

最近,那个著名的研究机构 Navigant research 又发布了最新一年的自动驾驶竞争力排行榜。Waymo 和通用旗下的 Cruise 毫无悬念地处于领跑位置,而百度则是唯一一个上榜的中国公司。

图1

图2

和以往一样,这个排行榜分为两个维度:图中横轴代表「战略/策略」,纵轴代表「执行」(可以理解为落地速度)。

评判这些公司的维度包括:愿景、市场化策略、合作伙伴、量产策略、技术、销售、市场份额、产品质量和可靠性、产品组合等等。 在这个榜单里,并不是所有自动驾驶团队都「有幸」上榜,Navigant 只是列出了一些有代表性的公司、联盟。

这些公司被分为四类:领导者、竞争者、挑战者和追随者。

领导者:Waymo、Cruise、福特。

竞争者众多,包括:安波福、英特尔-Mobileye、百度、丰田、大众集团、戴姆勒-博世、雷诺日产三菱联盟、宝马-英特尔-FCA 联盟、现代汽车、沃尔沃、Uber、Zoox、Navya 等。

挑战者:苹果、特斯拉、Voyage Auto。

追随者:无

在战略层面(横轴),前五名分别是福特、Waymo、Cruise、安波福、百度。

在执行层面(纵轴),前五名分别是 Cruise、Waymo、戴姆勒-博世、福特、大众集团。

我们再来看看之前两年 Navigant research 给出的排名。

去年:

图3

前年:

图4

对比来看,能发现一些有趣的「趋势」,比如:

1. 在 2017 年,Navigant research 报告中的「领导者」还都是整车厂,到了 2018 年,这个阵营里整车厂、供应商、科技公司扎堆,而到了今年,「领导者」完成洗牌,Waymo 和 Cruise 登顶,也算是众望所归。

图5

2. 特斯拉是真的不受 Navigant research 待见,2017 年还算是「竞争者」,最近两年在图中排名都是倒数。建议特吹拉黑警告。

3. 这里重点说说百度。在这三年里,百度的排名逐年提升。作为榜单里唯一上榜的中国企业,Navigant research 对百度的认可,也符合 Apollo 计划日益成熟的事实,以及中国自动驾驶领域领军者的地位。

相比去年,在这份榜单里,百度在战略、执行这两个维度上都取得了进步。尤其是在最近的半年里,Apollo 计划在商业化落地上给我们留下了深刻的印象:2018 年 11 月的百度大会上,百度 Apollo 宣布将与一汽红旗共同打造中国首款 L4 级自动驾驶量产乘用车,同时,与沃尔沃以量产为目标打造深度定制 L4 级自动驾驶乘用车。而到了 2019 年年初的 CES 上,百度自动驾驶商业化又迈出了里程碑一步:推出 Apollo 企业版,为车企提供包括高速公路自动驾驶、自动泊车在内的前装自动驾驶功能,当时确认的前装合作客户包括福特、长城、奇瑞、比亚迪、北汽、汉腾等。

图6

其实不只是百度,对于所有自动驾驶车企来说,2019 年都是在商业化落地过程中极为重要的一年,Waymo 也在 2018 年年底推出 Waymo One 自动驾驶网约车服务,就足以说明问题。

很显然,百度 Apollo 和 Waymo,分别领跑中、美自动驾驶行业。

我们也很好奇,到了明年,这个榜单又会有怎样的变化呢?

当然还是得提一句:还不存在,也不可能存在一份绝对客观、可度量的自动驾驶排行榜。其实从 2017 年开始,Navigant research 的榜单就受到很多质疑,所以,不可不信,也不能全信。

来源:盖世汽车

阅读全文