作者:周彦武
鉴于自动驾驶开发成本高,大众和福特投资了合资公司Argo AI进行联合开发。2019年7月,经过数月的谈判之后,大众同意以 70 亿美元的估值向 Argo 注资 26 亿美元。其中,包括 10 亿美元现金以及价值 16 亿美元的大众自动驾驶子公司 AID(Autonomous Intelligent Driving)。作为交易的一部分,大众需要从福特手里收购价值 5 亿美元的 Argo AI 股份。2020年6月2日,交易完成。大众将与福特持有相同的股份,剩余部分则归Argo AI公司员工所有。Argo AI公司的董事会也会由5人增至7人,其中大众和福特各占2个席位,另外的3个席位则归属于Argo AI自己。
Argo AI与大多数自动驾驶公司将总部放在加州也不一样,其总部位于匹兹堡,美国汽车工业心脏地带,而不是加州的高科技地带。2016 年9月,前 Google 员工 Salesky 和前 Uber 员工 Peter Rander 联合创办了 Argo AI。2017年2月,福特公司10 亿美元注资 Argo AI。分析Argo AI的自动驾驶系统就等同于分析大众和福特的自动驾驶系统。
2021年4月,Argo AI发布了安全报告书Safety Report。大众和福特表示大约在2024年有利用Argo AI技术的自动驾驶车辆量产。
可以看出和丰田(进入丰田微门户)L4一样,也是两套独立的转向与制动系统。还特别点出了加了IMU和速度传感器,应该不是像特斯拉之类量产车上不到1美元的IMU(博世在这个领域市场占有率估计有90%)。和Waymo一样,也有针对救护车、消防车、警车的紧急鸣笛探测系统。
Argo AI的自动驾驶原型车辆在2021年进入第四代。
Argo AI的第四代自动驾驶原型车辆使用4个激光雷达,9个毫米波雷达,12个摄像头。一个是Velodyne的128线远距离激光雷达,3个自行开发的短距离激光雷达,两个前向,一个后向。短距离激光雷达使用SPAD单光子接收阵列,因为ArgoAI在2017年收购了激光雷达初创公司Princeton Lightwave(该公司是SPAD的拥趸),具体交易额不详,估计在1亿美元上下。3个前向毫米波雷达,其中一个位于车顶。4个侧向毫米波雷达,位于轮眉上方,隐藏在车内,外观上看不出来。应该是4个级联的77-81GHz高分辨率毫米波雷达。两个后向毫米波雷达。两个车轮处的短距离摄像头,一个立体双目摄像头,七个顶置摄像头,一个后向摄像头。
与Argo AI的第三代自动驾驶原型车辆相比,用128线激光雷达代替了原来的两个堆叠的32线激光雷达VLP-32C。大幅增加了毫米波雷达和近距离激光雷达,主要的视觉和激光雷达部分实际变换不大。7个200万像素摄像头呈环状分布,帧率30Hz,一个500万像素双目摄像头,帧率5Hz,基线宽29.86厘米。
Argo AI的第四代自动驾驶原型车辆正面照,立体双目与毫米波雷达在顶部自动驾驶传感器系统的正中间。
Argo AI最强调的是移动目标的行动轨迹做出预测,就像人类驾驶的预判,这样才是真正的自动驾驶,才能提高安全性。也就是MODT(Moving Object Detection and Tracking)。同时Argo AI也是美国唯二的使用自制高精度地图的自动驾驶原型车,另外一家是安波福。Argo AI的数据集名为Argoverse。
Argo AI用激光雷达鸟瞰图(Bird Eyed View)视觉化,车辆或其他目标用3D框标注,用双目计算出可行驶区域,并用青色表示,用黄线表示边界。即道路表面语义分割,Road Surface Freespace Segmentation,分出路面、移动物体(障碍物)、固定不动的(Solid)。通常用基于概率的占用网格加动态规划(Dynamic Programming)的算法获取。与丰田的L4系统基本没差别。
Argo AI用高精度地图移除地面静态物体。有了高精度地图,再配合激光雷达鸟瞰图,可以准确地移除基于地面的静止目标,减轻自动驾驶的感知计算复杂程度,更容易识别出重要的运动目标。如果地面有坡度,这种算法难度较高,Argo AI用准确的高度匹配和3D地图解决这个问题,最终效果如右边一列。
Argo AI用激光雷达和摄像头自己制作了高精度地图,左图为激光雷达与摄像头融合图,右图为高精度地图。
Argo AI的骄傲之处是移动目标的轨迹预测,Argo AI在YouTube上两段视频有直观表示。
在移动目标轨迹运动预测中,Argoverse可以预测将来某个时间跟踪对象的位置。许多车辆的运动相对无意义-在给定的帧中,大多数汽车都以几乎恒定的速度停泊或行驶。这样的轨迹很难代表真实的预测挑战。Argo AI想要一个具有多种场景的基准测试,例如交叉路口,车道合并车辆减速,转弯后加速,道路上的行人停车等。为了对这些有趣的场景进行足够的采样,Argo跟踪了迈阿密和匹兹堡1006个行驶小时内的物体,并找到了Argo感兴趣的车辆在那320小时内的行为。主要包括(1)在十字路口,要么(2)左转或右转,(3)转向相邻车道,或者(4)在交通繁忙时 。Argo总共收集了324,557个5秒序列,并将其用于预测基准。
每个序列都包含以10 Hz采样的每个被跟踪物体的2D鸟瞰中心。每个序列中的“焦点”对象始终是车辆,但是其他跟踪的对象可以是车辆,行人或自行车。它们的轨迹可用作“社会(Social)”预测模型的上下文。324,557个序列分为205,942个训练序列,39,472个验证和78,143个测试序列。每个序列都有一个具有挑战性的轨迹。训练、验证和测试序列取自城市的不相连部分,即每个城市的大约八分之一和四分之一被分别留作验证和测试数据。该数据集远大于可以从公共可用的自动驾驶数据集中挖掘的数据集。如此规模的数据很吸引人,因为它使我们能够看到罕见的行为并训练复杂的模型,但它太大了,无法详尽地验证开采轨迹的准确性,因此,数据中固有一些噪声和误差。
Argo AI使用关联速度( Constant Velocity),最小近邻(NN)和LSTM来做预测。给定车辆轨迹的过去输入坐标Vi ,其中对于时间步长t的 X,预测时间步长T的未来坐标 Y。对于汽车,5 s足以捕获轨迹的显著部分,例如。过十字路口。Argo将运动预测任务定义为观察20个过去的帧(2 s),然后预测未来的30个帧(3 s)。每个预测任务可以按相同顺序利用其他对象的轨迹来捕获交通环境并为空间环境映射信息。
Argo使用最小平均距离误差Average Displacement Error (minADE)、最小最终距离误差 minimum Final Displacement Error (minFDE)可行驶区域服从度、DAC (Drivable Area Compliance)、Miss Rate (MR,阈值为1米) 来评估预测效果。minADE指的是轨迹的ADE,具有最小FDE,而不是最小ADE,因为要评估单个最佳预测。就是说,minADE误差可能不是一个足够的指标。K指一条路径上的预测次数。如果只预测一次,LSTM效果比较好,预测多次,NN加地图性能更好。无论哪一种,加了地图之后性能都更好。
Argo AI在6个城市展开测试。每个城市都有独特之处。匹兹堡,主要是有起伏的上下坡路、狭窄街道、众多桥梁、五条道路的大型立交桥。底特律,四季分明,车道很宽,林荫道很多,中央车道掉头多。加州的PaloAlto,富豪云集,多散步、跑步和骑行者。度假胜地佛罗里达的迈阿密则是什么类型的交通元素都有包括轻便摩托车(mopeds)、滑板车(scooter)、滑轮者rollerbladers、平衡车hoverboards,还有重型卡车和公交车以及校车。德州奥斯汀跟迈阿密近似。华盛顿,交通堵塞严重,交通管制复杂,环岛众多。与Waymo主要在行人稀少,路况简单的凤凰城比,Argo AI的难度要高很多,Argo AI认为这6个城市覆盖了美国的各种路况和气候。
除了公开道路,Argo AI还有一个50英亩即大约20万平米的自建封闭测试园区,园区内有16公里长的道路。
Argo AI当然也开发了仿真工具做虚拟测试。
Argo AI给出了自动驾驶的适用条件,即Operational Design Domain (ODD),最高时速不超过65英里也就是大约100公里。可以适应各种道路类型包括市区道路、郊区道路、村镇道路、高速公路、快速路,还有停车场或停车库,显然,它可以做AVP全自动泊车。因为有激光雷达可以24小时全天候运作,不需要任何照明。天气方面,下雨天也可以正常运作,只要不是暴雨,激光雷达基本可以正常工作。Argo AI也明确指出什么条件下不行,比如离路Off-Road。气候条件,大雪、雨夹雪、冰雹、冻雨、浓雾下不行。同时还有极端环境,比如地震、飓风、滑坡泥石流等。
在2021年5月,Argo AI公布了自己最远有效距离可达400米的激光雷达,很快就会用自行开发的激光雷达取代Velodyne的128线激光雷达。
和丰田一样,大众和福特的自动驾驶都是奔着自主量产方向的,不仅要低成本,还要自主掌控大部分系统,掌握大部分供应链,这也是Waymo潜在的危机,恐怕难有整车厂与其真心合作。
更多佐思报告
2021年佐思汽研6-7月活动
「佐思研究年报及季报」
主机厂自动驾驶 | 低速自动驾驶 | 汽车视觉(上) |
汽车视觉(下) | 商用车自动驾驶 | 新兴造车 |
汽车MLCC | 汽车分时租赁 | 高精度地图 |
汽车仿真(上) | 汽车仿真(下) | 汽车与域控制器 |
APA与AVP | 车用激光雷达 | 毫米波雷达 |
处理器和计算芯片 | ADAS与自动驾驶Tier1 | 乘用车摄像头季报 |
HUD行业研究 | 驾驶员监测 | 汽车功率半导体 |
Radar拆解 | OEM车联网 | T-Box市场研究 |
汽车网关 | 车载语音 | 汽车线束、线缆 |
汽车智能座舱 | 人机交互 | V2X和车路协同 |
汽车操作系统 | L4自动驾驶 | 专用车自动驾驶 |
计算平台与系统架构 | 车载红外夜视系统 | 共享出行及自动驾驶 |
高精度定位 | 汽车OTA产业 | 汽车IGBT |
座舱多屏与联屏 | 戴姆勒新四化 | 特斯拉新四化 |
大众新四化 | 比亚迪新四化 | 智能后视镜 |
华为新四化 | 四维图新新四化 | 燃料电池 |
AUTOSAR软件 | 座舱SOC | 线控底盘 |
车载显示 | 路侧智能感知 | 自主品牌车联网 |
汽车数字钥匙 | 汽车云服务平台 | 无线通讯模组 |
ADAS/AD主控芯片 | Tier1智能座舱(上) | Tier1智能座舱(下) |
商用车车联网 | Waymo智能网联布局 | 智能网联和自动驾驶基地 |
OEM信息安全 | 商用车ADAS | 自动驾驶法规 |
传感器芯片 | L2级自动驾驶 | 智慧停车研究 |
汽车5G | TSP厂商及产品 | 合资品牌车联网 |
汽车座椅 | 智能汽车个性化 | 新势力Top4 |
农机自动驾驶 | 矿山自动驾驶 | ADAS数据年报 |
无人接驳车 | 飞行汽车报告 | 模块化报告 |
港口自动驾驶 |
页面更新:2024-05-25
本站资料均由网友自行发布提供,仅用于学习交流。如有版权问题,请与我联系,QQ:4156828
© CopyRight 2020-2024 All Rights Reserved. Powered By 71396.com 闽ICP备11008920号-4
闽公网安备35020302034903号