自动驾驶---方案从有图迈进无图

1 配景

        近两年，自动驾驶量产范畴，有一句话出现的频率很高：“无图也能开”，到底什么是有图，什么是无图呢？简单来说就是有高精舆图（High Definition Map）和没有高精舆图（但是有SD---Standard Definition Map）。
        最开始无图的公司应该就是特斯拉，特斯拉的自动驾驶系统就是一个典型的无图方法应用案例，它依赖于车辆周围的8个摄像头进行环境感知和决策 。国内的车企早期也是基于高精舆图的方案，背面都逐渐过渡到无图方案。
        下面是CVPR 2024自动驾驶国际挑战赛（Autonomous Grand Challenge）无图的角逐效果，国内的企业排名还是比力靠前的。

        本篇博客将详细描述自动驾驶有图和无图的方案的特点以及区别，供有爱好的各位读者参考。
2 有图方案

        笔者体验过多家车企的产品，以及互联网上看到的视频，在高精舆图下，路口的体现会比无图好很多，由于路口涉及到视野遮挡，路口选口不容易出题目，如果车辆需要辨认路标进行选口，目前来说难度还是有点大的，随着模型的应用，在此方面有所改善。

2.1 高精度舆图的作用

（1）提供先验信息

• 高精度舆图包罗了丰富的道路几何信息（如上图所示），如道路的外形（弯道的曲率、坡度等）、车道线的位置和走向等。车辆可以提前知晓前方道路的情况，从而更好地规划行驶路径。
  
• 它还包罗了道路的交通标识和信号等信息，资助自动驾驶系统精确判定交通规则，提前做好减速、停车或转弯等决策行为。
  

（2）定位辅助
        通过将车辆传感器（如激光雷达、摄像头等）获取的实时环境数据与高精度舆图进行匹配，可以更精确地确定车辆在道路上的位置。相比仅依靠环球定位系统（GPS），这种基于舆图的定位方法在都会峡谷、隧道等卫星信号较弱的区域也能实现高精度定位。
（3）路径规划优化
        自动驾驶系统可以根据高精度舆图提供的道路信息，规划出更合理、更高效的行驶路径。比方，在考虑到道路的拥堵情况、施工区域等因素后，选择最优的车道和行驶路线，提高行驶的安全性和效率。
2.2 有图方案的工作流程

（1）舆图数据收罗
        通常使用专业的舆图收罗车辆，配备多种高精度传感器，如激光雷达、高精度摄像头、惯性丈量单元（IMU）等。这些传感器协同工作，收罗道路的几何外形、标识标线、周围建筑物等信息。收罗到的数据颠末处置惩罚和标注，形成高精度舆图。
（2）舆图存储与更新
        高精度舆图数据存储在车辆的车载系统中或云端服务器。随着道路情况的变化（如道路施工、交通标识变更等），需要定期对舆图进行更新，以确保舆图的精确性和时效性。更新可以通过云端推送或车辆回传数据后进行会合处置惩罚的方式实现。
（3）车辆与舆图的交互
        当车辆行驶时，传感器实时感知周围环境，同时将感知数据与高精度舆图进行融合。系统通过对比舆图中的信息和实时感知信息，确定车辆的位置和行驶状态，并据此进行决策和控制。比方，在靠近路口时，根据舆图中交通信号灯的位置和状态信息，提前调解车速。
2.3 有图方案的上风

（1）提高安全性
        精确的道路信息和定位有助于车辆提前推测潜在危险，如弯道处的停滞物、路口的行人等，从而采取相应的避让步伐，降低事故发生的概率。
（2）提升驾驶舒适性
        优化的路径规划可以减少车辆的急加速、急减速和频繁变道，使乘客在车内的体验更加平稳舒适。
（3）顺应复杂环境
        在复杂的都会道路环境中，高精度舆图可以为自动驾驶系统提供更全面的信息，资助车辆更好地应对各种交通场景。
2.4 有图方案的挑战

        正是由于如下几条缘故起因，考虑到有图方案的本钱，精确性，出海战略以及时效性，很多车企都放弃了有图方案。
（1）舆图的精确性和时效性
        道路情况不断变化，要保证舆图始终精确并及时更新是一个巨大的挑战。如果舆图数据不精确，大概会导致车辆的错误决策和行驶。
（2）舆图的本钱
        高精度舆图的收罗、制作和维护需要大量的人力、物力和财力投入。此外，舆图的版权和数据安全也是需要考虑的题目。
（3）舆图的法规和标准
        不同国家和地区对于高精度舆图的法规和标准不尽相同，这大概会影响自动驾驶有图方案的推广和应用。
3 无图方案

        笔者之前分别介绍过华为和小米的无图方案，小米道路大模型和华为的RCR网络（Road Cognition & Reasoning，道路拓扑推理网络），实时天生道路拓扑，效果媲美高精舆图。实现全国都能用的都会领航。可参考博客《自动驾驶---小米汽车智驾进展》和《自动驾驶---行泊一体（车位到车位功能）量产》中华为ADS3.0版本的介绍。

3.1 纯感知技术的应用

（1）传感器的强化
        在无图方案中，车辆更加依赖自身的传感器来感知周围环境。通常会采用多种传感器融合的方式，如激光雷达、摄像头、毫米波雷达等。这些传感器可以实时获取车辆周围的物体信息，包罗车辆、行人、停滞物等的位置、速度和方向等。
（2）深度学习算法
        使用深度学习算法对传感器收罗到的数据进行分析和理解。通过大量的训练数据，模型可以学习到不同物体的特性和行为模式，从而实现对周围环境的精确辨认和推测。比方，通过摄像头辨认道路标识，像停车，掉头等。
3.2 无图方案的工作流程

（1）实时感知
        车辆在行驶过程中，传感器持续不断地扫描周围环境，将获取的数据传输给车载计算单元。计算单元对数据进行实时处置惩罚，辨认出各种物体和道路特性。
（2）自主决策
        基于实时感知的效果，自动驾驶系统使用算法进行自主决策，确定车辆的行驶速度、方向和路径等。系统不需要依赖预先存储的舆图信息，而是根据当前的环境状况做出即时的判定和决策。
（3）动态路径规划
        与有图方案不同，无图方案的路径规划是动态的。车辆会根据实时感知到的停滞物和交通情况，不断调解行驶路径，以避开停滞物并选择最优的行驶路线。
3.3 无图方案的上风

• 机动性和通用性：无图方案不依赖于特定的舆图数据，因此可以更机动地顺应不同的道路和环境。无论是在新开发的区域还是舆图数据不完善的地方，车辆都能够正常行驶。
  
• 降低本钱：不需要进行大规模的舆图收罗和维护，降低了自动驾驶系统的本钱。同时，也减少了对舆图版权和数据安全等方面的担忧。
  
• 隐私保护：由于不依赖外部舆图数据，减少了用户位置等隐私信息的泄露风险。
  

3.4 无图方案的挑战

• 计算能力要求高：纯感知和实时决策需要强大的计算能力来处置惩罚大量的传感器数据和复杂的算法。这对车载计算硬件提出了很高的要求，同时也会消耗大量的电能。
  
• 可靠性和稳定性：在复杂的环境中，传感器大概会受到干扰或出现故障，这会影响系统的感知能力和决策精确性。怎样提高系统在各种情况下的可靠性和稳定性是一个关键题目。
  
• 长距离和大范围的感知难度：虽然传感器可以实时感知周围环境，但对于长距离和大范围的情况，如前方几公里处的道路状况，传感器的感知能力有限。相比之下，高精度舆图可以提供更宏观的道路信息。
  

4 总结

有图无图对比  有图无图环境依赖性依赖于精确的舆图数据依赖于车辆的感知系统计算复杂度处置惩罚保存的舆图数据处置惩罚更多的实时数据技术挑战顺应性较差环境感知、决策规划融合趋势探索将有图和无图方法团结，以使用两者的上风（当前阶段）         从上面两节的论述可以看出，自动驾驶有图方案和无图方案各有优缺点，有图方案在安全性和舒适性方面有一定上风，但面对舆图精确性、本钱等挑战。无图方案更机动通用，但在计算能力和可靠性等方面需要进一步突破。目前也根本是有图和无图方案相团结的方式，以充分发挥各自的上风，推动自动驾驶技术的发展。
        等后续技术逐渐成熟，无图一定是终极的解决方案。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。