GeekCar|众包高精地图对自动驾驶发展的影响( 二 )
文章图片
众包收集的信息(未离散收拢的情况)
传感器基数/装车数量足够庞大、算法足够优秀的情况下 , 视觉众包地图采集方案一样可以产出一张优秀的高精地图 , 一个行业内的基础数据是一个车道需要10次采集就能实现建图数据的收集 。
装车数量还涉及到一个非常关键的属性:地图更新速度 。 这么多车子天天在路上收集地图数据 , 更新速度的瓶颈就不再是数据采集 , 而是后端的数据处理了 , 处理的有多快 , 地图更新周期就有多短 。
众包地图的车端硬件成本在目前越来越多车辆标配L2级自动驾驶辅助的情况下变得微不足道 , 因为可以复用ADAS相关的感知、算力硬件和车联网能力 。 主要难点和成本在于一个足够效率的车端边缘算法和云端生产线的建设 , 好的边缘算法可以保证数据上传成本可控;云端能力的建设则对于任何一家在汽车新四化时代有野心的汽车行业巨头来说都是必须具备的 , 放弃即意味着被淘汰 。
所以视觉众包建图从采集流程来看是显而易见的低成本和极高的更新效率 。
文章图片
(众包收集的密度)
数据与感知的前端融合
笔者有一个对于目前汽车工业体系来说颇为激进的看法 , 更高级别的自动驾驶辅助功能如L3 , 应当与地图能力同属于一个开发体系之下 , 形成数据闭环与能力互通 。
为什么?
首次从地图数据的应用说起 , 以L3功能为例 , 海量的地图数据在自动驾驶系统运行过程中是作为基础数据与实时感知结果进行比对的 , 实现高精度视觉定位 , 在此能力背景下方能实现安全的自主变道和变换高速等功能 。 实时数据建图和既有高精地图的融合过程即为SLAM , 如果展开细讲 , 那么又是一篇长文 , 这里先不赘述了 。
所以如果地图数据的视觉收集过程与自动驾驶视觉感知在算法上有趋同性 , 那么在前端就可以实现高效率的数据融合 , 提高视觉定位精度 。
但为什么说是激进的看法?因为对于现行汽车工业体系来说 , 每一个部分找一个供应商来解决问题是惯常做法 , 这就很容易出现地图数据和自动驾驶能力来自不同的供应商 , 两者之间的结构性数据的衔接极易成为瓶颈 。
实际上把地图数据收集与自动驾驶能力框定在同一个开发体系之下在行业内已经有现成案例 , 比如Mobileye、特斯拉 , 甚至交付量刚刚过万的理想汽车 。
除了前端融合所产生的高精度定位结果 , 高精地图里包含的丰富信息还可以进一步优化自动驾驶辅助的表现 , 比如跨线桥衔接处的坡度异常数据可以帮助自动驾驶系统实现预防性的降速 , 避免车辆颠簸带来的不适性;或者在接近高速/高架的小曲率路段时参照驾驶经验数据以更稳健的速度来通过 。
这些基于数据能力的细化场景优化带来的是整体驾驶体验和安全性的提升 , 一个可参考的逻辑是人类老司机的最重要技能就是对路面与道路环境的熟悉程度 , 一套配备实时更新、数据丰富的高精地图的自动驾驶算法显然与「老司机」具备一样的能力逻辑 。
闭环
说到这里 , 关于地图生产与使用的闭环已经初步成形:
众包地图数据收集>高精地图对自动驾驶辅助的加持>更好的用户体验>更多的销售数量>更多的众包地图数据
这条闭环上包含了丰富的用户运营维度与变现能力 , 当然如何调动用户更多的积极性和实现地图数据的进一步变现 , 这些同样是广阔的问题 , 就不在此进行探讨了 , 交给行业先行者们去寻求最佳的答案吧 。
End