沒有高精地圖如何實作L4級別以上自動駕駛?

2019-05-01汽車

在沒有高精度地圖（HD地圖）的情況下，實作L4級及以上的自動駕駛是一項復雜的挑戰，但多個先進的技術和方法正在積極開發和測試，以實作這一目標。近年來在人工智能、傳感器技術和機器學習方面的進步使這一目標變得更加可行。以下是實作這一目標的關鍵方法、潛在途徑以及相關的研究或突破進展。

一、關鍵方法

1. 端到端學習與基於視覺的感知

核心技術 ：訓練深度學習模型直接解釋傳感器輸入（如影片流）並輸出駕駛指令，而無需預定義的地圖。車輛依靠基於視覺的系統（網絡攝影機和 AI）即時理解道路結構和駕駛環境。

方法：傳統系統嚴重依賴HD地圖來提供環境背景，但更新的端到端學習模型可以透過深度學習直接繞過這些地圖，依靠即時數據學習。這涉及使用視覺傳感器（網絡攝影機）與神經網絡結合，即時做出駕駛決策。

相關研究 ：

Waymo的「ChauffeurNet」（2018） ：Waymo開發了一種基於學習的方法，不需要HD地圖，專註於行為複制和強化學習。該模型利用網絡攝影機輸入模擬類似人類的駕駛行為。

特斯拉的全自動駕駛（FSD）測試版 ：特斯拉正在積極開發一個「端到端視覺」系統，透過深度神經網絡處理即時視覺輸入，以在沒有HD地圖的情況下導航復雜環境。

NVIDIA ：NVIDIA 的研究探討了如何透過大量駕駛場景的數據集訓練神經網絡，以取代傳統的基於規則的系統。車輛透過視覺輸入學習如何適應即時變化的環境。

影響：端到端學習透過允許車輛適應不可預見的道路條件，減少對高精度地圖的依賴。它促使更直觀的駕駛行為和在地圖數據稀缺或不準確的環境中的靈活性。

關鍵研究 ：2021 年的【朝著沒有高畫質地圖的自動駕駛：基於視覺的方法】（CVPR）

摘要：該論文討論了車輛如何利用電腦視覺即時檢測車道、交通標誌和道路邊界，而不需要高精度地圖。車輛透過神經網絡「看」到道路並導航。

影響：基於視覺的方法靈活，適用於地圖數據缺失或過時的環境，如施工區域或新開發的區域。

2. 同時定位與地圖構建（SLAM）

方法：SLAM允許車輛在未知環境中構建地圖，同時跟蹤其在該地圖中的位置。這可以使車輛在沒有HD地圖的情況下自主操作。同時構建周圍環境的地圖並定位自身，完全即時進行。

相關研究 ：

「ORB-SLAM3」（2020） ：這是最先進的視覺SLAM系統之一，ORB-SLAM3結合了單目和立體網絡攝影機與慣性傳感器，即時構建高度準確的本地地圖。

「基於激光雷達的SLAM用於自動駕駛」（2021） ：該研究專註於結合激光雷達和SLAM演算法，使車輛能夠即時導航非結構化環境，減少對HD地圖的依賴。

關鍵研究 ：2022 年的【即時 3D 視覺 SLAM 用於自動駕駛車輛】（機器人與自動化）

摘要：該研究探討了如何使用視覺 SLAM，僅依靠網絡攝影機數據或與激光雷達結合，即時建立地圖，而無需預先存在的高精度地圖。演算法估計車輛相對於環境的位置，同時更新地圖。

影響：SLAM 允許自動駕駛車輛在不熟悉的區域或動態道路條件下建立自己的地圖，繞過對預裝高精度地圖的需求。在道路布局頻繁變化或詳細地圖數據缺失的情況下尤其有效。

3. 自監督學習

方法：利用大量未標記的駕駛數據進行訓練，以學習特定環境的模式和駕駛場景。隨著時間的推移，車輛對各種駕駛條件的理解不斷增強，從而減少對顯式地圖的需求。

相關研究 ：

「自動駕駛的道路場景表示自監督學習」（2020） ：麻省理工學院和OpenAI的研究人員展示了如何利用自監督學習來理解駕駛場景和環境，從而有效彌補HD地圖的不足。

「用於自監督學習的大規模駕駛數據集」 ：特斯拉和其他公司利用大量真實世界駕駛數據集來訓練模型，以應對各種環境，實作L4+自動系統所需的適應力。

4. 多傳感器系統融合

方法：依賴於組合傳感器——如激光雷達、雷達、網絡攝影機和超聲波傳感器——自動駕駛車輛可以動態調整其對環境的感知，即時理解周圍環境。多傳感器融合幫助彌補HD地圖缺失，透過即時理解周圍環境來提高駕駛安全性。

相關研究 ：

「基於多傳感器融合與深度強化學習的自動駕駛技術」（2019） ：該研究探討了傳感器融合如何提高未知環境中的物體檢測和路徑規劃的準確性。

「激光雷達、網絡攝影機和雷達的即時融合用於3D物體檢測」 ：一項開創性的研究展示了不同傳感器數據的整合如何提高自動駕駛車輛在沒有預先存在地圖的情況下的環境感知。

關鍵研究 ：2021 年的【自動駕駛車輛的傳感器融合：綜述】（IEEE）

摘要：該研究概述了傳感器融合如何增強環境感知，減少對預先建立的高精度地圖的依賴。其核心在於即時處理來自不同傳感器的數據，動態重建駕駛環境，實作即時導航和障礙物規避。

影響：傳感器融合使車輛能夠動態感知周圍環境，減少對靜態高精度地圖的依賴。數據整合增強了對物體、道路使用者和障礙物的準確檢測。

5. 對道路和交通狀況的預測建模

方法：透過分析車輛傳感器的即時數據並利用人工智能，預測模型可以在沒有HD地圖的情況下預測道路布局和交通模式，使自動駕駛車輛有效導航。預測其他道路使用者的行為，以提高在沒有精確地圖情況下的安全性。

相關研究 ：

「在自動駕駛中進行行為預測的學習」 ：該研究探討了AI模型如何預測城市環境中的道路和交通狀況，使系統能夠在缺乏明確地圖的情況下進行調整。

「使用AI的自動駕駛軌跡預測」 ：最近的研究關註使用神經網絡預測道路軌跡和其他車輛的運動，從而使系統在動態和不熟悉的環境中進行調整。

關鍵研究 ：2020 年的【自動駕駛的預測行為模型】（ICRA）

摘要：該研究專註於使用機器學習模型預測行人、單車和其他車輛的行為。透過預測其他道路使用者的移動，自動駕駛車輛可以做出更安全的駕駛決策。

影響：行為預測幫助車輛在復雜的城市環境中導航，而不需要嚴重依賴預編程的路線或地圖，使其能夠根據其他道路使用者的可能動作即時調整。

關鍵研究 ：2021 年的【具有動態障礙規避的自動駕駛的模型預測控制】（控制系統）

摘要：該研究開發了預測模型，使車輛能夠預測未來的道路場景並動態調整其路徑。它使用即時傳感器輸入不斷重新評估和修改駕駛策略。

影響：透過專註於動態決策而不是預先確定的地圖數據，車輛可以更有效地導航復雜的道路條件、臨時障礙和繞行情況。

6. V2X（車聯網）通訊

方法：V2X 允許車輛與基礎設施（V2I）、其他車輛（V2V）、行人（V2P）和網絡（V2N）進行通訊，以獲取有關道路狀況、交通和危險的即時數據。這種即時通訊流可以透過提供有關交通狀況、道路布局和危險的即時更新，替代對靜態HD地圖的依賴。

相關研究 ：

「V2X及其在下一代自動駕駛中的作用」（2021） ：該研究討論了V2X技術透過使車輛和基礎設施之間即時數據共享，減少對預先存在地圖的依賴的潛力。

「透過V2X合作感知的安全收益」 ：強調V2X如何使自動駕駛汽車直接從基礎設施接收道路狀況數據，提高即使在不熟悉的區域中的決策能力。

關鍵研究 ：2023 年的【連線和自動駕駛車輛的 V2X 通訊】（IEEE）

摘要：該研究指出 V2X 技術如何提供即時數據，以補償缺乏高精度地圖的情況。透過與其他車輛和基礎設施通訊，汽車可以對交通訊號、道路狀況和潛在障礙做出明智的決策。

影響：V2X 透過利用來自連線基礎設施和其他道路使用者的即時數據，減少了對地圖的依賴。這使得車輛能夠在高度動態的環境中更好地進行操作，尤其是在城市設定中。

7. 復雜環境中的行為預測

方法：在沒有HD地圖的情況下，自動駕駛車輛必須即時預測其他道路使用者的行為。由AI和機器學習驅動的行為預測模型可以提高情境意識和安全性。

相關研究 ：

「用於自動駕駛的深度神經網絡行為預測」（2021） ：本文介紹了預測城市環境中行人和車輛行為的神經網絡模型，使系統在缺乏精確地圖的情況下能夠更好地決策。

「自動駕駛中的多智能體行為預測」 ：專註於考慮互動的模型，預測周圍車輛和行人的行為，使系統在沒有依賴地圖數據的情況下進行調整。

8. 倫理和監管研究

方法：隨著自動駕駛系統向L4級別以上發展，缺乏HD地圖引發了對倫理決策和監管框架的擔憂。這方面的研究探討了在沒有HD地圖的情況下出現的權衡和安全隱患。

相關研究 ：

「沒有HD地圖的自動駕駛中的人工智能倫理」（2022） ：該論文討論了自動駕駛系統在沒有HD地圖的情況下操作時出現的倫理困境，集中在即時決策和責任問題上。

9. 邊緣計算與即時數據處理

核心技術 ：利用邊緣計算處理傳感器數據，實作即時駕駛決策，而不依賴於雲端運算。

關鍵研究 ：2022 年的【邊緣計算在自動駕駛中的套用：綜述】（ACM）

摘要：該論文解釋了邊緣計算如何透過在車輛本地處理數據來實作更快速的決策，減少延遲，提高可靠性。它消除了對基於雲的數據的依賴，包括地圖。

影響：本地數據處理實作了即時適應力，這對於地圖數據可能不夠最新或詳細的環境至關重要，尤其是在動態場景中。

二、行業範例：

特斯拉 ：特斯拉的FSD程式無疑是沒有HD地圖的自動駕駛最顯著的例子。特斯拉依靠基於視覺的AI，利用即時數據處理在高速公路和城市環境中導航。在基於視覺的自動駕駛方面的先鋒，特斯拉的完全自動駕駛（FSD）在很大程度上依賴於即時視覺輸入，而不是預先規劃的路線。

Waymo ：盡管Waymo最初依賴HD地圖，但它正在實驗傳感器融合和基於AI的感知，以減少對預先繪制區域的依賴。在無駕駛員汽車操作方面取得了顯著的裏程碑，結合傳感器融合、SLAM 和基於視覺的系統，盡管在某些地區仍使用高精度地圖。

Nuro和Aurora ：這些公司專註於使用SLAM和V2X技術在可能沒有HD地圖的區域內操作配送機器人和自動駕駛卡車。

Mobileye ：專註於以網絡攝影機為主的方案，摒棄高精度地圖，轉而使用 AI 和道路傳感器數據。

三、技術對比

1. 表格

實作方式	技術介紹	優勢	劣勢
高精地圖	利用詳細的預先構建的地圖，包括道路的每一寸位置、標誌、交通規則等資訊。	- 準確性高：提供了道路的精確資訊，尤其在車道定位和導航中。- 較為穩定，適合重復路線或固定路線下使用。	- 需要頻繁更新：道路變化（施工、新路）會導致地圖失效。- 高精地圖構建成本高，需專門技術和資源來維護和更新。- 不適合新道路或動態環境。
傳感器融合（激光雷達、網絡攝影機等）	綜合利用多種傳感器，如激光雷達、網絡攝影機、雷達，即時感知周圍環境並作出判斷。	- 即時感知：車輛不依賴於預先構建的地圖，能夠動態適應道路變化。- 可以處理未知的環境和復雜場景，如無標記道路或動態障礙。	- 成本較高：傳感器系統昂貴，尤其是激光雷達。- 傳感器受環境影響大，如惡劣天氣、強光等會影響感知效果。
SLAM（同步定位與地圖構建）	同時定位車輛並構建即時地圖，適用於未知環境，無需預先儲存的高精地圖。	- 靈活性強：無需事先的高精地圖，能夠即時適應環境，特別適合未繪制地圖的場景。- 可以與其他技術結合，如傳感器融合。	- 復雜場景下可能產生定位誤差：需要高效的計算資源來即時構建地圖，容易在高速行駛時產生誤差。- 對演算法依賴大，技術復雜。
端到端深度學習	利用深度學習演算法直接從傳感器輸入（如影片流）生成駕駛指令，減少對地圖的依賴。	- 自動適應：無需高精地圖，透過大量數據訓練車輛可以適應各種復雜環境。- 有更好的場景靈活性，特別適合動態環境。	- 數據需求大：訓練需要大量的駕駛場景數據，數據標註和訓練成本高。- 可解釋性差：端到端模型的行為難以解釋，影響決策透明度和安全性。
車聯網（V2X）通訊	透過車輛與其他車輛、基礎設施等即時通訊來獲得交通、道路狀況數據，從而最佳化駕駛決策。	- 即時性高：透過與其他車輛和基礎設施交換資訊，能夠獲得即時的道路狀況、交通資訊。- 減少對高精地圖的依賴，特別適合城市環境。	- 依賴通訊基礎設施：V2X 需要成熟的網絡基礎設施支持，某些區域可能覆蓋不足。- 數據安全問題：通訊過程中容易面臨網絡安全和私密問題。
行為預測與動態路徑規劃	使用機器學習演算法預測其他道路使用者的行為，並即時規劃動態路徑以應對環境變化。	- 主動性強：車輛能夠預測周圍交通參與者的行為，提前做出避讓或調整。- 動態調整：可以在沒有地圖的情況下即時規劃路徑並進行調整。	- 復雜場景下誤差較大：道路使用者的行為不可預測，可能導致規劃路徑的不穩定性。- 計算復雜度高：對即時計算能力要求較高。