adtop
当前位置:中国新能源汽车网  >   焦点新闻

WNEVC2022理想汽车郎咸朋:理想汽车智能驾驶的研发实践

时间:2022-08-27 11:39  来源:网络  编辑:燕梦蝶   阅读量:17905   
摘要: 由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住房和城乡建设部、交通运输部、国家市场监督管理总局、国家能源局联合主办的第四届世界新能源汽车大会于8月26-28...

由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住房和城乡建设部、交通运输部、国家市场监督管理总局、国家能源局联合主办的第四届世界新能源汽车大会于8月26-28日在北京和海南以线上线下的方式举行。其中,北京会场位于北京经济技术开发区艺创国际会展中心。

会议由中国汽车工程学会等单位主办,以“碳中和愿景下的全方位电动化与全球合作”为主题,邀请世界各国政产学研各界代表共同探讨。大会将包括20多场会议、13,000平方米的技术展览和多项同期活动。200多位政府高层领导、海外机构官员、全球商界领袖、院士和行业专家将出席会议并发表演讲。

其中,在8月26日举行的“自动驾驶与智能客舱的创新与发展”专题论坛上,李副总裁郎咸鹏做了题为“智能驾驶在李的研发实践”的精彩演讲。

以下为现场演讲实录:

首先介绍一下第一个能力提升。这个能力非常关键,过去很多人都忽略了,就是RD模式的推广。其实大家都知道,过去我们很多主机厂不做自主研发的时候,经常用供应商的方案。供应商的方案还不错,但是里面的整个流程很可能是一个比较线性的过程。该流程从进口到RD开始,最后交付测试和验证。验证过程可能非常复杂、费时费力。最终验证之后,整个功能就可以交付了,这是一个传统的线性过程。过程中可能会出现问题。当这个功能交付给用户后,如果用户在使用过程中有一些新的需求或者一些新的改进,这些信息能否正确及时的反馈给RD或者产品同事?

其次,我们的合作伙伴收到产品需求后,能否及时将需求转化为产品迭代和升级?这里可能有些问题。去年,李升级了其银行模式。升级后,创建了两个RD闭环。小闭环是内部RD阶段,大闭环是产品交付后的阶段。下面给大家简单介绍一下。第一个是RD的小闭环,从产品需求开始,到产品研发,再到自主学习。你可以理解,自主学习其实是“朋友生意”的另一种说法。这是由我们自己的测试车验证的。但是这个验证可能不是用传统的方式人工完成,而是在车上,我自己的系统和程序就可以判断目前开发的功能和效果是否符合我们的要求。后面我会举一个例子来详细说明自主学习是如何被检验和验证的。总之,验证过程将大大减少人力和专业需求。有可能大量有专业背景的测试工程师和RD工程师,甚至是产品经理,之前都要在车上反复测试调试。接下来我们用自学的方式非常快速的获取产品研发数据,并根据数据自动高效的判断当前产品研发问题。在这里,对测试人员的要求会大大降低。测试人员只要会开车,不一定要有很强的专业背景。但这是必须的,也是必须的,但会降低人员数量和技能要求。

RD舞台是上面的小闭环。当我的RD测试还需要迭代的时候,就会回到产品需求,继续迭代。经过迭代达到原设计的要求后,我会将功能推送到delivery,交付给用户。它到了用户手里之后,我也可以得到使用反馈和使用数据。这里的数据可以理解为不是狭义的算法样本数据,而是相对广义的数据,比如用户在论坛的一些文章和帖子,无论是吐槽还是赞功能的使用。或者是有一些有用的数据,成为了对我们有用的信息。我们将收集这些信息,将其转化为我们的新产品需求输入,然后进一步迭代和改进研发。进入上述RD循环,并使用这两个闭环创建一个数据驱动的产品RD过程。

升级前线性流程中使用的技术能力、技术架构和部分规则驱动方法。因为没有数据反馈,我只能靠人工规则做自动驾驶系统。感知可能更好,因为感知的样本需要数据,但未来需要大量的人工规则来预测、规划和控制。只要有规则,就不能用高效的数据驱动方法。升级后,利用大量反馈数据,可以对感知、预测、规划进行迭代优化。不过这里的规划我以后再说。需要有一些安全底线规则。因此,我们的规划将是一个混合规划,在最后的控制阶段,由于涉及到很强的安全性,我们仍然需要使用传统的部分规则方法进行控制。

总之,我们推广RD模式将大大提高整个RD的效率。稍后,我将举一个例子来说明RD效率是如何提高的,以及如何用半年时间来大大提高AEB函数。我们称之为自主学习,也有朋友称之为影子模式。模式很好理解。我在车里同时运行两套程序。目前已经交付了一套程序,AEB功能没有问题,包括感知,AEB功能,最终控制。同时,汽车运行另一套AEB算法,在感知上有迭代,在AEB函数上有迭代。但新功能并不参与车辆的实际控制,只是输出控制信息。检查信息与我原来的AEB信息车之间的差异,并将差异信息发送回后台,这样我就可以知道新AEB能力与旧AEB能力之间的差异。如果变好了,继续迭代,如果变差了,知道差在哪里。2021年12月,知车皇派约100家车企横向对标测评,其中李获得第一名。就算拿到第一名,之后还会继续迭代,不是说第一名就可以了。因为那时候我们还认为可以降低误触发率。是10万公里一次,在业内已经很高了,但我们觉得还可以改进。自学的方式,做迭代。

到去年6月,大概迭代了大大小小十个版本,每个版本都是在测试车上通过自学进行对比评估。如果使用传统的AEB方法,速度是不可想象的。如果AEB是以传统方式完成的,你需要大量的测试车。我们自己的人开着自己的试车去场地,各种路试,路试也是做的。测试车的功能在全国都是耐用的,采用自学方式的工程师不需要有自动驾驶的专业RD背景,只需要会开车就可以了。数据不断回到后台,根据数据迭代算法。

到今年6月,误触发率降低到每10万公里0.34,远好于0.54的标准。今年6月初,如果您购买了一辆Li ONE汽车,您将在今年6月获得OTE 3.1版本的升级。这个版本的AEB功能升级了,人的体感可能不太明显,因为十万公里0.34就是十万公里一次。如果按照单个车主来看待汽车全生命周期,也许汽车从你拥有到使用结束,都开不了10万公里。对用户的感知可能不是特别明显,但虽然感知不明显,但安全导向的功能是李花时间和精力在做的。这是我们的哲学。辅助驾驶和自动驾驶的底线是安全。在这方面,理想总是把安全放在第一位,可能和别人不一样。但是我们做安全的时候,也有我们更高维度的开发方法和模型,让我们的安全更有质量和效率。

我用这个例子来说说我的第一个能力分享,开发模式的升级。此升级有两个先决条件。第一个前提是车厂得自己做,因为你得有自己的车,自己的车主,车主的支持,自己的车辆。第二个条件,全栈自研。但我不排除你有很好的伙伴,有很深捆绑关系的伙伴,和你做这个也很好。就像我们之前与地平线的合作一样,李在2021年与地平线有深度合作,那次合作开创了先河。双方的RD人员完全坐在一起,代码共享和开源非常开放。虽然不是车厂,但与合作伙伴的紧密合作也是成功的前提。

只有高效的开发模式和效率可能还不够。毕竟自动驾驶最核心的东西还是功能、软件、算法。第二个能力讲算法能力也升级了。在自动驾驶或者辅助驾驶之前,我们用的算法基本都是普通的或者传统的。比如感知,我们用2.5D,2D视觉,和毫米波雷达融合的方式。在调控方面,我们升级了基于规则的智能驾驶算法。升级有两个目的。第一,保障能力上限。算法需要一个框架,能够有非常高的上限,能够感知、决策、规划、预测,能够实现城市L4级自动驾驶。

我们在算法上取得了一些好的结果。首先是学术成果,BEV框架由五个主要内容组成。第一,检测、跟踪和预融合。这三个方面在Nuscenes上都有不错的排名。二是映射和预测的算法。汽车造出来之后,城市的道路结构自然也就跟着造出来了,非常具有实时性。如果没有地图,我们可以自己构建,以满足自动驾驶应用的需求,但如果有一个高层次的地图,我们可以将其与现有的地图进行整合,形成互补。预测,其实是复杂的预测,交互的预测,不是常规的,也是基于深度学习的预测。以上工作都是和清华的麻省理工合作的。我们把工作放在ICCV组织,这是开源的,所以你可以搜索它。我们也希望越来越多的人加入进来。这两天我们也看到,今年上半年我们提出了一些这样的内容,陆续贴出来之后,感觉大家现在都在用BEV框架,在研究我们的研究成果。我觉得这样很好。所有行业都在朝着同一个方向努力构建这些算法。相信中国的算法会越来越好。

其实,显示安全。额外的安全模块在夜间弱光下有人和视锥时非常长,它是在一组传感器上实现的,这是一个理想的L9传感器,称为ADMax平台。除了视觉传感器,角毫米波雷达的应用被取消了,因为我们觉得角毫米波雷达有噪声,而且噪声无法与原来的视觉信息融合,很不方便。我们宁愿用视觉来做这件事。在BEV框架下,视觉能力得到了极大的增强和提高。相关资料可以在网上找到,BEV框架的优点这里就不赘述了。我们的解决方案和传感器将针对影响安全的场景进行特别优化和改进。比如静止的车或者异形的车,拉点草什么的。尤其是晚上的修路场景,锥,水马等路障。

第三,中国独特的驾驶行为。车辆和行人的交通堵塞。刚才我说算法能力很强,背后有数据。我很自豪地说。我认为李在智能驾驶数据的积累方面远远领先于中国所有人。不管是主机厂还是谁。辅助驾驶的标准会带来大量的数据输入。截至今年6月,辅助驾驶总里程超过3亿公里,NOA总里程超过3000万公里。你可以去查其他家,我们肯定比他们多。我们选取的有效里程是1.9亿公里,现在是2亿多公里。我想强调一下,我说的安防场景和建筑场景,对算法训练有专门的挖掘和提取。

效率的问题,如果后面没有高效的数据处理流程,对我来说就是灾难,用不上。我们做了标注,数据的收集并不是指非常频繁或者简单的收集,而是背后有一个触发器。例如,只返回对算法有用的数据。白天阳光很充足,我也不需要收集无尽的数据。我收集的是接管,为什么接管,急刹车,为什么急刹车。还有结构化的检索工具,比如工程师假设他需要六月雨夜施工现场的数据。只要把检索信息输入我的系统,直接返回他想要的几万条数据,拿去训练。

我们会继续按照这个思路,用一个高上限的算法来保证安全。我们有能力迭代数据,希望我们理想中的自动驾驶能够在2025年真正实现未来城市的L4级自动驾驶。我们会为此而努力,也希望大家能有更多的交流和探讨。一起为中国的自动驾驶做出自己的贡献。谢谢你。

郑重声明:此文内容为本网站转载企业宣传资讯,目的在于传播更多信息,与本站立场无关。仅供读者参考,并请自行核实相关内容。

聚焦
  • 08-27
    2022世界新能源汽车大会于8月26-28日在北京和海南以线上线下相结合的方式举行。作为全...
  • 08-27
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-27
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-27
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-27
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-27
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-27
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-26
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-26
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...
  • 08-26
    由中国科学技术协会、北京市人民政府、海南省人民政府、科技部、工业和信息化部、生态环境部、住...