中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：國內外自動駕駛廠商幾乎都在高精地圖上有所投入，但是特斯拉卻是例外，這背后的原因是什么？也許，我們可以從高精地圖本身的特性、以及國內外的道路環境等各個方面著手分析。本篇文章里，作者就特斯拉為何不使用高精地圖一事做了解讀，一起來看。

我們可以看到國內外的自動駕駛廠商（尤其是國內的圖商）都在布局高精地圖，而特斯拉表示并不感冒，完全摒棄掉激光雷達、毫米波雷達等非攝像頭傳感器，僅采用攝像頭進行感知，在自動駕駛領域獨樹一幟。

這引起了我和領導的討論，我回去梳理了一下，把思考記錄在這里。

一、高精地圖可以做什么

高精地圖可以看成一個道路環境的模型，記錄了道路的三維特征、行車輔助信息（如車道線等）和豐富的語意信息（如交通燈的類型等），通過成為高精定位底圖、提供規劃素材、強化感知的能力，提高了自動駕駛效果的“上限”。

1）提高定位精度（感知系統的參照物）

通過對比車載定位模塊和感知模塊的識別結果，確認自己的當前的位置。

2）提供超視距的道路信息，規劃素材（提高決策距離上限，解放算力，駕駛體驗更平滑）

• 視覺/感知系統探測距離有限，尤其是車速快時，留給車載電腦的反應時間短。
• 云端可以基于高精地圖對動線規劃進行預處理，節省車載電腦的算力。
• 即使本地算力足夠，短時間內及時糾偏，也會犧牲乘坐體驗（看見要停再停車，和提前知道要停車提前減速，體驗差異）。
• 視覺范圍有限，結合超視距信息，減少局部最優決策。

3）幫助無人車識別車輛、行人位置及障礙物、路牌（給感知質量兜底，讓決策更合理）

• 視覺方案會因為光線明暗、物體顏色等產生誤識別，雷達受霧雨（空氣中的顆粒）影響產生噪聲，高精地圖沒有，但是傳感器發現了，大概率是活動的物體。
• 與感知“看到的”路牌標線做對比校驗，減少誤識別。

可以看到，高精地圖主要是為感知、決策模塊提供“增益”，提高系統的安全、舒適性。

就像一場考試，不押題的這方，不依賴高精地圖、甚至僅使用純視覺的方案的無人車也許只能答60分，或者拼命學習拿到80分。請了家教拿到考綱的這邊，借助高精地圖，通過其他方式繞過視覺的死點、難點，拿到90分。

二、不想用OR不能用？

特斯拉選擇了這條比較激進的路線，完全摒棄掉激光雷達、毫米波雷達等非攝像頭傳感器，僅采用攝像頭進行感知，在自動駕駛領域獨樹一幟。

從“第一性原理”的角度來說，即使沒有高精地圖，高度成熟的感知“視覺”，無人車可以像人類駕駛一樣僅用“眼睛”去做出駕駛決策。

我傾向于認為，特斯拉不是“不想”使用高精地圖，而是“不能”使用高精地圖（也不劃算）。

1）面向全球市場的特斯拉，高精地圖的制作和維護成本高，效果還不好

高精地圖的制作大體上包括采集 → 數據處理 → 人工驗證 → 發布等一系列數據制作流程。

① 采集范圍大：采集需要帶著設備的車在路面上跑，鋪滿目標市場的主要道路。

② 數據處理和人工驗證：均需要根據不同地區的情況，制定工藝，需要模型甚至需要人工標注。

③ 數據更新效果無法保證：

1. 地圖不是繪制完了就一勞永逸，在大量無人車投放市場后，可以回傳用戶車傳感器途徑道路的最新的數據，保證地圖鮮度。
2. 地圖后續人工/自動更新的維護和迭代，也會產生大量成本。

2）國內是大體量、統一的市場，制圖邊際成本低，更新頻率有保證

我們可以看到國內的廠商都會選擇高精地圖的自動駕駛方案。

① 制圖邊際成本低：全國的主要干道規格統一“一個標志牌、一種標線，全國通用”。

② 國內的車流密度也保證了足夠的路網覆蓋，在達到一定滲透率，不同車廠的傳感器信號都匯總給圖商/自動駕駛運營商，可以做到高頻度的道路刷新。

③ 地圖產業涉及到國家機密，精地圖的行業準入門檻很高

1. 目前國內擁有“導航電子地圖制作甲級測繪資質”的企業較少。但是也正因為政治壁壘的因素，限制了國外競爭者的加入，這也讓國內企業具有一定的優勢。
2. 為了避免相關問題，特斯拉用作仿真訓練的“短時路網”會被保存在國內的服務器上。

3）相較國外，國內的道路環境更復雜，對安全的要求更高

1. 國外地廣人稀，道路環境相對簡單；
2. 國內道路車流人流密集，有中國特色的交通參與者（如電瓶車、行人）。

也許你會說，同樣是面向全球市場Uber、Waymo、Mobileye、英偉達，都會選用高精地圖，市場也許不是主要原因。

是的，Uber的出租車模式意味著車輛調度的自控，只需要滿足有大量用戶的、主要路線的訴求，Waymo的高精地圖基礎由谷歌地圖發展而來，Mobileye、英偉達為大量的車廠提供軟硬件（也許意味著有大量的數據回收）。

而特斯拉作為獨立廠商，除了馬斯克奉為圭臬的“第一性原理”外，也許彼此之間都不愿意分享自動駕駛的“靈魂”（自動駕駛能力和用戶數據），也許他已經選擇了足以彌補高精地圖缺失的技術方案。

三、特斯拉的純視覺方案：MIND OF CAR

如果特斯拉有且僅有攝像頭，那么他的視覺方案必須是業界水平最高的。

特斯拉思路是：開車的是人，道路是為人類設計的，如果擁有和人類一樣的感知和處理信息的能力，機器可以無縫過渡到自動駕駛，經濟&高級。

在特斯拉2021年的AIDAY上，馬斯克分享了純視覺自動駕駛方案和能力：

1）硬件：8個360°，120w像素攝像頭，在效果上需要能替代替代激光雷達、毫米波雷達和聲吶。

2）感知：1000人的標注團隊，150w輛在路特斯拉，保證了為視覺算法訓練的大量的數據集合。

① 同大多數的自動駕駛的感知方案一樣，特斯拉的視覺方案在做以下幾件事：圖像校準 → 物體識別 → 深度感知 → 創建四維向量空間。

② 只是，特斯拉選擇通過視覺模擬雷達，準確率基本接近真實雷達。

• 通過有雷達的路測車在路上跑，獲取真值。經過大量訓練，算法可以得到視覺和模擬雷達的換算關系，擺脫用戶車對雷達的依賴。
• 通過視覺同樣可以通過對陌生道路建模，進行感知和預測（基于大量道路數據的視覺算法學習，獲得超視距的預測信息），生成短時高精地圖。

3）規劃與控制

• 特斯拉在規劃架上和業界基本沒有什么太大的區別，基本上都是先求解出可行空間，然后利用優化的方法在可行空間內優化求解，輸出最終軌跡。
• 特斯拉的軌跡動線規劃，可以簡單理解為基于搜索的方法生成大量的軌跡，綜合評價安全、舒適、效率選擇最優動線，在技術能力上的優化可以讓他們減少搜索次數，提高效率。
• 它也實現了通過視覺跟蹤，以及衍生的預測能力，可以學習不同物體的性質，區分人/動物/車，以及預測其未來的走向，做出決策和避讓。

4）計算能力

云端Dojo超算力：現有特斯拉車端FSD芯片算力主要依靠兩塊SoC芯片，算力為144TOPS，并不高，但是，基于幀檢測的攝像頭需要依賴高算力，其核心訴求是高帶寬和低延遲。

5）仿真能力

• 這塊是特斯拉能實現視覺算法高效迭代關鍵，通過視覺生成實時高精地圖，制作虛擬仿真地圖，還原現實環境的基礎上，創造有更多邊界場景的虛擬環境，在虛擬世界完成打怪升級（神經網絡渲染）。
• 每輛在路的特斯拉回傳的地圖數據，都可以成為仿真地圖的原本，可以看到，其對靜態、動態環境的構建效果逼真，并且可以通過AI能力進行模型再創造和組合。這提供了大量的邊界場景，減少了標注的工作量。
• 在路上跑的車輛越多，收集到的數據越多，仿真場景庫的數據也會指數倍增。

四、At last

不可否認特斯拉有很強的技術能力，在算法能力上有著行業頂尖的水平。但特斯拉的方案是國內廠商選擇的高精地圖+多傳感器的技術路徑的子集，如果視覺方案發展得足夠成熟，國內廠商也可以隨時“向左轉”。

運輸工具不一定要造“腿”、也可以造輪子，同理，機器人不一定長得像“人”。純視覺方案不一定最高效的方法。即使自動駕駛最后走向了“像人一樣駕駛”，在自動駕駛發展初期、“學走路”的過程中，短期內借助高精地圖和其他傳感器作為“輔助走路的支具”，快速實現自動駕駛的安全普及，也無傷大雅。

參考資料：

• 《第一本無人駕駛技術書》作者：劉少山
• 《自動駕駛仿真藍皮書》
• 自動駕駛基礎知識系列-高精地圖@少隆?https://>ata.alibaba-inc.com/articles/192451?spm=ata.23639746.0.0.3c0c4ddfCx53C1
• 行業前沿：自動駕駛之“高精地圖”篇 – PLUGANDPLAY的文章 – 知乎?https://>zhuanlan.zhihu.com/p/486988101
• 高精地圖，公認的自動駕駛標配，但特斯拉并不care –?https://>baijiahao.baidu.com/s?id=1685063016792310360&wfr=spider&for=pc
• 自動駕駛之高精度地圖（八）國內外高精度地圖發展現狀 – 阿寶說車的文章 – 知乎?https://>zhuanlan.zhihu.com/p/369259860
• 超長延遲的特斯拉AI Day解析：講明白FSD車端感知 – EatElephant的文章 – 知乎?https://>zhuanlan.zhihu.com/p/458076977
• 特斯拉AI Day決策規劃技術解析 – 自動駕駛拖拉機的文章 – 知乎?https://>zhuanlan.zhihu.com/p/402442178
• 如何賦予機器思維？解密特斯拉人工智能自動駕駛下集！超乎你的想象https://www.>bilibili.com/video/BV1uU4y1u7JY/?spm_id_from=autoNext

本文由 @阿白 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自 Unsplash ，基于 CC0 協議