Momenta展示“飞轮式L4”匝道区域长尾场景表现

9月26日,Momenta发布一则视频展示了“飞轮式L4”技术在高架匝道区域复杂场景中的精彩表现。

此前,Momenta分别对外展示了“飞轮式L4”技术在城区白天和城区夜间复杂场景中的表现。对比这些城区场景,很多人认为城市高架道路封闭,场景也相对简单。但实际上,高架上,特别是在上下匝道区域也充满了长尾且棘手的挑战。

相比于多数量产辅助驾驶车辆在高架区域上下匝道、主动变道或绕障、遇到难以识别的异型车以及其他罕见长尾场景时仍然需要驾驶员介入不同,在Momenta“飞轮式L4”的帮助下,车辆可以在确保安全的前提下尽量维持连续自动驾驶状态。无论城区或是高架、白天还是夜间,车辆都能安全、智能地轻松穿梭、切换于各种不同的场景之中。

对于无人驾驶出租车(Robotaxi)而言,在日常的打车出行中,包括白天、夜间、城区、高架、特殊天气在内的场景几乎难以避免,因此,“飞轮式L4”技术的场景闭环能力,一方面降低了安全员介入的比例,另一方面也提供给乘客最大比例的安全、连续的自动驾驶体验。

一、匝道:比城区快、比高架难,事故率4-6倍

数据显示,高速公路匝道区域所发生的公里事故率是其他路段的4到6倍。从自动驾驶路测经验来看,这里是城区和高架结合处,兼具二者特点,也叠加了二者的难度。

第一,这里常见施工,唯一不变的是一直在变。例如这里道路设施更为密集,经常出现临时施工区域及施工人员,甚至交通规则也会发生临时或永久变化。这意味着高精地图等先验经验可能失效,更考验车辆“随机应变”的能力。第二,这里交通参与者动机难以预测,是违章重灾区。例如因选道错误而犹豫不决、突然减速的的车辆,或者误上高架的行人或摩托车。还比如洒水车、环卫车等异型车经常并行或串行出现在高架上,到了匝道附近,它们的编队逻辑也会发生变化,难以预测的行进路线也会影响其他车辆的行进。第三,这里交通参与者的速度更快,危险转眼即至。相比于城区自动驾驶,高架匝道衔接处的车速普遍较快,常见急加速急减速,需要车辆果断且迅速地处理各类情况。

而Momenta本次展示的视频中,多为在真实情况下较少遇到的罕见场景。面对这些罕见场景,车辆依然表现稳定,各种“微操”也展现出技术的优势。

二、轻松应对长尾、复杂场景

1. “微操老司机”,小角度避让行人

高架出现行人,主要有两大难点。第一,行人多模态、非刚体的特征决定了其识别难度,例如骑电瓶车或者身上悬挂工具袋。

第二,行人动机复杂,对其准确预测极具难度。而预测结果又对应不同的避让策略。例如,算法预测环卫工人会沿着道路行走,因此略带减速,同时驾驶轨迹稍向左偏。但夜间电动车,算法则预测其可能入侵车道,因此在“微操”左偏的基础上还做了大幅减速。当然,高架上不同的速度对应不同的制动距离,采取决策的时机也各不相同。而Momenta“飞轮式L4”凭借海量数据优势,“见”过大量的长尾场景。在高速行驶状态下,尽管行人的姿势、体态以及受到的遮挡各有不同,但都认得出来。同时在数据驱动的帮助下,决策“临危不乱”,根据不同情况选择最合理的驾驶策略,既能确保行人安全、降低乘客恐慌感,同时也不会影响其他快速行驶的车辆。

2. 匝道口险象横生,“果断”比“犹豫”更安全

在高架或高速上最易发生致命事故的场景之一,就是车辆在匝道口犹豫不决,导致后车追尾碰撞。例如这辆面包车,它错过了匝道,准备加塞返回。

车辆在感知到它的横向速度后,利用数据驱动的多任务学习预测系统,准确预测其加塞意图,并适当减速。但发现该车停止移动后,车辆果断驶离。数据驱动下的规控算法,在准确预测他车意图的前提下所表现出来的“果断”,优点是不容易引入更多交互与博弈,从而产生新的危险。

3.小目标,大挑战

匝道口道路设施更为密集,经常出现施工区域或者施工人员。这次,在上匝道的行驶过程中,前车遮挡的盲区内突然出现入侵车道的施工锥桶。

这类锥桶的特点是体积小,很容易被遮挡。从盲区近距离突然出现时,快速识别并且做出相应决策的难度并不小。而利用数据驱动的感知,车辆在感知到突然出现的小目标后,快速对其稳定、准确地分类,车辆也顺畅地执行了变道操作。

4.决策毫厘间,安全驶千里

相比上匝道,下匝道时车辆速度更快,难度也更大。前方百米左右,一辆工程车突然停下,并走下一位养护工人。可以看出,这辆车后方的两辆车做出非常紧急的避让动作。

这类情况的难点在于,在高速或者高架上,车速越快,慢速或者静止目标相对于自车的相对速度就越大,当它们快速逼近自车时,在传感器“眼中”它的变化很快:迅速从几个像素点或点云变成一个较大的目标。这时,需要算法在目标距离较远时,根据较少的感知信息就及时对目标分类并输出准确的结果,车辆才会快速做出正确的应对。

其实,很多辅助驾驶的量产车辆也能做到较高速度下对静态目标的识别,但本次车辆面临场景和应对表现的不同之处有两点。其一,这辆工程车是临时急停。它后方的两辆车也是临时避让,它们对这辆车形成了不同程度的遮挡。当它们紧急避让后,自车距离这辆车已经不足百米,留给车辆做决策的时间已然不多。但车辆还是凭借“飞轮式L4”强大的感知能力,准确判断前车状态后迅速减速。

其二,光停下来还无法构成完整的驾驶策略。左后方有快速来车的情况下,在数据驱动规控算法的帮助下,车辆减速后寻找合适机会绕行,最后顺利驶下匝道。

5.路遇总会带来“惊喜”的异型车

下匝道前,前方遇到了两辆洒水车。在Momenta“飞轮式L4”的帮助下,包括清扫车、道路救援车、牛车、车辆运输车等在内的海量异型车数据源源不断地输入,让算法可以对其准确识别。

而洒水车激起的水花,会产生一些激光雷达噪点,尽管如此,在数据驱动感知算法的帮助下,这些噪点很难对感知结果产生影响。凭借可靠的感知与规控结果,可以看到车辆在异型车之间的穿梭避让可谓“游刃有余”。

三、飞轮加速,技术流赋能量产

应用“飞轮式L4”技术的车辆跑得了城区,也应付得了高架复杂场景。这种场景闭环能力,不仅支持Robotaxi在不同场景中的连续自动驾驶,助力打造可规模化的Robotaxi;还能通过两条腿的打通,赋能量产自动驾驶,为更多车主带去前瞻、智能的驾驶体验。

以Robotaxi为例,2021年12月,应用“飞轮式L4”的享道Robotaxi正式发布,现已于上海及苏州启动运营,这也是Momenta在L4技术商业化落地的重要里程碑。享道Robotaxi运营百日报告显示,用户总体满意率达98%,八成用户在首次体验后有二次及以上乘坐,高满意度和复乘率,也展现出享道Robotaxi的高效规模化实力。今年8月15日,享道出行宣布完成了由上汽集团、Momenta等机构投资的超10亿元人民币B轮融资。双方将联合布局Robotaxi出行生态,共同打造可规模化的Robotaxi。

而量产方面,搭载Momenta量产产品的第一款车型智己L7,今年6月已经交付用户,截止8月底交付量已超过2000台。而应用Momenta技术方案的智己IM AD智能驾驶系统,采用源自L4算法平台的人工智能超级算法,通过海量数据筛选与处理、全流程数据驱动以及闭环自动化,形成不断循环的“数据飞轮”,推动算法持续进化,打造快速进化的“更像人”的智驾体验。

在数据驱动的“飞轮式L4”的赋能下,IM AD可以轻松应对复杂路况。例如在面对加塞时,IM AD能提前预判,做到制动时机预测准确,减速及时。基于飞轮的快速进化,在三周内实现加塞意图预判能力的提升,将减速时机提早了整整800毫秒;遇到大型异型车时,IM AD能够精准感知,与压线或即将压线的大卡车并行时,车辆能自动避让。数据驱动算法以强大的自动化标注能力,累计生产了一亿量级的大车数据,其中包含近2500万的异型大车数据,在智驾中使车辆与大车之间保持30cm的“社交距离”,从而解决车主的“大车社交恐惧症”。

随着两条腿的协同优势越发显著,Momenta正在形成独一无二的优势:量产自动驾驶拥有前瞻的技术,Robotaxi则拥有贴近真实用户驾驶习惯的产品表现。这也帮助Momenta实现商业上的快速增长,同时更高效、快速地实现无人驾驶规模化落地,赋能更安全、便捷、高效的未来智慧出行。

相关文章