港科大刘明:低速无人驾驶系统的应用关键要素|CCF-GAIR

发表于 讨论求助 2023-10-03 08:14:37

传感器

第四届全球人工智能与机器人峰会(ccf-gair )于深圳正式召开。峰会由中国计算机学会(ccf)主办,、香港中文大学(深圳)承办,深圳市人工智能与机器人研究院协办,得到了深圳市政府的大力指导,是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会,旨在打造国内人工智能领域极具实力的跨界交流合作平台。越来越多的玩家正在挤进自动驾驶的赛道,在业内玩家积极探索自动驾驶的商业化落地的同时,产学研自动驾驶团队也在蓄势发力。香港科技大学自主驾驶中心主任刘明认为,自主物流是无人驾驶领域最容易落地的行业,进一步细化包括最后一公里的递送、监控、和仓内的点到点运输。刘明及其团队选择了以深度强化学习为框架,工程模块化系统作为辅助的无人驾驶技术路线;在原型车上,采用了二类商用车底盘的配置。刘明认为,一台好车应该是“无人驾驶二类商用车底盘 + 完整的可量产无人车解决方案”的组合。本届的ccf-gair智能交通专场,邀请港科大自主驾驶中心主任刘明发表演讲。以下为刘明演讲全文,进行了不改变原意的编辑:今天我演讲的内容是低速无人驾驶系统的应用关键要素,同时也分享一下团队近期的技术发展和量产方面的合作进展。过去十余年里,我们的团队参与了欧洲首部无人驾驶车、中国首部无人驾驶公交车的研发工作,领导了香港首部无人车的落地。我分析了无人驾驶行业的近几年发展,同时也不断接触了无人驾驶的实际应用。从落地角度来看,我认为自主物流是最容易直接落地的场景。自主物流进一步细化包括最后一公里递送、监控和仓内的点到点运输。国内大部分行业领导者与巨头企业都这对些落地场景做了基本肯定。现在物流行业有一个基本的共识:未来三到五年,可能每天都会达到“双十一”期间的物流量,每天有十亿只包裹。但物流行业面临的问题是什么?面临着中国劳动力人口急剧下降的问题,人口红利从就开始消失了。与此同时,包括农批市场、工业生产在内的劳作场景仍采用人力消耗的方式来做运输。需求越来越多,人力越来越少,唯一的解决方案是无人系统,只有无人系统才能解决人越来越少的问题。想要找到答案,就要尝试不同的路径和过程。无人系统有什么核心需求?提起园区内低速的无人驾驶系统,往往会让人联想到单一场景。其实不尽然。我们在某个园区实际场景的无人驾驶已运行半年,园区里有行人、自行车、货车,还有外来的轿车等复杂因素。我们能做的是,在高精度地图的基础上,利用5g或4g网络提供平台层的的调度,通过车体自身的智能实现无人车点到点或者线到线的控制。但园区内外的运输都面临着挑战,其中之一是场景的复杂性,如无引导的左转。我们的园区住着十几万的厂工,遇到上下班高峰时,无人驾驶车会淹没在人群和自行车群中。车不仅要开动,还要负责左转的复杂场景。这种情况每天都在发生,半年里我们接受了众多的考验。另一个挑战是无人驾驶在公开路面是否能出行?因为最后一公里的递送过程会涉及部分的公共路面。面对这些挑战,低速无人驾驶应该选择怎样的技术路线?目前无人驾驶的技术分为两大类,一类是以端到端深度强化学习为主的模式,是偏高速车的常用方案;另一类是比较传统的工程模块化系统。我是学汽车出身,有五年汽车研究和十年无人驾驶研究的经验,很多时候倾向用工程模块化系统解决具体问题。事实上,这两种技术路线各有优劣势。端到端深度强化学习的优势在于容易做出working demo,劣势则是场景迁移能力比较弱,对样本的数量和质量都有较高要求。工程模块化系统的优势在于完成决策系统后,其他地方不会有太大纰漏,劣势在于实现精准的系统定位、障碍检测、决策、控制,需要大量的技术积累。所以我们选择了以工程模块化为框架,深度强化学习作为辅助的模式,大致定义了一套从运营逻辑及数据接口、到无人系统核心技术模块、再到核心支撑技术的路线。简单来说包括感知系统、决策与预测系统,规划与控制以及相应的支撑技术六方面。在感知系统方面,我们利用三维感知建图与定位,多视觉惯导融合系统、单个实时雷达来获取场景。得到三维场景之后,我们会进行实时的三维几何场景分析、三维语义场景分析、视觉场景语义分析,然后利用嵌入式平台实现基于像素点的语义分割。在三维激光场景上,可以实现实时的激光场景语义分析、手持及车载大范围实时建图,路面环境可行区域检测等技术。各位有兴趣可以到我们实验室的网站ram-lab.com做进一步了解。在感知方面,我们可以说是世界级水平。得到三维模型的下一步是决策预测,决策预测系统包括了实时多车间协调控制、多信息的融合等技术。车辆模型辅助动态决策利用视觉和激光检测的结果,对动态物体运动行为进行预测,结合车身的动力学模型,实现控制路径的决策和规划。近几年行业在深度强化学习点到点导航、环境探索、多机器人任务分配方面投入比较多。但我们很早就建立了机器人感知实验室,是国内最早将深度强化学习应用到真实机器人上的机构。我们在iros上(international conference on intelligent robots and systems,国际智能机器人与系统大会)发表了文章,相关论文工作取得一些成绩。除了决策预测,如何实现三维场景下的路径规划、基于迁移学习的强化学习、对复杂控制系统(如无人船、无人车)的控制都是需要解决的问题。以上的内容都属于算法类型,与每个算法相对应的是后台的硬件或平台支撑。与感知系统对应的是传感器技术。我们目前有一款包含激光、视觉、惯性导航等七个传感器在内的集成硬件同步触发产品,并在产品基础之上开发了相当数量的算法,涵盖了姿态估计、建图、定位、识别、跟踪等,这套多感知内容获得了ieee iros最佳学生论文奖提名。在算力方面,除了传统的cpu、gpu模式,我们也立项了fpga模式来作为算法方案。近年来在算法方面,我们获奖20余项,包括中国人工智能最高奖吴文俊科技进步奖、和ieee相关论文奖项12篇。但最重要的是,无人车技术要落实到车辆上。算法就算再前沿,车本身才是决定量产的关键。我们做了一款近乎量产的车型。该车型可以安装36个10号国标周转箱,整体载重最高达1.5吨,目前在各个园区做相关推广以及部署尝试。我们会根据实际应用场景的需求来做配合工作,比如客户提出不同的标准箱要求,我们会进行箱体数量的排列、优化箱体设计与配重设计,电池换电、转向系统等一系列工作。在初始阶段,我们会采用标准商用车底盘将原型车先做出来,然后以量产件实现交付。刘明团队研发的无人车基于以上内容,我们将这些技术用到了实际场景,涵盖从生产厂机到仓储企业,物流企业,码头,油田等各种场景。结合5g发展的大趋势,我们6月份参加了工信部的5g峰会,在现场提供了远程驾驶、无人驾驶等等观众体验平台。观众可以在数公里之外做到实时操控。我们的无人驾驶车辆在某大型物流华东总部已经运行了一段时间。以前需要人力的运货使用无人车后,可以实现仓到仓的转运。从技术来看,无人车可以在有人的横道线前停车,其行驶速度跟一般园区行驶的物流车速度是接近的。我们将其控制在20-40km/h左右,这是无人车在无人驾驶模式下可以达到的真实速度。从效率上讲,无人车的效率与面包型物流车接近,还可以实现完全一致的载货量。此外,我们跟韩国邮政协会达成了初步的三方战略协议,为其提供两台用于韩国邮政物流的无人车,这是韩国的首例无人货运车。我们也和台湾的中华邮政达成合作,20多位专家前来了解我们无人车的部署方式,希望共同解决台北物流园的最后一公里的问题。最后一公里是无人车将货运到楼下,那最后一百米如何解决?没有电梯的情况下,货物如何上楼?我们的解决方案是相对小巧的爬楼机,其整体宽度在65-70cm,载重超100kg,它可以自己上楼。我们将最后一公里和最后一百米连接起来,形成了相对完整的解决方案。有了技术、原型车、场景之后,下一步是什么?我本身职业是香港科技大学教授,可能无法完全从工厂或设备的角度来做无人车的开发工作。但我认为,实现无人车最重要的理念是,首先要有一部好车。最好的车就是标准的商用车。我们选用的是无人驾驶的二类商用车底盘,包括夸父系列,里面的abs(防抱死制动系统)、eps(电动转向系统)、esp(车身电子稳定控制系统)、ibooster(线控制动系统)、epb(电子驻车制动系统)及电池管理系统胎压检测等配置都和一般商用车差别不大,甚至很多配置只有在高端商用车上才能见到。目前我们跟各地政府在展开合作。下一步计划是在某地建立厂区。厂区大约占地300亩,从包括激光传感器、bms和车载电子部分在内的关键零部件、到场景测试、性能测试、焊涂总装、动力转向、低温可使用电池以及研究院。传统车下线之后会有一完整的检验检测设备,包括四轮定位、侧滑、车速、淋雨线等。无人车需要在传统车的基础上增加激光、编码器、ar/vr及远程控制中心。厂区还可以进行无人驾驶应用的研究工作。整个厂区都会在华为的支持下进行5g全覆盖,在无人车路线、车站上都做了详细的部署。政府对我们整体的投资力度较大,我们主要是解决技术问题和与当地车厂一起解决量产工艺问题。厂区年底应该能够建完。

发表
26906人 签到看排名