解析福特L4自動駕駛的發展路徑

本文發於IND4汽車人，把文字轉過來，原文地址為：http://www.ind4.net/html/news/newsDetail_6871.html

本文重點來看一下Ford的自動駕駛發展歷程，作為一個整車企業怎麼樣來整合來自自身工程技術中心、系統供應商、創業公司（收購）、大學的技術。

技術儲備和發展歷程

從圖1開始看，我們可以看出有以下的幾個階段：

2004～2007：DARPA挑戰賽驅動，主要是面向比賽來做的支持和儲備

2008～2014：Blueprint for Mobility分項目，福特北美與MIT、麻省理工、福特歐洲與亞琛工大學術研究階段

2015～2016：轉入測試驗證階段

2017～2018：轉入生產階段，正式組建先研工程和生產階段

圖1 Ford的自動駕駛發展歷程和投入人力資源數量

DARPA挑戰賽部分

Desert Tortoise：2005年的沙漠挑戰賽，使用了F250作為原型車，整個車輛開了12英里，

· 在寬路到窄路的過程中，有一段視覺遮擋的路線段。道路跟隨的功能出現200ms的中斷，錯過了左轉。

· 在識別障礙物的時候也出現了錯誤，使得車輛偏離了道路，之後在崎嶇的路段上試圖想要轉回來，以失敗而告終。

· 在檢查過程中，發現連接器出現鬆動，感測器支架錯位。

XAV250：在吸取上面的教訓之後，整個系統可以分為：

· 車輛主控部分：使用了Dspace的Autobox作為原型系統來控制車輛控制部分，配合一個修改的發動機ECU單元來控制節氣門，通過更改ESC單元的軟硬體實現CAN的通信控制；轉向控制也做了更改，增加了一個H橋來輸出PWM信號。

· 感測器部分：Velodyne HDL-64E作為主要的感知和定位單元，後面增加了冗餘感知系統

o 雷達矩陣（德爾福的8個LRR的ACC雷達、4個盲區雷達）

o 2個Cybernet攝像頭，一個ME的攝像頭

o 2個Riegl的激光雷達

圖2 ford參與的兩個Desert Tortoise和XAV250車輛

圖3 XAV250的架構

這個裡面，調用外部大學的研究就比較重要，通過與大學項目的交流，我們可以發現大概分了技術部分需求出去：

1）密西根大學：主要是研究基於Lidar的定位，在演講裡面主要有三種辦法Intensity Scan Matching、Synthetic Views、Gaussian Mixture Maps，細節可以見以下的視頻

視頻1

2）福特與麻省理工合作:合作項目中還開發出演算法，幫助車載系統在收集到當前路況後，預測其它車輛和行人之後的移動情況

· 情景規劃（scenario planning）：對周圍路況中潛在的風險進行更好地評估與預測，從而對行人、車輛和其他移動物體進行及時有效地閃避。

· 預測車輛移動規律：車輛的物理屬性，例如它的加速、制動、變換車道等。根據這些屬性，前方車輛的可移動範圍被限制在很小的空間內，使預測正確率提高。分析其他車輛對於本車的關係，例如一輛車正在從其他車道靠向本車所在車道。系統會結合第二點和綜合路況進行比對，作出進一步的分析。

· 預測行人移動規律：當行人在行走過程中突然朝後看，那麼就有很大可能他即將穿越道路。當行人朝著人行橫道線的方位走時，也同樣可以認為他即將橫穿道路。

基於場景分析

Ford很早拿它的車輛去Mcity進行測試，主要是基於自動駕駛需要在城市環境中基於情景進行測試，積累不同的雜訊（車輛、行人和信號燈的變化時間）條件下，車輛的決策。

視頻2 Ford在Mcity的測試

一個左拐的彎處，在行人和車輛密度適中的情況下，向右轉彎

圖4 右轉場景圖

3D地圖構建分析的基礎（道路規則和固定對象在環境中）

激光雷達是用於車輛定位、遠距離物理感知，然後通過與毫米波雷達和攝像頭進行移動物體分析

攝像頭主要是物體分類和信號燈的識別

我們現在再來對比Ford現在主要的技術架構，是基於上面的主體進行演變和革新的：

感知方案

· 攝像頭：用於對象分類和交通燈識別（顏色識別）

· 激光雷達：探測跟蹤較遠的物體，在夜間為主感測器。這裡從一個Velodyne HDL-64E，更改到了4個32線的

· 超聲波感測器Ultrasonic：感知近距離的情況，主要探測近距離車頂Lidar的盲區

· 毫米波雷達Radar：感知運動的物體

這個考慮，就是從環境（白天到黑夜）距離（從遙遠到近），運動屬性（靜止到移動），分類（金屬和有機生物動物和人），進行感知的分類，總體上是基於以上的進行革新

定位：

使用感測器來開發環境的實時視圖，以與介導的感知結合使用，以正確地確定駕駛解決

採用激光雷達實時定位

通過高清地圖來進行分類，以結合感知來讀取道路規則和道路永久物體分類

· 將實時激光雷達形成的點雲情況與現有HD地圖進行比較，以確定哪些物體是值得關注的

· 通過對比獲取可以使用的「道路規則」，標識可行駛和不可行駛的區域

圖5 自動駕駛平台和服務

時間倉促了一些，後續再進行補充。整車企業做這個事情的最大優勢，主要是通過整合，可以構建平台、搭建服務然後把整個自動駕駛平台推出來；其最大的風險一是突破性的平台革新，整個單個演算法到不能對這個自動駕駛系統產生本質的革新。

福特收購和入股的四家公司也值得看一下：

· Velodyne：福特與百度對Velodyne旗下激光雷達公司 Velodyne LiDAR共同投資1.5億美元，開發無人駕駛汽車的激光雷達組件。簡單來說，整個系統的主體架構就是圍繞四個32線激光雷達來做的。

· SAIPS：以色列計算機視覺和機器學習公司SAIPS，SAIPS的圖像和視頻處理演算法，以及處理和識別輸入信號的深度學習，這裡主要是對視覺信號的處理。

· Nirenberg Neuroscience：與之簽訂了獨家協議，主要是在決策這塊，可以使用一些技術。

· Civil Maps：改進激光雷達的地圖數據，

推薦閱讀：