無人駕駛技術的前身今世和最新研究報告
這場「殭屍車」大戰由大反派賽弗運用先進神秘的黑科技元素,在操作室內指揮技術人員對三公里內的所有車輛進行黑客入侵。
隨著她敲擊鍵盤一聲令下「殭屍時間到」,街道上的所有汽車瞬間排山倒海般往同一方向進攻,變成她的新型武器。
下面帶大家仔細研讀一下無人駕駛技術的前身今世。什麼是無人駕駛無人駕駛,主要原理是利用計算機系統來實現幾乎不用人工干預就可以自動行駛的狀態。這一概念首先出現在美國國防部高級研究計劃局的「大挑戰」科研項目中。早在1939 年的紐約世博會上,通用汽車就在「未來奇觀」展館中展示了一款電動無人駕駛汽車,它由鑲嵌在道路上的閉合電路提供動力,並可以用無線電進行控制。儘管技術了無新意,但這畢竟是展示了無人駕駛的概念。20 世紀70 年代開始,美國、英國等發達國家就開始進行這方面的研究並且取得了突破性的進展。中國也於20 世紀80 年代開始試水,直到1992 年國防科技大學才研製出真正意義上的第一輛無人駕駛汽車。
2016 年10 月19 日,特斯拉召開發布會,發布Autopilot 2.0,並宣布消費者如果現在訂購特斯拉汽車,就可以選擇具有Autopilot 2.0 套件的車款了,所有特斯拉車型(包括Model 3 在內)都將具備進行完全自動駕駛的硬體基礎。
根據BCG 的預測,無人駕駛在汽車的智能硬體和軟體的增量就超過500 億美元,而未來圍繞無人駕駛誕生的新的商業模式的新經濟市場規模更會超出人們想像。麥肯錫預測,無人駕駛汽車到2025 年可以產生2000 億至1.9 萬億美元的產值。根據NHTSA預測,到2035 年北美將會成為無人駕駛汽車最大的市場,銷量約有3500 萬輛,佔全球銷量的29%。中國人口眾多,很有可能會成為第二大市場,約佔全球銷量的24%,未來市場廣闊。
智能駕駛時代的到來從特斯拉Model 3 的超預期的訂單量可以看出,智能駕駛在技術的突破、技術的產品化以及大眾的接受程度等方面,都大幅超市場預期,智能駕駛時代正在到來。我們認為,智能駕駛汽車作為下一代智能終端,有望帶動新一輪IT 投資熱潮。我們認為,計算機行業有望參與到的智能駕駛產業鏈環節主要包括高精度地圖、環境感知和決策規劃等環節。
傳統座艙功能碎片化,同時UI設計老舊儀錶盤、中控顯示屏、車載信息及娛樂終端等功能分區形成汽車座艙的駕駛操作和信息交互環境,將行車信息呈現給駕駛者。但是,這樣功能布局碎片化和複雜操作環境可能造成駕駛者注意力分散,降低駕駛體驗。同時,傳統座艙UI設計老舊,當前汽車的人機交互正如智能手機前夜的「諾基亞」。
智能駕駛艙,即以多屏融合多屏互動在未來有望由一顆晶元提供運算能力輸出,以UI創新設計和CAN匯流排協議打通為基礎,通過液晶儀錶、HUD、中控屏及中控車載信息終端、后座HMI娛樂屏、車內外後視鏡等載體,實現語音控制、手勢操作等更智能化的交互方式。這背後是新科技時代人工智慧、AR、ADAS、等技術融入,更是產業IT創新力的釋放。
未來汽車智能駕駛艙的發展方向是人車交互智能化,智能駕駛艙將為駕駛者提供更高效更便捷的信息操作和交互方式,提升行車駕乘體驗,有望成為未來汽車設計尋求突破的重要差異化亮點之一。無人駕駛汽車先行者特斯拉最早對汽車駕駛艙進行大刀闊斧的革新,如配臵17 英寸中控觸摸屏、數字化組合儀錶盤等。智能駕駛艙所定義的多屏融合交互體驗下,汽車人機入口價值回歸。
終端變革,運算能力先行,晶元廠商暗流涌動。智能駕駛艙的人車交互終端核心是車載晶元處理器,其提供的高性能運算能力將承載車聯網應用、高級輔助駕駛(ADAS)、車體數據監控分析、車載信息安全等功能。智能駕駛艙晶元包括以下核心技術:行車環境實時運算能力,機器學習演算法,高帶寬、低延遲的連接系統,高性能內存和FPGA技術,雲端數據平台,人機交互HMI介面和信息安全等技術。在汽車行駛的複雜環境下實現穩定、高速、實時的信息處理與呈現,車載終端才能正常發揮其功能,因此晶元處理器的高性能運算能力是終端創新的基礎條件。
智能駕駛艙本質在於硬體虛擬化,GPU加速助力。將車內一切硬體實現虛擬化,集成於嵌入式操作系統,形成智能駕駛艙統一的交互平台和界面,比如液晶儀錶增強圖像渲染,引入GPU晶元進行加速處理。智能駕駛艙HMI上顯示的信息來自車體通信系統CAN/LIN 匯流排上的各個電子控制單元ECU,形成整車電子系統集成運算能力的智能交互介面和主節點。新型圖形處理架構能夠為一系列應用提供高解析度和高幀率的模擬模擬圖像,包括多屏聯動與后座娛樂系統,外臵攝像系統的集成虛擬加速,高級音頻介面和數字儀錶圖形處理,車艙內自然語言處理,互動式駕駛艙控制,以及具有直觀可視化顯示的3D導航應用。
液晶儀錶有望成為智能駕駛艙首先落地環節,HUD、后座娛樂等順次先後落地。儀錶盤是駕駛者行車過程中的重要關注點,成為汽車智能駕駛艙人車交互的關鍵窗口之一。傳統的物理指針儀錶盤正在經曆數字化升級革新,如今液晶儀錶已經應用在一些高端車型,將行車數據、導航信息、娛樂功能等全部集成在了一塊高解析度的智能TFT液晶顯示屏上,簡化了界面布局。普通視圖可以模擬成原有的圓形儀錶盤,紅色的指針和白色的數字顯示行車數據,而多媒體視圖可切換到信息覆蓋更全面的車載導航信息娛樂模式。
智能駕駛產業鏈分解實現無人駕駛有兩條基本路徑:一是單車智能化實現無人駕駛。就是車輛本身通過感知、傳遞與分析、控制來對環境進行反應。二是通過車與車、車與交通聯網智慧交通規劃來實現無人駕駛。前者是以ADAS 的使用為基礎,後者是以車聯網為基礎的。
單車智能的實現形式是包括三個層次。分別是感測即為環境感知,控制還有執行。形象的類比到人的話感測就是人的眼。 ADAS 高級輔助駕駛即是在提高單車智能。
感測:如人眼般對環境得到感知。車的感知是通過感測器得以實現的,圖像攝像頭、激光感測器、毫米波雷達等設備使汽車可以感知圖像、距離、夜景等多種功能。
控制:將得到的信息進行分析並做出決策。處理階段可以分為兩部分析和決策。感測器傳來的只是圖像、 距離信息等數據流,通過演算法將圖像中車輛、行人、道路等甄別出來, 將距離配合車速得到碰撞可能的概率等是進行分析。對分析得到的結果進行決策, 是否應該預警、降低車速等。
執行:執行部分,電控轉向、油門、剎車可以融合傳統車身控制系統實現輔助駕駛,也是對前兩步的補充。
車聯網:V2V(車車通訊)、V2I(車與基礎設施通訊)的加入使得車與車之間的協作更加有效,對道路的通訊能及時了解交通信號燈等變化做出反應。車際網能使車輛了解附近的位臵信息和速度信息以及道路的交通狀況。這樣減少了車輛自身對周邊環境的感知。
ADAS:無人駕駛的必經之路高級駕駛輔助系統(Advanced Driver Assistant System),簡稱ADAS,是利用安裝於車上的各式各樣的感測器, 實時收集車內外的環境數據, 進行靜、動態物體的辨識、偵測與追蹤等技術上的處理, 從而能夠讓駕駛者在最快的時間察覺可能發生的危險,以引起注意和提高安全性。我們認為,ADAS 是實現單車智能化的一個必要環節。
高級輔助駕駛系統(ADAS)先行,加上車聯網(V2X)將共同實現智能網聯汽車。在行駛過程中,智能網聯汽車不僅要實現智能駕駛,而且還要與周圍環境、車輛、路況進行實時交互;因此,單車智能化與網聯化的結合成為實現智能網聯汽車的技術路線。單車智能化主要依靠高級輔助駕駛系統(ADAS)來逐步提高汽車智能化,博世、大陸和德爾福已經開始為高端汽車提供可靠性產品,具備產業化基礎。最近產業催化劑不斷,工信部即將發布智能網聯汽車發展技術路線圖;3GPP 加快車聯網LET-V 通訊標準統一,消除V2X 推廣最大障礙;4G 網路的快速推廣,5G 網路通訊技術快速實現突破,我們預計V2X 將迎來產業變革拐點。
2014 年,中國前裝市場ADAS 新車滲透率在15%左右,主要集中在法規較為嚴格的美系、德系中高端車型市場。隨著國內法規進一步健全,市場對於ADAS 需求的日益嚴格,前裝市場迎來滲透率大爆發,保守預計新車滲透率增速30%,汽車銷量年增速4%。根據中國產業信息報告數據,受整車銷量、滲透率兩方面因素驅動,預計至2020 年,中國ADAS 市場可實現500 多億元的市場規模,年複合增速近30%。
中國ADAS 市場有較大提升空間。ADAS 在中國新車的滲透情況與市場地位極不相符,較歐美地區滲透率和滲透率增速都處於較低位臵,仍有較大的發展潛力。
高精度地圖:無人駕駛的必要條件高精度地圖:厘米級精確度。(1)傳統ADAS 地圖(精確度只有1-10m 的級別):只記錄高精道路級別的數據:道路形狀、坡度、曲率、鋪設、方向等。
(2)高精度地圖(精確度厘米級別):不僅增加了車道屬性相關(車道線類型、車道寬度等)數據,更有諸如高架物體、防護欄、樹、道路邊緣類型、路邊地標等大量目標數據。高精度地圖能夠明確區分車道線類型、路邊地標等細節。在它的幫助下,即使是十分惡劣的天氣,無人汽車也能完成高速行進中的變道超車、上下匝道等「高難度動作」。我們認為高精度地圖將成為無人駕駛汽車的必備與感測器互相補充,為無人駕駛提供安全保障。
無人駕駛的安全保障。前不久谷歌出現首例由於無人車自身失誤而導致的事故,其中很大一部分原因可能來自於感測器和控制系統的失誤,而完善的高精度地圖技術則很有可能大大地改善當前的狀況。如果說感測器是無人駕駛汽車的眼睛,那麼高精度地圖就是無人車的記憶,我們認為高精度地圖將成為無人駕駛汽車的必備,與感測器互相補充為無人駕駛提供安全保障。
產業鏈狀況。高精度地圖和普通電子地圖產業鏈基本一致,從資源獲取到製作再到最後的應用。但具體的每個環節與普通電子地圖仍有較大差別,如在應用方面也,高精度地圖目前主要定位於車載導航及交通信息現實,而電子地圖還集成了LBS 等服務。
對於地圖廠商來說,底層數據才是真正的命脈。沒有數據,再好的服務也出不來。採集的主要信息是道路的行駛規則、方向、限速、路口形狀、行車引導線、到達坐標等信息以及道路周邊的餐飲、酒店、商場、加油站、停車場等興趣點(POI)信息。Here 的採集車的激光雷達可以每秒鐘採集70 萬點雲數據。採集車的激光雷達運作時,只需進行非接觸掃描可以在短時間內獲取物體和環境空間點的三維數據和信息,由於收集的數據是以點的形式組成,所以這些數據被稱作點雲數據,其最大的特點是可以進行後期的處理,依靠獲取的數據便能夠建立完整的三維立體模型,而如今隨著商用GPS 及IMU(慣性測量單元)的發展,通過LIDAR 從移動平台上獲得高精度的數據已經成為可能並被廣泛應用。
主流的測繪方法。高精度地圖的數據測量以及製作與傳統的電子地圖相比具有不少差別,由於精確度的要求,高精度地圖的測繪要複雜得多。目前市場上高精度地圖的製作主要包括採集車測繪、「眾包測繪」兩種模式。
量產車充當採集車。用傳統的採集車測繪技術進行高精度地圖的製作需要大量的專業採集車及相關設備,這對於之前沒有相關硬體積累,但又想研發自主高精度地圖的非圖商企業來說無疑是個很大的問題。
因此這些廠商採取了由車廠的量產車替代採集車的方法,即所謂的「眾包」測繪。以豐田為例,豐田將利用其所生產每輛車的攝像頭及GPS 對街景道路等信息進行採集,通過空間信息生成技術對兩類數據進行整合處理,最終形成一套高精度的地圖。
環境感知:無人駕駛的眼睛感知技術作為智能駕駛的核心技術之一,就像是智能駕駛汽車的眼睛一樣,能夠為智能駕駛汽車提供實時的環境狀況。完善的環境感知以高精度地圖為技術基礎,通過各類感測器對當前行駛的環境狀況(包括行駛路徑、天氣因素、周邊物體等)進行捕捉。只有在對環境狀況的正確感知的基礎上才能進一步進行分析並作出相應的反應,因此可見,環境感知是無人駕駛技術的起點,亦是其發展過程中極為重要的一環。
車載感測器分類。車載感測器是環境感知技術最為重要的實現設備。在實際運用過程中,無人汽車通常通過使用和組合不同類別的感測器,對各自所擅長的環境及方位進行探測感知,從而實現絕大部分環境下的感知解決方案。目前主流的無人車載感測器包括毫米波雷達、激光雷達以及視覺感測器等幾種類型。
超聲波雷達主要用於泊車系統中。超聲波雷達是利用感測器內的超聲波發生器產生40KHz 的超聲波,再由接收探頭接收經障礙物反射回來的超聲波,根據超聲波反射接收的時間差計算與障礙物之間的距離。超聲波雷達成本較低,探測距離較近,且不受光線條件的影響,因此常用於泊車系統中。大眾第三代超聲波半自動泊車系統,泊車輔助系統通常使用6-12 個超聲波雷達,車後部的4 個短距超聲波雷達負責探測倒車時與障礙物之間的距離,一側的長距超聲波雷達負責探測停車位空間;特斯拉搭載的12 個超聲波雷達也主要用於自動泊車功能的實現。
毫米波雷達。毫米波雷達使用30~300 GHz 的毫米波,通過回波與發出的信號進行比較,得到差值,能夠根據得出的時間差與速度迅速計算出物體之間的距離。與其他類型的感測器相比,毫米波穿透煙塵能力強,抗干擾能力出色,幾乎適用於所有氣候(大雨天除外),可用於全天候場景下0-300 米範圍內的快速感知,由於精度要求嚴格的緣故,毫米波雷達的相對成本也較高。
毫米波雷達主要包括天線、收發模塊、信號處理模塊和報警模塊。毫米波器件的模塊化、射頻收發前段是雷達系統的核心部件。天線作為汽車毫米波雷達系統的一個關鍵元件,其性能將深深地影響雷達的探測距離和角度。
目前主流的MMIC工藝還是GaAs工藝。GaAs半導體的製造流程與硅相似,從上游材料、IC設計、晶圓代工到封裝測試,完成GaAs半導體製造的全部產業鏈。GaAs半導體產業參與者多為國外IDM廠商。2013年砷化鎵市場總產值64.7億美元中,佔比前5的廠商中除了穩懋外,均為集IC設計、晶圓代工、封裝測試為一體的IDM廠商。
毫米波雷達方面的核心技術和廠商都集中在國外,同時由於國外對我國的技術封鎖以及人才短缺、元器件進口依賴等,對於毫米波雷達尤其是77GHz毫米波雷達的技術難度大。
但由於毫米波雷達市場空間大、潛力足,所以國內近期湧現出多家相關公司,有望逐步取得技術和市場上的突破。
在無人駕駛的浪潮之下,毫米波雷達產業有望得到快速發展,數據顯示毫米波雷達2014 年出貨量為1900 萬顆,業內人士預計未來毫米波雷達市場複合增長率高達24%,到2020 年全球毫米波雷達銷售量將達到7200 萬顆。
毫米波雷達的多項優勢,其目前在汽車防撞感測器中佔比較大,根據IHS的數據,毫米波/微波雷達+攝像頭在汽車防撞感測器中佔比達到了70%。
在毫米波雷達的頻率選擇上,各個國家主要有三種波段——24GHz、60 GHz、77 GHz,而目前正在向77GHz靠攏。歐洲和美國選擇的是對77GHz的集中研究,而日本則選用了60GHz的頻段,隨著世界範圍77G Hz毫米波雷達的廣泛應用,日本也逐漸轉入了77GHz毫米波雷達的開發。
激光雷達性能精良,是無人駕駛的最佳解決方案。激光雷達相對於其他自動駕駛感測器具有非常優越的性能:1)解析度高:激光雷達可以獲得極高的角度、距離和速度解析度。通常激光雷達的角解析度不低於0.1mard 也就是說可以分辨3km 距離上相距0.3m 的兩個目標,並可同時跟蹤多個目標;距離解析度可達0.1m;速度解析度能達到10m/s 以內。如此高的距離、速度解析度意味著激光雷達可以利用多普勒成像技術獲得非常清晰的圖像。2)精度高:激光直線傳播、方向性好、光束非常窄,彌散性非常低,因此激光雷達的精度很高。3)抗有源干擾能力強:與微波、毫米波雷達易受自然界廣泛存在的電磁波影響的情況不同,自然界中能對激光雷達起干擾作用的信號源不多,因此激光雷達抗有源干擾的能力很強。
視覺感測器視覺感測器主要指車載攝像頭,市場上產品的具體應用包括前視、後視、側視以及車內監控四個方面。
後視、側視與內部主要採用廣視角像頭,而前視攝像頭則分為單目視覺以及立體視覺,單目攝像頭主要原理是將捕獲的信息與地圖數據進行比對、識別,而立體攝像頭則是利用雙目實時深度計算得出物體與攝像頭的距離。相比之下立體攝像頭不需要大量的數據訓練,而且具有更低的錯誤率,但由於需要處理多個攝像頭的數據,因此計算量較大,同時成本也更加高。
價格方面,車載攝像頭市場可以劃分為高端、中端以及低端三個檔次,價格區間分別在200 美元以上、100 至200 美元、以及100 美元以下,其中中端攝像頭市場佔比高達41%。根據StrategyAnalytic 預測,到2020 年全球車載攝像頭需求量將突破1.1 億顆,平均每車一顆,考慮到成本降低的因素,我們假設50 美元的市場均價,那麼到2020年市場規模將達到55 億美元。根據SBD 數據, 2015 年國內車載攝像頭銷量為1300萬左右。我們認為,未來五年複合增速有望達到30%,2020 年國內需求量達到4800萬,市場規模將超過15 億美元。
激光雷達激光雷達主要通過對外部環境進行掃描,從而為車輛提供精準的三維實時信息,以便無人汽車作出相應的反應。相比於以上兩種感測器,激光雷達採用專門的脈衝壓縮技術,將脈衝寬度壓縮到納秒級別,大大提高了數字測量識別的精確度。由於激光雷達的極佳性能,目前絕大多數無人駕駛汽車都配備有激光雷達。
市場上的激光雷達主要包括高性能360度旋轉激光雷達和小尺寸電子掃描激光雷達,而目前無人駕駛汽車所攜帶的激光雷達均為第一種類型,而該類雷達最大的問題,就是其高昂的成本,如百度無人車頂所安裝的激光雷達價格就高達70 萬元,超過了作為無人車原型的寶馬汽車3 系,而谷歌汽車所採用的Velodyne 公司的64 線程產品售價則為8 萬美元。
無人駕駛對激光雷達產業的影響很大。2013 年全球激光雷達市場規模僅為2.25 億美元左右,而2014 年已達到4.03 億美元,將近翻倍。根據Transparency Market 預測,未來五年激光雷達市場的年複合增長率將在15%左右,2020 年,激光雷達市場將實現9億美元的市場規模。
夜視系統夜視系統:夜間駕駛的第二雙眼。根據交管部門的統計,我國有55%的交通事故都發生在夜間,夜間駕駛的安全性問題一直是司機的最大困擾之一,而夜視系統則致力於提高夜間行車的安全性。汽車駕駛的夜視系統是從軍用技術演變而來,至今已形成了微光、主動紅外先以及熱成像(被動紅外)三種夜視技術,其中熱成像和微光技術屬於被動夜視,主動紅線外屬於主動夜視。
主動紅外夜視技術這種技術需要通過紅外大燈主動發射紅外線,通過濾光鏡後,發出波長約0.8~1.2 微米的近紅外光,然後利用紅外變像管,根據目標反射的紅外光將其轉換成一定亮度增強的可見光圖像呈現出來。
高清晰度的顯示效果。顯示效果來看,三種夜視技術以主動紅外技術最為精確,能較為清晰地呈現外部環境,高級的紅外夜視儀甚至能分辨出人的五官,由於主動紅外技術需要自動投出紅外線容易暴露自身的緣故,目前已被軍事領域淘汰,轉而在民用領域發展,尤其是車載領域,目前配備主動夜視儀的汽車有:賓士S500、比亞迪思銳等車型。而價格方面,無論是主動紅外設備還是被動紅外設備都需要很高的成本,微光夜視儀具有較大優勢。
熱成像夜視技術。熱成像夜視技術又稱為熱成像夜視技術,屬於高級仿生學的範疇,原理如下:任何物體(高於絕對零度)都能向外輻射紅外線,如果物體與外部環境有溫差,那麼其輻射出的紅外線峰值波長就會有不同,光電導感測器根據所接收的不同波長的紅外線產生不同電阻,最後將圖像呈現在顯示器上。
智能駕駛的大腦:決策層路徑規劃。決策層解決的是一個路徑規劃的問題。關於路徑規劃的概念,可以解釋為:在一定的障礙物環境下,按照一定評價標準和決策演算法,來尋找從起點到終點的最優化的路徑。按照路徑規劃的範圍,可以分為全路徑規劃(即不考慮運動細節的全局路徑規劃)和局部路徑規劃(具體到運動軌跡)。
智能決策支持系統是智能駕駛的核心。智能決策支持系統是人工智慧和決策支持系統相結合,使決策支持系統能夠更充分應用人類知識,如決策過程中的過程性知識、智能駕駛過程中遇到的路面問題,形成雲端數據,通過邏輯推理來解決複雜的決策問題的輔助決策系統。智能決策支持系統在無人駕駛過程中自主規劃,基於路況、車況等靜止信息和實時的視覺、觸覺等運動狀態進行規劃。
智能駕駛中的行為決策可以分為三個層次:每層執行不同任務,包括上層路徑規劃,中層行駛行為規劃和下層軌跡規劃。上層路徑規劃根據某優化目標得到兩點之間的最優路徑,完成路徑規劃的感測信息主要來自於GPS 定位信息以及電子地圖。中層行駛行為規劃是指根據主車感興趣區域內道路。下層軌跡規劃是指在當前時刻,以完成當前行車行為為目標,考慮周圍交通環境並滿足不同約束條件,根據最優目標動態規劃決策出的最優軌跡。
路徑規劃演算法路徑規劃演算法的重要性。路徑規劃看似簡單,實際需要考慮到很多複雜情形。如下圖,在車輛從起始地向目的方向行駛過程中,面對前方凹形的障礙物,如果直到接近障礙物時才給出路徑改變的提示,這樣的路徑規劃顯然不是最優的。路徑規劃演算法應該將凹形的障礙物的區域識別擴大,在車輛進入凹形障礙物之前處發出改變路徑的提示。
路徑規劃演算法的分類。路徑規劃演算法可以分為靜態路徑規劃演算法和動態路徑規劃演算法。靜態路徑規劃指的是根據靜態的物理地理信息和固定的交通規則來規劃最優路徑,該演算法相對簡單比較容易實現;動態路徑規劃是指在靜態路徑規劃的基礎上,結合實時動態的交通信息,對預先規劃好的路徑進行實時修正。
典型的路徑規劃演算法。路徑規劃演算法主要包括:Dijkstra 演算法、Lee 演算法、Floyd 演算法、啟發式搜索演算法—A* 演算法、雙向搜索演算法、蟻群演算法。決策層的技術必備:深度學習演算法深度學習的概念。深度學習的概念源於對人工神經網路的研究,屬於機器學習的細分領域。深度學習可以建立、模擬人腦進行分析學習的神經網,通過組合低層特徵形成更抽象的高層特徵,從而實現自動的學習特徵,其動機建立、模擬人腦進行分析的精神網路,模仿人腦機制來介紹數據,例如圖像、聲音和文本。
深度學習在智能駕駛中的應用涉及到多個環節,其中卷積神經網路演算法已經在語音識別、圖像識別等領域應用成熟,用於提高環境感知中的圖像識別的準確度。
深度學習演算法使決策層自主規劃道路。決策層依靠深度學習演算法對無人駕駛所產生的經驗大數據進行學習,從而獲得了像成熟司機那樣的技術,因此在行駛過程中,決策層可以自主規劃無人駕駛的最優策略(如車輛優化調度、路徑規劃、汽車加減速、超車及停車等),具有良好的實時性和容錯性,提高無人駕駛的安全性和速度。
推薦閱讀:
※新手上路有哪些好習慣需要養成?
※這8個省油又省力的駕駛技能,你知道幾個?
※駕校的車,為什麼踩離合不踩油門就可以走?
※職業車手與業餘車手的差距
※這些防禦性駕駛技術,你知道多少?