轻舟智航基于大规模智能仿真系统及可自主学习决策规划框架的技术路径

时间:2020-03-24
北京时间3月21日,无人驾驶公司轻舟智航在其举办的线上分享会上,首次公开分享了其基于大规模智能仿真系统及可自主学习决策规划框架的技术路径。
于骞博士是轻舟智航联合创始人、CEO,也是顶尖核心感知算法和地图专家,曾任Waymo感知关键模块的机器学习算法研发负责人,在计算机视觉和机器学习领域拥有十多年经验。
在分享会上,于骞比喻轻舟智航独特技术路径是建立“自动化规模生产的工厂”,相比传统的“造梯子”路径,是在“造火箭”。
一方面,基于大规模仿真技术应用来解决规划决策问题是当前无人驾驶技术领域的关键课题,以Waymo为代表的无人驾驶公司正在通过大规模的仿真测试改进规划决策技术;另一方面,通过建立大量的工具链以及仿真测试环境,可以实现技术迭代的自动化,以更快的速度、更高效的方式应对自动驾驶的边界化难题,应对自动驾驶行业存在的长尾效应。
分享全文整理如下:


大家好,我是轻舟智航的联合创始人和CEO于骞。很高兴能跟大家在屏幕前见面,而且是以这种比较新鲜的方式见面。

轻舟智航一直希望以一条独特崭新的路径实现无人驾驶,在公司成立之初,我们就立志打造一个轻、快、高效的团队,这也是公司名称的由来——两岸猿声啼不住,轻舟已过万重山。


硅谷“封城”前夜,无人车路经遭遇抢购的超市

加州“在家隔离”强制执行令发布后的3个小时,对轻舟智航来说是难忘的3个小时。硅谷时间3月16日下午4点23分,我们收到加州相关政府发布的正式强制性命令,所有居民必须在家隔离,除非采购食物,就医或者其他紧急情况才允许离开住所,强制性命令于当天午夜12点生效。

收到这个通知时,离生效只剩下8个小时。为了保障硅谷同事的健康安全,也是为了不违反强制性命令,原计划于今天进行的试乘直播活动是不是只能取消?

我们没有放弃,而是在第一时间联系了硅谷风险投资BoomingStar Ventures管理合伙人Alex Ren作为第三方见证者,在当天晚上7点多紧急录制了路测视频。由于时间紧张,我们只有一次机会,所以这个视频也是按照一次性录制完成的。

为什么我们会选择用直播的方式做试乘体验呢?主要是因为直播本身会遇到许多不可控的情况,例如天气、交通情况等,我们希望借直播向大家展示对自身技术的信心。





以上是本次试乘的部分路线图,无人车将开到一个商业区周边的麦当劳,经过一个汽车穿梭窗口(Drive-through),随后穿过一个大超市和其停车场,回到公司。Drive-through 是美国很常见的一种点餐方式,是典型的城市复杂交通环境之一。从技术上角度来看,Drive-through场景也是很有挑战性的。

首先,其车道比单车道更窄,对定位和控制的要求都比较高,如果横向定位和控制不精确,就会轧到路沿或蹭到建筑物,如果纵向不准,就会对不准点餐窗口;其次,在出口处便是停车场,是非结构化道路,要应对人车混杂的情况,还要通过无保护右转进入道路主路。最后,更有挑战性的是这里是正常营业的地方,不像开放道路般可以重复进行路测,而我们通过大量的仿真测试,做到了第一次上路就非常安全可靠。


   

上是当天一次拍摄的一镜到底视频,由于疫情的影响,许多人到超市抢购物资。轻舟智航的无人车在超市附近就遇到了不少行人和车辆。

此外,也从另一个视角向大家展示下当时的感知结果以及路况情况。




加州自动驾驶接管报告的解读

今年2月,加州车管局(DMV)公布了2019年加州自动驾驶接管报告,引起了众多讨论,其中接管里程数(MPI)这个指标更是引起了比较大的争议。

在我看来,不同公司的接管标准是不一样的,将不同公司间的接管率相比较是没有意义的。打个比方,如果某家公司路测的道路足够简单,例如没有其他车辆、没有十字路口、也没有行人,那这家公司的接管率就可以做到足够低。





但是,如果把同家公司的接管率在时间维度上进行横向比较就比较有意思了。以总里程数和里程覆盖的多样性都比较受业内认可的Waymo为例,当比较Waymo在2018年和2019年的接管类型时,可以发现很有意思的一点:感知所占的比例明显变多了,从25%升到了47%。

这是不是意味着Waymo的感知能力下降了呢?

并不是。从绝对MPI来看,Waymo无论在感知还是运动规划上都有了进步。从整体比例的变化可以看到,感知占的比例上升,更多是由于规划决策造成接管所占比例下降的缘故。

这也意味着Waymo在规划决策方面有了很大的技术进步,这是非常了不起的,也是和其大规模的仿真测试应用离不开的。

大家知道,感知是一个比较确定性的问题,如何测试和评价是非常明确的,整体的方法论也是比较清楚的。所以业内开始把注意力集中在规划决策技术上,把规划决策视为目前最具挑战性的问题。

规划决策的挑战性可以从两点来看:第一,不确定性难以衡量。现有判断规划决策做得好坏的指标是舒适度和安全性,但这两项指标都是比较偏主观的。一方面,不同人开车有不同的行为喜好,有人激进一些,有人保守一些,舒适程度本身是很主观的一个判断;另一方面,在安全性上,简单的安全性指标是不碰撞,但即使是不碰撞,要是你的车总是离旁边车就差1厘米,你也会觉得不安全。

第二,从方法论的角度来说,行业里占主流位置的规划决策方法论,整体上看与20年前相比并没有大的突破。模仿学习或强化学习的方法,在大规模实际应用时也仍然存在众多问题。

因此,相比感知,规划控制的提高更困难。



自动驾驶的技术演进到了哪个阶段?

自动驾驶技术最早是从地图和定位开始做起的,简单理解就是先要知道自己在哪里;在做好地图和定位之后,业内开始专注于感知技术,高线数的激光雷达对感知的早期发展有重要推动作用;在2012年学习爆发了之后,业内开始把深度学习应用在感知上,感知技术有了快速的、长足的进步。






当该检测和识别的物体都检测出来了,业内又发现规划决策一点都不简单,甚至更困难。这时,仿真技术出现了,其出现很大程度上是为了帮助规划决策进行更好的测试——毕竟不能每修改一次算法就部署到车上进行测试。

随着仿真技术的采用,行业又进入一个快速的发展轨道,从2016年至今,Waymo的实际路测里程超过1000万英里,比绕地球赤道400圈还多,这还只是2018年的数据。

这一条技术演进路径,既是我在自动驾驶领域10多年经验的一个总结,是不同时间点自动驾驶技术所专注的不同核心,也是近几年来许多创业公司从无到有的技术构建过程——先做好建图和定位,再做好感知,最后再开始做规划决策和仿真。

但对于轻舟智航而言,我们从一开始便把仿真测试平台作为关键核心能力,与其他模块一同建设起来,使开发达到了十分高效的状态。



面对自动驾驶长尾效应,自动化是解决边界化难题的最好办法

除了规划决策方面的挑战,还要提到自动驾驶行业的长尾效应。

从事自动驾驶的技术人员肯定深有体会,技术上已经解决了90%的问题,但剩下的10%却可能要花费同样多甚至更多的精力,这10%包括很多边界化难题,经常被称为Corner Case。





上图便是一个典型的边界化难题(Corner case),在你遇上野鸭子之前,你甚至不知道会有野鸭子的问题,所以边界化难题(Corner case)是需要去发现,并且解决的。

那么边界化难题怎样去发现并解决呢?

除了收集大量的数据,更重要的是建立自动化生产的工厂,将源源不断收集来的有效数据,通过自动化的工具,加工成可用的模型。以更快的速度、更高效的方式应对边界化难题(Corner case)。





以上面野鸭子的场景为例,如果需要专门针对这些场景去开发特殊的模型,那会有无穷无尽的场景需要处理。但借助自动化的办法,只要数据标注好了,下次系统更新时便可以更好处理这种情况,省下大量工程师的时间。

以感知举例是比较容易理解的,但其实规划技术也一样。要想让车做出准确的规划,最原始的方法是工程师写规则——大量的工程师写出大量的规则,但这种方式维护性很差还不能满足需求;再进一步便是设计奖励函数——设计奖励函数比写规则要简单的多;再往后则是利用数据自动学习奖励函数。这个过程便是往自动化方向发展的过程。

轻舟智航所追求的,是建立自动化规模生产的工厂,相比原本的“造梯子”,我们更希望“造火箭”。为此,就要建立大量的工具链以及仿真测试环境。


测试在自动驾驶里是不可或缺的

在系统开发和测试中,有一个10x定律,指的是在概念、设计、开发、测试、发布的整个过程中,Bug每晚一个阶段发现,解决成本就要更高一个数量级。





这个10x定律在自动驾驶领域体现尤为明显,问题越晚暴露越难以解决。如果到发布后问题才暴露,那可能就是威胁到生命的灾难。

从这也可以看到仿真测试的重要性,除了应用在规划决策,仿真测试也能支撑无人驾驶技术的所有关键模块的快速迭代。

可类比一个现代化工厂的生产过程,在产品发布前的每一个环节,都需要有充分的测试。从地图到定位,从感知到预测,再到最终的规划决策,我们并非全部开发完再测试整体模块,而是从一开始就同步进行。

目前行业里,都认识到了测试的重要性,都理解自动驾驶的核心竞争力不是某一两个单点算法,而是如何构建一个高效的数据工厂,高效快速地完成测试。

轻舟智航的测试工具是为了帮助工程师高效地开发,快速复现车辆上的问题,并提前暴露可能的潜在问题,同时也是提供一个评估系统,评价一个版本和另外一个版本比是变好了还是变坏了,而非做成给人看的好看的图像或好看的点云。

我们的测试系统可做到和车载系统的高度一致,在路上出现的问题,回来就能在仿真里复现,并进行修复。保证再次上路时不出现同样问题。我们产生的场景库也与现实环境高度一致,因为本来就是从现实中学习来的。

做不到上述这些能力,仿真测试就只是一个摆设。有了这些能力,就能把开发效率快速提高。



创新技术路径才能推动无人驾驶全方位、多场景的高效落地





无人驾驶领域的两个重要议题,一个是技术路径,一个是商业应用。

无人驾驶是一个很独特的领域,不是没有需求,而是有大量的需求。不论是增加安全性,还是降低人力成本,或者是提供城市交通效率,都是无人驾驶领域的强需求,但目前技术还存在各类问题,这也正是轻舟智航的机会。

在技术路径方面,轻舟智航重视自动化和测试。有效数据、大规模智能仿真系统以及可自主学习决策规划框架是推动轻舟智航技术不断向前转动的齿轮,也是我们独特的技术路径。

在过去一年的起步阶段,轻舟智航不希望“只见树木不见森林”——通过见招拆招的方式进入到某个具体的小应用场景,变成一家靠堆人来解决问题、无法规模化的工程公司,而是专注于修炼内功,在做到主线够深入、横向可扩展之后,再以轻、快的方式实现真正的无人驾驶。

在商业应用方面,我们的思路是:与其什么都做,不如聚焦擅长的领域,与合作伙伴共同努力,将无人驾驶带入现实。

这样的一套齿轮,要想转动起来,也离不开外部的行业环境。在我看来,无人驾驶行业正处于一个大发展阶段。

一方面,是技术的新高度,另一方面,是政策的强支撑。技术的新高度指的是传感器和计算单元正在高速迭代,技术人才正在升级和增加等。政策的强支撑则包括近期“新基建”里对自动驾驶的重视、5G等配套技术的发展、配套法律法规的完善等。

可以说,这是一个最好的时间,也是为什么轻舟智航会选择在这个时间出现。

我们专注于适应城市复杂交通环境的L4级别自动驾驶技术,致力于打造“老司机”,希望为合作伙伴提供全方位、可量产的无人驾驶解决方案。

我们有轻、快、高效的全栈式明星团队,有支持快速拓展的技术路径,最后也将达到全方位、多场景的高效落地。


媒体联络
媒体联络