智能汽车 · 2023年11月25日 0

自动驾驶:全球汽车工业变革的关键技术

在今天举办的第六届 HAOMO AI day上,中国工程院院士、清华大学教授、清华智能产业研究院(AIR)院长张亚勤,分享了对自动驾驶的思考。

自动驾驶是未来5年AI领域最具挑战和最复杂的任务,也是推动全球汽车工业变革最重要的技术力量。尽管自动驾驶已经取得突破性进展,但目前还有不少挑战,特别是感知的鲁棒性和可泛化性、驾驶行为决策的准确度和整体系统的安全性。自动驾驶是可以实现的,其在开放环境的长期运行还需要经受一系列的技术与社会接受度的挑战,以解决安全与可靠性问题。而在落地路径上,垂直领域自动驾驶将更快落地,并逐渐扩散布局到通用驾驶落地。

清华AIR与毫末正式达成了深度战略合作。目前双方技术团队正在围绕深度学习、前沿数据驱动决策优化方法等方面进行深入的探索与研究。希望AIR能够与毫末智行这样的合作伙伴一起,共同推动全球自动驾驶产业大发展。

各位来宾,各位朋友,大家好,我是清华大学智能产业研究院(AIR)的张亚勤。首先,特别感谢张凯和维灏的邀请,参加HAOMO AI day!HAOMO AI day是国内非常难得的聚焦AI自动驾驶的技术盛宴,毫末能够搭建这样的技术交流平台对于行业来说都是一件非常有益的事情。毫末公司成立才1000天,在很短的时间在自动驾驶垂直商用领域取得了令人瞩目的成就,我也在此表示热烈祝贺!

我一直认为:自动驾驶是未来5年AI领域最具挑战和最复杂的任务。自动驾驶一直是人类长期的梦想,由于人工智能技术,特别是深度学习算法的突破,使得自动驾驶过去五年取得惊人的进展,目前正在走向大规模商业落地。自动驾驶也是推动全球汽车工业变革的最重要的技术力量,它可以大幅度提高驾驶安全,提升交通效率,颠覆商业模式。的确,新汽车工业的技术要素是:软件、芯片、AI算法和电池。

自动驾驶的发展有市场和非市场两方面的因素。非市场因素主要包括伦理、隐私、法律法规以及其他产业政策因素等等。市场因素包括主要包括:技术可行性,用户需求,产业生态和商业模式。

从技术可行性的角度来看,自动驾驶是一个十分复杂的系统问题,涉及到感知、认知、规划、决策与执行等诸多环节。它需要很多技术的创新,比如新传感器、目标检测、感知融合、时空同步、仿真模拟、精确定位、信息安全、低时延通讯、边缘计算。也大量使用新的机器学习算法:包括卷积神经网络、模仿学习、进化学习、强化学习、tRansfoRMeR等等。

尽管自动驾驶已经取得突破性的进展,我认为目前还有不少挑战:特别是:(1)感知的鲁棒性和可泛化性,(2)驾驶行为决策的准确度,和(3)整体系统的安全性。由于真实路况的开放性和场景的复杂度,我们总会遇到CoRneR Case,而一旦出现CoRneR Case将会自动驾驶带来不确定性。因此,当前的深度学习模型必须具备一定的模型泛化性。

我们要利用多模态多传感器的互补性(摄像头,激光雷达,毫米波,车路协同等),大量路测,收集大量的数据,利用大算力、大数据和大模型等等,这是机器的感知优势。

利用高效的模拟学习和在线/离线强化学习,提高感知和决策的鲁棒性和泛化能力。特别是强化学习,可以真正学习新知识和新策略,尽管在自动驾驶实际落地有风险。

要深化端到端的感知、规划和决策算法和研究。目前大部分的系统还是把感知、规划、决策等模块分开优化。要真正实现系统级安全性和可靠性,我认为需要端到端,目前我们已经有些这方面的初步研究成果。

我再简单谈一下自动驾驶落地的路径。我刚才说自动驾驶是一个十分复杂的系统问题,感知、认知、决策、执行全面覆盖;但同时,自动驾驶也是一个复杂的狭义人工智能问题,可以被分解为有边界的子领域技术问题,因此我认为自动驾驶是可以实现的,其在开放环境的长期运行还需要经受一系列的技术与社会接受度的挑战,以解决安全与可靠性问题。而在落地路径上,垂直领域自动驾驶将更快落地。实际上,垂直领域的自动驾驶已经在成功的运行了,例如澳洲铁矿石公司FMG,与世界上最大的工程机械公司CateRpillaR合作的自动驾驶矿车,从2016年至今已经运行了6年了,运送矿产过十亿吨,累计行驶超三亿公里,相当于从地球到太阳往返一次。再比如,毫末智行的低速无人物流车小魔驼,已经服务于物美多点等头部物流企业。所以我认为,自动驾驶的落地路径将是通过垂直领域逐渐扩散布局到通用驾驶落地。

清华大学智能产业研究院(AIR)是面向第四次工业革命成立的研究机构,旨在利用人工智能技术赋能产业,推动社会进步。在智能交通领域,AIR已与多家企业开展深度合作。今年4月,清华AIR与毫末正式达成了深度战略合作。目前双方技术团队正在围绕深度学习、前沿数据驱动决策优化方法等方面进行深入的探索与研究。希望AIR能够与毫末智行这样的合作伙伴一起,共同推动全球自动驾驶产业大发展。