高精地圖與安全模塊

安全模塊對於無人駕駛來說至關重要。無人駕駛的主要目標還是取代人類司機，當然人類司機被取代的一個前提是車輛的安全。

那麼問題來了怎麼樣才能保證安全呢？安全本身是多維度的，自動駕駛的演算法穩定性，或者無人駕駛對場景的處理能力，這本身也是一個安全範疇，本文偏重安全與高精地圖的關係。

無人駕駛車本身有很多感測器，當無人車上路後，（之前網路有很多質疑的聲音，就是無人車可能被攻擊，因為你所有的東西一旦聯網，本身就可能存在各種各樣的隱患。）

有可能遭受到四個維度的攻擊：

l 對感測器的攻擊

l 對操作系統的攻擊

l 對控制系統的攻擊

l 的通信系統的攻擊

對於感測器的攻擊有如上圖：

1. 對車輛上通用模塊imu慣性測量單元進行攻擊，imu對磁場非常敏感，如在車輛周圍放強磁場，就會影響到imu測量的準確度；

2. 輪子形狀變了或者輪子壞了回對輪速記計造成影響其精度；

3. 激光雷達由於依賴激光反射，如果假設在車周圍環境載入人工反射物；

4. 甚至放一個假的紅綠燈，可能車直接停了；

5. 大功率假gps信號

6. 拿激光發射器對著激光雷達

以上這些行為都會對無人車系統造成一定的幹擾，在定位模塊中需要類似iimu的測輪距信息等來做運動學的約束。

百度的阿波羅定位方案是基於激光雷達反射值的，激光雷達要做三維點的掃描，如果激光雷達出現錯誤會對定位精度有影響。對規劃控制都會有非常大的影響。

目前來說很難有一個有效的方法防止上面的任何一種攻擊，但是高精地圖能發揮一定的安全作用，它是一個離線的標準。比如激光雷達掃描一個物體，通過和高精地圖去對比匹配，就知道這地方到底有沒有這個物體。當結果不一致的時候，我們就大概率認為這有問題。

高精地圖與模擬系統

模擬是無人駕駛非常重要的模塊，做無人駕駛的成本非常高，一輛車可能要幾十萬甚至上百萬，加上車上配置8萬美金（摺合人民幣60萬左右）的64線激光雷達，成本非常高。我們很難吧所有的策略迭代都放到車上去，所有需要一個非常強大的模擬系統，包括車輛本身有一些非常火的強化學習。強化學習本身不可能讓真實的車輛去嘗試去做碰撞，在實際情況中這麼做是不可行的。但是方針可以幫助我們解決這些問題。

模擬的特點是真，現在市面上有非常多的模擬系統，在百度模擬系統是基於高精地圖構建的，高精地圖本身它是基於真實場景構建的，所以它能做到在模擬裡面出現的場景，回放之後到真實上路的時候，基本上保證兩個gap不會很大。我們在實際真跑測試過程中，發生問題記錄下bug，然後可可以回到模擬系統中去做測試。

高精地圖為模擬系統提供了最底層的基礎結構，讓模擬系統更好的去模擬真實道路的場景。

高精地圖的作用：

沒有高精地圖高科行的l3/l4自動駕駛無法落地

我們剛才說到在現階段看不到沒有高精地圖的l3/l4的自動駕駛如何落地，下圖是非常典型的幾個場景：

第一張圖是在重慶，可以看到路網本身非常複雜，複雜到目前技術從演算法層面無法理解的交通場景。圖中可以看到有一個立交，曾經網上傳的比較瘋的重慶的一些地形比這種圖還複雜。

第二張圖是雪天，雪天的路上車道線全部別覆蓋了，蓋住之後不管是基於視覺的還是基於雷達的都無法運行。當然雪天本身它是一個非常難解的場景。2018年穀歌io大會，提出通過深度學習解決感測器在下雪過程中掃描到雪花之後誤報很多障礙物。會上提出通過深度學習把激光雷達對雪花檢測為障礙物給過濾掉，最終得到一個真實的場景。沒有下雪的一個場景，但是具體如何沒有數據披露，只是說能達到這樣的效果。所以雪天場景到目前還是一個難以克服的場景。

第三張圖是紅綠燈，這個紅綠燈在我在國內還沒有見到過，在網上出現過，我想這種紅綠燈即使人看到，可能也不知道如何處理。

高精地圖本身是一個靜態的perception，我們可以把機器理解不了但是人可以理解的東西告訴機器，這地方是哪裡，遇到的是什麼東西，在這地方如何走，我們把人具有的經驗賦予給自動駕駛系統。相當於把人的經驗傳授給他。

高精地圖的作用-彌補系統性缺陷

如果沒有高精地圖，無人駕駛車很難達到真實上路的水平。前段時間uber在亞利桑那州的事故，是世界上第一起無人駕駛致死事故。這件事當時結論非常多，剛開始說沒有檢測出來人，大家表示質疑無人駕駛安全性，後來又傳出消息說檢測出來了人，但是分類識別錯誤，後來又說它本身的系統性的性能不足導致它檢測的延遲，當然網上結論非常多。

無人駕駛本身是非常複雜的計算系統，因為我們現在網路本身並不通暢，如4g的傳輸度並不能滿足現階段無人駕駛的海量數據的傳輸，現在64線激光雷達，camera，還有其他感測器每時每刻都會產生巨量數據，這些數據無法傳回雲端，就不能採用互聯網廣泛流行的模式，通過雲計算，最後把結果下發給終端，因為網路原因造成這種方案無法實施，我們期待5g的到來，但是還需要在5g下去驗證。但是至少從宣傳層面說5g非常快，我們到時候可以達到實時傳輸數據的效果。但是5g普及需要時間。

所以基於以上原因，現在吧大量的計算就放在了終端，大家有沒有去坐過百度無人駕駛車，在車的後面有一個非常大的計算單元（工控機），如果大家注意就知道百度阿波羅是基於英特爾的一款工控機做的，把所有的計算都放在車上了，這麼做的問題是計算速度會受到很大影響，我們希望各個模塊，不管定位也好，感知也好都能達到實時級的響應，但是因為計算量太大了，如果你想達到實時性的效果，必須有其他模塊輔助。

比如上圖高精地圖會告知感知模塊，甚至說控制模塊，你的中間，在你雙向通行的車道裡面有柵欄隔離的，就是對向道路的車不可能開過來，這時候就可以放棄檢測對向車道上的障礙物，這樣就有效減少了系統的負擔。

上圖更多的說是感測器的侷限，高精地圖提提供給感測器超過它感知邊界的遠距離的感知。

對於想系統學習無人駕駛的同學，建議參看漂哥的百度自動駕駛系列學習筆記的其他部分：

飄哥：百度自動駕駛概述以及apollo開源模塊?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（1）第一節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（1）第二節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（1）第三節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（2）第一節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（2）第二節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（3）第一節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛概述及Apollo開源模塊（3）第二節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛硬體系統及開發平臺介紹（1）第一節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛硬體系統及開發平臺介紹（1）第二節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛硬體系統及開發平臺介紹（1）第三節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛硬體系統及開發平臺介紹（2）第一節?

zhuanlan.zhihu.com圖標飄哥：自動駕駛硬體系統及開發平臺介紹（2）第二節?

zhuanlan.zhihu.com圖標飄哥：無人車車輛自定位技術入門與應用 第一節?

zhuanlan.zhihu.com圖標飄哥：百度無人駕駛工程師：為什麼無人車需要一個精確的定位系統？?

zhuanlan.zhihu.com圖標飄哥：無人駕駛中基於電子信號，航跡推算，環境特徵匹配的定位方法?

zhuanlan.zhihu.com圖標飄哥：無人駕駛自定位慣性導航?

zhuanlan.zhihu.com圖標飄哥：無人駕駛中的三維幾何變換?

zhuanlan.zhihu.com圖標飄哥：無人駕駛中用到的八大坐標系?

zhuanlan.zhihu.com圖標飄哥：百度無人車三大系列感測器配置方案?

zhuanlan.zhihu.com圖標飄哥：百度無人車用到的gnss定位技術以及挑戰?

zhuanlan.zhihu.com圖標飄哥：百度無人車de激光點雲定位演算法框架?

zhuanlan.zhihu.com圖標飄哥：百度無人車中的視覺定位技術?

zhuanlan.zhihu.com圖標飄哥：百度無人車de慣性導航定位技術?

zhuanlan.zhihu.com圖標飄哥：百度無人車de組合導航技術?

zhuanlan.zhihu.com圖標飄哥：高精地圖與無人駕駛的關係?

zhuanlan.zhihu.com圖標
推薦閱讀：
相關文章