雷鋒網(wǎng)新智駕按：9月14日，在第四屆APEC車聯(lián)網(wǎng)研討會暨MMC智慧出行體驗周上，雷鋒網(wǎng)新智駕聯(lián)合MMC共同舉辦了主題為《智能駕駛的商業(yè)化初探》的沙龍。本文是此次沙龍上，極奧科技創(chuàng)始人王雪坤的分享。

在創(chuàng)辦極奧科技之前，王雪坤是四維圖新的產(chǎn)品總監(jiān)，在地圖行業(yè)有超過10年的經(jīng)驗。在四維圖新期間，他主導(dǎo)了導(dǎo)航產(chǎn)品FunDrive和車聯(lián)網(wǎng)產(chǎn)品WeDrive的開發(fā)，同時還曾負責(zé)寶馬、沃爾沃、馬自達等車企的項目工作。

極奧科技創(chuàng)辦近2年，它的核心業(yè)務(wù)是一個數(shù)據(jù)眾包平臺。通過“吃進”各種不同車載設(shè)備、傳感器上原本零散數(shù)據(jù)，極奧通過平臺消化梳理形成高精度、高鮮度的格網(wǎng)地圖，王雪坤他們則希望用高鮮度的數(shù)據(jù)和算法助力主機廠、Tier 1和新技術(shù)公司的智能駕駛開發(fā)。

極奧科技創(chuàng)始人王雪坤

近年激光雷達和影像識別技術(shù)都趨于成熟，自動駕駛行業(yè)內(nèi)的競爭已經(jīng)走到了算法這個層面。自動駕駛是一個很長的產(chǎn)業(yè)鏈，大家也都在尋找自己的位置。我們極奧在這里做的，其實是在很長一段時間不被重視的工作：眾包地圖。

在高精度地圖這個領(lǐng)域，現(xiàn)在已經(jīng)有很多大公司花了重金，使用全副武裝的測繪車開始很多測繪的工作。這些測繪車都非常酷，這些工作本身也很有意義。因為車道級的拓撲路網(wǎng)以及厘米級精度的地圖，都是自動駕駛的決策算法所必須的。厘米級精度的地圖可以為自動駕駛決策算法提供很好的支撐。但如果考慮到地圖一個非?；娟P(guān)鍵的問題——地圖的鮮度怎么保證，就是地圖的更新頻次，這里面涉及到巨大的成本。每一個車道的變化一定會影響用戶開車的情況，一個車道不通了，在車道網(wǎng)絡(luò)中對應(yīng)的整個模型結(jié)構(gòu)就錯了，就會影響到自動駕駛汽車。所以想到解決這個問題就想到了眾包，我們也是從眾包開始入手。

我們說一下現(xiàn)在數(shù)據(jù)的情況：目前我們平臺上有450萬輛車，是從后市場硬件切入。我們眾包了450萬輛車的數(shù)據(jù)，大家能想到的設(shè)備我們都有——行車記錄儀、OBD、車機等等，目前這些車輛的日活在60%以上。從今年6月11日開始，每天穩(wěn)定的提供1億公里的相關(guān)數(shù)據(jù)。

既然我們是眾包，我們現(xiàn)在是“口不擇食”，所有的數(shù)據(jù)我們都要。我們收集的數(shù)據(jù)以軌跡數(shù)據(jù)為基礎(chǔ)，在根據(jù)眾包的設(shè)備上不同的傳感器形成了不同的軌跡附加屬性：如果這個設(shè)備上有攝像頭，那通過我們植入的算法利用設(shè)備的剩余算力完成對車道線、交通標志、紅綠燈等識別后，上傳識別結(jié)果；如果這個設(shè)備是一個OBD或者后市場的那種破解CAN的產(chǎn)品，我們就可以拿到車內(nèi)其他傳感器的數(shù)據(jù)。

舉個例子，我們一開始希望通過加速度傳感器G-sensor做道路曲率的檢測，后來我們發(fā)現(xiàn)一些行車記錄儀等設(shè)備的加速度傳感器太爛了。但我們發(fā)現(xiàn)它有別的用處，我們就把它用在記錄道路的顛簸和損毀狀態(tài)。還有我們接入了車載空氣凈化器的數(shù)據(jù)，所以我們擁有道路上每一段PM2.5的數(shù)據(jù)。這是關(guān)于我們平臺上，目前什么數(shù)據(jù)都要。

既然平臺是基于地理數(shù)據(jù)為基礎(chǔ)，我們第一步肯定要做自己的路網(wǎng)。這里面也有一些很好玩的事：上個月我跟某一家圖商有交流，給他們看格網(wǎng)的數(shù)據(jù)，當時他們指出來某一條車道線做錯了，這條車道不能做左轉(zhuǎn)。那我就去看原始數(shù)據(jù)，原始數(shù)據(jù)上的確有大量的左轉(zhuǎn)數(shù)據(jù)。然后我們又去現(xiàn)場勘測，發(fā)現(xiàn)這個車道一個多星期前剛剛從直行車道變成了直行加左轉(zhuǎn)車道。

目前，從我們的經(jīng)驗來看，一個類似上海這樣的城市在積累了20萬輛車，連續(xù)六個月以上的數(shù)據(jù)之后，就可以開始制作第一版地圖。在第一版地圖制作完成之后，類似于上海中環(huán)這樣的道路，我們可以通過2000車次軌跡形成亞米級的道路形狀點，5000車次軌跡完成拓撲關(guān)系的掛接，道路的新改增以及交通規(guī)制的變化可以實現(xiàn)小時級更新。

不過事情都是在變化的，當我們把關(guān)注點從軌跡數(shù)據(jù)處理轉(zhuǎn)移到視頻數(shù)據(jù)的處理之后，這才真正地打開一片新的天地。通過視頻數(shù)據(jù)處理，我們補充了軌跡無法提供的交通標牌，交通標志，紅路燈等靜態(tài)屬性之外，還大大降低了之前使用純軌跡方式構(gòu)建車道模型的運算復(fù)雜度。除了靜態(tài)模式識別的內(nèi)容外，極奧和所有視覺分析公司一樣，完成了車輛類型的識別，車牌的識別，行人分析以及交通場景語義的分析等等。但是，我們不同的是，我們沒有把這些技術(shù)用在實時感知上，而是讓這些分析結(jié)果全部沉淀在了經(jīng)緯度上，沉淀在了拓撲路網(wǎng)上，沉淀在了每一個格網(wǎng)里。

這樣就形成了我們概念中的眾包地圖。設(shè)施層為基礎(chǔ)，這里面包含的是基礎(chǔ)的車道級拓撲網(wǎng)絡(luò)、相關(guān)的設(shè)施屬性等等，從拓撲模型和數(shù)據(jù)精度上與大家一直說的HAD MAP或者HD MAP保持一致。

但在此之上，我們通過眾包的視頻數(shù)據(jù)、車內(nèi)其他傳感器數(shù)據(jù)等等形成了環(huán)境層和行為層。這兩層數(shù)據(jù)不但與位置相關(guān)還與時間緊密相關(guān)。比如這條路上什么時間集卡會大量通過，這個路口在什么時間行人闖紅燈密集，甚至包括這個路段在春天幾點會點亮有路燈，冬天路燈會在幾點熄滅等等。簡單的說環(huán)境層中沉淀的是每條路在不同的季節(jié)，不同的時間的變化情況。然而行為層中我們的關(guān)注點又回到的駕駛的層面，每條路上車輛通常的駕駛情況和周邊車輛的駕駛情況。簡單的說，行為層沉淀了老司機的駕駛經(jīng)驗，按時髦的說法就是自動駕駛的訓(xùn)練數(shù)據(jù)。

但是這些數(shù)據(jù)怎么用呢？我舉個例子。這是自車和前后的A、B、C三部車，我們需要在C車TTC=3秒的時候給出一個預(yù)判，C車會不會加塞。明顯這是一個L2的功能。這件事我們考慮的出發(fā)點不是如何構(gòu)建一個實時高效的運算模型，而是考慮到不同道路在不同的時間里加塞預(yù)判要使用不同的模型。在研發(fā)的過程中，我們通過掌握的眾包數(shù)據(jù)先建立了一個通用模型，再通過這個模型訓(xùn)練了每條道路上在不同時間點上的模型。最后再根據(jù)位置和時間，加上通過攝像頭的測距，再代入到相應(yīng)的模型中，形成了最終的預(yù)判結(jié)果。目前我們實現(xiàn)的對C車的加塞預(yù)判準確性在70%左右。在復(fù)盤數(shù)據(jù)后，我們發(fā)現(xiàn)很多預(yù)判錯誤的場景中，所有的數(shù)據(jù)完全符合這個模型，但是就是沒有發(fā)生加塞行為。怎么解決？當然我們的數(shù)學(xué)模型還是有待提高的。可是，讓我們再從人開車的角度思考，當我們從反光鏡里面看到后車的時候，不但考慮的是這輛車現(xiàn)在的駕駛行為，我們也會對這輛車本身有個判斷。我們腦子中會有一個預(yù)判，開法拉利的人就愛飆車，我要躲著他一點。因此，我們把這種思考方式同樣教給了環(huán)境層和行為層。

我們使用剛才提到的車型識別和車牌識別的技術(shù)，針對不在我眾包平臺上的車輛建立了類似于人物畫像的標簽，也就類似我們自己對周邊的環(huán)境形成一個概念性的認識。所不同的是，我們讓在眾包平臺上的所有車輛一起來補充這個標簽，提高這個標簽的準確性，也就是把所有人的概念認識形成了通用的觀念。之后，我們在對周邊車輛預(yù)判中除了從純數(shù)學(xué)的角度考慮外，就加入了對車本身的行為參考。當然這件事會更難，更復(fù)雜，但是價值更大。

眾包的魅力除了能沉淀老司機經(jīng)驗外，更大的魅力是快速的發(fā)現(xiàn)這個世界的變化。當我們把視頻分析結(jié)果，在于拓撲路網(wǎng)相結(jié)合之后，就有了更多的火花。再舉一個例子：大家都知道現(xiàn)在的動態(tài)交通信息是通過對浮動車數(shù)據(jù)的處理形成的，最終以紅、黃、綠線的形式表示出來。但是這種動態(tài)交通信息最大的弊病除了表達不精確外，就是只有在道路真的堵上了它才能反饋出來。現(xiàn)實中，當我們已龜速通過堵車的結(jié)點時會發(fā)現(xiàn)無外乎前面有交通事故，無外乎四個車道被封閉了兩個做路面維修，無外乎路面上有一塊石頭大家都在躲著開車等等。這些非正常的道路狀況其實早有車發(fā)現(xiàn)，只是后車不知道而已。

我們可以對道路施工做到自動發(fā)現(xiàn)，自動上報的。同時在拓撲層面上，也是可以及時地做到車道級的調(diào)整，并且把相關(guān)的數(shù)據(jù)再分發(fā)給其他車輛，以便后車提早繞行。目前我們完成了對錐桶、施工標志、水馬等固定物體的分析，在這個產(chǎn)品中我們也會逐步加入非正常行人，施工車輛，車道非正常停車，交通事故以及路面遺撒等情況的分析。

自動駕駛無論是路線選擇或者車道決策中對地圖的需求是不可避免的。然而，除了地圖數(shù)據(jù)本身的精度外，地圖的鮮度也是非常重要的。同時環(huán)境層和行為層數(shù)據(jù)更為自動駕駛決策提供了必不可少的數(shù)據(jù)支持，眾包數(shù)據(jù)、眾包制圖的意義和價值也就來源于此。

雷鋒網(wǎng)推薦閱讀：《前特斯拉工程師創(chuàng)辦高精度地圖公司lvl5，要用手機攝像頭眾包制圖》

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。