智能驾驶介绍.pptxVIP

智能驾驶介绍自动驾驶：AI大模型有助于我们提升覆盖小概率路况的效率图23：达到L3及以上级别自动驾驶需要大量测试KPD 公里/无接管 最小车辆数 最小里程数据10000对小概率路况的覆盖是自动驾驶落地的核心问题公司由于一旦发生事故造成的后果极为严重，自动驾驶是一个对小概率情况非常敏感的场景。由于交通事故将会产生非常严重的后果，对于主机厂而言，在责任明晰之前，即使是99.99%的可靠性也是不能接受的，因为这可能意味着每卖出10000台车可能就会产生一起事故。行业特点决定了要实现自动驾驶就必须先对长尾场景进行有效覆盖。 30测试里程的积累是有效覆盖小概率路况的前提。根据广汽的预测，要实 L2智能驾驶现L4级自动驾驶所需要的长尾场景覆盖程度，至少需要完成10亿个测试 10场景，最小测试里程也需要10亿公里，这两个数据分别是实现L2级自动驾驶的测试场景数/评价维度L4智能驾驶1000L3智能驾驶1002000+* 109200+* 10810+ 1066~10* 1053-5 1042-3 10310亿+/100+1000万+/5010万/10+1万+/101千/510100/510万倍、1万倍。23测试里程的积累主要有两种方式此前，测试里程的积累主要有两种方式。一种是通过自动驾驶车队来进行数据采集，以Waymo为代表；一种是通过私家车进行数据采集，以特斯拉为代表。图24：测试里程积累有两种主要方式VS 通过自动驾驶车队进行路测来覆盖小概率路况的方法效率比较低。 Waymo是自动驾驶领域的霸主，但是在过去很多年里，感知问 题、行人问题、软件问题等方面，Waymo的接管频率并没有收 敛。。毫无疑问，Waymo的自动驾驶能力是逐年增强的。那么， Waymo在软件问题、行人问题等方面的表观“退步”就只能用 它在覆盖更多的小概率路况来解释。众包方式能在一定程度上提升对小概率路况的覆盖效率。特斯拉采用影子模式取代测试车队。影子模式本质上是通过众包的方式来解决场景的快速积累问题。在这一模式下，即使在人进行驾驶的时候特斯拉自动驾驶系统同样也在进行计算自己会怎么做，然后和人的选择进行对比。如果自动驾驶系统和人的选择不一致，就对这类数据进行汇集，然后交由工程师判断自动驾驶系统的选择是否合理。24大模型对于覆盖小概率路况意义重大图25：毫末智行利用大模型进行驾驶场景的生成大模型可以大幅提升场景生成的效率随着AI大模型的出现，我们覆盖自动驾驶小概率路况的效率有望大幅提升，利用AI大模型进行场景生成是覆盖小概率路况的新思路。相对于单纯的路测，直接进行场景生成，并将仿真结果与路测相结合对于快速实现路况覆盖大有裨益。毫末智行已发布DriveGPT雪湖·海若，可以实现三项能力：按照概率生成很多个场景序列，每个场景序列都是未来可能会出现的一种实际路况；在所有场景序列都产生的情况下，能对场景中最关注的自车行为轨迹进行量化。可以实现在生成场景的同时就产生自车未来的行车轨迹；基于所生成的轨迹，实现决策逻辑链的输出。值得注意的是，毫末的雪湖·海若引入了类似于GPT系列模型中的人类反馈强化学习机制。即把系统和驾驶员的判断和决策进行对比，若对比结果一致，系统会被打高分，反之则会被打低分。这与特斯拉FSD的模式有异曲同工之妙。图19：毫末基于海量接管数据对模型进行训练，从而选出最优策略25大模型对于覆盖小概率路况意义重大除场景生成外，AI大模型在自动标注方面同样能够发挥重要作用。图26：毫末智行将海若场景识别能力对外开放基于大模型可以实现自动标注，从而大幅度降低成本，提升效率。在AI的1.0时代，数据标注主要依赖于人工，导致数据的标注时间很长，且成本比较高。尤其在自动驾驶领域，由于路况复杂，存在大量的标注需求。如毫末智行的雪狐海若将场景识别能力对外开放。此前采用普通的标注方案标注一张图片需要约5元，而DriveGPT雪湖·海若只需要0.5元，大幅节约了成本。特斯拉利用AI技术实现自动标注和自动驾驶模拟仿真特斯拉通过道路重建作为车道线感知真值进行4D标注，其本质上是一个基于Tesla强大视觉感知能力的众包建图。图27：特斯拉利用AI技术实现自动标注和自动驾驶模拟仿真自动标注2020年采用 BEV空间进行标注，这里可以看到此时的建图已经是基于BEV感知进行的建图，重投影精度7pixel，人工标注耗时小于0.1小时，已经基本可以实现自动标注。2018年之前采用纯人工进行2维图像标注，效率较低。2021-2022年特斯拉自动标注技术逐渐成熟，且受全球疫情影响，特斯拉宣布裁员计划，将裁掉自动驾驶部门200位负责数据标注的员工模拟仿真2019年人工进行3D 固定框的图像标注，当时的拓扑只是基于单趟轨迹，重投影精度3pixel，整个标注还比较依赖人工，需要3.5小时进行一个clip标注。202