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(huì)暨M(jìn)MC智慧出行體驗(yàn)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(yàn)。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(shí)還曾負(fù)責(zé)寶馬、沃爾沃、馬自達(dá)等車企的項(xiàng)目工作。

極奧科技創(chuàng)辦近2年，它的核心業(yè)務(wù)是一個(gè)數(shù)據(jù)眾包平臺(tái)。通過“吃進(jìn)”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(tái)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(jī)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(dá)和影像識(shí)別技術(shù)都趨于成熟，自動(dòng)駕駛行業(yè)內(nèi)的競(jìng)爭(zhēng)已經(jīng)走到了算法這個(gè)層面。自動(dòng)駕駛是一個(gè)很長(zhǎng)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(shí)是在很長(zhǎng)一段時(shí)間不被重視的工作：眾包地圖。

在高精度地圖這個(gè)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(cè)繪車開始很多測(cè)繪的工作。這些測(cè)繪車都非?？幔@些工作本身也很有意義。因?yàn)檐嚨兰?jí)的拓?fù)渎肪W(wǎng)以及厘米級(jí)精度的地圖，都是自動(dòng)駕駛的決策算法所必須的。厘米級(jí)精度的地圖可以為自動(dòng)駕駛決策算法提供很好的支撐。但如果考慮到地圖一個(gè)非常基本關(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(gè)車道的變化一定會(huì)影響用戶開車的情況，一個(gè)車道不通了，在車道網(wǎng)絡(luò)中對(duì)應(yīng)的整個(gè)模型結(jié)構(gòu)就錯(cuò)了，就會(huì)影響到自動(dòng)駕駛汽車。所以想到解決這個(gè)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(tái)上有450萬輛車，是從后市場(chǎng)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(jī)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(gè)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(duì)車道線、交通標(biāo)志、紅綠燈等識(shí)別后，上傳識(shí)別結(jié)果；如果這個(gè)設(shè)備是一個(gè)OBD或者后市場(chǎng)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(gè)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(cè)，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(tái)上，目前什么數(shù)據(jù)都要。

既然平臺(tái)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(gè)月我跟某一家圖商有交流，給他們看格網(wǎng)的數(shù)據(jù)，當(dāng)時(shí)他們指出來某一條車道線做錯(cuò)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(chǎng)勘測(cè)，發(fā)現(xiàn)這個(gè)車道一個(gè)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(yàn)來看，一個(gè)類似上海這樣的城市在積累了20萬輛車，連續(xù)六個(gè)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(jí)的道路形狀點(diǎn)，5000車次軌跡完成拓?fù)潢P(guān)系的掛接，道路的新改增以及交通規(guī)制的變化可以實(shí)現(xiàn)小時(shí)級(jí)更新。

不過事情都是在變化的，當(dāng)我們把關(guān)注點(diǎn)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(bǔ)充了軌跡無法提供的交通標(biāo)牌，交通標(biāo)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(yùn)算復(fù)雜度。除了靜態(tài)模式識(shí)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(shí)別，車牌的識(shí)別，行人分析以及交通場(chǎng)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(shí)時(shí)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?fù)渎肪W(wǎng)上，沉淀在了每一個(gè)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(jí)拓?fù)渚W(wǎng)絡(luò)、相關(guān)的設(shè)施屬性等等，從拓?fù)淠Ｐ秃蛿?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(shí)間緊密相關(guān)。比如這條路上什么時(shí)間集卡會(huì)大量通過，這個(gè)路口在什么時(shí)間行人闖紅燈密集，甚至包括這個(gè)路段在春天幾點(diǎn)會(huì)點(diǎn)亮有路燈，冬天路燈會(huì)在幾點(diǎn)熄滅等等。簡(jiǎn)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(shí)間的變化情況。然而行為層中我們的關(guān)注點(diǎn)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(jiǎn)單的說，行為層沉淀了老司機(jī)的駕駛經(jīng)驗(yàn)，按時(shí)髦的說法就是自動(dòng)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(gè)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(shí)候給出一個(gè)預(yù)判，C車會(huì)不會(huì)加塞。明顯這是一個(gè)L2的功能。這件事我們考慮的出發(fā)點(diǎn)不是如何構(gòu)建一個(gè)實(shí)時(shí)高效的運(yùn)算模型，而是考慮到不同道路在不同的時(shí)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(gè)通用模型，再通過這個(gè)模型訓(xùn)練了每條道路上在不同時(shí)間點(diǎn)上的模型。最后再根據(jù)位置和時(shí)間，加上通過攝像頭的測(cè)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(shí)現(xiàn)的對(duì)C車的加塞預(yù)判準(zhǔn)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(cuò)誤的場(chǎng)景中，所有的數(shù)據(jù)完全符合這個(gè)模型，但是就是沒有發(fā)生加塞行為。怎么解決？當(dāng)然我們的數(shù)學(xué)模型還是有待提高的?？墒?，讓我們?cè)購娜碎_車的角度思考，當(dāng)我們從反光鏡里面看到后車的時(shí)候，不但考慮的是這輛車現(xiàn)在的駕駛行為，我們也會(huì)對(duì)這輛車本身有個(gè)判斷。我們腦子中會(huì)有一個(gè)預(yù)判，開法拉利的人就愛飆車，我要躲著他一點(diǎn)。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(shí)別和車牌識(shí)別的技術(shù)，針對(duì)不在我眾包平臺(tái)上的車輛建立了類似于人物畫像的標(biāo)簽，也就類似我們自己對(duì)周邊的環(huán)境形成一個(gè)概念性的認(rèn)識(shí)。所不同的是，我們讓在眾包平臺(tái)上的所有車輛一起來補(bǔ)充這個(gè)標(biāo)簽，提高這個(gè)標(biāo)簽的準(zhǔn)確性，也就是把所有人的概念認(rèn)識(shí)形成了通用的觀念。之后，我們?cè)趯?duì)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(duì)車本身的行為參考。當(dāng)然這件事會(huì)更難，更復(fù)雜，但是價(jià)值更大。

眾包的魅力除了能沉淀老司機(jī)經(jīng)驗(yàn)外，更大的魅力是快速的發(fā)現(xiàn)這個(gè)世界的變化。當(dāng)我們把視頻分析結(jié)果，在于拓?fù)渎肪W(wǎng)相結(jié)合之后，就有了更多的火花。再舉一個(gè)例子：大家都知道現(xiàn)在的動(dòng)態(tài)交通信息是通過對(duì)浮動(dòng)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(dòng)態(tài)交通信息最大的弊病除了表達(dá)不精確外，就是只有在道路真的堵上了它才能反饋出來?，F(xiàn)實(shí)中，當(dāng)我們已龜速通過堵車的結(jié)點(diǎn)時(shí)會(huì)發(fā)現(xiàn)無外乎前面有交通事故，無外乎四個(gè)車道被封閉了兩個(gè)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(shí)早有車發(fā)現(xiàn)，只是后車不知道而已。

我們可以對(duì)道路施工做到自動(dòng)發(fā)現(xiàn)，自動(dòng)上報(bào)的。同時(shí)在拓?fù)鋵用嫔?，也是可以及時(shí)地做到車道級(jí)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(duì)錐桶、施工標(biāo)志、水馬等固定物體的分析，在這個(gè)產(chǎn)品中我們也會(huì)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(dòng)駕駛無論是路線選擇或者車道決策中對(duì)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(shí)環(huán)境層和行為層數(shù)據(jù)更為自動(dòng)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(jià)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(jī)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。