红帽白皮书新鲜出炉!点击获取,让你的云战略更胜一筹! 了解详情
写点什么

自动驾驶硬件研发的挑战与展望

  • 2020-05-08
  • 本文字数:2968 字

    阅读完需:约 10 分钟

自动驾驶硬件研发的挑战与展望

导读: 本次分享的主题为自动驾驶硬件研发的挑战与展望。


主要内容包括


  • Pony.ai 硬件发展简介

  • Pony.ai 硬件团队简介

  • Pony Alpha2 系统介绍

  • 自动驾驶硬件研发挑战

1. Pony.ai 硬件发展简介


Pony.ai 成立于 16 年 12 月,公司第一辆车是在 2017 年 Q2,拿到了美国加州的自动驾驶测试牌照,开始正式测试。可以看到我们当时用的还是 64 线激光雷达。2018 年 Q1,拿到了北京测试牌照,可以看到我们的雷达已经换成了 32c+多 camera 组合。2018 年 Q4,我们在上海 WAIC 世界人工智能大会上发布了公司第一个硬件 release 版本 Pony Alpha,可以看到整车的集成度和外观都进行了非常有针对性的设计。2019 年 Q2,与丰田合作改装 LEXUS RX450h。最后,是在 2019 年 Q4 发布的 Pony Alpha2 硬件系统,稍后将详细介绍。

2. Pony.ai 硬件团队介绍


Pony.ai 在北京、硅谷、广州都有研发中心,并且有车队,所以相应的在三地都有硬件团队提供本地化支持。三地之间的硬件团队经常会做技术共享,由于硬件研发本身有一定的本地化属性,所以我们是通过项目来分工合作的,同时,我们每周三地的工程师会进行充分的技术交流。


Pony.ai 硬件团队构成,包括:电子电气工程师、结构工程师、嵌入式工程师/FPGA 、车辆工程等等。

3. Pony Alpha2 系统介绍


首先介绍下自动驾驶汽车硬件系统,如上图所示,主要分三个部分:


① sensor 传感器,相当于车辆的“眼睛”,包括:雷达,Camera,GPS+IMU 等。


② compute 计算单元,相当于车辆的“大脑”,主要放在后备箱。


③ vehicle 车辆本身,是最大的硬件系统,相当于车辆的“肌肉”。



这是我们在 2019 年 Q4 发布的 Pony Alpha2 硬件系统,最新的进展包括:


① 传感器配置升级:出于成本和国产化的考虑,主 lidar 使用了 Hesai64 线激光雷达。


② 传感器清洁系统:特别针对雨天,自主研发传感器清洁系统。


③ DBW 线控:过去一度被 Autonomous Stuff 垄断 目前 pony 已经具有不同车型的线控改装技术,并能够独立进行控制参数调优。


④ 线束:深入改装车辆系统,自主研发与定制的线束。


⑤ 集成度进一步提升:通过自研硬件设备,使得设备间连接线束减少,集成度和稳定性显著提高。


⑥ 后备箱空间可用:高度集成节省了空间,后备箱有大量富裕空间供 robotaxi 乘客使用放置行李。

4.自动驾驶硬件研发挑战

① 成本



硬件系统首先面临的 最大挑战 就是 成本 。我们看以看到右图是 pony alpha 系统的车顶,有 3 个激光雷达,6 个高清摄像头,还有定位模块等,传感器+定位系统成本高达几十万 RMB。所以,如果成本这么高,如何实现自动驾驶的批量生产?何时才能服务大众?


Pony 进行的尝试和探索:


  • 自研硬件实现定制化与降成本:自研的好处就是可以把有用的模块留下,把没用的模块去掉,就可以直接降低成本。如:车顶传感器与导航信息处理单元,实现供电,信号分发,数据汇聚,数据预处理等功能。支持多种卫星导航与惯性导航单元,实现不同成本的定位性能组合。

  • 通过几代的迭代,车顶传感器系统经历了从成品采购->模块级集成->芯片级集成的升级。



  • 与行业一起发展:参考 Bosch radar 的发展路径。随着 radar 的蓬勃发展,由开始的机械扫描,变成电子扫描,集成度和稳定性在不断的提高,使 radar 的体积和成本都在不断的缩小和降低。

  • 我们已经与丰田进行深入合作,包括还有广汽。通过与 OEM 合作,逐步向前装发展,借助主机厂的力量,获得更强的议价能力。


② 功耗/散热



功耗和散热问题,简单理解就是 电从哪里来?热到哪里去?


  • 常见车载 ECU 的功耗在 10W 量级

  • 现有无人车由于需要高性能计算(CPU+GPU),功耗通常>1000W


Pony 内部进行的尝试和探索:


  • 供电方案的优化:pony 自主研发的供电系统,冗余供电,低压与高压结合,可以实现双路备份。

  • 异构计算:刚刚说到,我们内部有 FPGA 团队,可以对成熟的算法进行加速,速度提升的同时,降低功耗。当然,业界也有专用芯片的方案可以考虑。

  • 散热仿真与方案设计:我们的团队内部还有散热工程师,会针对我们系统的状态,构造各种环境,进行仿真验证、温箱测试、实车测量,保证系统的热量能够及时稳定的传输出去。


③ 快速迭代



右图是典型的汽车研发流程图,一辆汽车的研发大概会经历 2 年时间。但是对于我们,从 2017 年 Q2 到 2018 年 Q4,大概 1 年半的时间内,我们已经迭代了 3 代的硬件产品。并不是我们追求快,而是技术和行业的发展趋势如此:


  • 技术变化快,供应链变化:如刚刚提到的激光雷达的变化,已经不是传统 64 线激光雷达的时代,激光雷达的线束越来越高,体积越来越小,我们必须要跟上变化。

  • 行业变化快,合作模式探索:Pony 有和不同的 OEM(丰田,现代,广汽)以及出行公司开展合作。这要求我们必须具备快速应变,灵活调整的能力。


Pony 进行的尝试和探索:


  • 全栈团队,自力更生:除了硬件研发团队,我们还有来自车厂试制部门的现场工程师,擅长跑车改装的机械技师,自己的试制车间等等,使我们具备基本的生产加工能力。

  • 简化流程,大胆试错:研发初期追求速度,与车厂的研发流程相比,Pony 内部的设计评审流程相对简单。因为公司内部有众多优秀的人才,我们相信工程师自己的判断,当然,这个前提是基于我们的系统是在不断的快速更新迭代的。

  • 前瞻设计,预留资源:比如预留空间,电量,安装点等。


④ 量产



目前全球汽车保有量在 10 亿以上,全球无人驾驶汽车总量无法找到数据,只能预估下,大概在万级别,所以差距还是非常大的。曾经有人统计无人驾驶带来的效率提升,粗略的估计是 95%,如果替代国内的 2 亿辆汽车,需要一千万无人驾驶车辆。所以现在离自动驾驶汽车量产还有很大的一段距离,右图来自网络,大概是前几年的照片,就很形象的解释了量产。虽然现在很多自动驾驶汽车已经过了 demo 的阶段,但是这个问题还是存在的。


Pony 进行的尝试和探索:


  • 设计工艺的选择:以最典型的结构设计为例,最开始我们第一辆车,所有的结构件都是通过 CNC 做出来的,随着规模增大以后,就会去尝试鈑金、铸模等工艺。

  • 传感器标定优化:以 Camera 标定为例,我们有一套全自动化的 Camera 内参标定平台,可以实现 Camera 从安装->标定过程->内参保存->处理->上传,都是全自动化的。

  • 生产管理和质量管控:由于目前自动驾驶车辆还是几百上千的级别,主要还是采用人工进行整体的装配和调试。人工难免出错,所以我们内部会通过一些流程:如制度、文档、信息化系统,对生产管理和质量管控进行了大量的优化,来保证车辆的质量是过关的。


⑤ 复杂道路情况



最后,再介绍下复杂路况。右上角是国内典型的十字路口,目前大部分的自动驾驶公司应该还处理不了这种场景。对于 Pony,随着场景不断丰富,对无人车硬件的要求不断增多。比如传感器的配置,我们也经历了摸石头过河,循序渐进的过程。Waymo 为什么选择在凤凰城开展无人驾驶测试,相当程度上也是考虑到那里的空气干燥,常年晴天,极少雨雪。解决这些极端气候问题,需要更长期的技术迭代优化,短期内这些可能并不是最迫切的,我们也相信随着技术的发展这些难题也都会逐步得到解决。


今天的分享就到这里,谢谢大家。


作者介绍


李林涛,Pony.ai 北京硬件研发团队负责人


本文来自 DataFunTalk


原文链接


https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247499368&idx=2&sn=585bb5e401a9502ab753b2e1762d0467&chksm=fbd74c04cca0c51245c79e46fa907d9160780cfc3070d3fa76469841529a93261e86f9eb9513&scene=27#wechat_redirect


公众号推荐:

2024 年 1 月,InfoQ 研究中心重磅发布《大语言模型综合能力测评报告 2024》,揭示了 10 个大模型在语义理解、文学创作、知识问答等领域的卓越表现。ChatGPT-4、文心一言等领先模型在编程、逻辑推理等方面展现出惊人的进步,预示着大模型将在 2024 年迎来更广泛的应用和创新。关注公众号「AI 前线」,回复「大模型报告」免费获取电子版研究报告。

AI 前线公众号
2020-05-08 10:061860

评论

发布
暂无评论
发现更多内容

用NOSql给高并发系统加速

架构师修行之路

nosql redis 分布式 微服务

产品分析

时间是一个人最好的证明

产品经理 产品设计

区块链教育 丨 首批区块链专业新生正式入学

CECBC

区块链技术 区块链教育

JDK 中的栈竟然是这样实现的?

王磊

Java 数据结构和算法

古北水镇的夜

张晓楠

生活 摄影

LeetCode题解:111. 二叉树的最小深度,递归,JavaScript,详细注释

Lee Chen

大前端

MySQL事务隔离级别

长沙造纸农

MySQL 事务隔离级别 mysql事务 事务 MySQL 运维

架构师训练营第三周作业

Wee权

做好分库分表其实很难之二

架构师修行之路

微服务 分库分表

全屋智能2020第十三届(南京)国际智能家居展览会

InfoQ_caf7dbb9aa8a

讲一讲我所认为的「人生三最」,你或许能够参悟到什么

非著名程序员

程序员 个人成长 时间管理 精力管理

典型的大型互联网应用系统的技术方案和手段

LeetCode题解:104. 二叉树的最大深度,递归,JavaScript,详细注释

Lee Chen

大前端 LeetCode

java安全编码指南之:lock和同步的正确使用

程序那些事

java安全编码 java安全 java安全编码指南 java编码

20年开源老司机手把手教你玩开源——openEuler入门指南

openEuler

Linux 开源 系统操作

架构师训练营第1期第四周作业二

道长

极客大学架构师训练营

关于国际化语言 Intl

西贝

Java 大前端 国际化 格式化

2020第十三届(南京)智慧城市技术与应用产品展览会

InfoQ_caf7dbb9aa8a

2020第十三届南京国际智慧新零售暨无人售货展览会

InfoQ_caf7dbb9aa8a

“海外同步优惠”与“中国专享折扣”十大必败榜抢先放送

爱极客侠

记一次MySQL日期范围查询优化

印哥爱学习

MySQL SQL优化

坚持写技术博客一年能有多少收获!

小傅哥

Java 面试 架构师 编程经验 技术博客

手把手教你AspNetCore WebApi:Serilog(日志)

AI代笔

ASP.NET Core web api serilog

对不起,学会这些 Linux 知识后,我有点飘

cxuan

Linux 后端 操作系统 计算机

内存条的讲解

亚兰—硅的传奇official

原创 内存 硬件 计算机 哔哩哔哩

架构师训练营第 1 期 - 第四周学习总结

Anyou Liu

极客大学架构师训练营

快讯2020第十三届亚洲国际物联网展览会-南京站

InfoQ_caf7dbb9aa8a

Spring Cloud 微服务实践(7) - 日志

xiaoboey

kafka 微服务 Spring Cloud 日志 spring cloud stream

架构1期第四周作业1-大型互联网系统技术梳理

道长

极客大学架构师训练营

架构师作业第三周学习总结

Wee权

从联想ThinkStation工作站,窥见工具文明的新纪元

脑极体

自动驾驶硬件研发的挑战与展望_硬件_DataFunTalk_InfoQ精选文章