uber|一场28公里的城市晚高峰智能驾驶挑战是如何完成的( 二 ) arm|英特尔|开源社区|openeuler|

在Uber的案例中，尽管其测试车辆采用了感知融合方案，但是其在探测到行人后的处理方式出现问题，才造成了最终事故。
说明其算法作出的决策有问题。
感知能力是硬件能力，同时需要高算力芯片的处理能力，当然还需要软件能力的配合。也就是智能驾驶系统的决策能力，来完成感知之后的判断和操控。
据公开的调查结果显示，车祸发生前Uber的智能驾驶系统已经检测到行人，但因其行走在人行横道之外，而将其识别为一个物体，并且没有作出提前降速以及刹车等反应。

文章插图
【 uber|一场28公里的城市晚高峰智能驾驶挑战是如何完成的】夜间场景除了光线问题，还会经历很多突发状况，如何像人一样做出正确的驾驶决策，是对算法的考验。
所以，算法要能持续提升。
采用纯视觉方案的特斯拉之所以对自己的智能驾驶能力非常有信心，是因为它打造了自己独特的神经网络系统，能够通过道路上行驶的特斯拉收集大量数据并实现自主学习。
利用数据引擎对算法进行训练，不断提升算法，这是智能驾驶系统得以持续升级的重要原因。这也是智能驾驶系统得以应对智能驾驶各种极端场景的保障。
智己死磕的智能驾驶都有哪些优势智己L7应该是在正式上市前智能驾驶路测做的最多的量产车了。而且智己选择的都是更贴近我们日常生活的城市路况进行测试，这样也让我们更容易理解智己做智能驾驶技术的目的：
打造成为更像人的智能驾驶体验。
从硬件来看，智己L7搭载了12颗高清摄像头，5颗毫米波雷达，12颗超声波雷达，军工级超高精度惯导、高精度地图以及5G V2X车端技术。

文章插图
当然，在这轮争抢激光雷达量产落地的军备竞赛中，智己也并非毫无准备。
目前智己的测试车都没有搭载激光雷达，但是量产车可以升级到英伟达OrinX和2个激光雷达，实现实现全场景、超视距的全路况感知。
除了智能硬件，最重要的还是智己的人工智能超级算法，以数据为主的驱动路线。
数据驱动，是通过前期大量的数据积累，可以对中国道路的复杂路况，不断通过数据去进行目标感知识别，比如此前测试中出现的外卖配送员等，可以轻松识别和避让。
其实，除了大量数据，智己IM AD还有一整套基于数据的工具链，来完成整个系统的快速迭代和进化能力。
此次测试中，测试车在合流、分流路线的决策，比如提前变道和降速，实际都是依靠算法实现精准控制，也能够保持乘坐的舒适性。包括在驾驶过程中对变道车辆的预测，都是通过数据驱动，不仅提前识别变道车辆，并且做出了正确的行进规划和策略预判。
做到数据驱动，并尽可能覆盖更多非典型场景，最重要的前提是车企要具备软件算法自研的能力。采用Mobileye解决方案的车企是无法做到这种迭代的。
通过数据驱动完成算法迭代的方式，听起来和特斯拉很像，但是二者有明显的区别。
智己IM AD与特斯拉FSD相比，除了在技术路线上，一个采用感知融合方案，一个采用纯视觉方案外，两个最大的不同在于，智己采用的是本土化数据。也就是说，对于适应中国复杂路况的能力，智己的优势更大。
虽然此次智己选择的夜间通勤工况，并不是最为复杂的场景。例如极端天气、非铺装路面等情况，对智驾系统而言也是极大的考验。但在量产落地后，智己L7还将支持激光雷达和英伟达Orin X平台的升级。更高的算力、更强的感知不仅能够覆盖更多使用场景，也会增加智驾的安全性。