用时:45ms

无人驾驶产业报告-PDF版

您的当前位置:首页 > 汽车行业 > 无人驾驶
  • 凯捷科技:2023自动驾驶未来今日白皮书(21页).pdf

    自动驾驶未来今日如何通过人工智能、数字化和仿真技术的协同,加快实现对自动驾驶功能的高效验证?23513171819目录简介验证和确认生态系统的多个维度的集成人工智能和数字孪生对自动驾驶汽车认证的影响 数字化和软件在自动驾驶汽车开发和验证中的作用新兴的验证和确认方法论自动驾驶汽车开发、测试和验证的关键要素尾注203的传感器,如摄像头、激光雷达(LiDAR)和毫米波雷达。通过复杂的数字技术和通信技术,它们将感知结果进行融合。除此之外,汽车主机厂已经引入了自动驾驶汽车域控制器,整合了处理过程,这种进步使得证明和记录人工智能系统代表司机做决定的可预测性、合理性和完整性的决策过程更具挑战性。这导致了汽车主机厂面临的最大挑战之一:传统的传感器和软件工程已经非常复杂,但现在管理验证人工智能系统所需的海量数据也非常复杂。下一代自动驾驶汽车平台每天可以轻松产生高达200TB的数据。在一个星期内,它们可以产生一个PB级的数据。SAE L3自动驾驶所需的数据量很容易达到200至300TB。这比谷歌地图数据库的预计规模多出五到七倍,据估计,整个谷歌地球地图储存数据约为43PB。4为了安全地验证自动驾驶汽车功能,需要大量的测试场景和超过1亿公里的试驾。这需要大量的驾驶、测试、验证,以及一个融合了虚拟仿真、数据挖掘和人工智能的深度设计的端到端流程。今天,测试是在路上、在测试台和在数据中心进行的。通常,验证生态系统包括代码审查、单元和组件测试、模型在环(MiL)、软件在环(SiL)、硬件在环(HiL)、车辆在环(ViL)或更普遍的X在环(XiL),这些都需要一致的可追溯性。为了确保灵活性、可扩展性和成本效益,一个混合(多)云基础设施和数据协调是关键的成功因素。1.“Adaptive cruise control,”Wikipedia,https:/en.wikipedia.org/wiki/Adaptive_cruise_control2.Steinken,Melissa“Timeline:Milestones in ADAS Before 2010,”Jan.27,2020,Adapt https:/ International Releases Updated Visual Chart for Its“Levels of Driving Automation”Standard for Self-Driving Vehicles Dec.11,2018,SAE International https:/www.sae.org/news/press-room/2018/12/sae-international-releases-updated-visual-chart-for-its-“levels-of-driving-automation”-standard-for-self-driving-vehicles 4.Mesarina,Malena“How much storage space do you need for Google maps?”Dec.18,2016,Stellar Peers,Mediumhttps:/ 简介20年前进入汽车市场的第一波现代高级驾驶辅助系统(Advanced Driver-Assistance Systems,ADAS)是一个工程上的突破,它将传感器集成到车辆中,提醒驾驶员注意异常情况,并在某些情况下进行干预。例如,1999年,捷豹以其自动车距控制系统和基于雷达的主动巡航控制系统进入市场,推出了捷豹XKR。1 2010年,沃尔沃发布行人检测系统,使用雷达和摄像头,在有行人进入到汽车正前方行驶区域时,向司机发出警告以及启动紧急制动程序。2然而,在过去20年里,世界发生了巨大的变化。现在,基于人工智能(Artificial Intelligence,AI)的高级驾驶辅助系统(ADAS)和自动驾驶汽车(Autonomous Vehicle,AV)系统已经大量涌现,数据驱动的工程、测试和验证技术有了很大的进步。全球各国都在制定自动驾驶汽车系统的安全规范。国际组织如联合国欧洲经济委员会(UNECE)、国际汽车工程协会(SAE International)和国际标准化组织(ISO),以及区域组织如欧洲的德国技术监督协会(TV)和欧洲新车安全评鉴协会(NCAP)、美国国家交通安全管理局(NHTSA)和中国汽车技术研究中心(CATARC),已经为自动驾驶功能制定了路线图和严格的安全标准,如预防追尾、倒车和停车、车道辅助、保持安全距离和自动紧急制动系统。围绕ISO 26262和预期功能安全(SOTIF)的规范和标准已经在汽车行业内建立。所有这些创新都旨在提高安全性和可靠性。随着技术的进步,产品设计变得越来越复杂,尤其是针对汽车工程协会(SAE)L3级别以上的汽车,其具有更高的自主性。3 为了实现这一目标,汽车制造商正在车内装备实时的V2X服务、高清地图以及高性能4在整个工程研发过程中,不同的参与者倾向于使用不同的方法论,如V模型、瀑布或敏捷开发,并使用不同的衡量标准。汽车研发(R&D)工程师以系统工程级别和功能要求的方式思考。IT工程师以迭代的方式解决问题,通常使用更多的数据、更大的带宽和增强的计算能力,如更多的中央处理器(CPU)、内存或图形处理器(GPU)。由于开发和验证阶段是相互关联的,多学科的研发和IT DevOps团队需要开发一种共同的语言,并让拥有开发和验证经验的高技能人员参与进来,他们可以在这两个领域安全操作,以弥合差距。随着越来越多的人工智能和机器学习系统进入市场,特别是进入到自动驾驶汽车领域后,要证明这些系统的可预测性、可靠性、合理性和正确性就变得更加困难。这就要求有一个数据驱动的自动驾驶汽车验证和确认过程。尽管自动驾驶汽车系统和功能的开发挑战巨大,但我们致力于解决当前和下一代SAE L3 级别自主车辆验证和确认(Verification&Validation,V&V)中的关键问题。本文专门提出了五个主要挑战,针对验证和确认领域,旨在帮助汽车制造商在自动驾驶汽车市场竞争中取得领先地位,以下是这些挑战:1.验证和确认生态系统的多个维度的集成2.人工智能和数字孪生对自动驾驶汽车认证的影响3.数字化和软件在自动驾驶汽车开发和验证中的作用4.新兴的验证和确认方法论5.自动驾驶汽车开发、测试和验证的关键要素1.验证和确认生态系统的多个维度的集成2.人工智能和数字孪生对自动驾驶汽车认证的影响3.数字化和软件在自动驾驶汽车开发和验证中的作用4.新兴的验证和确认方法论5.自动驾驶汽车开发、测试和验证的关键要素除了技术方面的挑战,自动驾驶汽车的发展还面临着法律、道德和社会方面的挑战。例如,自动驾驶汽车的责任问题、隐私和安全问题、城市规划和交通管理问题等等。因此,在自动驾驶汽车领域的发展中,不仅需要技术的进步,还需要政府、企业和社会各方的共同努力,形成全方位、多层次的合作机制,推动自动驾驶汽车的发展和普及。总的来说,自动驾驶汽车是一个充满挑战和机遇的领域。随着技术和社会的不断进步,自动驾驶汽车的发展前景仍然十分广阔。无论是政府、企业还是个人,都需要以开放、包容的态度,积极探索、推动和参与自动驾驶汽车领域的发展。5验证和确认生态系统的多个维度的集成管理一个综合的验证和确认生态系统需要考虑四个重要方面:战略、法律、企业和技术。战略方面战略方面最近的研究报告指出:2020年至2030年期间,对汽车的需求正在发生急剧变化。今天,全球汽车主机厂的市值约为1万亿美元。预计到2025年将增加到1.9万亿美元,然后到2030年下降到1.4万亿美元,在短短五年内下降35%。在同一时期,自动出行即服务(mobility-as-a-service)的市值预计将从今天的1090亿美元增长到2030年的9万亿美元。5 我们预计汽车销售模式将发生变革,因为入门级汽车将更多地纳入出行即服务模式,而豪华汽车可能仍然主要面向个人购买。预计自主打车服务将把出行成本降低到现在出租车平均成本的十分之一。如今,自动驾驶汽车已经成为一种趋势,这也加速了人们的广泛采用。到2030年,自动驾驶叫车平台每年将产生超过1万亿美元的利润。5 此外,汽车主机厂和车队所有者可以分别享受2500亿美元和700亿美元的利润。62019年亚太地区豪华车市场规模达到2318亿美元,并预计将在未来的十年中继续保持主导地位。中国作为该地区增长潜力最大的国家之一。7 中国、韩国和日本正制定车辆和道路安全法规,以促进高级驾驶辅助系统(ADAS)的推广和应用。为了迎接这些变化,许多国家和地区已经在为这种模式的转变做准备。欧盟(EU)已经扩大了高级驾驶辅助系统(ADAS)系统的授权范围,如自动紧急制动(AEB)和车道偏离警告(LDW)系统,以及预碰撞系统(PCS)。在北美,越来越多的政府采取不同举措推行驾驶辅助系统,预计将加速市场增长。驾驶辅助系统更多的在小型汽车中采用,也将进一步促进市场需求。从历史上看,人们可以从三个方面及其相关特征区分出行方式(Mobility)。范式:私家(车辆)与公共(公共汽车、火车等)与按需(出租车、共享)的出行方式 商业模式:买与租与按使用量付费 驾驶的方式:驾驶员驾驶与自动驾驶在过去的二十年里,我们看到不同出行方式和商业模式两个维度的混合。然而,随着最近技术的进步,许多新的商业和服务模式正在出现。在未来几年,我们可能会看到从私家车/驾驶员驾驶向私家车/自动驾驶、共享/自动驾驶和按需/自动驾驶的出行方式过渡。想象一下,未来的智慧城市,会是一个拥有共享电动、按使用量付费自动出行的城市,居民可以安心使用不同出行服务。若想成为这个潜在的巨大市场的服务提供商之一,汽车主机厂今天必须做出行动。然而,他们面临的一个挑战是应对不同的市场差异,例如各地区的公路交通如何不同。中国上海的城市交通与印度孟买和美国洛杉矶的城市交通相比较,显然条件是相当不同的。即使有1949年9月在日内瓦和1968年11月在维也纳签订的联合国道路交通公约确立了标准,但在许多地区从功能角度应对市场差异方面仍然存在相当大的差异。5.ARK Investment Management LLC https:/ark- Ideas 2021,”Jan.26,2021 ARK Investment Management LLC https:/ark- and Logistics,Luxury Car Market,”Dec.2020,Fortune Business Insightshttps:/ 6汽车主机厂必须应对以下挑战:1.1.市场和销售目标哪些市场是相关的,每个市场的正确比重是多少?2.2.监管要求在不同地区,汽车主机厂必须遵守哪些法规?3.3.自动驾驶汽车功能和解决方案哪些功能正在开发中,应被验证(尊重特定国家的行为和车道标线、路标、障碍物、动物等)?是否可以针对有相似要求的国家进行联合开发以简化验证过程?4.4.安全问题是否有安全方面的关键影响和意义?5.5.测试策略如何通过确保所有相关市场的良好测试覆盖率和测试深度来降低潜在风险?6.6.测试方法如何将开环(如物理场景)与闭环(如虚拟场景)测试混合在一起,最重要的是,如何验证虚拟机仿真技术的正确性,并与同源性检测结果相匹配。7.7.测试设计和规范什么是正确的测试案例和测试场景,以及如何定义和收集相应的测试数据?8.8.测试数据人工智能系统的开发(如训练)以及测试和验证(如净公里、净英里、净小时、净场景、净数据量等)需要多少数据量?如何建立数据湖架构,以便在数据池中轻松找到特定场景?9.9.验证与确认生态系统和测试台确认测试生态系统内的正确组合,如单元测试、软件在环(SiL)、硬件在环(HiL)、虚拟验证等?7当前业界正在创建安全可靠的自动驾驶监管框架,其中包括ISO 26262、预期功能安全(SOTIF)、汽车软件过程改进及能力评估(ASPICE)、汽车安全完整性等级(ASIL)等规范和标准,以及汽车工程协会(SAE)、德国技术监督协会(TV)、欧洲新车安全评鉴协会(EuroNCAP)、美国国家交通安全管理局(NHTSA)、中国汽车技术研究中心(CATARC)等国际法律框架提议正在进行中。然而,实现可信和安全的SAE L3 自动出行和最终认证的道路具有挑战性。对于汽车主机厂来说,能够追溯测试用例和各自的场景需求,以及每个硬件或软件版本的相关测试结果,是至关重要的。他们需要阐明适当的测试深度和测试覆盖率,将传统的僵化的基于系统工程的开发过程转变为更敏捷的,同样可信任的数据驱动的开发和验证过程。除了系统和功能本身,尊重每个国家适用的区域和国家数据隐私和安全法规也至关重要的,特别是当在大规模全球活动中,需要从公共道路收集实际数据时。除了ISO 26262、预期功能安全(SOTIF)、汽车软件过程改进及能力评定(ASPICE)和汽车安全完整性等级(ASIL)等安全相关规范和标准外,汽车主机厂还应该考虑数据隐私政策、网络安全和国家安全的法律影响。10.10.汇报方法和关键绩效指标(KPI)哪种汇报方法和关键绩效指标是监测自动驾驶汽车验证项目和衡量测试结果和最终软件质量的合适方法?11.11.定制重复使用场景和Delta测试有哪些场景可以在开发或验证过程中进行重复使用,采用增量测试的概念,以确保训练和验证数据集的一致性?这些问题可能看起来很简单,但却不容易回答。必须确定创建数据池的正确策略,注入正确的场景,并根据这一策略开发最佳测试的生态系统。确定适当组合的确定性和统计性的物理和虚拟场景,涵盖常规驾驶场景和极端情况,对于证明系统的确定性和统计性的正确性至关重要,确保其一致性。在自动驾驶汽车系统工程、验证和确认中,变化是永恒的话题。因为变化是开发和验证项目中的一个常态,汽车主机厂必须选择更敏捷和能够应对快速变化的合作伙伴。这一特征对服务行业的合作方式和商业模式有很大影响。法律方面法律方面1949年和1968年的联合国道路交通公约规定了全球普遍接受的道路交通安全标准。伴随着自动驾驶的引入,联合国欧洲经济委员会已经为自动驾驶汽车的普及铺平了道路,对道路交通公约的修正案2016年3月23日生效。从该日起,在实际交通中,将驾驶任务转移给车辆的自动驾驶技术将被明确允许使用,但这些技术必须符合联合国的车辆规范,或者这些操作功能可以被司机接管和关闭。数据隐私和安全可能会涉及到关键的法律问题,这些问题因国家而异,并在不断发展变化。例如,欧盟通用数据保护条例(EU GDPR)对个人信息的使用非常严格,如行人的面部图像、车牌和个人的精确全球定位系统(GPS)位置。欧盟通用数据保护条例明确规定了收集数据、数据安全性的合法基础和透明度,确认了问责制和治理措施,以保障个人隐私权。在俄罗斯,拍摄桥梁、发电厂、地铁站或任何其他相关基础设施的图像和数据都是非法的,并被归类为间谍行为。2020年1月6日,美国政府修订了军民两用出口管制,以涵盖人工智能和机器学习(ML)应用中使用的特定软件,如使用相机或激光雷达(LiDAR)点云作为训练数据的深度神经网络。因此,美国工业与安全局(BIS)修订了出口管理条例(EAR),对出口和再出口专门用于自动分析地理空间图像(以及任何此类培训或验证数据)的软件施加许可证要求,出口到加拿大以外的所有目的地均需获得许可证。中国关于国家安全和网络安全的法律和法规也禁止在没有适当许可的情况下收集地理空间信息 包括由相机、激光雷达(LiDAR)和全球定位系统(GPS)传感器生成的相关信息。在从任何国家出口数据之前,汽车主机厂必须确保不会违反任何数据出口管制条例。鉴于对数据存储和处理地点的限制,工程研发公司、基础设施供应商和汽车主机厂必须部署区域或本地项目站点,以根据区域和国家的规定提供服务。我们强烈建议他们计划或在公共道路上进行任何测试活动之前寻求当地的法律顾问,并在启动任何活动之前与有关当局保持一致,因为不遵守规定的后果可能很严重。当计划使用混合(私有)云基础设施在全球范围内共享数据时,各方必须实施适当的数据安全措施。强烈建议在与不同国家的其他实体或项目合作伙伴共享数据,或让他们远程访问敏感信息之前对数据进行匿名处理。强大的数据安全管理手段和限制性的数据治理是至关重要的。理想情况下,自动驾驶汽车的测试和验证基础设施以及数据储存地应始终位于每个相应的国家或地区,特别是对于中国、欧洲和美国。企业方面企业方面现代全球化的自动驾驶汽车开发和验证企业是跨国、具备多种行业能力的。他们灵活、敏捷,并且执行力强。他们可以对新情况作出快速反应,并在整个产品开发生命周期中应对变化。这些开发和验证企业不受有害竞争和政治的影响,能够快速找到问题的解决方案。他们重视文化差异和多样性,同时遵循共同的核心价值观。通过利用远程、现场、异地、近岸和离岸的能力,这些企业搭建了高技能的全球人才库。公司必须在企业流程(特别是与开发安全关键系统有关的流程)和企业文化中植入的敏捷和灵活的主人翁意识之间找到良好的平衡。速度、敏捷性和快速决策与当地的客户文化整合同样重要。服务提供商必须能够在所有地区(亚太、欧洲、中东和非洲以及美洲)提供本地服务。89在认证的过程中,汽车主机厂正在实施几乎相同的自动驾驶汽车验证与确认生态系统:测试策略整合制从流程设计到测试执行和报告,定义清晰的测试策略和自动化测试,利用人工智能有效地整合和管理开发过程中的变化 数据生产开展实际的道路车辆数据收集活动,并为符合全球和地区法规的测试场景制作相应的彷真数据 数据管理和人工智能覆盖从注入、后处理、数据标注和信息富集的过程,利用人工智能确保数据的质量、隐私和安全 工具链集成和数字连续性通过将所有软件工具无缝连接到一致的工具链中,并将集成扩展给其他合作伙伴和数据源,确保数字连续性 混合云基础设施定义基础设施策略,设计其架构,并提供可扩展的混合云解决方案来支持高级驾驶辅助系统(ADAS)开发以上部分工作应该在现场或相应地区实施,其他的工作则是集中统一展开。工程师们应经常问自己,他们是否能够获得有关测试过程的所有必要的关键信息。这就是分析和人工智能派上用场的地方。汽车主机厂必须弥合传统系统工程、敏捷、基于SCRUM的方法、DevOps、LeSS、持续集成(CI)和持续交付(CD)之间的差距。10汽车主机厂和一级供应商需要在开发过程中尽早建立一个联合、跨职能架构的管理团队。该团队将对整个价值链的完整端到端数据流进行建模,并解决车辆、测量系统、硬件在环/软件在环(HiL/SiL)的重新模拟和数据管理基础设施之间的依赖关系,以确保整齐流畅的操作。那些能够建立跨国、文化包容、灵活、敏捷和不同行业背景的团队的工程研发企业,并且主要负责管理包括云和IT在内的汽车研发领域,将在竞争中领先。技术方面技术方面自动驾驶汽车系统、传感器和功能的开发在技术上非常复杂。当涉及到这些系统的验证时,验证工具链的复杂性不应该被低估。验证生态系统的主要技术构件包括:车辆和网络通常情况下,现有的量产车是下一代系统和技术的载体平台。常规来说,现有的网络和信号必须转换为下一代协议。5G将成为共享和智能出行的重要驱动力。(预)系列开发的传感器和电子控制单元在测试中,这些单元包括正在开发的下一代系统,如摄像头、雷达、激光雷达(LiDAR)、远红外线(FIR)或类似的传感器技术。二级传感器这些传感器,包括高性能激光雷达(LiDAR)、高性能摄像头、不同的全球定位系统(GPS)或类似的传感器,通常用于自动创建经过验证的真实数据。自动驾驶汽车功能和高清地图自动驾驶功能以主动模式或去活化(被动/阴影)模式进行开发和验证,动态高清地图被创建并不断更新。测量系统和技术在数据收集活动中,重要的是要确保(理想情况下是加密的)记录和可视化系统。系统必须能够处理所需的数据速率,并提供必要的日志记录通道和监控程序来监控整个系统状态,以便及早发现问题。测试生态系统和测试台测试和验证的实验室环境必须包括模型在环(MiL)、软件在环(SiL)、车辆在环(ViL)、硬件在环(HiL)、硬件虚拟化等。验证工具链、分析和人工智能平台产品生命周期管理(PLM)需要的软件工具链包括测试管理套件、数据管理套件、问题管理、仿真工具、DevOps和持续集成/持续交付(CI/CD)集成。汽车主机厂应该致力于在生产过程的每个阶段,都招募具有相应专业知识、思维方式和背景的人才。合格的工程师需要有大约八年的经验,包括汽车行业的知识,以及管理大规模项目的能力。越来越重要的是,团队成员应该具有协作和灵活的心态。人才将大大影响自动驾驶汽车项目的成功与否。11微服务平台该平台提供了一个抽象框架,用于在底层IT基础设施之上集成各种微服务。它利用虚拟化和容器化、实现安全和治理,并为整个服务生态系统提供所需的协调器、日志机制和更通用的接口。IT基础设施、混合云和互联互通基础设施包括地理分布式、虚拟化和安全的混合内部/外部扩展云和IT基础设施,具有热、温、冷归档存储、计算、网络和互联。通常可跟踪的数据流、摄取和数据质量都很重要,但往往被低估。在预开发期间,必须选择合适的传感器组。此外,有必要确保现有工具和新工具的数字连续性。汽车主机厂和一级供应商带来了他们多年来投资开发的历史工具,抛弃它们是没有意义的。相反,它们需要被整合和对接,以建立一个连贯的系统架构和工具生态系统。为了实现虚拟测试的准确性,必须了解并明确定义需要投资的领域。典型的系统工程工具包括IBM Rational DOORS和Rhapsody、Intland codebeamer、Sparx SystemsEnterprise Architect,以及MATLAB Simulink/TargetLink、AUTOSAR相关工具集、VectorCANape或CANoe、Elektrobit EBtresos、Continental MTS、仿真环境如IPGAutomotive CarMaker或VIRES Virtual TestDrive、dSPACE vEOS 或 ControlDesk,以及其他许多工具。这些工具在最好的情况下是有标准化格式的,在最坏的情况下所有的结果产出均是用不同专有文件格式。在经典工具集的基础上,在整个过程中为数据摄取、数据解码、数据质量、编排和报告提供正确的数据管理工具是很重要的。在平台和框架方面,使用Docker、Kubernetes或类似平台的轻量级虚拟化非常重要,与Caffe和TensorFlow等人工智能框架的集成也很重要。此外,DevOps和持续集成/持续交付(CI/CD)工具,如Atlassian、Jira和Confluence、Git版本管理和许多其他工具可以集成到一致的生态系统中。许多其他工具已经存在,包括数据摄取和质量保证或与合作伙伴和供应商的数据交换工具。许多需求不断变化的工具共存,需要集成到软件或硬件循环、虚拟模拟编排、KPI生成仪表板分析、人工智能以及场景检测和分类的历史工具集中。汽车主机厂和供应商必须考虑,用于自动驾驶汽车培训和验证数据生产的车辆、传感器和系统往往处于最终产品的早期预开发阶段,容易出现故障。整体的稳定性和准确性可能比预期的要差,所以必须实施持续的质量保证和问题管理流程,以适当地管理系统可用性并应对意外问题。在进入验证阶段或传感器校准问题时,没有人想到要收集的信号和参数可能会导致重新模拟时出现严重的问题。不能正确地相互同步数据通道,或者不能确定地重新模拟在实验室或随后在测试台上创建的系统和功能行为,最多可能导致严重的项目延迟。在全球数据收集活动中,如果传感器组没有经过充分验证,可能会产生无用的数据,要么必须在随后付出巨大努力进行修复,最坏的情况下,需要重新创建数据收集。今天的自动驾驶汽车测试车每天很容易产生超过64TB的数据。定期的测试活动涉及超过100万公里的测试里程,这相当于8到12辆车一整年的行驶里程。因此,汽车主机厂在每个开发项目中产生了超过150PB的大量数据,必须对这些数据进行管理、组织、存储和处理,并依靠透明的报告和分析来获取有价值的信息。凯捷科技研发与亚马逊云服务(AWS)、微软(Microsoft)和谷歌等基础设施提供商以及英伟达(NVIDIA)、英特尔(Intel)和戴尔(DellTechnologies)等技术提供商正在合作建立一个集成的端到端自动驾驶汽车验证和确认生态系统。该团队正在共同应对复杂的测试挑战,测试一个Level 3 项目,在驾驶员参与的情况下进行部分自动驾驶和完全自动驾驶,团队针对项目潜在可行性提出了五个问题。至关重要的是,能够在自动驾驶汽车项目中应对不断发生的变化。工程师需要在整个产品开发生命周期中(从早期设计阶段到最终认证)评估变化产生的影响。例如,当传感器在汽车中的位置发生变化时,可能会影响传感器的校准和它对世界的感知。另一个很好的例子可能是挡风玻璃角度的改变,这很可能会影响到前置摄像头的光路和它对现实的感知。同样,车辆保险杠设计的改变可能会影响安装在保险杠后面的近程转角雷达传感器。这也引发了一些问题,例如,在传感器重新定位之前收集的数据是否可重用?这是汽车行业正在努力解决的最具挑战性的问题之一。考虑到传感器定位的许多变量,以及在任何特定时间有50多辆测试车运行的必要性,因此整个验证与确认过程需要绝对精确,以确保得到高质量测试结果。为了获得最高质量的测试结果,确保数据能够再利用,汽车主机厂必须回答三个基本问题:如何优化测试过程?如何能以更智能的方式收集数据?具体而言,是否有办法通过从更少的数据中分析到更多的信息来提高数据的价值?在面临未来几个月内难以预测和计划的情况下,如何最优化地分配测试预算?12人工智能和数字孪生对自动驾驶汽车认证的影响随着人工智能的兴起,要证明基于统计学习的人工智能算法是按预期运行的,变得越来越有挑战性。日益严格的法规、对海量数据的需求、上市时间的压力以及流程日益复杂,这些都推动了汽车验证与确认服务的发展。虚拟化和仿真等新技术为汽车主机厂设计、销售和维护车辆的方式带来了重大变化。汽车主机厂必须证明其验证与确认过程的安全性,才能获得监管机构对自动驾驶系统和功能的批准。这意味着他们必须回答有关整体系统安全和质量的六个问题。正确性例如,高度自主驾驶功能是否功能按预期工作?完整性从涵盖所有可能情况的意义上说,系统是否完整?合理性在任何情况下,这些功能都会做出理性的决定吗?这本身就已经是一个具有挑战性的哲学问题。稳定和鲁棒性在不利条件下,系统和功能是否仍能在预期的规范内运作?安全性这些系统是否值得信任?合规性最重要的是,系统和功能是否符合适用的规范、标准和条例?这些问题都很有挑战性,但我们可以运用真实世界的数据,以及运用虚拟模拟模型,就可以给出肯定的答案。例如,验证一个完全自动化的SAE L4系统需要在公共道路上收集2.4亿多公里的数据,这对应着理论上超过2000辆汽车的车队规模,需要运行一整年得到的数据。一个由十辆汽车组成的车队运行一年,意味着产出大约150至200PB的数据。将测试规模扩大到2,000辆车的成本是非常昂贵的,特别是当它需要艾字节区域(1 EB=1,000 PB=1018 B)的IT基础设施时。汽车主机厂唯一的选择就是改变测试方法。虽然现实世界的物理测试将继续进行,但关注重点将逐渐改变为包括仿真在内的新技术。这意味着只需更低的成本,汽车主机厂就能够更迅速地扩大测试覆盖率。13凯捷科技研发致力于成为汽车企业的战略合作伙伴,与客户举办联合开发会议和研讨会,使得汽车主机厂可以参与到端到端的决策过程中,在共同研发过程中,凯捷科技研发将共享我们的想法、愿景和战略。将物理世界的测试作为虚拟仿真的基础将物理世界的测试作为虚拟仿真的基础在过去,测试数据或多或少是在测试期间同期收集的。现在,由于需要大量的测试数据,方法正在改变。测试数据是独立于实际测试过程本身并且在验证和确认发生之前收集的。今天的测试生态系统和测试工具被用于模拟仿真和物理测试的结合。测试必须包括真实的汽车、人和道路以捕捉现实情况。然而,有可能无法捕捉到足够多的数据量来验证这个过程。值得注意的是,物理测试不仅将更频繁地用于验证系统和功能,而且还将用于验证它们的模型。最后,这一切都归结为一个核心和关键的问题:您手头是否有正确的数据池,您能否管理它?基于仿真的验证基于仿真的验证与物理世界测试相比,仿真可能是一种更优越、更经济的解决方案,因为它能够通过在数据中心增加计算能力来轻松扩展。然而,关键是要证明仿真测试的结果与物理测试一样可靠,并能产生足够相似的结果。一个典型的例子是虚拟障碍物,它们通常来自于物理世界的场景。这些测试可以比设计真实世界测试更加实用。例如,可以在虚拟环境中添加虚拟儿童、行人和骑自行车的人,并设计他们进行意想不到的动作,比如从障碍物后跳到移动汽车的前面。这些场景测试是必要的,而且在虚拟世界中更加容易和安全。以Cognata为代表的初创公司,与VIRES和IPGAutomotive,AVSIMULATION等其他仿真公司,以及dSPACE、National Instruments和Elektrobit等工具供应商一起,正在引领虚拟仿真市场的发展。借助DRIVE Sim和DRIVE Constellation Vehicle,Nvidia提供了一个测试和验证套件,可以在数据中心对数十亿英里进行虚拟验证。8走向虚拟认证的最后一步是极其关键的。诸如国际工程师协会、德国技术监督协会(TV)、美国国家交通安全管理局(NHTSA)和中国汽车技术研究中心(CATARC)等组织正在努力为安全和可信的虚拟认证定义适当的标准。8.Autonomous Vehicle Simulation,Nvidia https:/ AUTOSAR平台与基于云的持续系统工程流程和一致的验证生态系统集成在一起。17新兴的验证与确认方法论智能产业正以传统研发、云计算和信息技术的混合体出现。9 对于自动驾驶汽车的开发和验证,我们认为以下大趋势是最重要的:虚拟仿真和数字孪生物理测试本身仍然适用,但无论如何都不足以对自动驾驶汽车进行完整和可信的验证。物理世界的数据将被用来证明模拟的正确性,并需要建立复杂的模拟模型和现实的数字孪生。数据和云这是数据驱动的工程与验证、未来的自动驾驶汽车和智能物联网机器的基础。分析和人工智能整个开发和验证与确认过程的透明度将是信任与安全认证的关键。利用机器驱动学习、人工智能和深度学习将成为优化和加速自动驾驶汽车验证与确认过程中的最关键驱动因素。协作和标准化政府、监管机构、标准化机构、汽车主机厂、科技公司、供应商以及工程和IT服务提供商现在必须联合起来,共同创造自动驾驶的未来。随着人工智能的崛起,测试方法变得更加以数据为导向,而流程、方法和工具需要快速调整。随着人工智能的兴起和SAE L2-plus及以上车型所需的测试量,汽车主机厂进入了数据驱动工程的领域。之前从分离数据集中收集的数据被用于训练、测试和验证高度自动驾驶功能,越来越多的汽车主机厂运用机器学习来实现这些功能。数据必须巧妙地被收集,并在统计上合理分布。例如,用春季和夏季创建的数据来训练AI算法,然后用秋季或冬季的数据来验证它,这没有多大意义。从物理世界中收集的公路数据也被用于构建现实的数字孪生,并通过虚拟场景进一步扩大数据湖。自动驾驶是由数据驱动的智能产业的产物。当今复杂的系统工程项目需要一个可扩展的混合云基础设施,它比单一的本地数据中心环境更好地适应项目每个阶段的项目需求。数据的重要性和敏感性日益增长,因而要求在隐私政策、网络安全、国家安全、出口法规、数据审查和匿名化方面加强数据安全和治理。数据的丰富性和质量以及顺利管理数据的能力是成功的关键。作为功能开发的核心,人工智能有助于优化整体验证与确认流程。例如,虚拟场景和行为可以从数据中学习。分类器和数据挖掘优化了数据池,使得特定场景更容易被识别。分析提供数据驱动的见解,以便在早期和整个工程项目中得出明智的项目决策。在合作方面,SAE宣布成立IAMTS联盟,其中包括德国技术监督协会(TV)、美国国家交通安全管理局(NHTSA)和中国汽车技术研究中心(CATARC),以及工程服务和工具供应商。10 联盟成立的主要目标是跨地域标准化自动驾驶汽车验证过程。例如,在美国,自动驾驶汽车法规可能因州而异,与其他州相比,加州已经非常活跃和成熟。在欧洲,其目标是建立未来的标准。竞争很激烈,如果公司希望获得正确的流程、工具和方法,以便在未来具有竞争力,就需要提早参与竞争。9.“Intelligent Industry Powered by Data,”Capgemini https:/ association will establish standardization and testing for connected vehicles,”Apr.10,2019 SAE International https:/www.sae.org/news/2019/04/wcx-2019-iamts-association-will-establish-standardization-and-testing-for-connected-vehicles18自动驾驶汽车开发、测试和确认的关键因素消费者将对自动驾驶汽车提出的最关键问题是:“我可以信任它们吗?”那么,汽车主机厂该如何让公众对这些汽车及其底层技术产生信任呢?安全和信任:OTA是一种通过软件定义的手段逐步改善当今车辆功能的智能方式。但对于自动驾驶来说,必须按照ISO 26262、ISO/DIS 21448(SOTIF)、SAE J3016和和预期功能安全(SOTIS)的功能安全标准实施严格的安全和信任流程。事实上,这些标准和其他标准对自动驾驶汽车的成功至关重要。一些走在前沿的玩家和科技或出行服务公司,如特斯拉、Uber、Lyft和Waymo正在取得重大进展。另外,传统的汽车主机厂,如沃尔沃、戴姆勒、奥迪、丰田和许多其他公司,以及主要的一级供应商,如博世、大陆、麦格纳和其他公司,正在加紧应对自动驾驶汽车的挑战。安全和隐私:汽车主机厂必须尽一切努力保护乘坐人和基础设施,并在即将投入运营的所有自动驾驶出行服务中保障市场和国家的主权。ISO 27001定义了数据安全和隐私标准,并确保对海量数据集的测试得到正确处理、加密和匿名化,以避免未经授权的访问。这一标准对于供应商获得欧盟通用数据保护条例(EU GDPR)批准至关重要,合作方涉及到汽车主机厂的下游客户,上游的供应商,特别是国际供应商,因为其中数据可能在不同的国家边界之间移动。遵守这些标准可以确保每个级别的关键决策者参与到开发过程中。汽车主机厂必须与他们经营所在国家的地方当局一起开展测试活动。这将确保他们避免所收集的数据被没收或销毁,或更糟的情况,导致外交问题,甚至遭遇间谍指控。效率:汽车行业要想在短期内以显著的速度和合理的开发成本使自动驾驶汽车成为现实,唯一的机会就是与数字化、云和工程服务供应商行业的公司联合起来。自动驾驶汽车工程研发和验证与确认项目依赖于非常复杂的成本机制,取决于规模经济以及成本是固定的还是可变的。例如,对于全球数据收集项目,车辆运输是一个固定成本。车辆在该国使用的时间和收集数据所需的运行公里数都是可变成本。例如,如果一辆车被运到新加坡行驶两天,每天的固定成本就相对较高。如果在该国停留6周,费用就会低得多。汽车主机厂必须了解这些机制,并找出正确的战略,以保持支出在预算之内。具体来说,他们针对哪些国家进行检测,需要在这些国家花费多少时间?为了应对自动驾驶汽车开发和验证与确认项目的不断变化,必须与供应商建立智能商业模式,例如定价目录和复杂的按次付费模式。安全、保障、隐私和效率的要求体现在自动驾驶技术发展的所有方面,包括战略、法律、组织、技术和财务。1920Ralf Nikolaus汽车与自动驾驶系统验证技术专家,凯捷科技研发 汽车与自动驾驶系统验证技术专家,凯捷科技研发 尾注自动驾驶正在改变我们对出行看法;它将有助于使道路更加安全,防止事故和死亡。这既是一个庞大的市场,同时也是一个复杂和快速变化的领域。随着该领域的发展和算法的自动学习,人工智能系统在自动驾驶汽车开发中发挥着关键作用,但问题仍然存在。汽车行业应如何应对变化?汽车主机厂是如何管理车中的人工智能系统的进化的?特斯拉目前正在研究可预测的神经网络和确定性的人工智能算法,以创建融合传统系统工程和基于人工智能的系统的混合系统。其他汽车主机厂也在采取类似的措施。关键是要考虑这些模型的不可预测性,并确保企业通过经过验证的、理性的和聪明的决策建立对人工智能的信任。黑盒解决方案是不可接受的。汽车主机厂如何明确地证明他们的自动驾驶汽车的安全性?一方面,为确保安全,自动驾驶车辆测试法规越来越严格。另一方面,技术正变得越来越复杂。在汽车上作者采用人工智能系统必须是一个循序渐进的过程,涉及政府、立法者、汽车制造商和智能产业的多方意见与决策。例如,在上海,已经建立了一个测试场地,对应于一个拥有数百万人口的城市,L4和L5自动驾驶汽车将被允许,新技术将在获得批准后被整合。这样的投资有助于建立对自动驾驶汽车的信任。政府可以在开发阶段与制造商合作制定立法。这种分阶段的合作是正确的方式。今天的关键问题是:我们对自动驾驶的技术有多大信心?自动驾驶是会否能通过消费者的考验,真正被消费者所接受?答案在几年内将见分晓。智能驾驶中国业务联系人Yang Liu智能驾驶解决方案负责人,凯捷科技研发 智能驾驶解决方案负责人,凯捷科技研发 致谢本白皮书中文翻译贡献者(排名不分前后):Weiwei XI,Monica WANG,Terry TANG,Derek LAM,Yang LIU 关于凯捷科技研发凯捷科技研发是全球工程研发(ER&D)服务的企业合作伙伴,基于其在数字化和软件领域的深厚行业知识及前沿技术积累,凯捷科技研发赋能客户实现数字世界和现实世界的融合,并结合集团其他部门的能力,加速其产业智能化的发展步伐。凯捷科技研发现有超过60,000名工程师和技术专家,遍布全球30多个国家,服务于航空、航天、国防、海军、汽车、铁路、基础设施与交通、能源、公用事业与化工、生命科学、通信、半导体与电子、工业与消费、软件与互联网等产业。关于凯捷科技研发中国自2006 年以来,凯捷科技研发(以亚创进入中国)一直勤耕于工程和研发服务领域,专注于汽车、航空、通信、半导体和电子等关键产业。目前,凯捷科技研发在国内有1,000多名工程师和技术专家,总部位于上海,并在北京、西安、合肥设有办公室和交付中心,业务遍布全国10多个城市(苏州、无锡、深圳、广州、成都、天津、哈尔滨、沈阳、青岛等)。凯捷科技研发正与国内和跨国企业合作,共同提供从概念到产业化的下一代产品、运营和服务,包括汽车电子驱动技术,车载信息娱乐系统,自动驾驶,车联网;软件工程、5G互联、物联网、大数据;芯片工程、设计与验证;航空系统工程等领域。欲了解更多详情,请浏览官网:www.capgemini-邮件联系我们: Capgemini 2023.All rights reserved

    浏览量103人已浏览 发布时间2023-09-11 21页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 自动驾驶行业专题研究报告:高阶智驾的突破与挑战-230904(17页).pdf

    请务必阅读正文之后的免责条款部分请务必阅读正文之后的免责条款部分2023,09,04高阶高阶智驾智驾的突破与挑战的突破与挑战自动驾驶行业专题研究报告自动驾驶行业专题研究报告吴晓飞吴晓飞,分析师分析师,.

    浏览量25人已浏览 发布时间2023-09-06 17页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 智能驾驶行业专题:算法篇AI赋能背景下看汽车智能驾驶算法的迭代-230807(54页).pdf

    请务必阅读正文之后的免责声明及其项下所有内容证券研究报告证券研究报告,20232023年年0808月月0707日日超配超配智能驾驶行业专题智能驾驶行业专题算法篇,算法篇,AIAI赋能背景下看汽车智能驾.

    浏览量30人已浏览 发布时间2023-08-10 54页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 同济大学:2023面向新商业模式的高级别自动驾驶法律责任白皮书(50页).pdf

    面向新商业模式的高级别自动驾驶法律责任白皮书(2023)同济大学百 度2023 年 7 月

    浏览量79人已浏览 发布时间2023-08-01 50页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 汽车行业智能驾驶行业专题:大模型赋能汽车智能驾驶迎来蜕变时刻-230711(50页).pdf

    请务必阅读末页的免责条款和声明中信证券研究部中信证券研究部汽车及零部件行业研究团队汽车及零部件行业研究团队尹欣驰,李景涛,李子俊,武平乐,简志鑫,董军韬尹欣驰,李景涛,李子俊,武平乐,简志鑫,董军韬2.

    浏览量68人已浏览 发布时间2023-07-13 50页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 自动驾驶行业深度:驱动因素、竞争格局、应用场景、产业图谱及相关公司深度梳理-230707(31页).pdf

    1312023年年7月月7日日行业行业,深度深度,研究报告研究报告行业研究报告慧博智能投研自动驾驶自动驾驶行业行业深度,深度,驱动因素驱动因素,竞争格局竞争格局,应用场景应用场景,产业图谱产业图谱及及.

    浏览量53人已浏览 发布时间2023-07-11 31页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 自动驾驶行业研究系列一:端到端架构渐行渐近-230709(26页).pdf

    敬请阅读末页的重要说明证券研究报告,行业联合报告2023年07月09日推荐推荐,维持,维持,自动驾驶自动驾驶研究研究系列系列一一TMT及中小盘中小市值马斯克在国外社交媒体推特上表示,特斯拉计划在其全自.

    浏览量67人已浏览 发布时间2023-07-11 26页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国汽研:2023场景驱动自动驾驶商业化发展与展望白皮书(67页).pdf

    !#$%$&()* ,-,.!#$%$&()* ,-,./012012/!#$%&()* ,-./0!#$1234567890!#)#$:;,-./02023?AB73CDEF 自动驾驶汽车是未来汽车行业发展的重点方向。经过十多年发展,我国自动驾驶技术已经走向产品过渡期。目前,全国多地已经开展了不同程度的自动驾驶商业化示范,商业化示范应用正在不同场景加速落地。1.1)* ,-./012345 2018 年工信部等部门出台 智能网联汽车道路测试管理规范(试行),2021年 7 月三部委在此政策的基础上进行更新,推出智能网联汽车道路测试与示范应用管理规范(试行),2021 年 9 月工信部关于加强智能网联汽车生产企业及产品准入管理的意见等规范性文件制定出台,从道路测试、示范应用、产品准入等方面为自动驾驶的发展提供了规则支撑。2022 年 8 月,交通运输部发布自动驾驶汽车运输安全服务指南(试行)(征求意见稿),鼓励和规范自动驾驶汽车在运输服务领域应用。自动驾驶法律法规的制定延续了“中央政府定纲领,地方政府落实试点”的思路,并基于地方试点助推未来国家层面法律法规的制定。在国家层面的自动驾驶商业化政策发布后,各地方陆续跟随落实。#$%&()* ,-.2018 年以来,已经有超过 30 余个省市发布智能网联车辆路测及示范运营管理细则。工信部、交通部、住建部、发改委等均在积极推进城市级智能网联测试示范区工作。截至 2022 年年底,工信部授权国家级测试示范区 10 家和先导区 4 家、交通部授权 4 家、工信部与交通部联合授权3 家、住建部授权 6 家、住建部与工信部联合授权 16 家,开放 5000 多公里测试道路,同时积极在示范区开展监管试点,覆盖准入、数据安全、事故处理及技术标准全链条。2!1-1#$%&()* ,-./012 /-0123245678,-9:;?*3245ABCDEFGH.2022 年 7 月 5 日,深圳发布深圳经济特区智能网联汽车管理条例,并于 8 月 1 日正式实施,这是国内首部关于智能网联汽车管理的法规,率先填补了智能网联汽车法律的空白,有助于推进自动驾驶相关的全国性立法工作。深圳率先对智能网联汽车立法管理,走出了推动自动驾驶驶入“有人区”的第一步,解决各自动驾驶企业的上路权,明确了事故责权划分。IJKL()MN678.除示范准入监管政策外,一些城市还发布了对自动驾驶运营补贴的政策。OPQRS鼓励开展示范应用,按单个示范项目实际投资额的 30%给予资金奖励,最高奖励 300 万元。=TS对于示范车辆行驶里程累计达到1000公里的运营主体,根据示范应用效果给予最高500万元资金支持。UVTS 对申请在区内公开道路测试的企业,给予车辆测试牌照申请有关检测费、手续费 50%的补贴,单个企业每年最高补贴 200 万元;围绕数据增值和出行服务等,探索建立新商业模式,按企业示范应用车辆及场景项目建设投资的 30%给予奖励,单个企业最高奖励 1000 万元。WX9YS落户苏州高铁新城且共同参与示范应用的智能驾驶企业,根据示范应用效果最高给予企业每辆车 30%的车辆购置及改装补贴,单个企业享受补贴金额最高不超过300万元;Robotaxi、Robobus、物流配送示范车辆行驶有效里程数分别累计达 2000 公里、1000 公里、500 公里的运营主体,根据示范应用效果给予最高不超过 5 元/公里的资金支持,单个企业享受补贴金额最高不超过 300 万元/年,累计不超过 3 年。1.2)* ,-./6789 3245ABZ_S载人(Robotaxi、Robobus 等)、载物(干线物流、末端配送、同城货运等)和特殊(环卫、特种车等)。过去几年,自动驾驶也是国内资本市场的风口,吸引了不少热钱涌入。自动驾驶商业化领域的投资热开始于 2015 年,主要聚焦 Robotaxi 领域。到近年,干线物流领域、末端无人配送等自动驾驶商业化场景也开始引发资本关注。在 2021 年,随着全球业体经济 4 从疫情中恢复过来,资本市场对自动驾驶行业的投资热情达到顶峰,艾媒数据中心数据显示,2021 年我国自动驾驶领域相关投融资事件为 122 起,投资金额达782.4 亿元。在全球经济衰退、疫情的复发,俄乌冲突等极端外部环境的影响下,虽然2022年的投融资事件较2021年增加,但投融资金额大幅度降低。总体来看,自动驾驶行业投融资状况是呈现利好趋势,一方面是因为充裕的流动性向一级市场扩散;另一方面是自动驾驶技术发展和应用落地后,逐渐获得资本认可,互联网巨头和汽车龙头企业对该领域的重视程度提高。3 1-142016 5-2022 567%&(89:;?数据来源:艾媒数据中心 RobotaxiSRobotaxi 即自动驾驶出租车,又称共享无人车。其业务本质是自动驾驶的共享出行场景商业化,被认为是自动驾驶商业化探索上最吸金的赛道之一。目前在这条赛道上参与的企业众多,包括百度、小马智行、蘑菇车联、滴滴、AutoX、文远知行等企业。2021 年滴滴自动驾驶业务在前一年已经融资 5 亿美元的基础上,再获 3 亿美元的融资,2023 年 5 月,法雷奥将对滴滴自动驾驶进行战略投资,并共同开发针对 L4 级无人驾驶出租车(Robotaxi)的智能安全解决方案,同时滴滴自动驾驶正在进行新一轮融资。文远知行在 2021 年分别完成 B 轮 1.1 亿美元、C 轮 3.1 亿美元的融资,2022 年 3 月,又完成 D 轮近 4 亿美元融资。小马智行从成立以来到目前也经历了多轮融资,2022 年 3 月完成 D 轮融资,整体估值达到 85 亿美元。5 3 1-2 A Apollo%&(BCD abcS在自动驾驶技术应用的系列场景中,干线物流是除了 Robotaxi以外的另一重要商业化应用场景,而且高速公路相对规范的道路环境,以及公路货运行业强烈的应用需求,也使得干线物流场景被认为是将最快实现自动驾驶商业化应用的场景之一。自 2020 年以来,自动驾驶干线物流赛道逐渐升温,一方面是资本与新玩家的涌入,另一方面是赛道头部玩家的加速赛跑。2021 年,干线物流融资共计 9 起,融资总额度为 134.4 亿元;2022 年,涉及干线物流业务的自动驾驶公司融资事件大约有 14 起,投资总额约为数十亿元。这与 2021 与 2022 年市场投资逻辑变化有关。2021 年干线物流领域融资呈现向头部公司集中的特征。除图森未来成功上市,募资 13.5 亿美元外,自动驾驶干线物流另外两家头部企业智加科技和赢彻科技也获得不错的融资成绩,智加科技融资 4.2 亿美元,赢彻科技融资 2.7 亿美元。除了图森未来,与此同时,Robotaxi企业也开始着手布局干线物流赛道,如百度系的 DeepWay、小马智行。此外,还有上汽旗下的友道智途等玩家。2022 年则是将目光放到了新成立的公司当中,以擎天智卡、千挂科技、卡睿智行、苇渡科技为代表的“新生代”都获得了不同程度的融资,且金额相对较小。6 3 1-3 EFGHIJKL defghiS 另一个关注度较高的细分场景是末端无人配送,快递、外卖、商超零售是最典型的三个末端无人配送场景。末端无人配送实现商业化有着低速运营、容易落地、市场前景广阔等优势。目前自动驾驶末端配送产业正处于技术验证阶段,因此投资企业大多数都处在 A 轮、B 轮的阶段。2021 年 9 月环宇智行完成教投创智基金投资的 5500 千万元 A 轮融资,2022年 4 月又宣布完成由苏州资管卓璞基金领投的数千万元的融资。白犀牛同样是一家做无人配送的公司,2021 年 12 月宣布由线性资本、索道资本等资本方作为Pre-A 轮投资 5000 万元。2021 年 3 月,新石器完成 A 轮融资,融资规模近 2 亿元人民币,同年 8 月,又完成数亿元 B 轮融。2021 年 4 月,行深智能完成 1 亿元人民币 A 轮融资,2022 年 8 月又宣布完成由兴湘资本与睿住资本联合领投的A 轮融资。3 1-4 MNOPQRSL 7 除了 Robotaxi、干线物流、末端配送三个关键场景外,其他场景无人特种车、无人环卫车、无人公交/小巴也或多或少得到了资本关注。尤其是矿山自动驾驶特种车、运输车等企业,自 2021 年起有多起投融资事件。矿区无人驾驶公司易控智驾 2021 年 6 月宣布完成由紫金矿业领投的数千万美元 B1 轮融资。路凯智行 2021 年 11 月获得由顺为资本领投的数千万元 Pre-A 轮融资。智慧矿山无人化企业慧拓更是在 2022 年 1 月完成 3 亿元 C 轮融资,是无人矿山车商业化运营的最大融资纪录。除此之外,拥有无人驾驶矿卡产品的商用车自动驾驶公司希迪智驾于 2022 年 5 月,宣布完成 3 亿元 C 轮融资。无人环卫车方面,仙途智能 2022 年 10 月完成近亿元的 B3 轮战略融资;酷哇机器人自 2021 年完成 C 轮 2.5 亿美元融资后,2022 年 6 月又宣布完成了 D1轮融资,而其自动驾驶城市服务订单已经超过 5 亿元。无人公交/小巴方面,聚焦 L4 级无人小巴的自动驾驶公司轻舟智航,成立三年已经完成三次融资,2021年 8 月更是完成 A 轮由云锋基金、元生资本共同领投约 1 亿美元的融资规模。3 1-5 TUVWPQL 而智行者作为老牌限定区域内低速无人驾驶的践行者,早在 2020 年就推出了无人扫地车(蜗小白)、无人物流车(蜗必达)及无人园区车(蜗来了)。智行者在 2020 年就完成了 C 轮数亿元的融资后,2021 年至 2023 年都有持续融资。8 3 1-6 IXY-ZPQ(L 1.3)* ,-./:;?AB73CDIJ 2.1?)* ,-./:;A 2.1.1 3245678Cv%k?*3245Zn678,-.为了让欧洲更多的区域能够开展自动驾驶测试、积累更多数据,欧盟已开始放宽规定,大力推进无人驾驶路测。欧洲许多城市和交通部门都在测试自动驾驶巴士,而世界上专注于此的创新公司也以欧洲居多(例如 Navya、Easymile 等)。2018 年 5 月,欧盟委员会发布了通往自动化出行之路:欧盟未来出行战略,提出到 2030 年普及完全自动驾驶。2017 年 5 月,欧盟道路交通研究咨询委员会(European Road Transport Research Advisory Council,ERTRAC)发布第 2 版自动驾驶技术路线图,提出分别在 2020/2023/2025 年实现 L3/L4/L5 自动驾驶。2019 年 3 月,ERTRAC发布新版技术路线图,针对乘用车、货车、城市出行车三种车辆类型制定了细分特定场景技术路线图,乘用车和货车在 2020 年左右、城市出行车在 2022 年左右实现 L3 级自动驾驶。新版路线图提出面向 2050 年的长期愿景,明确为实现这一长期愿景需要采取必要的短期行动2030 规划和 2040 展望。2030 规划是路线图的核心内容,包括 CCAM(Connected,Cooperative and Automated Mobility Roadmap)产品和服务的四大不同领域:高速公路和走廊、限制区域、城区混合交通和乡村道路。N%p%awknkg_45nfg45780.高速公路和辅助走廊领域将实现高速公路自动驾驶、仓到仓卡车运营以及基础设施支持的协作行车辅助等典型应用。该领域的发展动机在于,将通过自动距离跟车、动力和速度管理增强道路安全,改善高速公路和辅助走廊的交通流量,减少驾驶员工作量并增加便利性,在可行的情况下尽早引入 L3-L4 级自动驾驶以进一步提高安全性、交通流量和便利性。社会效益和示范方面,证明 CCAM 解决方案满足甚至超出用户和社会需求对于推动用户采用CCAM 至关重要。在不同地区、领域、环境中的高速公路进行自动驾驶测试,12 以证明 CCAM 的系统安全性、鲁棒性和互操作性是将其作为改善欧洲道路交通的有效手段;在选定的辅助走廊进行测试,以证明具有基础设施支持的高度自动驾驶解决方案的社会效益和用户效益。高速公路和走廊的典型用例包括堵车自动驾驶、高速公路自动驾驶、安全自动跟车和仓到仓运输。其主要促成因素在于具备 L2-L4 能力的经济型车辆、完善的基础设施、高效且完善的验证体系。;n2n|1;BnM.限制区域通常通过周界保护防止未经授权的车辆和人员进入,其中可能出现人驾驶车辆和自动驾驶车辆的混合交通,车辆通常也以较低的速度运行,也可能有特定的交通法规。该领域的发展动机在于封闭区域非常适合更早引入 L4 级车辆,降低未经授权的交通风险、提高生产力,降低设计运行域(Operational Design Domain,ODD)复杂性。限制区域的典型用例包括 L4 自动泊车、L4 低速摆渡车、L4 客车在公共汽车站的自动驾驶以及 L4 无人驾驶卡车在场站/枢纽的自动运行。其主要促成因素在于可实时连接的 L4 级车辆、交通系统整体功能安全、高效的验证工具链及完善的基础设施。标准化方面,该领域有赖于连接性和 C-ITS 接口、基础设施功能安全、交通控制和监测、车辆和基础设施感知性能协同评估的标准化。此外还需要限制区域运营安全相关法规。%aYn3245ABno:y3245/Iw.在未来十年内,在城市中引入自动驾驶将是可行的,至少在受限的应用中是可行的,比如在其他交通受限的专用路线,但是系统能够完全独立处理所有复杂城市交通状况需要更长时间。该领域的发展动机在于提升交通安全性、交通效率、环保性以及社会包容性。城区混合交通的用例将根据非常明确的 ODD 和特定功能的基础设施需求逐步进行,包括自动泊车、低速封闭区域等受限应用,专用车道、最后一英里人员和货物运输,混合交通环境下的预定路线巴士,以及特定路网中柔性路线出租车运营。其主要促成因素包括感知能力、V2X 车队管理等车辆要素,城市高精地图等基础设施要素,以及数据库及工具链等验证要素。标准化方面,该领域有赖于测试程序和等级的标准化,并在标准化物理和数字基础设施概念和一般要求下对支持 L4 的具体要求进行标准化。法规方面,该领域有赖于 L4 车型的型式认 13 证和交通规则的国际法规,并简化和协调 L4 级自动驾驶测试示范豁免程序。!-n3245Cv%a#N 5$%&n()*.路线图针对农村地区的道路自动化提出两步走的方式:在短期内,利用现有 CAV 系统优势,在不受 ODD 限制的情况下,改善农村环境道路安全,对于成熟的技术,重点放在增加市场占有率和扩展功能上,与此同时未来几年可能有进一步发展技术和相关监管的空间;从长远来看,高度自动化的移动解决方案需要在 2030 年之前加速,包括人员和货物服务,例如最后一英里服务以及共享和公共交通的相关商业案例。用例方面,AEB、LDW、ACC 以及转向和车道保持辅助系统是农村道路较低自动驾驶水平的典型用例,在预定路线运行的无人驾驶共享和公共接驳车以及垃圾收集等自动驾驶市政服务作为高度自动驾驶的早期用例在农村地区具有巨大潜力,最后一英里配送服务则可能是农村地区具有早期技术可行性和经济可行性的使用案例。其主要促成因素在于商业应用相关系统和功能接入,低成本和低基础设施依赖型的车辆,农村公路地图信息、交通信息和非固定基础设施,以及虚拟验证和场景库等验证要素。标准化方面,该领域有赖于测试程序和等级的标准化,界面、组件和工具的标准化,并在标准化 PDI概念和一般要求下对 PDI 支持农村地区高级别自动化的具体要求进行标准化。法规方面,该领域有赖于调整现有全球范围监管框架以适应低级别自动驾驶技术,提供财政等激励措施增加低级别自动驾驶市场占有率,高级别自动驾驶国际法规,简化和协调 L4 级自动驾驶测试示范豁免程序。%a , ,- ,.,/3245NNZwnv.高速应用方面,走廊将进一步使高速公路用例能够应对高速的挑战。启用走廊后,需要为高速公路 ISAD 应用制定标准,包括在天气条件、路面质量以及基于 AI 的交通交互决策方面进一步增加 ODD。ISAD-A 等级的走廊将能够处理交通密度,包括热点地区的安全效益。物理基础设施需要与 ISAD 的增加同步发展。在特定空间/时间将设定公共汽车和卡车车队的专用车道和走廊。低速应用方面,相关用例将进一步发展和结合以应对复杂性交通的挑战。限制区域不断扩大并融合,以提供完全自动化的穿梭巴士和送货服务。城市场景下的各种用例将获得高市场占有率。14 2.1.2 0 x3245678Cv%0 x3245zn()1.2021 年 1 月 11 日,美国交通部发布自动驾驶汽车综合计划(简称综合计划),旨在确保其自动驾驶的全球领先地位。综合计划是美国“自动驾驶 4.0”国家计划的贯彻和执行。在安全优先、确保隐私和数据安全等十大原则的基础上,美国政府认为,要保持自动驾驶领域的优势地位,就必须加强创新。由此,提出了其发展自动驾驶汽车产业的主要政策主张:三大目标、五大优先发展领域、三类公共应用平台。2(,一是建立促进行业协作和信息透明的机制,二是优化交通监管环境,三是筹建适合自动驾驶的交通系统。Cv(3*z,一是低速无人小货车,在限定区域内发展高级别自动驾驶低速小型货车(时速小于 25 英里,总车重小于 3000磅);二是低级别自动驾驶乘用车,在城市通勤等低风险驾驶环境,推动自动驾驶级别为 3 级的乘用车应用;三是高级别自动驾驶乘用车,在高速公路等限制区域内,推动自动驾驶级别为 4 级的乘用车应用;四是高速公路长途自动驾驶货车,能够在高速公路出、入匝道自行变道的 4 级自动驾驶车辆,尤其适合跨州长途运输;五是低速接驳班车,针对居民出行“最后一公里”的公交接驳需求,开发 4级自动驾驶的低速班车(时速不超过 25 英里)。自动驾驶技术集成视觉计算、物联网、卫星定位系统等新一代信息技术,加快推动自动驾驶技术应用,可激发企业创新活力,形成产业带动力,最终促成完全无人驾驶汽车的商业化部署。us_3245AB456,一是美国联邦政府建立的交通领域公共云服务平台-卡马系统(CARMA),使用开源软件设计,实现车路协同,通过云服务提供实时信息;二是建设支持车路协同的研发-测试平台,可在保护开发者知识产权条件下,通过分布式虚拟形式,吸引科研院所和企业协同创新开展原型化开发和测试;三是交通安全数据信息的共享共用系统,用以分析自动驾驶车辆的安全性。0 x324578n9:;?C0ABCD1$%#us.一方面在示范区模拟多种道路和场景,提供自动驾驶运行环境,另一方面通过真实道路测试,帮助自动驾驶汽车在实操中发现问题、积累经验,不断优化性能,推动技术创新。作为自动驾驶的先行者,美国拥有多项自动驾驶技术,也是全球路测城市最多的国家,美国有六十多座自动驾驶试验场。2017 年 1 月,美国交通部指定十个国家级“自动驾驶汽车试验场”。虽然美 15 国交通部基于中立客观的原则,认真考虑全美所有州内正在进行相关研究和测试活动的试验场,不会对各地的研发和测试活动进行褒贬评价,也不会特别偏向某一个或某几个自动驾驶试验场,最终在 自动驾驶汽车 3.0:为未来交通做准备中取消了上述十个试验场的名义,但这些试验场依旧是美国自动驾驶试验场的典型代表。3 2-1 _7abc%&(defg Mcity 678,-0A0 xnE7FGxHn3245IJKL.从2018 年开始,陆续有自动驾驶公司推出 Robotaxi 服务,这项自动驾驶出租车计划被称为是最有可能商业化的路径,也是未来自动驾驶的发展目标。2.1.3 M3245678Cv%日本于 2020 年 6 月发布ITS 规划,提出私家车到 2020 年实现 L3 级自动驾驶,2025 年实现 L4 级。日本的自动驾驶产业如当初规划的一般,技术研发、测试验证、应用孵化等各环节的顺利推进,均在一定程度上仰仗于产学官的合作共谋。经国土交通省汽车局和经济产业省制造产业局带头,由汽车制造商、供应商及行业有识之士组织成立的“自动驾驶商务研讨会”,即是一个试图通过产学 16 官合作,助推自动驾驶商业化的组织,且成效显著。该组织已于 2020 年完成了由 1 名操作员远程监视并运行 3 辆无人驾驶车辆的 L2 级出行服务测试,以及高速公路卡车后车无人编队行驶技术测试。NOFPQA2021/vnRPST-#UFVWnXYZ.该项目由日本经济产业省下属独立行政法人 NEDO(新能源及产业技术综合开发机构)牵头,金泽大学、名古屋大学等多家从事自动驾驶技术研究的大学,丰田、日产、大众、宝马等日本国内外的汽车制造商,以及法雷奥、博世等汽车零部件制造商、Sompo 保险公司等产业界、学术界共 22 个组织均参与其中。此次试验中,这些自动驾驶团队都将通过仿真虚拟交通环境的构建,完成对自动驾驶各传感器系统的安全性评估。由于老龄化、中心城区道路拥堵、民众倾向于乘坐公共交通等因素的叠加,日本自动驾驶商业化或许更多是在公共属性更强的场景落地。随着日本社会高龄少子化问题加剧,劳动力缺口扩大,高龄司机非常多见。自动驾驶的广泛应用有利于解决劳动力不足问题,并给不便开车的人带去便利。3 2-2 hi%&(jL=8TZn 3245MqC_n4 zAabc-defgIJ.Robotaxi 这一商业变现路径或许较难打通。日本由于出租车行业严苛的法规,即使 Uber 来到也仅能当“外卖小哥”谋生。Uber 日本业务负责人 Tom White 曾表示,日本使用网约车服务的消费者仅占打车消费者总数的 5%以下。但 Uber Eats 的外卖业务却是一幅业绩大好的景象。17 2021 年 7 月,福冈县美山市推出了以路边车站为据点的付费自动驾驶移动出行服务,这是日本继秋田县上小阿仁村、滋贺县东近江市蓼畑町之后,第三次基于路边车站引入付费的自动驾驶服务。与寻常概念的 Robobus 不同,于美山市推出的自动驾驶服务是由雅马哈制造的高尔夫球车提供,仅能容纳 5 名乘客,运行速度为 12 公里/小时,主要通过行驶路线上铺设的电磁诱导线实现自动驾驶。但即使是这样低速的、连公交车都算不上的自动驾驶车辆,车上仍会安排一位当地出租车公司的司机担任安全员,以起到监控车辆运行的作用,日本对自动驾驶的谨慎态度可见一斑。2021 年 6 月,区域内已经实现了山区自动驾驶、远程无人驾驶、利用 5G 实现多车同时行驶等测试的爱知县,宣布没有方向盘、油门或刹车踏板的自动驾驶穿梭巴士 Navya Arma 首次在市区开启的长期示范实验。其中,位于名古屋市的实验在 JR 鹤舞站附近的主要道路上开展,为期约 3 个月,且将与普通车辆混行。自动驾驶在日本公共交通领域的快速落地,或是受迫于当地少子化、老龄化引发的连锁效应。3 2-3%&(klmn Navya Arma 2022 年 8 月日本政府发布了最新一版自动驾驶发展规划,计划最早在 2022年能够在废弃火车轨道等限定空间内实现 L4 级自动驾驶服务,并在 2025 年将该服务扩大至包括高速公路与普通道路在内的 40 多个区域。此前,日本政府解禁了 L3 级自动驾驶汽车在高速公路行驶的相关限制。2023 年 5 月,日本首例L4 级自动驾驶服务车辆于福井县永平寺町面向公众提供服务。18 2.2 B)* ,-./:;A wx3245hgZE7nCvijk#l;67mnopjkqrs.自动驾驶企业通过大规模融资,积极布局载人场景赛道,推动产业发展结构逐步优化,促进企业发展方向逐渐清晰。首先,自动驾驶技术研发及测试是底层基础,自动驾驶企业在发展初期不留余力地进行自动驾驶研发及测试。其次,当企业发展到一定规模时,成本控制是其发展的最重要因素。最后,实现大规模商业化是其发展的最终目的,也是日后形成差异化竞争的主要因素。3245E7ZtCv3245E7Il(9:.2021年 4 月,为推进高级别自动驾驶示范区建设,北京市建立智能网联汽车政策先行区,以探索针对智能网联新技术、新产品、新模式应用推广的创新性监管措施,加大政策先行先试力度,抢抓产业发展战略机遇,政策管理体系整体构建适度超前,实现加快推进智能网联汽车创新发展。北京市智能网联汽车政策先行区同时推进两项重大战略措施,通过实现“技术 实践”齐头并进,以快速推动自动驾驶产业发展,加大无人化测试以及商业化运营政策实施力度。2021 年 11 月,百度和小马智行的 Robotaxi 实现在北京亦庄约 60 平方公里范围限定区域内的公开道路上商业化运营,车队规模近百辆。据统计,在亦庄区域活跃的出行服务车辆约在 3000 辆左右,成为传统出行的补充和拓展。3 2-4 AopqIXr Robotaxi 19 2030/y4$%uvw83245n678,-.在我国自动驾驶载人场景发展过程中,自动驾驶企业通过单车智能、车路协同等技术已解决80%的落地问题,但突破剩余 20%的落地问题面临较多困难,例如存在单车制造成本高、大规模量产较难、法律法规较少、示范区开放道路较短等问题。大规模商业化的前提是大数据证明自动驾驶安全性,其中还存在两个挑战:一是样本数据规模是否足够大,二是数据结果是否具备公信力,这些问题均需行业合力解决。3245678,-xyz|.从商业化落地的角度来看,自动驾驶目前已在较多应用场景落地。物流领域对自动驾驶是高频刚需,大规模商业化指日可待,比如机场、矿山、港口等封闭物流场景的自动驾驶已逐步实现盈利。但是,末端配送、环卫等开放道路场景,盈利之路稍显漫长。/ZwRobotaxi NkTZ(wno3245Bz678,-lnZ.事实上,网约车市场数亿级的用户群体已成为 Robotaxi 商业化落地的关键要素。艾媒咨询数据显示,2022年无人驾驶汽车市场规模将达 100.4 亿元,预计 2025 年前后将迎来规模性产业化契机。2022 年以来,继百度推出萝卜快跑之后,众多网约车纷纷与自动驾驶公司联手,共同布局无人驾驶网约车出行生态。享道出行与 Momenta 携手打造享道 Robotaxi 车队,落地上海和苏州,开放运营点位超过 100 个。2022 年 1 月,T3 出行与智行者签署战略合作协议,宣布将共同探索 Robotaxi 落地的创新模式,同时由智行者改制生产的首批 Robotaxi 也已正式交付。T3 出行与智行者共同推出的“自动驾驶 正常驾驶”Robotaxi 落地新模式,即在指定自动驾驶测试区域采用自动驾驶,超出该区域的其他区域则将由安全员担任驾驶司机接手驾驶权。2022 年 8 月,小马智行与曹操出行达成合作。2022 年 9 月,曹操出行与吉利汽车创新研究院智能驾驶中心就 Robotaxi 项目启动合作。3 2-54T3 sXtIXY Robotaxi uvwxyz 20 5G n”3245“” no:.自动驾驶出租车 Robotaxi 等全新商业模式在出行场景中酝酿。对比前两年,自动驾驶出租车的明显变化就是驾驶员开始离开主驾驶位置进入副驾甚至进入后排,下一步发展方向就是实现车内无人,说明自动驾驶技术正在快速进步。智行者、萝卜快跑、文远知行、小马智行、滴滴等自动驾驶企业均在自动驾驶出租车领域展开布局。其中,智行者无人驾驶大脑赋能的 T3 出行百台规模的 Robotaxi 车队已在苏州落地,实现常态化运营,同时双方推出“自动驾驶 有人驾驶”的商业化落地新模式。萝卜快跑已在北京、重庆、阳泉和武汉四座城市实现了商业化出行服务。小马智行宣布获得广州出租车的示范运营资格,其自动驾驶出行服务 PonyPilot 将在广州南沙区开启收费运营,并采用广州市出租车统一定价标准。随着自动驾驶出租车逐渐迈出商业化第一步,城市道路条件下的 L4 级自动驾驶技术,有望在2025-2030 年期间实现。2.3)* ,-.45CD=/EF 3245678,-nZ8S ZZZNZNZ“”Z$%ZhbZhgZ8$%ZC8$%Z.自动驾驶相关技术仍处于不断迭代进步的阶段,封闭场景和低速场景意味着外界干扰小、安全风险小、容错率高,适合于自动驾驶技术不够成熟的阶段其商业化落地的尝试。随着技术的不断进步和成熟,自动驾驶商业化将逐步踏足开放场景和高速场景。NhbZ 2024/(vw678,-NhbZ2030/0,-nqrL?AKLMFB73NO 在“单车智能 车路协同”的自动驾驶发展思路下,未来中国自动驾驶汽车将在与城市智能化基础设施、智慧交通平台协同的趋势下,逐步加深加快商业化落地和发展。当前,载人场景、载货场景和特殊场景的商业化落地进程不一。3.1 GD=3.1.1!Robotaxi RobotaxiS指自动驾驶出租车,是基于自动驾驶技术提供出租服务的车辆。与传统出租车服务相比,Robotaxi 可实现对人力的替代,具有降低成本、提高出行效率的优点。Robotaxi 是市场空间最大的自动驾驶场景之一,是全面验证自动驾驶系统能力的重点应用,也是各国开展自动驾驶竞争的核心领域。xH-0YT CD9:()(/Qs7v|.例如地方层面相关政策,大多是面向全部载人场景而出台的智能网联汽车道路测试相关政策,未单独针对 Robotaxi 场景。目前,专门针对 Robotaxi 场景制定并公开发布的政策仅有 北京市智能网联汽车政策先行区乘用车无人化道路测试与示范应用管理实施细则。12 Robotaxi 678Cv,-yw3245nCv)=#IJx.以 AutoX 为代表的公司深耕车队测试运营,百度 Apollo、小马智行等公司率先尝试商业化运营、规模化收费;以 Momenta、智行者为代表的公司则采用渐进式技术路线,实现自动驾驶基础软件复用性的提升。2018 年底,小马智行在广州进行自动驾驶出租车的试运营,开展了国内最早一批 Robotaxi 的示范运行。此后,百度和滴滴积极跟进,在全国各大城市开展无人驾驶出租车的试乘体验活动。整车企业中,大众汽车和东风集团也开始加入,并推出 Robotaxi 项目落地计划。22!3-14|v ,在 2019 年,智行者在北京市获国内最高级别自动驾驶路测 T3 牌照,其自研的无人驾驶解决方案已在北京、武汉、苏州等城市推广。2021 年,智行者无人驾驶大脑赋能的 T3 出行百台规模的 Robotaxi 车队落地苏州进行“指定区域内自动驾驶 其他区域内正常驾驶”的商业化混运,实现常态化运营。2022 年 7-8月,国内Robotaxi商业化运营迈向无人化新阶段,具体分为主驾无人和全车无人两种。!3-24PQw Robotaxi uvwxy Robotaxi 678,-A()QAn.目前,Robotaxi 虽已在多地开展常态化测试,但由于 Robotaxi 所适用的城市道路是驾驶环境复杂的典型开放道路场景,未来要实现Robotaxi全车无人自动驾驶(取消安全员),Robotaxi自动驾驶等级必须在 L4 级以上。而 L4 级自动驾驶汽车的最低路测里程数要求为 10 亿公里,达千亿公里级别才能确保具备充足数据进行 AI 训练及仿真测试,从而确保行驶安全。Robotaxi 技术研发成本巨大,受限于数据积累的缺失,整体技术迭代周期较长。此外,当前国家及地方所制定的道路测试及示范应用政策,并未细化至针对 Robotaxi 场景有明确的管理规定,规模化落地缺乏政策支撑。23 3.1.2!Robobus RobobusS指低速自动驾驶公交车(包括循固定路线公交车和短途接驳车)。与 Robotaxi 不同的是,Robobus 的目的并不是为了取代驾驶员、降低运营成本,而在于重塑和完善城市交通微循环体系,从而有效解决交通拥堵问题。虽然目前各国在 Robobus 落地应用的路径上具有差异性,但均有效地促进了自动驾驶技术进入公共交通系统。Robobus 的发展能够让城市交通微循环更加高效、有序。Robobus,-ABp-0(69:()t-.2021年 9 月,广州市发布广州公交集团自动驾驶便民线路项目运营方案,计划配备自动驾驶车辆 50 台,并分阶段开通 6 条自动驾驶便民线路。2022 年 4 月,北京市发布了北京市智能网联汽车政策先行区智能网联客运巴士道路测试、示范应用管理实施细则(试行),为 Robobus 在新场景下的规模化和商业化应用奠定了坚实基础,将有力支撑并鼓励其在北京市高级别自动驾驶示范区内开展测试与示范应用。这些政策填补了监管空白,为 Robobus 的规模化和商业化应用奠定了坚实基础,将有力支撑并鼓励其在北京市智能网联汽车政策先行区内开展测试与示范应用。其他地方政府也正积极地与相关企业联合推动 Robobus 落地应用,在各地测试示范区开展道路测试。!3-3|v ,x/-dv Robobus hg#.2020 年 7 月,苏州高铁新城就对外发布了首条城市开放道路的微循环 Robobus 市民体验线路;10 月,苏州落地了全国首个常态化运营的公开道路无人公交,开启了国内 Robobus 发展的新纪元。2021 年 4 月,重庆永川投入 3 辆配备安全员的自动驾驶公交车,开启双向 24 里程近 10 公里的自动驾驶公交线路收费运营示范项目;9 月,重庆高新区通过建设智慧公交站、智慧斑马线等智能化设施设备,通过车路协同的融合感知和信息共享,部署高等级自动驾驶车辆。2021 年 8 月,上海临港环湖一路智能网联及自动驾驶公交在滴水湖畔正式启动载人示范应用。3245E7 78E7 Robobus z /aD,包括百度、文远知行、智行者、轻舟智航、元戎启行等科技公司。其中,百度联手金龙客车打造的自动驾驶小巴阿波龙自2018年7月量产下线至今,先后在北京、广州、雄安、重庆、佛山等 22 个城市园区落地部署,累计服务人次超 12 万,累计自动驾驶里程达到 12 万公里。智行者在获得 Robotaxi 大量订单的同时,其无人驾驶大脑赋能的 Robobus 也已成功落地成都、合肥、北京等全国多个城市的公园、景区、高尔夫球场等场景。轻舟智航的龙舟系列 Robobus 先后落地深圳、武汉、北京、嘉兴、西安、重庆、无锡,在公开道路提供接驳服务。从官方公布的数据来看,轻舟智航的车辆已在全球完成了 10 座城市的落地,车队规模超 100台,商业化落地进展较快。”x Robobus dvw8#IJjk.我国在 Robobus 商业化落地方面已进入规模化的道路测试及应用阶段,由于运营场景限制更多、行驶速度相对更低,其安全性相比 Robotaxi 更能得到保障。与此同时,Robobus 的商业化门槛也在下降,虽然仍需安全员全程监控,并未完全实现无人驾驶级别应用,但未来几年商业化落地的前景相对明朗,今后在法律法规限制放开、技术瓶颈突破的情况下势必会快速发展。3.2!GHD=!3.2.1!abc abcS即借助无人驾驶进行运输、收货、仓储、运送的物流作业流程。干线物流主要以 L3 级、L4 级自动驾驶重卡为运载工具,能够实现货物点到点运输,行驶速度可高达 80-120km/h。2023 年 6 月,自动驾驶科技公司图森未来宣布成功完成中国首次自动驾驶重卡在公开道路的全无人化测试,全程无安全员值守和任何人为干预。由于近些年传统物流面临着成本上涨、驾驶员易疲劳驾驶等成本和安全问题。受行业痛点带来的市场需求驱动,加之高速公路的道路基础设 25 施和车辆行驶条件较好,基于干线物流场景下的自动驾驶落地难度较低,被认为是仅次于 Robotaxi 的第二大自动驾驶商业化应用场景。xHy();usIJ%a;1abcCv.自 2018 年以来,国家相继出台智慧交通及智慧公路相关政策。其中,交通运输部发布了关于加快推进新一代国家交通控制网和智慧公路试点的通知,首次进行智慧公路试点。该政策发布以来,各省市陆续发布智慧公路相关发展目标。北京、河北、吉林、河南、江苏、浙江、江西、广东等智慧公路试点省市分别发布了智慧公路的试点规划或试点方案,山东、湖南、海南等省份也发布了智慧公路发展目标,积极推进建设利于自动驾驶重卡高速测试与示范应用的道路基础设施。2021 年底,北京市高级别自动驾驶示范区开放全国首个智能网联汽车高速道路测试与示范应用路段,依托北京市智能网联汽车政策先行区,北京经开区企业的自动驾驶卡车相继驶上高速。此外,由中国交通建设集团规划设计的酒泉至明水绿色数字专用公路是我国首条自动驾驶干线物流专线,将开展自动驾驶干线物流的长距离场景路测并筹备运营,并预计于 2025 年全面建成后投入商业运营。3245E7nabc67w_:提供技术解决方案;提供自动驾驶技术服务;提供第三方运力服务;提供造车 自动驾驶系统 运力。3 3-14uvd!=abc3245nok“”Ma .其中,嬴彻科技和智加科技发展相对较快。2018 年 11月,嬴彻科技获得了国内首张针对干线物流场景的自动驾驶重卡测试许可证,并 26 于河北保定投入了全面测试,后于 2021 年 12 月在山东莱芜封闭高速测试场地内完成了全程模拟国内丰富、真实的道路场景和交通流的 L4 级无人驾驶重卡测试。2021 年 5 月,主线科技与福佑卡车合作启动了国内首个干线物流自动驾驶商业项目,推进自动驾驶物流货运车上路试运营。2021 年 7 月,京东物流与小马智行在广州市共同启动国内首条 L4 级别自动驾驶重卡干线物流示范运营线路。中国重汽、一汽解放等主机厂通过多方合作方式将重卡自动驾驶作为重点布局。2022 年 6 月,阿里巴巴、赢彻科技分别获得国内首批两张“主驾无人”卡车路测牌照,赢彻科技研发的无人卡车获准在浙江省德清县指定区域开展路测,包括部分高速路段。“”()8CvNyabc,-.未来,得益于我国物流行业及快递运送行业的飞速发展,自动驾驶干线物流场景将会吸引更多市场主体。对于高速公开道路场景,需要密切关注未来政策导向,关注政府如何对高速物流配送行业进行规范管理。由于重卡存在车身较高、车辆视觉盲区大、需重点覆盖的感知范围更大等因素,重卡自动驾驶对车辆感知和控制的精准度要求更高,精度技术的发展也将影响干线物流场景规模商业化进程。3.2.2 dehi dehiS即帮助物流行业提升物流时效性和质量,解决“最后一公里”配送工作,具有高频次、小批量的典型特征。在传统配送环节中,由于存在配送节点多、交通路况复杂等问题,需要耗费大量时间和成本。而自动驾驶中的末端配送场景具有相对封闭特点,且技术实现难度较小,有望率先实现规模化应用。dehi7c():M.近些年,我国多领域“十四五”发展规划中对末端配送场景自动驾驶均有布局,末端配送场景的长期性发展方向更加明确。!3-44RS|1244 27 dehiNk(nTZ67 3245678Cvw/E7C0.早在 2016 年前后,美团、京东、阿里等企业针对末端无人配送场景开展了相关技术研发。近年来,得益于“互联网 ”和人工智能的发展,陆续诞生了多家相关创业公司,目前已有多家企业的无人配送车进入小批量生产和应用阶段。国内末端无人配送拥有较为完整的产业链,产业链可分为上游零部件供应商、中游解决方案商以及下游配送服务商/下游配送需求方。43 3-24PQRSv4dehiZ324506pN3。其中,互联网巨头如京东、阿里和美团具有物流需求,同时具备研发实力,往往采用自研和合作的形式推动业务落地。新兴初创企业如新石器、毫末智行、行深智能、智行者、白犀牛等,主要以技术快速攻占市场,虽然不如互联网公司具备配送业务方面的优势,但在组织管理和商业选择上更加灵活,仍然拥有巨大的市场机会。3245dehi7w/HE7d19:/-v#IJ.其中,京东物流于 2019 年 11 月发布 4.0 版本无人配送车并在中国人民大学、清华大学等多所高校投入使用,2020 年与江苏常熟市开展战略合作,致力于打造全球首个无人配送城。随后,其研发的无人快递车在琼海市嘉积城区道路上试运行,为方圆三公里内生活区域提供配送服务。美团基于配送业务场景需求,自研的新一代无人配送车已在北京顺义正式落地运营,美团无人配送车自 28 2018 年逐步完成了北京多地落地测试运营。阿里小蛮驴也已量产,并落地 22 个省市的 100 多个学校和社区。/dehiZNCvjk.2021 年 5 月,北京公布了无人配送车管理实施细则,北京市高级别自动驾驶示范区为首批无人配送车头部企业京东、美团、新石器颁发了无人配送车车身编码,首次给予无人配送车相应路权,实现了国内自动驾驶领域新产品管理政策的又一次创新突破,这意味着无人配送的商业模式已初步形成,技术已能够支撑部分场景需求,离真正的规模化、商业化落地更近一步。dehiZ)*.第一,法律法规仍待完善,目前我国无人配送行业的相关文件指引主要以技术标准为主。虽有北京发布无人配送车管理实施细则试行版,但具体政策细节未正式对外露出,且属于地方政策,其他城市未公开更多政策,全国尚未形成统一的管理共识。第二,虽然国内拥有较为完整的无人配送车上游供应链,但是核心零部件的技术、性能和质量有待进一步提升。第三,无人配送车的采购价格和使用成本是需求方决策的关键,成本仍然是目前制约无人配送车规模应用的重要因素。3.3 IJD=由于限定场景下的自动驾驶运营边界受到区域限制,且得到相关行业部门的政策鼓励,相较于全域自动驾驶,或将更早实现规模化的商业落地。当前,限定场景下如下文的港口、矿山、无人环卫等已在部分地区进入商业化落地。3.3.1 Z ZS基于港口场景下的自动驾驶应用,可有效解决由于传统港内运输工作强度大、环境艰苦、危险性高、长期劳动力不足、成本过高等问题,大大节约人工成本并提高安全性。同时,由于港口是典型的封闭 低速的场景,与城市和高速公路场景不同,港口具有交通标识简易、车辆干扰度低、路线复杂度低、基建完善度高的优势,被认为是自动驾驶率先实现商业化落地应用的典型场景之一。近些年,国家针对港口场景下自动驾驶持续发布相关政策。29!3-5|12 Z3245678ABnZ.我国已在上海、天津、宁波、深圳等地的 13 个港口展开自动驾驶集卡试运营,其中主要应用在东南沿海港口,尤其是新建或者扩建港口应用项目较多,深圳妈湾智慧港、上海洋山港、宁波舟山港以及天津港是港口自动驾驶应用最多的海运港口。目前,港口场景已实现 L4 级自动驾驶的运输自动化作业。/E7DZn3245TZ.与港口合作参与自动驾驶应用项目的企业主要包括西井科技、主线科技、飞步科技、斯年智驾、经纬恒润、畅行智能等企业,通过与主机厂合作将自身研发的解决方案配置在整车上,为港口提供自动驾驶解决方案并落地应用,进行试验验证和商业化运营。港口场景下自动驾驶的发展正处在高速成长期,目前市场上有很多企业正在布局港口场景。据专家预测,港口自动驾驶有望在近两年出现爆发式增长,并在 2025 年前实现大规模应用。3 3-34“tv”4资料来源:亿欧智库 ZBAQAn)*.技术未完全成熟、非 30 产品级的自动驾驶解决方案的无人驾驶集卡仍处于测试探索阶段,大多企业依旧保持观望态度。一方面,无人集卡适应港口场景的能力有待提升,港口大量金属设备对信号传输的干扰导致定位存在问题、港口气候环境多变等均为港口场景下面临的痛点。另一方面,未来港口自动驾驶有望以点带面延伸到干线物流,港口规模化商业运营可以快速积累和迭代算法能力、工程能力、运营能力、商业化能力,并向外集卡、干线物流延伸。3.3.2 Z ZS我国矿产资源丰富,每年产量可达上百亿吨。在矿区场景下,由于采矿运输中环境恶劣、安全事故频发,自动驾驶技术对于矿山开采而言可以说是刚需。无人驾驶在矿山开采中,可通过技术支撑,使矿山开采整体能耗下降、综合运营效益提升,提高矿区生产工作安全水平,加快智慧矿区的建设。矿山环境封闭,不存在公开道路的交通法规问题,且车辆路线相对固定,车速大多低于40km/h 以下,矿区自动驾驶场景相对较简单;此外,矿山无人驾驶有明确、可控的作业规程指引,实地测试易落地且为政策刚需,当前自动驾驶矿山场景几乎都集中在露天采矿运输,能先于其他自动驾驶场景积累常态化运营的时长和经验。这使得矿区无人驾驶创业公司具备一定的先发优势。xZd 69:().与国外相比,针对矿区限定场景下的自动驾驶,国内起步较晚。但由于矿区无人驾驶对应千亿以上的市场,我国政府陆续出台智慧矿山相关政策。!-64V%&(|124 31!-64V%&(|12 资料来源:甲子光年智库 在国家政策及产业需求的催化下,自动驾驶已在国家能源集团宝日希勒矿区、华能集团伊敏矿区、宝武集团马鞍山南山矿区、白云鄂博矿区等多个矿区开展试运营。相关工程机械企业,如北方重工、航天重工等以及诸多矿卡自动驾驶解决方案商参与其中,投入矿卡网联自动驾驶应用研发,并在多个矿区开展实地测试和试运营,推动矿区无人驾驶快速落地。!3-74V%&(v44资料来源:甲子光年智库 Fwvw86Bjk.目前,我国第一梯队的矿山智能驾驶公司,例如踏歌智行已逐渐打开市场,率先实现了矿区无人运输运营模式,32 运作规模化的无人驾驶宽体车队,落地了众多标杆矿区项目,包括国家电投霍林河露天煤矿、包钢白云鄂博铁矿、国家能源胜利一号煤矿、国能平庄煤业、鄂尔多斯永顺煤矿、江铜德兴铜矿等。易控智驾 2020 年 5 月与准东露天煤矿就无人驾驶运输运营项目达成合作,这是国家能源集团首个宽体车无人驾驶项目,并于2022年6月实现运输环节无人驾驶宽体车安全员常态化下车。截至2022年6月,无人驾驶在准东露天煤矿开展了多作业场景、不同气候条件下的运营服务。IAnIA6ono.目前,仍存在自动驾驶供应链环节的技术成熟度有待提升、部分关键零部件价格昂贵的问题,成为今后规模化商用时不可忽视的挑战。3.3.3 Z ZS即采用自动驾驶环卫车辆替代传统有人驾驶的环卫车辆。无人环卫是自动驾驶特种作业中发展最快的场景,能够在普通道路、街道等开放道路以及园区、学校等封闭道路实现道路清洁、洒水、消杀等工作。无人环卫不仅能够降低成本、提高效率,还能在疫情防控常态化下实现无接触作业。同时,自动驾驶环卫车多为新能源汽车,可有效减少污染。自 2015 年国务院首次提出智能网联汽车概念开始,各地政府相继出台相关政策,支持自动驾驶在环卫场景的应用,以实现更加安全、高效、低成本的环卫作业。OPuTXmiYTd#IJfgF32458x678,-.目前,主要测试仍在各地建设的智能网联汽车测试与示范区进行封闭区域的测试。2022 年 9 月,我国首个开放道路下的全无人环卫车落地运营项目在广州国际生物岛落地,引入全无人驾驶环卫车 3 台,其中 2 台用于日常作业、1 台用于应急备用。广州国际生物岛首批投入运营的L4 级全无人环卫车其保洁范围超过 38.8 万平方米,涵盖整个广州国际生物岛市政道路的环卫保洁业务,包括车行道、人行道、绿道等不同道路场景。fgZ/$.环卫场景由于运行速度低、路线固定、对舒适度要求低以及包含众多封闭、半封闭场景,更易实现商业化落地,因此众多科技公司布局该领域。主要分为三类:33!3-84GH”4 部分企业及其测试分布如下:!3-9%&(v”#?APMFQRB73ST:;3245()tnb.自动驾驶汽车搭载了先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,可实现车与 X(人、车、路、云端等)智能信息交换和共享,具备复杂环境感知、智能决策、协同控制等功能。自动驾驶功能实现是一项复杂的系统性工程,为解决自动驾驶商业化发展面临的问题,在技术层面应同时关注硬件和软件两方面关键技术。78)(7*A7 ,M-w.目前,智能化、网联化已成为我国汽车产业高质量发展的重要方向引领,自动驾驶成为汽车产业竞争焦点,汽车软硬件产业生态面临重构。整车企业与零部件企业的关系由垂直线型的传统产业链条向立体网状的新型生态系统转变,跨界企业和初创企业大举进入汽车产业链,产业边界不断拓展且日益模糊。)(/3245vw678Cv0.从技术层面来看,自动驾驶规模商业化对自动驾驶汽车软硬件架构提出了新的要求,域控制器、中央计算平台将成为未来发展趋势,其优势在于可使车辆软硬件分离,充分利用硬件性能,提高软件复用率,降低整体成本,提升控制范围和控制效能,实现自动驾驶功能的快速迭代,软件、算法、芯片等变得越来越重要。4.1)* ,QRSTUVW 4.1.1 3245w1 2Nk.自动驾驶环境感知硬件主要是指传感器,包括摄像头、毫米波雷达、超声波雷达、激光雷达等。环境感知作为基础环节,主要为后续的智能决策和控制执行提供依据,其关键在于使自动驾驶系统更好地模拟人类驾驶员的感知能力,从而理解驾驶环境。不同传感器的性能特点不同,其中摄像头图像识别性能较好,但需要依赖事前样本训练来保证稳定性;毫米波雷达测距性价比较高,但对行人探测效果不佳,应用于车辆探测和倒车;超声波雷达受环境干扰较小,但探测距离十分有限,应用于短距离探测;激光雷达探测精度较高、探测距离较远,但受恶劣天气等环境影响较大。2n3453245nqr6.高精度的目标 37 检测技术能够为自动驾驶系统应用提供良好的基础条件,根据市场需求,激光雷达是高级别自动驾驶的必备传感器,因此,基于激光雷达的目标检测技术在高级别自动驾驶系统中具有重要作用。目前,国内外多家企业已对相关技术进行了研发,如 Waymo、nuTonomy、地平线、百度、华为、智行者等。各种类别障碍物检测平均精度(mAP)是衡量激光检测能力的重要指标,其数值越大,表明激光检测能力越强,目前,国内外该项指标所能达到的先进水平为 70%以上。!4-1 7v mAP r-资料来源:参考文献1、2、3、4、5、6/7t2zCv8.自动驾驶汽车行驶环境具有高度复杂性,单一传感器受限于自身性能特点,其对复杂场景的感知能力较为有限。由于图像传感器和激光雷达各有优劣势,基于深度学习的图像与激光点云多传感器融合成为高级别自动驾驶关键技术之一。从近年来国内自主品牌汽车生产企业情况来看,量产汽车产品搭载的传感器数量和配置逐渐升级,主要对前向摄像头、侧向摄像头、激光雷达等进行了较大幅度增配,多源融合感知正在成为识别与传感器细分领域的主要发展趋势。E79mn/2:;tAB.与特斯拉倾向于采用纯视觉方案不同,以 Waymo 为代表的多传感器融合方案可显著提高系统的冗余度,能更好地应对复杂交通环境,更有效地保证自动驾驶安全性。Cruise、百度、华为、智行者、小马智行、小鹏、蔚来等企业落地的自动驾驶产品均离不开多传感器数据融合技术。例如,智行者多传感器数据采集及融合技术通过高性能、高算力、高能效的异构架构设计,集成视觉、点云、毫米波和超声波等物理数据接口,结合自动驾驶软件系统实现多传感器数据采集及融合,能够实现高达 13 路摄像头数据采集、5 路激光雷达数据采集,5 路毫米波及 12 路超声波数据采集,结合高算力实现高级别自动驾驶功能。38 4.1.2 3245)w1 8h?8h56nqr(82.自动驾驶存在感知、决策方面的高度复杂性,从硬件角度来看,自动驾驶需要高效能、低功耗的计算芯片,需要通过高算力来满足高级别自动驾驶的计算需求。2020-2022年,国内自主品牌汽车生产企业量产汽车产品的智能芯片搭载率越来越高,且单车总算力明显提升。例如,蔚来 ET7 搭载四颗英伟达 Orin 芯片,总算力高达 1016 TOPS。未来,汽车生产企业对高算力的追求,将进一步成为其在芯片领域与科技公司开展战略合作的驱动因素。xAE7MN18hBKx56C.国内主要车载智能计算平台企业有地平线、华为等。其中,地平线推出的 Matrix 计算平台,利用 AI 计算 IP 将计算性能最大化,可支持激光雷达、毫米波雷达接入以及多传感器融合,已实现规模商业化。华为在自研 AI 芯片昇腾的基础上打造了 MDC计算平台,适用于乘用车、商用车、作业车等多种自动驾驶应用场景,其支持L4 级自动驾驶的计算平台 MDC600,算力高达 352 TOPS,功耗算力比低至 1 TOPS/W,同时符合最高级别车规标准。)Hn=KDnEF GoHIJcEn:qr.该技术用于预判交通环境中的其他交通参与者的行为和未来一段时间的轨迹,是下游决策规划能够实现智能化、拟人化,同时保障车辆行驶安全的前提,是目前行业内的研究热点,国内外多家企业,如 Waymo、Uber、nuTonomy、轻舟智航、华为和智行者等,都聚焦于该项技术的研发。39 3 4-1 r34行为识别和轨迹预测技术的性能普遍采用预测位置误差等指标描述,包括表示预测时长内各个时刻预测位置和真实位置平均距离偏差的 ADE、表示预测时长终点处预测位置和真实位置距离偏差的 FDE 和表示预测时长终点处预测位置和真实位置偏差超过 2m 比例的 MR2m,这些指标的数值越小,表明技术性能越强。!4-2 7v r-资料来源:EvalAI 4.1.3 3245l;K w1 l;K LM324578 5|N.自动驾驶汽车控制执行系统是传统汽车技术的延伸,包括加速、制动、转向等车辆基本行驶状态的控制装置,涉及的主要硬件包括加速执行器、制动执行器、转向执行器和车身电子稳定系统。借助融合驱动、制动、转向和悬架的底盘控制技术,并应用环境感知和移动通信技术,可使车辆按照预设的速度和路线行驶。OPl;Q8Cv8qrzxR.随着汽车电动化的发展,控制执行系统的底盘控制技术逐渐趋于电动化,各子系统逐渐趋于电子电气化,并表现出集成化发展趋势。线控制动是控制执行系统的核心功能,目前,全球领先的一级供应商依靠成熟的底盘控制技术和规模效应,在控制执行系统核 40 心的线控制动领域占据主导地位。xAE7Ml;K qrS:QQ1xT.例如,智行者高级别自动驾驶规划控制技术攻克了复杂环境理解、不确定性轨迹预测、交互式行为决策、时空联合轨迹规划、高精度车辆控制等核心关键技术,为各种复杂情况下的自动驾驶应用提供了智能化、拟人化、安全高效的解决方案,认知决策规划频率10Hz,控制频率20Hz,车辆控制精度可达 5cm 以内。4.2)* ,XRSTUVW 4.2.1 3245)UCv8 3245)U3Fu)V)AB).其中,系统软件面向底层基于异构分布式硬件/芯片组合的硬件系统,为上层软件系统提供与硬件无关的运行环境和开发接口,是发挥平台作用、提供公共服务和管理、支撑上层软件运行的载体。功能软件包括自动驾驶通用框架、网联、云控等,根据自动驾驶共性需求进行通用模块定义和实现,功能软件将自动驾驶业务进行抽象,结合相应工具链可快速实现自动驾驶应用功能部署。应用软件具体负责自动驾驶功能实现,包括环境感知、智能规划、控制执行等算法,以及数据地图、人机交互等。在系统软件和应用软件之间提供连接、便于软件各部件之间沟通的软件称为中间件,中间件是软硬件解耦的关键,应用软件可以借助中间件在不同的技术架构之间共享信息与资源。3245onW-y3245on)FX%WC 7.虽然自动驾驶中存在“重感知,轻地图”和“轻感知,重地图”两条路线,但是目前的高级别自动驾驶系统普遍采用高精度地图方案。高精度定位技术是高精度地图的关键技术,它能使得高精地图得以合理使用。高精度定位技术的主流方案包括卫星组合导航定位、激光SLAM 定位、视觉 SLAM 定位以及多种方案组合的融合定位。目前,国内进行高精度定位技术研发的企业包括导远电子、星网宇达、诺瓦泰、智行者等。无论企业采用何种高精度定位技术方案,绝对定位精度和航位推算精度都是衡量该技术的重要指标,其参数的数值越小,表明高精度定位技术越强。41!4-3 7vAHJ-资料来源:公开资料 Q8 w1878)UCv8.在智能化、网联化变革趋势下,软件和硬件在零部件层面解耦,软件独立成为核心零部件产品,汽车软件架构正在向分层化、模块化方向发展。目前,自动驾驶系统一般将核心的算法模块化划分为感知层、定位层、预测层、决策规划层以及控制层,上文所提及的高精度地图属于感知层汽车软件,目前这一套系统的划分是自动驾驶行业中运用最广泛的系统之一。在分层解耦的自动驾驶软件系统架构中,应用层功能可在不同车型、硬件平台、操作系统上复用,并可通过标准化接口对应用功能进行快速迭代升级。4.2.2 BWUY3245,-3245vw6780ZBW)U.自动驾驶商业化的终极目标是实现规模化落地,在多场景自动驾驶规模商业化需求下,由于自动驾驶感知与决策方面的高度复杂性,成本和效率问题阻碍自动驾驶供应商形成完整的商业闭环。因此,打造适用于高效率、低成本的多场景多车型通用型软件架构,成为实现多场景自动驾驶规模商业化的有效途径。”Z32456789/Z3245678no=BW3245Uns.通用型自动驾驶架构的设计一般要考虑以下因素:一是保障车辆运行安全,安全是实现自动驾驶功能的基础和前提,守住障安全底线才能行稳致远。二要推动自动驾驶算法持续优化,在自动驾驶技术和商业化实践均不成熟的情况下,车端自动驾驶算法需要持续快速迭代。三是高效率 42 赋能多场景,由于不同场景在终端选择方面存在差异,例如载人场景主要为自动驾驶出行服务和点对点接驳、载物场景主要为货物运输、环卫场景主要为清扫清洗,多场景商业化落地应尽可能以高效率、低成本的方式实现。UQBWUnos0H.针对上述技术难点,可对系统架构进行分层化设计,将自动驾驶功能层和业务层进行分离。无论何种应用场景,自动驾驶的最基础能力是行走能力。在架构设计时,可对行走能力等共性能力进行抽象和提取,封装在功能软件层,同时将与业务相关的跟随能力、清扫能力等放在业务层,使自动驾驶的共性功能和业务功能剥离,以实现自动驾驶系统在不同场景下的快速应用。3lx3245)z0.为适应自动驾驶规模商业化发展需要,我国必须建立自主可控的自动驾驶操作系统,强化资源统筹、形成发展合力,建立符合中国标准的多场景通用型软件架构,促进我国在自动驾驶领域的核心竞争力。同时,推动自动驾驶软件系统相关标准法规和测试认证规范的制订,尽快建立起完善的管理体系。4.2.3 BW3245UmnAB E79vBW3245UmnAB.国内较为典型的通用型自动驾驶架构有国汽智控智能网联汽车操作系统 ICVOS、智行者自动驾驶操作系统AVOS、文远知行自动驾驶通用技术平台 WeRide One 等。x7l智能网联汽车操作系统 ICVOS 的优势在于平台化、双解耦,即 OS与硬件解耦、OS 与应用开发解耦,国汽智控开发的统一 OS 可以使车厂和 Tier1对下层硬件无感知切换,在此架构 OS 上开发的应用可以运行在任何可适配的硬件之上,硬件可以乐高化的进行弹性资源配置。 D自主研发基于人-车-路闭环的自动驾驶操作系统 AVOS,实现架构上高内聚、低耦合,采用分层解耦架构,自顶而上分别为系统软件、功能软件、应用软件,充分适配多类业务场景,不同业务的代码复用率在 70%,为实现多场景商业化落地赋能。 自动驾驶通用技术平台 WeRide One 是适用于各类城市交通运输场景的通用技术平台,以自研自动驾驶全栈式软件算法为核心,涵盖自动驾驶模块 43 化硬件解决方案以及自动驾驶云架构平台,已应用于文远知行智慧出行、智慧公交、智慧货运等场景。其中,智行者基于“中央计算单元 软件操作系统 数据闭环平台”三层架构组成软硬件结合、车云结合的自动驾驶大脑,具备“一体一环”技术优势,即在功能软件层配备了图像化的低代码软件开发平台,将底层系统架构模块化,用搭积木的方式开发自动驾驶系统,同时通过多场景落地实现海量数据回流,形成完善的数据闭环,高效赋能不同落地场景。!4-4 IXY%&(4.3)* ,-./YZ_ 4.3.1 m;3245vw678Cv 3245m;3245vw678Cv.为保障自动驾驶汽车运行安全,自动驾驶功能通常在限定条件下才能被激活,例如限定区域、限定道路、限定时间、限定天气条件等,但这不利于实现自动驾驶规模商业化落地。这是主要是因为自动驾驶存在长尾问题,一是车端传感器受限于安装位置、探测范围等客观因素,在繁杂道路交通环境、特殊天气等复杂环境下感知能力存在局限性;二是自动驾驶模拟仿真测试、封闭场地测试、实际道路测试难以覆盖所有道路交通状况,在车辆实际运行过程中可能会遇到自动驾驶系统无法应对的未知场景,从而使自动驾驶的安全性和可靠性受到挑战。A3245mo_0A38t.一方面可通过基于 44“单车智能 车路协同”的多源融合感知,提升自动驾驶汽车对复杂交通状况的感知能力;另一方面可通过大量的实际道路测试数据积累,不断挖掘未知场景,缩小未知场景范围,将未知场景转化为已知安全场景,不断迭代自动驾驶算法、优化自动驾驶功能,并通过 OTA 部署到车端,以使自动驾驶汽车应对更多场景。4.3.2 Ha3245678n:HaNO3245qr.为应对制约自动驾驶规模商业化发展的长尾问题,从软件算法层面来看,需要解决路径规划、行为决策、轨迹规划等模型算法问题,自动驾驶算法需要不断迭代升级。自动驾驶软件背后的基于人工智能或深度学习的环境感知、决策规划、控制执行等核心算法的质量和迭代速度体现着自动驾驶系统的核心竞争力。3245Hao5b?.自动驾驶算法迭代优化依赖于大量道路测试,积累数据后对算法模型进行训练和测试。如果不具备自动驾驶系统的规模化部署条件,专门成立测试车队进行数据采集和场景挖掘将面临较高的人力和物力成本,且测试周期长、测试效率低、覆盖场景有限。因此,实现平稳持续的自动驾驶算法迭代,必须做到成本与效率的平衡。E7Bvw8).特斯拉利用市场优势,将用户在用车辆作为测试车辆,积累车辆实际行驶数据,进而实现算法和软件的快速迭代升级。蘑菇车联通过与地方政府达成战略合作,开展城市级自动驾驶公共出行与公共服务大规模落地运营,积累车端、路侧的全维度数据。智行者采用多场景商业化策略,利用多场景全工况通用型自动驾驶解决方案,以更低成本、更快速度获取更丰富的数据。4.3.3:;c23245HNa?AQRB73VW 78z3245nCvd”66786gy6pKE7hn:.对企业来说,自动驾驶商业化路径主要有两条:一条路是渐进式路线,即从低级别自动驾驶逐渐过渡到高级别自动驾驶;另一条路是跨越式路线,即直接实现适用于限定场景的 L4 级自动驾驶。目前,自动驾驶赛道的参与者除了具有整车实力的车企之外,一大批初创型自动驾驶企业开始涌现,同时大型科技公司也纷纷跨界加入,这些企业根据自身条件选择不同路线进行商业化实践,推动自动驾驶商业化落地。2021 年 11月,北京正式开放国内首个自动驾驶出行服务商业化试点,标志着中国自动驾驶正式开启商业化运营阶段。5.1 ab)* ,cde xA8E3245678Poij.主机厂依靠自身丰富的造车经验、广泛的资源渠道,通过孵化科技公司或成立自动驾驶人工智能技术公司,进行自动驾驶商业化实践。本文以毫末智行、挚途科技、东风悦享为对象,对车企自动驾驶子公司自动驾驶商业化实践进行分析。5.1.1 kd 毫末智行科技有限公司(简称“毫末智行”)成立于 2019 年 11 月,其前身是长城汽车自动驾驶前瞻分部,是一家致力于自动驾驶的人工智能技术公司。毫末智行现有团队规模近 400 人,在北京、上海、保定均设有研发中心。kd n32456786%x%alm%ana F678o-B8zdebcz.在乘用车领域,毫末智行推出了三代域控制器产品,分别为小魔盒 1.0、小魔盒 1.5 和小魔盒 3.0。依托“小魔盒”,毫末智行打造的自动驾驶辅助系统毫末 HPilot 现已搭载在长城汽车生产的众多车型之中。例如,2021 年 5 月起,毫末 HPilot1.0 陆续搭载至魏牌摩卡、坦克 300城市版、魏牌玛奇朵 DHT、魏牌拿铁 DHT、哈弗神兽五款车型。2022 年 3 月,坦克 500 成为首款搭载毫末 HPilot2.0 版本的车型。此外,毫末智行 2022 年上半 47 年推出HPilot3.0,计划2022年下半年推出HPilot3.5以及2023年推出HPilot4.0。预计未来两年,搭载毫末智行自动驾驶辅助系统 HPilot 的乘用车数量将超过 100万。3 5-1 IXLIJ(*34资料来源:毫末智行 在末端物流领域,2020 年 4 月毫末智行试制线控底盘“小魔盘”成功,基于“小磨盘”,毫末智行于 2020 年 10 月成功打造出末端物流自动配送车“小魔驼”,搭载其自主研发的 L4 级自动驾驶技术。目前,毫末智行已携手美团和物美,投放“小魔驼”在北京进行常态化运营。此外,在末端自动驾驶方面,毫末智行提出“5S 服务”合作模式,即自下而上分为 FAAS 代工生产服务、IAAS 供应链和硬件服务、PAAS 系统工具服务、VAAS 整车服务和 MAAS 运力服务,每层均可单独提供服务,层级越往上毫末智行所提供的能力越多,从而针对不同类型的客户,具有独立的商业模式。3 5-24IX%&($5S 4资料来源:毫末智行 48 5.1.2 pq 苏州挚途科技有限公司(简称“挚途科技”)成立于 2019 年 8 月,是由一汽解放发起成立的智能车研发科技公司。由于一汽解放是国内商用车领军企业,挚途科技致力于商用车自动驾驶商业化落地。pqn32456786%r.uo3245Z6B8Z,-.目前,挚途科技已在港口、干线物流、环卫等多个场景中实现落地运营。在港口场景领域,由一汽解放、挚途科技、经纬恒润合作开发的无人集卡运营系统项目于 2021 年 6 月在山东日照港开启,项目计划投放 15 台一汽解放 J6P 无人集卡,是国内率先实现商业化落地运营的港口服务项目;同年 12 月,挚途科技参与大窑湾智慧港口 2.0 项目,助力辽港集团加速港口数字化转型。在干线物流领域,挚途科技聚焦高速公路干线运输场景,2021年 7 月挚途科技基于一汽解放 J7 牵引车开发的 J7 L3/L4 级智能卡车实现小规模生产,并计划通过自主开发的运营调度平台,开展干线物流运输业务。在环卫领域,挚途科技智能环卫清扫项目于 2021 年 4 月在苏州实现商业化落地,将为苏州市相城区高铁新城周边总长度约为 13km 的道路提供无人驾驶清扫作业服务,挚途科技为此投入了全栈自研的智能洒水车、洗扫车、扫路车等自动驾驶清扫设备,2021 年全年累计商业化运营里程达 60000km。未来,除了进一步在已涉猎的场景下扩大商业化规模之外,挚途科技计划依托一汽解放车辆平台,进行矿山场景下的自动驾驶商业化实践,为矿山提供完整的智能无人生产车辆,全面提升矿山生产的安全性和经济性。49 3 5-34GHuL#45.1.3 Rstu 东风悦享科技有限公司(简称“东风悦享”)成立于 2020 年,是由东风汽车集团有限公司技术中心孵化而来的科技型技术公司,公司致力于多交通模式探索,为客户及合作伙伴提供智慧生态一体化解决方案。Rstun32456786%v rw 3245IxxYTyO0.目前,东风悦享在自动驾驶商业化的实践主要是在Robobus、智慧物流以及环卫场景方面。在 Robobus 领域,2021 年 4 月,东风悦享在上海车展展示的 Sharing-Bus 无人驾驶智慧巴士搭载了 L4 级自动驾驶和 5G平行驾驶两套行驶方案。2022 年 5 月,Sharing-Bus 正式在武汉经开区投放上路,截至 10 月底,Sharing-Bus 投入数量达到 30 辆,累计运营超 30 万公里,接驳人数突破 5 万人。在智慧物流方面,东风悦享并未推出末端物流车,而是推出带有飞行模块、功能舱体模块、地面模块的陆空一体化智慧物流解决方案Sharing-Aircraft。该方案于 2021 年 4 月亮相上海车展,利用近空领域交通资源、发展低空交通,攻克“区域地貌环境复杂、车辆难以通行”的问题,同时可以协同解决湖心岛、山区等车辆不易行驶的区域物流问题。在环卫领域,东风悦享于2022 年 9 月在武汉经开区投放 12 辆无人清洁车(Sharing-Smart)。对于自动驾驶商业化,东风悦享计划未来陆续投放一系列 Sharing-X 服务车辆和移动服务设备,50 通过无人接驳、无人清扫、安防巡逻、无人配送等服务,助力武汉经开区开展全面的无缝化移动服务运营。3 5-4 Sharing-X:车企子公司因背靠传统车企,可充分利用母公司资源渠道,快速抢占自动驾驶商业化赛道。同时,车企子公司的自动驾驶商业化实践与其背靠车企的战略布局有关,如毫末智行开发搭载在量产乘用车上的自动驾驶系统,挚途科技致力于商用车的应用场景,东风悦享现阶段的重心集中在武汉经开区的移动服务运营。在享受背靠车企的资源的同时,车企子公司自本身发展也受到背靠车企的限制。!5-1 IXGH%&(uvw=51 5.2 fgh)* ,b.zJNky8;nR(|WE7B93245z.软件定义汽车已成为汽车产业近年来的发展共识,随着人工智能的加速渗透,汽车行业正在进行智能化、网联化变革,自动驾驶技术成为当下最热门的领域,初创型自动驾驶企业主要以适用特定场景的自动驾驶产品入局。本文以蘑菇车联、智行者科技、文远知行为对象,对初创型自动驾驶企业自动驾驶商业化实践进行分析。5.2.1 8 蘑菇车联信息科技有限公司(简称“蘑菇车联”)成立于 2017 年 11 月,是自动驾驶全栈技术与运营服务提供商,通过提供“车路云一体化的自动驾驶系统“作为解决方案,实现 L4 级自动驾驶大规模落地,并支撑智慧交通建设工作。8n3245678P/iYTwv8%eO8n678F.蘑菇车联在合作城市中除了投放 Robotaxi、Robobus 之外,还将投放大批量自动驾驶清扫车、巡逻车、快递车、园区车、医疗车等城市公共服务队。2019 年 2 月,蘑菇车联完成 1.2 亿美元 A 轮融资;同年 10 月,蘑菇车联在国家级智慧交通示范基地北京市顺义区北小营镇落地了国内首个开放式5G商用车路协同示范路,并落地了国内首个车路云一体化自动驾驶项目。2020 年 10 月,蘑菇车联自动驾驶车队及小巴落地苏州高铁新城。2021 年 3 月,蘑菇车联与衡阳市签订智慧交通建设战略合作框架协议,总设计里程达 200 公里,以推动城市级自动驾驶大规模落地和商业化运营。2021 年 9 月,蘑菇车联与鹤壁市签署战略合作协议,推进智慧交通建设,共建新型智慧城市。2022 年 1 月,蘑菇车联与大理市签订战略合作协议,将对环洱海生态廊道全路段(136 公里)进行智能网联及车路协同新型基础设施升级与建设。52 3 5-5 Lfguvw#5.2.2 D 北京智行者科技股份有限公司(简称“智行者”)成立于 2015 年,聚焦无人驾驶汽车大脑的研发,致力于成为通用场景 L4 解决方案提供商。 Dn3245678Py|ZYusxYT.其产品所涉及的场景从基础需求(如无人安防巡逻车)到生活需求(如无人环卫车、Robotaxi)再到精神需求(如无人移动休闲空间),覆盖用户的各个需求层面,全方位加速智慧城市的建设。在基础需求方面,智行者自主研发无人安防巡逻车 Xpatrol 系列,包括Xpatrol-30(低速园区版)、Xpatrol-60(中速越野版)、Xpatrol-90(高速长续航版)。2022 年,智行者已获得了超 100 台的无人驾驶巡逻车订单,且订单量保持持续增长,高速长续航版的无人驾驶巡逻车在上海、涿州等全国多个地区高速落地执行巡逻任务。在生活需求方面,其产品不仅有应用于末端物流的无人驾驶物流车蜗必达,可实现物流配送最后一公里的智能化;还有应用于环卫场景的无人环卫车蜗小白,可解决地面清洁问题。2018 年 10 月,“蜗小白”和“蜗必达”为北京市石景山区首钢园区北京冬奥组委办公区提供道路清扫和物品运输服务。目前,“蜗小白”已投放在北京、天津、上海、河北、浙江、河南、湖南、广东、四川、陕西、内蒙古、广西等多个省市。“蜗小白”系列无人清扫车产品覆盖室内与室外清洁需求,已在超过 100 个城市、1000 余个客户现场实现落地,累计清洁面 53 积达数亿平方米。同时,“蜗小白”形成了基于交通枢纽、商综超市、酒店写字楼、工业物流、园区景区等多行业、多场景完备的解决方案。此外,在无人接驳方面,智行者打造的软硬件一体化的通用型无人驾驶大脑已成功赋能 Robotaxi、Robobus。2021 年 12 月,智行者交付 T3 出行百台 Robotaxi,并且该车队已落地苏州开展运营。在精神需求方面,智行者还将打造无人移动休闲功能产品,实现无人移动智慧办公,多方位融合智能交互与消费场景。3 5-64IXYIJwJ 5.2.3 文远知行 WeRide 成立于 2017 年,是一家拥有自研自动驾驶技术和全栈式软硬件解决方案的 L4 级自动驾驶出行服务企业。 n3245678P8E 560v*Robovan Robotaxi Robobus(o.在 Robovan 方面,2021 年 9 月,文远知行联手江铃汽车和中通快递,共同推进 Robovan 前装量产,实现同城无人物流。在 Robotaxi 方面,2019 年 12 月,由文远知行、雷诺日产以及白云出租集团联手打造的 Robotaxi 车队正式在广州开启运营服务,服务范围覆盖黄埔区、广州开发区核心的 144.65 平方公里的城市开放道路。在一年内,该车队共安全 54 完成 14.7 万次出行,服务用户数超 6 万,无任何主动责任事故。2021 年 1 月、5月,文远知行分别完成 B 轮融资和 C 轮融资。同年 11 月,文远知行、广汽集团以及如祺出行达成战略合作,并于 2022 年在如祺出行平台上线 Robotaxi 运营,提供自动驾驶出行服务。在 Robobus 方面,文远知行和宇通共同打造 Mini Robobus,并与各地出行运营商合作。2021 年 4 月,联合打造的 Robobus 批量下线,在广州、南京、郑州等地开展常态化测试。2022 年 1 月,文远知行宣布在广州国际生物岛正式对外开放运营 Robobus。3 5-7 X 初创型自动驾驶企业将自动驾驶商业化的实践主要放在特定场景下 L4 级自动驾驶应用,但各初创型自动驾驶企业具体的实践方案不同。目前,我国自动驾驶技术路线为单车智能与车路协同,蘑菇车联更注重车路协同,开展“车路云一体化“商业项目,实现城市级商业化落地,而智行者科技和文远知行更注重单车智能,聚焦多场景应用,智行者更偏向提供全场景通用型解决方案。55!5-2 LIXYGHX%&(uvw=5.3 ihjSde 推动自动驾驶商业化落地,需要智能化技术、车联网技术、智能网联整车技术等作为支撑。除了具有整车制造资质的主机厂和致力于特定场景自动驾驶商业化的初创型公司,大型科技公司也纷纷涌现汽车市场,以跨界合作为主要方式切入自动驾驶领域。本文以百度、华为以及腾讯为对象,对大型科技公司自动驾驶商业化实践进行分析。5.3.1 百度 2015 年成立了自动驾驶事业部,2017 年成立智能汽车事业部并发布Apollo 计划,旨在向汽车行业及自动驾驶领域的合作伙伴提供一个开放、完整、安全的软件平台。Apollo|3245 x8(z |0D.在自动驾驶领域,百度从 2019 年开始研发 Robotaxi,测试里程已超 2500 万公里。2021 年 8 月,百度发布全新升级的自动驾驶出行服务平台萝卜快跑。目前,萝卜快跑已在 8 个城市开放运营,分别是北京、长沙、沧州、广州、上海、深圳、重庆以及阳泉,其中在北京、重庆、阳泉三地已开始商业化收费运营服务。百度计划到 2025 年,Robotaxi 投放 65 个城市进行服务,到 2030 年运营城市达到 100个,持续推动 Robotaxi 成本下降。除了 Robotaxi,百度 Apollo 还与金龙客车打 56 造 Robobus,与江铃客车共同打造的无人驾驶轻客,与新石器合作推出无人作业机器人汽车等等,实现物流、配送、清洁消毒等领域应用,不断完善产品体系。百度对自动驾驶商业化的推动还包括在智慧交通和车联网领域的布局,例如百度智能云、百度地图等,支撑“车、路、云、图”等交通基础设施;2022 年 2 月,百度通过导航电子地图制作甲级测绘资质复审,具备高精地图测绘资质;截至2021 年底,人工智能车联网解决方案“小度车载”搭载量超过 220 万。3 5-8 A Apollo?5.3.2 华为 2014 年成立智能网联汽车中心,经过几年积累,于 2019 年正式成立一级部门智能汽车解决方案 BU。目前,华为自动驾驶相关业务团队已扩充到2000 人。=3245678nPi0S8EI|0YTIOyO0.在全栈解决方案方面,华为合作车企主要有北汽、赛力斯、长安和广汽。2021 年 4 月,北汽极狐阿尔法 S HI 版发布,是首个量产搭载华为全栈智能汽车解决方案的车型。2021 年 12 月,搭载全新 HarmonyOS 智能座舱的 AITO 问界 M5 发布,华为从前期规划、设计到后期的营销、销售,甚至工厂生产线改造均占据主导地位。2022 年 5 月,由华为、长安和宁德时代联合打造的阿维塔 11 发布,是全系搭载华为 HI 全栈智能解决方 57 案的车型。除此之外,华为与广汽合作的首款中大型智能纯电 SUV 计划于 2023年底量产。在“交通智能体”方面,华为提供智慧高速、智慧交轨、智慧机场等智慧交通场景的解决方案。2018 年 10 月,华为正式推出华为云城市智能体,通过 AI 协同云、大数据、边缘计算、物联网等多种技术改善城市环境。目前,华为在“交通智能体”的三个方面落地了智能交通管理项目,其中在信号优化方面,2020 年,TrafficGo 交通控制解决方案在天津开展应用,实现由过去的车看灯到现在灯看车,平均车速提高 18%,高峰时长平均下降 15 分钟;在大数据方面,华为为湖南全省道安云项目提供了大数据平台、云平台技术;在车联网方面,华为在无锡部署城市级 C-V2X 网络,目前已经在 400 个路口,220 平方公里进行了大范围部署;此外,华为还参与了北京延崇智慧高速车路协同环境的建设。除了上述三个方面,华为与深圳的合作由 TrafficGo 交通控制解决方案上升到“交通智能体”的全面合作,深圳交警与华为共同致力于道路智能化、信号灯智能化管控、人工智能辅助执法等工作。3 5-9%&(uv 5.3.3 腾讯 2016 年 9 月内部孵化了自动驾驶实验室,整个实验室包括高精地图、融合定位、仿真平台、系统与架构、数据平台、核心算法等 6 大部门,腾讯以此开始搭建自己的自动驾驶平台。2020 年 9 月,腾讯发布“We Transport”战略,利用大数据、5G 和车路协同等优势,探索智慧城市的解决方案。OS:qrAxNYT 58 xH7smn0Z,-/.在智慧高速方面,2021 年 7 月,腾讯与深高速签署战略合作协议,进行深圳外环高速智慧公路试点示范,打造基于数字底座的高速一体化监测示范平台。2021 年 9 月,腾讯与江苏交控联合成立“收费站数字孪生联合实验室”,此前双方已基于南京机场高速展开了实时数字孪生应用的业务探索和试点应用。2021 年 12 月,腾讯联合广东省交通集团落地广清高速智慧监控运营项目,形成基于雷达感知的全天候车道级精细化运营监控系统。城市交通方面,2021 年 4 月,长沙首批智能网联定制公交启动试运营,这是腾讯打造的全国首条智能网联全国首条智能网联定制公交。在智能网联方面,2019 年 3 月,深圳智能网联交通测试示范区项目启动,腾讯为其建设提供完整自动驾驶仿真工具链,智能网联信息安全测试平台,城市平行仿真系统。2019 年 12 月,工信部批复支持创建天津(西青)车联网先导区,腾讯深度参与此项目,在重点区域进行交通基础设施网联功能改造和核心系统能力升级。2021 年 8 月,腾讯参与重庆两江协同创新区的建设,提供基础支撑系统、智能网联应用支撑平台、MaaS 出行信息服务平台、运营管理平台、交通数字孪生与可视化系统等多个系统的建设支持。在智慧交轨方面,2021 年 9月,腾讯与广州地铁集团与腾讯公司联合发布了新一代轨道交通操作系统穗腾 OS 2.0,实现了轨道交通设备和系统的互联互通。目前,穗腾 OS2.0 已在即将开通的“大湾区最快地铁”广州地铁 18 号线、22 号线进行示范运营。此外,腾讯算法平台助力北京轨道交通指挥中心建设全线网客流精准监视感知能力。3 5-10 ITfg#大型科技公司,依靠自身的智能网联技术、车联网技术以及 5G 等先进网络数据应用能力,跨界参与自动驾驶商业化实践,主要为智慧城市提供解决方案。百度布局较早,围绕自动驾驶、智慧交通和车联网展开 Apollo 计划。华为交管 59 领域经验丰富,向多个城市提供“交通智能体“解决方案,同时硬件能力突出,与多家车企合作推出搭载华为全栈解决方案的车型。腾讯以数字孪生软件能力为核心,为交通管理提供工具。!5-3 A%&(uvwb.)* ,lm-./no _WE73245678wpN.车企子公司背靠母公司,在充分利用资源的同时,不过分依赖车企母公司,积极开发自己的产品,但其商业化模式受到母公司影响,自动驾驶商业化实践受到一定限制。大型科技公司依靠自身多年发展的互联网技术或硬件技术,跨界加入自动驾驶商业化赛道,主要作为方案解决商参与智慧城市的建设。这种作为方案商参与智慧城市建设的商业模式虽然覆盖范围广、参与程度高,但由于涉及对传统交通管理的大规模改革,需要雄厚的资金和强大的技术支持,否则难以落地。从这一角度而言,该模式的落地离不开大型科技公司多年积累的商业资产和技术经验。9=8Ej(Wk7U W3245E7a/Zv L4 3245678P.每家初创型自动驾驶企业对于自动驾驶商业化的布局也各具特色。以本文提到的三家初创型自动驾驶企业为例,蘑菇车联提供“车路云一体化”的自动驾驶系统作为解决方案,开展城市级 60 自动驾驶商业化落地项目,虽然项目规模大,投入自动驾驶车辆类型多,但改造时间长、成本高。文远知行则与车企、出行平台形成“铁三角”关系,虽然这种关系能直接形成自动驾驶解决方案、车、应用部署一套系统,但聚焦的应用场景仅以 Robotaxi、Robobus、Robovan 为主,自动驾驶商业化实践范围有限。而智行者科技以“全场景赋能”为解决方案,研发的产品涉及范围广,注重场景间协同赋能,有利于加速推动特定场景下 L4 级自动驾驶产品和服务商业化落地。现阶段,无论是车企自动驾驶子公司、初创型自动驾驶企业还是大型科技公司,均基于自身条件探索适合自己的路线,积极开展自动驾驶商业化实践,全行业自动驾驶商业化落地模式百花齐放。61 6 XYZ 1 Zhou,Yin,et al.End-to-end multi-view fusion for 3d object detection in lidar point clouds.Conference on Robot Learning.PMLR,2020.2 Ge,Runzhou,et al.Afdet:Anchor free one stage 3d object detection.arXiv preprint arXiv:2006.12671(2020).3 Fan,Lue,et al.Fully Sparse 3D Object Detection.Thirty-sixth Conference on Neural Information Processing Systems.2022.4 Xu,Shaoqing,et al.FusionPainting:Multimodal Fusion with Adaptive Attention for 3D Object Detection.IEEE International Intelligent Transportation Systems Conference(ITSC).IEEE Press,2021.5 Bai,Xuyang,et al.Transfusion:Robust lidar-camera fusion for 3d object detection with transformers.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.2022.6 Zeng,Yihan,et al.Lift:Learning 4d lidar image fusion transformer for 3d object detection.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.2022.62 D 3245678NkZ8Z0c23245,-。不同场景自动驾驶技术成熟度存在差异,自动驾驶商业化正在沿着由易到难的场景化顺序发展。从自动驾驶产品的市场端来看,无论是载人场景、载物场景还是特殊场景,各场景自动驾驶均具有巨大的应用需求。这些场景化应用需求将促使政府和企业积极探索,推动自动驾驶商业化深入落地。324567IJ()123245Cv “.2022 年,部委和地方政府密集推出自动驾驶商业化相关政策,例如交通运输部发布自动驾驶汽车安全运输服务指南(征求意见稿),工信部装备工业一司发布关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿),北京、重庆、武汉先后开展无人化商业运营试点。随着高级别自动驾驶汽车上路通行和商业化运营政策的逐渐放开,自动驾驶商业化领域将大有可为。E79mn3245ABP/Zvw678“”.随着自动驾驶技术发展和商业模式探索,自动驾驶商业化进一步呈现规模化发展趋势,成本与效率的平衡成为商业闭环的重要因素,实现多场景多车型大规模落地的企业将逐渐掌握核心竞争优势,推动自动驾驶产业加速发展。8_ pqr!wx7(”wr”!m!S159-0116-8415 S stu!wx7(”wr”!?!S158-0951-1740n S

    浏览量219人已浏览 发布时间2023-07-03 67页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 电子行业:AI不只有大模型自动驾驶或为其最全面的表达-230623(30页).pdf

    免责声明和披露以及分析师声明是报告的一部分,请务必一起阅读,1证券研究报告电子电子AI不只不只有有大模型,自动驾驶或为其最大模型,自动驾驶或为其最全面的表达全面的表达华泰研究华泰研究海外科技海外科技电.

    浏览量46人已浏览 发布时间2023-06-25 30页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国信通院:全球自动驾驶战略与政策观察-政策助力L4级自动驾驶开启无人化商业应用(2023)(34页).pdf

    中国信息通信研究院政策与经济研究所 人工智能与经济社会研究中心 2023年5月 全球自动驾驶战略与政策观察全球自动驾驶战略与政策观察 -政策政策助力助力 L4L4 级自动驾驶开启无人化商业应用级自动驾驶开启无人化商业应用 版权声明版权声明 本报告版权属于中国信息通信研究院和人工智能与经济社会研究中心,并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的,应注明本报告版权属于中国信息通信研究院和人工智能与经济社会研究中心,并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的,应注明“来源:中国信息通信研究院和人工智能与经济社会研究中心来源:中国信息通信研究院和人工智能与经济社会研究中心”。违反上述声明者,编者将追究其相关法律责任。违反上述声明者,编者将追究其相关法律责任。前前 言言2022 年以来,为了促进自动驾驶创新发展,中、美、欧、德、日、韩等国家和地区通过加快出台支持自动驾驶创新发展的政策,制修订顺应自动驾驶产业发展的法律法规等措施,从车辆标准、上路行驶、安全运营等层面开展行动,展现国家或地区支持产业创新发展意愿,有效地提振了企业的发展信心,打造了积极的发展氛围,形成了良好的发展态势。2022年,中国和美国在促进自动驾驶创新发展中均迈出了里程碑式的一步自动驾驶出租车开启无人化商业运营探索,Waymo、通用 Cruise、百度 Apollo 等企业正加速提升 L4 级自动驾驶出租车的服务能力与运行范围。此外,无人递送车、自动驾驶接驳车、自动驾驶卡车等应用场景同样进展迅速。总体来看,L4 级自动驾驶正进入全面应用的新阶段。展望未来,自动驾驶进入商业化时代还面临诸多挑战,宜通过持续强化安全保障体系,打造自动驾驶商业闭环,持续完善政策法规体系等措施,加快推动自动驾驶产业创新发展,为打造汽车产业全球引领优势、构筑国家竞争新格局奠定坚实的基础。中国信息通信研究院政策与经济研究所车联网团队通过持续跟踪全球自动驾驶政策法规及产业进展形成本报告。报告阐述了 2022年以来主要国家和地区在自动驾驶产业推进中的最新政策法规动态,介绍了自动驾驶的商业化进程,探讨了自动驾驶进入商业化时代将面临的挑战并展望了自动驾驶安全融入社会所需要的各方努力。期待本报告能够为社会各界提供参考,不妥之处还请指正。目目 录录 一、主要国家和地区加速聚焦自动驾驶政策法规布局.1(一)中国央地协同持续完善自动驾驶政策法规体系.2(二)美国加快构建规范自动驾驶发展的政策法规框架.6(三)欧洲以政策法规强化自动驾驶车辆的普及应用.9(四)日韩加快行动落实自动驾驶创新发展战略.11 二、政策法规护航自动驾驶加速进入商业应用新阶段.13(一)政策法规促使 Robotaxi 开启无人化商业应用.13(二)政策法规推动低速无人车成为商用先行者.17(三)自动驾驶卡车加快测试验证并推动商业化.21 三、自动驾驶进入无人化商业时代的挑战与对策建议.23(一)自动驾驶进入无人化商业时代主要面临四大挑战.23(二)促进自动驾驶进入无人化商业时代的对策建议.25 图图 目目 录录 图 1 Waymo、Cruise 和百度 Apollo 的自动驾驶车辆.15 图 2 Waymo ZEEKR、Cruise Origin 与百度 Apollo 的无人驾驶车辆.17 图 3 Nuro、新石器研发的无人递送车、.18 图 4 欧洲、英国、日本研制的无人驾驶小巴.20 图 5 轻舟智航、蘑菇车联的无人驾驶小巴.20 图 6 驭势科技无人驾驶行李牵引车、仙途智能低速无人清扫车.21 图 7 小马智卡、图森未来研发的自动驾驶卡车.23 表表 目目 录录 表 1 2022 年无人驾驶关键事件.14 全球自动驾驶战略与政策观察研究报告 1 当前,全球汽车产业正处于转型升级的关键期,能源革命、功能革新促使汽车从出行和运输工具向移动空间、共享工具等具备多元化应用功能的产品形态方向发展。汽车与信息通信、人工智能等技术的深度融合,使得自动驾驶成为展现国家技术实力、创新能力、产业活力和社会价值的新名片。中、美、欧、德、日、韩等多个国家和地区正在加速构建自动驾驶产业创新发展的政策法规环境,推动自动驾驶的测试范围持续拓展、应用场景日趋丰富、商业运营加速探索。2022年以来,政策法规在 L4 级自动驾驶产业的创新应用中凸显了巨大的促进作用,有效地提振了产业发展信心,也为自动驾驶在更多场景、更大范围的推进形成示范效应1。一、主要国家和地区加速聚焦自动驾驶政策法规布局 2022 年以来,主要国家和地区在自动驾驶的政策与法规领域,开展了诸多卓有成效的探索,以适应自动驾驶技术发展与产业落地的强劲需求,取得了良好进展。总体看来,主要国家和地区为应对自动驾驶进步而推动的政策法规调整路线大体分为四种方式:一是修订道路交通法,强化自动驾驶上路行驶的责任义务和合规保障。如德国、日本等通过修订道路交通法等顶层法律法规,助推了自动驾驶产业的依法合规应用。二是调整机动车强制安全标准,推动自动驾驶车辆产品形态的变革。如美国通过调整车辆强制标准等措施,实现在不影响现有车辆强制标准体系下,以“安全”防护能力为准则来促进汽车 1 报告中的术语说明:自动驾驶是指具备 L3 级及以上自动驾驶系统的车辆。高度自动驾驶是指具备 L4 级自动驾驶系统的车辆。无人驾驶是指不具备人员现场操作运行的车辆,包括具备 L4 级及以上自动驾驶系统的车辆。全球自动驾驶战略与政策观察研究报告 2 安全功能革新。三是开展小批量无人驾驶车辆型式认证,探索建立无人驾驶车辆的注册与销售规则。如欧盟通过允许成员国在特定区域内的部分场景下开展无人驾驶车辆的注册与销售,推动法规程序和技术规范的创新。四是开展城市智能网联汽车试点应用,探索建立自动驾驶车辆标准与应用规则。如中国通过允许部分城市和地区开展自动驾驶测试和运营探索,开展车辆强制标准调整和应用法规创建的尝试。(一)中国央地协同持续完善自动驾驶政策法规体系(一)中国央地协同持续完善自动驾驶政策法规体系 1.国家层面:加快构建适应产业发展的政策法规体系 开展车辆准入试点,推进自动驾驶车辆生产与上路通行。2022 年11 月,工业和信息化部和公安部联合发布 关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿)。通知提出,将在指定试点城市的限定公共道路区域内,开展搭载自动驾驶(L3/L4 级)功能的智能网联汽车上路通行试点;引导智能网联汽车生产企业和车辆使用主体,在保障安全的前提下,促进智能网联汽车产品的功能迭代、性能提升和产业生态优化;强化我国自动驾驶相关法律法规、技术标准的制修订,健全并完善智能网联汽车生产准入管理体系、道路交通安全管理体系等的理论与实践支撑;等等。加快运输机制探索,增强自动驾驶运营管理以促进规模应用。2022 年 8 月,交通运输部发布自动驾驶汽车运输安全服务指南(试行)(征求意见稿),提出了在保障安全的前提下,鼓励并规范自动驾驶车辆在运输服务领域应用,尝试为自动驾驶示范运营的规范性提供指导监督,以完善新技术产品在运输服务领域创新应用的法规。9全球自动驾驶战略与政策观察研究报告 3 月,交通运输部办公厅公布第一批智能交通先导应用试点项目,在北京、长春、上海、苏州、广州等地,开展面向公路货物运输、城市出行与物流配送、园区内运输、港口集疏运和码头集装箱运输等场景的自动驾驶先行先试试点示范。强化标准体系建设,持续完善自动驾驶技术、产品与应用等标准。2022 年 9 月,工业和信息化部发布国家车联网产业标准体系建设指南(智能网联汽车)(2022 年版)(征求意见稿),制定了分阶段建立适应我国国情并与国际接轨的智能网联汽车标准体系的规划目标,并提出:到 2025 年,系统形成能够支撑组合驾驶辅助和自动驾驶通用功能的智能网联汽车标准体系;到 2030 年,全面形成能够支撑实现单车智能和网联赋能协同发展的智能网联汽车标准体系。10 月,交通运输部、国家标准化管理委员会联合印发交通运输智慧物流标准体系建设指南,进一步深化了自动驾驶在智慧物流领域的应用。2.地方层面:政策法规创新迭代促进自动驾驶应用落地(1)政策先行,为自动驾驶应用落地开辟“新空间”)政策先行,为自动驾驶应用落地开辟“新空间”北京打造“小步快跑”的自动驾驶政策体系,推动自动驾驶进入无人化应用试点。北京通过创建“高级别自动驾驶示范区”(简称,示范区),构建了适度超前的政策管理体系,打造了无人配送车、Robotaxi、自动驾驶巴士等多场景应用的自动驾驶服务生态。稳步推进 Robotaxi 开展无人驾驶应用试点。2022 年 4 月,示范区发布智能网联汽车政策先行区乘用车无人化道路测试与示范应用管理实施细则,首次允许 Robotaxi 开展“方向盘后无人”道路测试;7 月,全球自动驾驶战略与政策观察研究报告 4 率先开展国内无人化出行服务的商业化试点,探索主驾无人 Robotaxi常态化收费服务;11 月,启动“前排无人,后排有人”的 Robotaxi 测试;12 月,颁发“无人化车外远程阶段”道路测试,对测试车辆的测试里程、脱离率等提出了更严格的技术及运营要求;2023 年 3 月,颁发“无人化车外远程阶段”示范应用许可文件,百度 Apollo 与小马智行获准开启全车无人的 Robotaxi 出行服务。促进自动驾驶巴士、无人接驳车等应用落地。2022 年 3 月,示范区发布北京市智能网联政策先行区智能网联客运巴士道路测试、示范应用管理实施细则(试行),为智能网联客运巴士的规模化和商业化应用奠定了坚实基础。11 月,发布北京市智能网联汽车政策先行区无人接驳车管理细则(道路测试与示范应用),率先以编码形式给予无人接驳车相应路权,这是国内首个针对不配备驾驶位和方向盘的短途载客类智能网联车辆的规范性文件。湖北武汉加大政策支持力度,助力 L4 级自动驾驶开启商业化示范运营。2022 年 8 月,武汉市发布智能网联汽车道路测试和示范应用管理实施细则(试行),允许授权示范应用主体开展车内无安全员的远程测试、示范和商业运营,成为国内政策助力全无人自动驾驶商业化试点的先行者。2023 年 1 月,武汉经开区全域开放后,全无人自动驾驶的运营覆盖区域面积突破 530 平方公里,实现跨区通行与夜间运营。重庆永川加快自动驾驶政策创新,促进 L4 级自动驾驶测试与应用示范。2022 年 3 月,重庆市实施智能网联汽车政策先行区道路测全球自动驾驶战略与政策观察研究报告 5 试与应用管理试行办法,并授权政策先行区在确保安全的前提下,探索智能网联汽车商业化运营、完全无人驾驶的道路测试与应用等。随后,永川区智能网联汽车政策先行区联席工作小组制定重庆市永川区智能网联汽车政策先行区道路测试与应用管理试行办法,允许获得通知书的示范应用主体开展车内无安全员的远程测试、示范和商业运营,为开展自动驾驶业务的企业提供详细的指导和支持。此外,永川区还制定低速无人化功能车测试运营管理试行办法,赋予低速无人车路权,允许其在公开道路上开展配送、接驳等典型应用2。(2)立法突破,为自动驾驶健康发展构筑“新保障”)立法突破,为自动驾驶健康发展构筑“新保障”深圳充分利用特区的自动驾驶立法权,打造智能网联汽车全城开放的示范城市。2022 年 8 月,深圳实施国内首部关于智能网联汽车管理的法规深圳经济特区智能网联汽车管理条例,对无人驾驶汽车标准建立、驾驶安全、合规运营等方面提出明确要求,填补了国内智能网联汽车法律的空白,为自动驾驶的全国立法奠定基础。条例进一步放宽智能网联汽车道路测试和示范应用的条件,完善了道路测试和示范应用规范,并为技术相对成熟的应用场景商业化提供法律支撑。11 月,深圳发布深圳市智能网联汽车道路测试与示范应用管理实施细则和深圳市推进智能网联汽车高质量发展实施方案,明确提出要打造全国首个面向智能网联汽车全城开放的示范城市。上海加大浦东新区的自动驾驶立法创新,规范无驾驶人智能网联汽车创新应用。2023 年 2 月,上海浦东实施上海市浦东新区促进无 2 https:/ 全球自动驾驶战略与政策观察研究报告 6 驾驶人智能网联汽车创新应用规定,要求智能网联汽车(具备高度自动驾驶或者完全自动驾驶功能、车内不配备驾驶人和测试安全员的智能网联汽车)创新应用的企业应当配备远程监控系统和紧急接管人员,明确支持无安全员的智能网联汽车迈向应用落地,为全无人自动驾驶创新应用提供法律保障。部分政府加快地方性法规突破,持续完善自动驾驶的监管体系。2022 年 11 月,江苏发布的江苏省道路交通安全条例(修订草案)(征求意见稿)中,增设了开启自动驾驶功能的汽车开展道路测试或者上道路通行的相关要求以及违法责任的规定。无锡探索城市立法创新,促进自动驾驶协同应用落地。2023 年 2 月,无锡市发布地方性法规无锡市车联网发展促进条例,明确将支持自动驾驶应用的车路协同基础设施纳入道路建设工程,支持自动驾驶商业运营,鼓励和支持完全自动驾驶,加快无锡特色的车路协同自动驾驶进程。2023 年 3月,山西省阳泉市发布阳泉市智能网联汽车管理办法(草案)(征求意见),明确了智能网联汽车道路测试、示范应用和运营实行申报管理制度。(二)美国加快构建规范自动驾驶发展的政策法规框架(二)美国加快构建规范自动驾驶发展的政策法规框架 1.联邦政府:加快调整监管政策以顺应产业发展需求 交通部通过不断完善监管框架,持续规范自动驾驶发展。美国交通部推进安全使命的重要工作是:确保 2030 年的车辆安全标准跟上辅助驾驶系统和自动驾驶的发展,为配备自动驾驶系统的车辆建立强大的安全标准。为此,交通部正在加快构建更谨慎、更实用、更系统全球自动驾驶战略与政策观察研究报告 7 的自动驾驶政策法规体系,发布了“要求汽车制造商、车辆运营商(配备了先进的驾驶辅助系统或全自动驾驶系统)必须提供事故报告”的强制命令,实现获取自动驾驶车辆事故的关键数据,掌控自动驾驶在道路交通系统中可能引发的安全问题等。交通部加快调整政策法规以破除自动驾驶发展束缚。2022 年 3月,交通部长布蒂吉格表示,监管部门必须为自动驾驶车辆设定界限,但又不扼杀这个“仍处于起步阶段”的产业。同期,国家公路交通安全管理局(NHTSA)发布无人驾驶汽车乘客保护规定(简称规定),提出了取消车辆驾驶员座位、方向盘、转向柱以及前排只有一个乘客座位等的强制要求,明确了无人驾驶汽车可不配备方向盘、制动或油门踏板等人工控制装置,强调自动驾驶车辆必须提供与人类驾驶传统车辆同等水平的乘员保护能力。规定是对现行联邦机动车安全标准的修订和补充,是车辆监管部门以提供同等安全保护能力为无人驾驶车辆松绑的大胆尝试,也是全球首个针对无人驾驶车辆乘客安全技术提出的应用准则。但 NHTSA 副局长克利夫重点强调,“安全仍然是自动驾驶发展的第一要素,配备自动驾驶系统的车辆制造商必须保障其车辆适用当前的乘员保护标准”。此外,交通部还通过推广车联网网络安全实践来提升自动驾驶运行的网络安全水平。2022 年 9 月,NHTSA 发布现代车辆安全网络安全最佳实践,这是车辆网络安全的最佳实践指南,旨在为车辆行业成员应对网络安全风险提供非约束性指导,对提升自动驾驶车辆的网络安全能力具有很强的指导意义。全球自动驾驶战略与政策观察研究报告 8 2.地方政府:出台并落实政策法规助推自动驾驶应用 加州持续释放政策潜力以促进全无人自动驾驶商业化。加利福尼亚州是自动驾驶政策法规的重要策源地。近年来,加州的机动车管理局(DMV)和公共事业委员会(CPUC)持续跟进自动驾驶技术与产业动态,适时推出与自动驾驶测试和运营有关的政策法规,有效地促进 L4 级自动驾驶开启商业化应用。2022 年,CPUC 推动 L4 级自动驾驶的运营工作分为三步走:一是允许配备安全员的自动驾驶开展收费运营,通过向通用 Cruise 和 Waymo 发放客运服务收费许可,促使自动驾驶出租车在配备安全员的前提下,在限定区域、限定时间、限定环境下提供出行收费服务。二是批准 L4 级自动驾驶出租车(无安全员)收费运营,通过授权允许通用 Cruise 在旧金山提供无安全员的自动驾驶出租车收费服务。三是继续拓展 CPUC 的无人驾驶试点计划,允许 Waymo 加入计划,并陆续放开限速要求、运营时间、运营区域等规定。多个州政府制定自动驾驶法案以规范无人驾驶的安全应用。2023年 1 月,加利福尼亚州发布新法案明确规定公共道路上运行用于测试、运输货物或运送乘客,且总重必须为 10000 磅以下的自动驾驶车辆。2023 年 2 月,密西西比州颁布无人驾驶车辆启用法案(Ms FAVE),定义了车辆使用的相关术语,明确了无人驾驶在该州公共道路上运行的系统条件,以及车辆行驶前应满足的条件。2023 年 1 月,纽约州提出个人在州公共道路上驾驶无人驾驶车辆应满足的条件,以及自动驾驶系统发生故障时应达到最小风险条件;还通过成立自动驾全球自动驾驶战略与政策观察研究报告 9 驶汽车任务组,研究纽约州道路上自动驾驶汽车的使用情况。(三)欧洲以政策法规强化自动驾驶车辆的普及应用(三)欧洲以政策法规强化自动驾驶车辆的普及应用 1.欧盟完善统一监管框架下的自动驾驶政策法规体系 强制普及新车辅助驾驶功能,培养用户的自动驾驶应用习惯。2022 年 7 月,欧盟正式实施要求汽车制造商在新认证车型上强制配备 30 种安全功能的法规,其中包括六项 ADAS 功能,如行驶区域信息提示系统、盲点信息提示系统、倒车信息提示系统、智能车速辅助系统、驾驶员疲劳预警系统、胎压监测系统。开展小批量无人驾驶车辆的型式认证,探索健全自动驾驶车辆的法规体系。2022 年 8 月,欧盟发布自动驾驶车辆型式认证法规 Reg.(EU)2022/1426L4 级/L5级自动驾驶系统(ADS)型式认证的统一程序和技术规范,涉及特定区域内的载客或载货,预定路线上运送乘客或货物的点对点接驳以及在预定停车设施内的自主泊车3。这是全球首个允许成员国批准注册和销售高度自动驾驶车辆(乘用车与货车)的技术法规,但是,此法规只适用于欧盟范围内小批量的车辆型式认证,大批量的车辆型式认证已纳入欧盟委员会的工作计划中,预计在 2024 年 7 月之前完成。2.德国加速完善自动驾驶法律体系以引领产业发展 率先制订自动驾驶法,为自动驾驶车辆上路提供合规保障。在自动驾驶法框架下,德国奔驰获得德国联邦汽车运输管理局允许其销售 L3 级自动驾驶汽车的许可,为奔驰自动驾驶技术全球推广奠定基础。截至目前,奔驰已获准在德国和美国的内华达州、加州部 3 http:/ 全球自动驾驶战略与政策观察研究报告 10 署具备“Drive Pilot”自动驾驶系统的车辆。加快制订高度自动驾驶法律法规,促进 L4 级自动驾驶车辆合规上路。2022 年 3 月,为落实自动驾驶法关于 L4 级及以上自动驾驶车辆的运营要求4,德国联邦数字和交通部向联邦内阁提交了关于规范具备自动和无人驾驶功能的机动车运营条例以及道路交通法条款修订草案,内容主要包含:规定无人驾驶汽车运营许可证的申请和审查程序;规定无人驾驶汽车公共运营区域的要求和审批程序;增加机动车行驶证的补充规定;细化参与无人驾驶汽车运营各方(车主、技术监督员、制造商)的义务;补充新的测试规定;明确车辆违法行为;对无人驾驶汽车的结构、质量和设备提出技术要求;等等。5 月,联邦参议院批准自动驾驶功能汽车运营及交通法修改条例,进一步细化 L4 级自动驾驶车辆认证,在公共道路上运行技术和程序要求,以及生产商、车主、技术监督义务等的规定5。3.英国发挥监管创新优势强化自动驾驶产业推进 加快构建体系化的自动驾驶立法和监管框架。2022 年 8 月,英国数字、文化、媒体和体育部的数据伦理与创新中心(CDEI)发布政策报告负责任的自动驾驶车辆创新,研究并分析了影响自动驾驶车辆负责任地创新发展的 7 个关键因素,提出相关监管建议以支持英国在 2025 年实现自动驾驶车辆商用的路线图计划。率先以自动驾驶对经济社会的系统性收益为目标统筹推进应用普及。2022 年 8 月,英国政府发布政策文件 网联和自主移动 2025:英国实现自动驾驶的 4 http:/www.its- 5 https:/ 全球自动驾驶战略与政策观察研究报告 11 益承诺处,提出了政府在 2025 年之前促使自动驾驶车辆更广泛地的普及,制定新的自动驾驶立法框架,确保自动驾驶安全发展的同时加速创新,实现改善道路安全与更好地连接社区等目标。文件还提出,政府投入总计约 1 亿英镑来支持自动驾驶的推广普及计划,其中的3400万用于支持安全地发展自动驾驶技术和制定更详细的立法研究;在前期投资 4000 万英镑的基础上,新增 2000 万用于支持企业开展自动驾驶商业化服务,促进自动驾驶应用并拓展就业机会;而 600 万英镑用于支持该技术商业化的进一步市场研究。此外,报告还提出政府将向议会提出新立法,以明确在现行法律基础上规定制造商需要对自动驾驶车辆的行为负责,这意味着在自动驾驶系统控制车辆驾驶时,驾驶员将不再对与驾驶有关的事故负责。(四)日韩加快行动落实自动驾驶创新发展战略(四)日韩加快行动落实自动驾驶创新发展战略 1.日本制修订法律法规促进高度自动驾驶的应用 修订道路交通法为无人驾驶应用创造空间。2022 年 10 月,日本警察厅公布的道路交通法修正案,并于 2023 年 4 月 1 日起正式实施。该修正案允许高度自动驾驶车辆上路,以便促进 Level 4级自动驾驶车辆在特定条件下提供出行服务以及利用无人递送车开展业务6。明确高度自动驾驶车辆的实施方式。L4 级自动驾驶出行服务采用都道府县公安委员会批准的方式实施,如在人口稀少地区的公路上运行的特定路线无人巡回巴士等。L4 级自动驾驶递送业务采用向都道府县公安委员会进行申报的方式实施,这种运送人员和货物的 6 https:/ 全球自动驾驶战略与政策观察研究报告 12 无人递送车被归类为“远程操作型小型车”,最高时速限制 6 公里。2.韩国加大政策资金支持实施自动驾驶路线图计划 多措并举落实“2027 年实现 L4 级自动驾驶汽车的商业化”目标。韩国从政策资金支持、技术研发、基础设施建设、应用探索等多方面推动自动驾驶商业化落地。2022 年 2 月,韩国科学和信息通信技术部在自动驾驶技术研发上追加投资 283 亿韩元,累计投入总额达到1997 亿韩元。移动创新路线图 强化自动驾驶发展的实施路径。2022年 9 月,韩国政府公布移动创新路线图,明确自动驾驶推广应用分“三步走”,即 2022 年底允许 L3 级(有条件自动化)自动驾驶汽车上路;到 2025 年实现 L4 级(高度自动驾驶)自动驾驶巴士、接驳车商业化;到 2027 年推出 L4 级乘用车。移动创新路线图还提出,到 2035 年,韩国市场推出的一半新车将为 L4 级自动驾驶车辆,政府将彻底改革现有的交通系统,为自动驾驶制定安全标准和保险计划。此外,第三期汽车政策基本规划案(20222026 年)进一步细化自动驾驶的发展任务,即到 2027 年实现自动驾驶汽车的商业落地,到2030 年普及 450 万辆电动汽车、氢燃料电池汽车等目标。综上所述,主要国家和地区持续地更迭自动驾驶政策法规已经成为促进自动驾驶技术创新和应用落地的重要举措。无论是区域化应用的政策法规还是长期的产业发展战略,均体现了主要国家和地区抢抓科技革命和产业变革中的自动驾驶发展机遇的积极态度。当前,自动驾驶的政策法规与产业应用在发展中呈现出交织进步的态势,一方面,自动驾驶的政策法规根据产业发展进程开展适度调整,破除现有监管全球自动驾驶战略与政策观察研究报告 13 框架对自动驾驶应用的束缚,能够有效地促进自动驾驶应用;另一方面,在产业应用过程中不断发现政策法规对自动驾驶的制约规则,通过自动驾驶的技术创新和能力提升,促进政策法规的创新突破。二、政策法规护航自动驾驶加速进入商业应用新阶段 2022 年以来,自动驾驶加速推进产品测试验证向商业化落地。政策法规创新突破为 Robotaxi、无人递送车、短途接驳车、自动驾驶卡车等应用提供了加速剂和新动能。在战略与政策法规的助力下,自动驾驶在加速向无人驾驶方向迭代演进的同时,也实现了运行区域从小范围向大范围乃至整个城市的大幅拓展,自动驾驶产业正加速进入无人化商业应用新阶段。(一)政策法规促使(一)政策法规促使Robotaxi开启无人化商业应用开启无人化商业应用 从全球自动驾驶产业发展看,中美率先开展 Robotaxi 的无人化商业应用探索。在地方政策法规的大力支持下,Waymo、Cruise、百度 Apollo 等在 Robotaxi 领域深耕多年的头部企业,正加速开展自动驾驶的商业运营与无人驾驶收费运营。全球自动驾驶战略与政策观察研究报告 14 表 1 2022 年无人驾驶关键事件 来源:中国信息通信研究院整理 1.持续扩大Robotaxi无人化商业应用规模 Robotaxi 的运行区域大幅拓展。Waymo 在加入加州的无人驾驶试点项目后,其打车服务 Waymo One 向旧金山、戴利市、洛斯阿尔托斯、洛斯阿尔托斯山、山景城、帕洛阿尔托和桑尼维尔等城市的用户提供乘车服务。通用 Cruise 将无人驾驶出租车服务范围从旧金山拓展至凤凰城和奥斯汀。百度 Apollo 在湖北武汉经开区的 530 平方公里范围内开展 L4 级自动驾驶的全域运营。韩国现代在首尔江南区利用配备有 L4 级自动驾驶的现代 IONIQ 5 提供出租车试点服务。Robotaxi 的运营时间持续延长。Waymo 在旧金山部分地区以及圣马特奥市可以提供 24 小时收费运营服务,在凤凰城市中心向公众开放自动驾驶网约车服务。通用 Cruise 在旧金山部分公共道路实现 24 小时提供自动驾驶收费服务,在凤凰城钱德勒郊区的部分地区(晚上 7点到凌晨 2 点)、奥斯汀(晚上 10 点到早上 5 点)提供无人驾驶出租车服务。百度 Apollo 在武汉(早 7 点至晚 11 点)开展收费运营服务,主要企业 自动驾驶出租车进入无人化、商业化 WaymoWaymo 1.在旧金山、圣马奥特等地提供 24 小时的收费运营服务。2.实现在凤凰城天港国际机场往返的乘客接送服务。3.运行区域涉及旧金山、戴利市、洛斯阿尔托斯、洛斯阿尔托斯山、山景城、帕洛阿尔托和桑尼维尔等城市 CruiseCruise 1.在旧金山实现 24 小时全无人自动驾驶的收费运营。2.在凤凰城(晚 7 点到早 2 点)、奥斯汀(晚上 10 点到早上 5点)提供自动驾驶出租车服务。百度百度ApolloApollo 1.在武汉经开区(早 7 点至晚 11 点)、重庆永川等提供全无人自动驾驶商业化出行服务。2.在北京开展全无人自动驾驶示范应用。全球自动驾驶战略与政策观察研究报告 15 在国内率先实现了全无人自动驾驶夜间运营。Robotaxi 的应用场景不断突破。Robotaxi 的运行区域包括城市道路、机场、高速公路等道路场景。在凤凰城,Waymo 的运营服务从市中心拓展至天港国际机场,开展面向所有公众开放、车上不设安全员的无人驾驶全天候运营,充分展示无人驾驶技术应对机场场景的可靠性。来源:互联网网页 图 1 Waymo7、Cruise8和百度 Apollo 的自动驾驶车辆 2.打造技术、产品、测试与商用的正向循环 在不断测试验证中提升自动驾驶技术可靠性。2023 年 2 月,Waymo、Cruise 分别宣布:车辆在无人驾驶状态下安全行驶 100 万英里。新的里程碑在一定程度上验证了无人驾驶技术的可靠性,表明企业正在加速为无人驾驶的规模化应用做准备。Waymo 表示,100 万英里的无人驾驶里程中,创造了自主左转弯超过 100 万次、无保护交互150 万次、安全通过 230 万次红绿灯、过程中遇到了 732000 名骑车人等记录。同时,Waymo 还发布了相关安全性能数据、没有任何伤亡报告等以表明自动驾驶在减少道路上的伤亡方面是有效的。百度Apollo L4 级自动驾驶运营测试里程累计已超 5000 万公里,萝卜快跑 7 https:/ 8 http:/ 全球自动驾驶战略与政策观察研究报告 16 已在北京、上海、广州、深圳、武汉、重庆等城市开展自动驾驶出行服务,累计订单量超过 200 万单。百度 Apollo 与北汽联合打造的第五代无人车具备全传感器及计算单元冗余、完善的失效检测及降级处理策略、支持 5G 云代驾、V2X 等功能,其无人化驾驶水平媲美人类司机。此外,百度 Apollo 连续多年在 Guidehouse Insights 自动驾驶技术评估报告中位居全球自动驾驶的“领导者”之列。在强化测试与完善功能过程中持续推进商业化。当前,自动驾驶企业采用两种途径推进技术的商业应用落地。一方面,头部企业强化自动驾驶的场景应用部署,稳步推进无安全员自动驾驶车辆的商业化应用,全力寻找技术产品的商业变现渠道,提升产品价值和生存能力。另一方面,研发高度自动驾驶的企业通过降维推广,将技术充分运用到 L2 级自动驾驶等应用中,通过增强车辆辅助驾驶能力实现场景数据的反哺功能,促进自动驾驶技术向无人驾驶演进。在车型持续迭代中做好量产与规模化应用准备。近年来,随着研发与测试的快速推进,部分场景的自动驾驶技术成熟度可基本满足无人驾驶的应用需求。在推动 L4 级自动驾驶出租车的应用普及过程中,头部企业正在加快车型的反复迭代,以实现技术进步并进一步压缩成本空间。通用 Cruise 研发的符合法规要求、无方向盘等部件的 Origin正在美国道路上开展测试,Waymo 研发了无方向盘的全新原型车Waymo One ZEEKR,百度 Apollo 研发的 Apollo RT6 具备了城市复杂道路的无人驾驶能力,且成本仅为 25 万元。全球自动驾驶战略与政策观察研究报告 17 来源:互联网网页9、10 图 2 Waymo ZEEKR、Cruise Origin 与百度 Apollo 的无人驾驶车辆(二)政策法规推动低速无人车成为商用先行者(二)政策法规推动低速无人车成为商用先行者 低速无人车具备车辆速度低、应用范围广、无需人工现场操作等特征,在末端配送、短途接驳、城市环卫等领域进展迅速,已实现了在园区、厂区、景区、社区、机场等的落地应用。当下,主要国家和地区以政策法规为抓手,积极开展低速无人车的研发、测试与商业应用培育,增强技术服务人员出行、货物运转等的能力,助力解决配送的运力不足、出行最后三公里等经济社会问题。1.无人递送车正成为解决货物运输的重要载体 低速无人递送车具备行驶速度慢、无人员保护需求等特征,是目前自动驾驶应用比较成熟的领域。美国、中国、日本等多个国家或地区的组织和企业都在积极研制无人递送车,开展终端产品配送运营服务,打造创新发展的无人递送产业生态。美国 Nuro 加速开展无人递送车的产品研发和应用推广。Nuro 作为美国首个获得交通部豁免的允许规模化部署无人递送车的企业,在无人递送车的研发与应用推广上一直走在全球前列。2022 年 1 月,9 https:/ 10 https:/ 全球自动驾驶战略与政策观察研究报告 18 Nuro 与比亚迪联合研制第三代无人配送车,并投资 4000 万美元在内华达州建立新的无人车生产线。9 月,Nuro 和 Uber 宣布在加州山景城和德州休斯顿推出自动驾驶送餐服务,并建立为期 10 年的食品配送合作伙伴关系。目前,Nuro 已经与联邦快递、7-11、Kroger、Chipotle、Dominos 以及沃尔玛等建立了合作关系,扩大配送服务范围11。来源:互联网网页 图 3 Nuro12、新石器13研发的无人递送车 中国新石器等无人递送车企业加快业务拓展与全球布局。新石器是一家专注于研发低速无人递送车的自动驾驶企业,目前已在物流、零售、安防、教育、防疫等 13 个国家 40 余城市的 100 多个场景开展应用部署。目前,在北京高级别自动驾驶示范区的政策赋予无人递送车路权的支持下,新石器已与极兔、韵达、圆通等快递公司战略合作,通过投入无人配送车 186 辆,建立数字化智能化智慧共配中心,整合并优化各快递公司散乱的分拣作业和配送方式,实现每日配送量破万单。此外,美团、京东等企业也在加快推进无人递送车的运营服务。日本通过成立无人递送车协会强化产品的推广普及。2022 年 2 月18 日,川崎重工、ZMP、TIS、Tier lV、日本邮政、松下、本田和乐 11 https:/ 12 https:/ 13 http:/ 全球自动驾驶战略与政策观察研究报告 19 天集团等联合成立了一般社团法人机器人配送协会,旨在通过普及利用自动配送机器人的配送服务来提高人们生活的便利性14。协会将2022 年定位为“日本机器人配送元年”,致力于与行政机关、团体等合作,为自动配送机器人在公路上行驶制定业界自主的安全标准并建立认证机制,为无人递送车推广普及奠定基础。2.无人驾驶小巴成为解决人员出行的重要工具 主要国家和地区正积极推进无人驾驶小巴的研发与应用。“欧洲地平线 ULTIMO”项目促进自动驾驶小巴服务的试点运营,在前期依托 AVENUE 项目开展的技术研发、经济性和消费者接受度等基础上,ULTIMO 将聚焦探索自动驾驶小巴的商业模式,并解决服务中的经济、法律和安全等问题15。2022 年 4 月,英国由公交公司 Stagecoach 运营的首批全尺寸无人驾驶公交车将在费里托尔公园和爱丁堡公园之间的道路上开展往返测试与运营16。2022 年 4 月,日本大阪地铁运营商Osaka Metro 组织了 L4 级自动驾驶车辆的测试活动,验证了在规定的运行区间和条件下车辆能够实现完全自动驾驶17,强化了自动驾驶小巴在 2025 年大阪关西世博会为参展观众提供运输服务的能力。2023年 2 月,名古屋大学和凯迪爱公司研制的无人驾驶接驳车在春日井市新城部分区域开启接送服务,该车可乘坐 6 人,行驶速度大约为每小时 10 公里左右,预约用户须支付 300-3000 日元年费,且每次乘车费用为 100 日元18。14 https:/ 15 https:/ 16 https:/ 17 https:/ 18 https:/ 全球自动驾驶战略与政策观察研究报告 20 来源:互联网网页 图 4 欧洲、英国、日本研制的无人驾驶小巴 中国企业加快促进无人驾驶小巴应用落地。轻舟智航自主研制的龙舟 ONE 无人驾驶小巴,目前已在北京、深圳、苏州、旧金山等 10座城市开展测试及运营,自动驾驶车队规模超 100 辆19。2022 年 7 月,智行者无人驾驶巴士在合肥滨湖国家森林公园、北京东升科技园内、湖北鄂州国际物流机场、京津中关村科技城等园区和交通枢纽实现落地应用20。9 月,蘑菇车联发布搭载“车路云一体化”系统的自动驾驶前装量产巴士 MOGO BUS,能实现多场景 L4 级自动驾驶运营服务,已在北京、江苏、湖南、河南、云南、四川等地落地运营21。来源:互联网网页 图 5 轻舟智航、蘑菇车联的无人驾驶小巴 3.低速无人车还在机场、环卫等场景持续拓展应用 无人货物转运车在机场的货物运输中发挥重要作用。截至 2022年 5 月,驭势科技自主研发的全球首批机坪无人驾驶行李牵引车,在 19 https:/ 20 https:/ 21 https:/ 全球自动驾驶战略与政策观察研究报告 21 乌鲁木齐国际机场的无人化商业运营里程达到 10000 公里,且服务正在逐步拓展至西安咸阳等更多机场22。无人清扫车正助力环卫行业实现降本增效与产业升级。赛特智能研制的无人驾驶清扫车和智能调度系统,实现了市政公园、景区、社区、科技园区、工厂等场景的深度应用23。仙途智能全栈自研的 V3 配备超大的清水箱和污水箱,能够在显著降低综合运营成本的情况下提升清扫作业效率,目前,V3 和Roboard-X 自动清扫车已在国内外 20 多个城市开展商业应用24。来源:互联网网页 图 6 驭势科技无人驾驶行李牵引车、仙途智能低速无人清扫车(三)自动驾驶卡车加快测试验证并推动商业化(三)自动驾驶卡车加快测试验证并推动商业化 港口码头、长途货物运输、矿区等场景存在工作环境恶劣、劳动强度大、劳动力紧缺、易发生重大安全事故等情况,自动驾驶卡车既能满足货物、矿物等的高效运转,又能提升货物运输中的安全保障,是解决行业需求的重要工具。目前,自动驾驶卡车在港口码头、矿山等场景已实现了无人驾驶卡车的常态化运输服务,但在干线物流长途货物运输场景仍在加速技术产品的测试验证和商业运营探索。港口码头自动驾驶集卡应用进展迅速。目前,我国已有十余个港口落地应用自动驾驶集卡,在上海洋山港、天津港、宁波舟山港、厦门港等在内的“北-中-南”沿海重要港口以及龙拱港等内河港口均有应 22 https:/ 23 https:/ 24 http:/ 全球自动驾驶战略与政策观察研究报告 22 用布局。其中,上海洋山港智能重卡测试进入全无人阶段,且运行区间为东海大桥至洋山港往返 72 公里的开放道路,涵盖了高速公路、隧道、码头等复杂场景。天津港加快打造自动驾驶港口样板,通过采用 L4 级自动驾驶水平运输设备,形成在港口作业场景下的无人化、规模化应用。矿山无人驾驶卡车的规模日益扩大。近年来,自动驾驶矿卡的商业应用进展迅速。2022 年 6 月,易控智驾披露数据显示,其在国家能源集团新疆准东露天煤矿实现运输环节无人驾驶宽体车安全员常态化下车,无人矿卡的最高时速可达35km/h,效率可达人工效率的80%。8 月,易控智驾数据显示,其自有无人驾驶宽体车超过 100 辆,累计运行里程超 114 万公里,运输土石方量 507 万方25。据新战略低速无人驾驶产业研究所统计,截至 2022 年年底,中国矿区无人驾驶车辆保有量约 1000 台,估计 2022 年国内矿区无人驾驶整体规模约在 9.3亿元左右26。干线物流自动驾驶卡车加快测试与运营探索。干线物流自动驾驶卡车在解决物流运输效率、运输安全、燃油经济性等方面具备优势,并取得快速进展。2022 年 11 月,小马智行发布面向干线物流业务的第三代自动驾驶卡车软硬件集成系统,并率先应用于小马智行与三一重卡合作打造的首款自动驾驶重卡车辆上27。近日,图森未来宣布,其自动驾驶卡车在测试、研发和商业化运营中累计总运营里程突破 25 https:/ 26 https:/ https:/ 全球自动驾驶战略与政策观察研究报告 23 1600 万公里,且在欧洲完成首次公开道路条件下全程约 300 公里的自动驾驶货物运输28。来源:互联网网页 图 7 小马智卡、图森未来研发的自动驾驶卡车 三、自动驾驶进入无人化商业时代的挑战与对策建议 自动驾驶的商业化,尤其是无人驾驶的商业化将是一个长期发展过程,需要经过技术进步、场景磨合、应用培育、环境支持等多要素的长期融合演进,才能实现在技术进步中促进场景应用,在场景应用中提升技术能力的互促共进格局。当下,自动驾驶产业正处于全面推进系统性变革时期,需要通过持续提升产品的安全性和可靠性,建立与之相适应的政策法规体系,优化自动驾驶的应用环境,不断拓展自动驾驶应用范围,打造规模化、市场化应用效应等措施,才能实现推进自动驾驶安全地融入经济社会这一长远目标。(一)自动驾驶进入无人化商业时代主要面临四大挑战(一)自动驾驶进入无人化商业时代主要面临四大挑战 主要国家和地区的自动驾驶战略与政策法规创新力度表明,重视自动驾驶产业的发展将是赢得科技创新和产业变革先机的重要发力点。自动驾驶向无人化商业应用的推进过程中,技术、产业、生态以 28 https:/ 全球自动驾驶战略与政策观察研究报告 24 及环境等都面临着诸多融合发展的挑战。其中,主要面临以下四大挑战:一是不断促进自动驾驶的安全应用与发展。自动驾驶向无人驾驶发展并安全地融入经济社会过程中,面临着如何持续提升技术产品适应道路交通环境能力,实现车辆能够自主行驶。如何构建多层安全保障体系,确保自动驾驶安全可靠运行。此外,自动驾驶的应用中还面临着应用的信息安全、网络安全等挑战。二是持续提升技术研发、测试与商用的正向循环。当前,自动驾驶产业正处于测试验证向商业化转变的初级阶段,无论是自动驾驶车辆的测试运行区域还是运营规模均不足以支撑实现规模化应用与研发测试的商业循环,需要不断扩大自动驾驶的运行区域以满足技术研发与商业应用的正向循环。三是持续革新自动驾驶政策法规保障产业健康发展。以人类驾驶员操控为核心构建的车辆、交通和运营管理等政策法规体系不足以支撑以自动驾驶系统操控为核心的车辆与运行规则的需求,亟待持续创新优化政策法规,以满足人机混驾向无人驾驶推进的政策法规等管理制度需求。四是不断强化社会环境支持自动驾驶无人化商业应用。自动驾驶向无人化商业时代迈进的过程中将长期存在人机混驾局面,社会环境支持自动驾驶发展的能力建设,如对技术产品能力的正确认识与使用、消费者接受程度、正确看待人机混驾交通事故等,均是影响自动驾驶驾驶进入无人化商业时代的重要因素。全球自动驾驶战略与政策观察研究报告 25(二)促进自动驾驶进入无人化商业时代的对策建议(二)促进自动驾驶进入无人化商业时代的对策建议 自动驾驶是提升经济社会效益的重要路径。从降低道路交通事故方面看,Waymo 对 16 起交通碰撞事故的最新仿真研究表明,自动驾驶系统的表现远超过基于 NIEON 模型的人类司机,前者能够规避75%的交通事故,减轻 93%的人员碰撞重伤;后者只能规避 62.5%的交通事故,减轻 84%的人员碰撞重伤。另据百度 Apollo 测算,当自动驾驶车辆渗透率达到 50%,可以减少 50%-80%的交通事故。从产业发展层面看,德勤报告显示,汽车的智能化、网联化正在高速推进,预计至 2030 年,中国运营的自动驾驶车辆将达 3000 万辆。麦肯锡则认为,中国很可能成为全球最大的自动驾驶市场,预计至 2030 年,自动驾驶相关的新车销售及出行服务创收将超过 5000 亿美元(约合人民币 3.58 万亿元)。为此,应多方协作加速推进自动驾驶进入无人化商业时代,深化技术研发、测试应用、商业运营与保障体系的协同发展,大力提升道路交通安全、运输效率、绿色低碳发展等水平,构筑我国自动驾驶产业在国际竞争格局中的优势,增强人类创造力和社会活动能力,从而促进人的全面发展。为此,我们提出以下四方面对策建议:1.加快建立健全产业安全规范,引导各类企业持续完善自动驾驶安全保障体系 一直以来,持续完善安全保障体系并促使自动驾驶安全地融入交通系统是产业发展的重要任务。一是鼓励自动驾驶企业开展多层次、多维度的技术、产业、安全等方面的标准合作,在合作中要深化安全全球自动驾驶战略与政策观察研究报告 26 底线共识,明确自动驾驶安全保障体系建设是一项复杂的系统工程,必须将安全性纳入设计、研发与生产制造过程的各系统层级与测试、运营的各阶段。二是监督企业严格落实与自动驾驶相关的法律法规,保障研制与应用过程中的数据、网络以及个人信息等安全。自动驾驶采集和处理的数据会涉及地理测绘、个人信息、存储与传输等问题,在网络安全法 数据安全法 个人信息保护法等法律框架下,需要自动驾驶产业各方合作,全面细化在自动驾驶研发和应用中的落实准则。三是合作完善自动驾驶安全保障能力,推广普及优秀经验。引导并规范企业持续完善自动驾驶安全管理制度,制定清晰明确的安全管理流程和规则,建立健全自动驾驶安全事件的应急响应预案和机制。充分发挥国家智能网联汽车创新中心、自动驾驶生态运营联盟等平台的凝集力,合作推动构筑自动驾驶产业全环节、全流程、高效的安全保障机制。2.多措并举,促进自动驾驶产业多方合作以拓展规模化应用 自动驾驶的规模化应用会带来巨大的社会效益和经济效益,是实现变革交通、出行、运输与服务等业态的根本保障,也是实现研发投入与商业价值正向循环的基础。为此,需要继续强化政策法规的支持和引导,通过开展城市智能网联汽车试点应用,推动实现区域更广、车辆更多的自动驾驶规模化测试与运营。一方面,为更大范围的自动驾驶试点示范提供政策支持,细化自动驾驶车辆的运营管理、运行规则等,鼓励园区、景区等封闭场景加大自动驾驶引入力度,支持自动全球自动驾驶战略与政策观察研究报告 27 驾驶出租车、短途接驳车等加快探索商业运营和应用推广,以开放更多的运行区域助力自动驾驶的运营拓展,满足自动驾驶出租车、接驳车等场景的连续运行需求。另一方面,鼓励自动驾驶企业加大技术创新研发投入,以场景应用落地为牵引通过持续迭代研发车辆功能,不断提升自身的产品实力并实现车辆运营的降本增效,在增强运行的安全保障能力,满足场景服务的高质量需求。此外,引导道路设施建设管理与运营、网络服务等与自动驾驶应用相关的多方企业,强化合作以满足规模化安全运营需求。3.持续完善政策法规体系,构筑自动驾驶无人化商业应用制度基础 在政策法规不断更新迭代中,自动驾驶产业经过多年的创新突破初步实现了自动驾驶技术产品与应用从 0 到 1 的跨越,稳步推进道路测试与区域运营服务。但是,自动驾驶进入无人化商业时代,从根本上实现从 1 到 100 乃至更长远的发展目标,还需要自动驾驶法律法规体系实现根本性变革。第一,界定自动驾驶的应用能力,通过政策规则明确自动驾驶的安全门槛,对自动驾驶系统各阶段应用能力要提供正确而清晰的产业和社会认知。第二,为车辆形态创新留足空间,政策法规在鼓励技术与零部件革新以增强车辆的服务功能和舒适空间的同时,也要为产品安全能力划出界线。第三,为自动驾驶创新应用留有余地,在评估、测算自动驾驶产业整体应用价值和社会效益的基础上,不断探索创新交通规则和运营管理等方面的政策法规。第四,强化售后、保险等配套政策法规供给力度,持续完善自动驾驶管理体全球自动驾驶战略与政策观察研究报告 28 系,为自动驾驶车辆安全运营开展有效的支持、引导和管理等提供保障,不断推进自动驾驶的上路行驶与多场景应用普及。4.加强对自动驾驶的客观宣传与市场监管,营造规模化推广应用氛围 当前,自动驾驶正通过技术创新和产品应用来强化推广普及,在此过程中,必须营造客观公平的社会环境,构筑宽严相济的监管能力,才能使得自动驾驶在保障安全的前提下,促进社会经济发展并为人类进步带来更多机会。第一,要求企业对自动驾驶的技术局限与应用能力客观宣传,明确消费者正确使用系统功能的条件与责任,避免出现误用、滥用等情况并引发交通事故。第二,要增强自动驾驶宣传与应用的监管能力,通过对虚假或夸大宣传自动驾驶能力的企业明确处罚措施,对不正确使用自动驾驶功能的驾驶员追究责任等举措,提高民众在人机混驾时期的安全意识和行为规范,塑造自动驾驶创新与应用健康有序推进的社会氛围。第三,引导构筑客观、包容、审慎的自动驾驶发展氛围,推进政府、学术界、产业界、监管部门乃至普通民众的共同努力,强化自动驾驶在普及应用过程中的政策法规、监管规则、交通、就业乃至社会稳定等方面的制度建设,打造自动驾驶与人类社会和谐共处的新格局。中国信息通信研究院 政策与经济研究所中国信息通信研究院 政策与经济研究所 地址:北京市海淀区花园北路地址:北京市海淀区花园北路52号号 邮编:邮编:100191 电话:电话:010-62302903 传真:传真:010-62302476 网址:网址:

    浏览量134人已浏览 发布时间2023-06-17 34页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 电动汽车用户联盟:2023特斯拉Model Y用户满意度调研报告(48页).pdf

    电动汽车用户联盟北京烹小鱼咨询有限公司2023年6月13日电动汽车用户联盟出品1,调研概况2,用户特征和购买决策过程3,用户使用行为4,用户满意度和推荐度5,用户诉求建议6,专项分析,用户对特斯拉刹车.

    浏览量209人已浏览 发布时间2023-06-14 48页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 电子行业专题研究:AI大模型如何加速无人驾驶发展-230612(46页).pdf

    免责声明和披露以及分析师声明是报告的一部分,请务必一起阅读,1证券研究报告电子电子AI大模型如何加速大模型如何加速无人驾驶发展无人驾驶发展华泰研究华泰研究电子电子增持增持,维持维持,研究员黄乐平,黄乐.

    浏览量127人已浏览 发布时间2023-06-13 46页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 汽车行业线控制动:自动驾驶执行层技术高地笃行可至-230604(30页).pdf

    请仔细阅读本报告末页声明请仔细阅读本报告末页声明 证券研究报告行业专题报告 2023 年 06 月 04 日 汽车汽车 线控制动:线控制动:自动驾驶执行层自动驾驶执行层技术高地,笃行可至技术高地,笃.

    浏览量53人已浏览 发布时间2023-06-06 30页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 汽车行业AI大模型赋能自动驾驶:特斯拉自动驾驶技术跟踪占用网络算法驱动自动驾驶落地-230528(21页).pdf

    AIAI大模型赋能自动驾驶:特斯拉自动驾驶技术跟踪,占用网络大模型赋能自动驾驶:特斯拉自动驾驶技术跟踪,占用网络算法驱动自动驾驶落地算法驱动自动驾驶落地证券研究报告证券研究报告 行业动态报告行业动态报告发布日期:2023年5月28日本报告由中信建投证券股份有限公司在中华人民共和国(仅为本报告目的,不包括香港、澳门、台湾)提供。在遵守适用的法律法规情况下,本报告亦可能由中信建投(国际)证券有限公司在香港提供。同时请参阅最后一页的重要声明。分析师:于芳博分析师:于芳博SAC编号:S1440522030001分析师:金戈分析师:金戈SAC编号:S1440517110001SFC编号:BPD352分析师:分析师:阎贵成阎贵成SAC编号:S1440518040002SFC编号:BNS315 核心观点:近期核心观点:近期,特斯拉更新其特斯拉更新其FSDFSD算法至算法至v v1111.4 4,此次升级实现此次升级实现FSDFSD端到端的能力端到端的能力,即包含高速领航即包含高速领航、城市道路领航和泊车三个域的智驾功能城市道路领航和泊车三个域的智驾功能。特斯拉将改进车辆性能置于引入新功能之上特斯拉将改进车辆性能置于引入新功能之上,可以更快地针对环境做出反应可以更快地针对环境做出反应,并在必要时调整车速并在必要时调整车速,确保所有相关人员都能获得更安全的体验确保所有相关人员都能获得更安全的体验。我们认为我们认为AIAI对整个汽车产业生态变革将产生重大影响对整个汽车产业生态变革将产生重大影响,特斯拉作为整个自动驾驶领域开拓者特斯拉作为整个自动驾驶领域开拓者,正引领相关技术应用落地正引领相关技术应用落地。特斯拉自动驾驶算法主要经历四个阶段特斯拉自动驾驶算法主要经历四个阶段,目前架构包括目前架构包括RegNetRegNet、HydraNetHydraNet等等。20162016-20182018年年,特斯拉自动驾驶算法处于第一阶段,在该阶段中,使用常规的骨干网结构;使用2D检测器进行特征提取;训练数据为人工标注,整体来看整体来看比较原始比较原始,相对传统相对传统;20182018-20192019年年,特斯拉自动驾驶算法采用了HydraNet结构;加入特征提取网络BiFPN;将图像空间从image space直接转化为vector space,能执行多任务、对视觉特征进行充分融合以及很大程度上避免映射偏差,相较于精度提升相较于精度提升,这个阶段注重提高效率;这个阶段注重提高效率;20192019-20202020年年,特斯拉自动驾驶算法来到第三阶段,使用了Transformer;骨干网结构使用了RegNet;能够实现自动标注数据;以及主张去掉雷达,使用纯视觉方案,不仅解决了CNN算法在BEV遮挡区域预测问题,同时还有更高的性能和算法准确度以及能够快速得到高精度地图数据,相较于提高效率相较于提高效率,这个阶段注重提高精度;这个阶段注重提高精度;20212021年以来年以来,特斯特斯拉自动驾驶算法来到第四阶段拉自动驾驶算法来到第四阶段,增加了时空序列与时序信息融合等能力;在空间感知方面,使用占用网络;使用Lanes Network;为了增强汽车感知能力,考虑到4D雷达的效果与成本,预计会将雷达重新安装,整体来看整体来看,该阶段在感知能力上大做文章该阶段在感知能力上大做文章,自动驾驶算法已相对成熟自动驾驶算法已相对成熟。特斯拉自动驾驶算法特斯拉自动驾驶算法20222022年的核心改变在于使用年的核心改变在于使用OccupancyOccupancy NetworksNetworks进行感知以及使用进行感知以及使用LanesLanes NetworkNetwork进行矢量地图绘制进行矢量地图绘制。OccupancyOccupancyNetworksNetworks(占用网络占用网络)可以通过3D物体检测的方式来估计行驶中其他车辆、物体的位置和大小,占用网络可以使用多个摄像机拍摄的图像进行3D处理,即使是动态占用也可以计算出来并且运行效率较高;LanesLanes NetworkNetwork通过对离散空间的预测,能够以自回归的方式将所有的车道线节点进行生成,从而获取更精确的车道线拓扑结构。20232023年年5 5月月,特斯拉推出特斯拉推出FSDFSD v v1111.4 4,实现实现FSDFSD端到端能力端到端能力。FSD端到端的能力,即包含高速领航、城市道路领航和泊车三个域的智驾功能。映射到国内映射到国内,以蔚小理为代表的车厂以特斯拉为锚以蔚小理为代表的车厂以特斯拉为锚,在自动驾驶领域持续发力在自动驾驶领域持续发力,可像人类司机那样实时地感知、决策、规划,蔚来NAD、小鹏XNGP等逐步实现L4驾驶水平。特斯拉正持续引领厂商技术革新,例如特斯拉将Occupancy网络引入到自动驾驶感知技术中,后续理想AD Max3.0也将Occupancy网络纳入技术栈中用于汽车感知。特斯拉引领自动驾驶走向落地阶段特斯拉引领自动驾驶走向落地阶段,全球自动驾驶产业链推进加速全球自动驾驶产业链推进加速,域控制器放量或将提速域控制器放量或将提速。重点推荐德赛西威重点推荐德赛西威、中科创达中科创达、均胜电子均胜电子、经纬恒经纬恒润润、华阳集团华阳集团。核心观点 OYeXsWkZmUtRtRqN9PbP7NnPqQnPtQfQpPqNiNmPqQbRmMqQuOnQqPMYpOzQ特斯拉自动驾驶算法使用的是多任务学习特斯拉自动驾驶算法使用的是多任务学习HydraNetsHydraNets架构,从而让汽车共享相同神经网络或特征提取器的同时能进行交通灯检测、车架构,从而让汽车共享相同神经网络或特征提取器的同时能进行交通灯检测、车辆避让等多项任务。特斯拉自动驾驶算法中,首先让车载摄像头使用辆避让等多项任务。特斯拉自动驾驶算法中,首先让车载摄像头使用RegNetRegNet对路况对路况/汽车进行原始图像提取,多个特征层通过汽车进行原始图像提取,多个特征层通过FPNFPN相相互交互,从而进行特征提取。互交互,从而进行特征提取。在每个摄像头都处理完单个图像后,使用具有多头自注意力的在每个摄像头都处理完单个图像后,使用具有多头自注意力的TransformerTransformer模型进行处理,模型进行处理,TransformerTransformer模型不仅解决了模型不仅解决了CNNCNN算法在算法在BEVBEV(鸟瞰图)遮挡区域预测问题,同时还有更高的性能和算法准确度。(鸟瞰图)遮挡区域预测问题,同时还有更高的性能和算法准确度。后续将处理结果进行多尺度特征、视频神经网络等处理,从后续将处理结果进行多尺度特征、视频神经网络等处理,从而完成整个自动驾驶算法。近年来而完成整个自动驾驶算法。近年来TransformerTransformer凭借传统凭借传统 CNN CNN 算法所不能企及的感知能力以及其优秀的鲁棒性和泛化性,已逐步取算法所不能企及的感知能力以及其优秀的鲁棒性和泛化性,已逐步取代代IPMIPM、LiftLift-splatsplat、MLPMLP成为成为BEVBEV感知领域的主流算法。感知领域的主流算法。以特斯拉为锚把握自动驾驶技术演进资料来源:Tesla,中信建投图图表:特斯拉自动驾驶算法架构表:特斯拉自动驾驶算法架构图图表:特斯拉自动驾驶算法架构表:特斯拉自动驾驶算法架构 Autopilot是特斯拉自动驾驶技术底座AutopilotAutopilot于于20142014年发布年发布,是一种先进的驾驶辅助系统是一种先进的驾驶辅助系统,可提高驾驶的安全性和便利性可提高驾驶的安全性和便利性。多年来多年来,AutopilotAutopilot随着整车随着整车OTAOTA及硬件及硬件更新不断迭代升级更新不断迭代升级。现阶段现阶段,AutopilotAutopilot可实现的功能包括:交通感知巡航可实现的功能包括:交通感知巡航(控制车速与交通流一致控制车速与交通流一致)、变道辅助变道辅助(协助用户转向变道协助用户转向变道)、自动驾驶自动驾驶导航导航(主动引导车辆进出匝道主动引导车辆进出匝道、自动接通转向信号并选择正确出口自动接通转向信号并选择正确出口)、自动变道自动变道、自动泊车自动泊车、智能召唤智能召唤(自动在复杂环境和停车自动在复杂环境和停车位间行驶位间行驶,找到用户找到用户)、自动紧急制动自动紧急制动、侧面碰撞预警侧面碰撞预警、车道偏离提醒等车道偏离提醒等资料来源:Tesla,中信建投图图表:特斯拉表:特斯拉AutopilotAutopilot图图表:表:AutopilotAutopilot能实现多种自动驾驶功能能实现多种自动驾驶功能所有Tesla车辆都标配Autopilot所有Tesla车辆都具有所有安全功能约有100万辆特斯拉汽车改进了高速公路驾驶系统约100,000辆特斯拉汽车拥有“FSD Beta”软件 特斯拉自动驾驶技术变迁总结资料来源:Tesla,中信建投第一阶段1、使用常规的骨干网结构;2、使用2D检测器进行特征提取;3、训练数据为人工标注比较原始,相对传统第二阶段1、采用了HydraNet结构;2、加入特征提取网络BiFPN;3、将图像空间从image space直接转化为vector space1、能执行多任务;2、相较于FPN,BiFPN能够更加充分的进行特征融合并且赋予不同特征权重;3、很大程度上避免了图像到向量空间中映射偏差第三阶段1、使用了Transformer;2、骨干网结构使用了RegNet;3、自动标注数据;4、主张去掉雷达,使用纯视觉方案1、不仅解决了CNN算法在BEV遮挡区域预测问题,同时还有更高的性能和算法准确度;2、更加简单、易理解,而且还能够运行高复杂计算量;3、能够快速得到高精度地图数据第四阶段1、增加了时空序列与时序信息融合等能力;2、在空间感知方面,使用占用网络;3、使用Lanes Network;4、为了增强汽车感知能力,考虑到4D雷达的效果与成本,预计会将雷达重新安装到汽车上1、让汽车有短时间记忆,增强了汽车感知的鲁棒性;2、能够对多个图像进行3D处理、识别出被遮挡的部位以及快速运行;3、更精准的识别车道线路拓扑结构阶段技术变迁技术变化带来的影响 占用网络算法升级资料来源:Tesla,中信建投图图表:鸟瞰图与占用网络算法对比表:鸟瞰图与占用网络算法对比图图表:对象检测与占用网络算法对比表:对象检测与占用网络算法对比图图表:固定矩形与占用网络算法对比表:固定矩形与占用网络算法对比相比相比HydraNetHydraNet结构的鸟瞰图结构的鸟瞰图、固定矩形固定矩形、物体检测物体检测进行了全面升级和优化进行了全面升级和优化。occupancyoccupancy networknetwork将世界分为小立方体将世界分为小立方体,预测每个预测每个格子被占用概率如何格子被占用概率如何。从从2 2D D升级到升级到3 3D D。对象检测的算法受数据集限制对象检测的算法受数据集限制,一旦遇到没有标注一旦遇到没有标注的物体出现的物体出现,则没法检测到前方物体则没法检测到前方物体。而占用网络而占用网络算法可以避免这个问题算法可以避免这个问题。特斯拉自动驾驶技术经历四代资料来源:Tesla,中信建投图图表:表:AutopilotAutopilot发展历程发展历程 Input:特斯拉几乎采用了纯视觉解决方案TeslaTesla VisionVision自自AutopilotAutopilot发布以来经历了多次发展:发布以来经历了多次发展:2016 2016 年,年,Tesla Autopilot Software 1.0Tesla Autopilot Software 1.0正式上线,主要网络结构为正式上线,主要网络结构为RegNetRegNet 搭上搭上 2D detector2D detector;20182018-20192019年,年,公司在计算机视觉中提出了公司在计算机视觉中提出了v vector ector s space pace 的概念,的概念,v vector spaceector space与与image spaceimage space相比相比,将视觉的图像空间转移至向量空间,这个技术路线基调更是在将视觉的图像空间转移至向量空间,这个技术路线基调更是在20202020年的年的smart summonsmart summon功能功能研发时确定下来研发时确定下来。20212021年年,TeslaTeslaVisionVision 在上一版本的在上一版本的TransformerTransformer中引入中引入SpacialSpacialTemporalTemporal 模型,将时序信息加入视觉模型。模型,将时序信息加入视觉模型。20202020年马斯克决心从特斯拉车上移除雷达,而全部采用摄影机,让自动驾驶完全采用视觉方案,年马斯克决心从特斯拉车上移除雷达,而全部采用摄影机,让自动驾驶完全采用视觉方案,8 8个摄像头和强大的视觉处理能个摄像头和强大的视觉处理能力可实现力可实现360360度视野范围,对周围环境的监测距离最远可达度视野范围,对周围环境的监测距离最远可达250250米。后来,为了在感知层提升自动驾驶能力,特斯拉在米。后来,为了在感知层提升自动驾驶能力,特斯拉在HW 4.0HW 4.0硬件硬件系统中,配置了高精度系统中,配置了高精度4D4D毫米波雷达。毫米波雷达。资料来源:Tesla,中信建投图图表:特斯拉纯视觉解决方案表:特斯拉纯视觉解决方案图图表:表:4D4D毫米波雷达效果更好毫米波雷达效果更好 骨干网是用于图像物体特征提取,常见的骨干网包括骨干网是用于图像物体特征提取,常见的骨干网包括AlexNetAlexNet、ResNetResNet、VGGNetVGGNet 等。特斯拉采用等。特斯拉采用RegNetRegNet识别图像中的对象,并提供识别图像中的对象,并提供对象的丰富特征信息。对象的丰富特征信息。20202020年年Meta AIMeta AI包括何恺明在内的科学家提出了包括何恺明在内的科学家提出了RegNetRegNet网络,在网络设计范式上更加简单、易理解,而且还能网络,在网络设计范式上更加简单、易理解,而且还能够运行高复杂计算量。够运行高复杂计算量。RegNetRegNet的核心是网络设计空间,的核心是网络设计空间,其思想是,可以在设计空间中对模型进行采样,从而产生模型分布,并可以使用经典统计学中的工其思想是,可以在设计空间中对模型进行采样,从而产生模型分布,并可以使用经典统计学中的工具来分析设计空间。设计一个不受限制的初始设计空间的逐步简化版本就称为设计空间设计(具来分析设计空间。设计一个不受限制的初始设计空间的逐步简化版本就称为设计空间设计(design space designdesign space design)。在设计过程)。在设计过程的每个步骤中,输入都是初始设计空间,输出则是更简单、或性能更好的模型的精简模型。通过对模型进行采样,并检查其误差分的每个步骤中,输入都是初始设计空间,输出则是更简单、或性能更好的模型的精简模型。通过对模型进行采样,并检查其误差分布,即可表征设计空间的质量。布,即可表征设计空间的质量。Backbone:特斯拉采取RegNet进行特征提取资料来源:Designing Network Design Spaces,中信建投图图表:表:RegnetRegnet中网络设计空间的概念中网络设计空间的概念图图表:表:RegnetRegnet要好于最优网络要好于最优网络EfficientNetEfficientNet NeckNeck位于骨干网和检测头之间,是用于提取更细的特征。位于骨干网和检测头之间,是用于提取更细的特征。特斯拉自动驾驶算法采用特斯拉自动驾驶算法采用BiFPNBiFPN(加权双向特征金字塔网络),(加权双向特征金字塔网络),BiFPNBiFPN是一种易于快速进行多尺度特征融合的特征金字塔网络。它融是一种易于快速进行多尺度特征融合的特征金字塔网络。它融合了合了FPNFPN、PANetPANet和和NASNAS-FPNFPN的多级特征融合思想,使信息在自上而下和自下而上两个方向上流动。的多级特征融合思想,使信息在自上而下和自下而上两个方向上流动。BiFPNBiFPN具有以下几点改进:通过增加残差链接,增强特征的表示能力;移除单输入边的结点,减少计算量;针对融合的各个尺度特征具有以下几点改进:通过增加残差链接,增强特征的表示能力;移除单输入边的结点,减少计算量;针对融合的各个尺度特征增加一个权重,调节每个尺度的贡献度,提高检测速度。增加一个权重,调节每个尺度的贡献度,提高检测速度。简单来说,简单来说,BiFPNBiFPN是在是在FPNFPN的基础上对其进行改进,对原始的的基础上对其进行改进,对原始的FPNFPN模块又添加了添加上下文信息的边,并对每个边乘以一个相应的权重。模块又添加了添加上下文信息的边,并对每个边乘以一个相应的权重。Neck:使用BiFPN对更精细特征进行提取与特征融合资料来源:EfficientDet:Scalable and Efficient Object Detection,中信建投图图表:表:BiFPNBiFPN网络结构网络结构图图表:表:BiFPNBiFPN能加强特征提取能加强特征提取 骨干网为模型提供相关的矩阵输入,对于一些实际任务,例如检测、分割等,通常要在特征图上应用“检测头”。特斯拉使用骨干网为模型提供相关的矩阵输入,对于一些实际任务,例如检测、分割等,通常要在特征图上应用“检测头”。特斯拉使用HydraNetsHydraNets进行具体任务实施。进行具体任务实施。HydraNetsHydraNets包含用于处理视觉特征的多个组件,在训练期间分别训练出专业的组件,在推理过程中选包含用于处理视觉特征的多个组件,在训练期间分别训练出专业的组件,在推理过程中选择相应组件进行执行,能处理多种任务,极大提升了效率。择相应组件进行执行,能处理多种任务,极大提升了效率。8 8个摄像头使用个摄像头使用RegnetRegnet提取完图像后,使用提取完图像后,使用TransformerTransformer模型进行图像特征融合,其中还会有时间信息融合操作,图像信息处理完后,模型进行图像特征融合,其中还会有时间信息融合操作,图像信息处理完后,就通过就通过HydraNetsHydraNets将信息分到不同的视觉组件中处理不同的下游任务。将信息分到不同的视觉组件中处理不同的下游任务。Head:特斯拉使用HydraNets实施多任务资料来源:HydraNets:Specialized Dynamic Architectures for Efficient Inference,Tesla,中信建投图图表:表:HydraNetsHydraNets算法架构算法架构图图表:特斯拉中的表:特斯拉中的HydraNetsHydraNets 自动驾驶感知能力:占据网络(Occupancy Networks)特斯拉采用占用网络技术进行驾驶感知特斯拉采用占用网络技术进行驾驶感知,占据网络占据网络可以通过可以通过3 3D D物体检测的方式来估计行驶中其他车辆物体检测的方式来估计行驶中其他车辆、物体的位置和大小物体的位置和大小。占据占据网络网络利用利用RegNetRegNet和和BiFPNBiFPN从多相机获取特征从多相机获取特征,然后模型通过带然后模型通过带3 3D D空间位置的空间位置的spatialspatial queryquery对对2 2D D图像特征进行基于图像特征进行基于attentionattention的多的多相机融合相机融合。之后利用之后利用3 3D D-toto-2 2D D queryquery,即根据每个相机的内外参将即根据每个相机的内外参将3 3D D spatialspatial queryquery投影到投影到2 2D D特征图上特征图上,提取对应位置的特征提取对应位置的特征。最后进行时序融合最后进行时序融合。实际上实际上,占用网络实际上是对占用网络实际上是对BEVBEV技术的拓展技术的拓展。占用网络具有多个优点占用网络具有多个优点,例如占用网络可以使用多个摄像机拍摄的图像进行例如占用网络可以使用多个摄像机拍摄的图像进行3 3D D处理处理,即使是动态占用也可以计算出来即使是动态占用也可以计算出来,哪怕是遮哪怕是遮挡的部分挡的部分,也可以更加精准的识别出来也可以更加精准的识别出来。占用网络可以在占用网络可以在1010msms时间内运行时间内运行。资料来源:Tesla,中信建投图图表:占用网络整体架构表:占用网络整体架构图图表:占用网络在特斯拉自动驾驶模型中的位置表:占用网络在特斯拉自动驾驶模型中的位置 自动驾驶矢量地图:Lanes Network在在BEVBEV(鸟瞰图)上进行地图分割和识别,往往是在像素级别进行操作,因为无法得到车道线的拓扑结构,因此不能用于轨迹规(鸟瞰图)上进行地图分割和识别,往往是在像素级别进行操作,因为无法得到车道线的拓扑结构,因此不能用于轨迹规划。特斯拉使用划。特斯拉使用Lanes NetworkLanes Network进行矢量地图规划,进行矢量地图规划,LanesLanes NetworkNetwork可帮助获取更精确的车道线拓扑结构,以识别车辆从一条车道可帮助获取更精确的车道线拓扑结构,以识别车辆从一条车道变换到另一条车道的路径。变换到另一条车道的路径。Lanes NetworkLanes Network在模型结构上,是在感知网络在模型结构上,是在感知网络backbonebackbone基础上加入一个解码器基础上加入一个解码器,以序列的方式自回归地输出结果。具体实现上来以序列的方式自回归地输出结果。具体实现上来说,模型首先要选取一个生成顺序(如从左到右,从上到下),对空间进行离散化(说,模型首先要选取一个生成顺序(如从左到右,从上到下),对空间进行离散化(tokenizationtokenization),然后就可以用然后就可以用Lanes Lanes NetworkNetwork进行一系列离散进行一系列离散tokentoken的预测的预测,网络会以自回归的方式将所有的车道线节点进行生成。,网络会以自回归的方式将所有的车道线节点进行生成。资料来源:Tesla,中信建投图图表:表:Lanes NetworkLanes Network网络架构网络架构图图表:表:Lanes NetworkLanes Network使用使用 特斯拉FSD升级到v11.4 资料来源:Tesla,Twitter,中信建投采用端到端人工智能采用端到端人工智能,即包含高速领航、城市道路,即包含高速领航、城市道路领航和泊车三个域的智驾功能。该算法在简化流程领航和泊车三个域的智驾功能。该算法在简化流程的同时,能够模拟人类驾驶员做出恰当的决策行为。的同时,能够模拟人类驾驶员做出恰当的决策行为。通过联合空间评估,改进人行横道上的行为决策。通过联合空间评估,改进人行横道上的行为决策。运用运动学数据测量风险并提前减速,改善自动驾运用运动学数据测量风险并提前减速,改善自动驾驶车辆在驶车辆在VRUVRU附近的行为。附近的行为。改进在密集非结构化城市环境中的转弯性能,避免改进在密集非结构化城市环境中的转弯性能,避免转入公交车道等。转入公交车道等。优化路由提示和自动贴标机,解决由于不良路由类优化路由提示和自动贴标机,解决由于不良路由类型引起的干预措施。型引起的干预措施。通过更新车道类型检测网络和改进地图视觉融合等,通过更新车道类型检测网络和改进地图视觉融合等,提高自动驾驶系统的理解能力和安全性。提高自动驾驶系统的理解能力和安全性。马斯克评论:FSD V11.4表现优秀特斯拉特斯拉20232023年年4 4月月3030日发布日发布FSD Beta v11.4FSD Beta v11.4,版本为,版本为2023.6.152023.6.15,并于,并于5 5月月8 8日向员工推出测试。通过此次更新,特斯拉将改进车辆性日向员工推出测试。通过此次更新,特斯拉将改进车辆性能置于引入新功能之上。能置于引入新功能之上。FSD Beta v11.4FSD Beta v11.4 可根据当前天气条件、能见度、道路湿度、轮胎胎面,甚至其他车辆的轮胎印记等因素,可根据当前天气条件、能见度、道路湿度、轮胎胎面,甚至其他车辆的轮胎印记等因素,调整自动驾驶仪的最大速度,确保在恶劣条件下获得更安全的驾驶体验。同时,调整自动驾驶仪的最大速度,确保在恶劣条件下获得更安全的驾驶体验。同时,FSD Beta v11.4FSD Beta v11.4可以更快地针对环境做出反应,并可以更快地针对环境做出反应,并在必要时调整车速,确保所有相关人员都能获得更安全的体验。在必要时调整车速,确保所有相关人员都能获得更安全的体验。图图表:特斯拉表:特斯拉FSD v11.4FSD v11.4特性与马斯克对其评价特性与马斯克对其评价 蔚小理四月交付量出炉,理想交付量领先资料来源:wind,中信建投蔚小理发布四月份交付量数据蔚小理发布四月份交付量数据,其中理想汽车交付其中理想汽车交付2568125681辆辆,创下单月新纪录创下单月新纪录,同比增长同比增长516516.3 3%,1 1-4 4月累计交付月累计交付7878,265265辆品牌累计辆品牌累计交付交付335599335599辆;品牌累计交付辆;品牌累计交付335599335599辆;蔚来交付新车辆;蔚来交付新车66586658辆辆,同比增长同比增长3131.2 2%,1 1-4 4月累计交付月累计交付3769937699辆辆,同比增长同比增长2222.2 2%,品牌累品牌累计交付计交付327255327255辆辆。小鹏汽车交付新车小鹏汽车交付新车70797079辆辆,同比下降同比下降2121%,1 1-4 4月累计交付月累计交付2530925309辆辆,品牌累计交付品牌累计交付284019284019辆辆。6,658-50%0P00 0,0004,0006,0008,00010,00012,00014,00016,00018,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4销量同比25,681-100%00 0000P00,00010,00015,00020,00025,00030,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4销量同比图图表:蔚来汽车销量表:蔚来汽车销量图图表:理想汽车销量表:理想汽车销量图图表:小鹏汽车销量表:小鹏汽车销量7,079-100%-50%0P00 0%0,0004,0006,0008,00010,00012,00014,00016,00018,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4销量同比 蔚来自动驾驶NAD由Aquila与Adam构成资料来源:蔚来,中信建投NIONIO AssistedAssisted andand IntelligentIntelligent DrivingDriving(NADNAD)是蔚来汽车自动驾驶技术是蔚来汽车自动驾驶技术,拥有全栈自动驾驶技术能力拥有全栈自动驾驶技术能力,能够从地图定位到感知算能够从地图定位到感知算法法,从底层系统到控制策略从底层系统到控制策略,实现自动驾驶在高速实现自动驾驶在高速、城区城区、泊车和换电场景的全覆盖泊车和换电场景的全覆盖,主要包含主要包含AquilaAquila、AdamAdam及相关算法等及相关算法等,支持支持L L4 4级别级别。AquilaAquila蔚来超感系统实现融合感知蔚来超感系统实现融合感知。AquilaAquila蔚来超感系统拥有蔚来超感系统拥有3333个高性能感知硬件个高性能感知硬件,包括包括1 1个超远距高精度激光雷达个超远距高精度激光雷达、7 7颗颗800800万像素万像素高清摄像头高清摄像头、4 4颗颗300300万像素高感光环视专用摄像头万像素高感光环视专用摄像头、1 1个增强主驾感知个增强主驾感知、5 5个毫米波雷达个毫米波雷达、1212个超声波传感器个超声波传感器、2 2个高精度定位单元和个高精度定位单元和V V2 2X X车路协同车路协同,协助算法实现全向无盲区融合协助算法实现全向无盲区融合,具备具备L L4 4能力能力。AdamAdam超算平台作为底层提供算力超算平台作为底层提供算力,AdamAdam搭载搭载4 4颗颗NVIDIANVIDIA DRIVEDRIVE OrinOrin 芯片芯片,算力高达算力高达10161016TopsTops。同时借助于超级图像处理流水线同时借助于超级图像处理流水线、超超高带宽骨干数据网络高带宽骨干数据网络、热备份冗余设计等热备份冗余设计等,为自动驾驶决策控制提供算力保障为自动驾驶决策控制提供算力保障。图图表:蔚来自动驾驶(表:蔚来自动驾驶(NADNAD)系统)系统图表:图表:800800万高清摄像头提升感知距离万高清摄像头提升感知距离 小鹏自动驾驶技术:XNGP资料来源:小鹏汽车,汽车之心,中信建投XNGPXNGP是继是继XPILOTXPILOT系统之后系统之后,小鹏推出的第二代智能辅助驾驶系统小鹏推出的第二代智能辅助驾驶系统,XNGPXNGP在第一代在第一代XPilotXPilot系统的基础上系统的基础上,增加了城市路况下的全程智增加了城市路况下的全程智能辅助驾驶功能能辅助驾驶功能(城市城市NGPNGP),以及高速以及高速NGPNGP和和VPAVPA记忆泊车的增强版功能记忆泊车的增强版功能,是目前是目前国内唯一一款能够实现城市路况下全程智能辅助驾国内唯一一款能够实现城市路况下全程智能辅助驾驶的系统驶的系统,并且可以在没有高精地图的情况下并且可以在没有高精地图的情况下,让车辆在城市道路上实现自动跟随让车辆在城市道路上实现自动跟随、自动变道自动变道、自动超车等功能自动超车等功能。NGPNGP系统主要包括系统主要包括两颗激光雷达两颗激光雷达、双双NVIDIANVIDIA DRIVEDRIVE OrinOrin超级计算平台超级计算平台、1313个摄像头个摄像头、1212个超声波雷达个超声波雷达、5 5个毫米波雷达和个毫米波雷达和1 1个车内摄像头个车内摄像头。小鹏汽车感知技术采用小鹏汽车感知技术采用XNETXNET,通过多相机和雷达收集数据通过多相机和雷达收集数据,实时生成实时生成3 3D D场景地图和高精度地图场景地图和高精度地图,静态静态、动态感知能力大幅提升动态感知能力大幅提升,无无缝连接城市道路缝连接城市道路、高速和停车场等场景高速和停车场等场景。具公司介绍具公司介绍,今年今年6 6月推送的高速月推送的高速 NGPNGP 2 2.0 0预计达到非常接近于预计达到非常接近于L L4 4的体验水准的体验水准。图图表:表:XNGPXNGP拥有超强的算力芯片及多个感知传感器拥有超强的算力芯片及多个感知传感器图图表:表:XNGPXNGP是行业首个全场景智能辅助驾驶系统是行业首个全场景智能辅助驾驶系统 理想自动驾驶技术:AD Max3.0资料来源:理想汽车,中信建投理想理想ADAD MaxMax3 3.0 0通过大模型通过大模型AIAI算法算法,摆脱对高精地图的依赖摆脱对高精地图的依赖,该技术使用三种神经网络大模型算法该技术使用三种神经网络大模型算法,分别是静态分别是静态BEVBEV 网络网络、动态动态 BEVBEV网络和网络和OccupancyOccupancy网络网络,并通过并通过NeRFNeRF技术增强技术增强OccupancyOccupancy网络还原的精度和细节网络还原的精度和细节,实现对物理世界的完整还原实现对物理世界的完整还原。三种神经网络大模型三种神经网络大模型算法的感知结果汇总到预测模型算法的感知结果汇总到预测模型,就可以实时输出对周围所有交通参与者未来几秒内的行动轨迹预测就可以实时输出对周围所有交通参与者未来几秒内的行动轨迹预测,该预测结果会动态调整该预测结果会动态调整,为为后面的决策规划提供更准确的信息后面的决策规划提供更准确的信息。目前理想汽车的自动驾驶训练里程已超过目前理想汽车的自动驾驶训练里程已超过 4 4 亿公里亿公里,时长超时长超 10741074 万小时万小时。理想理想ADAD MaxMax 3 3.0 0的城市的城市NOANOA将于将于2323年第二季度开始推送年第二季度开始推送内测用户内测用户,到年底将推送到年底将推送100100座国内城市座国内城市。图图表:理想表:理想ADAD Max3.0Max3.0 物理世界数字化物理世界数字化图图表:表:ADAD Max3.0Max3.0日常场景实测日常场景实测 风险提示AI技术发展不及预期:技术发展不及预期:自动驾驶算法属于先进AI算法,若后续自动驾驶算法演进不及预期,则会影响特斯拉以及自动驾驶厂商相关技术演进以及产品落地。全球宏观经济下滑风险:全球宏观经济下滑风险:全球宏观经济下滑下,居民收入水平与消费观念会收到一定冲击与影响,对于高端自动驾驶汽车需求可能会有所下滑,从而影响自动驾驶车厂相关销售业绩。市场竞争加剧导致利润水平下滑:市场竞争加剧导致利润水平下滑:全球范围内自动驾驶车厂竞争加剧,各厂商可能通过采用打价格战方式提高用户忠诚度,从而影响自身收入水平,导致自身利润水平下滑。个人隐私风险:个人隐私风险:自动驾驶汽车可能会收集用户相关驾驶数据、驾驶员特征等数据进行后续模型训练,这可能会涉及用户隐私问题。自动驾驶立法落地不及预期:自动驾驶立法落地不及预期:若有关自动驾驶汽车立法政策不及预期,则会极大影响车厂相关技术推进以及相关产品落地。感谢辛侠平对本报告的贡献。分析师介绍分析师介绍阎贵成:阎贵成:中信建投证券通信&计算机行业首席分析师,北京大学学士、硕士,专注于云计算、物联网、信息安全、信创与5G等领域研究。近8年中国移动工作经验,6年多证券研究经验。系2019-2021年新财富、水晶球通信行业最佳分析师第一名,2017-2018年新财富、水晶球通信行业最佳分析师第一名团队核心成员。金戈:金戈:中信建投证券研究发展部计算机行业联席首席分析师,帝国理工学院工科硕士,擅长云计算、金融科技、人工智能等领域。于芳博于芳博:中信建投计算机行业分析师,北京大学空间物理学学士、硕士,2019年7月加入中信建投,主要覆盖方向智能汽车、CPU/GPU/FPGA/ASIC、EDA和工业软件等方向。杨艾莉:杨艾莉:传媒互联网行业首席分析师,中国人民大学传播学硕士,曾任职于百度、新浪,担任商业分析师、战略分析师。2015年起,分别任职于中银国际证券、广发证券,担任传媒与互联网分析师、资深分析师。2019年4月加入中信建投证券研究发展部担任传媒互联网首席分析师。曾荣获2019年wind资讯传播与文化行业金牌分析师第一名;2020年wind资讯传播与文化行业金牌分析师第二名;2020年新浪金麒麟评选传媒行业新锐分析师第二名。评级说明评级说明投资评级标准评级说明报告中投资建议涉及的评级标准为报告发布日后6个月内的相对市场表现,也即报告发布日后的6个月内公司股价(或行业指数)相对同期相关证券市场代表性指数的涨跌幅作为基准。A股市场以沪深300指数作为基准;新三板市场以三板成指为基准;香港市场以恒生指数作为基准;美国市场以标普 500 指数为基准。股票评级买入相对涨幅15以上增持相对涨幅5中性相对涨幅-5%5之间减持相对跌幅5卖出相对跌幅15以上行业评级强于大市相对涨幅10%以上中性相对涨幅-10-10%之间弱于大市相对跌幅10%以上 分析师声明分析师声明本报告署名分析师在此声明:(i)以勤勉的职业态度、专业审慎的研究方法,使用合法合规的信息,独立、客观地出具本报告,结论不受任何第三方的授意或影响。(ii)本人不曾因,不因,也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。法律主体说明法律主体说明本报告由中信建投证券股份有限公司及/或其附属机构(以下合称“中信建投”)制作,由中信建投证券股份有限公司在中华人民共和国(仅为本报告目的,不包括香港、澳门、台湾)提供。中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格,本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告首页。在遵守适用的法律法规情况下,本报告亦可能由中信建投(国际)证券有限公司在香港提供。本报告作者所持香港证监会牌照的中央编号已披露在报告首页。一般性声明一般性声明本报告由中信建投制作。发送本报告不构成任何合同或承诺的基础,不因接收者收到本报告而视其为中信建投客户。本报告的信息均来源于中信建投认为可靠的公开资料,但中信建投对这些信息的准确性及完整性不作任何保证。本报告所载观点、评估和预测仅反映本报告出具日该分析师的判断,该等观点、评估和预测可能在不发出通知的情况下有所变更,亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门、人员口头或书面表达的意见不同或相反。本报告所引证券或其他金融工具的过往业绩不代表其未来表现。报告中所含任何具有预测性质的内容皆基于相应的假设条件,而任何假设条件都可能随时发生变化并影响实际投资收益。中信建投不承诺、不保证本报告所含具有预测性质的内容必然得以实现。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况,报告接收者应当独立评估本报告所含信息,基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。中信建投建议所有投资者应就任何潜在投资向其税务、会计或法律顾问咨询。不论报告接收者是否根据本报告做出投资决策,中信建投都不对该等投资决策提供任何形式的担保,亦不以任何形式分享投资收益或者分担投资损失。中信建投不对使用本报告所产生的任何直接或间接损失承担责任。在法律法规及监管规定允许的范围内,中信建投可能持有并交易本报告中所提公司的股份或其他财产权益,也可能在过去12个月、目前或者将来为本报告中所提公司提供或者争取为其提供投资银行、做市交易、财务顾问或其他金融服务。本报告内容真实、准确、完整地反映了署名分析师的观点,分析师的薪酬无论过去、现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系,分析师亦不会因撰写本报告而获取不当利益。本报告为中信建投所有。未经中信建投事先书面许可,任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本报告全部或部分内容,亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本报告全部或部分内容。版权所有,违者必究。中信建投证券研究发展部中信建投证券研究发展部中信建投(国际)中信建投(国际)北京东城区朝内大街2号凯恒中心B座12层电话:(8610)8513-0588联系人:李祉瑶邮箱:上海浦东新区浦东南路528号南塔2103室电话:(8621)6882-1612联系人:翁起帆邮箱:深圳福田区福中三路与鹏程一路交汇处广电金融中心35楼电话:(86755)8252-1369联系人:曹莹邮箱:香港中环交易广场2期18楼电话:(852)3465-5600联系人:刘泓麟邮箱:charleneliucsci.hk21

    浏览量41人已浏览 发布时间2023-05-30 21页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 车网科技:2022年北京市高级别自动驾驶示范区建设发展报告(38页).pdf

    北京市高级别自动驾驶示范区建设发展报告建设发展报告2022北京市高级别自动驾驶示范区工作办公室北京车网科技发展有限公司CATALOGUECATALOGUE目目录录四、构建创新应用生态体系(一)加速攻克行业关键技术(二)广泛开展自动驾驶示范(三)落地车路云一体化应用(四)赋能智慧交通提质增效(五)引领产业形成集聚态势19附件:大事记32前言10二、提升示范区监管测试水平(一)实现测试运营全流程监管(二)推动车辆测试取得新进展三、推进政策法规标准进程(一)持续完善创新政策体系(二)加快推进立法论证工作(三)形成一系列标准化成果15五、展望(一)秉承车路云一体化技术路线(二)不断完善统筹管理工作机制(三)培育发展智能网联产业集群3101一、打造城市级工程试验平台(一)推进智能网联车端应用(二)强化路侧基础设施支撑(三)发挥云控平台中枢价值(四)夯实通信基础设施建设(五)拓展高精地图服务能力(六)搭建数据安全保障体系前前言言当前,全球汽车产业加速向电动化、网联化、智能化转型,随着信息通信、北斗定位等关键技术的应用推广,智能网联汽车产业进入快速发展的新阶段。我国政府将发展智能网联汽车作为重要战略方向,国务院及相关部委先后发布智能汽车创新发展战略新能源汽车产业发展规划(20212035年)国家综合立体交通网规划纲要智能网联汽车道路测试与示范应用管理规范(试行)等一系列政策文件,不断激励技术创新、完善政策体系、开放道路测试、优化发展环境,推动智能网联汽车发展取得积极成效。为加速高级别自动驾驶技术落地应用,北京市于2020年9月正式设立北京市高级别自动驾驶示范区(以下简称“示范区”),践行车路云一体化技术路线,围绕“车、路、云、网、图”五大体系,持续创新完善体制机制和建设内容,打造网联云控式自动驾驶汽车产业新模式,引领和赋能智能网联汽车高质量发展。2021年4月,北京市政府决定利用两区建设的政策契机,依托示范区设立北京市智能网联汽车政策先行区(以下简称“先行区”)。先行区以特色政策和制度创新为突破口,系统构建适度超前的“2 5 N”政策体系,营造了政策友好型产业发展环境,有效支持新技术、新产品、新模式应用推广。为统筹协调市区两级资源,支持示范区与先行区建设,北京市成立由市主要领导挂帅的领导小组,由市经信局、市交通委、市交管局、市规自委、市发改委以及市科委等部门共同参与工作专班,并设立北京市高级别自动驾驶示范区工作办公室(以下简称“市自驾办”),负责示范区的建设推进和统筹协调工作,并会同相关部门研究建立智能网联汽车政策制度体系并组织实施。目前,示范区已完成2.0阶段的小规模部署,在60平方公里全域的329个智能网联标准路口实现车路云一体化功能覆盖,网联云控系统实现车路云数据融合,构建安全高效的通信网络,持续拓展高精度地图服务能力,落地自动驾驶出租车、无人配送、无人零售等一批应用场景,在车路云一体化服务、智慧交通服务、出行配送服务等方面成果显著,在此基础上已启动了3.0阶段的规模部署和场景拓展。两年多的时间里,示范区深刻践行智能网联中国方案,探索自主创新技术路径,建成首个城市级云控平台,不断凝练形成车路云服务能力;组建车路云一体化联合创新实验室与车用操作系统联合实验室,发布并推进全球首个智能网联路侧操作系统“智路OS”开源开放;推出全球首个车路协同自动驾驶数据集DAIR-V2X;完成全国首个国产自主智能网联路口方案部署测试;建设我国首个汽车芯片测试认证平台,研发高性能高可靠的车用操作系统和汽车芯片,推动产业链协同;发布全球首个智能网联数据分类分级白皮书;发布全国首个高级别自动驾驶示范区标准体系。示范区先后入选住房和城乡建设部、工业和信息化部全国首批6个“智慧城市基础设施与智能网联汽车协同发展”试点;入选国家发展和改革委员会2021年度新型基础设施重点项目;入选交通运输部全国首批18个智能交通先导应用试点;入选工业和信息化部车联网身份认证和安全信任试点全国首批10个优秀实践案例。未来,示范区将坚持初心使命,持续探索车路云一体化的实践经验,努力形成可规模化复制推广的技术标准、工作机制、应用案例和商业模式,打造全国领先的高级别自动驾驶城市样板,为行业和国家提供“北京经验”,推动智能网联技术为汽车产业转型、城市转型和社会转型发挥更大价值。一、一、打造城市级工程试验平台打造城市级工程试验平台PAGE/01当前,自动驾驶单车智能技术路线还存在感知盲区等长尾问题,短期内无法实现高级别自动驾驶的规模化运行。为此,我国结合自身优势,率先提出通过车路云一体化助力解决单车智能短板,加速高级别自动驾驶落地。为攻克智能网联技术,解决车网融合度低、标准不统一、路侧投资大收益小、车端测试成本高等建设落地难题,示范区着力打造支持高级别自动驾驶的城市级工程试验平台,通过统筹车、路、云、网、图等各类优质要素资源,主动谋划设立市场化主体,探索经济合理的车路云一体化解决路径,加快实现L4及以上高级别自动驾驶规模化运行。示范区坚定“小步快跑、迭代完善”的方针,已完成1.0试验环境搭建和2.0小规模部署各项建设任务,开展了3.0阶段首个100平方公里建设,部署实施了一批车路云一体化项目,在车、路、云、网、图和安全等各环节,取得明显建设成效,有效提升了示范区基础服务能力。(一)推进智能网联车端应用示范区坚定智能网联中国方案,持续推动车路云一体化服务高级别自动驾驶,通过车、路、云数据融合,逐步在状态共享、融合感知、融合决策、融合控制等不同网联化等级中,落地各类应用场景。目前,示范区正依托大规模测试能力优势,全力推动解决自动驾驶测试车及量产车痛点问题的场景应用。针对自动驾驶测试车,示范区通过实现车路云数据融合应用,为车辆提供信号灯上车、动静态盲区补充、超视距感知和V2I交通事件等能力补充,支撑精准科学的全局路径规划。目前,示范区已经聚集了百度、小马智行、商汤科技、轻舟智航、新石器、京东、美团、主线科技、小马智卡等头部企业,通过边应用边迭代,逐步扩大自动驾驶车路云一体化技术应用的广度和深度。针对量产车,示范区基于城市道路真实场景,为量产车提供基础数据推送、实时道路事件检测等服务,通过协同感知提升车辆通行安全。北汽、奥迪等整车企业已率先开展常态化测试,此外戴姆勒、宝马、小米、一汽、福特、理想等企业正在推进测试事宜。为提升自动驾驶车辆网联化水平,示范区结合车路云一体化技术发展趋势以及监管过程中遇到的各类问题,组织企业定制化研发了可支持EUHT、4G/5G、V2X通信的车载终端OBU产品。现阶段,OBU产品具备自动驾驶监管数据采集及处理、V2X数据交互等功能,在定位、通信等方面性能指标优异,满足车辆日常运行状态分析、事故分析的需求,可支撑自动驾驶能力评估和监管体系优化。目前,小马智行、百度、滴滴、文远知行、新石器、毫末等自动驾驶企业已累计安装OBU 700余台,正在开展多项指标的测试与验证。PAGE/02(二)强化路侧基础设施支撑1.覆盖范围不断扩大示范区通过1.0和2.0阶段建设,在60平方公里329个路口双向750公里城市道路以及京台高速双向10公里高速公路,实现车路云一体化功能全覆盖。目前,示范区按照“安全为要、逐步扩展、连片发展”原则,正在推进3.0阶段扩区建设。3.0阶段以每100平方公里为实施单元,重点探索不同区域、不同基础条件下的建设模式,逐步实现示范区建设管理经验成果在全市的复制推广。首个100平方公里率先在亦庄新城区域内选取建设,涉及157个标准路口,部署范围覆盖城市主、次干路,建成后将与60平方公里互联互通,最终形成亦庄新城全域连片带动效果。后续将有序完成500平方公里扩区覆盖,建设车路云一体化生态系统。2.部署方案持续优化示范区践行“多感合一、多杆合一、多箱合一”,定义了标准路口建设方案,进行摄像机、毫米波雷达、边缘计算单元和RSU等各类智能网联基础设施部署,实现感知覆盖和信控覆盖。3.0阶段以标准路口建设方案为基础,根据道路形态与功能需求采用差异化系统优化方案。当路口无公安、交管执法需求时,采用低配方案建设,通过部署摄像机、毫米波雷达等路侧设备,实现车路云一体化服务功能;当新增公安、交管执法需求时,按需增加电警/卡口相机、一体机等执法设备,实现从低配到高配的方案升级,在满足各项业务功能需求的同时,降低建设成本,未来逐步形成北京市统一的建设方案。图1-1 示范区3.0阶段规划建设区域PAGE/033.对外服务能力初显基于行业发展、企业诉求和交通优化三方面需求分析,示范区已实现全要素感知数据服务、信号灯数据服务两类路侧服务基础能力,以及12项V2I事件提醒,基本覆盖了自动驾驶车辆示范运营过程中使用频次相对较高的事件需求。表1-1 路侧基础设施功能服务建设情况信号灯数据服务02完成全部路口信号灯数据接入,并按照行业标准协议实现信号灯数据信息和实时状态信息发送,常态化支持车端实现闯红灯预警、绿波车速引导等功能,有效提升信号灯路口安全和通行效率。实现路侧感知系统覆盖范围内全量交通要素(包括但不限于机动车、非机动车、行人、障碍物等目标物)识别,支持以多种数据格式提供低时延、高可靠感知数据共享。全要素感知数据服务01实现逆行事件、施工占道、车辆故障、异常停车、限速提醒、公交车道提醒、超速事件、行人闯入机动车道、非机动车闯入机动车道、道路拥堵、信号灯故障、抛洒物识别等12项事件提醒。12项V2I事件提醒03用户云控平台支撑系统G端管理B端生态C端用户共性应用车辆监管车路云一体化服务(量产车 高级别)安全管理视频服务标准件融合感知协同决策协同控制交通管控领域大数据赋能云网一体化底座设备管理协议转换数据采集数据存储数据管理路侧基础设施智能网联汽车第三方平台信号机摄像头毫米波雷达MECOBU摄像头标准化分级共享接口生态平台政府管理部门城市大脑经信局交管局度小镜终端业务平台百度地图地图引擎腾讯地图地图引擎车辆自动驾驶实验室用户其他开发者交管信控平台统一优化图1-2 示范区云控系统架构图(三)发挥云控平台中枢价值云控平台定位为共性基础平台,目的是实现车路云数据互联互通,并为行业应用提供基础服务。云控平台通过全量汇聚和共享接入两种模式,实现了智能网联汽车、路侧基础设施、云端相关平台动静态数据的标准化采集、存储与处理,运用智能网联大数据底座分领域进行数据融合场景计算与统一服务能力封装,一方面支持示范区车路云一体化场景应用创新落地,另一方面支持实现车路云全渠道触达方式向政府、企业、公众等多类用户提供服务。PAGE/04目前,云控平台持续迭代并稳定运行,累计接入自动驾驶车辆、路侧感知数据、信控数据、出行服务数据等6大类、200多个数据项,形成了较为完善的平台级对外数据服务能力,有效支撑了自动驾驶车辆、信控优化等应用落地,推动自动驾驶业务发展与创新,并取得广泛社会效益。云控平台已实现向入网自动驾驶车辆、量产车辆提供车路云一体化服务。依托路侧全量感知、交通信控等数据,实现超视距感知、盲区感知和红绿灯融合识别等功能,提高自动驾驶汽车行驶稳定性;通过向车企运营平台提供数据服务的方式,率先开展红绿灯信息上车测试,支撑量产车实现路径规划、红绿灯起步提醒和绿波车速建议等功能,助力提升普通汽车的通行效率;同时,云控平台也为交管大队、城市运行等政府部门提供了数据驱动的应用服务,支撑实现交通信控优化,赋能城市交通管理工作提质增效。(四)夯实通信基础设施建设1.积极开展C-V2X实践活动示范区已在60平方公里329个智能网联路口实现C-V2X网络全面部署。C-V2X网络支撑示范区建成从基础数据推送、道路事件检测播报到协同感知安全提醒的功能服务,为自动驾驶车辆和量产车提供信息服务,支持企业开展常态化测试。2022年8月,示范区与中国智能网联汽车产业创新联盟、中国汽车工程学会等组织共同主办2022年“智行杯”智能网联汽车C-V2X应用示范活动,吸引了国内外整车、终端、信息安全、自动驾驶、地图等40余家企业参与。在活动中,企业重点就C-V2X应用场景开展示范验证,包括前向碰撞预警、盲区预警、施工占道和限速提醒等基础场景,以及车车/车云协同计算、V2X ADAS融合等创新应用场景。通过示范活动充分验证了C-V2X相关标准,实现了相关产业链互联互通,为进一步推动国内C-V2X产业化落地奠定基础。图1-3 示范区云控平台显示界面PAGE/052.加快建设EUHT无线专网在60平方公里范围内,已实现278个路口,335.6公里的双向城市主要道路EUHT网络信号连续覆盖,3.0阶段的首个100平方公里已开展建设,预计2023年中完成专网铺设。EUHT专网性能指标基本达到预期目标,通信时延稳定在59ms,上下行丢包率稳定在0.0080.2%,上下行吞吐率稳定在8090Mbps,基站切换成功率稳定在100%,可支撑智能交通(智能信控、绿波通行等)、智能网联公交、城市综合治理、城市智慧大脑等业务。目前,EUHT专网正支撑智能网联公交车、市政环卫车等开展测试应用。(五)拓展高精度地图服务能力1.高精地图试点协同创新示范区持续支持高精度地图试点建设工作。为加快推进智能网联汽车高精度地图应用,市规自委会同市经信局发布北京市智能网联汽车高精度地图试点工作指导意见。目前市规自委已启动北京市智能网联汽车高精度地图审图工作,从明确试点范围、加强主动服务、强化安全监管等方面,为示范区提供具体指引。示范区协同相关企业,加快推动高精度地图采集、制作、发布、应用、测试和审核等工作,首批已有4家资质单位申请60平方公里高精度地图审核。基于先验环境,示范区联合资质图商开展高精度地图众源更新技术探索,为测试企业提供高精度、高鲜度的地图更新服务。目前,示范区已完成众源更新算法验证,同时基于智能网联路侧视频、感知数据等多源数据开展了典型要素的算法适配,初步实现典型要素基于示范区链路的快速更新,有效提升高精度地图的更新能力。图1-4 2022年“智行杯”智能网联汽车C-V2X应用示范活动参与企业PAGE/062.高精地图能力建设应用示范区持续推动高精度地图基础数据采集与制作,支持云控平台扩展场景验证,同时结合测试企业对高精度地图需求,推进地图内容扩展,主要包括无人配送、三轮快递车等场景所需的非机动车道要素,及其关联的信号灯、停止线等要素。为进一步提升高精度地图服务能力,示范区依托云控平台,将标准化地图API扩展至46个,实现服务更多安全与监管场景;发布标准化地图消息接口RSU map,支持车路云一体化功能测试验证。面向公众用户,云控平台融合车端、路侧动静态数据,处理后以更为立体、智能、快速的新型方式在地图App上呈现,实现触达C端用户。目前,在示范区全域已支持百度地图和腾讯地图为用户提供灯态提醒、电子围栏、车道级事件提示等功能服务。图1-5 示范区探索高精度地图众源更新技术图1-6 地图App实现触达C端用户数据源车载传感器V2X市政交通天气信息等静态高精地图众源更新基础平台数据合规系统快速发布系统动态图层静态图层安全云主管部门监管监控自动驾驶智慧交通智慧城市其他智慧产业PAGE/07(六)搭建数据安全保障体系1.发布数据安全管理政策示范区按照“一事两线”推进数据安全管理体系建设,“对外”面向示范区建设与测试单位,建立示范区数据安全管理政策,“对内”面向示范区运营平台公司,建立公司级数据合规管理制度,两线并举保障示范区整体数据安全管理水平全面提升。示范区创新发布北京市智能网联汽车政策先行区数据安全管理办法,是国内首个示范区级别面向车路云一体化路线的数据安全指引文件,在遵循国家数据安全政策体系的前提下,为自动驾驶行业安全合规、高效有序发展提供实施依据。在该办法指引之下,逐步制定发布数据分类分级、采集数据安全、数据安全能力评估等系列管理细则和实践指南,指导企业及时发现和处理好数据安全风险,完善数据合规流程,提升数据安全能力,保障数据安全。2.增强数据安全技术支撑示范区在60平方公里范围建成覆盖云、管、端各个层面的主动安全防护体系。涵盖329个智能路口、356个RSU、476个MEC,以及578台自动驾驶车辆。已签发V2X证书超过23000张,签发X.509国密证书约350张,同时为百度、京东、新石器等企业提供证书应用接口服务,保障车路云一体化系统的整体安全,持续支撑智能网联多种业务安全运行。全面打造示范区车联网身份认证和安全信任能力体系,首次实现了国内城市级车联网安全身份认证,并获工业和信息化部评选为优秀实践案例。图1-7 示范区数据安全管理政策示范区数据安全政策个人信息重要数据示范区数据安全管理办法管理细则数据分类分级数据安全应急处理数据共享安全采集数据安全数据合规应用数据安全风险评估数据安全能力评估个人信息告知同意数据交易安全.实践指南重要数据识别与处理数据安全应急处理数据共享安全采集数据安全数据合规应用数据安全情况报送数据安全能力评估个人信息告知同意数据交易安全.PAGE/08为满足监管数据安全需求,示范区引入区块链创新技术,开发了基于区块链的“自动驾驶安全监管链”系统,打通车辆行程、车辆异常行为和自动驾驶事故等数据,并与车辆监管平台有机融合,实现监管数据的信息查询与核验,满足提升监管公信力、数据防篡改及数据溯源等需求。为提升示范区数据安全管理效率,针对示范区云控平台的数据存储环境和流转链路,结合自动驾驶数据特征,开发了数据安全监测系统,实现数据资产自动化盘点和安全态势感知功能,准确掌握数据资产信息,实时监测数据行为,及时处置数据安全风险和威胁,确保数据处于合法使用状态,保障示范区安全稳定运行。表1-2 车路云一体化主动安全防护部署应用01终端安全(车端、路侧)建设并迭代入侵检测与响应系统(EDR),在入侵检测和防御、终端状态和数据监测、防护策略配置动态化、安全威胁汇聚处理可视化等功能基础上,完成终端防火墙功能升级;持续推进应用覆盖和路侧MEC的安全集成部署。02车路云通信安全基于国密算法、国密SSL中间件、国密安全网关及V2X CA SDK等实现车路、车云方向安全通信,同时接入车联网安全信任根和工业和信息化部安全信任根管理平台,实现了跨信任域的身份认证。03云端安全数据中心依据网络安全等级保护基本要求三级标准,完成安全物理环境、安全通信网络、安全区域边界、安全计算环境、安全管理中心等安全保障建设,完成等保三级测评。04ICV综合安全运营平台基于大数据存储解析和负载均衡技术实现了万级终端(车端、路侧)高并发安全数据采集处理能力,实现了对云端、车端、路侧等各端安全态势感知信息的综合汇聚、分析,预警、应急处置等,大数据处理量级已达到数十TB。PAGE/09图1-8 示范区开展统一安全运营管理3.积累数据安全运营能力在数据安全上位法和示范区数据安全管理政策的指导下,示范区依托综合安全运营平台、数据合规及网络安全管理制度、安全事件及威胁的应急处置预案等,开展了统一的数据安全运营管理。定期开展数据资产盘点和漏洞扫描、渗透测试等自查行动,依托科学合理的数据分类分级实践摸清数据资产全貌,通过有序高效的安全自查行动及时发现并处置车路云系统中高危漏洞和严重威胁,保障示范区数据安全的同时不断积累安全运营能力。发布全国首个面向测试示范区的数据分类分级白皮书,在保障示范区自动驾驶数据全生命周期安全合规的基础上,提出一套数据分类分级管理办法,通过数据安全能力成熟度(DSMM)认证,为示范区开展数据安全治理工作奠定基础。PAGE/10二、二、提升示范区监管测试水平提升示范区监管测试水平(一)实现测试运营全流程监管示范区持续建设完善“事前事中事后”的监管体系,进一步优化各模块的工作细节,提高效能,为测试运营提供强有力的安全支撑与保障。示范区采取强化管理、优化服务并重的有效措施,严守安全第一的原则,打造良性的测试环境和专业的监管环境。事前“规范审核 专业指引”。细化审核标准,将政策条款与审核要点进行对应匹配,优化审核流程;列明申请项目需求清单及审核要求,预审环节前置,确保平台化审核的“人工判断”阶段优质高效开展;同时,由专人负责入区咨询,对需求进行拆解,支持申请流程指引,提供针对性政策解读,为企业后续申请夯实基础。事中“多维培训 分级管理”。示范区着眼于测试活动的安全生产责任落实,对疫情防控、交规解读、应急预案、事故处置等方面进行培训及演练,提升企业管理水平。按区域配备安全管理人员,建立健全日管控、周排查、月调度工作机制,制定安全风险管控清单,对监管工作进行分级管理,有效消除隐患。事后“协同机制 督办整改”。示范区与交管执法部门共同规划,形成以“风险 信用”为基础、“科技 共治”为驱动的一体化综合监管工作机制。对企业出现的技术问题,示范区配置专家咨询并给出优化建议,督促企业高效整改。示范区寓监管于服务,以服务促监管,推动创新科学精准的新型监管服务模式,优化测试运营环境,促进行业高质发展。图2-1 示范区自动驾驶车辆监管体系北京市智能网联汽车政策先行区交通安全管理细则乘用车无人配送商用车网联巴士 无人接驳清扫车事前管理(准入)准入审核数据对接专家评审材料提交意见输出汇报请示政策咨询事中管理(过程)道路巡查运营计划入区培训应急演练定期抽检整改督办线下管理数据验证线上管理业务审批平台抽检事后管理(执法与分析)警企联动数据应用投诉处理事故处理舆情处理工作指导意见征询协同执法事故分析测试验证数据统计线上管理监管平台准入审批人员信息基础统计实时监控实时监控异常告警特殊报备电子围栏监管指标车辆分级容量分析行业报告赋能北京市智能网联汽车政策先行区道路测试与示范应用管理办法PAGE/11(二)推动车辆测试取得新进展截至2023年3月,示范区已有萝卜运力、小马智行、北汽、滴滴、文远知行、智行者、Auto-X、新石器、京东、美团、毫末、小马智卡、擎天智卡、主线科技、Deepway、轻舟智航、商汤绝影、阿波罗智联、福田共19家测试车企,已发放牌照共计578台,其中乘用车280台,多功能无人车283台,自动驾驶商用车7台,网联巴士6台,无人接驳车2台。示范区累计自动驾驶里程1449万公里。1.车辆入网情况分析随着智能网联汽车产业不断成熟以及示范区测试环境的不断完善,落户示范区的测试主体逐年增加,测试车型日趋丰富,测试车辆总数持续攀升。截至2023年3月,示范区内测试活跃企业达到19家,较2022年同期增长150%。测试车型涵盖了乘用车、无人车、重卡、智能网联客运车及无人接驳车等五种车型。同时,入网车辆数量也大幅增加,达到578辆,较2022年同期增长107%。2.测试里程数据分析截至2023年3月,示范区自动驾驶测试里程整体呈现逐月上升的趋势。2023年第一季度月平均自动驾驶里程97.3万公里,同比增长142%。同时,自动驾驶里程占比也不断提高,在2023年1月达到历史最高的93.0%,同比增长15.2%,后续示范区将持续推动自动驾驶里程占比稳步提升。图2-2 示范区自动驾驶车辆入网情况4660136154 154 154 154200 200221228279300317335 335 338350376410547 549561578示范区测试车辆累计数量(辆)PAGE/12202201202202202203202204202205202206202207202208202209202210202211202212202301202302202303人工驾驶里程占比22.2.2.9.3.9.4.4.3.4%8.7%8.2%7.1%7.0%8.8.9%自动驾驶里程占比77.8.8.1.7.1.6.6.7.6.3.8.9.0.2.1%自动驾驶里程(KM)409495396994399565535756604567656801717807732329734982834934891684862872954220 1040139 9243780200000400000600000800000100000012000000.0.0 .00.0.0P.0.0p.0.0.00.0%自动驾驶里程及占比3.运行事故统计分析2022年,示范区共协理自动驾驶车辆道路测试交通事故47起。其中自动驾驶模式下发生事故37起,人工驾驶模式下发生事故10起。与2021年相比,自动驾驶模式下百万公里事故次数由3.95次下降至3.47次。图2-3 示范区测试里程及自动驾驶里程占比情况图2-5 示范区自动驾驶事故发生地点热力图图2-4 事故情况统计图127612交叉口路段2022年示范区自动驾驶事故(次)乘用车无人车自动驾驶模式下的事故主要发生在路况复杂的主干路和次干路上,以博兴路沿线事故较为集中,其中乘用车事故较多发生在交叉口,无人车较多发生在路段,事故多为轻微剐蹭,整体严重程度较低。PAGE/134.典型事故案例分析(1)案例一:自动驾驶车辆错误识别信号灯相位灯态,路口左转时闯红灯。交通违法事件情况说明自动驾驶车辆通过路口,由于感知摄像头表面污损未能准确识别信号灯相位灯态,导致自动驾驶车辆在红灯状态下通过路口。致因分析以上交通违法事件反映出自动驾驶车辆依靠自身感知仍存在局限性,当遇到车辆感知摄像头表面污损/被遮挡、在夜间光照不足或逆光路段行驶、受天气(大雨、大雾)影响、信号灯因位移抖动超出车辆感知区域等情况时更易发生闯灯事件。应对方案为尽可能避免自动驾驶车辆出现闯灯事件,示范区已采取车路协同方式,将路端信号灯与车端进行信息交互,在自动驾驶车辆欲通过路口时提前将信号灯相位灯态信息发送至车端,从而使自动驾驶车辆对信号灯颜色判别更加准确,降低闯灯事件发生概率。图2-6 案例一交通违法场景示意图PAGE/14(2)案例二:自动驾驶乘用车路口右转与直行无人配送车相撞。事故发生情况说明自动驾驶乘用车在路口右转弯时,与位于非机动车道直行通过路口的无人配送车发生碰撞,碰撞发生前自动驾驶乘用车视线被右侧绿植隔离带遮挡,未提前感知到无人配送车,制动介入较晚,造成两车相撞。致因分析以上交通事故可以反映出自动驾驶车辆易受道路环境因素影响,当存在遮挡时,车辆无法提前感知并做出相应的决策。同时自动驾驶车与车之间缺乏数据交互,无法实现提前预警和提前决策。应对方案针对以上事故,示范区支持自动驾驶企业开发了“车-车”融合决策功能,通过实现车端与车端数据交互,将自车控制规划信息与周边车辆进行交互,使自动驾驶车辆可提前进行决策研判,降低车车相撞风险。图2-7 案例二事故场景示意图PAGE/15三、三、推进政策法规标准进程推进政策法规标准进程(一)持续完善创新政策体系示范区以特色政策和制度创新为突破口,瞄准当前企业在创新发展中遇到的亟待解决的政策管理问题,加快推动政策先行区“2 5 N”政策体系迭代完善。一是持续强化政策创新。创新应用监管沙盒模式,聚焦全无人化测试、高速公路商业化试点、无人接驳等方面,加速政策研究及落地。目前,累计出台了10项具有代表性的管理政策,为智能网联汽车新技术和新产品的落地应用提供了良好的发展环境。二是加快政策体系优化。由于各细则之间存在车型交叉、场景重叠、内容重复等问题,在“2 5 N”政策体系下,示范区聚焦乘用车类、客车类、货车类、功能型无人车类、特种作业车类5类车型,结合各车型开展的测试阶段以及适用的场景,对每种车型的管理细则进行合并优化,整合形成北京市智能网联汽车政策先行区乘用车管理细则(试行)北京市智能网联汽车政策先行区重型卡车管理细则(试行)北京市智能网联汽车政策先行区无人接驳车管理细则(试行)等政策合订本。三是积极推动智能网联汽车准入试点准备工作。按照工业和信息化部已发布的关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿)要求,示范区正在进行相关政策研究与储备,推动高速路开放以及汽车生产企业L3/L4级车型的高快速路测试储备工作,为第一批试点申报队伍做好城市支撑,持续推动智能网联汽车发展。图3-1 先行区“2 5 N”政策体系北京市智能网联汽车政策先行区总体实施方案北京市智能网联汽车政策先行区智能网联汽车管理办法便利化网联云控车辆管理交通管理商业保障地理测绘基础设施信息通信数据安全乘用车管理体系客运车管理体系货运车管理体系特种作业车管理体系多功能无人车管理体系两大顶层设计五大类管理体系N项基础支撑管理细则PAGE/16表3-1 示范区政策文件编制情况一览表类别序号政策名称状态21北京市智能网联汽车政策先行区总体实施方案已发布2北京市智能网联汽车政策先行区管理办法已发布5乘用车类3北京市智能网联汽车政策先行区道路测试、示范应用管理实施细则(试行)已发布4北京市智能网联汽车政策先行区乘用车出行服务商业化试点实施细则(试行)已发布5北京市智能网联汽车政策先行区无人化道路测试与示范应用管理细则(试行)已发布载货类6北京市智能网联汽车政策先行区高速公路及快速路自动驾驶试点管理实施细则(试行)已发布7北京市智能网联汽车政策先行区轻型卡车道路测试与示范应用管理细则(试行)制定中载客类客运巴士8北京市智能网联汽车政策先行区智能网联客运巴士道路测试、示范应用管理实施细则(试行)已发布无人接驳车9北京市智能网联汽车政策先行区无人接驳车管理细则(道路测试与示范应用)(试行)已发布功能型无人车无人配送车10北京市智能网联汽车政策先行区无人配送车实施细则(试行)已发布特种作业车类11北京市智能网联汽车政策先行区智能网联清扫车管理细则(试行)制定中N安全员12北京市智能网联汽车政策先行区安全员管理细则(试行)制定中便利化13北京市智能网联汽车政策先行区便利化政策措施实施细则(试行)已发布事故处理14北京市智能网联汽车政策先行区交通事故处理规范(试行)制定中PAGE/17(二)加快推进立法论证工作自2022年6月启动智能网联汽车立法工作以来,示范区积极配合市经信局开展立法调研工作,组织区内代表企业召开多次企业专题调研及座谈研讨,充分了解企业立法诉求。目前北京市智能网联汽车管理条例已纳入2023年度市人大立法工作计划的调研论证项目,为配合市人大开展调研论证工作,在市经信局的指导下,示范区协调与立法工作相关的市级部门组成调研组,赴上海和深圳两地开展智能网联汽车地方立法调研工作,深入学习两地立法经验。结合调研情况,示范区将积极配合开展立项申请、立项论证以及草案编写等工作,加快推动立法工作,争取到2024年纳入市政府立法工作计划以及市人大立法审议项目。此外,为配合开展京津冀三地协同立法工作,示范区将在立法论证、提案送审、表决批准等方面做好智能网联汽车立法支撑工作。(三)形成一系列标准化成果为支撑示范区建设,引导行业发展,示范区全面推进标准研究工作,形成可复制、可推广的智能网联汽车标准体系。一是搭建“车-路-云-网-图-安全”示范区标准体系,累计完成示范区标准20项。其中,已发布10项智能网联标准路口基础设施建设标准,系统定义路口建设方案,由点及面推动车路云一体化技术路线落地;完成自动驾驶功能测试系列规范,形成自动驾驶乘用车、商用车、无人接驳等8项标准,为示范区开展大规模测试提供技术支撑;形成自动驾驶地图云端传输规范和数据安全分类分级指南,有效完善示范区标准体系,促进我国智能网联汽车应用落地。二是推动团体标准转化,示范区开展无人化道路测试、路侧设备部署、信息安全要求、数据分类分级、智能网联汽车评价等5项团体标准转化,同时参与智能网联汽车云控系统、城市智能网联汽车发展评价指标体系等团体标准的编制工作,协同产业链头部企业打造高质量标准,引领行业发展方向。三是加快形成北京市地方标准,支撑3.0阶段扩区建设。在市经信局、市市场监管局、市交管局和市交通委等主管部门的支持与指导下,推动车端、路侧和云端等多项标准申报北京市地标。目前,路侧智能基础设施建设指南、信号机、云控平台数据接口规范等4项标准纳入2023年北京市地方标准制修订计划。未来,示范区将继续推进地方标准增补立项,为全市推广车路云一体化建设提供统一标准支撑。四是积极推进示范区标准升级,示范区参与编制ISO 34505道路车辆-自动驾驶系统测试场景-场景评价与测试用例生成等国际标准,信息安全技术 数据安全风险评估方法等国家标准,以及自动驾驶卫星差分与惯导组合定位技术规程车联网服务平台安全接入技术要求等行业标准,全方位输出“北京经验”。PAGE/18序号类别标准名称状态1示范区标准车路协同路侧基础设施 第1部分:总体技术要求已发布2车路协同路侧基础设施 第2部分:摄像机技术要求及测试方法已发布3车路协同路侧基础设施 第3部分:毫米波雷达技术要求及测试方法已发布4车路协同路侧基础设施 第4部分:激光雷达技术要求及测试方法已发布5车路协同路侧基础设施 第5部分:道路交通气象监测设施技术要求已发布6车路协同路侧基础设施 第6部分:计算设备技术要求及测试方法已发布7车路协同路侧基础设施 第7部分:支持直连通信的RSU技术要求及测试方法已发布8车路协同路侧基础设施 第8部分:高精度地图与高精度定位设施技术要求已发布9车路协同路侧基础设施 第9部分:信息安全技术要求已发布10车路协同路侧基础设施 第10部分:运维及服务技术要求已发布11智能网联汽车政策先行区 自动驾驶功能封闭场地测试技术规范 第1部分:乘用车已发布12智能网联汽车政策先行区 自动驾驶功能封闭场地测试技术规范 第2部分:商用车已发布13智能网联汽车政策先行区 自动驾驶功能封闭场地测试技术规范 第3部分:客用小巴车已发布14智能网联汽车政策先行区自动驾驶功能封闭场地测试技术规范 第4部分:无人接驳车已完成15智能网联汽车政策先行区自动驾驶功能封闭场地测试技术规范 第5部分:城市配送汽车已完成16智能网联汽车政策先行区自动驾驶功能封闭场地测试技术规范 第6部分:无人环卫车已完成17智能网联汽车政策先行区 自动驾驶功能封闭场地测试技术规范 第7部分:无人化道路测试已发布18智能网联汽车政策先行区自动驾驶功能封闭场地测试技术规范 第8部分:无人化载人测试已完成19智能网联汽车 传感器数据 自动驾驶地图云端传输规范已完成20面向车路云一体化的智能网联汽车数据安全分类分级指南已完成21团体标准城市智能网联汽车发展评价指标体系已发布22车路协同路侧基础设施 总体技术要求编制中23车路协同路侧基础设施 信息安全技术要求编制中24智能网联汽车 城市道路无人化测试 场地试验方法及要求编制中25面向车路云一体化的智能网联汽车数据安全分类分级指南编制中26地方标准车路云一体化路侧智能基础设施建设指南编制中27车路云一体化路侧智能基础设施道路交通信号控制机信息服务技术指南编制中28车路云一体化信息交互技术要求第1部分:路侧设施与云控平台数据接口规范编制中29车路云一体化信息交互技术要求第2部分:云控平台与第三方服务数据接口规范编制中30国际标准道路车辆-自动驾驶系统测试场景-场景评价与测试用例生成编制中31国家标准信息安全技术 数据安全风险评估方法编制中32行业标准自动驾驶卫星差分与惯导组合定位技术规程编制中33车联网服务平台安全接入技术要求编制中表3-2 示范区标准成果一览表PAGE/19四、四、构建创新应用生态体系构建创新应用生态体系(一)加速攻克行业关键技术1.“揭榜挂帅”突破关键核心技术为推进关键核心技术攻关及迭代应用,加快推动科技成果转移转化,市科委、中关村管委会联合10部门发布了北京市关键核心技术攻关项目“揭榜挂帅”实施方案,旨在通过“揭榜挂帅”,解决依靠传统科研项目组织方式难以解决的,跨部门、跨区域、跨领域的,关乎北京重点产业发展的关键核心技术难题。2022年5月,示范区联合市科委、中关村管委会启动边缘计算节点(MEC)设备研制“揭榜挂帅”项目。项目以面向高级别自动驾驶和智能交通融合应用需求,研发生产国产化MEC设备,在保障供应链安全的同时,降低设备成本。国产化MEC设备将同步开展基于C-V2X和EUHT的车路云一体化应用场景测试示范,以加速车路云一体化规模化推广应用。2022年7月,百度联合浪潮、京智网共同揭榜此项目,目前已完成MEC硬件总体设计,并对主板、AI计算芯片、网络交换等七大核心模组进行了专项开发。项目验收后,将有50台国产MEC设备在示范区投入应用与验证,助力示范区3.0阶段建设。2022年8月,为进一步探索智能网联数据在路侧短链路应用示范,构建城市交通信控策略库,规范信控优化效果评价体系,市科委、中关村管委会会同示范区、市交管局,通过“揭榜挂帅”攻关信控优化技术难题。项目通过建立“赛马机制”,引导多个市场主体积极参与,最终由北京高鸿智联联合体和北京博研智通联合体2个团队揭榜。项目拟于2023年12月结题,最终将落地示范网联数据驱动的感应控制等3类信控场景、10余个信控路口,助力示范区及信控行业高质量发展。2.开放路侧边缘计算操作系统为解决现阶段路侧计算设备缺少统一操作系统的问题,示范区发布并推进全球首个智能网联路侧操作系统智路OS开源开放,更好地实现不同设备厂商及算法厂商相互之间的兼容适配。智路OS是部署在路侧边缘计算单元的软件平台,应用后将统一开发环境,统一设备接口和应用层开发接口,减少适配开发工作量,加速完善车路云一体化技术体系。智路OS由中间件层、硬件抽象层和内核层组成,在技术上实现了高性能、智能化、开放性、兼容性、协同性和安全性等六大特性;在架构上实现分层解耦、开放式架构设计,通过使用通用化的关键组部件,打造一个中立的智路OS架构,支持多企业参与共建,形成良好的开发环境;在应用上具备从自动驾驶车辆到城市交通治理的智能网联全场景的服务能力,达到全球领先水平。示范区持续推动智路OS生态落地,与中国汽车工程学会共同发起智能网联路侧操作系统协同促进会,促进智路OS的推广与应用。一是联合行业有影响力的企业完善智路OS标准架构,向行业推广;二是参考智路OS标准架构,形成路侧操作系统基础版本,进行系统更新发布;三是推动智路OS试点部署,推进与国产芯片适配,打造路侧产业生态;四是搭建真实测试环境,为生态企业提供测试和验证服务,推进产业技术创新与应用。PAGE/20图4-1 路侧计算单元操作系统路侧计算单元操作系统:airos-edge计算与通信中间件硬件设备抽象操作系统实时内核工具链安全路端参考硬件与设施路侧计算单元AR芯片CPU网络储存隔离与安全硬件智能网联设备V2X设备蜂窝设备4G/5G/EUHT图像传感器毫米波雷达激光雷达交通设施信号机3.研究智能网联路口国产替代方案为服务3.0阶段规模化部署需求,推动路口国产替代方案落地,开展国产化感知设备选型测试、路侧边缘计算单元性能测试以及智路OS推广验证,目前已初步形成一套由国产化设备、系统及算法等组成的路侧系统解决方案,主要采用海康威视摄像头、大华毫米波雷达等国产感知设备,部署配备海光CPU芯片和寒武纪AI芯片的国产MEC,使用商汤科技基于自研AI框架的融合感知算法。国产化替代方案的落地,将极大提升智能网联产业链的安全性,同时也将促进国产路侧设备和智路OS的推广应用,助力智能网联汽车行业长期稳定发展。4.开发路侧分布式算力平台目前示范区329个路口部署了476台路侧边缘计算单元,路侧总体算力资源超过135P。为充分整合现有路侧边缘计算算力资源,构建算力服务引擎,塑造以自主可控技术支撑的算力服务平台,示范区联合百度、腾讯、电信和觉非科技,共同研发分布式算力平台。通过优化算力资源整合路径以及开展算力可视化、可池化和可服务化功能验证,逐步实现路侧算力有机整合。目前已完成试验室验证,可视化方面,算力平台已实现单节点路侧计算单元的纳管和算力资源的实时动态监控;可池化方面,基于智路OS实现了算力资源在算力平台内的统一整合和编排;可服务化方面,验证了觉非科技的目标识别算法通过算力平台下发到路侧边缘计算节点,成功调度所需算力资源实现了目标检测功能。下一步,将继续开展基于实际路口MEC算力有机整合的验证。PAGE/21图4-2 分布式算力平台架构图任务和资源编排镜像上传/下发测试数据导入测试数据镜像仓库纳管/可视化/池化资源编排调度镜像下发节点管理和可视化MEC智路OSMEC智路OSMEC智路OS分布式算力节点分布式算力平台(二)广泛开展自动驾驶示范示范区推进自动驾驶各个应用场景全面示范、协同发展。Robotaxi、无人配送、无人零售、自动驾驶小巴等应用场景先后开放,陆续完成从道路示范到产业化落地应用,为市民的日常出行、生活和购物提供更多选择,促进了消费结构升级和生活品质提升。表4-1 示范区落地场景一览表场景运营成果参与企业Robotaxi部署280台Robotaxi,在公开道路面向用户推出自动驾驶出行服务。Robotaxi先后实现主驾有人商业化、副驾有人商业化、后排有人道路测试和全无人示范应用。百度、小马智行、Auto-X、文远知行、滴滴无人配送车累计投放212台无人配送车,与购物平台、物流企业联合运营,在经开区主流商圈、超市、社区、产业园区等实现区域性快递和生鲜无人化配送。京东物流、新石器、美团无人零售车累计投放71台无人零售车,在经开区的主要区域售卖简餐、零食、饮料等商品,为用户提供科技化、人性化、便利化的无人零售服务。新石器无人接驳车部署2台无人接驳车,用于地铁站与企业园区间短途接驳,打造自动驾驶通勤专线,丰富公众科技出行选择。文远知行自动驾驶小巴部署6台自动驾驶小巴,开通自动驾驶教育专线,解决两校区间通勤问题。轻舟智航、百度、商汤科技等干线物流部署7台自动驾驶重卡,于示范区开放高速路段开展示范验证。主线科技、小马智卡、擎天智卡、Deepway无人清扫车部署2台无人清扫车,已实现道路测试和园区日常清扫活动。文远知行、商汤科技无人巡逻车部署1台无人巡逻车,支撑区交通大队开展日常的路边车辆违停巡查工作。新石器.示范区落地场景一览图(1)Robotaxi部署百度、小马智行等企业280台Robotaxi,在公开道路面向用户推出自动驾驶出行服务。目前已有超过14万用户在示范区体验了Robotaxi,累计服务超过134万人次。无人配送车投放京东、新石器、美团等企业212台无人配送车,累计运营超过650天,服务超过130万人次。无人接驳车文远知行的无人接驳车已获准在示范区60平方公里基础上开展道路测试,这是全国率先针对不配备驾驶位和方向盘的短途载客类智能网联新产品的创新突破。无人零售车投放71台新石器无人零售车,在经开区的主要区域开展零售业务,累计销售商品250多万件。PAGE/22PAGE/23示范区落地场景一览图(2)无人巡逻车新石器的无人巡逻车在公开道路进行警务巡逻服务,为当地民众带来智慧城市全新安全感。自动驾驶小巴部署轻舟智航、商汤科技、百度等企业6台自动驾驶小巴,开通自动驾驶教育专线,为人大附中在经开区两个校区间通勤的教师和工作人员提供自动驾驶车辆接驳服务。干线物流部署主线科技、小马智卡等企业6台自动驾驶商用车,于京台高速双向10公里高速道路进行自动驾驶物流配送示范验证。无人清扫车部署文远知行、商汤科技等企业2台无人清扫车,已实现上路开展道路测试和在封闭园区开展日常清扫活动。PAGE/241.稳步推进Robotaxi无人化、商业化为推进自动驾驶商业化进程,示范区依托政策先行区开创性发布多项政策,支持Robotaxi场景先后实现主驾有人、副驾有人的商业化试点,以及后排有人、车内无人的测试和示范。自2022年底发放“车内无人”测试许可以来,百度“萝卜快跑”、小马智行各投入10辆车,在示范区进行了3个月全车无人测试,累计无人化测试里程181万公里。当前已有超过14万用户在示范区体验了Robotaxi,累计服务超过134万人次,极大丰富市民出行的选择。2.探索实现末端配送新模式通过颁发无人配送车编码,支持无人配送车为用户提供快递、商超、团购、外卖、代送等服务,满足城市末端配送需求。目前,无人配送车累计运营超过650天,服务超过130万人次,业务范围覆盖示范区全域。图4-3 示范区Robotaxi发展路径PAGE/25京东物流在示范区创新开展智慧配送应用,运营区域包含7个普通站点、3个商超站点、1个智配站以及3个营业部。基于物流、商超和社区团购场景的智能配送网格化服务方案,将社区、工厂、办公区划分为一个个微型网格,经过大数据分析、最优线路规划及多机协同,为社会提供“最后一公里基础运力”服务。图4-4 京东智配模式图4-5 新石器智配模式新石器建立数字化智能化共配中心,结合无人智能终端,提高人效,助力物流行业治理和升级。目前共配中心已与极兔、韵达、中通等快递公司进行合作,通过无人配送车达园直配、与快递柜和驿站联动等模式为用户提供快递物品的无接触配送。目前新石器已拓展具备进园配送条件的园区/社区50个,每日配送单量逾万单。3.打造“所见即所得”零售服务新体验无人零售车主要在示范区核心区域运营,已设立200多个站点,主要分布在上班族经常途径的区域,如地铁口、园区门口、园区内、写字楼下等。目前,示范区无人零售车累计销售商品250多万件,销售金额超过4000万元,月度增长保持在10%左右。现阶段,无人零售车主要售卖餐食、饮料等,其中早餐成为最受欢迎的商品。自运营以来,累计销售108万件早餐,占比41%,解决了一大批上班族的早餐问题。配送模式:整合物流商落地配分拣中心智能共配中心无人车配送智能终端用户PAGE/264.自动驾驶小巴助力科技出行新体验2022年3月,示范区发布全市首个智能网联客运巴士管理实施细则,并为企业颁发道路测试牌照。2022年10月,示范区开通了全市首条自动驾驶小巴示范应用线路“扬帆线”,载人自动驾驶小巴正式驶上城市道路。2023年3月,开通全国首条自动驾驶小巴教育专线,解决了经开区人大附中教师频繁往返东、西两校区的通勤问题。图4-6 教育专线正式开通图4-7 大兴国际机场接驳专线运行线路5.推动机场接驳场景创新应用落地示范区在与各方充分沟通和调研后,研究制定示范区与大兴国际机场之间接驳场景的规划,具体路线为示范区-黄亦路(兴亦路)-京台高速-大兴机场北线高速(六环路)-机场高速-大兴国际机场。场景开放后,将开创国内机场自动驾驶场景应用的先河,极大提升自动驾驶场景创新示范引领效应。PAGE/27(三)落地车路云一体化应用基于车路云一体化数据构建网联功能服务能力,积极推进各类智能网联场景落地,与公交车、公务车、快递车、环卫车、社会车辆等实现小规模的场景示范应用。公交车方面,完成2台样车的车辆网联化改装及功能验证,实现了红绿灯相位、行人/非机动车闯入、绿波车速、盲区提醒、交通事件提醒等功能,并完成编制包含驾驶安全、乘客出行服务及公交运营管理的智能网联公交整体解决方案。目前,已在经开区三条线路(专181路、专184路、专185路)共4台公交车上进行了车载终端安装,为普通公交实现网联赋能。公务车方面,对191台公务车进行网联化改装,通过加装车载终端设备,提升其出行效率和安全,实现红绿灯信息推送、道路事件提醒、盲区预测等效率和安全类信息预警。改造后的车辆可为V2X网联化测试提供更多数据和测试环境。快递车方面,为杜绝闯红灯、超速、逆行等现象,保障快递员人身安全,通过在车辆上安装小型车载终端,部署搭载数据传输服务功能的EUHT模组,实时获取车辆行驶时的位置信息、行驶速度等信息,实现对快递车的违章监管。目前,示范区已完成100台快递车的设备安装,车辆已在云控平台实现上述三类违法事件的验证。环卫车方面,面向示范区内25辆市政环卫车,通过在车辆上安装EUHT模组终端设备,实现环卫车作业状态管理,可在城市大脑查看包括作业时间、位置、轨迹、作业量等车辆信息。社会车辆方面,通过为社会车辆安装车载智能终端,实现云控平台向C端用户推送交通信息,支持红绿灯倒计时提醒、绿波车速提醒、闯红灯预警、绿波起步提醒、建议车道等多种功能服务。目前,已完成500台车载智能终端的发放使用,使普通用户能切身体会到车路云一体化应用带来的智慧出行体验。(四)赋能智慧交通提质增效示范区本着“面向未来,立足当下,一次投资,多方收益”的建设理念,会同市交管局、属地交管大队,充分利用示范区智能网联建设积淀的全量路侧实时数据,面向区域城市交通道路,开展智能网联数据赋能智慧交管的创新工作,在信控优化、交通服务等方面实现创新突破,道路通行效率和服务质量取得显著提升。1.优化示范区信控策略示范区结合经开区交通情况,确定了从宏观到微观的信控策略思路,以实现整体区域所有车辆延误最小为优化总目标,注重解决好关键干线和独立路口的通行效率问题。PAGE/28具体来说,高峰时段以“放主控次”策略为主,保障通勤干线的有序通行,拥堵路口不堵死。平峰时段以“绿波协调”策略为主,保障路网主次干线的连续通行效率,降低停车次数,缩短通过时间。缺少感知设备的道路采用静态绿波,覆盖感知设备的道路采用动态绿波;因路口间距大,无法“动态绿波”的孤立路口,实行“单点自适应”策略。低峰时段以“小周期单点自适应 绿波协调”为主,降低车辆在低峰时段路口的无效等待问题。目前,经开区60平方公里内317个信控路口已全部完成升级改造,实现了联网联控。信控优化平台可动态优化的路口数达257个,包括67条动态绿波道路(230个路口)和27个单点自适应路口。在单点和干线优化基础上,接入电警、卡口车辆轨迹数据,智能分析车流起止点时空分布,融合V2X流量和互联网路况信息,可动态生成区域级信控策略,有效支撑未来区域级流量时空变化较大时的信控策略制定工作。图4-8 示范区信控优化策略分布图2.提升道路通行效率第三方评价单位通过实地调研和分析信控平台数据相结合的方式,全面评价信控优化效果,数据结果表明绿波道路通行效率显著提升。其中,绿波道路全天平均停车次数降低22.4%,平均行驶时间缩短11.6%,平均速度提升12.3%。单点自适应路口和区域评价指标基本稳定,流量增加的情况下仍能保障车辆出行畅通。3.改善市民出行体验在信息服务方面,实现全量感知数据、交通指标数据、出行数据、信控数据的对外服务运营,有效提升公众出行的感知体验。目前,已实现317个路口的灯态信息向百度、腾讯等导航地图以及车载智能终端实时推送。PAGE/29在动态绿波路段,驾驶人还可体验系统精准计算的“建议绿波车速”服务,提示驾驶人灵活控制车速,减少路口停车次数,缩短通过时间。道路信息日均服务用户超过2万,累计触达次数超过1000万。图4-9 示范区交通信息服务“一图通”(五)引领产业形成集聚态势1.彰显产业聚集效应依托示范区建设,各类智能网联汽车机构企业加速聚集。目前示范区已聚集工业和信息化部装备工业发展中心、公安部道路交通安全研究中心等部委机构,拥有国家智能网联汽车创新中心(以下简称“国汽智联”)和国家新能源汽车技术创新中心(以下简称“国创中心”)等国家级创新平台,吸引了百度阿波罗、小马智行、新石器、亮道智能、奕斯伟、云驰未来、清研智行、未来黑科技等近百家智能网联汽车创新企业。2.推动产业链协同发展加强产业创新载体建设,打造专业化、便利化智能网联汽车产业创新园和孵化器,提供低成本办公和研发生产空间,建立完善的运营服务体系,带动智能网联汽车多产业联动发展,形成有利于智能网联汽车成果转换的新生态。搭建产业链对接桥梁,组建区域生态联盟,建立区内零部件企业与整车企业的协同创新与沟通对接机制,深化开展上下游、企业间、政企间等合作,打造形成产业聚合优势。设立北京智能网联汽车产业创投基金,重点投资自动驾驶解决方案、汽车芯片、关键零部件等领域中早期项目。建立智能网联汽车人才引进联动机制,加强产业人才需求预测,落实北京经开区服务包机制,设立企业服务管家,建立人才奖励机制。3.激发创新平台能力建设汽车芯片测试平台能力,已基本形成“设计开发-制造封装-测试认证-整车应用”的完整产业链条。目前,国创中心已成立车规芯片试验室,旨在建成我国首个汽车芯片全类别、全层级、全能力测试认证平台,实现40-50款/年汽车芯片测试认证能力。PAGE/30试验室针对整车企业需求测评了芯驰、紫光、东土科技、国科天讯、集创北方、奕斯伟等多款产品,正在接受一汽集团、吉利汽车、奇瑞汽车等车企考察。成立“中国汽车芯片产业创新战略联盟”和“中国汽车研发软件产业创新联盟”,和中芯国际探讨中小芯片企业流片“白名单”机制,由联盟根据中芯国际工艺特征,筛选出确有发展潜力和应用前景的中小芯片企业及产品,推荐给中芯国际下单流片,帮助优质中小芯片企业获取流片资源,降低中芯国际对汽车芯片订单鉴别成本。示范区打造车路云一体化核心技术研发、测试示范和规模应用生态,促进产业的规模化推广与商业化落地。国汽智联已建成面向行业的多个世界领先的智能网联汽车实验室和数字化研发平台,开展车路云一体化系统共性基础技术研究和成果转化,支撑构建数字化研发生态。2022年进驻太和桥基地,建成智能网联汽车领域22个实验室 1个试制中心,覆盖智能网联汽车前沿、共性、基础、关键技术,以研发测试能力支持车路云一体化生态集聚。联合行业打造开发者生态,聚焦软件算法、数字零部件、电子电气架构等领域,期间举办ICV创新算法攻关、中国智能网联汽车算法挑战赛等行业活动,涉及跨专业的100余家高校及企业,超过2000个团队参与活动,有效地促进了产业生态发展。4.发挥平台公司作用示范区通过平台公司牵引社会资源,保障建设运营工作有序推进,探索车路云一体化商业运营模式,加快由示范应用向产业规模化推广演进。北京车网科技发展有限公司(以下简称“北京车网”)作为示范区专项设立的运营平台公司,承担示范区整体建设运营,整合车、路、云、网、图关键要素资源,深入实践车路云一体化技术路线,加速智能网联汽车新技术新产品的创新研发,营造产业创新集群平台与环境,探索智能网联汽车产业可持续发展路径。北京车网投资建设路侧感知、融合计算、云控平台等智能网联基础设施;以云控平台为核心支撑政府汇聚管理相关数据,为政府部门、企业以及车辆提供各类服务;支撑政府受理企业申请,提供测试服务,并实施监督管理;联合示范区企业开发和实施Robotaxi、无人配送、智慧公交等各类应用场景。为进一步完善关键要素能力,示范区在建设过程中先后成立多个专业平台公司。成立北京亦庄数字基础设施科技发展有限公司,负责道路基础设施的统一管理维护。成立北京智慧城市网络有限公司,投资建设高可靠、低时延的智慧城市专网。成立国汽智图(北京)科技有限公司,在保障国家地理信息数据安全的前提下,为车企、图商、示范区等提供高精动态地图数据服务。PAGE/31五、五、展望展望(一)秉承车路云一体化技术路线当前,示范区车路云一体化技术实践成效已经显现,20余类路侧和云端功能服务已有效服务车路云一体化、智慧交通、出行配送等场景,为各类用户带来丰富的车路云协同应用体验。现阶段示范区正结合运营过程中发现的问题以及自动驾驶企业紧迫的需求,探索实现盲区/遮挡协同感知、全局路径优化以及无保护左转路口协同决策等高级别功能服务。下一步,示范区将根据车路云一体化技术的长期演化和发展趋势,研究制定示范区车路云一体化的功能服务技术路线图,长效、系统的解决车路云一体化支持自动驾驶技术发展的问题。(二)不断完善统筹管理工作机制为服务示范区3.0阶段扩区建设,已启动在全市范围内推动实施“五统一”管理机制。一是统一技术标准,及时输出标准化成果,为全市各区开展智能网联相关建设提供支撑。二是统一审核验收,推动形成市级审核验收机制,逐步打造信息化联审平台。三是统一云控平台,推动全市路侧、车端、信控、高精地图等数据逐步接入统一云控平台,提供车路云一体化、监管等服务。四是统一专网建设,面向全市加快拓展专网覆盖范围,支持车路协同、远程驾驶、安全监管等业务,满足智慧城市场景的网络需求。五是统一创新政策,推动政策先行区的各项创新政策在示范区扩展区域实现覆盖,为更多企业测试示范、自动驾驶场景部署以及智能网联汽车产业发展提供支撑。(三)培育发展智能网联产业集群示范区引导行业积极探索可闭环的商业化发展模式,挖掘并培育一批智能网联汽车领域企业,不断丰富示范区产业生态。支持车路云一体化服务商业化落地,面向高级别自动驾驶提供多源感知信息服务,以及准入和性能等测试服务。探索政府、企业和研究机构合作的新模式,依托运营平台公司搭建服务平台,为政府提供车辆统一监管、交通信控优化等数据服务与创新应用。支持基础运营服务能力产品化,实现软件管理、故障检测、安全服务、质量认证和管理等成果转化。PAGE/32附件附件:大事记大事记示范区联合清华大学智能产业研究院(AIR)、北京车网科技发展有限公司、百度Apollo、北京智源人工智能研究院推出全球首个车路协同自动驾驶数据集DAIR-V2X正式发布,填补国内外车路协同自动驾驶领域的空白。发布北京市智能网联汽车政策先行区智能网联客运巴士道路测试、示范应用管理实施细则。正式开放国内首个无人出行服务商业化试点,标志着国内无人化出行服务从示范运营迈入商业化试点新阶段。2022.072022.07在国内首开乘用车无人化运营试点。发布示范区标准体系及车路协同基础设施、智能车辆自动驾驶功能测试系列标准。发布北京市高级别自动驾驶示范区建设发展报告,面向行业共享“北京模式”建设经验。发布全球首个开源开放智能网联路侧单元操作系统,为上下游生态搭建统一的技术和数据底座。2022.042022.042022.082022.082022.032022.032022.082022.082022.022022.02PAGE/33发布无人接驳车管理细则,是全国首个针对不配备驾驶位和方向盘的短途载客类智能网联新产品的规范性文件。批准开启无人化车外远程阶段示范应用。批准开启智能网联乘用车后排有人的无人化道路测试第二阶段。2022.122022.122023.032023.03组织部署无人零售车、无人配送车参与社区抗疫保供,累计完成无接触配送近19万单。批准开启智能网联乘用车全无人的无人化道路测试第三阶段。2022.092022.092022.112022.11发布北京市高级别自动驾驶示范区数据分类分级白皮书。发布北京市高级别自动驾驶示范区路侧数字基础设施建设白皮书。全面启动3.0阶段建设,在已建成的60平方公里示范区基础上,推进周边100平方公里的建设,并逐步扩展完成全市500平方公里示范区扩区工作。联系方式:北京市高级别自动驾驶示范区工作办公室邮箱:北京车网科技发展有限公司邮箱:北京市高级别自动驾驶示范区

    浏览量100人已浏览 发布时间2023-05-17 38页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 文远知行:人工智能在自动驾驶方面运用落地分享(2022)(41页).pdf

    人工智能在自动驾驶方面的运用落地分享分享人:张力(文远知行 COO)主讲嘉宾分享嘉宾:张力文远知行 首席运营官现任文远知行首席运营官,全面负责公司的运营、市场拓展及媒体合作、以及无人驾驶业务在中国市场的落地服务工作。具有着长达二十四年的IT从业经验,曾在思科服务十九年,任思科大中华区资深副总裁、CEO幕僚长,思科中国创新业务总部总经理,全面负责思科中国的智慧城市业务及其落地。2004年就读于北京大学光华管理学院高级工商管理硕士学位。软件定义汽车&软件、算法的价值智能汽车时代,软件重要性大为凸显自动驾驶产业发展的价值与意义安全安全 中国每年超6 6万人万人死于交通事故,平均每年造成直接财产损失十亿元多十亿元多;交通事故的主要成因:酒酒后驾驶、超速行驶、逆向后驾驶、超速行驶、逆向行驶、无证驾驶、未按规行驶、无证驾驶、未按规定行驶定行驶以及其他因素。机器不会受体力,情绪,酒精等因素影响,从而避免事故。经济经济 目前出租车价格为2.62.6-3.2 3.2 元元/公里公里,其中司机成本占50P%以上;无人驾驶实现后,司机成本完全去除,摊销传感器和研发成本后,维持出租车价格不变的情况下,毛利提升40%以上。高效高效 全国361城市中,有61a%的城市通勤高峰时处于拥堵或缓行状态;自动驾驶会有更加高效的城市交通系统,汽车使用率提升至90%。绝大多数绝大多数城市停车地点将被节省城市停车地点将被节省。方便方便 2019年,老龄化程度创下新高全国65周岁及以上人口17603万人,占总人口的12.6.6%;受到少子化与老龄化双重影响,不可避免使适龄劳适龄劳动力供给规模将出现下降动力供给规模将出现下降。数字化数字化 在供给端数字化改革的背景下,无人驾驶有非常高的应用和社会价值;尤其是在类似本次疫情下,无人驾驶能够有效避免交有效避免交叉感染,保证在疫情下的叉感染,保证在疫情下的交通运输能力,同时可以交通运输能力,同时可以追逐感染源追逐感染源。机器人驾驶员比人类驾驶员更安全可靠无人驾驶可以显著提高交通效率出行服务的毛利将提升40%以上社会老龄化导致司机不足、打车困难加速供给端数字化改革文远知行WeRide是全球领先的L4级自动驾驶科技公司,致力于为智慧城市打造出行和货运的新物种、新模式、新体验。文远知行已获得多家全球汽车制造商和客车制造商的战略领投,是全球第一家同时在中美两地开展无人驾驶测试的初创公司。圣何塞办公室北京办公室南京研发运营中心安庆数据标注中心广州全球总部上海办公室武汉办公室郑州研发运营中心深圳办公室1000万公里 800名 全球员工300 辆车队规模自动驾驶里程全栈式技术平台全栈式技术平台自动驾驶自动驾驶解决方案解决方案全冗余车辆平台全冗余车辆平台感知预测规划和控制多传感器融合线控驱动系统GNSS/IMU导航计算单元5G5G远程辅助中心远程辅助中心配套平台配套平台大数据处理平台大数据处理平台以用户为中心的配套平台以用户为中心的配套平台多重冗余远程辅助大型车队管理系统跨云数据平台大规模仿真平台WeRide Go手机APPWeRide Viz 车载人车界面可适应各种场景强大的数据迭代,安全的数据管理机制丰富的用户体验定位/高精地图AI基础设施全栈式软硬件结合的全面自动驾驶决方案文远知行自动驾驶创新产品Mini Robobus随需公交Robotaxi共享出行Robovan同城货运全天时全场景全天候平台化的系统和产品无人驾驶小巴 中国首款为城市开放道路设计的全无人驾驶小巴 由文远知行与宇通集团联合研发 前装量产车型,无方向盘、油门、刹车踏板,荣获德国红点奖 最高车速为40km/h,续航里程200km中国首个开放运营的无人小巴服务运营时间:周一到周五,8:00am-22:00pm周六到周日,9:00am-18:00pm2022年1月,文远知行正式在广州国际生物岛开放运营全无人驾驶的文远小巴,为市民提供无人驾驶微循环公交服务。乘车路线:南线:官洲地铁口B口木莲庄酒店生物岛公寓西门(星汉大道站)北线:官洲地铁口A口生物岛广州实验室(水墨园)(10分钟/班,循环路线)11无人驾驶出租车 搭载文远知行自研的全栈式软硬件解决方案 实现在中国城市开放道路、高速公路,以及江底隧道、城中村等特殊场景的无人驾驶 最高时速达115km/h无人驾驶货运车 采用灵活、轻便的轻客车型,全冗余底盘开发 搭载文远知行自研的全栈式软硬件自动驾驶解决方案 集技术、产品、场景于一身,开展前装量产车型设计和定制化生产线改造 探索智慧货运新模式中美两地无人驾驶测试许可美国加州 2021年4月获得美国加州机动车管理局(DMV)颁发的全无人测试牌照,车内无需配备安全员。中国广州 2020年7月获得中国首批全无人驾驶测试许可,在广州进行开放道路的全无人驾驶路测。行业领先的自动驾驶技术雪天高速城中村隧道城市CBD雨天中国特有的复杂的路况下,文远完成中国最大测试运营规模每英里路况指每英里路况指标标中国广州中国广州美国硅谷美国硅谷难度对比难度对比行人行人138354x自行车自行车72155x换道换道2.620.487x加塞加塞1.30.255x逆行自行车逆行自行车1.80.0360 x每公里路测综合难度每公里路测综合难度30 x中国的路况复杂度远超美国中国的路况复杂度远超美国文远知行完成中国最大规模路测运营文远知行完成中国最大规模路测运营每每小小时时场场景景车辆行人自行车交通锥变道加塞逆行电动车4788478825622562133813383113119 92 23 32 24 48 8广州最大高精地图覆盖814814.7474 kmkm2 2测试区域,144144.6565 kmkm2 2全公开商业运营区域,数百个数百个上下车点2 2,498498kmkm 高精地图里程,1,818交通灯,5,524交叉路口,3,131人行道,88,034行车道铁三角战略合作模式文远知行聚焦与车企/Tier 1、出行/货运平台的战略协同,探索自动驾驶的商业化落地。通过与各城市的主机厂、平台方合作,服务本地市民,把自动驾驶服务的产值、税收、创新留在当地,赢得政府的支持。18中国首个全对外开放Robotaxi服务运营时间:周一到周日,9:00am-18:00pm运营范围:黄埔区、广州开发区,144.65km22019年11月,文远知行推出中国首个全对外开放的自动驾驶出租车(Robotaxi)运营服务,覆盖广州黄埔区、广州开发区144.65平方公里的城市开放道路。无需申请、审核,为市民提供自动驾驶出行服务。19文远知行Robotaxi全对外开放运营两周年数据扫码下载完整报告37%现在就可以39%全无人驾驶安全测试一年后运营两周年数据:2019年11月2021年11月147,128147,128次出行60,000 60,000 200 200 上下车点307,363次出行200 上下车点180,000 乘客使用文远知行Robotaxi的频率不一定每周呼叫41%第一次使用31%一周至少一次28%您希望最快什么时候可以乘坐全无人的Robotaxi?中国首份自动驾驶出租车(Robotaxi)乘客调研报告硬件硬件定位定位/地图地图大数据大数据规划规划/控制控制5G5G应用应用运营级全栈式软硬件解决方案技术保障感知感知车辆平台车辆平台无人驾驶车队规模超300辆日产LEAF2江铃轻客林肯MKZ宇通小巴东风风神广汽AION S日产轩逸单人可轻松举起传感器清洁系统单次清洁仅需1秒 行业首个小尺寸轻量化的套件组合,为不同乘用车型提供精准、稳定的自动驾驶感知能力 实现360度视场全覆盖,最远达到前向300米、无盲区死角的探测 精准判断和识别感知范围内的物体及其运动状态、特殊交通场景及标志等 单个套件即可让车辆实现L4级自动驾驶仅占车顶不到0.4平方米的面积定位定位六自由度,多传感器融合解决方案六自由度,多传感器融合解决方案激光雷达及高精度地图相机IMUGPS/北斗及RTK轮速计融合来自于不同但互补的传感器组合 定位精度高于任何单一的传感器 交叉备份提高定位的安全性感知感知多传感器融合全面场景感知与理解多传感器融合全面场景感知与理解1234多传感器高度同步多传感器高度同步激光雷达、相机、毫米波雷达等多传感器数据毫秒级同步,实现厘米级感知精度。为算法提供高质量感知数据。更全长尾场景检测能力更全长尾场景检测能力丰富的测试场景,积累了大量数据,通过泛化,具备了更全面的长尾场景检测能力全面场景理解全面场景理解更深层次的场景理解更深层次的场景理解通过规模化部署极大的提升了感知能力 更全:检测一切路面物体 更深:深入分析场景信息对车尾转向灯、双闪等信号进行深层次理解,为决策系统提供高级别感知数据。RealReal-time detection provides comprehensive information for time detection provides comprehensive information for driving decisionsdriving decisions多传感器高度同步多传感器高度同步面部/身体为导向的感知30全面场景理解全面场景理解更全面的长尾障碍物检测更全面的长尾障碍物检测更深层次的场景理解更深层次的场景理解-车尾灯检测车尾灯检测1.51.5 PBPB 数据提供实时搜索功能,加速算法开发数据提供实时搜索功能,加速算法开发20200 PFLOPs 0 PFLOPs 海量计算能力,支持大规模深度学习算法训练调试海量计算能力,支持大规模深度学习算法训练调试所有场景数据通过所有场景数据通过AnalyticsAnalytics平台全自动收集和分析,支持大规模测试运营调试平台全自动收集和分析,支持大规模测试运营调试200 200 全球标注团队(中国,东南亚),高效标注工具(成本全球标注团队(中国,东南亚),高效标注工具(成本$0.01/prefusion$0.01/prefusion object),object),超过超过2 2亿个亿个 3D3D objectobject 标注,并帮助客户标注数据标注,并帮助客户标注数据数据平台数据平台 人工智能的供血系统人工智能的供血系统160,000 160,000 场景数据(场景数据(20192019年一年)年一年)不同城市的自动驾驶车队每天上传TB量级的数据到本地数据中心,进行预处理;全球数据中心进行重点场景的分类、高精地图的生成和深度学习模型训练;仿真平台对全场景算法进行模拟验证。实现在24小时内完成对测试运营问题的修复、高精地图更新和百辆级别车队的深度学习模型部署。文远知行全自动大数据平台文远知行自动驾驶运营级产品文远知行云控平台WeRide Fleet Management是智慧交通系统的指挥中枢和大脑,可实时查看规划路线及自动驾驶状态,支持语音客服,车辆定位,远程控制,订单状态管理等功能。WeRide Viz,自动驾驶车载可视化界面,向乘客实时展示周围路况和车辆状态信息,打造自动驾驶时代的人机交互。自动驾驶货运App,可实时查看、调度自动驾驶货运车队的运输状态、送货进度等,通过数字化的管理平台革新现有货运管理模式。自动驾驶打车App,于2019年11月首次面向公众推出,提供自动驾驶出租车和随需公交出行服务。双模式5G远程技术,让自动驾驶更安全(Jasper 流量管理)Hint远程辅助系统给出车端决策建议非常规交通情况下远程控制车辆驾驶多重冗余通讯优先选用信号最强的通讯网络5G、4G;联通、电信、移动无缝交互通过实现远程速度感知、实际车宽感知、障碍距离感知等操控需求,5G远程设备能够保障远程安全员做出精准的远程操作。HintControlRemote control video车路系统整体规划车路系统整体规划5G MEC 5G MEC 自动驾驶自动驾驶 V2X= V2X=车路协同生态展示车路协同生态展示自动驾驶出租车5G远程操控信号灯实时交互路口超视距交互AR监控 车辆信息运营人脸识别自动驾驶展示V2X交互技术合作拓展文远知行文远知行&思科思科 ITIT的合作的合作1、物联网场景Jasper 物联网卡统一管理平台(中国联通流量调度、带宽批发)2、企业WIFI无线网络场景Cisco Meraki AP&Air 系列接入点Cisco Meraki Cloud&CT 系列控制器3、企业&数据中心有线网络场景Cisco catalyst 4500&2960 系列交换机Cisco Nexus9000 系列交换机4、企业视频会议场景Cisco Webex Room&TelePresence 网真系列Thanks

    浏览量88人已浏览 发布时间2023-04-27 41页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 北京智能车联:北京市自动驾驶车辆道路测试报告(2022年)(37页).pdf

    北京市自动驾驶车辆道路测试报告/20223 i北京市自动驾驶车辆道路测试报告/2022犯其至难而图其至远2022 年,自动驾驶政策陆续发布,自动驾驶产业进入新常态,迈入新阶段,站在新起点。在政策有力支撑下,企业积极推进 L2 级技术持续完善、L3 级技术量产落地、L4 级技术快速布局。通过自动驾驶产品测试评价积极转型,努力探索形成新发展格局的有效途径,实现自动驾驶产业更高质量、更有效率、更可持续、更为安全的发展。一、国家政策持续出台,为深化自动驾驶商业化、市场化模式谋篇布局2022 年国家层面持续强化自动驾驶产业顶层设计。中央有关自动驾驶产品准入、使用管理、场景建设等方面的政策不断涌现,构筑我国自动驾驶的产业竞争力,为深化自动驾驶商业化、市场化模式奠定了基石。工信部、市场监管总局、自然资源部、交通运输部、科技部陆续发布道路机动车辆生产准入许可管理条例(征求意见稿)关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿)关于试行汽车安全沙盒监管制度的通告自动驾驶汽车运输安全服务指南(试行)(征求意见稿)关于支持建设新一代人工智能示范应用场景的通知等政策,为智能网联汽车进入机动车产品管理体系并广泛落地应用完善管理机制。二、各地勇闯深水区,为自动驾驶产业加速落地强心铸魂2022 年我国各地以政策驱动技术发展,出台了多项自动驾驶方面的法规条例,各地应用实践也呈现多种趋势,国内以城市为单位的自动驾驶产业创新正在加速推进。北京市作为自动驾驶高地,在先期工作基础上进一步开展先行先试,以北京经济技术开发区为核心区域建设北京市高级别自动驾驶示范区,并设立北京市智能网联汽车政策先行区,颁发国内首个无人化出行服务商业化试点许可,推动一系列先行先试政策实施,通过资源集中统筹,勇闯以车路云融合技术为代表的自动驾驶创新深水区。北京市自动驾驶车辆道路测试报告/20224ii三、产品技术测试向产品评价发展,非量产评价向量产评价兼容,助力自动驾驶产业创新爬坡过坎自动驾驶领域经过抓重点、补短板、强弱项,相关技术日臻成熟、完善。为进一步提高产业发展质量,突出产业发展全面性、创新性、统筹性,提升自动驾驶技术核心竞争力,北京智能车联产业创新中心(以下简称“北京智能车联”)着重推进产品技术测试向产品评价发展,非量产评价向量产评价兼容。以探索自动驾驶产品级评价为目标,北京智能车联创新虚实结合测试技术,解决动态测试场景单一、多变量空间难于实现、测试效率低等问题。在深耕 L4 级自动驾驶能力测试的基础上,同步探索量产车的智能辅助驾驶能力评价,拟将北京市自动驾驶测试经验向量产车方向兼容。北京智能车联结合对自动驾驶的测试能力和相关数据集积累,推进量产车型智能性评价指数建设,助推自动驾驶领域测试评价工作升级创新。2022 年,我国自动驾驶领域持续贯彻新发展理念,构建新发展格局,遵循产业发展规律,发挥政策引领作用,加快创新升级步伐,从“新”出发推动自动驾驶产业进一步产品化、市场化、商业化。始终保持一往无前的奋斗姿态,风雨无阻的精神状态,在危机中育先机,于变局中开新局,在自动驾驶领域我们定能赢得优势、赢得主动、赢得未来。北京市自动驾驶车辆道路测试报告/2022北京市自动驾驶车辆道路测试报告/2022 5目录北京市自动驾驶车辆道路测试报告/2022犯其至难而图其至远一、全面布局发展要素,拓展产业发展空间(一)以政策之力护航产业创新发展(二)以标准之力引领产业快速发展(三)以测试评价推动产业融合发展二、稳步提高测试能力,促进产业提质增效(一)优化技术测试,实现技术进步(二)创新服务模式,增强内生动力三、强化道路实践测试,加速产业落地运营(一)注重开放道路测试,提升运营测试体验(二)分析道路测试结果,总结关键脱离情况(三)规范测试管理服务,保障道路测试安全结语北京智能车联产业创新中心介绍i11138814181821262930iii北京市自动驾驶车辆道路测试报告/2022 1(一)以政策之力护航产业创新发展北京是国内较早发展自动驾驶产业的城市之一,2022 年北京市为激励技术创新,持续完善政策体系,优化发展环境,有力推动了自动驾驶产业发展,并取得积极成效。北京市自动驾驶测试管理联席工作小组持续贯彻“安全第一、有序创新”的工作原则,在北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见(试行)和北京市自动驾驶车辆道路测试管理实施细则(试行)政策规范下,稳步推进测试道路开放、测试时段延伸、测试类型丰富等工作,持续保障自动驾驶车辆道路测试示范安全有序开展,为智能网联汽车产业发展打下坚实基础。为扩展自动驾驶技术应用,鼓励发展新产品新业态,北京市交通委会同市经济和信息化局、市公安交管局、市商务局、市邮政管理局联合开展北京市无人配送车道路测试与商业示范管理办法(试行)研究发布工作,支持无人配送车技术发展。北京市高级别自动驾驶示范区工作办公室依托市高级别自动驾驶示范区和智能网联汽车政策先行区,以亦庄新城225平方公里区域和143公里城市高快速路为主要实施范围,陆续出台北京市智能网联汽车政策先行区智能网联客运巴士道路测试、示范区应用管理实施细则(试行)、北京市智能网联汽车政策先行区乘用车无人化道路测试与示范应用管理实施细则、北京市智能网联汽车政策先行区自动驾驶出行服务商业化试点管理实施细则(试行)、北京市智能网联汽车政策先行区无人接驳车管理细则(道路测试与示范应用)等先行先试管理政策,并逐步构建“2 5 N”的政策管理体系。北京市针对国内智能网联与自动驾驶领域的新产品、新应用完成关键性管理突破,为各地相关法规政策创新提供研究样板。(二)以标准之力引领产业快速发展北京市作为住房和城乡建设部、工业和信息化部发布的首批智慧城市基础设施与智能网联汽车协同发展试点城市,坚持“单车智能 网联赋能”的战略定位,做好标准法规协同,引领智能交通管理和智慧城市建设快速发展。为稳步提升智能网联汽车新动能,在北京市自动驾驶测试管理联席工作小组的指导下,在北京市科学技术委员会、中关村科技园区管理委员会等单位的支持下,中关村智通智能交通产业联盟联合产业上中下游龙头企业、科研院所等,持续推进智能网联汽车相关标准研制,解决产业发展中的瓶颈问题。产业联盟牵头并参与累计 69 项智能网联汽车国际、国家、行业、地方和团体标准的制定工作,并通过团标实践、地标固化、国标升级的方式,打造完善的智能网联汽车标准体系。一、全面布局发展要素,拓展产业发展空间北京市自动驾驶车辆道路测试报告/2022 22022 年 12 月,北京市地方标准 DB11/T2050-2022自动驾驶车辆封闭试验场地技术要求发布,成为国内首个自动驾驶封闭试验场地地方标准。2022 年 10 月,国家标准 GB/T41798-2022智能网联汽车自动驾驶功能场地试验方法及要求发布,北京智能车联作为该标准主要编制单位,将北京测试经验在国家标准中成功应用,并引领全国自动驾驶功能场地测试工作规范发展。此外,由中国牵头制定的首个自动驾驶测试场景领域国际标准 ISO34501道路车辆自动驾驶系统测试场景词汇于 2022 年 10 月正式发布,引领全球自动驾驶测试评价工作快速发展。表 12022 年智能网联汽车领域重点标准摘录北京市自动驾驶车辆道路测试报告/2022 3图 1网联赋能“北京模式”标准体系为打造网联赋能“北京模式”,以车路云融合技术路线为牵引,2022 年 4 月,北京市高级别自动驾驶示范区发布首个完整的车路云一体化高级别自动驾驶标准体系,将标准体系定义在智能网联汽车技术、车路协同基础设施、云控基础平台、专用通信网络、基础地图、安全管理 6 部分,构建车-路-云-网-图-安全标准共计 71 项。其中,10 项车路协同基础设施和 4 项智能网联汽车自动驾驶功能测试标准已正式发布,为车路协同行业推广提供标准支撑。(三)以测试评价推动产业融合发展1.完善环境建设,夯实基础保障2022 年,北京市持续践行“场-路-区”三级测试示范环境建设,通过扩大和完善测试环境,为自动驾驶测试评价深度赋能。测试场地方面,国家智能汽车与智慧交通(京冀)示范区亦庄基地(以下简称“亦庄基地”)拓展测试能力,建设形成涵盖量产车 ADAS、3 级驾驶自动化(有条件自动驾驶)功能、4 级驾驶自动化(高度自动驾驶)及以上高级别自动驾驶功能等完整测试体系。测试道路方面,截至 2022 年底,北京市累计开放自动驾驶测试道路 1571.32 公里,其中全市 6 区依据北京市自动驾驶车辆测试道路要求(试行)累计开放自动驾驶测试道路 1143.78 公里,高级别自动驾驶示范区完成 329 个路口 750 公里车路云一体化城市道路建设。北京市自动驾驶测试道路进一步开放,道路测试时段进一步拓展,专项技术测试进一步深化。测试区域方面,高级别自动驾驶示范区 2.0 阶段已建设覆盖北京经济技术开发区核心区 60 平方公里,同时支持单车智能和车路协同测试验证。北京市自动驾驶车辆道路测试报告/2022 4表 2在京测试自动驾驶企业道路测试里程累计情况(2018-2022)自动驾驶测试环境的建设和完善为测试评价工作夯实了基础保障,进一步支持自动驾驶商业模式探索,促进自动驾驶产业融合发展。2.加强道路测试,提升技术保障2022 年,北京市自动驾驶道路测试工作安全有序推进。截至 2022 年底,累计 28 家企业在北京市开展自动驾驶车辆道路测试。其中,17 家企业 379 辆自动驾驶汽车取得全市范围内测试通知;14 家企业 269辆自动驾驶汽车获准在高级别自动驾驶示范区开展道路测试、示范应用及商业化试点的先行先试。自动驾驶车辆规模化布局进一步扩大,道路测试里程显著提升。自动驾驶车辆道路测试持续为产业技术发展提供试验验证及数据支撑,有效推动自动驾驶技术快速迭代,实现自动驾驶技术更高质量、更为安全的发展。北京市自动驾驶车辆道路测试报告/2022 53.推进测试示范,建立落地保障2022 年,北京市自动驾驶开放道路试运营测试进入规模化阶段,试运营测试在实操层面验证了自动驾驶车辆的各项性能,进一步完善了相关参数指标,为加快构建绿色、高效、安全的自动驾驶商业化模式提供了落地保障。载人试运营测试方面截至 2022 年底,取得北京市自动驾驶测试管理联席工作小组意见的载人试运营测试车辆达到 291 辆。高级别自动驾驶示范区内 141 辆车获准开展可载人的示范应用及商业化试点,其中 47 辆自动驾驶乘用车获准主驾无人副驾有人自动驾驶载人示范试点。图 2北京市载人试运营测试北京市自动驾驶车辆道路测试报告/2022 6图 3北京市无人配送车道路测试与商业示范图 4智能网联客运巴士商业示范智能网联客运巴士道路测试及示范应用2022 年度,有来自北京轻舟智航、北京商汤科技、阿波罗智联(北京)、北京福田欧辉 4 家企业的 6 辆智能网联客运巴士获准在高级别自动驾驶示范区开展测试示范工作,年度累计测试里程超 2.8 万公里。其中,轻舟智航已获准在高级别自动驾驶示范区开展智能网联客运巴士示范应用。无人配送车道路测试与商业示范无人配送作为人工智能科技创新应用的重要方向一直备受关注。2020 年起,无人配送车在北京市智能网联汽车示范运行区(首钢园)开展封闭园区内的常态化运营。2020 年 9 月,顺义区以政府通知公告方式启动了无人配送车试点,美团、京东、毫末智行在区内累计投入 127 台无人配送车常态化运行。高级别自动驾驶示范区自 2021 年 5 月陆续向京东、美团、新石器的 278 台无人配送车发放车身编码,开展无人配送车道路测试与商业示范先行先试。为鼓励、支持无人配送车技术发展,形成全市统一的管理办法和技术规范,北京市交通委会同市经济和信息化局、市公安交管局、市商务局、市邮政管理局联合开展北京市无人配送车道路测试与商业示范管理办法(试行)研究制定工作,2023 年 1 月发布实施。北京市自动驾驶车辆道路测试报告/2022 74.深化专项技术,拓展应用场景北京市自动驾驶车辆道路测试管理实施细则(试行)自 2020 年起拓展专项技术测试,支持特殊天气、无人化、高速公路、编队行驶等场景的开放道路测试。北京市高级别自动驾驶示范区在北京经济技术开发区进一步深化高速公路与无人化测试的先行先试。无人化测试方面2021 年,萝卜运力 10 台车辆首次获得北京市自动驾驶无人化测试牌照,无人化测试范围覆盖北京经济技术开发区、海淀区、顺义区。高级别自动驾驶示范区向萝卜运力、小马智行、文远知行三家企业累计发放 72 张无人化道路测试通知,无人化累计测试里程超过 138 万公里。图 5北京市无人化测试图 6京台高速北京段测试情况高速测试方面截至 2022 年底,高级别自动驾驶示范区向小马智卡、主线科技、滴滴、擎天智卡、北京京深深向发放了 7张高速公路测试牌照,高速公路累计测试里程达 5.3 万公里。开放测试的京台高速北京段双向 10 公里路段囊括了上下匝道、直行、转弯等高速环境常见的场景元素。同时完成了各类智慧化硬件基础设施部署,高清视频数据、激光雷达点云数据、毫米波雷达结构化数据、路侧单元(RSU)应用层数据、边缘计算单元事件检测等计算结果数据全部联通。可助力企业实现自动驾驶、车路协同、车网融合的多重技术探索。北京市自动驾驶车辆道路测试报告/2022 8图 7国家智能汽车与智慧交通(京冀)示范区亦庄基地(一)优化技术测试,实现技术进步2022 年度,作为北京市认定的自动驾驶车辆封闭测试场地(T1-T5 级)和交通运输部认定自动驾驶封闭场地测试基地,国家智能汽车与智慧交通(京冀)示范区亦庄基地为 14 家国内外测试主体、科研院所、高等院校提供了测试服务,测试服务时长 1600 余小时,封闭试验场内全年测试里程近 3 万公里,累计测试里程约 29 万公里。1.加强基础性能测试,建立技术进步“晴雨表”2022 年,北京智能车联在封闭试验场内持续开展包括感知、规划、控制在内的车辆基础性能测试,为企业技术开发、性能优化、查缺补漏提供了切实可行的意见建议。感知系统是自动驾驶的核心,感知能力测试旨在保障自动驾驶软件系统安全可靠。该项测试包括儿童感知盲区测试、交通目标物感知距离测试、交通目标物感知类别测试等。2019-2022 年,北京市封闭试验场内最优感知方案持续升级。二、稳步提高测试能力,促进产业提质增效北京市自动驾驶车辆道路测试报告/2022 9儿童感知盲区逐渐减小选取身高为120cm的模拟儿童作为测试目标,测试车辆周围各个方向的感知盲区,2019-2022 年北京市封闭试验场儿童感知盲区测试结果如图 8 所示。图 82019 至 2022 年封闭试验场内儿童感知盲区最优方案对比单位:m前向最大感知距离指标高于国际法规要求前向最大感知距离是自动驾驶车辆在前方方向对机动车辆、成人、儿童、自行车、锥桶的最大感知距离。2019-2022 年封闭试验场内最大前向感知距离结果如图 9 所示。根据联合国自动车道保持系统(ALKS),在城市工况下(60km/h 以内),车辆至少需要提前46m感知到前方交通目标,以保证行车安全。从2022 年在封闭试验场内测试情况来看,自动驾驶车辆最优方案在前向对上述典型交通目标物的感知距离均高于相关法规的要求。封闭试验场测试对感知技术的研发发挥了“晴雨表”的重要作用。北京市自动驾驶车辆道路测试报告/2022 10单位:m图 92019 至 2022 年封闭试验场前向最大感知距离最优方案对比2.完善能力评估测试,筑牢技术底线“压舱石”能力评估测试包括可靠性测试、单项能力评估测试和综合能力评估测试。能力评估测试对自动驾驶车辆整体性能做出评判,车辆通过测试后才具备取得自动驾驶开放道路测试牌照的先决条件。该项测试是检验车辆自动驾驶技术是否满足开放道路测试基本能力最后一道防线,是自动驾驶技术安全发展的“压舱石”。2022 年,北京智能车联继续开展了自动驾驶系统能力评估各项测试。可靠性测试助力技术升级可靠性测试要求车辆在长时间负载运行的同时完成封闭试验场内布设的道路交通测试场景,从而加速暴露出设备、系统、车辆存在的问题,以验证自动驾驶车辆的可靠性、稳定性。同时,通过基于自然驾驶环境的自动驾驶性能加速测试方案,以提升测试效率。截至 2022 年 12 月底,封闭试验场内累计测试里程 29 万余公里,发生测试事故 24 起,发现并解决测试主体自动驾驶系统问题百余种。这些问题涉及规则设计、传感器标定、控制系统标定、改装方案、地图定位、感知算法、路径规划、执行控制等多个方面。其中,交规遵守机制不健全、障碍物误识别或漏识别等感知错误、控制精度不稳定等问题较为普遍。根据事故情况分析来看,封闭试验场平均每行驶 1.21 万公里发生一起测试事故,平均百万公里事故数82.76 起,国外有报道的自动驾驶头部企业百万公里开放道路事故数为 12.02 起。封闭场地内事故率远高于开放道路,一方面是由于封闭场地内场景密度高、边缘场景多;另一方面开放道路测试的企业都在封北京市自动驾驶车辆道路测试报告/2022 11图 10封闭试验场主要事故原因占比图 112019 至 2022 年各专项场景测试通过率闭场地内进行了测试验证后才进入开放道路测试。充分、完善的封闭测试场地演练,帮助测试主体在开放道路测试前完善安全策略,优化系统方案,提升应急事件处置能力,从而降低车辆开放道路自动驾驶事故率。封闭场地测试为自动驾驶车辆道路测试筑牢技术底线“压舱石”。单项能力评估测试通过率稳步提升单项能力评估测试是根据测试主体所选的评估分级,以专项为单位,对自动驾驶车辆进行逐个场景测试,旨在完整验证车辆在每个场景下的自动驾驶能力。2019-2022 年,封闭试验场内自动驾驶车辆在各专项场景的通过率如图 11 所示。单项能力评估测试严格按照相关标准检测要求,引导自动驾驶车辆在专项场景的通过率稳步提升。北京市自动驾驶车辆道路测试报告/2022 12图 122022 年综合能力评估主要问题占比综合能力评估测试守住安全防线综合能力评估测试以路线方式将对应等级的专项测试场景进行随机串联,对自动驾驶车辆连续执行动态驾驶任务的能力及稳定性进行评估。2022 年度,封闭试验场内进行了 20 余次综合能力评估测试,发现并协助测试主体解决相关问题 70 余项,部分问题类型分布情况如图 12 所示。通过对车辆测试效果的针对性分析,北京智能车联帮助测试主体在健全交规遵守机制、合理规划决策、完善系统功能、提高控制精度等技术方面取得了全面提升,为自动驾驶车辆上路行驶守住最后一道安全防线。3.夯实无人配送测试,抓住测试安全“定星盘”人工智能、自动驾驶技术在城市交通中的应用日趋成熟,基于自动驾驶技术的各类新场景和新型运载工具相继出现。无人配送车作为自动驾驶技术应用产品之一,是未来物流行业发展的重要趋势。自 2018 年开始,在北京市科学技术委员会、中关村科技园区管理委员会支持下,北京市自动驾驶测试管理联席工作小组指导下,北京智能车联牵头,中关村智通智能交通产业联盟组织行业内企业、高校、科研院所等开展无人配送车标准化研究工作。亦庄基地陆续开展基于 T/CMAX117.1-2021服务型电动自动行驶轮式车第 1 部分技术要求、T/CMAX21001-2020服务型电动自动行驶轮式车道路测试能力评估内容与方法、北京智能网联汽车政策先行区无人配送车测试规范等标准规范的无人配送车封闭试验场地测试。北京市自动驾驶车辆道路测试报告/2022 13截至 2022 年底,北京智能车联先后为美团、京东、毫末智行等多家车企业提供了包括技术开发测试、稳定性测试、自动驾驶道路适应性测试、测试主体管理能力测试等多种测试服务。通过封闭试验场内有组织、有目标的结构化测试方式验证自动驾驶技术,保障产业安全推进。图 13亦庄基地内的无人配送车测试封闭场地测试帮助测试主体发现并解决多类自动驾驶系统问题,测试主体在交规遵守、感知算法、控制精度等方面明显提升,部分企业在车辆与其他交通参与者灯光、语音交互等方面提升巨大。亦庄基地将在后续的工作中,不断丰富、细化无人配送测试,以保障大规模道路测试的开展。北京市自动驾驶车辆道路测试报告/2022 14图 14全息交通场景库数据(部分)及中国智能网联汽车类人指数建立过程(二)创新服务模式,增强内生动力1.探索评价新模式,解决发展新问题自动驾驶产业已从关键技术验证阶段进入商业模式验证阶段,自动驾驶测评也应从侧重于技术验证的功能性评价转向产品和用户体验等评价上。尤其在未来相当长一段时间内,自动驾驶车辆仍将处于与人类驾驶车辆混合行驶的阶段。如何保证自动驾驶车辆在混合行驶交通环境中的安全行驶,以及如何对该环境下的自动驾驶车辆开展评价,成为当前自动驾驶车辆在商业化落地与技术提升过程中面临的主要问题。基于此,北京智能车联在提升测试技术水平的同时,积极推动新测试技术研发创新,从自动驾驶车辆与人类驾驶行为一致性(以下简称“类人性”)角度出发,研究解决自动驾驶车辆与人类驾驶车辆混合行驶阶段的测试评价问题,切实推进自动驾驶产业早日实现商业化运营。北京智能车联构建了基于真实世界交通场景的全息交通场景库(以下简称场景库),场景库包含海量自然驾驶行为数据。通过深度挖掘这些数据,提取了人类驾驶特征参数。基于特征参数,从自动驾驶车辆驾驶行为类人性角度出发,建立了中国智能网联汽车类人指数模型,并将该模型用于评价自动驾驶产品功能。以跟车为例,基于数十万量级的中国高速路自然驾驶跟车场景数据,通过分析车速、跟车距离、跟车时距等人类跟车微观驾驶行为指标特征,开展数据特征分析、分布拟合,并以指标分布中的众数中心,划分指标评价边界。再以人群数量为边界,区分不同的驾驶风格或等级,最终实现自动驾驶车辆的跟车行为类人性评价。覆盖 18 个省份 超过 30 座城市覆盖 18 个省份 超过 30 座城市城市道路丁字路口高速/快速路环岛十字路口Y 型路口北京市自动驾驶车辆道路测试报告/2022 152.研究评价新实践,孕育发展新方向随着自动驾驶产业的快速发展,量产车型逐渐增多,解决量产车型跟车评价工作,将大幅度提升车辆测试效率,促进企业实现进一步技术升级,推动自动驾驶产业进入新的发展方向。基于此,2022 年北京智能车联以当前量产车型为测试目标,开展了 ACC 功能评价验证,建立了自动驾驶 ACC 功能评价模型。评价模型以类人性为评价核心,从安全、高效、舒适角度评价 ACC 功能,评价形式分为百分制分数评价和星级评价两种。自动驾驶 ACC 功能评价指标如图 15 所示。图 15自动驾驶 ACC 功能评价指标图 16 展示了 2022 年部分量产车型 ACC 功能评价结果,从结果来看,各车型在 ACC 功能上存在明显差异,头部产品在类人性上具有较大的领先优势,更为接近与人类的驾驶习惯。稳定跟车状态下,大部分车型 ACC 功能的 1-5 挡位(部分车型为 1-7)下的跟车距离会投影在 70%至20%的人类跟车距离水平,少部分优秀车型能将所有挡位均保持在与 70%人类驾驶员一致的水平,极少车型的部分挡位能够接近人类最佳水平,即数值上与人类稳定跟车距离分布的众数接近,但部分车型的稳定跟车距离只能达到 10%的人类驾驶员水平。同样,各车型 ACC 功能的中间挡位在跟车驾驶、跟车减速下的表现也不尽相同。北京市自动驾驶车辆道路测试报告/2022 16图 162022 年部分量产车型 ACC 功能评价结果输入评价模型输出评价结果北京市自动驾驶车辆道路测试报告/2022 17图 17红旗 L4 Robotaxi 车型3.寻求评价新方法,助力发展新动力2022年,在北京市科学技术委员会、中关村科技园区管理委员会的支持下,北京智能车联联合自动驾驶行业龙头企业开展虚实结合测试技术研发,解决实际封闭试验场存在动态测试场景单一、多变量空间难于实现、高风险测试场景损毁风险大、测试效率较低,以及传统模拟仿真测试无法验证自动驾驶系统的感知、控制层测试需求等问题,为自动驾驶安全测试提供了新的技术与方法。在北京市自动驾驶测试管理联席工作小组、北京市科学技术委员会、中关村科技园区管理委员会、北京经济技术开发区管理委员会的支持下,亦庄基地持续开展“星火计划”和“X计划”,为企业、科研院所、高等院校提供优惠测试服务。截至 2022 年底,北京智能车联已为萝卜运力、毫末智行、中汽中心、信通院、河北工业大学等10余家测试主体、高校、科研团队提供了千余小时的优惠服务,并为戴姆勒、一汽红旗、小米汽车、集度、宝马等汽车主机厂提供技术研发测试服务,助力企业节约研发资金达数千万元,为自动驾驶产业快速落地增强内生动力。车规级量产级自动驾驶方案出现2022 年 7 月,中国一汽智能网联开发院人工智能研究所(一汽(南京)科技开发有限公司)参与开发的第二代红旗 L4Robotaxi 车型依照 T/CMAX116-012020自动驾驶车辆道路测试能力评估内容与方法,通过了 T3 级别通用技术测试,成为第一个使用车规量产级传感器通过 T3 级别测试的车型。北京市自动驾驶车辆道路测试报告/2022 18(一)注重开放道路测试,提升运营测试体验1.测试里程稳步增长长期以来,北京市积极坚持推动自动驾驶车辆开放道路测试,在道路测试中推进自动驾驶水平提升,为自动驾驶产业落地奠定了实践基础。截至 2022 年底,北京市范围内自动驾驶车辆道路测试里程累计超过 2194 万公里。自 2018 年开放自动驾驶道路测试以来,北京市道路测试里程连续 4 年保持增长并保持全国领先。从 2022 年北京市道路测试热度来看,在规模化试运营阶段,测试主体对交通流量较大、交通场景更加丰富的路口及城区测试意愿更大。三、强化道路实践测试,加速产业落地运营北京经济技术开发区通州区顺义区海淀区图 182022 年北京市道路测试热度概览(部分)低高北京市自动驾驶车辆道路测试报告/2022 19图 19高级别自动驾驶示范区无人化出行服务商业化试点2.运营测试持续进行载人试运营测试2022 年,北京市持续开展载人试运营测试,测试成果反映了自动驾驶技术水平的发展和商业化落地的可行性。截至 2022 年底,北京市载人试运营测试里程累计超过 1400 万公里。此外,高级别自动驾驶示范区在载人示范应用基础上,于 2022 年 7 月开放无人化出行服务商业化试点。2022 年参与载人试运营测试的志愿者超过 100 万人次。根据北京市载人试运营志愿者的反馈情况,志愿者的满意度维持在较高水平。2022 年,萝卜运力载人试运营志愿者满意度情况调查中,超过 98%的社会志愿者给与了良好及以上的反馈,主要评价包括预估时间较准、驾驶平稳等;对于少数反馈较差的志愿者,主要原因是早晚高峰需求量较大,排队等车时间较长。小马智行 PonyPilot 服务拥有近 72的 回头客,服务满意度评分达 4.9(5 分制)。以上结果反映了自动驾驶技术在接受市场检验的同时,获得了良好反馈,自动驾驶商业化进程有序推进。北京市自动驾驶车辆道路测试报告/2022 20图 202022 年萝卜运力载人试运营志愿者满意度情况调查(部分)图 212022 年小马智行载人试运营志愿者关心的服务维度比例情况调查北京市自动驾驶车辆道路测试报告/2022 21图 22无人配送车道路测试与商业示范无人配送车道路测试与商业示范截至 2022 年底,顺义区无人配送车道路测试示范累计里程超过 166 万公里,累计公开道路配送订单突破295 万单。高级别自动驾驶示范区内无人配送车道路测试示范里程超过 37 万公里,无人配送及无人零售累计服务逾158 万人次,用户人数超 60 万人,累计销售金额超 1000 万元,用户满意度 99%。(二)分析道路测试结果,总结关键脱离情况1.关键脱离场景概述自动驾驶关键脱离是指自动驾驶车辆因系统故障、策略问题、超出设计运行域等原因,车辆控制权限切换为人类驾驶员的事件。持续发现并解决上述原因造成的车辆关键脱离,是车辆道路测试的核心目的,也是自动驾驶技术得以不断提升的有效途径。另一方面,由于测试需求、任务结束或驾驶员休息等原因造成自动驾驶过程中车辆被接管的脱离,不能体现车辆自动驾驶技术水平,不属于关键脱离场景。分析关键脱离原因能够为企业技术发展提供精准的优化迭代方向,切实有效促进自动驾驶技术长足进步。进入规模化试运营阶段后,北京市道路测试自动驾驶关键脱离原因逐渐由软硬件故障转向算法层面,脱离原因更加集中。北京市自动驾驶车辆道路测试报告/2022 22表 3 近年道路测试脱离类别及脱离原因北京市自动驾驶车辆道路测试报告/2022 232.关键脱离场景分析关键脱离地点分布2022 年北京市道路测试关键脱离与各区道路测试开展情况基本匹配,由于北京经济技术开发区承载的道路测试较多,场景丰富度高,北京市道路测试关键脱离超过九成发生在北京经济技术开发区,其余分布在顺义区、海淀区、通州区等测试区域。从关键脱离地点的分布来看,易发生关键脱离的地点主要包括交通流量较大的十字路口,以及双向两车道的机非隔离道路等。通州区顺义区图 232022 年北京市道路测试关键脱离地点分布图(部分)北京经济技术开发区海淀区低高北京市自动驾驶车辆道路测试报告/2022 24图 242022 年关键脱离场景类型关键脱离场景分类从关键脱离发生的场景来看,2022 年自动驾驶关键脱离主要集中在变更车道、直行、直行通过路口、路口右转弯、路口左转弯、交通信号灯等大类场景。与 2021 年关键脱离场景相比,变更车道(2021 年占比 57%)的占比下降;路口通行(2021 年占比 24%),直行(2021 年占比 15%)的占比上升。关键脱离原因分类从造成关键脱离的原因分类来看,目标物占用车道、路口博弈、目标物切入测试车辆、目标物过于贴近测试车辆是关键脱离的主要原因。相比于 2021 年,2022 年造成关键脱离的原因类型中目标物占用车道占比有所下降,路口博弈占比基本保持不变,目标物切入测试车辆、目标物过于贴近测试车辆等占比上升。对比以往自动驾驶道路测试,车辆对目标物占用车道类场景的通过率得到提升。北京市自动驾驶车辆道路测试报告/2022 25图 252022 年关键脱离原因图 262022 年与关键脱离相关的交通参与者类型关键脱离目标分类(从相关交通参与者类型与交通设施类型分类)2022 年关键脱离数据显示,与 2021 年类似,小型客车仍是造成关键脱离的主要交通参与者(2021 年小型客车造成关键脱离占比为 58%,2022 年占比为 51%),其次为两轮车、行人、中大型货车。与 2021年相比,中大型货车造成关键脱离的占比有所下降。北京市自动驾驶车辆道路测试报告/2022 26图 272022 年与关键脱离相关的交通设施类型在引起关键脱离的主要交通设施类型方面,2022 年锥桶造成车辆脱离占比为 47%,仍然是测试车辆发生脱离时出现频次最多的交通设施,但相比于 2021 年,其占比有所降低(2021 年锥桶造成车辆脱离的占比是 66%),自动驾驶对锥桶类目标的感知和认知学习能力有所增强。2022 年施工牌、隔离护栏、隔离墩造成车辆脱离的占比相比于 2021 年均有所提高,后续仍需继续加强相关模型的训练和对多类交通设施组合场景的处理能力。(三)规范测试管理服务,保障道路测试安全1.打造健全的道路测试管理与服务体系为了更好地支持行业技术快速发展,支撑北京市自动驾驶道路测试服务水平提升,有效降低企业负担,北京市针对自动驾驶测试与示范工作持续完善管理政策,建设科学的测试与示范标准,打造健全的管理体系,包括日常管理与服务、事故预防、事故处置等多个层面。在北京市自动驾驶测试管理联席工作小组的指导下,北京智能车联对“北京市自动驾驶车辆道路测试管理与服务平台”进行了持续的升级和功能拓展,实现了自动驾驶测试数据采集由实体装置向车云对接的重大转变。通过对管理数据的溯源、挖掘、分析,为北京市自动驾驶政策的改进与优化提供了数据支撑,保障了自动驾驶车辆道路测试的规范性和安全性,提高了测试企业对交通事故的防范意识和应急手段,为第三方服务机构优化和提升管理与服务水平提供了数据基础,切实保障自动驾驶车辆道路测试安全可控。北京市自动驾驶车辆道路测试报告/2022 27图 28北京市自动驾驶车辆道路测试管理与服务平台2022 年度,通过北京市自动驾驶车辆道路测试管理与服务平台持续监测道路测试隐患,告知测试主体纠正测试问题,有力地保证自动驾驶道路测试工作安全有序推进。为持续支持自动驾驶产业稳步创新发展,在北京市自动驾驶测试管理联席工作小组的指导下,北京智能车联和中关村智通智能交通产业联盟组织开展了测试主体安全宣贯、事故模拟演练等道路测试安全事故预防和准备工作,形成快速有效的自动驾驶车辆道路测试交通事故应对机制。2.提出未来自动驾驶安全运营注意事项安全是发展的前提,发展是安全的保障。在自动驾驶产业落地进程加速推进的过程中,安全仍是自动驾驶汽车面临的一大挑战。与传统汽车相比,自动驾驶汽车是一个更为复杂的系统,对安全将提出更高的要求。北京智能车联通过国内外测试事故与运营情况分析,提出当前阶段自动驾驶道路测试需要从五个方面来解决道路测试的安全问题。北京市自动驾驶车辆道路测试报告/2022 28图 29当前自动驾驶道路测试面临的主要问题当前自动驾驶测试已逐渐转向面向产品化服务化的规模化测试阶段,自动驾驶产品与运营安全问题关注度逐步提升。北京智能车联也将从车、路、人、企、管多维度入手,建立自动驾驶产品与服务运营安全评价体系、风险辨识和预警机制,以便更有力的支持保障自动驾驶测试与试运营安全。自动驾驶车辆智能网联道路安全员/乘客测试/运营企业监管/产业推动长尾技术问题高风险场景问题运营安全问题最小风险管理问题场景化产品问题安全策略问题人机交互问题道路风险与适配评价交通组织适配问题交通工程问题数智化适配问题人机交互问题接管策略问题安全员管理问题生产质量管理问题运营安全管理问题违法处置力度问题事故处置与责任认定交通规则量化管理车路人企准入管理风险辨识与监测、预警监管与监察车路人企管北京市自动驾驶车辆道路测试报告/2022 29自动驾驶汽车是对传统汽车的革新和升级,代表着人类汽车工业文明发展的新方向。推进自动驾驶技术有利于形成更强创新力、更高附加值的产业链供应链,培育新业态新模式。自动驾驶测试评价工作则为自动驾驶产品研发和技术升级提供基础支撑,自动驾驶技术的快速发展离不开相关测试评价的持续创新。北京市高度重视自动驾驶产业发展,在全国率先开放自动驾驶出行服务商业化,推动智能网联汽车技术创新。为做好全市自动驾驶车辆测评工作,配合本市自动驾驶产业转型、升级,北京智能车联将在政府领导下,主动谋划、提前布局,进一步完善测试场地建设规范,积极建立测评相关标准体系,持续提升测评队伍职业素养,深入挖掘测评技术发展空间,探索降低测评成本的有效方式,从测试评价层面助力测试主体提升自动驾驶技术的驱动力、核心力、竞争力。唯改革者进,唯创新者强,唯改革创新者胜。未来,在坚持政府部门推动引领及社会市场协同发力的基础上,我们将一如既往地坚定发展信心,坚持创新创造,做好测评升级,以新格局打造新优势。为自动驾驶高质量发展注入澎湃动力,助推北京市自动驾驶产业发展劈波斩浪,一往无前。结语北京市自动驾驶车辆道路测试报告/2022 30北京智能车联产业创新中心有限公司,是全国首家车联网、智慧交通与智能汽车检验检测领域的省级产业创新中心。北京智能车联由千方科技牵头,包括交通、汽车、互联网、通信行业9家龙头企业共同出资成立,定位于打造全球领先的智能网联汽车“全生命周期”测试、验证、检测与评估机构和自动驾驶应用示范产业服务平台。北京智能车联聚焦解决钳制智能网联行业发展的测试难、评价难与上路难等问题,牵头组织行业知名企业、科研院所编制了自动驾驶能力评估、道路选取、试验场建设、数据传输等系列团体标准。其中的自动驾驶车辆道路测试能力评估内容与方法标准入选工信部百项团标向全国推广,系列标准被北京市采纳作为自动驾驶相关适用标准。北京智能车联支撑北京市建设完成“场-路-区”三级试验与示范环境,包括850亩自动驾驶封闭试验场。其中的亦庄基地是交通运输部认定的自动驾驶封闭场地测试基地,可复现京津冀地区85%城市、90%高速、80%乡村交通场景。北京智能车联搭建了全国首个自动驾驶道路测试管理与服务平台,推进自动驾驶道路测试与示范工作,同时全面负责国家智能汽车与智慧交通(京冀)示范区的管理、建设与运营,支撑并推进全国首个车联网(智能网联汽车)和自动驾驶地图应用试点工作。当前,北京智能车联已经具备自动驾驶与车联网测试评估方法与标准研制能力和测试评估服务能力,自动驾驶与车联网测试评估政策研究推动能力、测试管理能力、技术方案咨询服务能力,以及自动驾驶与车联网测试设备、系统软硬件的设计开发与研制能力。希望与各家智能网联合作伙伴同心戮力,为智能网联行业的健康、稳步、快速发展贡献力量。北京智能车联产业创新中心介绍北京市自动驾驶车辆道路测试报告/2022 31国家智能汽车与智慧交通(京冀)示范区亦庄基地交通运输部认定自动驾驶封闭场地测试基地车联网(智能网联汽车)和自动驾驶地图应用试点高速公路快速道路高速路环道快速路辅路匝道公交专用道高速路入口高速路出口弯道坡道水泥路砂石路砖块路环岛街区道路园区道路连续曲线行驶路上下坡路侧向倾斜路实验楼主控中心服务中心展示中心车库、调试车间实验室C-V2X 网联测试联合实验室自动驾驶虚拟仿真联合实验室人机混驾联合实验室环境实验室停车场 充电桩高精度定位增强设施GNSS 智能参考站基地 V2X 网联通信覆盖基地 5G 网络覆盖城市主干道城市次干道城市支路环岛模拟苜蓿叶立交桥有信号灯路口无信号灯路口铁道口主辅路出入口林荫道可变导向车道公交专用道单行道机非混行道右转专用道潮汐车道曲线行驶直角转弯左转待转区涉水区雨篦子公共汽车站城市街景路侧停车隧道雨雾模拟强光/弱光模拟配套设施服务型电动自动行驶轮式车测试区乡村道路测试区城市道路测试区高速公路与快速道路测试区1111122222333334445445556667810121391178910111213141516171819202122232425冀主辅路出入口高速路车道控制主辅路出入口信号控制收费站(含 ETC)充电站 服务区北京市自动驾驶车辆道路测试报告/2022 32延伸阅读道路机动车辆生产准入许可管理条例(征求意见稿)关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿)关于开展汽车软件在线升级备案的通知关于试行汽车安全沙盒监管制度的通告数据安全管理认证实施规则自动驾驶汽车运输安全服务指南(试行)(征求意见稿)关于支持建设新一代人工智能示范应用场景的通知北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见(试行)北京市自动驾驶车辆道路测试管理实施细则(试行)北京市无人配送车道路测试与商业示范管理办法(试行)北京市智能网联汽车政策先行区总体实施方案北京市自动驾驶车辆道路测试报告(2021 年)北京市自动驾驶车辆道路测试报告(2020 年)北京市自动驾驶车辆道路测试报告(2019 年)北京市自动驾驶车辆道路测试报告(2018 年)北京市自动驾驶车辆道路测试报告/2022 33版权声明本报告版权属于中关村智通智能交通产业联盟、北京智能车联产业创新中心,受法律保护。如需转载、摘编或利用其它方式使用本报告文字或者观点的,应注明“来源:中关村智通智能交通产业联盟、北京智能车联产业创新中心”。违反上述声明者,将追究其相关法律责任。

    浏览量81人已浏览 发布时间2023-04-21 37页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 百度Apollo:百度智能驾驶开放白皮书1.0(2023)(26页).pdf

    百度智能驾驶开放白皮书1.0Baidu Apollo Self Driving Openness White Paper 1.02023.04目 录汽车智能化的现状及展望百度智能驾驶开放策略概 述体验定义能力进化长期服务团队成长结 语0105050715202324编者按:在智能汽车提速的关键时刻,我们基于百度在智能汽车领域多年来的探索和实践经验,以及对智能汽车产业未来趋势的洞察与思考,凝结团队的智慧于一处,编撰成书。此白皮书将在接下来的时间里,指导百度汽车智能化业务的产品、战略以及能力开放,确保我们在让汽车更聪明、让出行更简单的使命驱使下,与车企一同无畏艰难、不懈前行。书中提及的产品和业务模式,部分已经实现,部分将在接下来的工作中逐步有序实现。全球汽车产业正在经历百年不遇之大变局,曾经改变世界的机器正在再次改变世界。过去十余年,电动化改变了全球汽车产业的竞争格局。近几年,人工智能、大数据、云计算、移动通信等新兴产业技术与传统汽车产业变革叠加共振,智能化正在引领全球汽车产业革命向纵深发展。传统汽车行业的边界被逐渐打破,汽车的科技含量越来越高,汽车产品的定义与外延发生深刻变革,从一个纯粹的代步工具,逐步演进成能够自学习、自成长的新汽车。中国汽车行业在新能源转型的“上半场”已经取得了很大成绩。2023年1-3月,中国新能源乘用车的市场渗透率超过26%,已完成了从“初期市场”向“早期大众市场”的跨沟。但这不是终局,凭借超大规模的市场优势,以及消费端对智能汽车的旺盛需求,中国正在成为智能汽车技术创新的大国和重要战场。我们预测,到2026年,搭载了记忆泊车、高速领航、城市领航等L2 级别高阶智能驾驶系统车型的市场渗透率将超过15%,产业迎来智能化的跨沟期。届时,高阶智能驾驶市场的爆发将引起汽车产业新一轮洗牌。正如业界共识,实现从汽车大国到汽车强国的进阶,还要看汽车智能化的“下半场”,未来3年是关键窗口期。汽车智能化的现状及展望01智能汽车,是多产业、多技术协同融合发展的新物种,在技术、产品、场景、生态等层面深刻地影响和改变传统汽车产业。在这一场复杂而深远的技术变革中,一些关键核心技术需要突破,包括环境感知、自主决策、高精准定位、高精地图、AI芯片、车载计算平台、大数据和云计算、信息安全、智能座舱、智能线控底盘、车联网、人工智能等等。汽车与相关产业全面融合,呈现智能化、网络化、平台化发展特征,汽车产业的边界已经模糊。目前,一辆高端智能汽车已经搭载超过数千万甚至过亿行代码,其复杂程度可想而知。产品定义和用户体验能力,正在成为智能汽车的核心竞争力。智能化及其人机交互体验,在智能汽车中扮演着越来越关键的价值角色。毋庸置疑的是,从功能汽车向智能汽车的转换,是汽车产业一个抓新机、开新局的重大战略机会。然而,如何把握这个重大机遇,仍然存在不少亟待解决的难点,其中关键的胜负手就在于对用户体验的理解和定义,以及相应的技术实现和迭代。未来的智能汽车是可成长、可进化的,汽车不再是冷冰冰的机器,更是与人共生常伴的“伙伴”。因此,打造面向用户体验的智能汽车需要遵循“以人02为本”的理念,从“功能导向”转向“场景导向”,从用户需求出发来定义场景,才能扎扎实实地做好产品体验定义和迭代。以为消费者带来安全、安心、且有真实连续获得感的体验为标准衡量,目前市面上大部分智驾系统仍然存在较多不足。如何将产品体验定义在用户体验上真实兑现,需要企业在技术层面攻克从“体验定义”向“技术实现及其迭代”转化的难题,并确保智驾系统持续迭代进化的能力。汽车智能化涉及的技术很多、门槛也不低,单一的角色很难完成所有的硬件研发和智能技术积累。核心算法能力、数据闭环能力等,还必须依赖足够的数据场景和基础设施建设,这对于大多数企业来说都是很难实现的事情。智能化系统是一个以硬件为载体、由算法软件驱动的大规模动态系统,与传统的以机械零件为主的系统相比,它的复杂性是指数级增长的。具体来说,软件系统本身的动态复杂性,呈现为下述三个特征:动态可变性:软件在运行时,自身的运行时序和状态的积累、和其它软件、其它子系统的交互等,都可能会大幅影响系统的行为和性能。非线性:受并发、异步、复杂逻辑分支等因素影响,软件中的不同部分可能以非线性的方式交互,这种相互作用的关系可能会导致系统的行为变得复杂和难以预测。可修改升级:软件可以被修改,软件系统可以升级。这些特点和智能驾驶系统独特的软硬一体、持续演进、数据驱动等特点叠加在一起,让智能驾驶系统成为一个极具技术挑战的复杂产品。这就意味着,打造以用户体验为中心的智能汽车,需要车企和科技公司发挥各自的优势,将车企的用户需求洞察软实力和科技公司的智能化技术硬实力结合起来,共同努力为消费者提供好的体验。如果离开了较好的产业链深度合作,车企和供应商就无法利用彼此的优势来降低成本、共担风险,就会让产业陷入两难境地:一方面,车企反复投入巨大的研发成本,而过程和结果却充满03未知性;另一方面,优秀供应商携多年投入和积累的成果苦苦寻求更多的落地机会。这对于产业而言,并非利用有限资源进行最大化价值创造的良性状态。我们认为,以人为本、围绕用户体验为中心,打造车企和智能化供应商的新型合作模式,互相成就,这一点势在必行。要给消费者真正提供安全安心感和真实连续获得感的用户体验,需要车企和供应商找准各自的定位,发挥各自的优势,专业分工并形成合力,这样才能打造具备竞争力的产品,带给用户好的体验。车企是汽车从整车定义到交付给消费者使用、并提供持续服务的整个价值链条的链主,但智能化、特别是智能驾驶研发门槛极高、投入巨大,并且与用户安全紧密相关,因此,车企可以追求全栈可控,但在智能驾驶领域如果能够与能风险共担、利益共享的长期靠谱合作伙伴形成合力,将能够更快更好地实现可控这一目标。百度充分理解并尊重车企智能化自主可控的诉求。我们认为,智能化合作伙伴应该与车企一起探索并构建新型的合作关系。这种新型的关系中,双方以用户体验为一致目标,供应商充分尊重并支持车企在智能化体验上的定义权,同时为车企提供专业的软硬系统、云及数据闭环服务,以专业换信任,促成双方建立起长期可信赖的合作模式。开放的体验定义车企定义体验人机交互 驾驶风格 车辆控制开放的自主体验进化百度交付SOP提供数据闭环云和工具链车企可自主进化产品体验开放的全周期OTA服务SOP为起点持续OTA陪伴升级多种方案可选开放的共创成长赋能培训联合产品委员会全生命周期陪伴04作为智能驾驶赛道的先行者,百度在自动驾驶技术、人工智能应用和大数据积累方面具有丰富的经验。百度有实力,也有信心成为车企在推动智能驾驶产品研发和上市过程中的最佳合作伙伴。2010年,百度开启人工智能领域的探索之路,成为国内最早布局人工智能的公司之一。2013年,百度将人工智能技术应用在汽车领域,开始研发自动驾驶技术,是全球最早布局自动驾驶的企业之一。过去十余年间,百度将人工智能领域积累的领先AI技术能力应用在出行领域,本着“开放能力、共享资源、加速创新、持续共赢”的理念,构建了“智慧的路”、“智能的云”、“实时的图”,在这些基础设施支撑上,全面推动“聪明的车”不断进化、成长。2021年下半年,百度正式组建智能汽车事业部,将多年积累的能力和经验全面应用在量产乘用车领域,助力车企共同拥抱汽车智能化浪潮。作为一家新型、专业、本土的Tier 1,百度智能汽车事业部已形成有竞争力的、覆盖“驾、舱、图”的完善的汽车智能化产品矩阵,能够满足国内外车企对汽车智能化的各种需求,助力车企打造面向未来的智能汽车。百度智能驾驶开放策略概述05智驾方面,百度先后推出了自主泊车Apollo Parking、行泊一体领航辅助驾驶Apollo Highway Driving Pro、城市域领航辅助驾驶Apollo City Driv-ing Max等覆盖低、中、高组合的全系列智驾产品,目前已在多款明星车型上实现量产;智舱方面,百度推出行业领先的智能座舱解决方案,包括小度车载OS,小度车载语音SDK;驾舱融通方面,百度也在和车企共创驾舱融通的解决方案;智图方面,为车企提供车载导航地图、高精地图和人机共驾地图等产品。目前,百度汽车智能化解决方案已获得广泛认可,在31个汽车品牌的134个车型上实现量产,累计搭载超700万辆。在与车企合作的过程中,百度认识到:车企希望智能化时代的供应商伙伴能更开放。百度也将积极响应车企的这一要求,在保障用户体验的目标下,以更开放的态度助力车企取得智能驾驶的领先地位和商业成功。通过百度的开放合作,我们将助力车企解决以下痛点:能更好地明确自身的市场定位,深度挖掘用户需求,为用户提供安心安全、有真实获得感、且能够常用常新的驾驶体验,从而赢得消费者青睐,建立起差异化的产品竞争力和智能化的品牌形象;显著提升研发效率、有效降低开发成本、缩短开发周期、确保交付成果与预期方案保持一致,并在SOP后具备持续的更新迭代的能力;伴随全周期的服务和OTA升级,实现新车型上线后的问题及时得到修复,并保持不断优化和创新,提升用户体验和车企品牌口碑;通过与百度组建联合工作组,实现智驾研发的共同定义和共创,加深长期战略合作伙伴关系,逐步构建专业的智驾团队。为此,百度计划向车企开放以下四项核心关键能力:06开放产品体验的定义通过以API和SOA服务的方式,开放人机交互接口、核心能力SDK和底软接口,支持车企自定义用户界面、智驾风格、车辆控制等多方面的交互和体验,以满足不同用户的需求和习惯。开放智驾产品进化力通过开放智驾数据闭环云和配套工具链,支持车企在新车型上线之后构建数据闭环,实现自主可控的智驾体验迭代,基于数据驱动的模型优化快速迭代和验证智能驾驶产品,提升最终用户体验。开放产品全周期服务在产品从交付到售后的全周期服务中,提供多种合作方式,持续将增量交付部分和自身演进功能OTA给到终端用户,协助车企完成车型持续迭代,让汽车变得越来越懂用户,越用越聪明。开放团队共创和成长通过与车企合作成立产品联合委员会,为车企的产品、研发和交付团队提供技术支持和培训,助其团队成长,共同打造更加完善的智能驾驶生态系统。以用户体验为中心,体验定义是源头,如果无法给用户带来优秀的体验,那智能化系统就只能徒然增加车企BOM成本和用户购车价格。我们认同智能化的体验定义权应该由车企主导,供应商应该尊重车企对整车及智能化体验的定义权,包括:采用什么样的整车架构,打造什么样的品牌形象,什么样的智能化风格。智能化合作伙伴要专注于做好那些很难、且需要长期巨大投入的事情基于车企定义的体验提供专业的软硬系统和服务,支撑好车企对于体验的定义和迭代。当然,智能化合作伙伴也应该把积累的对于用户体验的洞察及时输入给车企,帮助车企更好地定义用户体验。百度基于多年在智能化产品体验成功实践,将体验定义及其实现过程抽象出一整套领先、灵活且高效的自定义支撑系统,包括但不仅限于:体验定义071.智驾功能的人机交互自定义化,开放引擎核心原子能力,助力车企及合作伙伴,打造个性化的智驾出行人机交互界面。2.智驾功能风格及策略的定制化,百度开放智驾核心功能的产品标定,车企可灵活修改和定制,选择个性化智驾风格和策略。3.部分与整车强相关模块可插拔化,车企可选择自研整车强相关模块,在智驾产品中可充分发挥车企自身优势。4.域控硬件平台可按需选择,通过对AI计算的底层抽象,百度方案可灵活部署于多种算力匹配的芯片平台上,实现一致的智驾体验。为解决车企关注的差异化及自身能力积累的问题,百度智能汽车提供灵活的开放策略,向车企提供交互体验和驾乘体验两大关键体验的定制,且开放功能体验配置,包括但不限于以下几个方面:功能层:通过交互逻辑(包括HMI和状态机等)的定制,可以实现相关功能的优化定制体验。此外,车企还可以根据百度提供的算法原子化能力,自行开发跨领域功能,例如魔毯功能,灵活满足不同车企的需求。决策规划:为满足车企对用户体验的极致追求,百度提供多达12个大类、接近50种产品标定参数,让车企能以便捷的方式自定义智驾产品效果,从而更好地配置驾驶风格。车辆控制:车企可根据自身情况,在解决方案中选择按接口要求集成自研的车辆控制模块。底软层:提供统一的计算加速服务接口,在智驾算法和芯片平台选型间解耦。硬件层:方案支持多种传感器组合,车企可自主平衡性价比,选择最适合自己的硬件方案。数据闭环:可支持车企配置个性化的数据收集及算法策略。08案例1-人机共驾地图的个性化百度人机共驾地图/泊车一体化SDK,是智能驾驶和智能驾舱的入口级应用和人机交互界面,具备灵活的架构设计、原子化的输出能力、支持OEM客户进行差异化、个性化的功能设计,既让智驾可感知性更强、更安心可靠,又可以帮助OEM打造不同的智舱设计风格,给用户提供差异化的出行体验。人机共驾地图架构:09方案优点:易用性:采用三明治架构设计,提供核心基础能力完善的产品、开发文档和示例Demo,支持OEM快速搭建个性专属地图灵活性:基于车身数据和SDK接口,开发者可在HMI自由组合个性化地图功能,创造千人千面的产品体验兼容性:兼容不同的操作系统和底软,支持不同的硬件平台,支持桌面widget、仪表盘、后座屏等车载设备持续性:接口稳定,支持OEM管控成本,持续跟随百度地图升级,确保能力一致个性化:基于百度原子化能力以及数据闭环能力,实现每家车企的差异化、个性化支持体验相关原子化能力输出:设计风格自定义:UIUE 自定义、底图渲染、车道级渲染风格可配置品牌车模自定义:人机共驾/自车模型、感知障碍物车辆模型可以自定义,彰显品牌特色场景渲染自定义:白天、夜晚,清晨、傍晚效果自定义,并可支持动态天气(雨、雪、雾霾、沙尘)自定义效果领航/泊车能力效果自定义:智驾指引线、变道动画、超车动画、周边车辆碰撞预警效果自定义领航/泊车播报:支持上层自定义插播智驾功能的语音播报、预警,实现贴心的安全驾驶提示百度提供人机共驾地图SDK,车企可在此基础上定义和开发上层UI、交互设计,实现视觉设计、交互逻辑和智能座舱的深度融合,打造领先的、个性化的人机共驾地图新体验:1011案例2-车企自研车辆控制算法百度智能汽车为车企提供完备的技术支持和开发环境,以帮助其自研车辆控制模块并实现量产。在这个过程中,百度为车企提供一系列的支持,同时还协助车企客户将其控制算法模块化,实现和百度智驾方案的其他模块集成。方案优点:易用性:百度提供完整方案框架和机制,车企可以便利的切换到其自研控制模块,整体打通并进行验证和量产兼容性:上下游接口稳定且向下兼容,车企的自研控制算法模块一旦成功接入,即可非常便利的接入此后的每一个版本,充分享受百度智驾方案迭代带来的功能和体验升级高效性:提供丰富的仿真场景支持能力,提高算法迭代效率具体而言,以某车企与百度合作分工为例流程如下:百度负责提供控制模块的输入依赖:如规划的轨迹、车辆状态、定位信息等;车企负责开发控制模块的算法代码,计算如横纵向控制指令、档位信息等输出信息。这是整个控制模块算法开发流程中的核心环节,可以充分发挥并体现该车企在技术实力、专业知识和经验积累上的优势。算法开发完成后,百度会协助车企客户将控制算法模块化。这样做可以提高整个系统的可扩展性和灵活性,为未来的升级和维护奠定基础。百度提供集成编译支持,帮助车企形成产品级的集成方案。对智驾系统有整体的了解是完成这一环节的必要前提,进而才能确保稳定运行。百度提供的相关支持,可以支撑车企快速将自研模块进行集成。为了进一步验证控制算法的有效性,百度同步提供仿真平台验证环境。车企自研模块可选择使用百度工具或第三方工具进行算法验证。这样可以大大减少12路测的时间和成本,并且提高测试的精度。最后,车企、百度可同时路测进行验证,百度可提供车辆集成、测试方案等相应支持。这是整个开发流程的最后一步,全面测试和评估整个系统,确保其能够满足车企的需求和期望。案例3-车企自定义产品功能标定百度的产品功能标定工具是根据百度在智驾领域多年的技术和经验积累而来,旨在帮助车企快速调整和验证其定制化的产品功能。通过使用这些工具,车企可以快速找到其关注的个性化驾驶风格参数,并根据其特有的需求进行产品功能的调整和优化,从而提高产品的竞争力。方案优点:直观性:抽象后的选项直观,参数简单,无需对智驾算法有深入了解即可快速修改易用性:百度提供一套默认的产品功能标定参数,车企可以仅针对其感兴趣的部分进行重点调整,或在设置时进行参考差异化:车企可以根据自身定位选择目标驾驶风格,充分体现车型特点,形成差异化的产品鲁棒性:无论参数如何选择,百度提供底层保护,会检查校验参数设置,确保参数选择的合理和逻辑自洽1314能力进化随着量产电动汽车的快速普及,数据驱动自动驾驶成长,成为业界广泛讨论的话题。数据是长期驱动用户体验提高的核心元素,是“数据-体验-销量”的飞轮效应的关键环节。谁能快速掌握数据驱动的能力,谁就能在智能化的浪潮里占得先机。海量数据驱动自动驾驶快速演进在业界已有先例:Tesla能够通过百万辆汽车实时采集数据,年训练万余次新模型,以平均十几天为周期迭代智驾能力。多家企业也明确表达自动驾驶进入了数据驱动的下半场的观点,并纷纷加大数据闭环基础设施的投入。然而数据闭环系统建设周期较长,非一朝一夕之功:其技术链路长,技术栈涉及AI,云,大数据,自动驾驶等领域,呈现多技术融合的特点;整合多方异构系统和工具模块,定制适配成本大,很难落地。其次,数据闭环与智驾系统强相关,在不了解算法和模型结构等核心策略know-how下,车端系统闭环更新后的安全可靠性难以保证。最后,全栈自研数据闭环系统的人力投入较高,需要规模化的长时间持续投入。Apollo智驾云是百度依托在自动驾驶等方向的多年积累,为百度智驾系统量身打造的“专属配套云服务”,专为百度智驾产品提供自动驾驶数据资产管理和数据闭环的自助服务,构建“驾驶能力提升-搭载(用户)增加-数据规模增加-驾驶能力提升”的正循环。15Apollo智驾云是植根于百度内部数据闭环的成功应用:当前智驾云已服务内部驾图等多条业务线。内部接入平台之后,模型研发效率、数据利用率、工程师人效和问题修复率等均获得了显著提升。在Apollo智驾云加持下,数据吞吐能力显著提高,数据读取效率提高10倍,核心数据产线效率提高4倍;智驾模型端到端研发时间平均降低70%,核心模型实现了周级别高质量稳定发版,高优模型实现天级别发版。Apollo智驾云结合百度自动驾驶研发多年经验,助力车企快速掌握数据驱动能力智驾自成长:车企通过海量数据持续优化智驾系统,解决长尾问题,持续提升智驾能力和体验,具备可进化的智驾领先特性生命周期全掌控:车企可掌控智驾量产系统数据闭环全链路,包括数据采集,解析,自动标注,AI训练等全链条能力;按需使用,自行发起数据闭环,成本可控全套能力,快速获得:内置数据闭环所需的端到端工具链和指标体系,并提供专家咨询服务,帮车企学习和掌握数据闭环核心know-how;SaaS产品即开即用,无适配成本,快速构建数据闭环体系16案例-感知泛化路口通过率优化泛化问题是智驾系统研发和量产过程中需要解决的核心问题之一;感知作为智驾系统核心模块,其泛化能力强烈依赖数据闭环流畅运转路口通过率是智驾系统的强指标之一,其依赖于感知对红绿灯,障碍物,车道线等道路元素的精确识别;随着泛化区域的拓展,异形红绿灯和障碍物等corner case会成为泛化的一大障碍,直接导致新区域路口通过率的降低通过智驾云系统,感知团队能够快速的定位问题,有针对性的采集高价值数据;实现红绿灯识别等关键模型周级别稳定迭代,高优问题天级别修复;新泛化区域路口通过率数周之内快速攀升至99%以上以下是一个具体案例问题描述:主车误将路口非机动车红绿灯(异形灯)识别为机动车红绿灯,导致车辆未能正常按照机动车红绿灯行驶,路口通过异常。17解决方案:车端触发规则生效,数据回传至云端后,在智驾云平台自动解析筛选问题数据,并通过标注、模型训练流程,生成最优模型。最终在车端验证部署,解决红绿灯误检问题。18优化后效果:如下图所示,经过模型迭代,红绿灯识别准确,车辆可正常通过路口。随着数据这一生产要素在智能驾驶行业的广泛应用,数据安全作为挖掘数据价值的基石,受到了行业各方参与者和监管者的关注。如何合理合法合规的使用数据,是行业普遍关心的问题。由于智能汽车采集的数据范围广、类型多,同时智能汽车这一智能体规模化采集数据也是人类社会首次,因此在世界范围内,监管和行业各方都在努力探索这一新问题的解法和思路。我们认为,智能汽车的数据安全,需要满足以下4个条件:有技术、有经验、有资质、有资源。在技术层面,百度结合自己在数据治理和数据安全方面的多年经验,能提供一整套端到端的数据合规方案。该方案包括车端安全合规采集模块和云端专有云模块兼顾性能扩展和安全可控,将国密算法、安全审校、脱敏脱密技术贯穿自动驾驶数据闭环全过程中,满足国家监管部门对多种不同类型数据的监管要求,保障业务稳妥合规。2022年12月,百度Apollo旗下一款智驾视频与图像匿名化处理系统,已在上海机动车检测中心通过了汽车传输视频及图像脱敏技术要求与方法的测试,成为国内首家完成该测试的智驾供应商。百度结合多个数据业务在安全领域的长期应用,愿通过多种方式与车企建设合作互信、互利共赢的伙伴关系。百度充分尊重车企在法律法规范围内的一切合法权利,包括法律范围内的数据所有权、使用权等。我们希望能够在合理合法合规的情况下,与车企展开数据合作。我们愿与车企在充分透明的情况下,19成立联合数据监管委员会,并由委员会负责监管数据全生命周期的存储、使用、处理,充分保证车企对数据的所有权和掌控权。在资质和资源层面,百度依托拥有的导航电子地图甲级测绘资质等一系列资质和认证,帮助车企在云端建设由图商监管的汽车数据专有云,为数据全生命周期的安全保驾护航。除了持续提升产品能力和保障服务质量,百度对与车企之间的长期合作关系非常重视。我们深知,产品交付只是服务的起点,在新车型交付上线之后,我们依然可以通过以下服务,为该款车型及后续关联车型的成功保驾护航:一、灵活的OTA服务智能驾驶系统的可靠性和安全性对于确保车辆的安全行驶至关重要。OTA升级服务是智能驾驶系统的重要组成部分,可以快速、灵活地提供新功能、修复漏洞,不断改进智能驾驶系统的性能和体验。然而,由于智能驾驶系统的复杂性,需要考虑感知、决策和控制等多个模块的互联互通,软硬件的兼容性,以及稳定的网络连接要求,导致OTA升级的难度较大。因此,如何确保长期服务20OTA升级的成功率成为当前面临的挑战,目前OTA升级的成功率在实际应用中还未达到预期水平,需要不断改进和优化,以确保智能驾驶系统的可靠性和稳定性。百度基于多年的智能驾驶系统研发经验,持续改进OTA升级的流程、技术和服务,确保智能汽车能够及时、安全地接收到最新的软件和硬件更新。在与车企的新车型产品合作中,百度可以通过以下三种合作模式,为车企提供灵活的OTA服务能力:一次性交付 问题修复:百度负责智能驾驶系统的开发和交付,并提供上线之后的问题修复和OTA推送。一次性交付 问题修复 数据闭环:百度负责智能驾驶系统的开发和交付,并提供百度智驾数据闭环云服务。车企可以利用数据闭环云服务,基于数据自行进行后续的智能驾驶体验升级;如果车企同意与百度合作共享数据,百度将以灵活的商务合作方式进行数据置换,并协助车企基于数据推动智能驾驶系统的优化和改进,为用户OTA推送更加卓越的产品和服务。一次性交付 问题修复 数据闭环 三年OTA服务:百度除了提供智能驾驶系统交付和百度智驾数据闭环云服务,还为车厂提供持续三年、每年两次的OTA升级:包括百度产品主线迭代提升的能力,以及经过双方商议、由百度实现的车企定制化需求开发功能。通过系统持续更新和升级,并基于数据驱动智能驾驶产品的体验提升,帮助车型实现智驾体验常用常新、保持生命力。这三种合作模式旨在为车企提供灵活的选择。车企可以根据其需求和商务条件,选择不同的合作方式。从一次性交付到提供数据闭环云服务和 OTA 升级,再到定制化功能需求的支持,百度致力于与车厂共同推动智能驾驶技术的发展,实现更安全、智能和可靠的驾驶体验。同时,百度也注重保护用户数据的隐私和安全,遵循法律法规,确保合作关系的公平和互利。21二、体验保障机制在C端体验保障上,百度已实现了科学的评估体系-标准化执行方案-有效闭环机制-体验量化数据线上化管理的链条闭环;在保障百度产品核心体验基础上,我们期望在开放性功能体验层面,结合以下百度体验团队沉淀的体验管理机制、评测方法论,与车企一起真正践行以用户体验为中心的产品理念,共同为合作车型的智能化体验护航:行业领先、完备的体验管理机制,覆盖产品创新全生命周期针对全栈核心能力均有科学的评估体系和规范化执行方案体验数据实现线上化跟踪、管理,拥有全栈核心能力的Benchmark22为了更好的服务车企,在长期陪伴合作的基础上,百度建议和车企共同成立双方管理层牵头的产品联合委员会,保障智驾功能按时、高质量交付的同时,也希望和车企共同探索更加具备竞争力且多元的商业模式,深入合作,共同成长。在产品规划阶段,产品联合委员会将秉持以用户体验为先的宗旨,组织双方共创OTA规划,明确阶段性的开发目标和分工。根据不同时期的用户需求和产品演进水平,定义对应的功能、交互方式和推送节奏,确保用户在使用过程中始终保持常用常新,并能真切地感受到产品的升级与改进,从而增加用户粘性和品牌竞争力;此阶段的共创,可以助力车企提升智驾功能全生命周期产品迭代规划的能力;在产品开发过程中,产品联合委员会将对开发及产品迭代过程中遇到的相关问题进行深入的协作沟通,并制定联合工作计划、定期召开小组会议、针对完成情况做出评估,确保项任务能够顺利推进。通过以上方式的共创,可以快速提升车企团队的敏捷开发、功能迭代的能力;在车辆交付后,针对用户在使用中遇到的智能化相关的问题,百度将在第一时间和车企一起进行问题的排查分析,迅速解决,使用户在使用过程中保持较高的满意度。进入智能汽车时代,车企与供应商以及终端用户之间的关系都发生了根本性的变化,SOP不再是供应商产品开发的终点,而整车交付也不意味着车企和消费者之间的交易结束,百度将和车企团队共同协作,做好持续投入的准备。此阶段的共创,可以助力车企提升快速响应并解决产品问题的能力;在项目合作的全生命周期内,考虑到车厂对于智驾系统各模块自主可控的需求,百度愿意和车企共同搭建培训机制,提供包括智能产品规划、研发测试、工程化能力等方面的培训内容。通过系统化的培训和多元化人才的充分交流,增强双方的技术迭代能力,激发团队创新意识。团队成长23汽车智能化功能要满足消费者需求,提供安全安心感和真实连续获得感的用户体验,挑战是极其巨大的。为了更好地应对这一挑战,百度希望和车企通过产品联合委员会的方式形成合力,发挥各自的优势,共同打造具备竞争力的产品,并助力合作车企逐步建立具备优秀量产能力的智能化开发团队。乘众人之智,则无不任也;用众人之力,则无不胜也。伴随汽车电动化、智能化技术的飞速发展,汽车产业链价值链正在重构。产业边界的围墙打破,大量新力量加速涌入,传统的整零关系正处在变革的关键时期。过去几年间,我们已经看到,无论是传统汽车时代延续下来的“黑盒模式”,亦或是投入巨大但成效未知的“白盒模式”,都不能满足车企构建起以用户体验为“护城河”的终极目标。作为一个深耕多年、有着丰厚积累的智能汽车Tier1,百度始终秉持对汽车行业的敬畏之心,尊重车企作为汽车行业价值链链主的角色。同时,也希望以自己多年积累的AI技术实力、产品竞争力、量产交付能力和专业服务能力,助力汽车产业迎接“两化融合”的新时代。今天竞争很激烈,明天或许更激烈,但后天一定会因为我们的努力而更加美好。天下无易成之业,而亦无不可成之业,各守乃业,则业无不成。跨界融合的大时代呼吁更广泛、更开放的合作模式,我们认为,面向用户体验为中心的智能化,需要车企和产业链携手,在“白盒”与“黑盒”之间探索出一种全新的整零合作模式,共建可持续发展的、共生共赢的智能驾驶产业新生态。百度期待与志同道合的车企深度合作、相互成就,携手决胜智能化时代。结语24

    浏览量304人已浏览 发布时间2023-04-18 26页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 百度Apollo:自动驾驶安全第一白皮书(2019)(147页).pdf

    2019自动驾驶安全第一白皮书II作者Matthew Wood,M.SDr.Philipp Robbel Dr.Michael Maass Dr.Radboud Duintjer Tebbens Marc Meijs,M.Sc.Mohamed Harb,M.Sc.Jonathon Reach,B.Sc.Karl RobinsonDavid Wittmann,M.Sc.david.wittmannaudi.de Toshika Srivastava,M.Sc.Dr.-Ing.Mohamed Essayed Bouzouraa刘思远,BS,MBA 王亚丽,MA Dr.-Ing.Christian Knobel christian.knobelbmw.de Dipl.-Inf.David Boymanns david.boymannsbmw.de Dr.-Ing.Matthias Lhning Dr.Bernhard Dehlink Dirk Kaule,M.Sc.Dipl.-Ing.Richard Krger Dr.Jelena Frtunikj Dr.Florian Raisch Dipl.-Math.Miriam Gruber Jessica Steck,M.Sc.Dipl.-Psych.Julia Mejia-HernandezDipl.-Ing.Sandro Sygudasandro.sygudacontinental-Dipl.-Ing.Pierre Blher Dr.-Ing.Kamil Klonecki Dr.Pierre Schnarz Dr.Thomas Wiltschko Dipl.-Inf.Stefan Pukallus Dr.-Ing.Kai SedlaczekNeil Garbacik,M.S David Smerza,BSAE Dr.Dalong Li Dr.Adam Timmons Marco BellottiMichael OBrien,BS Michael SchllhornDipl.-Ing.Udo DJack Weast,BS,M.S Alan Tatourian,BSDr.-Ing.Bernd Dornieden bernd.dorniedenvolkswagen.de Dr.-Ing.Philipp Schnetter Dr.-Ing.Dipl.-Wirt.Ing.Philipp Themann Dr.-Ing.Thomas Weidner Dr.rer.nat.Peter SchlichtIII摘要版本说明:自动驾驶安全第一白皮书中文版由北京百度网讯科技有限公司提供。中文翻译仅供参考,如中英文内容出现不一致,以英文版本为准。本出版物汇总了 SAE L3 和 L4 自动驾驶的众所周知的通过设计实现安全,以及验证和确认(V&V)方法。本出版物的目的在于最大化地论证自动驾驶方案相比于人类平均驾驶水平具有正风险平衡。目前已有一系列出版物聚焦于自动驾驶的具体子主题。相比之下,本出版物基于主机厂、各层级供应商、关键技术供应商的输入对自动驾驶的安全相关主题进行了综合说明。本出版物的方法为首先将安全原则系统性分解为设计安全能力、各种要素和架构,然后对验证与确认方法进行汇总以证实实现了正风险平衡。由于 L3 和 L4 级自动驾驶系统仍在开发当中,本出版物为开发和 V&V 过程提供了潜在方法和考量因素的指导。本出版物无意用作自动驾驶系统的最终声明或最低、最高标准要求或标准。相反,本出版物旨在为当前寻求全行业的自动驾驶标准化的活动做出贡献。参考标准ISO/PAS 21448:2019 道路车辆-预期功能安全(SOTIF)ISO 26262:2018 道路车辆-功能安全ISO/SAE CD 21434 道路车辆-网络安全工程ISO 19157:2013 地理信息-数据质量ISO/TS 19158:2012 地理信息-数据供应的质量保证ISO/TS 16949:2009 质量管理体系-ISO 9001:2008用于汽车生产和相关配件组织的具体要求ISO/IEC 2382-1:1993 信息技术-词汇-第1部分:基本术语ISO/IEC/IEEE 15288:2015 系统与软件工程-系统生命周期过程 Copyright 2019 by Aptiv Services US,LLC;AUDI AG;Bayrische Motoren Werke AG;Beijing Baidu Netcom Science Technology Co.,Ltd;Continental Teves AG&Co oHG;Daimler AG;FCA US LLC;HERE Global B.V.;Infineon Technologies AG;Intel;Volkswagen AG.All rights reserved.The document and information contained herein is not a license,either expressly or impliedly,to any intellectual property owned or controlled by any of the authors or developers of this publication,and license to this document and information should not be considered to be have been made available to parties receiving and/or reviewing this document and information.The information contained herein is provided on an“AS IS”basis,and to the maximum extent permitted by applicable law,the authors and developers of this document hereby disclaim all other warranties and conditions,either express,implied or statutory,including but not limited to,any(if any)implied warranties,duties or conditions of merchantability,of fitness for a particular purpose,of accuracy or completeness of responses,of results,of workmanlike effort,of lack of viruses,of lack of negligence.THERE IS NO WARRANTY OR CONDITION OF TITLE,QUIET ENJOYMENT,QUIET POSSESSION,OR NON-INFRINGEMENT.IV目 录1 引言与动机 21.1 本出版物的范围.21.2 本出版物中使用的结构与开发示例.41.3 安全愿景.61.3.1 背景.61.3.2 十二条自动驾驶的指导原则.62 系统地开发可靠性以支持通过设计实现安全122.1 由可靠性推导自动驾驶能力要求.132.1.1 自动驾驶车辆的法律框架.132.1.2 相关安全标准的应用.142.1.3 预期功能安全(SOTIF).172.1.4 功能安全.202.1.5 汽车信息安全.212.1.5.1 为什么信息安全对安全性如此重要?.222.1.5.2 信息安全方法与措施.242.1.6 自动驾驶的能力要求.272.1.6.1 能力的初始推导.272.1.6.2 能力概述.302.1.7 最低风险状况和最低风险策略.342.2 实现能力的要素.362.2.1 能力的实现.362.2.1.1 FS_1:确定位置.372.2.1.2 FS_2:感知自动驾驶车辆附近的相关静态和动态物体.382.2.1.3 FS_3:预测相关对象的未来行为.392.2.1.4 FS_4:制定一个无碰撞并且合法的驾驶规划.402.2.1.5 FS_5:正确执行驾驶规划.412.2.1.6 FS_6:与其他(易受伤害的)道路使用者的沟通和互动.412.2.1.7 FS_7:确定规定的标称性能是否达到.422.2.1.8 FD_1:确保操作员的可控性.432.2.1.9 FD_2:检测降级模式是否可用.442.2.1.10 FD_3:确保安全的模式转换和用户认知.442.2.1.11 FD_4:通过降级来应对标称性能不足和其他失效.452.2.1.12 FD_5:在应对失效的降级模式下降低系统性能.462.2.1.13 FD_6:在减少的系统限制范围内执行降级模式.462.2.2 要素.472.2.2.1 环境感知传感器.47V2.2.2.2 先验感知传感器.482.2.2.3 V2X.512.2.2.4 传感器融合.512.2.2.5 解释与预测.522.2.2.6 定位.532.2.2.7 ADS模式管理器.532.2.2.8 自车运动.542.2.2.9 驾驶规划.552.2.2.10 交通规则.562.2.2.11 运动控制.562.2.2.12 运动执行机构.572.2.2.13 带辅助执行器的车身控制.582.2.2.14 人机交互.582.2.2.15 驾驶员状态确定.612.2.2.16 车辆状态.642.2.2.17 监视器(标称和降级模式).642.2.2.18 处理单元.642.2.2.19 电源.652.2.2.20 通信网络.652.3 通用逻辑架构.653 验证与确认723.1 本章范围和自动驾驶V&V的主要步骤.723.2 L3与L4系统V&V的关键挑战.753.3 自动驾驶系统的V&V方法.763.3.1 定义测试目标与目的(为何与多好).773.3.2 测试设计方法(如何).773.3.3 测试平台(何地).783.3.4 应对关键挑战的测试策略.793.4 测试数量与质量.833.4.1 等价类/基于情景的测试.843.5 仿真.853.5.1 仿真类型.873.5.2 仿真情景生成.883.5.3 对仿真的确认.893.5.4 更多仿真主题.893.6 要素验证与确认.903.6.1 先验信息与感知(地图).913.6.2 定位(包括GNSS).92VI3.6.3 环境感知传感器、V2X与传感器融合.923.6.4 解释与预测、驾驶规划和交通规则.933.6.5 运动控制.933.6.6 监视器、ADS模式管理器(包括车辆状态).933.6.7 人机交互.943.7 现场操作(监控、配置、更新).943.7.1 测试可追溯性.943.7.2 鲁棒性配置与变更管理过程.953.7.3 回归预防.953.7.4 安保性监控与更新.963.7.5 连续监控与纠正执行.974 结论与展望1005 附录A:开发示例1045.1 L3交通阻塞巡航(TJP).1045.1.1 标称功能定义.1045.1.2 最低风险状况.1045.1.3 最低风险策略.1045.2 L3高速公路巡航(HWP).1045.2.1 标称功能定义.1045.2.2 降级模式/最低风险状况.1045.2.3 最低风险策略.1055.3 L4城市巡航(UP).1065.3.1 标称功能定义.1065.3.2 降级模式/最低风险状况.1065.3.3 最低风险策略.1065.4 L4停车场巡航(CPP).1065.4.1 标称功能定义.1065.4.2 降级模式/最低风险状况.1065.4.3 最低风险策略.1065.5 讨论要素的选择.1075.5.1 FS_1定位的感知要素.1075.5.2 FS_2感知相关要素的感知要素.1085.5.3 FS_3预测将来运动中的解释和预测.1095.5.4 FS_5执行驾驶规划和FD_6执行降级模式的行动要素.1105.5.5 FS_7检测标称性能和F_4对性能不足做出的反应中的ADS模式管理器.1115.5.6 FD_1确保操作员可控性中的用户状态确定.1125.5.7 FD_1确保操作员可控性和FD_6执行降级模式中的HMI.113VII5.5.8 FS_7和FD_2中的监视器.1136 附录B:使用深度神经网络实现自动驾驶系统的安全相关要素1166.1 动机与引言:自动驾驶中的机器学习.1166.2 定义(何事和为何).1186.3 解构(如何做).1206.3.1 定义和选择数据.1206.3.2 DNN的架构设计.1236.4 开发与评价.1256.5 部署与监控.1286.6 安全工作成果.1307 词汇表1348 参考文献142VIII缩写对照表ADASAdvanced Driver Assistance System高级驾驶辅助系统ADSAutomated Driving System自动驾驶系统ASILAutomotive Safety Integrity Level汽车安全完整性等级AUTO-ISACAutomotive Information Sharing and Analysis Center汽车信息共享和分析中心AUTOSARAUTOmotive Open System Architecture汽车开放系统架构CERTSComputer Emergency Response Team计算机应急响应小组CPUCentral Processing Unit中央处理器CPPCar Park Pilot停车场巡航CRCCyclic Redundancy Check循环冗余检查DDTDynamic Driving Task动态驾驶任务DESTATIS(Statistisches Bundesamt)Federal Statistical Office of Germany德国联邦统计局DFMEADesign Failure Mode and Effect Analysis设计失效模式和效果分析DiLDriver-in-the-Loop驾驶员在环DNNDeep Neural Network深度神经网络E/EElectrical/Electronic电气/电子ECUElectronic Control Unit电子控制单元EPSElectric Power Steering电动助力转向EUEuropean Union欧盟FMEAFailure Mode and Effects Analysis失效模式和影响分析FMVSSFederal Motor Vehicle Safety Standards联邦机动车安全标准FUSAFunctional Safety功能安全GDPREuropean General Data Protection Regulation欧盟通用数据保护规定GNSSGlobal Navigation Satellite System全球导航卫星系统GPSGlobal Positioning System全球定位系统GPUGraphics Processing Unit图形处理单元HiLHardware-in-the-Closed-Loop硬件在环HMIHuman-Machine Interaction人机交互HWHardware硬件HW REPRO.Hardware Reprocessing硬件再处理HWPHighway Pilot高速公路巡航I/O PortInput/Output Port输入/输出接口IECInternational Electrotechnical Commission国际电工委员会IEEEInstitute of Electrical and Electronics Engineers电气和电子工程师协会IMUInertial Measurement Unit惯性测量单元IPsecInternet Protocol Security互联网安全协议ISOInternational Organization for Standardization国际标准化组织ISTQBInternational Software Testing Qualifications Board国际软件测试资质认证委员会LIDARLight Detection and Ranging激光雷达MCUMicrocontroller Unit微控制单元MRCMinimal Risk Condition最低风险状况IXMRMMinimal risk maneuver最低风险策略NDSNaturalistic Driving Study自然驾驶研究NHTSANational Highway Traffic Safety Administration国家高速公路交通安全局NTSBNational Transportation Safety Board国家交通安全委员会ODDOperational Design Domain运行设计域OEMOriginal Equipment Manufacturer原始设备制造商OROpen Road开放道路OTPOne True Pairing最佳配对OUTObject Under Test待测物体PGProving Ground验证场地RAMSSReliability,Availability,Maintainability,Safety and Security可靠性、可用性、可维护性、安全和安保性RMAReliable Map Attribute可靠的地图要素SDLSecure Development Lifecycle安全开发生命周期SiLSimulation-in-the-Closed-Loop仿真在环SoCSystem on Chip系统级芯片SOTIFSafety of the Intended Functionality预期功能安全STVG(Straenverkehrsgesetz)German Road Traffic Act德国道路交通条例SWSoftware软件SW REPRO.Software Reprocessing软件再处理TJPTraffic Jam Pilot交通阻塞巡航TLSTransport Layer Security交通层安全UNECE United Nations Economic Commission for Europe欧洲经济共同体UPUrban Pilot城市巡航V&VVerification and Validation验证与确认第一章 引言与动机21引言与动机自动驾驶是现代汽车的关键技术之一。除了提供更广泛的交通便利性,它还有助于减少驾驶相关的事故数量。在自动驾驶时,自动驾驶车辆的安全性是最重要的因素之一。本出版物旨在对现有有关安全各方面的出版物进行补充说明,更以技术为基础概述开发期间的各项要求,以避免安全相关的危害,从而强调通过设计实现安全的重要性。此外,本出版物还旨在对这些系统的验证和确认进行充分的讨论,而目前现有文献中仍然缺少这一方面的内容。本出版物旨在为当前寻求全行业自动驾驶标准化的活动做出贡献。这项工作也将有助于为汽车和出行领域的所有公司从技术创业公司到成熟的 OEM 和关键技术的各级供应商,制定自动驾驶系统安全框架或指南提供更深入的理解。11本出版物的范围本出版物的目的是提供有关安全自动驾驶系统开发和验证的一般步骤的概述和指导。本文的出发点源于不同监管出版物(世界各地不同的法律、道德报告等)中对安全指南的定义。这些指南是编制本文的基础,是系统设计、各种方法和验证与确认策略的依据。本文将主要关注超出现有 SAE L1/2 级驾驶辅助系统之外的额外开发需求。另外,信息安全也必须同安全性被一起考虑在内,因为信息安全涉及的是主动攻击的使用需求,而安全性考虑的则是被动攻击。这一差异导致额外的分析工具和技术机制的应用,从而又影响了安全性。因此,二者应协同工作,所以第 2.1.4 节对这一概念进行了更详细的探讨。本出版物还旨在为解决自动驾驶车辆引入的风险制定指南。该方法包括了所有参与公司达成的共识,而市场上引入的每个具体系统则需基于其做出扩展。本出版物基于出版时最新的自动驾驶技术进行编写。因此,本出版物并不完整,应随着社会认可、技术和立法方面的进展而不断进行重新审查和修订。3本出版物的范围并不包括设计明确的技术解决方案或提出最低、最高的标准,因为自动驾驶系统的定义、其运行设计领域和技术演进等还存在多种可能性。由于本出版物重点放在安全方面,因此未涉及无监督机器学习、误用、数据隐私或高级驾驶辅助系统等主题。最后,通常作为用户功能一部分的非安全相关要素,如舒适驾驶策略或点到点最快导航策略等等也未纳入到本出版物的范围之列。本出版物的预期受众包括媒体和出版社等实体、监管机构、自动驾驶行业从业人员、保险公司以及以后参与标准化工作的人员。为避免异议需特别说明,本文无意也不应被理解为试图建立、创立或已经制定了一个自动驾驶可靠性领域的单一的最低或最高要求或标准,另外也无意阻止、妨碍或限制缔约方或附属公司以任何方式偏离本出版物的内容。每一家公司保留权利去决定和应用针对自动驾驶系统开发中的特定需求最适合的标准和流程。如果在本出版物中的内容被视为与以上声明冲突的情况下,应遵循无约束力声明。412 本出版物中使用的结构与开发示例本出版物由多个互相关联的主题构成,它们相互支撑以实现整体的安全愿景。图 1 将这种结构可视化:结构概览123风险平衡十二原则通过设计实现安全验证与确认能力3.13.4整体测试3.53.7仿真和现场运行3.6要素的验证与确认2.2 2.1 要素2.3 通用架构附录 A开发示例附录 B深度神经网络图1:结构概览5图中的屋脊代表了作为出发点和总体目标的正风险平衡。正下方的屋顶代表了自动驾驶的十二个原则。屋脊和屋顶共同构成了第 1 章。整个屋顶结构由两个支柱支撑,即通过设计实现安全(第 2 章)和验证与确认(第 3 章)。第一个支柱介绍了自动驾驶可靠性的三个领域:预期功能安全(第 2.1.3 节)、功能安全(第 2.1.4 节)和汽车信息安全(第 2.1.5 节)。自动驾驶的能力是从 12 个原则和 3 个可靠性领域中推导出来的。第 2.2 节介绍了实现能力的要素,第2.3 节介绍了将要素整合在一起的通用架构。开发示例(附录 A)构成了这个支柱的最后一个元素。第二个支柱首先介绍第 3.1 节至第 3.3 节中的测试与验证方法,然后讨论测试质量(第3.4 节)和仿真(第 3.5 节)。第 3.6 节介绍了第 2.2 节中涉及的要素的验证和确认。第二根支柱的最后一块包括第 3.7 节中有关现场运行的讨论。然后,这两个支柱通过第 3 章中概述的V&V 方法连接在一起,该方法将通过设计实现安全和主要 V&V 策略结合起来,以解决本出版物中提出的挑战。最后,附录 B 讨论了使用 DNN 实现自动驾驶中安全相关的要素。本出版物使用多种方法帮助读者阅读。第 1.3 节所述的十二个原则的每一个都被赋予了一个象形图,并在随后的章节中用作视觉索引。为了进一步清晰起见,本出版物还使用了以下四个开发示例及其图示:客户可选用的 L3 级交通阻塞巡航系统(TJP):驾驶员需持有驾照并随时关注路面情况;仅在双向车道被物理隔离的道路上驾驶,通常路上无行人或自行车;最高时速60km/h,只在前方有车辆的情况下驾驶,并且无变道、无施工现场;仅在白天、无雨、温度高于零度的环境下驾驶。客户可选用的 L3 级高速公路巡航系统(HWP):驾驶员需持有驾照并随时关注路面情况;仅在双向车道被物理隔离的道路上驾驶;最高时速130km/h,可有前方车辆或无前车,可以变道,允许有施工现场;可以在白天或夜晚,中雨或中雪的环境下驾驶。6城市区域内适用车队运营的 L4 级城市巡航系统(UP):用户无需驾照和驾驶能力,也不必关注路面;最高时速70km/h;设计运行域在没有安全员的情况下非常有限,在有安全员的情况下可适当扩大;必要时允许远程操控。适用于客户选用也适用于车队运营的 L4 级停车场巡航系统(CPP):在认证的停车场或区域内无人驾驶(用户无需驾照,也无需关注路面);最高时速10km/h;设计运行域专注于路外停车和物流区域,基础设施需基于需求来扩展(基础设施的搭建可能因远程操控而做必要的改造,但这并不是强制的)。13安全愿景131背景根据德国联邦统计局(Destatis,2018)公布的德国交通事故统计数据,超过 98%的交通事故是至少部分由人引发的(Destatis,2018,p.146)。同样,美国国家公路交通安全管理局(NHTSA)报告说,美国94%的严重撞车事故是由人为失误造成的(NCSA,2015,p.142)。因此,引入自动驾驶对降低撞车事故发生率具有很大的潜力。但是,正如德国伦理委员会 2017 年 6月所建议的那样(BMVI,2017),要实现“与人类驾驶水平相比的正风险平衡”的目标,实现自动驾驶的完全安全效益,这还面临着重大挑战。深入研究 Destatis 发布的统计数据后(这些统计数据也可作为人类驾驶表现的指标),可以认为人类是影响交通安全的一个合理因素(Destatis,2018)。一辆车两次任意严重程度的碰撞之间的平均距离为 30 万公里,而一辆车的终生里程为 70 万公里。据统计,美国两次致命撞车事故间的平均距离为 2.28 亿公里,而德国高速公路或“Autobahn”出现两次该类事故间的平均距离多达 6.61 亿公里(Destatis,2018,p.146;NCSA,2015,p.142)。132十二条自动驾驶的指导原则与人类司机相比,自动驾驶在大多数情况下都能提供更好的表现。但自动驾驶也并不能完全消除事故或碰撞风险。本出版物的目标是提出一种解决自动驾驶车辆引起的风险的通用方法。这一通用方法应被解释为自动驾驶安全性的一个基准,而并非尝试去定义一个完整且安全的具体产品。7 7安保性在提供自动驾驶系统时,应采取措施保护自动驾驶系统免受安保威胁。安全操作处理系统降级如果安全相关功能或系统组件变得危险(例如不可用),则自动驾驶系统应该:能够补偿系统并将其转换到安全条件或状态(在可接受风险范围内)确保有足够的时间,以便将控制权安全地转移到车辆操作员身上失效可运行(仅限于安全相关功能或组件)安全关键功能或系统组件的丧失不应导致一个安全相关的情况。运行设计域ODD确认一旦识别出限制自动化系统安全功能的系统边界,系统应作出反应以补偿或向车辆操作员发出接管请求,并为接管提供足够的时间。典型情况管理自动驾驶系统必须考虑ODD中通常预期可能发生的情况,并解决可能的风险。车辆操作员接管请求激活和退出自动驾驶系统应该要求来自车辆操作员的表明高置信度意图的明确交互。8 8用户责任为了提高安全性,用户的状态(例如警觉状态)必须适合于负责任地执行接管程序。系统应该能够识别用户的状态并让他们了解用户所承担的对应责任。而在无人驾驶服务中,系统还应将安全相关驾驶情况告知相应的操作员。责任用户必须清楚了解仍然由用户负责的驾驶任务的各个方面。模式感知自动功能必须确保可以在任何时间明确且无误地识别当前有效的驾驶模式。此外,用户必须明确了解驾驶模式的变更。车辆接管请求最小风险状况如果车辆操作员不遵守接管请求,则自动驾驶系统必须执行操作以最小化风险,从而达到最小风险状况。这种操作取决于自动驾驶系统的情况和当前性能。接管请求车辆接管请求对于车辆操作员来说应易于理解和处理。车辆操作员与自动驾驶系统的互相依赖对系统安全的整体评估应考虑到自动化对车辆操作员的影响。即使这些影响出现在自动驾驶时段结束之后,且与行程中的自动驾驶部分有直接关联。9 9安全评估应使用验证和确认来确保满足安全目标,以便持续地改善整体安全性。数据记录当事件或事故发生的时候,自动驾驶车辆应以符合适用的数据隐私法的方式记录与自动驾驶系统状态有关的相关数据。被动安全碰撞场景车辆布局应适应由车辆自动化引起的碰撞场景的变化。不同的乘坐位置即使通过自动驾驶系统实现了车辆内部空间的新用途,也应确保乘员保护。交通行为路面礼仪自动驾驶功能的行为不仅应让周围(易受伤害的)交通参与者易于理解,还需要可预测和管理。遵守规则自动驾驶系统需要遵守适用的交通规则。上述“用户责任”原则描述了其他的用户责任。1010安全层自动驾驶系统应识别系统限制,尤其是那些会导致无法将控制权安全地转移到车辆操作员的系统限制,并做出应对以尽量减小风险。本出版物的整体方法基于以上 12 项原则,包括综合收集各种出版物,以及主要公共部门或消费者协会提出的各种建议(IWG,2017;ABI&Thatcham Research,2017;NTSB,2017;NCSA,2015;BMVI,2017;StVG,2018)。在考虑正风险平衡时,对于不同自动驾驶功能所需的总体安全要求,这些原则为推导出它们的一个基准提供了基础。本出版物的目的是强调自动驾驶车辆开发、生产、操作和维护的在安全性和安保性上的相关方面,而综合这些方面可以带来安全的产品。这些内容应为自动驾驶车辆的安全性奠定基础。本出版物的参与公司拥有共同的目标,暨在同一 ODD 内,在回避或缓解风险(例如碰撞或驶离道路等)方面,他们的自动驾驶车辆在自动驾驶模式下以及转移到人类驾驶的前后比人类平均驾驶水平表现更好。同时,在非常罕见的情况下,自动驾驶系统略微的负安全平衡仍然是可接受的,从而在所有情况下都保持正风险平衡。第二章 系统地开发可靠性以 支持通过设计实现安全122系统地开发可靠性以支持通过设计实现安全本章阐述了三个可靠性领域:预期功能安全、功能安全和信息安全,以及它们如何协同工作以及如何将它们整合在一起,以创建一个可靠的系统。本章首先介绍每个领域,并从可靠性中推导出自动驾驶能力要求。然后提供可以实现这些能力要求的要素。最后,通过一套通用的逻辑架构设计来整合所有要素(参见图 2)。可靠性的系统开发基于可靠性的系统能力通用体系结构要素能力的目的原则对照 能力将要素连接到通用逻辑体系结构通用示例能力对照要素图2:可靠性的系统开发1321 由可靠性推导自动驾驶能力要求由可靠性推导自动驾驶能力时,首先概述了适用于自动驾驶车辆的各国的法律框架,以确定在 12 条原则以外的能力要求。这些能力同时涵盖了功能安全和应对人为因素的 SOTIF。安保性作用于逻辑和技术架构,并为这两者提供输入要求。由于目前没有关于汽车信息安全的立法或国际标准,因此本节提供了有关信息安全方法和措施的建议。211自动驾驶车辆的法律框架自动驾驶系统应满足那些针对自动驾驶车辆的规定,同时也应满足那些针对其他车辆和道路使用者的整体规定,例如道路交通法规。所有自动驾驶系统都应符合适用于自身 ODD 的法律规定。这可能包括一系列联邦、国家和国际法规,例如:欧盟、日本、其他国家和地区(联合国法规)1968年维也纳公约规定驾驶员必须始终控制他们的车辆。2014年,联合国欧洲经济委员会(UNECE)对该法规进行了修订,将高度自动化的系统纳入其中,前提是这些系统可以让驾驶员随时接管车辆,并且驾驶员可以启动或退出系统。然而,这仍然以每辆车都必须有驾驶员为前提条件。UNECE WP.1已经确认,1949年和1968年公约适用于所有驾驶情况,除了车辆完全由车辆系统控制,而驾驶员完全没有承担任何作用的情况以外。UNECE WP.1 目前正在制定一项关于在公路交通中部署高度自动驾驶和全自动驾驶车辆的决议草案,其中包含了1949/1968公约缔约方提出的关于如何安全部署这种新技术的建议(ECE/TRANS/WP.1/165,2018)。美国美国交通部发布了2016年联邦自动驾驶车辆政策(U.S.DOT,2016),以及后续取代它的自动驾驶系统:一个安全愿景(NHTSA,2017),为行业和各州提供了一个适用于 SAE L3-L5级自动驾驶系统的自愿自我安全评估的框架用于分析和交流安全策略。该框架强调了基于 12个原则的自动驾驶系统开发和安全验证的广泛需求。为了实现适当的法律框架,自动驾驶系统规范必须在国际、国家、区域和地方各层面共存,并同时应考虑到现有的汽车法律框架。国家14层面需要统一的法律框架,可为自动驾驶系统规范提供基础法律框架。这将为国家公路交通安全管理局(NHTSA)制定新的联邦机动车安全标准(FMVSS)提供基础。各国政府都有需求分析各自的汽车立法现状,以理解需要根据自动驾驶系统调整的领域。这样将促进和实现不同级别的自动驾驶系统的大规模量产,特别是促进对近期可量产的 SAE L3 和 L4 级技术的安全监管。中国中华人民共和国工业和信息化部于 2018 年发布了国家车联网产业标准体系建设指南(智能网联汽车)以整体性强化顶层系统设计并促进智能网联汽车行业的研究和发展。另外,中国正在密集地制定新的法律规范(2020 年前 30 项新标准,2025 年前 100 项新标准)以适应中国的国情和国际实践。212相关安全标准的应用除了法规之外,系统除非能够控制由于预期用途或罕见的 E/E 故障导致的安全相关用例,否则无法达到必要的安全水平。此外,应考虑故意的恶意操纵以外的可预见的系统误用。已量产的部分自动驾驶系统(SAE L2)越来越多地辅助驾驶员完成横向和纵向控制任务。驾驶辅助系统的进步将减轻用户在驾驶任务中的压力,而高级自动驾驶系统(SAE L3 或更高)的引入将使用户完全脱离驾驶任务。需要应用全局系统视角来保障整个技术发展过程中的安全。已经制定的开发标准部分涵盖了这一视角,但是仍然需要制定新的标准。由于这样的系统尚未量产,并且由于可用的解决方案不成熟并且未被部署,因此目前尚无自动驾驶系统的开发标准。汽车工业目前除了 ISO 26262 之外还使用其他资源来定义自动驾驶系统的安全设计。其他行业开发的经验、文献、研究和标准可以为汽车界定义自动驾驶系统领域安全标准和流程提供更多资源。ISO 26262 的第二次修订已经结束,以更严谨和结构化的方式支持更复杂汽车电子系统。最近发布的 ISO/PAS 21448 标准规定了用于分析、验证和确认非故障情景的开发流程和系统用例。但是,ISO/PAS 21448 仅考虑 L1 和 L2 自动化系统。因15此,本出版物试图将该标准扩展至 L3 和 L4 应用。上述标准相互补充,可主要用于定义自动驾驶系统的设计风险,使工程团队设计出各种安全机制并增强自动驾驶系统的预期功能,以降低所识别的风险。现有标准并没有解决自动驾驶系统中一些最棘手的问题,例如人工智能的安全保障(相关的算法来自于机器学习和神经网络领域,参见附录 B)、人为因素和心理学,以及作为自动驾驶系统输入的传感器的技术能力等。尽管如此,应分析与安全相关的用例,以确保必要的安全水平。这些分析系统地评估了预期用途和可预见的误用可能产生的危害的功能说明。除了安全的设计和开发过程,系统评估还从验证到确认逐步迭代,包括专家评估、安全分析和试验。根据其范围的不同,这一过程可采用多种标准。首先应定义安全功能。ISO/PAS 21448 旨在处理由预期功能和可预见的功能误用的引起风险和危害等级。通过全球制定的 ISO26262 可以解决由系统的 E/E 故障引起的危险,而 ISO/SAE 21434 从安保性角度来评估故意操纵的危险。实施 ISO/PAS 21448、ISO 26262 和 ISO/SAE 21434 等安全标准需要将它们的过程和方法组合。根据开发组织的需要,可能需要对这些标准独立地予以开发,同时考虑其依赖性。在实现自动驾驶车辆功能时,应根据功能和系统边界来评估风险。性能限制(例如,基于传感器限制)可能导致故障行为,从而可能产生危险情况。开发标准将帮助开发人员管理系统的复杂性,评估可能的风险并采取适当的措施。最后,目前尚无标准可以处理系统安全性和可用性之间存在的充分关联。将 ISO 26262 用于大多数应用时会在可用性方面有其局限性。设计一个安全的自动驾驶系统需要平衡应用的可用性和风险性。风险性太低会导致系统过于保守,系统可用性变得太低(为实现充分完整性的安全机制可能会危及可用性目标),反之又无法提供更安全和舒适的客户体验。相反,如果系统安全设计过于宽松,将产生一个不够安全但可能始终可用的系统,如图 3 所示:16安全性 vs.可用性(L3/4级系统)扩展ODD(可用性)严重受限的运行安全性优化的受限运行不受限的运行图3:安全性vs.可用性(L3/4级系统)因此,从分析的角度来解决问题变得越来越重要:通过基于情景的系统行为设计来解决系统的安全性,并通过分析用例和情景来设计鲁棒而安全的系统。本出版物将此定义为通过设计实现安全(Safety by Design)概念,这一方法将在本文中详述。可用性不仅受 ODD 限制的影响;同时也可能因过于保守、过于复杂或安全机制设计缺陷、系统设计缺陷、传感器模态和冗余方面的多样性不足、环境因素、由于设计不良的 HMI引起的人为模式混乱或自动化效应(车辆操作员与自动驾驶系统的相互依赖)而受到影响。为了实现失效安全和可用性之间的平衡,设计要从上到下的分析和构建。基础的分析将与通用逻辑架构无关。该过程包括风险评估,以确定所设计系统的安全要求。最终,这将演变为一个安全概念,它定义了可以支持安全目标的多种安全机制。17213预期功能安全(SOTIF)SOTIF 方法的基本概念是引入迭代开发和设计过程,其中包括确认和验证,并产生可以被声明为安全的预期功能。可以通过相应方法推导出若干活动,以证明这些活动足以开发安全的自动化功能。该方法假设存在一个包含安全系统行为的已知场景区域,以及具有潜在危害的未知区域。实际上,这些区域有重叠,如图 4 所示。维恩图中描绘的区域定义如下:区域1可以被宣布为已知的安全行为。根据定义,该区域没有不可接受的系统行为区域2包括存在潜在危险的已知行为,或在特定情况下可能的意外行为。区域3为未知并且可能危险的行为。根据定义,其余白色安全区域是安全和未知的。可能的功能/系统行为定义1 123图4:可能的功能/系统行为定义18汽车开发的目标是将已知的潜在非预期行为和未知的潜在行为降低到可接受的剩余风险水平。使用上述模型,可以得出以下开发目标:安全功能/系统行为最大化(区域1)已知潜在非预期场景最小化(区域2)未知非预期场景最小化(区域3)白色区域与本出版物的论据无关,因为其已经安全。在任何情况下,白色区域也能通过减少区域 3 或扩展区域 1 的措施被减小。图 5 通过描绘各区域的发展目标来展示这一结果:通过这个模型可以得到以下各区域的安全开发目标:区域1:安全功能/系统行为最大化 区域2:已知的潜在危险行为最小化 区域3:未知区域最小化,无论危险与否基于SOTIF的开发目标231 1图5:基于SOTIF的开发目标19以下措施有助于实现应用这一概念的开发目标。这些措施将促成一个迭代式的改善流程:区域1的措施明确定义要开发的功能,以:通过分析识别潜在的风险 发现不足时完善定义将使用与 ISO 26262 类似(但不相同)的风险分析方法来分析功能和技术规范。如果检测到不足,则将对功能或系统进行改进。区域2的措施验证功能,包括其系统组件,以:对功能(包括其驾驶情景)仿真 测试系统组件以及整个系统 确认在出现不足的情况下,可以对功能或系统进行的改进 确定剩余风险可接受性的依据区域3的措施确认功能系统:减小区域 3 至可接受水平,如通过耐久性试验、驾驶测试、仿真等20关于这一点,可以参考第 3 章,因为验证和确认提供了对客户证明系统足够安全的主要证据。结合ISO/PAS 21448 SOTIF的功能开发流程功能开发I.分析II.验证III.确认IV.现场运行I.通过设计实现安全II.III.统计论证 需求验证图6:结合ISO/PAS 21448 SOTIF的功能开发流程214功能安全ISO 26262 专门应用于乘用车、摩托车和商用机动车,更具体地说,是功能安全的应用。在该标准中,使用汽车安全完整性等级(ASIL)来确定并传达或反映风险。本出版物不会尝试在传统的功能安全应用中直接跟踪和分解 ASIL 值,但这些可以从后续章节中得出的架构示例中间接推断出来。然而,作为功能安全的从业者,可以理解会导致系统功能失效的 E/E 故障将可能进一步导致转向或制动错误,而这是 ASIL D 级别的最高安全相关风险。21通过符合 ISO PAS 21448 SOTIF 的方法去定义安全功能和系统,并包括一个初步的架构,是根据 ISO 26262 应用功能安全的第一步创建相关项定义。此相关项定义应包含功能的定义,包括它们对环境和其他项目/车辆的依赖性和交互。因此,根据相关项定义,可以进行危害分析和风险评估,以找出功能及其相关系统的根本要求或安全目标。后续步骤则是开发功能和技术安全概念。ISO 26262 的第一版是基于对汽车行业最先进系统(如转向、制动、安全气囊系统等)的知识而创建的,并未完全解决非常复杂和分布式系统的问题。此外,尚无明确的方法论可以满足维持安全的可用性需求。第二版解决了其中一些问题,但未能解决其他问题。因此,需要进一步解决的一些问题包括:识别ISO 26262第一版和第二版之间的差距,以设计满足可用性需求的解决方案 ISO 26262中缺少汽车架构模型,例如:用于(如IEC 61508等其他标准中描述的)失效率估算 当前和可复用的架构要素是基于失效-安全模式来设计。而新系统应基于失效可运行或失效降级的模式来设计 分解给定的体系架构要素以达到要求的ASIL等级 定义达到要求ASIL等级所需的功能和体系架构要素解决所有挑战意味着定义了一个安全功能,并且意味着已经考虑了技术的缺陷(SOTIF),并且系统或其他措施可以控制可能的 E/E 故障(ISO 26262)。因此,可以将自动化系统称为无外部操纵下的安全(外部操纵目前尚未被 ISO/PAS 21448 或 ISO 26262 所涵盖)。215汽车信息安全人们通常将安全性(Safety)和安保性(Security)分在同一组,即使他们无法阐明这些主题为何或如何相互关联。由于两大主题有重叠部分,因此这一分组很自然。但是,它们的重点略有不同,因为安全性侧重于系统的正常运行,而安保性则侧重于系统抵抗某种形式的故意恶意行为的能力。特别地,安全性主要担心被动攻击、自然随机性和人为造成的事故及碰撞所引起的风险;而安保性则担心以有意识的创造性、确定性和恶意行为形式的主动攻击所带来的风险。这导致安保性需要利用额外的分析工具和技术机制,从而也影响安全性。例如,安全性和安保性都非常注重数据完整性。安全性通常依赖 CRC 来检测损坏,但是CRC不能良好抵御恶意行为。因此,安保性依赖哈希算法来检测损坏和故意篡改,同时抵抗攻22击。此外,安保性应该考虑到数据可能完全由未知来源伪造的可能性,因此应验证数据的来源和完整性以达到可接受的风险等级。可用性也类似:在安全性强调失效安全和降级模式的情况下,安保性侧重于尽可能避免系统不可用,因为失效安全或降级模式可能使攻击者处于优势。安保性大量使用密码学,这通常属于资源密集型应用,但主动安全机制应该是确定性的。安全相关数据通常具有短处理期限的要求,这使得难以确保所需的数据真实性、机密性等。满足安全性和安保性将对成本和架构产生影响。2.1.5.1 为什么信息安全对安全性如此重要?汽车行业正面临由于自动驾驶车辆内部以及这些车辆与其操作环境之间高度可连接性而引入的新挑战。这些挑战包括从满足监管要求到确保车队和客户免受网络安全攻击。连通性增加包括连接车辆的控制功能、IT 后端系统和其他外部信息源之间的新接口。丰富的攻击面激发了具有各种目的的恶意行为者相当大的兴趣。简而言之,我们已经达到了车辆除非也能在网络安全层面安全运行否则无法保持安全状态的水平。最重要的是,应采用网络安全原则和做法来确保:(1)攻击者无法对车辆的运动进行任意控制;(2)攻击特别难以扩展到对多台车辆的同时利用。23汽车信息安全IT后端自动驾驶传感器破坏者无线接口黑客车辆恶意服务供应商黑客行动主义者恐怖分子后端黑客IT后端各种接口用于维修保养的OBD II 充电设施,智能家居移动应用中立服务器外部合作伙伴ADAS后端扩展车辆ISO20078联网服务后端图7:汽车信息安全随着车辆自动化程度的提高,保护车辆功能的安全措施应防止未经授权的访问和操作,以保证车辆及其部件的完整性和功能的安全运行,特别是车辆控制功能。我们的根本利益是确保最高的安全标准,并尽可能以最佳方式保护车辆安全,同时在这样做时考虑到当前的技术水平。24本出版物侧重于信息安全,以保护自动驾驶汽车的安全。因此,给出了一些例子,说明如何确保安全自动驾驶所需的附加部件、所需的外部信息,以及自动驾驶所需的全新外部接口的安全。当从 L2 扩展到 L3 或 L4 车辆时,信息安全面临的挑战是自动驾驶功能严重依赖于外部数据,例如传感器信息、地图、定位信息等。如果此数据的完整性或真实性受到损害,则自动驾驶功能的基础模块(感知-规划-执行)将使用错误数据操纵车辆,这可能导致驾驶不准确或其他偏离正确操作的情况。如果一辆自动驾驶的汽车受到攻击,由于车内的人根本无法及时控制将造成更严重的影响。因此,应充分引入信息安全措施,以保护自动驾驶不受恶意行为的影响。2.1.5.2信息安全方法与措施本节讨论解决上述威胁的方法。该方法首先概述说明了如何构建抵抗攻击的自动驾驶系统的开发过程。系统设计中应全方位的考虑信息安全设计。严格且充分集成的安全工程流程是创建信息安全的基础,因此也是安全系统的基础。该过程有助于紧密集成各种安全控制,这些控制在介绍完该过程后予以说明。传统的计算安全性通常侧重于建立所谓的纵深防御。在本出版物中,采用纵深防御来确保在整个系统中分层控制,以防止仅依靠外部边界防御来抵御攻击。2.1.5.2.1 安全开发生命周期安全开发生命周期(SDL)是一个构建安全性的过程。特别是,SDL 规定了在开发过程的特定阶段执行的安全实践。这些做法多种多样,旨在主动预防攻击或尽早发现并修复漏洞。SDL 是为适应作为产品开发和产品维护一部分的开发过程而量身定做的。无论使用何种开发流程,SDL 通常都会将实践广泛分为三类,即预备、开发和维护。预备包括培训以确保开发组织内具备基准知识,以及制定政策、程序和指南,以确保其余过程具备必要的基础。开发包括软件工程中熟悉的常规做法,例如安保性要求定义、威胁建模,静态和动态分析、模糊测试、代码审查和渗透测试等。最后,维护包括事件响应、更新签核程序和其他确保产品在发布后继续运行的实践。25整个行业并未使用统一的 SDL,因为 SDL 在与每个组织向市场交付产品的方式保持一致时才最有效。但是,在我们开发产品时,使用这些生命周期可确保在开发产品时采用结构化方法积极解决安保性问题。在应用各种 SDL 实践时,需要做出许多权衡。风险评估用于帮助我们选择在何处花费有限的资源以及如何确定方法的优先顺序。在考虑开发过程中的权衡时,至少必须有三个维度,即风险处理策略、系统状态和风险处理表现。风险处理策略提供处理风险的选项(例如,回避、转移、减缓或接受风险),系统状态有助于定义适当的减缓措施,处理表现有助于理解所选方法如何改变所产生的风险。风险应对的三个维度综合的风险管控考虑风险减缓措施的相应状态风险将被如何对抗系统状态启动开发运行重启应对策略回避减缓转移接受应对表现预防限制检测响应图8:风险应对的三个维度262.1.5.2.2 深度防御安全架构本节讨论信息安全功能如何分层以实现先前讨论的信息安全目标。对于自动驾驶车辆,深度防御从低级别组件开始并且贯穿到单个设备、设备组(可形成一个独立系统,例如感知)、车辆本身和支持车辆所需的基础设施。为实现汽车安保性目标,自动驾驶嵌入式系统采用传统信息安全三要素(CIA):保密性、完整性(包括真实性)、可用性,涵盖数据、(子)系统、功能或组件。在组件级别(例如微控制器、ECU、摄像头传感器等),一些基本元素可用于安全地实现机密性、完整性和真实性(参见表 1)。这通常意味着确保微控制器实现或集成硬件安全模块或类似的专用硬件,在其上可以构建更高级功能所使用的加密功能。关于这一点,我们还考虑了建立组件防篡改、可配置性(例如,删除或禁用不需要的功能)和可更新性的功能。向上移动一层,多种组件构成了设备(例如激光雷达、雷达、摄像机单元等),而其中组件建立的安保性也被充分利用。关于这一点,我们建立固件和软件的完整性和真实性(安全启动),加密和验证消息,验证被授权升级设备的实体,以及验证升级本身。我们还考虑了减轻针对设备的 DoS 攻击的功能,以及如何防止来自设备的意外信息泄露。当组合设备以形成系统时,就需要考虑:系统内各个设备之间整体通信的安全、向其他设备证明每一设备的安全状态、抵御共享通信信道情况下的拒绝服务攻击等。此外,关于这一点,我们还受益于安全的冗余机制。利用传感器融合和交叉引用(多种模态中感知内容)迫使攻击者需要在多个不同设备之间进行协调攻击,才能欺骗整个系统。车辆内的独立安全系统也进一步有助于深度防御,因为一个被侵入的系统不一定能改变(可检测和响应安全问题的)另一系统的运行。自动驾驶车辆并不是仅依赖自身运行。车辆由公共(例如 DSRC、GNSS 等)和私人(例如后台功能)基础设施提供支持。虽然自动驾驶车辆参考从基础设施接收的数据,特别是可以被强认证和确认的数据,但最终维持其自身决策权的是车辆,而非基础设施。关于这一点,我们也考虑到涉及自动驾驶车辆操作、管理、维护等的许多人员。人类对车辆的访问是受限的,并且基于功能进行隔离。例如,操作人员可能需要访问车辆位置和状态,但不需要知道车辆中的人是谁。以上所有内容均提高了 L3 和 L4 车辆的安保性、可靠性和可信性。表 1 举例说明了一些有助于实现本出版物中所述安全目标的安全控制手段。27信息安全目标环境层面安全管理整车层面安全管理部件层面安全管理完整性 访问权限的完整性管理 受保护的通信,TLS、IPsec等 控制流的功能性分离和可信执行 访问权限控制 控制流完整性(CFI)可信根真实性 开发和生产站点的访问权控制 受保护的通信 信息真实性验证码等 带可信根的受保护启动,例:OTP中公钥可用性 入侵监控机制以响应潜在攻击 网关和路由上的拥塞控制 网络接口中速率限制 确定性调度保密性 文档的访问权限控制 传输数据加密 TLS,IPsec等 闲时数据加密 受保护的存储信息安全管理示例表1:信息安全管理示例216自动驾驶的能力要求2.1.6.1能力的初始推导为了遵守第 1.3.2 节中概述的十二个原则,自动驾驶系统必须具备一套基本的系统属性,在这里被定义为能力。下面将讨论一个可宣称为安全的系统所应有的能力。这些能力分为失效安全能力(FS)和失效降级能力(FD)。失效安全能力提供并实现客户价值。失效安全能力可以中断,因为它们的不可用性和安全之间的相关性足够低或者被失效降级能力覆盖。即使在发生故障的情况下,失效降级能力也应在一定的性能水平下执行,以便在特定的时间段内提供一个安全的系统,直到进入一个达到允许系统退出的最低风险状况(MRC)(见第 2.1.7 节)。表 2 中的选择矩阵展示了推导出的能力的完备状态,并显示了其到第 1 章中原则的可追溯性。28安全操作安全层运行设计域(ODD)交通行为用户责任车辆接管请求车辆操作员接管请求车辆操作员与ADS的互相依赖数据记录安保性被动安全性安全评估编号FS_1确定位置XXXXFS_2感知相关物体XXXFS_3预测相关对象的未来行为XXXFS_4制定无碰撞且合法的驾驶规划XXXFS_5正确执行驾驶规划XXXFS_6 与其他(易受伤害的)道路使用者沟通和互动XXXFS_7确定是否达到特定标称性能XXXXFD_1确保车辆操作员的可控性XXXXXXXFD_2检测降级模式是否可用XXXFD_3确保安全模式转换和用户认知XXXXXXXXFD_4应对标称性能不足和其他失效XXXXFD_5在失效时降低系统性能XXXXFD_6 在减少的系统限制范围内执行降级模式XXXXXX能力的可追溯性表2:能力的可追溯性的选择矩阵如上所述,安全评估这一安全原则追溯到所有能力。这是因为产品开发是被认为要负责提供必要水平的证据以对能力进行验证和确认,并可以由评估小组进行审查。这点虽在此处提到,但将在后续章节中被更详细地讨论。后续章节中制定了完整的逻辑和基本原则,它们围绕自动化系统的需求确认方法而展开。29在系统正常运行的时间内,可以使用机器人学和自动化文献中的“感知-规划-执行”这一经典设计范例来理解系统运行。在此模型中,一种通用且与具体实现无关的系统形式包括:检测与感知(包括定位)、规划和控制以及执行和车身控制。图 9 对该通用模型进行了图示说明。执行规划感知感知-规划-执行的设计范式图9:感知-规划-执行的设计范式将能力分配到“感知-规划-执行”的基本功能后,可继续将需求分配到各个要素,以确保自动驾驶车辆安全运行。如图 10 所示:实现标称和降级能力FS_2:感知相关物体FS_1:确定位置FS 3:预测相关对象的未来行为 FS_5:正确执行驾驶规划FS_6:与其他(易受伤害的)道路使用者沟通和互动FS_7:确定是否达到特定标称性能FD_2:检测降级模式是否可用FD_4:应对标称性能不足和其他失效FD_5:在失效时降低系统性能FS_4:制定无碰撞且合规的驾驶规划FD_6:在减少的系统限制范围内执行降级模式FD_1:确保车辆操作员的可控性FD_3:确保安全模式转换和用户认知图10:实现标称和降级能力3030FS_1:确定位置系统应能够确定其与 ODD 相关的位置。车辆应该能够确定其位于(有特定位置的)ODD 之内还是之外。知晓 ODD 内的具体位置可能是必要的,具体取决于项目定义。FS_2:感知自动驾驶车辆附近的相关静态和动态物体自动驾驶系统应感知、选择性地预处理,以及正确提供为实现其功能行为而要求的所有实体。应优先考虑存在相关碰撞风险的实体。实体的例子包括动态对象(例如(易受伤害的)道路使用者和相应运动的特征)、静态实例(例如道路边界、交通引导和通信信号)以及障碍物。FS_3:预测相关对象的未来行为相关环境模型需要通过预测的未来状态进行扩展。目的在于创建环境预测。应能够解读相关对象的意图,以便形成预测未来运动的基础。FS_4:制定一个无碰撞并且合法的驾驶规划为确保制定一个无碰撞并且合法的驾驶策略,应遵守以下规定:与其他对象保持安全的横向和纵向距离。遵守ODD范围内所有适用的交通规则。考虑可能存在遮挡物体的潜在区域。在未给予通行权的情况下,不通行。如果在不危及第三方的情况下可以避免碰撞,则在必要情况下可以暂时调整交通规则的优先级。2.1.6.2 能力概述3131FS_7:确定是否达到规定的标称性能自动驾驶系统的任何要素都可能,单独地或与其他要素组合在一起地,导致不利行为。因此,需要各种机制来检测系统的不利标称性能。FD_4 涵盖了对检测到的不良行为做出的反应。影响标称性能的典型方面包括:不必要的人为因素,包括误用和操纵 预期功能的偏差 技术限制 环境条件 系统与随机失效模式FS_5:正确执行驾驶规划应根据驾驶规划生成用于横向和纵向控制的相应行动信号。FS_6:与其他(易受伤害的)道路使用者的沟通和互动根据 ODD 和用例,要求自动驾驶车辆与其他(易受伤害的)道路使用者进行沟通和互动。将系统恢复至标称性能的能力也是可能存在的,但在本出版物中不作进一步考虑,因为它们没有直接的安全相关性。满足以上能力要求是实现安全的系统运行的必要不充分条件。而具体的产品和功能设计也可能提出额外的能力要求。3232FD_1:确保对车辆操作员的可控性车辆操作员的控制级别根据 SAE J3016的自动化级别和用例定义而异,因此应该得到保证。FD_3:确保安全模式转换和用户认知确保模式转换正确执行,并在必要时由受影响的车辆操作员控制。此外,受影响的车辆操作员应了解当前模式,以及他们对此模式中承担的责任。例如,仅在ODD 内部允许启动自动模式,并且在离开 ODD 之前或者由于车辆操作员再次接管控制而将其退出。FD_2:检测降级模式是否可用应确保检测到降级模式可能的不可用情形。如果降级策略取决于降级原因,则降级原因也应被确认。FD_4:通过降级来应对标称性能不足和其他失效由于标称性能能力可能无法使用,以及出现其他失效(例如,基于硬件的失效等),因此系统应在明确定义的时间内降级。FD_5:在应对失效的降级模式下降低系统性能应确定降级模式下出现失效时的反应。FD_6:在减少的系统限制范围内执行降级模式降级模式下的自动驾驶系统运行,其即是在新的限制下执行标称能力。可能有多种降级模式。对限制应该作出清晰定义,才能宣称降级模式是安全的。有可能需要避免(让该模式)永远运行下去,而需要为额外的应对方法定义清晰的时间范围。34217最低风险状况和最低风险策略最低风险策略(MRM)是系统在最低风险状况(MRC)之间转换的能力。MRC 和 MRM的概念源于 ISO 26262 的原则,被定义为一个相关项(在失效的情况下)的操作模式,其具有可容忍的风险级别。根据 ISO 26262 2018-1 第 9 页,MRM 是一种到达 MRC(被称为安全状态)的紧急操作。与 MRC 通常只被定义为一个静止状态不同,本出版物将定义扩展到包括降级运行和被车辆操作员接管的状态。最终的 MRC 指的是允许自动驾驶系统完全退出的MRC,例如静止或被车辆操作员接管。图 11 对这一基本原理进行了说明。最低风险状况和最低风险策略标称运行MRCmMRCn最终MRCI降级运行完全可用的功能功能不完全可用MRM m1MRM n1MRM n2恢复MRM m2MRM l1MRM l2图11:最低风险状况和最低风险策略MRM 的目的在于在车辆可以支持的功能水平下使车辆达到可容忍的风险水平。由于自动化系统和影响风险的条件的复杂性,可以连续进行多个 MRC 和 MRM。如果并非所有的失效安全能力都可用,系统将处于降级模式,其余的失效降级能力将通过执行适当的最低风险策略达到并保持最低风险状况。降级模式是一个有时间限制的操作域,应尽可能减少其出现的频35率。降级模式的可接受时间取决于当前系统中的剩余能力。一般而言,这一基本观点源自 ISO 26262。ISO 26262 的一个主要概念就是,每降低一个可能伤害频率的数量级都能降低对安全完整性等级的要求。表 3 定义了 MRM 安全转换的条件。附录 A 中列出了具体的例子。编号MRC定义可能的原因MRC_1驾驶员接管驾驶员或操作员完全接管了驾驶任务。已知将至的ODD限制 存在限制或车辆操作员(如果存在)接管车辆 检测到降级功能不可用(FD_2)MRC_2受限运行车辆仍在受限的能力范围内运行。根据功能定义和剩余功能,可能存在几种受限运行的状况 系统能力受限MRC_3结束运行该状况描述了允许安全地退出该功能的车辆状态 系统严重失效、能力丧失、无驾驶员接管最低风险状况表3:最低风险状况建议进行以下 MRM。编号MRM定义目标条件MRM_1转换请求请求驾驶员接管MRC_1 驾驶员接管MRM_2有限功能状态转换至受限运行,根据MRC和实际状态,可能存在多种MRM变体MRC_2 有限操作MRM_3平缓停车平缓地过渡到结束运行MRC_3 操作结束MRM_4安全停车由于严重失效,需要快速但安全地过渡到结束运行MRC_3 操作结束MRM_5紧急停车在足够罕见的严重系统失效情况下,引入紧急停止以尽量减少风险并且可能使得能够达到操作结束条件。MRC_3 操作结束恢复恢复解决了能力的限制,并再次达到标称状态标称状态提出的MRM表4:提出的MRM36应使用表 4 列出的 MRM 在整个系统中反映潜在的故障模式。应采用一些分析方法,其中还可能包括失效分析技术,如 FMEA 或 DFMEA 等。可以利用额外的分析方法对系统的预期用途和误用进行分析。上述分析技术输出的结果定义了每个组件的安全状态,以及这些状态如何激活系统中的 MRC 和 MRM。22实现能力的要素在实现自动驾驶系统时,除SAE等级和ODD定义外,还有其它要素需要考虑。附录A中的开发实例可以认为是 2.1.3 节中描述的能力的具体实现。本章以宏观的方式讨论如何通过各种现实世界中的要素来实现失效安全和失效降级能力。2.2.1 节讨论了每种能力的可能实现方式,2.2.2 节详细解释了每种要素的细节。221能力的实现以下描述了能力和相关要素的关系。372.2.1.1FS_1:确定位置如果自动驾驶的预期功能受到地理位置的限制,则必须确保其仅在特定的系统限制内运行。因此,应使用来自传感器融合算法(见2.2.1.4小节)的环境融合信息来充分定位自动驾驶车辆。为了实现适当的定位,可能需要将自动驾驶系统和来自车载感知能力之外的额外先验信息(例如,通过地图信息、将检测到的事件在统一的坐标系内进行处理等)相关联。定位可以考虑来自自车运动的信息,以便预测自动驾驶车辆是否即将超过 ODD 限制。作为激活自动驾驶系统的前提条件,这可以防止操作员在 ODD 限制外使用自动驾驶系统的误操作。FS_1:确定位置环境感知传感器先验感知传感器自车运动传感器融合检测到的地图属性当前位置自定位图12:FS_1:确定位置382.2.1.2 FS_2:感知自动驾驶车辆附近的相关静态和动态物体自动驾驶功能行为需求所涉及的所有实体都应被感知、预处理并安全地提供给自动驾驶系统。应优先考虑存在最高碰撞风险的实体。样本实体包括动态实体(例如(易受伤害的)道路使用者和相应运动的特征)、静态实体(例如道路边界、交通引导和通信信号)以及超过临界尺寸的障碍物。其主要要素是传感器融合要素,其中使用来自车载传感器的不同输入、定位、自车运动和可选的 V2X 信息来生成现实世界模型。可以使用交通规则来优化世界模型的内容。感知环境的语义知识对于以后的解析、预测和规划很重要。因此,自动驾驶系统能确切地知道检测的内容和位置。相关对象的定义取决于项目定义。定位要素除了提供地图和自动驾驶车辆在地图上的位置外,还可以支持静态实体的检测。当实体标记在地图上后,这成为了另一个独立传感器来支持传感器融合算法。FS_2:感知自动驾驶车辆附近的相关静态和动态物体环境感知传感器交通规则自车运动自定位V2X传感器融合现实世界模型地图以及基于地图的定位图13:FS_2:感知自动驾驶车辆附近的相关静态和动态物体392.2.1.3 FS_3:预测相关对象的未来行为FS_2 输出的现实世界模型可能不足以用来创建安全合法的驾驶规划(FS_4)。因此,应将其扩展为不仅反映世界模型的当前状态,而且还反映预测的未来状态,以便生成动态驾驶场景的完整描述。也应该考虑其他动态对象的意图和由于遮挡导致的不可见物体以作为预测其未来运动的基础。最后,当前的驾驶环境状况,例如低路面摩擦或者受限的传感器性能(雾、霾、大雨等)也必须加以考虑。FS_3:预测相关对象的未来行为传感器融合交通规则解释和预测场景描述图14:FS_3:预测相关对象的未来行为402.2.1.4 FS_4:制定一个无碰撞并且合法的驾驶规划制定无碰撞且合法的驾驶规划可以考虑几个要素。例如,车辆应该首先准确地感知其环境并在创建任何驾驶规划之前执行定位。在执行定位并提供准确的世界模型后,车辆应从解释和预测的角度考虑世界模型中与安全相关(易受伤害的)的道路使用者以及他们的跟踪动作所表明的内容。这提供了一个基准,以针对检测到的(易受伤害的)道路使用者作出可能的合理假设。除非明确定义的例外情况(与行业、政府和社会合作),自动驾驶车辆应遵守交通规则,以便驾驶规划要素用于制定合法的驾驶规划。因此,机器可解读的交通规则也是必要的。因为自然环境和自动驾驶车辆的物理特性限制了可能的运动特征,自动驾驶车辆的自车运动也需要考虑。最后,应考虑 ADS 模式管理器要素,以便驾驶规划知道其是处于正常运行模式还是降级/最低风险状况模式。图 15 对要求的要素进行了图示说明:FS_4:制定一个无碰撞并且合法的驾驶规划解释和预测交通规则自车运动ADS 模式管理器Localization自定位驾驶规划无碰撞并且合法的驾驶规划图15:FS_4:制定一个无碰撞并且合法的驾驶规划412.2.1.5 FS_5:正确执行驾驶规划一旦驾驶规划模块制定了无碰撞且合法的驾驶规划,运动控制和运动执行器也可以考虑当前的自车运动,以便将驾驶规划要素生成的轨迹转换为车辆运动执行器(例如:转向、制动或动力总成)可执行的物理运动。FS_5:正确执行驾驶规划驾驶规划自车运动运动控制运动执行器自车运动图16:FS_5:正确执行驾驶规划2.2.1.6 FS_6:与其他(易受伤害的)道路使用者的沟通和互动其他(易受伤害的)道路使用者需要了解自动驾驶车辆未来将要执行的动作。与手动驾驶一样,为遵守交通规则,可采用包括视觉和声学指示器等通信手段。V2X 或其他类型的交互也可以作为通信手段。FS_6:与其他(易受伤害的)道路使用者的沟通和互动驾驶规划运动控制带辅助执行器的车身控制V2X车身信号图17:FS_6:与其他(易受伤害的)道路使用者的沟通和互动422.2.1.7 FS_7:确定规定的标称性能是否达到应该有系统或要素级的监控程序来检测定义的标称性能边界条件,并有足够的时间来确保安全反应。边界是根据第 2 章开头描述的迭代方法得出的。FS_7:确定规定的标称性能是否达到标称性能指示ADS 模式管理器所有要素图18:FS_7:确定规定的标称性能是否达到432.2.1.8FD_1:确保操作员的可控性车辆操作员的角色取决于自动驾驶系统相应的 SAE 水平。在 SAE L3 自动驾驶系统中,车辆操作员可以将他们的注意力从驾驶任务转移开。在这种情况下,当系统发出接管请求时,系统负责保持车辆控制直到操作员重新集中注意力于驾驶任务并获得对周边环境的认知。因此,自动驾驶系统应该持续监控车辆操作员可能的分心或模式混淆。这也适用于配备 SAE L4 自动驾驶系统和手动驾驶模式的车辆。在没有手动驾驶模式的 SAE L4 自动驾驶系统中,车辆操作者的可控性可能仅限于在驾驶员识别出危险时或在意识到 ODD 退出时实施紧急制动的能力。在系统允许远程控制的情况下,车辆操作员可能并不在自动驾驶的车辆里面。为了确保本地或远程车辆操作员的可控性,ADS 模式管理器应感知操作员希望控制车辆的意图并作出反应。FD_1:确保车辆操作员的可控性人机交互用户状态确定车辆状态自车运动ADS 模式管理器驾驶规划 人机交互规划的车辆运动可视化输出图19:FD_1:确保操作员对车辆的可控性442.2.1.9FD_2:检测降级模式是否可用监视器应检查降级性能是否可达到,即使在标称模式中降级模式它并未激活的情况下。因此,监视器必须不断检查降级模式(其可由多种方式来实现)的可用性。FD_2:检测降级模式是否可用降级性能指示ADS 模式管理器降级模式要素图20:FD_2:检测降级模式是否可用2.2.1.10 FD_3:确保安全的模式转换和用户认知ADS模式管理器收集决定是否变更模式所需的所有必要信息以执行安全的模式转换。这包括来自监视器的有关电气故障、性能问题或车辆和操作员状态的信息。收集所有必要信息后的第二步就是在模式之间安全切换。只有当操作员回到车辆的控制闭环中,或汽车处于安全状态时,才可以退出自动驾驶系统。监测器车辆状态用户状态驾驶规划规划的车辆运动视觉输出ADS 模式管理器人机交互FD_3:确保安全的模式转换和用户认知图21:FD_3:确保安全模式转换和用户认知452.2.1.11 FD_4:通过降级来应对标称性能不足和其他失效应定义系统对标称性能不足做出的反应(参见 FS_7),即使发生故障,系统也应做出适当的反应。此任务由 ADS 模式管理器执行。此任务由监视器触发,并启动为相应的触发预定义的反应。取决于具体故障的严重程度,这可能会影响仅仅几个要素或几乎全部自动驾驶系统。总之,这项任务的难度在于考虑所有可能发生的不同失效组合的情况下决定选择何种降级方式。FD_4:通过降级来应对标称性能不足和其他失效ADS 模式管理器降级模式监测器失败或性能不足图22:FD_4:通过降级来应对标称性能不足和其他失效462.2.1.12 FD_5:在应对失效的降级模式下降低系统性能ADS 模式管理器和其他包含降级限制(如感知范围减小)的输入决定了目标 MRC,在此情况下,驾驶规划模块应能够生成无碰撞且合法的驾驶规划以在受限的系统性能下实现相应的MRC。系统性能能力降低可以是从丧失自动驾驶系统的某些功能,到请求安全地停止自动驾驶不等。同时对于通过人机交互执行的模式变更(例如接管请求),则还应包括关于它的操作员信息。对于导致舒适性降低的失效场景,则不在本文范围内。FD_5:在应对失效的降级模式下降低系统性能ADS 模式管理器驾驶规划在降级限制范围内的规划车辆运动图23:FS_5:在应对失效的降级模式下降低系统性能2.2.1.13 FD_6:在减少的系统限制范围内执行降级模式当定义新的系统限制时,降级模式下的自动驾驶系统操作将按照标称能力执行。应仔细定义 MRM 以实现 MRC。在这种情况下,自动驾驶系统应该能够在明确定义的时间范围内执行动态驾驶任务(DDT)。降级模式涉及的要素取决于项目定义。根据自动驾驶系统的降级模式,应实施充分的 HMI操作。FD_6:在减少的系统限制范围内执行降级模式ADS 模式管理器V2X运动控制带辅助执行器的车身控制人机交互图24:FD_6:在减少的系统限制范围内执行降级模式47222要素下面详细描述的要素实现了失效安全和失效降级能力。对于每个要素,必须考虑 2.1.5 节中描述的有关信息安全的一般能力。但是,由于信息安全取决于整体的信息安全架构,单个要素中并没有详述具体的信息安全措施。2.2.2.1环境感知传感器环境感知传感器集群需要捕获所有外部信息,以创建世界模型。要检测的实体包括但不限于定义可驾驶区域的设施、(易受伤害的)道路使用者、障碍物,交通标志和声音信号。传感器类型:截至目前,单个传感器无法同时提供可靠和精确的检测、分类、测量和不利条件下的鲁棒性。因此,需要采用多模式方法来涵盖相关实体的可检测性。更详细地说,组合以下技术可以适当地满足某个特定产品的感知需求:摄像头可提取信息内容最大的传感器,因为其捕获的信号与人的感知类似。用于对象/特征类型分类的主传感器。距离测定精度有限,对环境条件高度敏感。激光雷达对结构化和非结构化要素进行高精度测量。对环境条件中度敏感。雷达对于在雷达工作距离内有适当反射率的移动目标可进行高精度检测和测量,对天气条件具有高鲁棒性。超声波成熟的近距离传感器,能够探测到有反射回波的实体的最近距离。麦克风公共交通使用声音信号来防止撞车和管制交通,例如:在铁路交叉口处。因此,捕获声信号的设备对于系统需要对其做出反应的自动化级别是必需的。48所有传感器都需要能够检测感知降级,例如传感器盲区、欠标定或未对准等。可以通过传感器特定的测量、传感器间的交叉验证以及标定方法去实现。传感器布置传感器群集的设计需要覆盖相应功能的 ODD。例如,为高速公路上的系统设计的传感器群需要覆盖与城市情景不同的范围和精度水平。外部实体的可检测性很大程度上取决于它们的材质。本出版物考虑了至少两种(如果不是三种)不同测量技术的组合,以实现传感器群集对现实世界中所有相关元素的敏感性。该方法还使得系统能够利用至少两种不同的测量技术同时检测到大多数元素。因此,后续处理步骤能够提供优于单一传感器检测率的检测率。但是,即使遵循迭代设计方法并遵守 ISO 26262 建议,错误和感知失效仍可能出现。在极不可能发生的严重传感器降级或 E/E 故障的情况下,传感器的布置应该使其能够以降级模式安全地检测到相关元素,直到达到安全状态。2.2.2.2先验感知传感器2.2.2.2.1 高精地图高精地图作为可靠传感器车载地图从未像在自动驾驶中那样起到安全相关的作用。在相对较长的一段时间内,单独的车载传感器将不足以满足在某些情况下自动车辆系统的高可靠性、可用性和安全性要求。因此,高精地图必须作为可靠的车外传感器,包含经过精心处理的先验信息,以“检测”车载传感器无法轻易检测到的物体,或为车载传感器提供冗余信息源,包括基于位置的 ODD 检测、不利条件下的环境建模以及复杂驾驶情况下的精确语义理解。在车载传感器无法可靠地检测的情况下,高精地图可用作更可靠的冗余信息源。49可靠地图要素与如何识别RMA集基于位置的 ODD 确认会使用到多个地图要素,例如车道标记、道路标记、交通标志、灯杆、护栏或人工标记等。但是,由于遮挡、磨损或频繁变化的原因,一些要素并不总是被“可靠”地检测。因此,在安全相关用例中应正确地检测可靠地图要素(RMA),以便它们可以共同地满足基于位置相关 ODD 确认的低误报率要求。RMA 应具有以下属性:融合了车载传感器的感知结果后,RMA组合应作为推断自动驾驶车辆到达ODD边界的充分条件。ODD范围内RMA应能够被车载传感器可靠地检测。RMA应具有较低的实际变化率,以便将RMA失效率控制在可接受的风险水平。RMA的质量和新鲜度应在可接受的时间延迟内得到验证。如上所述,只有地图要素的部分子集与安全性相关。提炼完整 RMA 列表的方法视具体项目而定(这些包括但不限于第 1.2 节中概述的开发示例)。RMA失效模式与相应的措施由于高精地图具有离线性质,而非实时处理,因此与车载传感器相比,高精地图具有低随机性的优点。然而,当在安全相关用途中使用时,这也导致高精地图的局限性。RMA 失效是由于地图与现实之间的偏差而发生的,可能是由于:源数据收集、地图制作和分发过程中引入的错误 由于真实世界变化引入的错误,可进一步分类为:预期变化:通常由当地道路管理局引起(例如计划的道路建设)非预期变化:通常由于外力或正常磨损引起(例如一根护栏在撞车事故中损坏而在下次道路维护之前未恢复)恶意变化:通常是由于未经授权/恶意操作引起(例如未经授权移除限速标志)应适当处理上述错误,以确保自动驾驶系统能够达到可接受的风险等级。质量保证系统可以避免与程序缺陷有关的失效,包括但不限于已制定的地图质量标准(例如 ISO 19157、ISO/TS 19158、TS 16949)。通过将道路管理机构的道路变化计划纳入地图更新过程,可以避免与计划的道路变化相关的故障。同时,作为必不可少的公共信息,道路建设和维护计划应该完全透明,并且所有地图提供者都可以轻松访问。由于真实世界变化导致的错误很难监控,因此应仔细分析。RMA 的变化可以根据它们对自动车辆系统的使用情况的影响分为两类:50细微修改在安全相关的使用案例中,轻微的变化不会妨碍或超过给定 RMA 相关功能的规格容差(例如护栏中的凹痕或缺少小部件的车道标记)重大变化重大变化会显著降低检测率并超过给定 RMA 的规格容差,并可能导致定位误差(例如,由于严重的撞车事故导致护栏在一定距离内损坏)因此,主要是重大变化导致的 RMA 的失效会影响基于位置的 ODD 确认的失效率。可以实施若干措施来减轻随机失效。首先,应仔细选择 RMA,使得它们的计划外重大变化的可能性是有限的,且能在统计上得到证实。其次,地图更新或维护的有效机制至关重要。一种包括从多个输入收集的传感器数据的地图更新或维护平台,包括但不限于测量车队、大规模部署的智能车辆(例如具有收集传感器数据能力的车辆)、高分辨率卫星图像和/或带有监控传感器的道路基础设施,可以有效检测随机道路变化,降低随机 RMA 失效的风险。其他安全考虑:在世界某些地区,在地图初始创建后对其进行坐标偏转是一个必需的地图处理步骤。(NPC,2017)。安全相关内容不应因这些措施而失去可靠性。需要进行健全的安全分析,并采取后续措施,以便继续在车辆中使用地图。此外,需要防止对地图内容进行恶意更改。由于高精地图是一种车外传感器,因此从创建到存储和分发都应考虑信息安全。详细讨论参见 2.1.5“信息安全”一节。2.2.2.2.2 GNSS绝对 GNSS 位置有助于实现自动车辆系统安全。因此,基于位置的 ODD 检测不仅需要准确,而且还需要值得信赖的绝对 GNSS 位置。需要定义 GNSS 位置的完整性和有效性的时间窗口,因为在自动车辆运行时将具有各种级别的准确性、完整性和可用性。连续性指标已不再是基于 GNSS 的完整性定位的主要参数。通过实现多频和多星座 GNSS 天线和接收器可以实现基于 GNSS 的定位的更高可用性,这是 GNSS 星座和射频信号之间的互操作性和兼容性的先决条件。51GNSS 传感器功能依赖于卫星的直接可见性。因此,由于桥梁或隧道等环境障碍,基于GNSS 的定位不具有高度连续性和可用性。因此,在良好的 GNSS 条件下,GNSS 中断后的高完整性位置精度、锁定失锁检测和快速收敛时间对于自动驾驶系统而言非常重要。如果可以利用从足够数量的卫星(例如 10 个或更多个卫星)接收的数据和来自校正服务的额外数据,GNSS 接收器能够同时达到准确度和完整性性能指标。这些服务需要实现快速处理、频繁更新和专用校正集,以支持最佳的 GNSS 定位算法。要考虑的另一个方面就是评估可能损害 GNSS 定位性能的 ARNS/RNSS 频段或其他干扰源或干扰机中的干扰的新信号。只有在 GNSS 组件级别处理了伪装欺骗时,完整性才得到满足。2.2.2.3V2XV2X 可以为自动驾驶系统提供有价值的信息。但是,应考虑安全性和安保性方面以确保正确的完整性。此外,自动驾驶系统还应在 V2X 不可用的情况下安全运行。其中一个例子可能就是为检测交通信号状态提供冗余,否则其仅可以由摄像头检测到。除了来自基础设施的额外通信,目前尚无用于检测交通信号状态的冗余方法。2.2.2.4传感器融合传感器融合有各种算法,例如,每个传感器融合算法都要求对硬件或软件错误鲁棒性或输入数据错误灵敏度进行单独分析。因此,应该遵循精心选择的方法包括遵循归纳、推导和数据驱动的迭代设计程序等。通常情况下,可能的策略是做输入检查,包括确定单个传感器数据的合理性、融合多个加权输入源以及累积传感器数据等。应考虑硬件和软件的多样性,以实现具有最高要求的错误鲁棒性的功能。虽然单个传感器可以提供有关其当前检测能力和范围的信息,但在确定全传感器群集感知的当前范围方面,传感器融合可以增加重大价值,这有助于监控实际传感器性能。传感器融合被视为交叉参考机制,可以检测单个传感器无法检测到的各个传感器限制。522.2.2.5解释与预测预测是实现自动驾驶系统的基本要素。自动驾驶车辆的表现方式应与手动驾驶车辆类似,因此其行为可以被其他参与者预测,并且不会干扰交通车流。实际交通基于知识、规则和经验以及(易受伤害的)道路使用者通常的行为方式。为了使这种行为适应自动驾驶车辆,车辆需要根据对情景的可靠解释做出预测。要预测其他(易受伤害的)道路使用者需要先对当前环境进行解释。在没有可测量或共同属性的情况下,是不可能基于概率计算建立安全性的。特别是人类道路使用者,可能会做出不合理的决定。在另一方面,如果一个功能总是基于最恶劣场景进行规划的,它的执行方式可能以其他方式导致整体系统的风险,而这对于实现能力要求的目标来说是无法被接受的。解决方案可以考虑以下属性的组合:预测未来很短的时间。预测的准确性与当前状态与其所指的时间点之间的时间间接相关(即预测状态在未来越远,预测正确的可能性越小)尽可能依靠物理学,使用(易受伤害的)道路使用者的动态模型,这是构成运动预测的基础。例如,在自动驾驶车辆前方行驶的汽车不会在零时间内自行停车。因此,为了能够区分各种模型,对相关对象进行分类是必要的输入。可预测的驾驶规划应考虑其他(易受伤害的)道路使用者遵守交通规则的程度。例如,在其他(易受伤害的)道路使用者遵循红灯停规则的情况下,在绿灯亮时,自动驾驶车辆应通过十字路口,而不停车。除此之外,在防御性驾驶规划的支持下,需要考虑可预见的不符合交通规则的行为(例如,在城区穿过红灯的行人)。形势的预测能进一步增加(易受伤害的)道路使用者预测正确的可能性。例如,其他(易受伤害的)道路使用者在交通拥堵时驾驶的未来行为与他们在交通畅通中的行为大不相同。解释和预测系统不仅应该了解其他(易受伤害的)道路使用者的最坏情况行为,而且应该了解最坏情况下的合理行为。这使得解释和预测系统能够对其他(易受攻击的)道路使用者做出合理的、物理上可能的假设。与人类一样,自动驾驶系统也应对其他人的合理行为做出自然的假设。这些假设应适应于不同地区的需求,以适应不同地区的“驾驶文化”。532.2.2.6定位根据系统设计,自动驾驶系统应该根据要求精确地知道其位置。在确定自动驾驶车辆在高精地图上的位置时可以应用不同的方法,包括:基于GNSS的定位该方法包括 GNSS、里程计和校正服务,目的在于获得精确的全局坐标,并将 GNSS 测量与高精地图匹配,以获得在地图上的相对位置。基于环境感知传感器的定位基于通过 GNSS 和测距法获得的粗略全局坐标,该方法将环境感知传感器检测到的现实特征(例如天然或人工地标)或点云与高精地图上的相应特征或点云相匹配,以在地图上定位自动驾驶系统。两种定位方法都受到由所涉及的传感器或传感器处理链(或其中任何一个的实际失效)的性能限制或由处理中涉及的多个要素引起的误差的影响。实现定位需要能够抵抗单个、简单和一定时限内的传感器性能问题。由于传感器的性质(例如隧道中 GNSS 的限制、影响视觉传感器的光照条件等),因此必须考虑到这一点。因此,需要对涉及相关失效模式的输入、性能限制、可用性以及对位置估计的各自影响进行严谨的安全性分析。由于单一定位方法不太可能满足自动驾驶所有情况,因此一种可以提供满足完整性要求的无缝定位的,并且包含以上两种定位方法的冗余系统可以提高定位性能。2.2.2.7ADS模式管理器ADS模式管理器应完成在手动和不同自动驾驶模式之间安全切换的任务。为了激活自动驾驶模式,这需要获得所有信息以检查是否满足诸如 ODD 的所有先决条件(例如,自动车辆是否在正确的道路类型上、检查天气状况等)。所需信息可以从后端传输到车辆、直接测量、计算或从统计数据中获得。54有许多要求退出自动驾驶系统的原因。这些包括来自操作员或监视器的请求,或者由于超出 ODD 或监视器不可用而导致的请求。如果感知到这样的请求或原因,则应指向到相应的MRC(见 2.1.7 小节)。触发变更模式的原因可以基于车辆状态、驾驶员状态确定或监视器。例如,由车辆状态引起的退出请求可以是燃料表、轮胎压力或其他汽车系统。由驾驶员状态引起的示例包括安全带状态或操作员注意力。根据来一台或多台监视器提供的信息,ADS 模式管理器必须决定是否变更为降级模式或执行 MRM 以达到相应的 MRC。但是,这些示例与具体的自动驾驶系统密切相关。检查自动驾驶车辆是在ODD之内还是之外是一项复杂的任务,因为ODD定义涵盖了一系列广泛的需求。能够感知所有这些需求对于激活和退出自动驾驶系统是至关重要的。表 5 列出了在错误检测时可能发生的所有错误组合:现实情况车辆在ODD内车辆在ODD外系统输出车辆在ODD内真正类(TP)假正类(FP)车辆在ODD外假负类(FN)真负类(TN)确定车辆位置表5:确定车辆位置只有假正类(FP)才是安全相关的。当实际上车辆在 ODD 之外时,系统错误地检测到在ODD 内部。根据定义,ODD 之外的自动驾驶操作的行为和后果是不安全的。因此,需要采取适当的安全措施以确保安全检测 ODD 区域和限制。在 ODD 内部但检测到在外部将仅导致以安全方式进行的退出。2.2.2.8自车运动自车运动描述了汽车的实际状态,包括横摆率、纵向加速度、横向加速度等。描述车辆状态的其他值可包括车速、滑移角。一些数据可以使用惯性测量装置或轮速计直接测量,或者从其他传感器(例如摄像头)获得。其他自车运动数据不能直接读取,因此可以使用数学模型等借助于其他传感器来估计。由于自车运动是其他几个要素的输入,因此要实现能力要求,它应是失效降级的。对此可以采用多种方法,因此实现方式会有很大差异。552.2.2.9驾驶规划在不影响舒适度或交通流量的情况下,制定一项可以实现无碰撞驾驶的驾驶策略是自动驾驶中的关键挑战。一个可行的解决方案是定义形式化规则,例如理论的分析(Shalev-Schwartz,Shammah,&Shashua,2018)或者分层规则集(Censi,et al.,2019)。这些理论规则应适应错综复杂的真实交通环境并应实施对交通影响的评估。这些形式化规则可能包括但不限于以下示例。要实现所有驾驶模式,应遵循这些规则。显式交通规则 遵守自动驾驶车辆运行的ODD内所有适用的交通规则,特别考虑交通规则的区域差异。道路、信号要素和其他基础设施是显式交通规则的物理载体,例如,停车标志或双实线车道标志。隐式交通规则 与其他物体保持安全的纵向和横向距离,以避免碰撞。路权是被给予的,而不是抢占的。遵循安全第一原则,应预期其他(易受伤害的)道路使用者不遵守交通规则的情景,并进行防御性处理。在其他(易受伤害的)道路使用者可能被遮挡的区域要小心。如果来自解释和预测、ODD或其他来源的信息表明可能存在被遮挡物体,则自动驾驶车辆应准备好可能突然出现其他(易受伤害的)道路使用者,如行人等。如果可以执行合法且安全的操作以避开潜在的不安全情况,则自动驾驶汽车应执行这一操作。如果在不违反交通规则的情况下无法逃避不安全的情况,则自动驾驶车辆可能会在进行安全保障操作时违反交通规则。形式化模型有助于驾驶决策(可细化到软硬件规格层面)和交通规则的可追溯性。对这些规则及其相关层级中使用的具体参数的形式化过程需要细致的平衡。如果相关规则、参数和结构能预先达成一致,则有助于减少不确定性。应该注意的是,安全驾驶本质上是基于对其他(易受伤害的)道路使用者的假设(例如最大减速度)。这对于遮挡情况尤其重要。另一方面,过度防御性驾驶可能会使得其他(易受伤害的)道路使用者感到困惑,并且可能会导致安全事故。56这些规则可以利用一组具体的定义概念得到进一步描述:危险情景是指自动驾驶车辆的状态使得存在碰撞的可能性,例如,违反安全的纵向或安全横向距离等。这可能是由自动车辆本身、另一个(易受伤害的)道路使用者或由于环境变化引起的。危险时间是指自动驾驶车辆处于危险情景的所有时间。危险开始是指紧接在自动车辆进入危险情况之前的时刻。适当的响应是自动车辆应为避免危险情况并返回到安全状态而应执行的反应。这一理念在于,如果自动驾驶车辆在危险开始时对危险情况做出适当的响应,则自动驾驶车辆不应基于其自身的行为引起碰撞,并且通常应该能够避免由不安全驾驶的其他人造成的碰撞。2.2.2.10 交通规则交通规则是道路上任何车辆行为的一个重要组成部分。所有自动驾驶车辆应遵守其运营的ODD 中的交通规则。但是,并非所有交通规则都是平等的。某些交通规则为显式交通规则,例如停车标志或限速的含义或目的等。而其他交通规则却要进行解释。例如,加利福尼亚州的基本速度法规定,车辆的驾驶速度不应超过当前条件下的安全速度。当前条件下的安全速度未明确定义,因此可能需要进行解释。对于这些主观交通规则,统一的机器可解释的预期行为定义可以降低主观解释的不确定性(例如通过提供更新的参数以应用于一个形式化安全模型中,如驾驶规划要素中提到的安全模型)。2.2.2.11 运动控制为了实现所需的车辆运动,须从给定轨迹导出精确的执行器命令(该轨迹是驾驶规划要素的输出,参见 2.2.2.9 小节)。因此,运动控制器对于产生横向和纵向命令是必要的。相应的闭合控制回路应稳定,具有足够的余量以补偿道路状况、车辆动力学和执行模式转换时的动态变化。然后将所生成的执行机构命令分配给转向、制动和动力系统。572.2.2.12 运动执行机构用于转向及制动系统和动力传动的动作执行机构构成了控制车辆自我动态的主要能力。因此,它们通常被称为主执行机构。关于上述失效安全和失效降级能力,可以使用各种方法来达到失效运行的性能目标。根据具体项目定义,可以推导出仍然必须执行的各类操作,以及这些操作所依赖的不同主执行机构的不同失效运行能力。由运动执行机构执行的横向和纵向控制应满足根据项目定义的能力。2.2.2.12.1 转向系统转向系统的目的在于控制车辆的横向运动。转向系统必须处理许多干扰,例如道路起伏、侧风或摩擦系数等,这些因素会直接影响预期的横向运动。为了满足这些功能,特别是为了能够实现失效降级,目前的失效可运行 EPS 系统配备有额外的独立电子系统。这样可以实现失效降级,同时保持足够的性能来控制横向移动。这类EPS 系统通常是可以作为符合能力要求的要素。除此之外,还有满足能力的其他解决方案,例如,通过制动进行后轮转向。2.2.2.12.2 制动系统制动系统的目的在于根据运动控制所要求的减速度来控制车辆的纵向运动。与手动驾驶一样,ABS 和 ESC 等稳定性功能也是 ADS 发出的减速请求的关键先决条件。但是,应考虑自动驾驶功能对制动功能的影响。2.2.2.12.3 动力系统动力系统的目的在于控制车辆的纵向加速度。与其他两个转向系统和制动系统要素相比,该要素可以不需要失效降级。582.2.2.13 带辅助执行器的车身控制车身控制在自动驾驶中的作用主要是传达规划的驾驶操作并维持安全合法的驾驶条件(例如,确保挡风玻璃清晰的视野或对前灯进行适当的控制等)。因此,诸如指示灯、前灯和挡风玻璃刮水器电机之类的部件通常被称为辅助执行机构,因为它们不直接影响车辆的自车运动。以下描述了应由自动驾驶系统控制的潜在影响的示例:外部灯应以正确的强度照明,以确保对周围(易受伤害的)道路使用者充分可见,并为光学传感器(例如摄像头传感器)提供明亮的照明。当在自动驾驶模式时,自动驾驶系统必须确保该操作。警告或指示灯应正确工作,因为它们可能会使(易受伤害的)道路使用者感到困惑(例如,通过意外激活或指示方向错误)。根据具体的项目定义,额外的通信手段可能是需要的。在自动驾驶模式下,挡风玻璃(和后视镜)应保持清洁,因为需要通过提供前后清楚的视野来确保车辆操作员的安全接管。因此,在自动驾驶模式期间,清洁系统和空调系统应充分运行。本白皮书不考虑被动安全部件(例如座椅调节、安全带预紧器、安全气囊等)。但是,应考虑自动驾驶对这些部件的影响。2.2.2.14 人机交互人机交互(HMI)被认为是 SAE L3、L4 或 L5 车辆安全运行的关键因素。HMI 提供了人与机器之间交互的方式来交换信息和操作,其设计方式使得设备使用清晰、直观。因此,HMI 可以使用视觉提示、触觉反馈和声学提示来为用户提供相关信息,并且它可以提供不同类型的接口以接收来自用户的输入。应仔细设计 HMI,以考虑人类的生理和认知特征和状态,目的在于优化人类对任务和情况的理解、减少意外误用或不正确的操作。59在具有不同自动化水平(SAE L1、L2、L3 或更高)的车辆中,HMI 最重要和最具挑战性的目标在于使用户正确地理解实际的驾驶模式,以及附属的用户责任和(驾驶)任务:在模式转换时 在相同的自动化模式下驾驶一段时间关于不同的自动化水平(SAE L0-5),用户的驾驶任务和职责随着自动化程度的提高而变化,而每个级别对用户都提出了不同的要求(通过 SAE J3016 中的驾驶自动化水平比较人类驾驶员和自动驾驶系统的作用(参见图 25):人类驾驶员和自动驾驶系统在不同自动驾驶等级中的角色5级完全自动化4级高度自动化3级条件自动化2级部分自动化1级驾驶员辅助0级无自动化DDT图25:人类驾驶员和自动驾驶系统在不同自动驾驶等级中的角色在这些自动化水平范围内,L3 自动驾驶系统的引入导致了范式转换,因为这是车辆操作员第一次被允许在指定 ODD 内的标称驾驶任务期间完全交出车辆控制权。因此,在配备有不同自动化水平的车辆中,车辆操作员会体验到具有完全不同任务和职责的多个系统。可能造成的后果就是模式混乱和责任扩散。最重要的是,L3 和 L2 很可能被驾驶员混淆,因为这二者都接管纵向和横向控制,但一个需要连续监控而另一个不需要(参见表 7 和图 25)。60因此,具有不同自动化水平的车辆中的 HMI 设计具有安全相关性,并且应仔细设计,以便驾驶员区分不同模式。因此它应该:在激活、(更重要的是)退出某个驾驶模式,以及(车辆操作员发出的)从L5、L4或L3过渡到更低级别的自动化驾驶水平期间,可靠地检测预期的驾驶员行为(最小化假正性和假负性)。此要求涉及所有类型的HMI操作,包括远程控制。以明确且易于理解的方式指出实际驾驶模式和驾驶员的责任。促进对当前驾驶模式下的自动化系统的适当信任度。发布明显且易于理解的接管请求(例如组合声学和视觉信号),使车辆操作员有足够的时间手动接管并重新感知到当前形势。美国国家公路安全管理局(NHTSA)也发布了确定评估标准的第一种方法(NHTSA,2017)。根据 NHTSA 的指南,自动驾驶系统的 HMI 应至少“能够通过各种指标通知操作人员或乘员,说明自动驾驶系统:运作正常;目前处于ADS模式下;目前“不可用”存在故障以及/或 请求从ADS到操作员的控制切换为了确保 HMI 满足可用性和安全性的所有要求,应进行对自动驾驶不熟悉的受试者的研究,以测试、评估和确认每个要素。每个 HMI 需求都应通过合适的用例进行操作,这些用例展示了用户如何在驾驶环境中处理驾驶员界面和显示。ADAS 设计和评估实施规范(在“预防和主动安全应用综合项目”(PReVENT)中的响应 3 详述)建议,“每个情景要有 20 个有效数据集才可基本表明其有效性”(Knapp,Neumann,Brockmann,Walz,&Winkle,2009,p.15)这意味着 20 名受试者中的所有 20 人都必须“按照之前的预期做出反应或以适当的方式控制情况”。即使 L4 自动驾驶系统进一步降低了驾驶任务的责任,即在 ODD 限制或系统故障时最小风险策略和最低风险状况能取代对驾驶员接管的需要,这并不意味着 HMI 在这种自动化水平上的重要性降低。如果车辆具有不同级别的自动化水平,将面临与 L3 中所见的模式感知和责任扩散相同的挑战。由于 L4 可能具有不同的 ODD,包括城市区域,因此 HMI 还可能向周围环境中的相关(易受伤害的)道路使用者传达车辆的运动状况、车辆状态和车辆意图,但不一定包括自动驾驶等级(考虑到使用者在“测试”系统时的误用)。L4 中 HMI 的另一个新用例和挑战就是对整个用户接送过程的正确指示和解释,例如:用于叫车服务等。因此,HMI 和人为因素的相关开发工作仍然是自动驾驶开发的一个重要部分。612.2.2.15 用户状态确定除了为客户设计精心设计的 HMI 之外,通过使用最先进的新技术(例如驾驶员监控摄像头),以及利用已有技术还可以测量和描绘对用户和环境中相关(易受伤害的)道路使用者有用的信息(见表 6)。业界先进技术人机交互技术图(示例)驾驶员监控摄像头座椅位置灯光元素位于方向盘上的传感器乘员传感器刹车油门踏板拨杆传感器方向盘扭矩用户意图 用户接管能力 用户注意分散 模式混淆 驾驶员缺席 示意车辆应对行人出现的意图 更多 号意味着传感器信号可正确推断出左侧既定属性的更高潜力表6:可用于测量或检测既定属性并进行通知的传感器数据技术示例与HMI一样,用于测量乘员属性(例如驾驶员注意力分散或模式混淆)的传感器应使用潜在客户的异构样本进行可靠性和有效性测试,因为某些眼睛形状、眼镜或身高可能会对传感器系统提出挑战。62自动驾驶等级用户角色自动驾驶系统角色驾驶员执行部分或全部DDT0级无驾驶自动化驾驶员(全时刻):执行全部DDT自动驾驶系统(如果有):不承担任何DDT(尽管其他车辆系统可能提供报警或支持,例如临时的紧急干预)1级驾驶员辅助驾驶员(全时刻):执行自动驾驶系统未执行的DDT 监督自动驾驶系统,必要时进行干预以确保车辆的安全运行 决定自动驾驶系统的介入或退出是否/何时合适 一旦有意愿或被要求时立即执行整个DDT自动驾驶系统(介入时):通过执行纵向或横向运动控制子任务来承担部分的DDT 接收到驾驶员请求后立即退出2级部分驾驶自动化驾驶员(全时刻):执行自动驾驶系统未执行的DDT 监督自动驾驶系统,必要时进行干预以确保车辆的安全运行 决定自动驾驶系统的介入或退出是否/何时合适 一旦有意愿或被要求时立即执行整个DDT自动驾驶系统(介入时):通过执行纵向和横向运动控制子任务来承担部分的DDT 接收到驾驶员请求后立即退出自动驾驶系统角色 注:DDT为动态驾驶任务63自动驾驶等级用户角色自动驾驶系统角色驾驶员执行部分或全部DDT3级有条件的驾驶自动化驾驶员(ADS未介入时):确认装配ADS系统车辆的可运行性 决定何时ADS的介入是适当的 在ADS介入后成为可接管DDT用户可接管DDT用户(ADS介入时):接受干预请求并及时执行DDT接管 响应车辆系统中DDT相关的系统故障,一旦发生则及时执行DDT接管 决定是否以及如何达到最小风险状况 在ADS系统退出后成为驾驶员自动驾驶系统(未介入时):仅在ODD内允许系统介入自动驾驶系统(介入时):执行全部DDT 决定是否将超过ODD边界,如果是这样,给可接管DDT的用户及时发出接管请求 决定是否存在一个DDT性能相关的系统故障,如果是这样,给可接管DDT的用户及时发出接管请求 在发出接管请求后的合适时间系统退出 在驾驶员请求后立即退出4级高度驾驶自动化驾驶员/调度员(ADS未介入时):确认装配ADS系统车辆的可运行性 决定是否ADS是否介入 ADS介入后成为乘客(仅当仍在车厢内)乘客/调度员(ADS介入时):无需执行DDT或接管DDT 无需决定是否或如何达到最小风险状况 在接受接管请求后可以执行接管DDT任务 可以请求ADS系统退出并可以在退出后达到最小风险状况 在请求系统退出后可以成为驾驶员自动驾驶系统(未介入):仅在ODD内允许系统介入自动驾驶系统(介入时):执行全部DDT 可以发出及时的接管请求 自动执行DDT接管并迁移到一个最小风险状况,当:出现DDT性能相关的系统故障 或者用户未响应接管请求 或者用户请求达到最小风险状况 适当的系统退出,仅在:达到了最小风险状况,或驾驶员正在执行DDT 可以延迟用户的系统退出请求5级完全驾驶自动化驾驶员/调度员(ADS未介入时):确认装配ADS系统车辆的可运行性 决定是否ADS是否介入 ADS介入后成为乘客(仅当仍在车厢内)乘客/调度员(ADS介入时):无需执行DDT或接管DDT 无需决定是否或如何达到最小风险状况 在接受接管请求后可以执行接管DDT任务 可以请求ADS系统退出并可以在退出后达到最小风险状况 在请求系统退出后可以成为驾驶员自动驾驶系统(未介入时):在全部驾驶员可以应对的道路状况内允许系统介入自动驾驶系统(系统介入时):执行全部DDT 自动执行DDT接管并迁移到一个最小风险状况,当:出现DDT性能相关的系统故障 或者用户未响应接管请求 或者用户请求达到最小风险状况 适当的系统退出,仅在:达到了最小风险状况,或驾驶员正在执行DDT 可以延迟用户的系统退出请求自动驾驶系统角色表7:用户和自动驾驶系统的角色642.2.2.16 车辆状态在明显的驾驶任务从驾驶员的责任转移到自动驾驶系统的责任以外,自动驾驶模式下自动驾驶系统也应承担系统监控和维护职责。车辆状态必须通知系统任何可能阻止自动驾驶系统启动或在适当情况下及时禁用自动驾驶系统的条件。然后车辆操作员应该能够执行他们的任务。车辆状态监控包括:能源存储系统的状态,例如燃料或电池电量等 轮胎压力 油温和油位 车门状态2.2.2.17 监视器(标称和降级模式)监视器对于确保系统的安全运行至关重要,它监视系统要素在性能、安全事件和故障方面的状态和行为。监视器可以作为子要素或作为监视事件链的单独要素包含在内。每台监视器的任务可能包括但不限于:监视失效安全性能(FS_7)监视失效降级能力的可用性(FD_2)监视网络安全事件如果监视器检测到性能不足或出现一个或多个失效,则会将此信息发送到 ADS 模式管理器,并采取适当的措施。2.2.2.18 处理单元处理单元需要根据 ISO 26262 开发并考虑自动驾驶系统的安全目标。处理单元可以提供足够的完整性、性能计算能力、可用性、网络安全支持、实时支持、汽车总线接口、高速数据接口、数字和仿真引脚以及低功耗模式。652.2.2.19 电源电源应根据项目定义提供所需的可用性和完整性,从而支持自动驾驶系统能力。如果一个电源无法达到所需的可用性或完整性,则可以提供两个独立的电源作为解决方案。在这种情况下,任何单点故障或相关故障都不应同时影响两个电源。电源应确保自动驾驶系统组件在标称性能和性能降级模式下的可用性。2.2.2.20 通信网络通信网络应根据项目定义提供所需的可用性和完整性,从而支持自动驾驶系统功能。支持这一点的一种方法就是对标称和降级要素使用高度多样性的通信网络。23通用逻辑架构2.1.6.1 节介绍了通用的感知-规划-执行设计范例,并通过功能安全和预期功能安全进行扩展,从而推导出自动驾驶系统的能力要求。第 2.2.2 节介绍了用于实现自动驾驶能力的逻辑组成部分(要素)。本章将这些输入结合到一个更具体的设计大纲中,尽管该设计大纲仍然没有包含系统设计方面的具体实现。但是,它可以被视为系统蓝图。到本章结尾即可以明显看到相关要素是如何与自动驾驶系统相关的。除了逻辑要素之外,自动驾驶系统的实现还包括计算资源、通信和能量网络以及存储容量。这些实现要素是特定于实现的,因此在出版物中省略了。附录 A 使用四个示例性功能来解释相关要素的可能特定属性。它重点突出特定功能的实现之间的潜在差异,而未提供完整的示例描述。通过整合第 2.2 节能力的信号链可以导出一套通用架构。由此产生的逻辑体系结构完整说明了不同要素之间的连接和信号流。自动驾驶系统的预期功能的功能架构参见图 26 和图 27。66预期功能的功能通用框架人机交互用户状态判断车辆状态自车运动先验感知传感器环境感知传感器车用无线通信技术交通规则传感器融合解释和预测ADS模式管理器定位运动控制运动执行器V2X车身控制辅助执行器人机交互驾驶规划图26:预期功能的功能通用架构67除了 2.2 节描述的要素之外,为了代表目前技术水平,还应满足一组附加要求。每个要素都应具有失效安全和/或失效静默模式(取决于具体系统设计的各方面)。在任何情况下,都应观察单个要素或要素组合的当前性能和失效并报告给系统监视器。冗余要素应该避免从属失效,因此它们应该按设计分开。此外,冗余要素还应避免共因失效,因此在设计阶段可以考虑多样性。最后,系统至少应该保持降级能力(即使单个要素不可用)。这些方面集成到功能架构中则通向一个包含增强要素的架构。基于以上要求,可以通过多次实例化要素来导出一套通用体系架构。这些实例可能具有不同的个别属性,且要素可包含多个实例。68预期功能(包括监控系统)的功能通用框架人机交互用户状态判断车辆状态自车运动先验感知传感器环境感知传感器车用无线通信技术交通规则传感器融合解释和预测ADS模式管理器定位人机交互运动控制运动执行器V2X车身控制辅助执行器人机交互驾驶规划图27:预期功能(包括监控系统)的功能通用框架69最后一步是将能力分配到要素上。图 28 显示实现了所有能力、所有要素都被分配给至少一个能力,并且所有要素都相互连接。如图 28 所示,能力的连接所示也很明显。值得注意的是,虽然在自动驾驶系统的闭环系统中没有描绘现实世界的部分,但这个闭环系统确实是从现实世界开始并最终影响现实世界的。FD_1FD_2FD_3Opt.FD_6FS_7FD_1Opt.FD_2FD_3Opt.FD_6FS_7FD_1FD_2Opt.FD_6FD_NC_7FS_1FS_2FS_4FS_5FS_7FD_1FD_2Opt.FD_6FS_1FS_7Opt.FD_2Opt.FD_6FS_2FS_7Opt.FD_6FS_6FS_7Opt.FD_2Opt.FD_6FS_2FS_3FS_4FS_7Opt.FD_6FS_2FS_7Opt.FD_6FS_3FS_7Opt.FD_6FS_4FS_7FD_1FD_2FD_3FD_4FD_5FD_6FS_1FS_7Opt.FD_2Opt.FD_6FS_5FS_7Opt.FD_2FD_6FS_5FS_7FD_2Opt.FD_6FS_NC_6Opt.FD_4FS_6FS_7FD_2Opt.FD_6FS_6FS_7FD_2Opt.FD_6FD_1FD_2FD_3FD_5Opt.FD_6FS_7FS_4FS_7FD_2FD_3Opt.FD_6分配至具有监控和失效安全/失效静默元素的功能通用架构的标称和降级能力人机交互用户状态判断车辆状态自车运动先验感知传感器环境感知传感器车用无线通信技术交通规则传感器融合解释和预测ADS模式管理器定位人机交互运动控制运动执行器V2X车身控制辅助执行器人机交互驾驶规划图28:分配至具有监控和失效安全/失效静默元素的功能通用架构的标称和降级能力第三章 验证与确认723验证与确认本章介绍了自动驾驶系统的验证与确认(V&V),包括现场监控和更新。第 3.1 节介绍了主要步骤和常规方法并明确了本章的范围。第 3.2 节列出了 L3 及更高级自动驾驶系统在 V&V时面临的五大关键挑战。第 3.3 节针对每个挑战提出了解决方案,并讨论了所涉及的各种测试平台。第 3.4 节讨论了现实世界驾驶所需的数量和质量,而第 3.5 节则回顾了 V&V 仿真器的使用。第 3.6 节重点介绍自动驾驶系统各个要素的特定 V&V 注意事项。虽然本出版物认识到确认测试可能触发功能设计变更,但本章的主要内容都侧重于在一个固定 ODD 中对稳定的系统进行确认。但是,第 3.7 节讨论了部署后的现场运行,包括对配置的监控和管理,以及ODD 的变更和更新。31本章范围和自动驾驶V&V的主要步骤本章介绍 V&V 涉及 SAE L3 和 L4 级自动驾驶系统的安全性验证和确认。本章范围不包括与安全无关的产品要求的 V&V,例如舒适性和效率。同时也不包括已经应用于 SAE L0-L2 组件、子系统或系统的标准 V&V 过程(例如启动、显示等系统功能;在 ISO 和 ISTQB 标准里描述的冒烟测试、压力测试等)。本出版物假定 SAE L3 和 L4 系统将遵循上述这些已涵盖了许多验证测试程序的标准。例如,对于 L0-L2 与 L3/L4 系统其安保性的 V&V 方法和流程是相同的,这在即将发布的 ISO/SAE 21434 中已说明。此外,也不包括生产线的 V&V 方法(例如传感器调整、生产中的安全性),这些也可以遵循标准 SAE L0-L2 程序。第 2.1 节概述了自动驾驶系统的系统性的安全系统开发方法的通用概念。此过程突出说明了对 SAE L3 或更高级自动驾驶系统的安全部署和持续运行的必要 V&V 步骤(参见图 29)。73符合ISOPAS21448 SOTIF 的功能设计流程功能设计I.分析II.验证III.确认IV.现场运行?I.通过设计实现安全II.III.统计论证 需求验证图29:符合ISOPAS21448 SOTIF 的功能设计流程完整的系统安全确认不仅需要测试,还需要对开发过程的质量审核,或通过分析实现系统的鲁棒性设计。这些工作结合在一起,实现了自动驾驶系统的安全论证。鉴于 V&V 的分析方法与 L0-L2 系统相同(见 ISO 26262),而随着系统复杂性的增加,本章则重点关注 V&V 测试方面的问题。第一个主要步骤是验证通过设计实现安全的策略得出的所有要求是否已满足。此步骤确保涵盖已知情景,并确保系统按预期运行。因此,验证侧重于易于测试的要求,并且可依赖于数十年来已经集成到生产车辆中的系统的成熟的通过设计实现安全流程。例如,线控油门通过一系列可验证的措施(例如冗余加速踏板位置传感器和冗余微处理器运行冗余软件)防止车轮上的非预期正扭矩。遵循通过设计实现安全原则和可验证要求,现代自动驾驶系统应采用类似地设计和测试方法确保安全的系统输出。如图 29 中所示,验证可以改进功能设计,从而产生新的验证需求。这种迭代过程通过识别已知的不安全情景并缩小其范围,从而增加安全性的可信度。74虽然通过设计实现安全原则是安全方法的基础,但对于自动驾驶系统来说仍然不够,因为存在无法直接设计或验证的未知不安全情形(参见第 2 章)。例如,不可能预见到太阳角度与行人所穿的衣服或可能遮挡它们的物体的每种可能组合。因此,为了满足第 1 章中概述的整体安全愿景,确认的目的在于建立统计论证,以足够的可信度去证实已知和未知情景下的安全性。这是 V&V 流程的第二步。由于系统的复杂性和时间差异以及相应的不确定性,达到100%的可靠性和置信度是不现实的。因此,仍有发生交通事故的剩余风险。长期以来,剩余风险的概念已经被人们所接受(参见安全气囊或新药的推出)。确认将于系统发布后在日常驾驶中遇到的场景下进行。这些情形可能是受控的物理环境(封闭式试验场)或虚拟(仿真预定义情景)环境中,或者它们可以在现实世界的运行期间中自发产生(公共道路测试或仿真随机生成的情景)。与验证类似,确认也可能导致功能设计的变化。但是,有效的统计声明要求受试系统稳定,因此对功能设计的任何迭代都需要对受影响的更改进行再次确认测试。鉴于要求确认测试范围相当大,因此本出版物建议在确认开始后尽量减少功能设计的迭代更改。第三步(广义上包含在更广泛的 V&V 流程中)包括部署后的观察。这包括现场监控自动驾驶系统的安全性和安保性,以及解决部署后发现的漏洞所需的更新。更新要求进行谨慎的变更管理和重新测试,以确保系统中的变更不会引入新的风险(参见第 3.7 节)。7532L3与L4系统V&V的关键挑战本节将 SAE L3 和 L4 系统面临的 V&V 挑战分解为五个独立的挑战,而第 3.3 节概述了应对这些挑战的可行解决方案。总体挑战在于增加置信度,即在所有具有一定发生频率的可能驾驶场景下,系统达到与人类平均驾驶水平相比的正风险平衡(见第 1 章)。由于对每种场景进行完整测试既不合适同时技术上也不可行,因此以下进一步定义了在统计学上证明系统安全性的可行方法。挑战 1:统计证明(无驾驶员干涉下)系统安全性和正风险平衡在 SAE L0 至 L2 系统中,人类驾驶员负责在驾驶时监督车辆控制。因此,这些系统的安全评估可能聚焦于在执行机构和机电系统的安全性上,并且大多数只考虑一些选定的最坏情况。在 L3 和 L4 系统中,则不能假设驾驶员在所有场景下都能保持警惕。这些系统要求更为彻底地考虑自动驾驶系统本身安全地执行驾驶功能的能力。这极大地增加了可能情景的数量,并且意味着需要在整体安全论证中纳入统计考虑因素。挑战 2:驾驶员介入时的系统安全(尤其是在接管操作中)在 L3(某种意义上的 L4)系统的 V&V 中,还需要评估接管情形,因为这些情形会影响自动驾驶车辆的安全性。作为后备的人类驾驶员应保持驾驶模式感知并接收任何模式转换的明确指示。同样,系统应在转换期间在合理范围内支持有效的接管能力,以协助人类接管后的可控性。另外,长时间使用自动驾驶系统会导致驾驶员对态势的感知不敏感。需要仔细分析这些影响,并在整体 V&V 和安全影响分析中加以考虑。挑战 3:考虑交通中目前未知的情景新驾驶情景既来自自动驾驶系统之前未见的情景,以及自动驾驶系统之间交互相关的情景。这些是自动化风险的重要方面。此外,(易受伤害)的道路使用者与自动驾驶车辆交互的情景也可能会被误用。由于现实世界的变化(例如新的交通标志)也会产生新的情景。需要在整体验证方法中考虑这些情景。76挑战 4:各种系统配置和变量的确认自动驾驶系统包含几个可能在其生命周期内需要进行软件更新的要素。硬件也可能发生变化,因为当客户使用车辆时,可能会损坏系统的某些部分。因此,L3 和 L4 系统的配置和系统变量的数量预计将超过 L2 系统的配置数量。每个系统配置都需要进行 V&V。挑战 5:确认基于机器学习的(子)系统自动驾驶车辆的若干要素可能依赖于基于机器学习的算法。与安全关键组件中当前使用的算法相比,需要新的确认方法以确保整体系统安全性。机器学习(子)系统不能被分解并且需要作为整体进行测试,这增加了测试工作量。33自动驾驶系统的V&V方法验证与确认自动驾驶系统安全性的方法需要处理上述关键挑战。本出版物强调 V&V 流程应包括测试和其他活动,以确保严格的开发和系统设计实现(见 3.1 节)。在验证过程中,测试会评估指定的需求是否被满足。在确认过程中,测试会评估自动驾驶系统是否满足预期用例。但是,为了全面地确认 L3 和 L4 系统的安全性所需的彻底的测试覆盖率是无法达到的。而提出的方法论如下所述。一些测试活动有助于测试过程并建立特定的测试策略。通过回答五个 W(何人、何事、何地、何时和为何)和两个 H(如何、多好)问题-也称为 5W2H(Ohno,1988;Tague,2005)来分解相关特征。只有完全回答这七个问题,才能生成特定的测试用例。何时和何人的问题回答方式与开发 L0-L2 系统相同。本节概述了确认系统安全性的一般方法,通过明确说明以下方面来应对关键挑战:为何与多好:测试目标,包括范围、完成标准和指标(参见第3.3.1节)如何:测试技术(参见第3.3.2节)何地:测试平台或测试环境(参见第3.3.3节)何事:测试要素或待测物体(OuT)(参见第3.6节)77结合这些特性为 L3 和 L4 系统制定了一个特定的测试策略(参见第 3.3.4 和 3.5 节),以应对关键挑战并支持安全确认。测试策略极大地影响了所需的现实世界驾驶测试的数量(在第3.4 节中讨论)以及仿真环境和测试数量(参见第 3.5 节)。第 3.6 节详细介绍了 V&V 特定要素和功能的示例。331定义测试目标与目的(为何与多好)产品安全论证以连贯的方式结合所有必要的确认工作(参见以上说明),并因此说明了应达成的所有测试目标和测试目的。对于每个单个测试用例,需要根据安全论证量化测试目标(例如测试完成、停止和恢复标准)。此外,需要为整个测试策略定义测试完成和测试质量的客观指标。这些已经在 L2 系统中使用,因此这里不再详述。对于 L3 和 L4 系统,需要仔细定义参数分布的测试覆盖指标。为定义测试目标,最重要的考虑因素之一包括第 1 章中描述的 12条原则及其在第 2.1.6 节中讨论的它们的相关能力。332测试设计技术(如何)测试设计技术定义了待测物体的测试技术。“如何”定义了哪些待测物体的哪些测试参数及其特定值需要被评估。各种测试设计技术也应用于 L2 系统。由于它们极大地影响了每个测试用例的质量和确认的整体置信度,设计技术在 L3 和 L4 系统的测试策略中发挥着重要作用。ISO 26262 建议使用不同的测试设计技术。测试设计技术根据对待测物体的了解情况进行分类。例如,测试技术分为黑盒技术(即没有提供或很少提供有关于 OuT 的信息)、灰盒技术(即一些信息可用)和白盒技术(即所有相关信息,如 OuT 的 结构等可用)。与 L0-L2 系统相比,L3 和 L4 系统的以下测试设计技术需要更多的关注:基于方案的测试设计技术 等价划分测试设计技术(参见第 3.4 节)边界值测试设计技术 基于搜索的测试设计技术 试验设计 变异测试设计技术 反应式测试设计技术78333测试平台(何地)不同的测试目标需要具备已根据相应 OuT 进行适配的测试平台。测试平台越接近现实世界,将结果传输到使用中的系统所需的额外测试则越少。术语表描述了所有可用的测试环境、描述和示例。这些测试环境的主要区别在于虚拟和真实激励的应用以及被测试的项目。表 8 为每个测试环境分类这些激励和测试项目。目标软件(代码)目标硬件(ECU)车辆驾驶员驾驶环境软件在环SiL(在闭环中模拟)虚拟虚拟虚拟虚拟虚拟真实无软件后处理虚拟虚拟无无虚拟真实硬件在环HiL真实真实虚拟虚拟虚拟无硬件后处理真实真实无无虚拟驾驶员在环DiL真实虚拟虚拟真实虚拟无无真实测试场地真实真实真实真实真实机器开放道路真实真实真实真实真实测试平台和测试相关项 测试平台测试相关项 表8:测试平台和测试相关项79334应对关键挑战的测试策略为了解决第 3.2 节中所讨论的关键挑战,可以将测试目标、待测物体、测试技术和测试平台组合在一起,以定义 L3 和 L4 系统可行的测试策略。挑战 1 的解决方案:统计证明(无驾驶员干涉下的)系统安全性和正风险平衡要应对这一挑战则需要涵盖无驾驶员的自动驾驶系统(第 2 章中讨论的感知-规划-执行)。将以下三个策略组合在一起,可实现一套能统计证明系统安全性的通用测试方法:A 在现实世界驾驶测试中使用统计灰盒测试,以涵盖各种现实世界驾驶情景:使用参考传感器系统,对用安装在车上的最终感知硬件在真实环境中的感知进行统计学验证 在现实世界驾驶条件下对完整的闭环系统进行确认 识别 ODD 中可用的驾驶情景,作为解决挑战 3 的依据(未知的不安全测试情景)B 在专用测试平台中使用有效的测试技术,为完整的驾驶系统以及特定要素实施基于情景的测试,例如:软件/硬件再处理:感知和传感器融合的确认(使用新软件版本重新处理现场测量数据)SiL:在仿真中通过基本传感器模型涵盖情景中的大量变化以对轨迹规划和控制算法进行确认 HiL:硬件组件的 E/E 失效测试、故障注入测试、SiL 确认 试验场:在紧急交通情景中确认整个系统、确认 SiL 和 HiLC 确保对系统在整个生命周期内进行现场监控,以便:量化并评估以前未考虑的情景 以更高的统计功效提高验证的置信度A 中概述的现实世界驾驶中的统计测试具有在真实驾驶环境中评估真实系统的明显优势。但是,该统计测试并不能确保涵盖所有紧急驾驶情况和驾驶环境,即使在测试中投入了大量精力。考虑等价类可有助于评估现实世界驾驶的质量(相对于交通情景的覆盖范围)。现实世界试驾的必要数量(驾驶距离)在很大程度上取决于这种质量,第 3.4 节对此进行了更详细的讨论。80B 中概述的特定情景的专用测试的缺点在于,仅涵盖已知的交通情景和环境,并且根据测试平台的不同,测试结果中存在特定的不确定性。例如,在大雾中进行的系统测试无法在测试场上再现。同时,这种情况在仿真(具有不完美的传感器模型)中的测试结果也意义有限。这一示例强调需要将不同的测试平台中的测试相组合。如C中概述的现场监测增强了对基于情景的测试中要检查的情况的覆盖范围,以用于充分验证的自动驾驶系统。挑战 2 的解决方案:评估人类驾驶性能(特别是在接管操作中)人类驾驶员和自动驾驶车辆系统的安全性明显受到与自动驾驶系统的 HMI 相结合的人类驾驶性能影响。这在接管情况下尤为明显。相关安全性在 DiL 以及测试场和开放道路的闭环测试中进行测试。对于开放道路测试,从 L2 到 L3/L4 需要一些中间步骤,并且应顺序地达成不同目标。以下举例说明了此类序列和步骤:1 在仿真中使用一套基本的驾驶员模型去查找 DiL 的最坏情况交通情景2 结合 HMI 进行驾驶员表现的 DiL 测试3 具备安全驾驶员的闭环 L3 或 L4 系统在试验场进行实际测试4 在有专业驾驶员(无安全驾驶员)的情况下,使用闭环 L3 或 L4 系统在试验场进行实际测试5 在有部分经培训的客户代表,有驾驶员(无安全驾驶员)以及逐渐增加 ODD(例如增加速度)的情况下,使用闭环 L3 或 L4 系统在试验场进行实际测试6 在开阔道路上进行步骤 3)至 5)中描述的实际测试7 减少客户培训,并在完整的 ODD 中激活系统8 现场监控客户车队的系统性能(例如现场运行测试或自然驾驶研究)一些步骤还需要考虑驾驶员的长期行为。该分析根据 ISO 26262 和 ISO PAS 21448 标准考虑可预见的误用和滥用。对这些可预见的误用和滥用的考虑可能会促使引入一些安全目标以降低已识别的风险。可预见的误用和滥用的覆盖程度受限于对用户的想象力和行为的理解。安全目标决定了可预见的误用和滥用的 V&V 范围。应进行客户案例研究,以证明驾驶员对已知情景的车辆的可控性水平,并证明定义的响应时间足以让驾驶员接管车辆,尤其是对于 L3 系统。整车级的测试对于确认也是必要的,并且应将 DiL 测试纳入在内(例如,以便安全相关测试不会危及测试驾驶员的安全性)。81挑战 3 的解决方案:考虑交通中目前未知的情景为了应对这一挑战,需要检查人类驾驶员以及整个自动驾驶系统。测试策略基本上依赖于以下测试平台:对自动驾驶车辆(L3-L4)和其他多个非自动化的(易受伤害的)道路使用者(L0-L2)进行了包含双向交互的仿真,例如OpenPASS项目(见Eclipse Foundation,2019)DiL和开放道路测试,用于评估L0-L2车辆中的人类驾驶员与自动车辆相互作用所导致的未知情景在两个测试平台中,仿真自动驾驶车辆的行为都需要涵盖各种可能的系统实现。不同的制造商可能使用不同的系统特性,导致不同的情形。在仿真环境中,可以使用不同的参数化来修改自动驾驶车辆的工厂模型,以涵盖该方面。除了仿真之外,关注情景检测的现场监测可能也很有用。挑战 4 的解决方案:各种系统配置和变体的确认由于自动驾驶系统比较复杂,因此在现场中很容易有多种系统配置和变体(例如,传感器和执行机构的安装公差、适应世界变化的软件变体等)。回归测试对于精确关注配置之间的微小变化至关重要。需要在整个开发过程中具有完全可追溯性,以识别受小变化(例如一行代码)影响的要素和软件组件。例如,对于一行代码中的每个更改,都需要识别受影响的要素和能力。然后,测试可以在先前测试的基准配置之上,关注更改对相关能力的影响。挑战 5 的解决方案:确认基于机器学习的(子)系统为了验证和确认安全相关的机器学习算法,除了测试这些算法之外,还必须要定义这些算法的安全设计过程。附录 B(特别是第 6.3-6.6 节)更详细地考察了机器学习,并描述了机器学习算法验证与确认的基本要求。测试策略汇总总之,可行的测试策略通过将整体确认目标仔细分解为每个待测物体的特定测试目标,并通过定义适当的测试平台和测试设计技术来响应自动驾驶系统验证与测试中的关键挑战。82例如,图 30 根据自动驾驶系统的具体设计,概述说明了结合待测物体以满足不同的测试目标的平台。传感器或执行器等单个组件主要在测试平台 SiL/软件再处理和 HiL/硬件再处理上进行测试。在进行这些测试的同时,不同的测试目标均被予以考虑。图 30 使用开放道路测试平台的例子来测试不同的测试目标,重点放在整个系统上。von Seite 90/913.4.4 Test strategy responding to key challenges 测试目的 SOTIF相关技术层面 安全渗透测试 SOTIF相关人为因素层面 模拟测试平台的验证 功能安全软件在环/再处理硬件在环/再处理驾驶员在环测试场地开放道路组件传感器融合,定位,感知无传感器、预测(驾驶规划)的系统运动控制、自运动人机交互、用户状态检测、自动驾驶系统模式管理全系统测试策略汇总图30:测试策略汇总最终安全确认测试过程中的一些步骤本身耗费时间(参见第 3.4 节),特别是他们不能并行执行,这延长了整体确认过程(例如,参见挑战 2 的解决方案)。如第 2.1.1.1 节所述,自动驾驶汽车应符合规定设计、结构、性能和耐久性要求的规定。记录应包括验证和确认过程。此外,还必须在适当的时间点开始必要的认证过程(例如与确认过程平行),并在整体确认和83认证时间跨度内考虑不断变化的环境(新型车辆、新交通标志、新道路等)。为此,认证机构(例如由技术服务代表)和 OEM 必须共同定义哪些测试种类与满足认证框架相关。34测试数量与质量如第 3.2 节所述,确认自动驾驶系统的关键挑战之一在于统计上证明正风险平衡。第 3.1节定义了要证明的主要安全目标。从统计上来说,黑盒方法(即需要按照客户的预期使用自动驾驶系统)中,“自动驾驶车辆必须要驾驶数亿英里,有时甚至数千亿英里才能证明其在防止死亡率和受伤方面的可靠性”(Kalra&Paddock,2016,p.1)。由于失效事件比较罕见,因此仅凭实际试驾不能对自动驾驶系统在预防伤亡方面的安全性提供高置信度(Wachenfeld,2017;here,2019;Salay&Czarnecki,2018)。为了应对这一挑战,第 3.3.4 节中提出的测试策略将现实世界驾驶中的统计测试与下述一种或多种方法结合起来:定义等价类或情景(有关详细信息,请参见下文)定义替代指标(surrogate metrics)或先导度量(leading measures)(例如撞车或碰撞路径)以跟踪系统安全性-特别是在回归测试中(Fraade-Blanar,Blumenthal,Anderson,&Kalra,2018)。替代指标和先导度量是RAND报告中所述的概念,它与通过可控性、暴露率和严重度对情景进行分类的等价类不同。先导度量是表明危险情况的指标。其中一个例子可能就是违反交通和道路规则,这未必导致碰撞或伤害,但当其他(易受伤害的)道路使用者出现时,会导致危险场景。这些先导度量可以进一步更好地评估系统性能,并在道路测试确认活动之前,与驾驶员行为进行细致的比较。将系统分解为第2.2节中讨论的要素,并按照第3.6节中的讨论测试这些要素 结合不同的测试平台和测试设计技术(例如SiL的随机变化)来增加测试覆盖率,如第3.3.4节中所述 利用相关情景的现有知识(例如,来自撞车数据库),并在实际测试和/或仿真中仔细跟踪这些情景84组合这些方法可生成实际和虚拟试驾结果所需的数量。此外,试驾数量的先验假设应考虑以下因素:系统设计 ODD 的定义(另见第 1.2 节中的开发示例),作为安全影响分析和测试空间的参考,它会受到影响 要素的鲁棒性(例如,通过传感器的冗余),这需要证明要素是可靠的(例如,应证明冗余的独立性)参考定义 参考安全水平,例如与 L3/L4 系统类似的 ODD 中的人类驾驶员 要达到的置信水平 假定的统计分布目前,本出版物仅粗略概述了这些方法。然而,后续的联合出版物将有助于对这些方法进行更为细致的探讨。对于 L3 级别系统,与目前最先进的 L2 级别系统所需的现实世界测试里程保持同等水平似乎是足够的。因此,对于高速公路巡航系统的开发和确认,应在现实世界中驾驶数百万公里。当上述新方法被采用时,则可能出现差异。对于其他系统,例如 TJP、UP 和CPP 开发示例,可以应用适用于系统 ODD 的其他指标,因此驾驶距离上的比较可能并不合理。应进行持续的确认,直到 达到要求的置信水平。341等价类/基于情景的测试等价类的考虑有助于最大化测试效率。待测试的影响因素的参数空间被划分为几类。然后对于每一类,定义必要数量的相关测试用例。在一个类别中,大多数情况下一小部分测试就足以证明整个类别中系统的统计安全性。定义等价类的标准可以通过 ISO 26262 中定义的暴露率、严重性和可控性水平来支持,作为要分组在等价类中的运行情景的代表性样本。所有影响因素都在 SiL/软件再处理测试平台中建模。因此,在仿真测试期间,每个等价类可以被精确地覆盖。在解释仿真结果时,应考虑建模的不准确性和近似值到实践允许程度。在现实世界的测试中,等价类的考虑有助于试验场和开放道路上的试验设计。这些考虑还有助于评估实际驾驶在充分覆盖交通状况的情况下的质量。在试验场测试期间,不可能涵盖所有参数组合,因为在测试设置中无法控制某些参数。此外,可能存在潜在危险的参数组合,这些参数组合应仅在没有人类测试驾驶员的情况下在试验场进行测试。最后,并非所有影响因素都可以在开阔道路上的真实世界试驾中直接控制。充分覆盖所有不可控参数组合(以及因此涵盖所有等价类)的概率随着类似客户的环境中的实际测试量而增加。对测试结果的客观评估(基本上为来自试驾的长期测量值)揭示了等价类的覆盖范围。因此,这是监控试驾质量的一种方法。85自动驾驶系统的安全性受到若干因素的影响,这些因素可以根据交通的三个实体进行分组,即驾驶员、具有自动驾驶系统的车辆以及交通环境。交通环境或交通情景包含几个表征因素,分为情景的六个层级(PEGASUS,2019):第 1 层:街道布局与地面状况 第 2 层:交通指南基础设施,如交通标志、障碍物和标记等 第 3 层:临时施工现场的拓扑和几何形状的覆盖层 第 4 层:(易受伤害的)道路使用者和物体,包括基于行为的交互 第 5 层:环境条件,如天气和白天等,包括对第 1 至 4 级的影响 第 6 层:数字信息,如 V2X 信息,电子地图等此外,还提出了三种情景抽象级别:功能情景、逻辑情景和具体情景(Menzel,Bagschik,&Maurer,2018)。因此,不同层上的情景和情景参数为定义等价类提供了一个整体概念。在仿真中,系统还可用于评估自动驾驶系统的安全性(参见第 3.5.2 节)。35仿真从最广泛的意义上讲,仿真可以帮助我们理解系统的可能结果和行为,我们可以直接控制虚拟设置,并执行比现实中更高效的测试。而且有些测试因为安全因素只能在虚拟环境中测试。对于汽车应用,仿真可以考虑整个系统(例如具有轮胎和自动驾驶系统功能的整车)、子系统(例如执行机构或硬件控制器)或组件(例如传感器或通信总线)。仿真引入了各种模型来表示相关系统的行为等。模型是物理现实的抽象,并且依赖于现实世界中真实复杂性的简化。例如,车辆动力学模型可以捕获因驱动、摩擦和地球重力而作用在车辆上的力,但不包括电磁力或月球重力对汽车的影响。因此,仿真只能在某个程度上准确。了解仿真提供的准确性是确定和论证其在开发和确认活动中的使用的关键(Koopman&Wagner,2018;Winner,Hakuli,Lotz,&Singer,2016)。仿真模型所需的精度水平取决于测试目标,且应通过单独的对仿真的确认活动来建立(参见第 3.5.3 节)。86仿真主要用于两个目的:在开发一个(鲁棒性)功能期间提供帮助,以及在发布之前测试和确认功能。下面简要介绍两种仿真应用,然后更详细地讨论仿真在确认中的用途,以及确认仿真的要求。在开发过程中,对系统软件和/或硬件产生挑战的结构化压力测试有助于发现和消除安全故障、研究极端情况并确定系统能力的界限。开发期间应用的结构化测试示例包括:将规划和控制算法暴露在虚拟测试情景下 通过合成输入生成确定车辆视觉和感知系统的极限,例如,由3D图像渲染引擎生成等 联合评估感知和规划的表现(感知在环)联合测试相机硬件和视觉算法 在车辆ECU上运行规划与控制测试 仿真部分的车内总线系统,以及测试ECU至ECU的通信。对于确认活动,仿真使用取决于整体确认策略以及仿真模型达到的保真度或准确度。在模型精度可以被证明为足以匹配现实世界行为的情况下,仿真也可以可靠地直接用于在没有真实世界驾驶活动的情况下论证安全性。但是,这么做将需要仿真情景的代表性样本(即代表确认后的系统的预期使用情况)或每个仿真情景对系统总统计置信度贡献的严谨的数学表达式,而且这可能基于现实世界驾驶中情景的发生频率。即使在模型不准确的地方,仿真仍然可以帮助实际测试活动,使其集中到仿真发现的预期中的系统薄弱区域。仿真还可以增加对系统安全性的置信度。但是,直接从仿真结果中论证统计安全仍然具有挑战性,因为这样必须同时正确地解释由仿真的有限精度引起的不确定性。鉴于在统计论证中使用仿真结果具有挑战性,现实世界驾驶仍很重要,并且仿真无法取代所有真实世界的测试。现实世界驾驶仍然保留其重要性,实际上可以帮助生成逼真的仿真情景并确定仿真模型的准确性:用于车辆和部件模型确认的真实世界数据:车辆数据和通过车辆传感器测量的数据是量化和论证模型(例如车辆动力学或传感器模型)精度的重要来源 用于情景累积的真实世界数据:车队数据可以帮助确定仿真哪些相关案例。用于交通建模的真实世界数据:在仿真中生成新颖的场景要求使用真实的(易受伤害的)道路用户行为进行虚拟仿真,以保持场景的有意义和有代表性。87总之,用于确认的仿真可以实现不同的目标,具体取决于整体确认策略和仿真工具的准确性:对整个系统的安全性提供定性的置信度 直接有助于实现整个系统安全性的统计置信度 对特定子系统或组件的性能提供定性或统计置信度 发现可以在现实世界中进行测试的具有挑战性的情景(例如封闭场地)351仿真类型仿真有多种不同类型,有助于实现不同的测试目标(参见第 3 章)。无论仿真类型如何,任何仿真结果都应在以后可重现,以便追溯和维护(另见第 3.7 节)。对于 SiL 或软件再处理,这意味着对于给定的初始条件、输入数据和随机种子,仿真器将重复产生相同的结果。对于HiL 或硬件再处理,这意味着全面记录硬件配置、测试条件和任何硬件老化。使用仿真进行功能安全测试侧重于检测系统故障,并应采用与 SAE L0-L2 系统相同的方法ISO 26262。系统故障可能由于任何软件、硬件、软件/硬件交互、软件/软件交互、硬件/硬件交互或硬件/化学/物理环境交互失效而引起。此外,如果功能安全概念依赖于人为干预(例如作为 L3 系统的后备),则功能安全应确保与安全相关的人机交互界面的适当性,和避免对不合理的风险的可控性。因此,功能安全测试的仿真包括所有测试平台:SiL或软件再处理测试,用于确认是否不存在由于软件和软件/软件交互(以及软件/硬件交互,例如利用SiL或软件再处理中包含的时间模型)失效而导致的不合理风险。HiL或硬件再处理测试,用于确认是否不存在由于硬件、硬件/硬件、软件/硬件或硬件/化学/物理环境交互失效而导致的不合理风险。这可能出现在组件(例如传感器)或子系统级(例如无传感器、控制器的系统等)。DiL测试,用于确认是否不存在由于软件/人和硬件/人交互失效而导致的不合理风险。将仿真用于技术性使用安全属于 SOTIF 参考 ISO/PAS 21448 仍在发展的领域。与功能安全测试不同的是,用于确认技术性使用安全的仿真侧重于在没有任何故障的情况下证明安全性。其主要目的在于提升在已知和未知情景中系统安全性的置信度(统计置信度或其他置信度)。与将仿真用于功能安全测试类似,用于技术性使用安全的仿真也可能涉及组件、子系统和整个系统层面上的 SiL、软件再处理、HiL、硬件再处理,以及用于人机交互的 HiL/DiL。88不同级别的保真度可以互补以使确认能在全系统层面上进行。例如,可以利用真实世界数据或现实的计算密集型传感器模型来确认车辆感知系统(以及评估其误差和噪声特性)。一旦评估了感知性能,后续测试(例如行为规划模块)就可以与现实传感器模型分离,而利用感知模块更抽象的失效模型(例如,通过利用较低层次的确认活动中导出的噪音模型进行故障注入测试等)将仿真用于人为因素的使用安全可能涉及 SiL,以证明涉及人类交互的子系统足够安全。SiL 仍然有限,因为实际的人类行为可能与仿真的人类行为不同。因此,当实际人类驾驶员或乘客在车辆中时,SiL 可以辅助 DiL,以确认这一安全性能。但是,包含其他交通车辆的安全相关的交通情景无法在实际车辆上测试。352仿真情景生成对于功能安全测试,仿真情景直接源于安全设计中的可测试安全要求,反之亦然。若使用仿真来测试技术使用安全或人为因素的使用安全,则仿真情景可能来自不同的来源,包括:在现实世界测试期间,系统之前遇到的具有挑战性的情景;通过现实世界驾驶(系统性)收集到的情景 现实世界中观察到的个别人类驾驶员撞车情景 对已知会导致涉及人类驾驶员的撞车事故的通用情景(撞车前情景)做系统变更 对待测物体的ODD中道路基础设施相关变量进行系统性枚举(仅适用于有限的ODD)根据系统缺陷的工程经验,对具有挑战性的场景进行头脑风暴仿真通常依赖于以某种数据格式描述的特定情景(例如:OpenSCENARIO,2017;OpenDRIVE,2018;Hanke,et al.,2017)。一个挑战是由于变量数量很多,而且大多数是连续变量,导致从上述来源构建情景的变化数量巨大。即使连续变量离散化,组合的可能数量也几乎不可测试。除此之外,一些影响因素也是随机的(例如传感器噪声)并且必须通过仿真进行捕获。如上所述,即使基于极大量的情景去推导出统计上的置信度,仍需要有针对其情景的代表性及仿真模型的准确性的切实证明。这里可以考虑等价类的方法(参见第 3.4.1 节)。89353对仿真的确认如上所述,任何仿真精确度都有限。仿真的确认旨在证明仿真工具和模型在一起足够准确。这自然会提出一个问题,即什么是足够准确。通常可以通过检查移除工具使用的模型简化是否会改变测试结果来回答这个问题。这需要针对更复杂和更现实的模型进行测试或根据实际经验进行测试。在使用测试平台的分层方法中,每个级别的简化都可以通过下一个更高级别的复杂性进行确认,而最复杂的级别通过现实世界驾驶来确认。但是,每个级别可能会对仿真的有效性引入一定程度的不确定性。此外,在所有可能的极端情景上都测试仿真的有效性实际上是不可行的。相反,本出版物建议根据现实经验来测试在一部分极端案例上全系统仿真的有效性。全部极端案例中仿真有效性的置信度则需要通过在要素层面上确认仿真模型来提高到可接受的程度。有关自动驾驶系统安全性的最终置信度声明则还应考虑关于仿真有效性的其余不确定性。354更多仿真主题上述示例主要针对与周围(易受伤害的)道路使用者交互的 SAE L3/L4 自动驾驶系统的测试。其他仿真测试可以用于测试更广泛的车辆生态系统,包括地图和基础设施。例如,车队仿真可用于测试后端功能,例如用于通过向后端发送虚拟危险通知来计算危险警告的算法等。仿真的另一个特定作用可能就是估计系统在人类接管后的行为。尚未经确认的系统的现实世界驾驶尚需要安全驾驶员,以免其他道路使用者面临不必要的风险,因此安全驾驶员将在自动驾驶系统失效之前接管。确定该失效本来是否会导致碰撞则可以考虑再处理的结果。同样,再处理可能有助于确定不同子系统(例如自动紧急制动系统)本来会做出的行为,这可能有助于确定该子系统的性能。9036要素的验证与确认(V&V)为解决关键挑战 4,并且由于因素和具体参数的大量组合(参见第 3.4 节),本出版物建议将系统分解为几个子系统和组件,以单独确认和验证这些要素。本节更详细地解释了第 2.2节中列出的每个要素的具体验证与确认。以下几节的部分内容较为详细,因为对于 L3 和 L4 系统相关要素的验证和确认发生了较大变化。关于第 2.2 节中列出的要素和能力,本出版物侧重于验证和确认不同于 L0-L2 系统的要素。很可能没有或轻微的(验证与确认)变化的要素包括:处理单元:通常,其他 SoC 和 MCU 用于 L3 和 L4 系统。但是,验证与确认方法是相同的。电源:电源应冗余。但是,对 L0-L2 系统只进行单个路径测试。此外,还应对一个电源到另一个电源的切换进行测试。通信网路与车身控制:通信网络和车身控制验证与确认方法和程序与 L0-L2 系统类似。L3 系统的自车运动(包括测距)应比 L4 系统更准确。但是,通常情况下该子系统的验证与确认与 L0-L4 系统相同。运动执行机构与带辅助执行机构的车身控制:像在L0-L2系统中一样测试执行机构本身。按照第3.6.5节中所述对于系统的交互进行运动执行机构测试,按照第 3.6.7 节中所述进行车身和辅助执行机构测试,在解决方案中,按照第3.3 节所述对挑战 2 进行测试。91361先验信息与感知(地图)由于现实在不断变化,因此地图 V&V 应该是在使用地图的系统使用寿命期间的一个连续过程。在三个层面上对此框架内的地图进行验证和确认:地图作为自动驾驶运行中的子系统 作为现实的整体反映的地图 可能产生错误的具体地图阶段(第2.2.2.2.1节中确定的来源、处理和分发)自动驾驶系统验证与确认详见第 3.3 和 3.4 节,其中概述了在地图/感知不匹配的情况下应进行的测试,以确认和验证自动驾驶系统的安全性。此类测试应关注地图数据在运行中具有关键性或较低的可控性,和/或存在可预见的不匹配的情景。因此,本节将重点关注地图作为现实的反映和地图创建的验证与确认的阶段。从安全角度来看,安全相关地图内容(RMA)的端到端 V&V 应通过将其数据与参考数据集进行比较来进行。参考数据的构建方法应能确保当时可能的对现实最高保真度的表现。这样可以在将地图和 RMA 纳入全自动驾驶系统进行现场测试之前对其进行直接的端到端测试。一些系统测试的输出会提示地图是可能的错误来源,特别是对于交通事故等动态数据。这些输出应被作为车队测试的更广泛的结果而被跟踪和调查。一些初始的评估也可以通过使用非自动驾驶车队的数据来实现。但是,这些结果主要揭示的是系统之间的差异,并且应再次使用参考数据来进行有关正确性的更多定量认定。此外,应进行系统测试以确保自动驾驶系统在地图/现实世界不匹配的情况下是安全的(如统计证明,基于需求的测试)。测试将关注地图数据在运行中具有关键性或较低可控性,和/或可预见的不匹配的情景。但是,在地图创建的各阶段(采集、处理和发布),应采用不同的测试方法。源数据错误应通过“通过设计实现安全”来解决,因为没有可用的参考数据,并且在大多数情况下均不能使用仿真来检测源数据错误。处理错误应通过将“通过设计实现安全”方法与足够大的样本的传统统计评估相结合来解决。在这种情况下,“通过设计实现安全”主要通过过程分析(例如以FMEA、FTA和其他此类技术的形式)来实现。关于分发错误的措施,其有效性的确认应根据既定的测试方法,如故障注入等,来测试。但是,过程确认措施也可能支持这些步骤,例如,双重发布地图、读/写数据传输确认和适当的工具认证等。92362定位(包括GNSS)本节涉及用于确定车辆相对于地球表面坐标的位置设备。车辆定位系统的输入可能包括直接观察全球位置(例如来自全球导航卫星系统(GNSS),局部坐标或来自 V2X 的信息。该数据与车辆上的其他车辆运动传感器数据结合使用,以确保车辆位于道路上适当的横向位置,并且确保通过相应的纵向速度调节以适当地应对道路中的弯道。这个过程被称为定位。这些设备使用 GNSS。当卫星系统不可用时,车辆系统遵循惯性测量单元(IMU),其能够测量加速度,并相对于时间做双重积分以呈现位置与时间的关系。IMU 误差为加速误差。因此,对误差进行双重积分会使其因时间的平方而增大。因此,IMU 数据在重置之前只会被短暂使用。基于卫星的 GPS 数据的误差通常与时间无关,除了坐标数据非常不正确的短暂随机分布的偶发事件之外。车辆上的传感器将背景信息与从叠加在地图数据上的地球表面坐标提供的定位进行比较,以确定来自地图/地球表面坐标数据的定位是否可用。GNSS 设备的性能规范应包括目标平均准确度、频率上限和巨大偏差的持续时间。IMU 的性能规格涉及瞬时加速度误差的上限。生产制造系统的性能目标是通过使用地面实况系统的广泛测试来实现的,这些系统的精度通常要比待测物体高接近 10 倍。在对定位系统进行功能安全和 SOTIF 验证和确认方面,需要进行专门的测试以确保车辆在道路上的行为安全。例如,功能安全测试包括 IMU 或 GNSS 系统上的故障注入。363环境感知传感器、V2X与传感器融合由于现实世界的高度复杂性和纯合成感知输入的不足,该子系统的确认主要基于代表性测试场地与公开道路数据集的(再)处理以及随后与相关参考数据(如地面实况数据)的比较。合成感知输入数据(例如,叠加有各种类型的噪声)将有助于识别可能的极端情形。此外,可以对现实世界中很少发生的事件进行试验场测试。该子系统的确认需满足以下约束条件:(再)处理应在经过确认的环境(软件和硬件再处理)中进行。代表性数据集不仅包括统计上显著数量的数据(例如,使用等价类的方法等),而且也是对ODD内的感知输入的充分详尽的说明。如果上述数据能够评估OuT,则参考数据的适当性即得到保证,从而可以推导出关于确认目标的实现度的陈述。因此,数据集的必要内容将根据OuT而变化 用于确认环境感知传感器、V2X和传感器融合算法的任何数据集应与开发中使用的数据集分开(另请参见附录B)。93364解释与预测、驾驶规划和交通规则轨迹规划的输入是具有指定属性和参数的对象列表。因此,使用容易获得的传感器和/或融合模型,仅使用合成输入就可以管理必要的复杂性。这样使得可以使用基于情景 SiL 的验证与确认方法(根据第 3.6 节)。SiL 环境使得可以使用基于搜索或反应的测试方法,以便高效地渗透参数空间。这些仿真的目的在于从统计的角度实现相关参数空间的充分渗透。要对行为进行评估,必须使用适当的参考数据集。例如,规划的轨迹不应在预测的时间范围内遇到道路上的动态或静态对象。除了 SiL 之外,还强烈建议对开放道路数据进行软件再处理,以进行预测和规划的验证与确认。365运动控制在本子系统中,应对执行机构、底盘、轮胎、空气动力学、摩擦水平的不同变体的鲁棒性进行测试。对此可以采用两种主要的方法。经典的方法是在车上对各种变化进行测试(先在试验场然后在开放道路上)。另一种方法是仿真多个参数的组合以获取最坏情况的组合。此外,还在车辆中进行少量的测试,以便对仿真进行确认(参见第 3.5.3 节)。366监视器、ADS模式管理器(包括车辆状态)所有监视器(标称和降级性能、车辆和用户状态、ODD)和相应的状态机都在软件或组件层面上进行测试,并且通常在软件或硬件再处理中进行测试。在系统层面(例如车辆状态监视器与执行机构一起),则还额外地在试验场和/或在开阔道路上进行测试。在适当的情况下,应使用 DiL,而非软件或硬件再处理,在系统层面上来测试用户状态。ADS 模式管理器(ODD 确认、激活和退出状态包括用户状态管理器)通常在 SiL/HiL中进行测试。在系统或车辆层面上,测试则在试验场和开阔的道路上进行。94367人机交互一般情况下,本子系统的测试应在 HiL 和 DiL 上,并在整车上(试验场和开放道路上)进行。HMI 的基本行为(不同接口的时序)可以在 HiL 中得到测试,以验证基本的 HMI 要求。在 DiL 和车辆中,由专家或通过彻底的客户研究来确认 HMI。这些测试验证并确认大多数驾驶员对系统当前所处 SAE 自动驾驶级别的感知。不同 SAE 自动驾驶级别的转换也在此得到测试。37现场运行(监控、配置、更新)在自动驾驶系统和支持功能的部署和运行过程中,现场监控和配置管理之间的紧密协调至关重要。无论何时对自动驾驶系统进行更改(例如硬件和软件配置或更新),确认工作都应关注在与之前已确认的自动驾驶系统的差异(增量)(例如通过回归测试)。这里我们假定参与开发和现场运行的公司将为考虑隐私而遵循相关的数据管理实践(例如欧盟的 GDPR)。以下几节说明了自动驾驶系统安全现场运行的建议步骤。371测试可追溯性为了实现持续的软件发布,应该在整车和其要素层面建立一个测试计划,其追溯到能力要求,且为整车和要素层面能观察到的回归提供洞见。这种可追溯性,结合基于图 29 的后续步骤,它可以为每个新配置建立一组相关的运行测试。在实现目标系统安全性之前,该周期可进行多次迭代:区分变更是否影响系统的安全性 然后分析哪些安全相关部件被变更或受到影响按照以下所述,减少在整个系统层面上进行测试的影响因素的数量:在组件/子系统层面测试影响因素,并证明其鲁棒性。在整个系统层,仅测试影响整个系统的因素。由于测试空间(各因素组合)巨大,并且不能以100%的置信度进行统计证明,因此可接受少量残余安全风险。为了尽量减少影响,应对现场进行连续监测,尤其是在运行开始时。检查需要重复的测试案例和情景,并添加额外的测试。如果事先不知道影响,则至少应该对一些测试用例执行该过程,并根据这些结果重复该过程。在开发阶段使用此过程可以积累大量知识,以为软件和硬件更新获得道路许可。95通过设计实现安全意味着某些要素的变更不会影响自动驾驶系统的安全性(例如带有安全检查器的安全规划程序)。我们的建议是评估风险并定义针对该变更的确认过程。随着软件在开放道路上发布,安全性或安保性相关功能或故障将随着运行中的车辆数量而迅速增加,这要求快速和完整地实施响应。为了支持密切相关的现场监测操作,应实施几个重点领域,以便快速发现和纠正安全相关问题。这些重点领域包括按功能和/或能力隔离的测试计划(标称或降级),鲁棒的配置和变更管理流程、系统分析、回归预防和纠正措施的执行。372鲁棒性配置与变更管理过程如果一家公司正在开发和生产适用于 L3 或 L4 自动化的安全相关软件,本出版物假定它同时在应用 ISO 26262 标准或实现了其他等价过程和成熟度。使用软件工具实施并且强制执行此过程可以实现一些预期结果,即不仅能减少测试集或计划,而且还可以支持基于 ODD 的多种现场变体(针对区域、城市、系统配置或甚至个别路线)。为了实现这一点,应该可以使用唯一标识符来描述整个系统及其所有软件和硬件组件,并且每个组件都应该单独进行身份验证。然后,这些变体中的每一个都应该由负责进行现场监控的操作组进行识别和跟踪(如下所述)。由于系统包含软件和硬件组件,因此第 3.7.2 节中提到的测试计划策略提供了基于硬件组件和配置变更来测试和定义系统安全性的能力。由于可以预见地会基于支持的个别路线产生变体,这种方法也可以自然地拓展到处理数字高精地图。对可能导致不安全的道路表现的地图相关错误或故障必须进行测试,且实现适当的对策以检测并缓解它们在不安全的系统故障中的问题表现。量化错误率或阈值也很重要,因为要素的更新频率会由此决定或实施。系统级安全性与部署的要素版本紧密相关,而且要素的配置也应与已发布的硬件和软件版本相匹配。373回归预防为了防止会降低系统安全性的变更,有一些方法可应用于硬件和软件成熟度过程,以帮助评估可授予道路通行(road-release)的候选(系统)。当前满足 ISO/PAS 21448 要求的方法(参见第 3.1 节)在于通过“已知的已知”和“已知的未知”操作列表来定义能力,以便获取“未知的未知”情景。然后可以使用这些情景(将其包含在仿真或记录数据的再处理中)来防止系统性能的未来回归。96此外,新的软件功能可以部署到 OuT 中,且不中断其继续无失效的运行。在这种布局下,被测试的软件将能够接受传感器输入,但无权控制车辆。这将使得系统集成商/设计人员能够对比当前配置以评估软件的性能。这种方法中最困难的部分在于,如果没有叠加或理解新软件功能的方法,就好像它能够影响车辆的轨迹一样,则可能很难评估新软件的性能。这可以在现场通过记录数据的再处理或者通过仿真进行。这种方法应用于测试车队时,减少了对志愿参与客户的潜在暴露。374安保性监控与更新在第 2.1.5 节中对安保性进行了讨论,它讨论了用于保护系统以及主动发现和修复漏洞的过程和控制方法。但是,在成功评估第一个版本后,安保性工作并不会结束。在车辆上市后,新的攻击方法不断出现,现有的攻击方法会不断改进。出于这些原因,必须始终保持警惕,以检测和解决对已发布系统造成影响的新威胁以及以前未发现的漏洞。高度自动化车辆带来的风险导向了以下结论:要发现在现场运行的自动驾驶系统中的问题,其所需的能力超出了当前车辆通常已实现的能力的范围。诸如威胁情报和参与安全社区(例如 Auto-ISAC、CERT、会议等)的现有方法仍然很重要,但是它们还不足够。自动驾驶车辆需要一定程度的安保监控以及 IT 行业更熟悉的信息和事件管理。特别重要的是,要能快速收集这些信息(1)快速发现针对自动车辆的新攻击以及(2)了解易被攻击的潜在脆弱点。第 3.7 节中的陈述也适用于信息安全事件。凭借这些能力,自动驾驶汽车将适应有威胁的形势。为了高效响应,快速更新已发布系统的方法也可用于网络安全。此外,应从这些事件中汲取经验教训,以反馈到开发过程中,确保产品不断发展变得更加安全。在车队车辆和私人车辆中大量重复使用自动驾驶系统有助于克服这一挑战。在监控较多的车队车辆中检测到的问题应促使对基于相同驾驶系统的私人车辆进行安全修复。这一点非常重要,因为监控程度轻的私人车辆可能会因检测风险降低而成为更易成为攻击目标。然而,鉴于本出版物中讨论的安全性与安保性之间的相互作用,我们认为充足的措施可以避免车辆信息安全被破坏,即便被破坏,仍然难以引起安全性问题。97375连续监控与纠正执行在现场监视和硬件/软件变更过程结束时,需要将新的硬件/软件分配至并应用于其预期的车辆组。这些变更可以通过若干触发动作来实现,例如,计划的系统配置更改或功能增加、来自供应商或客户的安全性或安保性相关请求变更,或由现场观察到的安全性或安保性影响引起的变更。对于每个触发操作(请参见图 31),将存在一个与此拟议变更相关的内部评估风险等级。一个简单的例子就是 1-4 的评分方案,如表 9 中所述。现场操作流程现场监控修正强化系统升级图31:现场操作流程安全影响评分1234描述计划的功能没有安全和安保的影响潜在的安全和安保的影响,但是没有可识别的功能或者HMI的变更潜在的安全或者安保的影响,并且有可识别的功能和HMI的变更即时的安全或安保的影响,同时没有推荐的变更或者解决方案无顾客培训无顾客培训可能需要培训立即的顾客通知,不需要顾客接受,可能需要培训修正强化表9:修正强化98对于上面表 9 中的所有风险级别,自动更新所有要素是可能的。另外,对于上述表 9 中的所有级别,需要通知客户。当变更影响驾驶员以及可感知的功能,可预见的误用分析将显示最终用户可能会受到不正确的教育或误解更新后系统的功能。为了弥补这些情况下的风险,需要对软件变更的发布进行客户培训。由于客户需要进行此培训和确认,因此即使可能会自动更新,该功能也会被禁用。最终和最高风险等级(L4)将导致立即禁用功能,以便控制风险。对于可以依据风险级别禁用功能的情况,可以将软件还原为以前的版本。在这些情况下,一个注意事项就是,软件实际不回到以前的版本,而是使用相同的功能/软件版本并更新版本标识,这对于实现可追溯性和配置管理目的是更可取的。此工作流程如下图 32 所示。追溯与配置管理的目的2019.01.1152019.02.2202019.02.220.v12019.02.230承诺的安全安保软件建议的软件变更建议的之前的软件版本图32:追溯与配置管理的目的第四章 结论与展望1004结论与展望本出版物概述了 SAE L3 和 L4 级自动驾驶相关的通过设计实现安全、验证和确认(V&V)方法,从而为自动驾驶解决方案的开发奠定基础,使其与人类平均驾驶水平相比产生更少的危险和事故。初始步骤是从实现这种正风险平衡的总体目标中得出 12 条原则。基于实现正风险平衡目标的 12 条原则,本出版物提出了包括通过设计实现安全和验证与确认过程的通用架构。本出版物通过引入基于三个可靠性安全领域,既预期功能安全、功能安全、信息安全的自动驾驶能力,建立了顶层十二项原则和特定要素之间的可追溯性。本出版物概述了一个整合各要素的通用逻辑架构,并讨论了具体开发示例的系统架构。本出版物建议的 V&V 方法将通过设计实现安全和 V&V 中应用的主要测试策略结合起来,以应对前面描述的挑战。该策略解决了关键挑战,但同时也表明,100%的绝对安全是不可能的。因此,仍然存在一些剩余风险,必须进行现场监控,使系统可以不断迭代地学习和优化。除了支持 12 项原则的通过设计实现安全和 V&V 两大支柱外,附录 B 还提出了一个深度神经网络(DNN)安全开发框架。DNN 可用于实现自动驾驶的安全相关要素。框架包括以下三个阶段的安全相关设计和工作成果的建议:定义阶段、解构阶段、开发和评估阶段。此外,还提供了着重于实时现场监控的有关 DNN 部署管理方面的指导。进一步工作包括收集世界各地对本出版物的反馈意见,以便将本出版物进一步发展成为一个全面有效和公认的国际标准。这不是一次性的出版物,而应视为第一版。下一版应扩展 V&V 流程以包括具有必要细节的解决方案。这可以通过置信度水平以及组合各种测试方法和测试结果来描述。下一版本将作为一个国际化标准的提案而提出。第五章 附录 A:开发示例1045 附录A:开发示例本章展示如何按照第 2.3 节中导出的通用逻辑架构来实现第 1.2 节中的例子。首先,采用第 2.1.6 节中介绍的 ID 定义了四个开发示例以及它们的MRC和MRM。接下来就来演示如何根据具体的MRC和MRM来解释和实现各个要素能力,以及得到的逻辑架构图。51L3L3交通阻塞巡航(TJP)511标称功能定义512最低风险状况513最低风险策略52L3高速公路巡航(HWP)521标称功能定义522降级模式/最低风险状况L3 交通阻塞巡航(TJP)标称功能定义客户可选用的L3级交通阻塞巡航系统(TJP):驾驶员须持有驾照并随时关注路面情况;仅在双向车道被物理隔离的道路上驾驶,通常路上无行人或自行车;最高时速60km/h,只在前方有车辆的情况下驾驶,并且无变道、无施工现场;仅在白天、无雨、温度高于零度的环境下驾驶。最低风险状况TJP_MRC_11驾驶员接管控制TJP_MRC_31车辆停在车道中注:在本例子中,TJP不包含受限运行的(MRC_2)这一最低风险状况最低风险策略TJP_MRM_11通过发布接管请求和检测接管以移交驾驶任务TJP_MRM_31降低速度,直至车辆停在车道中。通过制动避免与前方车辆发生碰撞。L3 高速公路巡航(HWP)标称功能定义客户可选用的L3级高速公路巡航系统(HWP):驾驶员须持有驾照并随时关注路面情况;仅在双向车道被物理隔离的道路上驾驶;最高时速130km/h,可有前方车辆或无前车,可以变道,允许有施工现场;可以在白天或夜晚,中雨或中雪的环境下驾驶。降级模式/最低风险状况HWP_MRC_11驾驶员接管控制。HWP_MRC_21车辆在车道中行驶,速度降低至不超过80 km/h。HWP_MRC_31车辆停在车道中。105523最低风险策略最低风险策略HWP_MRM_11向驾驶员发出接管请求。HWP_MRM_21速度降低至80 km/h。继续纵向和横向车辆控制(避免碰撞,并保持在车道内)。HWP_MRM_31降低速度,直至车辆停在车道中。继续纵向和横向车辆控制(避免碰撞,并保持在车道内)。HWP_RECOVERY_1在由于传感器视野下降引发的HWP_MRC_2.1的情况下,若所有能力都已恢复(例如受影响的传感器得到清洁),则系统可以恢复到正常运行状态。图33描述了一个HWP可行的功能架构。它基于2.3章的通用架构生成。为了保障失效模式下的系统可用性,这里引入了相关要素的冗余实现方式,同时相应要素的性能也被适配以满足失效模式的能力要求。FD_6FS_2环境感知传感器2FD_6自车运动 2FD_6传感器融合2FD_6解释和 预测2FD_5FD_6驾驶规划 2FD_1FD_3人机交互2FD_1FD_3FD_4FD_5FD_6ADS模式管理器 2FD_1FD_3人机交互 FS_4用户状态确定FS_7车辆状态FS_1FS_2FS_3FS_4FS_5FD_1FD_6自车运动FS_1先验感知传感器FS_2FD_6环境感知传感器1FS_3FS_4Opt.FD_6交通规则FS_1FS_2FD_6传感器融合FS_3FS_7FD_6解释和预测FS_4FD_1FD_2FD_3FD_4FD_5FD_6ADS 模式管理器FS_1定位FS_5FS_6FS_4FD_3FD_5FD_6驾驶规划性能监视器失效监视器性能监视器失效监视器MFS_7FD_2MFS_7FD_2MFD_7FD_2MFD_2MFD_2MFD_2FD_1FD_3人机交互2MFD_2FD_6车身执行器2MFD_2FD_6车身控制2MFD_2FD_6运动执行器 2MFD_2FD_1FD_3FD_5 人机交互MFD_7FD_2FD_6车身执行器MFS_7FD_2FD_6运动执行器MFS_7FD_2FS_6FD_6车身控制MFS_7FD_2FS_5FD_6运动控制MFS_7FD_2MFS_7FD_2MFS_7D_2FD_6运动控制2MFD_2MFD_7FD_2MFS_7FD_2MFS_7MFS_7FD_2MFS_7FD_2MFS_7FD_2MFS_7FD_2MFS_7FD_2MFD_2MFD_2MFS_7FD_2MFD_2MFD_2通用架构图33:通用架构10653L4城市巡航(UP)531标称功能定义532降级模式/最低风险状况533最低风险策略54L4停车场巡航(CPP)541标称功能定义542降级模式/最低风险状况543最低风险策略L4 城市巡航(UP)标称功能定义城市区域内适用车队运营的L4级城市巡航系统(UP):用户无需驾照和驾驶能力,也不必关注路面;最高时速70km/h;设计运行域在没有安全员的情况下非常有限,在有安全员的情况下可适当扩大;必要时允许远程操控。降级模式/最低风险状况UP_MRC_21车辆在车道中行驶,速度降低至15 km/h。UP_MRC_31车辆停在安全的位置、固定,告知(远程)操作员,并决定采取进一步行动(如拖车等)。UP_MRC_32车辆停在车道中注:由于本示例中假设没有驾驶员和远程接管,因此UP不包括驾驶员接管(MRC_1)最低风险状况。最低风险策略UP_MRM_21速度降低至15 km/h。保持在车道内,并通过制动避免车道碰撞。UP_MRM_31速度降低至15 km/h。停入下一个安全区域(非火车轨道或十字路口处)、告知操作员当前的状态和位置。UP_MRM_32立即在当前位置停止。不避免碰撞。L4 停车场巡航(CPP)标称功能定义适用于客户选用也适用于车队运营的L4级停车场巡航系统(CPP):在认证的停车场或区域内无人驾驶(用户无需驾照,也无需关注路面);最高时速10km/h;设计运行域专注于路外停车和物流区域,基础设施需基于需求来扩展(基础设施的搭建可能因远程操控而做必要的改造,但这并不是强制的)。降级模式/最低风险状况CPP_MRC_21车辆以爬行速度行驶,并避免碰撞。CPP_MRC_31车辆停在安全的位置、固定,告知(远程)操作员,并决定采取进一步行动(如拖车等)。最低风险策略CPP_MRM_21将速度降低至爬行速度,不进入十字路口或坡道。CPP_MRM_31停在安全位置,并告知远程操作员(如可用)或汽车使用者。10755讨论要素的选择以下几节讨论了四个开发示例的要素实现之间的示例性差异。据标称功能定义,从能力中导出的对要素的需求可能会有很大差异。为了突出显示这些可能的差异,对所选示例概述说明了以下要素/功能组合:源于FS_1定位的感知要素需求 源于FS_2感知相关静态和动态物体的感知要素需求 源于FS_3预测未来动作的解释和预测要素需求 源于FS_5执行驾驶规划和FD_6执行降级模式的动作要素需求 源于FS_7检测是否激活标称功能和FD_4对性能不足做出反应的ADS模式管理器需求 源于FD_1确保操作员的可控性的用户状态确定要素需求 源于FD_1确保操作员的可控性和FD_6执行降级模式的HMI要素需求 源于FS_7检测是否激活标称功能和FD_2检测降级模式是否可用的监控要素需求551FS_1定位的感知要素交通阻塞巡航 L3我们需要通过定位以确定车辆是否在高速公路上。因此,道路类型、分类(例如通过视觉传感器)可能就足够了。可以检测高速公路特定的特征,例如交通标志或指示车辆不在高速公路上的特征等。高速公路巡航 L3定位应确定车辆在地图上的位置。要求横向定位精度比纵向定位精度更高。定位需要将感知能力与地图匹配需求保持一致。例如,地图属性中包含的地标需要通过视觉传感器捕获。此外,GNSS 还可用于确定没有地标的情况下的位置。另外,可能需要有源和无源视觉传感器的融合输出等,以实现精确性和可靠性。城市巡航 L4要求高精度的横向定位和纵向定位精度,例如,用于确定到十字路口或停止线的剩余距离等。因此,地图上需要有更多的属性。停车场巡航 L4要求高精度的横向定位和纵向定位精度,例如在狭窄区域下进行停车和操作等。由于车库内的 GNSS 性能不足,因此应根据(室内)高精地图内可能的具体特征(如人工标记等)与地图匹配来定位。108552FS_2感知相关静态和动态物体的感知要素交通阻塞巡航 L3对自车前方的车辆的检测应保持尽可能高的可靠性。车道标记也是相关的静态对象。即使(易受伤害的)道路使用者被排除在 ODD 之外,传感器也应该能够检测到与 ODD 冲突的情况。最好采用多样异构的对象检测方法,以便弥补覆盖单个传感器的性能缺点。上层对象融合被认为是一种有意义的方法。高速公路巡航 L3除了交通阻塞巡航之外,还应以尽可能高的可靠性检测以下相关对象:自车前后距离较远的车辆和相邻车道近距离的车辆 自车前方的障碍物 道路类型、车道类型 自由空间检测 远程危害信息 限速等交通标志地图可能为检测某些静态对象的唯一信息源。雷达和摄像头传感器可用于检测动态物体,例如自车后面的车辆等。如果 V2X 的可靠性足够,则可以提高检测对象的能力。由于 HWP 的速度范围高于 TJP,前向传感器组的检测范围需要增大,并且需要添加侧向和后向的传感器组。城市巡航 L4与高速公路巡航相比,这里的情景变得更加复杂和非结构化,例如:物体类型以及运动的自由度(特别是(易受伤害的)道路使用者)高堵塞概率 交通标志要素 其他基础设施要素与布局为了检测以上情形,应增强传感器组的能力,例如:360度覆盖率和增加高度 用于弥补个别传感器不足和增加总体性能的额外冗余和多样性 高度可靠的交通标志检测,例如交通信号灯等;如果环境感知传感器无法实现这一目的,则可以使用V2X要素。109停车场巡航 L4参见城市巡航;此外,还可能存下以下挑战:坡道上或附近的物体 自车下面的物体(在车辆刚唤醒而先验信息有限的情况下)为了提高感知性能,可以使用 V2X,尤其是存在遮挡的挑战性情景553FS_3预测将来运动中的解释和预测要素交通阻塞巡航 L3我们可以假设对于自车来说,其前方车辆状态将保持不变(除非已发生改变)。高速公路巡航 L3对当前情景进行解读后,可结合当前世界模型及其预测的进程生成完整的情景描述。对动态对象的意图的解释不仅基于其分类还应基于当前的驾驶场景来进行,驾驶场景也可以进行分类。例如,其他(易受伤害的)道路使用者在交通拥堵时的未来行为与他们在交通畅通中的行为有很大不同。明确适用的交通法规可以使驾驶场景的分类更加完善。将当前的行驶场景与动态目标的预期行为(如换道概率)组合可以有助于我们预测其未来的运动。作为 FS_2 的输出,感知到的当前世界模型不足以作为创建无碰撞且合法的驾驶规划(FS_4)的输入。相反,应对其进行扩展,以便反映世界模型的不仅当前还有未来的估计状态,以生成对动态驾驶场景的完整描述。必须解释所有相关动态对象的意图,因为这构成了预测未来运动的基础。城市巡航 L4在这种情况下,解释和预测要素必须考虑新的(易受伤害的)道路使用者。对于该开发示例,(易受伤害的)道路使用者可能具有比交通阻塞巡航或高速公路巡航更复杂的运动行为,TJP 和 HWP 中移动矢量大部分均保持一致并且在相同方向上行进。相比之下,城市巡航示例中的移动矢量可以更加多样化。解释和预测模型应考虑到这一点。110停车场巡航 L4本开发示例的挑战与城市巡航的挑战相似。554FS_5执行驾驶规划和FD_6执行降级模式的执行要素交通阻塞巡航 L3标称功能将轨迹转换为纵向和横向车辆运动,速度可达 60km/h。通过给定和正常执行的执行机构,实现从车道、其他物体和自车宽度获得的给定限制内的轨迹。最低风险策略TJP_MRM_1.3:根据最后有效的轨迹,立即以固定减速度、横向车辆运动停止车辆。高速公路巡航 L3标称功能将轨迹转换为纵向和横向车辆运动,速度可达 130km/h。通过给定和正常执行的执行机构,实现从车道、其他物体和自车宽度获得的给定限制内的轨迹。最低风险操作HP_MRM_2.1:将轨迹转换为纵向和横向车辆运动,速度可达 80km/h。通过给定和正常执行的执行机构,实现从车道、其他物体和自车宽度获得的给定限制内的轨迹HP_MRM_3.1:利用可用的执行机构根据最后已知有效轨迹实现车辆停止。存在一定车辆偏离车道的风险,但发生的可能性非常低。这种模式不存在不合理的风险。城市巡航 L4标称能力将轨迹转换为纵向和横向车辆运动,速度可达 70 km/h。通过给定和正常执行的执行机构,实现从车道、到其他物体、(易受伤害的)道路使用者的安全距离和自车宽度获得的给定限制内的轨迹。111最低风险策略UP_MRM_2.1:将轨迹转换为纵向和横向车辆运动,速度可达 15km/h。UP_MRM_2.2:将轨迹转换为纵向和横向车辆运动,速度可达 15km/h。UP_MRM_2.3:利用可用的执行机构实现具有最后已知有效轨迹的车辆停止。存在车辆离开车道的一定风险,但发生的可能性非常低。这种模式不存在不合理的风险。确保车辆静止。停车场巡航 4标称能力将轨迹转换为纵向和横向车辆运动,速度可达 60km/h。通过给定和正常执行的执行机构,实现从车道、其他物体和自车宽度获得的给定限制内的轨迹。最低风险策略利用可用的执行机构实现最后已知的有效轨迹。失效时将转至降级模式。根据其定义,这意味着车辆停在其车道上。CPP_MRM_3.1:停在安全位置并通知远程操作员(如果有)或汽车用户555FS_7检测标称性能和FD_4对性能不足做出的反应中的ADS模式管理器要素交通阻塞巡航 L3根据输入信息检查激活条件。在此情况下,车辆在高速公路上出现交通拥堵,并且以小于60km/h 的速度行驶。同时还检查退出条件,以确保车辆已达到失效安全状态或用户已安全地接管控制。ADS 模式管理器根据监视器的输出切换到降级操作。最低风险策略:TJP_MRM_1.1 和 TJP_MRM_3.1:一旦驾驶员重新控制车辆或车辆已停止则退出系统。高速公路巡航 L3对于交通阻塞巡航,其变化来自于 ODD 细节。在此情况下,车辆在高速公路上行驶,行驶速度低于 130km/h。最低风险策略:选择适当的 MRM。例如,由于可见性降低导致传感器性能降低,导致 HWP_MRM_2.1。到达 ODD 的边界会导致 HWP_MRM_1.1 或 HWP_MRM_3.1,以确保用户接管或在 ODD 边界安全停止。112城市巡航 L4这可能意味着车辆位于地理围栏区域内。同时还检查退出条件以确保车辆已达到失效安全状态。应为远程操作员操作车辆的这一选项引入额外状态和转换关系。ADS 模式管理器根据监视器的输出切换到降级操作。最低风险策略选择适当的 MRM。例如,定位传感器性能降低导致 UP_MRM_2.2。由于车道堵塞或车道线为实线,无法继续驾驶,则导致 UP_MRM_2.2。一旦检测到追尾碰撞,切换到 UP_MRM_2.3。一旦车辆完全停止,就立即固定车辆。停车场巡航 L4根据输入信息检查激活条件。在此情况下,车辆处于停车场或物流区域,车辆感知指示出其标称参数,并且不存在驾驶员。同时还检查退出条件以确保车辆已达到失效安全状态或用户已安全地接管车辆的控制。ADS 模式管理器根据监视器的输出切换到降级操作。最低风险策略产品能根据失效提供功能、服务或服务模式。根据失效切换到适当的降级模式。556FD_1确保操作员可控性中的用户状态确定要素交通阻塞巡航 L3车辆操作员是车辆中的用户。表示用户在请求后立即接管驾驶任务的当前能力。示例包括用户的眼睛是否睁开以及用户是否坐在驾驶员座位上。高速公路巡航 L3车辆操作员是车辆中的用户。相对交通阻塞巡航,并无新增内容。城市巡航 L4在此情况下,可能有两类操作员要求考虑:车辆中的用户:需要指示车辆用户是否正在干扰驾驶功能。远程操作员:不需要观察远程操作员,因为这些操作员被认为是训练有素的专家。113停车场巡航 L4激活该功能时不需要车载 HMI,因为用户无需采取任何行动。因此,HMI 可用于提供信息。可能还有存在其他两名操作员:车辆中的用户:需要指示车辆用户是否正在干扰驾驶功能。远程操作员:不需要观察远程操作员,因为这些操作员被认为是训练有素的专家。557FD_1确保操作员可控性和FD_6执行降级模式中的HMI要素交通阻塞巡航 L3HMI 明确向用户显示当前的自动化级别(系统状态)。这对于向用户传达其所具有的自由度和责任是重要的。此外,HMI 还将接管请求传达给用户。HMI 检测用户何时进行故意操作以激活或退出交通阻塞巡航或接受接管请求。高速公路巡航 L3无其他要求。城市巡航 L4HMI 方面指的是导航交互。启动立即停止的交互被视为导航交互。停车场巡航 L4由于无驾驶员,因此在激活功能时不需要车载 HMI。558FS_7和FD_2中的监视器要素监视器应该监视要素的错误状态。开发示例中监视器之间的主要区别在于要素的数量、要监视的属性以及可能的错误状态的数量。这导致监视器层的接口增加。114交通阻塞巡航 L3监视器应监视前向传感器的性能、驾驶员状态、制动执行器和电源。高速公路巡航 L3监视器还应监视额外传感器的性能和动态驾驶要素(例如转向或制动)。扩大范围意味着需要监视更多的传感器和执行机构。城市巡航 L4在此情况下,还需要监视能耗状态,以确保更长的操作时间。驾驶员状态确定的监视将不再需要。停车场巡航 L4在此情况下,还需要监视能耗状态,以确保更长的操作时间。驾驶员状态确定的监视将不再需要。第六章 附录 B:使用深度神经网络实现自动驾驶系统的安全相关要素1166 附录B:使用深度神经网络实现自动驾驶系统的安全相关要素免责声明:本章概述自动驾驶中应用 DNN 时安全面临的挑战,提出相应的潜在解决方案,并对挑战的最新状态作了调研(并未声称详尽无遗)。本章并未提供一个完整的解决方案,而是提出一些潜在的解决方案,可以用作开发有监督的深度学习的指导。本章内容会依据研究和应用的深入进行持续修订及更新。61 动机与引言:自动驾驶中的机器学习机器学习是一组工具,使计算机能够通过使用数据学习任务,而不是通过人类可理解的规则进行明确编程或定义的方式。由于机器学习算法的强大性能,它的应用越来越普遍,机器学习被视为自动驾驶系统的关键技术(Bansal,Krizhevsky,&Ogale,2018)。因此,必需严格评估负责执行自动驾驶系统安全相关任务的机器学习算法的开发过程。已建立的安全工程流程和实践已成功地应用在传统的基于模型的系统开发中。汽车安全标准 ISO 26262 和 ISO/PAS 21448 对安全过程和实践进行了描述。但是,在汽车及其他行业中可用的安全标准中并未明确考虑机器学习算法的细节,如数据集收集要求、定义性能评估指标、处理不确定性等。(Salay&Czarnecki,2018)。因此,对于决定将机器学习纳入到自动驾驶系统中的制造商和供应商而言,导致了一个极具挑战性的问题。(深度)神经网络概念都是从概率建模演化而来,概率建模通过随机变量和概率分布对事件进行仿真。确定性模型返回事件的确定性结果,而 DNN 模型则输出概率分布。模型考虑到这样一个事实,即几乎不可能知晓情况的一切。总体来说,机器学习的理念是通过数据对函数进行参数化。应不断改进最终用于学习参数的数据集的质量,以便找到最佳模型。建模优化的另一点是 DNN 架构的选择。117经过监督学习或无监督学习的训练过程后,机器学习算法从数据(输入)推断结果(输出)Hinton&Sejnowski,1999。在监督学习中,机器学习模型在训练时被给予输入和预期输出,这意味着数据已被正确标注。无监督学习算法则使用没有任何标记的数据集进行训练。无监督学习算法永远不会被告知数据代表什么,训练目标是从数据中自动推断结构并发现新的依赖关系或模式。强化学习是机器学习的第三范式,它与无监督学习类似:没有对训练数据进行标注 Sutton&Barto,1998。基于环境内交互的奖励或惩罚函数反馈,该机器学习模型完成学习。本章仅重点关注常用于自动驾驶中的感知的监督学习DNN Schmidhuber,2015,并不包含端到端 DNN 方法(例如,训练 DNN,直接从原始传感器数据推断控制命令等 Bojarski,et al.,2016)。本章的结构如图 35。为便于开发和评估人员理解,本出版物建议采用基于模型的系统架构 ISO 26262,它将机器学习算法视为软件组件。例如 3D 对象检测即此类组件(参见第2.2.2节的环境感知传感器)。采用基于DNN的3D对象检测Arnold,et al.,2019作为示例有助于掌握本章所述概念。此类算法从来自图像和/或激光雷达点云中推测物体,包括其边界框位置,尺寸信息,以及类别标记(例如行人、车辆)。(参见图 34)基于摄像头和激光雷达的深度神经网络的物体检测摄像头激光雷达感知DNN3D边界框物体类型类别置信度图34:基于摄像头和激光雷达的深度神经网络的物体检测118定义、解构、开发和评估、部署和监控是 DNN 的开发步骤,并提供支持安全案例的安全工作成果(参见图 35)。这些步骤和安全工作成果将在后面几节中详细讨论。定义,解构,开发/评估,部署以及监控流程定义规格书架构数据训练测试验证安全工作成果监控6.2定义6.3解构6.4开发与评估6.5 部署与监控 评估测量KPI数据/模型监控信息系统/软件需求 图35:定义,解构,开发评估,部署以及监控流程62定义(何事和为何)应用模块化设计方法时,须定义构成自动驾驶系统的软件组件的需求(输入、输出、技术安全需求、软件安全需求、功能需求等)。而在说明一个 DNN 时必须对说明过程进行调整。为创建符合鲁棒性和安全性的 DNN,需定义的额外影响因素包括:指定 ODD、输出(调整适应于概率输出)、对 DNN 目标至关重要的数据集属性,以及标识出以可测量的关键绩效指标(KPI)表达的相关安全要求。关于数据驱动开发流程的需求和成果将会被更新。例如,应制定关于训练的规范说明,并且工作成果需求中应包含关于特定数据的信息。119ODD数据集属性概率输出KPIs硬件天气状况目标类别的属性置信度鲁棒性标准内存纪录地理区域标注类别时序属性(关于类别的)性能标准延迟背景场景标注质量置信度质量优化场景的动态属性数据的覆盖度可复现性传感器标定定义DNN时可以考虑的属性表10:当定义DNN时可能可以考虑的属性关于 3D 对象检测的使用情况,可以考虑表 10 中概述的特征。以下问题可用作制定 3D 对象检测功能规范的指导:本功能需要在环境中可靠地检测多少种不同类型的对象?检测率需要达到多少?是否必须检测本车道、相邻车道、路肩上的对象?对象类的正确规范是什么(例如大小、形状、颜色等)?该功能的ODD是什么?有多少数据可用于训练、确认和测试?考虑传感器标定信息时,采集对象检测数据的可行且必须的方法是什么?检测算法的目标平台、CPU或GPU,以及性能限制是什么?此列表并非详尽,还可增加更多问题。在软件架构层面,在为自动驾驶系统训练 DNN 时将安全目标和要求映射到可测量和可实现的 KPI,以及在评估最终 DNN 模型的安全性时,应特别小心。例如,这些 KPI 涵盖:与安全目标相关的测试集上的DNN性能 DNN抗扰的鲁棒性,特别是对抗性攻击 DNN的可理解性 基于DNN的软件组件的合理性 基于DNN的软件组件的延时 DNN对ODD内未预见数据的普适性120本开发阶段预计会有以下工作成果:数据集规范(全集数据集属性规范)标注规范(类别、边界、标记指南规范)DNN要求规范(ODD规范、功能目标要求、技术安全要求等)KPI规范(可测性,如数据集覆盖率、算法稳健性、数据集质量等)63解构(如何做)一旦定义了预期的功能要求和重要特征,就可以细化到数据集并设计 DNN 架构。631定义和选择数据使用训练、验证和测试三个互斥的数据集开发基于 DNN 的组件(图 36)。使用训练集来拟合模型,在训练过程中使用确认集来验证当前拟合的质量。在训练完成后,测试集用于验证所训模型的性能。这三个数据集是从有限的(符合定义阶段的属性要求的)输入输出数据集中精心构建的。数据集应充分覆盖输入域。数据集也应具有高度代表性和完整性,特别是极端情况,例如夜间或恶劣天气条件下的行人检测。例如,3D 对象检测算法(将行人作为一个类)的数据集应包含挑战性环境下的足够多样的行人示例。此外,数据集还应该包括负样本,其目的在于让机器学习模型理解什么不是行人以便减少虚警。121代表整体数据集的数据集配置验证数据集负样本验证数据集正样本测试数据集正负边界样本训练数据集正样本训练数据集负样本整体数据集正样本图36:代表整体数据集的数据集配置建议使用均匀分布的数据集,并且这里的问题还具有多维性。例如 3D 对象检测算法,其目标可能是检测并分类行人、车辆和自行车。在考虑类别的统计分布时,应考虑类别,也应单独考虑用于定义每个类别的内部属性,以及 ODD 中会涉及的环境属性的统计分布(见表 11)。分类行人车辆自行车分类属性 尺寸 位置 姿势 衣服 尺寸 位置 颜色 车辆类型 轮子数量 朝向 是否有人 配件(拖车等)环境属性 背景颜色 堵塞 天气 光照 对抗干扰3D物体检测的示例属性表11:3D物体检测的示例属性122DNN 模型需要其数据包含 ODD 定义的情景相关信息。以下是一组至少所需的质量指标,对于量化数据集的充分性非常重要:覆盖率 相关性 等价类(负样本和正样本示例)应随新情景的出现不断改进数据集,从而减少未知空间。随着时间的推移,操作环境中数据的特征可能会发生变化,数据集应反映这一点以确保训练的 DNN 模型保持准确。当数据集属性的多样性不足时,需要开展数据收集活动。可以使用多种方法收集数据,例如竞选活动、车队服务、个人数据记录和使用第三方数据集等。为了实现可追索性和数据集拆分之间的分离,数据管理应包括簿记和数据标注。数据标注对于位置、天气、传感器参数等记录信息至关重要。需要时可以根据这些信息转换数据。利用不同技术如增强或合成可以有助于收集罕见数据。但是,为保证安全,应确保真实数据存在并且占主导地位。数据集标注专家应仔细定义标注规范,以确保标注特性得到充分定义,并能有效地与目标任务相关联。有许多数据标注方法。它可以由人类标注员手动执行或半自动执行,例如,DNN 首先尝试检测对象,然后人类标注员修正结果。标注时间序列的另一种常见做法就是应用跟踪算法自动跟踪场景中的对象,以便人类免于逐帧标注。应采用质量控制流程,以确保数据正确标注,使得无论使用何种标注方法,都可确保标注处理过程中的错误注入最小化。在 3D 物体检测的情况下,典型的标注错误包括:对象分类错误 忽略的对象 边界盒错误定位 边界盒尺寸或姿态错误 由于部分遮挡导致边界盒分离本出版物建议应仔细选择标注类别:如果是难以区分的概念(例如“儿童”和“成人”,“商用车”和“卡车”),DNN 的表现会比较差。如果是过于粗糙的概念(例如仅仅是“动态物体”),后续模块会在安全响应中遇到问题。此外,DNN 只有在底层训练数据一致的情况下才能安全的执行。这种一致性只能通过明确定义标注类别来实现(例如,Segway 是属于“行人”还是“两轮车”类别?)。遵守这些限制必需接受有针对性的质量保证。123本开发阶段预计会有以下工作成果:更新的标注规范 更新的数据集规范 标注质量报告 标注数据集(代表性全局数据集,包括训练、确认和测试数据集的数据分离)数据集KPI报告(数据集覆盖范围、算法鲁棒性、数据集质量等度量)脚本工具(数据集创建、标注KPI测量等)632DNN的架构设计架构设计应满足第6.2节定义阶段中描述的特征要求。可以在软件架构和DNN架构设计时考虑采用不同的架构设计模式来实现(图 37),如下所述。DNN的架构设计输入处理步骤DNN观察不确定性概念后处理概念输出安全架构概念,例如:冗余、集成、安全信封安全架构概念,例如:冗余、集成、安全信封DNN-only构架 安全一致性交叉检查图37:DNN的架构设计124基于 DNN 的软件架构层包含 DNN 的软件架构应能够处理或降低 DNN 的非预期行为。例如,软件架构可以支持实现一些概念和组件,用于测量 DNN 的内部状态和/或能够在推断时观察 DNN 的输出。两个可能的概念包括不确定性和观察者:不确定性:存在两种不同的不确定性来源,第一种为偶然不确定性,其源于现实世界本身的不确定性,第二种是与模型相关的认知不确定性,原则上可以通过替换模型来减少(例如,通过更多的训练数据、改变训练策略等)。偶然不确定性是本身固有的,并且可以作为驾驶功能的输入,用于提高安全性。相反,认知不确定性是数据选择和训练策略选择的可能依据。现有文献采用不同的方法来测量推断的不确定性(例如MC Dropout Gal,2016;Esser,Sutter,&Ommer,2018)。观察者:观察者是与DNN本身并行工作的其他软件组件,用于监督其在安全性方面的行为。这些组件可能包括:用于检查模型输出一致性的合理性方法(例如对检测跟踪对象的位置、大小、动态属性进行检查)。输入观察方法,检查输入是否在统计上接近训练数据集。检查 DNN 对输入所包含区域的似真敏感性的显着性图。使整个系统满足安全要求的其他软件架构方法可能包括应用以下策略:冗余和整体概念,使用若干DNN模型的推断结果生成融合结果。除了来自多个DNN的融合推断之外,还可以应用基于简单规则的方法执行基本安全功能。使用检测异常神经行为或异常输入数据的机制(例如合理性)来识别可能的失效情况。采用注意机制(例如热图)控制对模型输出产生关键影响的输入。安全信封(Safety Envelope)概念,典型示例是行动者/检查器方法(Koopman&Wagner,2018)。这一概念通常试图指定安全和不安全的区域。行动者通常作用于安全区域。一旦行动者的输出降至安全完整性等级以下,则激活检查者功能。需要精确指定行动者和检查者转换之间的界限,以避免任何重大系统失效。整个基于 DNN 的软件架构还可能包括输入预处理步骤,例如调整大小、重新采样等。这些步骤应该是架构的一部分,这样 DNN 架构的接口才可以适配。类似地,可能需要后处理步骤以使 DNN 输出与后续子系统的输出接口兼容。125仅含 DNN 架构层本架构层侧重于 DNN 本身。需要根据定义阶段中定义的用例和规范要求来配置架构中DNN 层的类型和组合。在 DNN 架构方面,决定因素可能包括输入和输出(数据类型和维度)以及关于模型大小和类别配置。此外,需要仔细选择激活函数,因为它在函数逼近中起着重要作用。它也可以加速 DNN 模型的收敛。在 DNN 架构级别要考虑的其他方面包括的池化层的类型、跨越的使用和递归的使用等。此外,可以在开发和评估阶段基于 DNN 的泛化性进行进一步修改。开发阶段预计会有以下工作成果:架构规范(规范所选DNN的架构设计,以达成定义系统的目标)不确定性和观察者的准则和目标 有关达到安全要求所需的其他机制报告64开发与评估在通过需求(即对相应的数据集和模型架构的实际 DNN,以及要达到的特定功能和非功能 DNN KPI)定义了功能后,在对 DNN 进行最终安全评价之前,应对 DNN 进行训练、优化、评估并集成至自动驾驶系统中。本节介绍了集成之前的步骤。使用标注数据(训练)的 DNN 模型的参数化由损失函数定义,该函数以指定方式测量模型输出和标注之间的差异(例如,交叉熵、均方差等)。在对一些(随机选择的)训练集样本的误差进行平均之后,通过针对 DNN 模型的对应梯度的反向传播(例如,随机梯度下降)来改变模型参数,以尽量减少训练损失。损失函数和可能的正则化的选择可能对最终网络的鲁棒性具有重大影响。因此,需要对训练阶段可能选择的损失函数加以限制。损失函数与数据的统计分布有关。例如,距离度量的 L2 范数和 L1 范数暗示了不同的数据概率分布。如前所述,传统意义上,损失函数旨在实现DNN模型正确性的最大化。损失函数是DNN训练的关键组成部分,因为它规定了学习目标。需要注意的是,在设计损失函数时不一定考虑到了安全要求(例如可靠性、鲁棒性、时间稳定性、特定错误类型的关键性等),因此应按照安全要求对训练模型进行测试。确保安全运行的可能解决方案可能包括将可测量的安全要求注入损失函数中(使用损失函数中的附加项来补偿与安全相关的合适目标)。126除此之外,对训练还必须规定一组超参数:具体类型的层(池化类型、上采样的类型、卷积层的超参数)正则化条款(批量标准化、丢失)更新参数(求解程序、学习率、批次大小)需要跟踪所有这些选择,因为它们作用于 DNN 最终的功能和非功能属性。如图 35 所示,训练和确认过程是迭代的。经过训练的 DNN 知识仅限于在训练期间历经的例子。确认和测试集应以足够的方式覆盖输入的可能空间,以便更好地理解模型的实际性能。此外,确认和测试集还应包含从未向 DNN 显示的数据。最终网络的质量由其在确认集上的性能来指示(通常通过性能 KPI 来测量,例如,并集上的交叉点、平均精度、假正/反例率等)。对于某些确认数据,DNN 可能会失效,在这种情况下,应补充更多表示这些失效案例的数据至失效数据集,并添加回训练集以提高 DNN 的性能。此外,DNN 还可能会对数据中代表性样本不足的罕见案例失效。在研究失效案例时,DNN 如何处理未曾遇见以及代表性不足的数据非常重要。一旦确定了 DNN 失效案例,就应对训练以及潜在的模型和数据集进行调整。可以通过多种方式实现,例如,扩展数据集、改变网络架构、改变上述超参数(学习率、批量大小、批量归一化、正则化、激活函数、优化方法等)。鉴于深度学习的本质,主要方法是在遵守相关统计分布的同时扩展训练数据集。建议在目标传感器收集的特定应用数据集上对 DNN 进行初始测试,以发现失效情况,并在软件或硬件的再运行过程中强化测试期间的失效情况。测试数据集应独立于确认和训练数据集。软件或硬件的再运行的测试数据将包括负样本,以测试 DNN 是否会产生虚警。在耐久性运行期间,应收集数据以便在发现失效时进行确认和训练。迁移学习尝试将学习的知识从一个DNN传递给另一个DNN以用于潜在的不同任务。差异可能来自传感器、位置、其他数据集等。迁移学习通常用于加速学习过程。但是,它可能会对功能安全产生不利影响。应披露和记录任何类型的迁移学习的使用。DNN应经过相同的确认和测试过程,以发现失效案例和随后的重新训练。127通常,在成功训练之后会对 DNN 进行优化以满足运行时间和内存占用要求。DNN 优化是一个迭代过程,其中压缩步骤和微调步骤(使用训练数据集的变化模型的短训练阶段)交织在一起。需要注意的是,具体优化方法的选择(例如量化水平、修剪的排序度量等)对最终模型的鲁棒性会产生显著的影响。因此,非常相关的是要跟踪功能性的和关注安全的 KPI。应找到一个平衡点以实现先前定义的 KPI 和系统硬件 KPI 约束。因此,根据优化目标的不同,可以预期得到不同的性能。可选择的优化和压缩方法有很多,包括:DNN参数和计算的量化(减少参数带宽)剪枝(从DNN模型中删除不太重要的参数)Student-Teacher压缩 特定硬件的计算加速应结合相关 KPI 的评估及其与安全需求的相关性来一起制定措施和工具。这些措施可能涉及:基于模型输出或内部状态的计算(例如输出方差、神经激活模式等)模型输出与其他数据(例如标注、不同模型输出等)的比较 修改输入或输出数据流(例如添加噪声)修改内部网络结构(例如,丢失(dropout)通过网络反向传播信息(例如梯度、反向激活)使用其他软件或知识源(例如数据集中的先验、附加成本函数、几何输出分析)本开发阶段预计会有以下工作成果:更新的标注数据集 选择的超参数(架构决策点、随机种子等)训练基准(模型参数、超参数、每个训练步骤的数据点)确认和测试的中期报告 DNN观察者的代码和评估报告 选择的优化和压缩方法、参数和基线12865部署与监控由于动态变化环境的无限性,自动驾驶系统的行为表征并非有限,因此必须进行运行实时监控。DNN 的运行实时监控过程需要在部署期间进行规划和执行。在定义 DNN 输入输出映射的运行时间监视方法时,应了解以下挑战:挑战 1:作为概率模型并以受监督的方式进行训练,DNN 无法检测“未知的未知”场景(DNN 训练的目的在于向给定输入提供输出)。挑战 2:在训练时,DNN 被给予了高可信度标注,而即使在不明确的情况下也往往会倾向于这种高可信度。挑战 3:DNN 不一定会基于具有语义意义的特征做出决策。挑战 4:DNN 的设计假定了输入特征的某种统计分布(通过训练数据集定义)。因此,即使在输入分布的微小变化(分布偏移)下,DNN 的性能也趋于改变。为确保部署系统的安全,必须考虑上述挑战,并采取相应措施。可以通过以下运行时间监控来实现:输入数据 检查运行域的分布偏移(例如特征分布相对于训练数据集显著偏离)。这样解决了挑战4。检查新概念(例如新对象、不同行为、新规则等),因为从初始培训的角度来看,这些概念是“未知的未知”。自然的,训练模型对这些新概念的输出应被认为更不可靠。这样解决了挑战1和2。世界上发生的变化(ODD漂移、新对象、变更规则)需要不断进行数据测量活动。考虑到现有数据集和模型的行为,需要选择附加数据,目的在于实现预期功能安全的最大化。在整个训练过程中,这对如何正确放大罕见案例造成困难。这样解决了挑战1和4。129模型行为 在运行时,使用第6.3.2节DNN中的观察者可以帮助解释网络输出。这样解决了挑战3。用于评估和安全论证的测试数据可能会存在未检测到的和不需要的相关性,为防止它们导致的DNN系统性不足,可以使用部署的自动驾驶车辆的车队的偏差检测方法。这样解决了挑战2和3。实时监控分析使得一些措施变得必要,以确保已部署系统的持续安全性。这些措施可能包括:建立新的安全机制或改进现有的安全机制 迭代标称函数 更新ODD 更新数据集属性 更新运行实时监视机制的输出这些动作将触发配置和更改控制过程,用于识别新软件版本的需求(包括重新训练DNN)和/或重新确认已部署系统的安全性。本开发阶段预计会有以下工作成果:KPI监控报告 极端情形监控 分布偏离监控(ODD)13066安全工作成果在为自动驾驶产品的安全案例建立安全论证时,上述部分的工作成果起着核心作用。在开发 DNN 时,应该考虑除了传统的基于模型的开发期间生成的工作成果,还需要其他哪些工作成果。为此,可以考虑前面所述的 DNN 的完整开发流程。沿用此流程,可以识别以下附加工作成果:定义解构开发评估部署监控数据集规格(整体数据集属性规格)更新的数据集规格更新的标注数据集KPI监控标注规格(分类,边界,标注指南规格)更新的标注规格选择的超调参数(架构决策点,随机种子)极端情况监控DNN需求规格(ODD规格,功能目标需求,技术安全需求等等)标注规格报告训练基线(模型参数,超调函数,训练每一步的数据点)分布偏移监控(ODD)KPI规格(度量指标:数据集的范围,逻辑的健壮性,数据集的质量。)标注的数据集(代表全局数据集:包括训练,验证,测试的数据集)中间验证以及测试报告KPI报告(度量指标:数据集的范围,逻辑的健壮性,数据集的质量。)DNN观察者的代码以及评估报告工具(数据集的制作,标注,KPI的度量等等)选定的优化以及压缩方法,参数以及基线架构规格(规格确定了选择的DNN设计架构以满足系统定义的目标)不确定性以及观察者的目标其它机制满足安全需求的报告DNN开发各步骤的安全工作成果举例表12:DNN开发各步骤的安全工作成果举例第七章 词汇表1347词汇表(易受伤害的)道路使用者(易受伤害的)道路使用者是指任何使用道路的人(包括路沿和其他相邻空间)。或者,(易受伤害的)道路使用者可以被定义为非机动车的道路使用者,例如行人、自行车、摩托车骑行者以及移动能力受限的障碍人士。事故事故是一个由于不希望的外部条件导致不可恢复的损失的非主观意愿、非规划的事件,通常包括物质损坏、财产损失和人员伤亡。可接受风险指被开发公司认为是可接受的,并且在法律和社会接受标准方面也是可接受的开发系统的剩余风险。人工标记人工标记是为了标记在三维空间中的位置引入到场景中的物体或图形。人工标记通常是容易识别的形状,如高对比度圆盘、正方形或其他简单的几何图形等。除此之外,人工标记还可以承载编码信息,该信息可以被自动驾驶系统提取并解码以辅助在停车场内的定位和其他相关功能。自动驾驶系统(ADS)自动驾驶系统包括了一些要素,它们能在具体的运行设计域(ODD)中(或针对具体的 ODD)提供特定的有条件或更高等级的自动驾驶功能案例。自动驾驶车辆(AV)自动驾驶车辆是指配备至少一套有条件(SAE 3 级)或更高等级(SAE 4/5级)自动驾驶系统的车辆,该系统使得这些车辆能够提供自动的动态驾驶任务。可用性能够容易地提供正确服务的系统状态。能力产品提供某种功能、特征或服务的能力。.撞车撞车是一个非主观意愿和计划外的事件。在受到一些可科学解释的恶性外部条件影响(比如人为失误)下,它会导致一些不可恢复的损失,通常涉及财产损坏、经济损失和(致命的)人身伤害。降级系统或功能性能降低,但在出现危险的情况下,仍然提供安全的操作/服务。系统可靠性提供可靠性、可用性、可维护性、安全性和安保性(RAMSS)的能力。确定性确定性是指在已定义的输入下的输出是被定义的。在此背景下,噪声被定义为伴随定义输入的未定义输出。驾驶员在环(DIL)在目标车辆和实物模型中的原型或目标硬件上执行目标软件,并且使用虚拟刺激来改动环境,但驾驶员的反应会影响车辆行为。例如:驾驶仿真器或 ViL(测试安全策略的增强现实系统)动态驾驶任务(DDT):SAE J3016动态驾驶任务包括道路交通状况下操作系统所要求的所有实时操作与策略功能,不包括行程规划与目的地和途经点选择等战略功能,包括但不限于:通过转向进行横向车辆运动控制(操作)通过加速和减速进行纵向车辆运动控制(操作)通过物体和事件检测、识别分类以及响应准备监测驾驶环境(操作和策略)物体与事件响应执行(操作与策略)动作规划(策略)通过照明、信号和做手势等增强显著性(策略)135要素要素源于将能力做一级分解成一套逻辑系统架构。一个或多个要素实现一个或多个能力。失效降级系统在降级时,仍然能够安全运行。失效可运行在出现危险事件的情况下,充分并且安全地运行/工作。安全关键功能或系统部件的缺失不应导致危害。失效安全在发生失效时,系统仍然能够在一个安全状态上运行。失效(ISO 26262)失效是指由于故障显现,某个要素或项目预期行为终止。故障(ISO 26262)故障是指可能导致某个要素或项目失效的异常状况。容错容错是指在出现一个或多个特定故障的情况下,实现规定功能的能力。视野(FOV)描述传感器/设备可以接收电磁辐射的角度。HTTPS:/WHATIS.TECHTARGET.COM/DEFINITION/FIELD-OF-VIEW-FOV现场运行测试(FOT)现场运行测试旨在生成运输解决方案效率、质量、鲁棒性和可接受性综合评估的大型测试计划。HTTP:/WIKI.FOT-NET.EU/INDEX.PHP/WHAT_ARE_FIELD_OPERATIONAL_TESTS?高精地图高精(HD)地图是指具有高精度的非常详细的地图,主要用在自动驾驶系统的环境中,用于提供有关道路环境的精确信息,以便有效和安全地进行操作。硬件闭环(HIL)在目标硬件上执行目标软件,但硬件输出影响硬件输入。例如:无前端的雷达上的 AUTOSAR 堆栈。硬件开环(OPEN LOOP)在目标硬件上执行目标软件,但硬件输出不影响硬件输入例如:显示设备的测试平台人机交互人机互动聚焦人与计算机之间的多学科互动,并考虑人机界面(HMI)。其目标在于开发一个理想的用户界面,满足用户心智、认知与手动能力的要求。HTTPS:/WWW.ITWISSEN.INFO/HMI-HUMAN-MACHINE-INTERACTION-MENSCH-MASCHINE-INTERAKTION.HTML事件非主观意愿和计划外的事件。在受到相对良性的外部条件影响下,它会导致一些尚可挽回的的损失,通常不涉及财产损坏、经济损失和(致命的)人身伤害。相关项定义(ISO26262,P.16)应用 ISO 26262 的系统或系统组合,在车辆级实现功能或部分功能。最低风险状况(SAE J3016)用户或 ADS 在进行最低风险策略,以便在无法或不应当完成指定行程时降低车辆碰撞的风险后,将车辆引入的状况。最低风险策略(SAE J3016)最低风险策略指由系统自动化执行的旨在最大限度地降低交通风险的流程,例如当驾驶员不响应接管请求时。136模式感知驾驶员确定当前自动化模式及其驾驶责任的能力。自然驾驶研究(NDS)自然驾驶研究涉及在自然环境中使用不易察觉的观测方式进行的研究。做为一种新的方法,应当尽可能谨慎地收集数据使驾驶员不意识到观测正在进行。该数据用于研究驾驶员、车辆和/或环境之间的关系。HTTP:/WIKI.FOT-NET.EU/INDEX.PHP/WHAT_IS_THE_DIFFERENCE_BETWEEN_AN_FOT_/_PILOT_/_NATURALISTIC_DRIVING_STUDY_(NDS)?标称性能系统标称性能定义为系统无故障,并且达到或超过其规定性能指标。待测物体(OUT)与ISO16750中待测设备(Device Under Test)类似的用途:按照计划和规定被用于测试的项目或物体。开放式道路(OR)在目标车辆的目标硬件上执行目标软件,有人类驾驶员,但驾驶环境真实,并且只能部分受控。例如:(使用开发车辆的)现场运行测试或自然驾驶研究等。运行设计域(ODD)SAE J3016ODD 是指指定自动驾驶系统或其功能具体工作的运行条件。“这些限制反映了自动驾驶系统的技术能力”操作员操作设备或机器的人。试验场(PG)在目标车辆的目标硬件中执行目标软件,但驾驶环境真实并且基本上受控。驾驶员可以为真实驾驶员或机器人。例如:在软撞车目标上进行的 EBA 测试可靠性系统能够连续提供正确服务的能力。正风险平衡正风险平衡是由于自动化车辆的参与导致交通剩余风险较低的风险效益评估结果。它涵盖了这样一个事实,即与人类平均驾驶水平相比,自动驾驶车辆能平均做到更少的碰撞。再处理再处理常见于 SoL 和 HoL。再处理是以充分的时间精度对带时间戳的数据进行重放,以为OuT提供输入。自动驾驶的SAE等级SAE J3016SAE L0SAE L1SAE L2SAE L3SAE L4SAE L5在驾驶座的司机应该做什么当这些驾驶辅助系统工作时,你一直处在驾驶状态,即使你的脚没有在踏板上,或者你没有在控制方向盘当自动驾驶功能启用的时候,即使你在司机位置上,也不需要驾驶你必须持续的监控这些辅助系统,当有需要的的时候,你必须控制方向,刹车或者加速以维持安全当功能发出请求时,你必须要驾驶这些功能不需要你接管车辆以下是司机辅助特性以下是自动驾驶功能这些特性做什么这些特性被限制在可以提供警告以及瞬时的协助这些特性提供转向,或者,制动/加速的协助这些特性提供转向,以及,制动/加速的协助这些特性可以在限定场景下驾驶车辆,并且只有在所有状态都满足的情况下才会运行这些特性可以在所有的场景下运行特性案例 AEB 盲区监控 车道偏离报警 车道保持 或者 ACC 车道保持 以及 ACC 交通拥挤辅助功能 无人驾驶出租车 踏板,方向盘可能安装或者不安装 与L4一致,但是特性可以在任何情况任何场景下驾驶SAEJ3016自动驾驶等级137安全状态无不合理风险等级的运行模式。安全性不存在因危险引起的不合理风险。预期功能安全没有由于预期功能不足和人类可预见的误用导致的不合理风险,称为预期功能安全。HTTPS:/WWW.ISO.ORG/STANDARD/70939.HTML 情景情景是指场景的时间序列,涵盖某个时间范围。场景场景描述一个环境的快照,该环境快照描述了景观、动态要素和所有行为者和观察者的自我表现以及他们的关系。只有仿真场景才是完备的(即客观,也就是“真值”),而真实场景通常不完整,受错误和不确定性的影响,并且从主观角度来观察。安保性防止受到有意破坏或强制失效的影响仿真(根据 ISO 2382/1)通过静态或动态模型来近似模仿一种物理或抽象系统的所选的行为特征。仿真表示系统或其一部分被模型取代的时间内的行为。其包括SiL、SoL、HiL、HoL 和 DiL。软件再处理(开环)在原型硬件上执行目标软件,但软件输出不影响输入刺激。例如:回放或合成数据来模拟 CEM软件闭环(SIL)在原型硬件上执行部分目标软件,但软件决策影响虚拟生成的刺激。例如:Matlab Simulink 模型 AUTOSAR 堆栈、C DLL系统限制ODD 中说明的具体相关系统的规定操作限制。接管将驾驶任务的责任从执行驾驶车辆转移至操作员。不合理风险根据现行的社会道德概念判定为在某种范围内不可接受的风险。用例这是一个通用领域应用的规范,可能包含以下系统相关的信息:一个或多个场景 功能使用范围 期望的行为 系统的边界注:用例的描述通常不包括这个用例所有相关场景的详细列表,而是对这些场景的抽象描述。138用户 SAE J3016无自动驾驶功能0自动驾驶级别12345车内使用者司机预备接管的使用者乘客远程使用者远程司机预备接管的使用者远程任务分配者自动驾驶系统的用户角色驾驶员是正在使用汽车的人。这个人根据自动驾驶等级承担不同的任务。用户是指不同自动驾驶等级(SAE)中人的角色的通用称呼。乘客是在车辆中的用户,在操作车辆中没有任何作用。V2X车联网(V2X)是一种新兴的技术,增加了自动驾驶车辆来接收基础设施或其他车辆的信息,或向基础设施或其他车辆发送信息。V2X 可以提供大量有帮助的信息,如停车场可用性、即将发生的道路危险和地图更新,或在相关情景下,支持远程操作自动驾驶车辆等。而通过人机交互也能实现与人类(弱势)道路使用者的直接通信。确认(ISO 15288)“通过提供客观证据确认已经是否满足具体预期用途或应用的要求”(ISO 15288)。确认测试的目的在于确定产出是否最适合最终客户。它通常在后期开发阶段进行,且反馈较慢,因为确认通常是通过统计方法进行,因此要进行大量的试验。验证(ISO 15288)“通过提供客观证据确认是否满足规定的要求”(ISO 15288)。通常用于获得开发期间的快速反馈。车辆操作员车辆中方向盘后面的操作车辆的人(L3 或 L4)或远程操作员(L4)。参考文献1428参考文献ABI&THATCHAM RESEARCH.(2017).Regulating Automated Driving The UK Insurer View.UK.ARNOLD,E.,AL-JARRAH,O.Y.,DIANATI,M.,FALLAH,S.,OXTOBY,D.,&MOUZAKITIS,A.(2019).A Survey on 3D Object Detection Methods for Autonomous Driving Applications.IEEE Transactions on Intelligent Transportation Systems,1-14.doi:10.1109/TITS.2019.2892405BAINBRIDGE,L.(1983).Ironies of Automation.In Analysis,Design and Evaluation of ManMachine Systems.Proceedings of the IFAC/IFIP/IFORS/IEA Conference,Baden-Baden,Federal Republic of Germany,2729 September 1982(pp.129-135).UK:Pergamon.BANSAL,M.,KRIZHEVSKY,A.,&OGALE,A.(2018).ChauffeurNet:Learning to Drive by Imitating the Best and Synthesizing the Worst.Waymo Research.Retrieved from https:/arxiv.org/pdf/1812.03079.pdfBOJARSKI,M.,DEL TESTA,D.,DWORAKOWSKI,D.,FIRNER,B.,FLEPP,B.,GOYAL,P.,&ZIEBA,K.(2016).End to End Learning for Self-Driving Cars.arXiv:1604.07316.Retrieved from https:/arxiv.org/abs/1604.07316CALIFORNIA VEHICLE CODE 22350 VC.(1959).Division 11:Rules of the Road.Chapter 7:Speed Laws.California.Retrieved from https:/leginfo.legislature.ca.gov/faces/codes_displaySection.xhtml?lawCode=VEH§ionNum=22350CENSI,A.,SLUTSKY,K.,WONGPIROMSARN,T.,YERSHOV,D.S.,PENDLETON,S.,FU,J.,&FRAZZOLI,E.(2019).Liability,Ethics,and Culture-Aware Behavior Specification using Rulebooks.CoRR,abs/1902.09355.Retrieved from http:/arxiv.org/abs/1902.09355ECLIPSE FOUNDATION.(2019).OpenPASS Working Group.Retrieved from www.openpass.eclipse.org:https:/openpass.eclipse.org/ESSER,P.,SUTTER,E.,&OMMER,B.(2018).A Variational U-Net for Conditional Appearance and Shape Generation.arXiv:1804.04694.Retrieved from https:/arxiv.org/abs/1804.04694EUCAR.(2018).Self-Driving Vehicles:European Automotive R&D Leading the Global Race.Retrieved from https:/www.eucar.be/self-driving-vehicles-european-automotive-rd-leading-the-global-race/FAHRENKROG,F.(2016).Wirksamkeitsnalanyse von Fahrerassistenzsystemen in Bezug auf die Verkehrssicherheit.RWTH Aachen University.Aachen:fka GmbH.143FEDERAL MINISTER OF TRANSPORT AND DIGITAL INFRASTRUCTURE(BMVI).(June,2017).Ethics Commission Automated and Connected Driving.Berlin.Retrieved from https:/www.bmvi.de/SharedDocs/EN/publications/report-ethics-commission-automated-and-connected-driving.pdf?_blob=publicationFileFELDHTTER,A.,SEGLER,C.,&BENGLER,K.(2018).Does Shifting Between Conditionally and Partially Automated Driving Lead to a Loss of Mode Awareness?In N.Stanton(Ed.),Advances in Human Aspects of Transportation.AHFE 2017.Advances in Intelligent Systems and Computing(597,pp.730-741).Springer,Cham.doi:https:/doi.org/10.1007/978-3-319-60441-1_70FORM,T.(2018).PEGASUS Method for Assessment of Highly Automated Driving Function.SIP-Adus Workshop 2018,13-15 November,2018.Tokyo International Exchange Center,Tokyo,Japan.Retrieved from http:/en.sip-adus.go.jp/evt/workshop2018/file/PEGASUS_SIP-adus_Thomas_Form.pdfFRAADE-BLANAR,L.,BLUMENTHAL,M.,ANDERSON,J.,&KALRA,N.(2018).Measuring Automated Vehicle Safety Forging a Framework.Santa Monica,CA:RAND Corporation.Retrieved from https:/www.rand.org/pubs/research_reports/RR2662.htmlGAL,Y.(2016).Uncertainty in Deep Learning.Dissertation,University of Cambridge,UK.Retrieved from http:/mlg.eng.cam.ac.uk/yarin/thesis/thesis.pdfGESAMTVERBAND DER DEUTSCHEN VERSICHERUNGSWIRTSCHAFT E.V.(2018).Technische Aspekte des automatisierten Fahrens und Verkehrssicherheit.(84).Germany.Retrieved from https:/udv.de/download/file/fid/11115GOLD,C.G.(2016).Modeling of Take-Over Performance in Highly Automated Vehicle Guidance.Dissertation,Technische Universitt Mnchen.Retrieved from https:/mediatum.ub.tum.de/doc/1296132/document.pdfGOLD,C.,DAMBCK,D.,LORENZ,L.,&BENGLER,K.(2013).“Take Over!”How Long Does It Take To Get The Driver Back Into The Loop?Proceedings of the Human Factors and Ergonomics Society Annual Meeting,57(1),1938-1942.doi:https:/doi.org/10.1177/1541931213571433HANKE,T.,HIRSENKORN,N.,VAN-DRIESTEN,C.,GARCIA-RAMOS,P.,SCHIEMENTZ,M.,SCHNEIDER,S.,&BIEBL,E.(2017).Open Simulation Interface:A Generic Interface for the Environment Perception of Automated Driving Functions in Virtual Scenarios.Retrieved from:http:/www.hot.ei.tum.de/forschung/automotive-veroeffentlichungenHERE.(2019).HERE Hazard Warnings Keeping Vehicles,and Their Drivers,Perfectly Alert.Retrieved June 18th,2019,from:https:/Learning:Foundations of Neural Computation.Cambridge,MA:MIT Press.IEC 61508.(2010).2nd Ed.Functional Safety of Electrical/Electronic/Programmable Electronic Safety-Related Systems(all parts).144INFORMAL WORKING GROUP ON INTELLIGENT TRANSPORT SYSTEMS/AUTOMATED DRIVING(IWG).(2017).Proposal for the Definitions of Automated Driving under WP.29 and the General Principles for Developing a UN Regulation on Automated Vehicles.Geneva:UNECE.ISO 26262.(2018).Road Vehicles Functional Safety.ISO/IEC 15288.(2015).Systems and Software Engineering System Life Cycle Processes.ISO/PAS 21448.(2018).Road Vehicles Safety of The Intended Functionality.ISO/SAE CD 21434.(Under Development).Road Vehicles Cybersecurity Engineering.KALRA,N.,&PADDOCK,S.(2016).Driving to Safety How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability?Santa Monica,CA:RAND Corporation.Retrieved from https:/www.rand.org/pubs/research_reports/RR1478.htmlKERSCHBAUM,P.,LORENZ,L.,&BENGLER,K.(2014).Highly Automated Driving with a Decoupled Steering Wheel.Proceedings of the Human Factors and Ergonomics Society 58th Annual Meeting,58(1),1686-1690.Los Angeles,CA.KNAPP,A.,NEUMANN,M.,BROCKMANN,M.,WALZ,R.,&WINKLE,T.(2009).PReVENT RESPONSE III:Code of Practice for the Design and Evaluation of ADAS.Retrieved from https:/www.acea.be/uploads/publications/20090831_Code_of_Practice_ADAS.pdfKOOPMAN,P.,&WAGNER,M.(2018).Toward a Framework for Highly Automated Vehicle Safety Validation.SAE Technical Paper 2018-01-1071.doi:https:/doi.org/10.4271/2018-01-1071LORENZ,L.,KERSCHBAUM,P.,&SCHUHMANN,J.(2014).Designing Take Over Scenarios for Automated Driving:How Does Augmented Reality Support the Driver to get Back into the Loop?Proceedings of the Human Factors and Ergonomics Society Annual Meeting,58(1),1681-1685.doi:https:/doi.org/10.1177/1541931214581351MENZEL,T.,BAGSCHIK,G.,&MAURER,M.(2018).Scenarios for Development,Test and Validation of Automated Vehicles.In 2018 IEEE Intelligent Vehicles Symposium IV 2018,Changshu,Suzhou,China,June 26-30,2018.Retrieved from https:/arxiv.org/pdf/1801.08598.pdfNATIONAL HIGHWAY TRANSPORTATION SAFETY ADMINISTRATION(NHTSA).(2017).Automated Driving Systems 2.0 A Vision for Safety.Retrieved from https:/www.nhtsa.gov/sites/nhtsa.dot.gov/files/documents/13069a-ads2.0_090617_v9a_tag.pdfNATIONAL TRANSPORTATION SAFETY BOARD(NTSB).(2017).Collision Between a Car Operating With Automated Vehicle Control Systems and a Tractor-Semitrailer Truck Near Williston,Florida,May 7,2016.NTSB/HAR-17/02.Retrieved from https:/www.ntsb.gov/investigations/AccidentReports/Reports/145HAR1702.pdfNHTSAS NATIONAL CENTER FOR STATISTICS AND ANALYSIS(NCSA).(February,2015).TRAFFIC SAFETY FACTS.Critical Reasons for Crashes Investigated in the National Motor Vehicle Crash Causation Survey.USA.NPC.(2017).Surveying and Mapping Law of the Peoples Republic of China.Retrieved from http:/Production System:Beyond Large-Scale Production.Portland,Oregon:Productivity Press.OpenDRIVE.(2018).OpenDRIVE Standard.Retrieved from http:/www.opendrive.org/project.htmlOpenSCENARIO.(2017).OpenSCENARIO Specification Rev.0.9.1.Retrieved from http:/www.openscenario.org/download.htmlPEGASUS.(2019).PEGASUS Method An Overview.Retrieved from https:/www.pegasusprojekt.de/files/tmpl/Pegasus-Abschlussveranstaltung/PEGASUS-Gesamtmethode.pdfPETERMANN,I.,&SCHLAG,B.(2010).Auswirkungen der Synthese von Assistenz und Automation auf das Fahrer-Fahrzeug System.11.Symposium AAET 2010 Automatisierungs-,Assistenzsysteme und eingebettete Systeme fr Transportmittel,257-266.Germany.SAE J3016.(2018).Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles.Document J3016_201806.SAE International.doi:https:/doi.org/10.4271/J3016_201806.SALAY,R.,&CZARNECKI,K.(2018).Using Machine Learning Safely in Automotive Software:An Assessment and Adaption of Software Process Requirements in ISO 26262.Waterloo Intelligent Systems Engineering(WISE)Lab.University of Waterloo,Canada.Retrieved from https:/arxiv.org/ftp/arxiv/papers/1808/1808.01614.pdfSCHMIDHUBER,J.(2015).Deep Learning in Neural Networks:An Overview.Neural Networks,61,85117.doi:https:/doi.org/10.1016/j.neunet.2014.09.003146SHALEV-SCHWARTZ,S.,SHAMMAH,S.,&SHASHUA,A.(2018).On a Formal Model of Safe and Scalable Self-driving Cars.CoRR,abs/1708.06374.Retrieved from http:/arxiv.org/abs/1708.06374STATISTISCHES BUNDESAMT(DESTATIS).(2018).Fachserie 8,Reihe 7,Verkehr,Verkehrsunflle 2017.Germany.STRASSENVERKEHRSGESETZ(STVG).(2018).1a Kraftfahrzeuge mit hoch-oder vollautomatisierter Fahrfunktion.BGBl.I in English:German Road Traffic Act,1a Motor Vehicles with Highly or Fully Automated Driving Functions(Federal Law Gazette I),310,919.Germany.SUTTON,R.,&BARTO,A.(1998).Reinforcement Learning:An Introduction.Cambridge,MA:MIT Press.TAGUE,N.(2005).The Quality Toolbox(2nd ed.).Wisconsin:Quality Press.U.S.DEPARTMENT OF TRANSPORTATION(U.S.DOT).(2016).Federal Automated Vehicles Policy September 2016.Retrieved from https:/www.transportation.gov/AV/federal-automated-vehicles-policy-september-2016U.S.DEPARTMENT OF TRANSPORTATION(U.S.DOT).(2018).Preparing for the Future of Transportation;Automated Vehicles 3.0.USA.Retrieved from https:/www.transportation.gov/sites/dot.gov/files/docs/policy-initiatives/automated-vehicles/320711/preparing-future-transportation-automated-vehicle-30.pdfUNITED NATIONS.(1969).Vienna Convention on the Law of Treaties.1155,331.Retrieved from https:/www.refworld.org/docid/3ae6b3a10.htmlVAN DEN BEUKEL,A.P.,VAN DER VOORT,M.C.,&EDGER,A.O.(2016).Supporting the Changing Drivers Task:Exploration of Interface Designs for Supervision and Intervention in Automated Driving.Transportation Research Part F:Traffic Psychology and Behaviour,43,279-301.doi:https:/doi.org/10.1016/j.trf.2016.09.009WACHENFELD,W.(2017).How Stochastic can Help to Introduce Automated Driving.Dissertation,Technische Universitt Darmstadt.Retrieved from http:/tuprints.ulb.tu-darmstadt.de/5949/7/Diss_Wf_2017_02_04_Verffentlichung.pdfWINNER,H.,HAKULI,H.,LOTZ,F.,&SINGER,C.(EDS.).(2016).Handbook of Driver Assistance Systems(1 ed.).Switzerland:Springer International Publishing.doi:10.1007/978-3-319-12352-3ZEEB,K.,BUCHNER,A.,&SCHRAUF,M.(2016).Is Take-Over Time All That Matters?The Impact of Visual-Cognitive Load on Driver Take-Over Quality after Conditionally Automated Driving.Accident Analysis&Prevention,92,230-239.https:/doi.org/10.1016/j.aap.2016.04.002

    浏览量49人已浏览 发布时间2023-04-18 147页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
前往
会员购买
客服

专属顾问

商务合作

机构入驻、侵权投诉、商务合作

服务号

三个皮匠报告官方公众号

回到顶部