〔图达通〕图达通股票代码?

“随着相关技术发展，要实现真正的自动驾驶，车路协同必不可少，而激光雷达是车路协同中重要的传感器之一，可先于自动驾驶实现多种智慧交通应用价值。”8月31日晚，在《中国汽车报》与广州智能网联汽车示范区运营中心联合推出的“2020智能网联汽车精品课”第19讲中，Innovusion（图达通）有限公司创始人、CEO鲍君威，以“激光雷达在智能交通中的应用”主题，从智能交通的感知系统及怎样提升驾驶安全等级、车路协同加速自动驾驶进程、激光雷达的应用价值等方面，解读了激光雷达在智能交通中的应用情况。

提升安全，需要多传感器融合

“车路协同，使得自动驾驶更容易实现。”鲍君威讲到，在车端和路端部署传感器，形成车路协同，会对智能交通的升级起到很大的作用。

“多种因素造成L3+自动驾驶时间表的推移。”鲍君威认为，国内自动驾驶的发展面临着三个方面的挑战：一是法律法规不成熟、不完善，在保险与事故责任认定、车辆改装等方面会遇到一些问题；二是相关的安全等级需提高，比如技术演进落地的必要条件、整个系统需要比人类驾驶安全程度高1到2个数量级，才能达到足够安全、类似飞机一样需要安全冗余系统等；三是产业链上其他环节也亟待成熟，比如计算平台的车规级、高精地图的覆盖率及更新率、车载OS系统及中间件的稳定性及实时性等因素。

自动驾驶怎样达到人类驾驶安全等级的10到100倍？对此，鲍君威介绍，从统计数据看，人类驾驶车辆大约100万小时发生一次死亡事故。而对自动驾驶系统，发生一次类似的严重事故的间隔时间，需要大于10倍到100倍，即1000万小时到1亿小时。所以，要提高安全性能，就需要严格控制感知系统识别的出错率。其中，在符合相关技术要求、使用长距高清图像级激光雷达的情况下，出错率可小于一万亿分之一，比人类驾驶的事故概率要小得多。因此，要达到如此之低的事故率，关键在于多传感器融合，同时平衡每个传感器的漏报率和误报率。

车路协同，推动技术加速进步

在高速公路上行驶的车辆，有时会遇到抛洒物等影响安全的因素，需要避让。“人眼大概提前100多米就能看到，自动驾驶的车辆也需要这么远的探测距离，如果探测距离只有20-30米有可能来不及反应，从而造成危险。”鲍君威说，这就需要激光雷达既要“看”得远，又要“看”得准，增加车载探测点，利用路端传感器，实现车路协同，才能解决这一问题。

在早期的L4测试车的部署上，激光雷达点云的有效感知距离远小于100米，需要多个雷达融合才能达到需要的分辨率。之后，我们在车辆上进行高清长程激光雷达的布局，比如使用“猎鹰”激光雷达，可以清楚感知到复杂城市道路场景中的每一个细节。这需要以单帧数据探测到从远处物体返回的足够多的点云数据点，以使感知系统得出可靠结论，做出可靠感知。鲍君威说，高清长程激光雷达可探测出200米以外的车辆轮廓，也可清楚探测100米处的纸盒和抛洒物。

“车路协同可大大加速自动驾驶进程。”鲍君威介绍，实现安全的自动驾驶，需要多重冗余及安全保证。一是冗余系统要求，多路感知系统要有很小的相关性，其中每路感知系统要达到足够的漏报率和误报率；二是它们之间要有互补性，才能有效消除被遮挡或死角；三是在车路协同中，激光雷达作为路边单元，要有适合中国特色的可行冗余方案，如以高清长距激光雷达实现可靠的感知系统及利用5G低时延网络实现向车端的实时传输等。

激光雷达，通过应用实现更大价值

至于激光雷达的应用，鲍君威认为，多激光雷达融合实现路口的实时三维感知，可以实时、高效、可靠地监测感知路口的所有物体，多雷达点云像素级融合保证感知系统可得到大量高质量的点云数据，感知结果实时传给自动驾驶车辆，可与车载感知系统冗余互补。相对摄像头，激光雷达具备光照条件适用性、探测可靠性等优势，两者可以互补。

对于路测激光雷达的性能需求，其中包括一是可靠性，要实现24小时×365天持续运行，室外运行要经受高温低温及其它恶劣天气的影响；二是探测距离及分辨率方面，不仅在城市路口有较宽的横向视场角，最好雷达下方盲区较小，多雷达融合可以处理大车遮挡问题；三是多激光雷达部署直接与成本相关，可实现多种事件检测以支持投入成本，对车流、逆行车辆、抛洒物等进行全天候辨别跟踪。

在鲍君威看来，激光雷达可先于自动驾驶实现多种智慧交通应用的价值体现，一是智慧城市，可以应用于地理围栏报警、I2V（路端到车端）广播、车载OBU单元或APP、盲区检测、路口交通检测、交通流优化、车辆分类识别等。二是智慧高速，以激光雷达为基础，可以实现交通流监控、实时跟踪每辆车的体积大小、位置、速度、方向，以及探测抛洒物、车辆抛锚、行人、逆行等路面情况。三是感知各类事件，可以使用多雷达高速路段接力融合，全程跟踪感知相关路况。

附：精彩问答

在讲座之后，鲍君威还与网友进行了问答互动。记者撷取精华，以飨读者。

Q：L3+及以上，必须要用激光雷达技术吗？为什么？

A：就自动驾驶而言，需要算法、算力和数据三个因素相结合来支持。特斯拉的优势是积累了很多数据，但这些数据是二维维度的；同时其算力也很强大，可能已经超高人类大脑的计算速度。但问题是目前人工智能图像识别的算法还远达不到人类本身对环境的识别的能力，所以很多场景识别得不够好，这些技术进步可能还需要5-10年，或者更长时间。在目前阶段，我们的做法是用更好的传感器产生准确的三维空间高分辨率的数据来弥补这些技术不足。另外激光雷达的一些技术和产品形态的劣势最近基本改善了。

Q：区别于视觉、毫米波雷达等其他技术，激光雷达最突出的优势有哪些？它对于自动驾驶的多重冗余和安全保证有什么实际作用？

A：激光雷达、毫米波雷达、摄像头等传感器是互补的。摄像头等视觉感知的成本较低、分辨率较高，其劣势是容易受光线影响，且没有三维信息。而毫米波雷达的优势是不受雨雪天气影响，而且其车载成本较低，其劣势是角分辨率和误报、漏报率还有待改进。同时，它对路面上的金属物体的反射率非常高，而对非金属物体相对识别能力较差。激光雷达优势是有非常好的角度准确性，远超过毫米波雷达，而且高性能激光雷达可以提供高分辨率的三维数据。确定是目前在量产上车之前成本较高。

Q：激光雷达会受到哪些因素干扰？如何克服或避免干扰因素？

A：如果相对的两辆车激光雷达相互照射的情况下，原始数据会有干扰。这种在原始信号层次的干扰现象不止激光雷达会有。但现在比较领先的激光雷达产品，已经有防干扰的功能，导出的点云数据应该已经做过防干扰处理，用户不需要担心这方面的事了。

Q：大众印象中，激光雷达成本较高，限制了它在车辆中的应用。据您所知，激光雷达成本能够降到多少？它大规模应用还需要具备哪些条件？

A：高端激光雷达的成本可以达到数千元左右，低端的可能有数十元到上百元的，不过有些可能不能车载应用。而且，高性能激光雷达数据量很大，分析起来需要一些新的算法和技术架构，才能把这些数据利用起来。激光雷达大规模应用的话，还需要达到车规级，这个需要整个产业链的努力。

Q：从技术上看，未来的自动驾驶车辆上，激光雷达和毫米波雷达、视觉等技术如何配合，能够达到完全的无人驾驶？

A：从技术上看，未来的自动驾驶车辆上激光雷达与毫米波雷达、视觉等技术配合，可以实现完全的无人驾驶。三种传感器要实现互补配合。比如有时候在一些恶劣天气条件下，需要毫米波雷达的信息。激光雷达点云可以匹配摄像头的颜色信息、与激光雷达做像素级的融合，这样可以更好地提升感知效果。

文：赵建国 编辑：黄霞 版式：蒙轩

2