1. 首页
  2. 资讯
  3. 技术
  4. 华为 ADS 2.0 无图智驾到底有多强?

华为 ADS 2.0 无图智驾到底有多强?

第一电动YKPM

第二届中国智驾大赛杭州站的余波未消,搭载华为ADS 2.0智驾四车阿维塔12、智界S7、极狐阿尔法S、问界M7均有参战,反响巨大。

在《“全国都能开”的华为智驾为什么过不了环岛?》一文中,有第一电动网友对华为的“无图”智驾策略进行生动形容,称华为为唯一“做题家”,其余家或多或少在“抄答案”,此回应生动且富有争议。

于是,今天我们带着此话题来继续探讨:华为ADS 2.0“无图”智驾到底有多强?

余承东喊的“全国都能开”、“有路就能开”,真实情况是啥?

作为智驾报道前沿媒体,第一电动邀请十分热心的华为智驾用户与我们分享他们的智驾经历以及感受。

一位现问界M5智驾版车主、准问界M7 Ultra版车主向我们表示,他出门几乎必开华为ADS智驾,几乎做到了“全国都能开,有路就能开”。

比如,他去洛阳白马寺时,即使是在附近的田间小路开启华为ADS智驾,都是高度可用的。

但不可用的场景具体有3个:

第一,   道路状况比较恶劣的路段,比如坑坑洼洼的泥泞路段;

第二,   无车道线山路+大曲率发卡弯;

第三,   下雪天、风吹雪天。

这位大哥表示,华为智驾更注重“综合安全性”,相比小米高速NOA、极氪007高速NOA、小鹏XNGP智驾来说,华为的智驾策略并不是根据“路线”而行动,会更综合考量附近所有车辆的类别。

举个例子,若是高速上大车较多,那么华为ADS的变道超车策略就会显得相对保守,而其余车企NOA的驾驶节奏几乎一致,要么保守、要么激进,有缝就钻、不分车型。

这位问界M5智驾版车主还向第一电动表示,华为的ADS智驾好就好在“更注重细节”。

我们还咨询了一位极狐阿尔法S 华为HI版车主,他给出的回答相当专业:

一、目前华为ADS做的比较优秀的地方有哪些?包括高速、城区、乡村道路

1、高速/高架场景

1.1、全国所有高速高架均可开启NCA,覆盖率99.9%;

1.2、GOD网络可以识别99%的障碍物,无论遇到任何实体障碍物,只要高于车身底盘,均可以识别,并按照具体场景,做出策略,不会碰撞;

1.3、全向撞击智能躲避,这里包涵的场景会比较多,其中最常见的,如社会车辆(就算是加长型的拖车)近距离cut in,可以做到精准识别,且按照具体场景,做出策略规避风险。

再比如侧后方车辆快速逼进,会快速逃离躲避,或者双闪给后车预警……场景还有很多,具体防碰撞策略是根据当时的情况而定。

1.4、施工路段智能绕行;

1.5、超车;

1.6、自主切换匝道等等场景;

2、城区、乡村道路场景

2.1、全国所有城市、乡村道路均可开启NCA,覆盖率99.9%;

2.2、根据导航指引,RCR道路拓扑网络,实时生成前方路线。无论是直行选道、左右转选道、掉头选道,都可以自主弯成……实际场景还有很多。

二、目前不能解决的场景是什么?包括高速、城区、乡村道路

1、高速/高架场景

1.1、由于华为是真正的纯无图智驾,所以在选择路口时,有概率选错,在匝道口选择时,概率性选错车道(目前经过几个版本迭替后,概率已经非常低了);

1.2、高速收费站出入口需要人为接管;

1.3、高速上如果需要切换匝道或者下高速,大概会提前1.5km左右,开始有向最右侧变道倾向;如果此时车辆较多,变道变不过去,会随着与匝道口距离更加接近,而变道策略更加激进;如果还是变不过来,需要人为接管。高架大概是提前1km左右,同上;

1.4、如果碰到极端天气,比如下雪天气,激光雷达如果被雪覆盖,会启动不了NCA......实际场景还有很多。

2、城区、乡村道路场景

2.1、同1.1,但由于中国城区、乡村道路比较复杂,且需要执行变道转弯等指令数量呈指量级提升,走错车道概率性增加;

2.2、施工区域,此处场景非常的多且复杂;

首先要知道华为这套ADS2.0是想做L2级别最好用的智驾,所以他是做不出L4级别的动作,所以并不是所有的路都能去绕行通过;

2.3、单车道行车时,对于前方行人、电动车会比较保守,超车意向不太积极;

2.4、道路较窄时,会贴中间开(目的是给予驾驶者一定安全感),所以会车时,对向车辆也比较中间行使,会对驾驶者产生较大的压迫感;

2.5、存在部分压实线场景,特别是在路口,还是那个原因,因为做的是纯无图,不存在对地图提前采集,所以这些都是正常的……实际场景还有很多。 

华为ADS为什么要坚持“无图”?

两位华为智驾车主给出的实际场景非常丰富且生动,那么,华为坚持做“无图”的理由又是什么呢?

实际上,华为在2022年就开始采用高精地图算法,也很早就开城,然而,高精地图方案其实对车端的道路结构认知的要求降低了,此外,高精地图的绘制复杂且低效。中国的城改速度依旧飞快,华为也不是地图专精,要实现全国开城,就得另寻出路。

还有一个地方值得注意:高精地图方案虽然精准,但如果一旦变更就会很危,因为它要求车端不断的识别出它的变更。

综上所述,华为解散高精地图团队,开始做“无图”。

此外,基于安全考量,华为ADS选择和激光雷达进行深度绑定,强化安全属性;选择走多传感器融合的技术路线,一开始就采用了激光雷达、视觉和毫米波雷达融合的方式,方便黑夜环境下的探测。

华为ADS目前还解决不了的复杂场景,问题出在哪?

猜测主要体现在对通用障碍物的检测和判断方面。华为GOD 2.0 网络里面深度使用了激光雷达,通过多传感器的融合做通用障碍物的检测,虽然不能识别出障碍物具体是什么,但是它能够告知系统,做出反应动作。

然而,要让激光雷达深度参与并发挥好作用其实并不容易,这涉及到如何消除激光雷达的各种干扰,涉及到大量的软件和传感器硬件的协同。

华为ADS 2.0与XNGP、百度Apollo智驾的区别在哪?

小鹏XNGP在硬件方面,智驾芯片采用2颗英伟达Orin-X,芯片算力达到508TOPS,摄像头13个,超声波雷达12个,毫米波雷达5个,激光雷达2个。

百度Apollo系统采用的是纯视觉方案在硬件方面智驾芯片采用2颗英伟达Orin-X,芯片算力达到508TOPS,摄像头11个,超声波雷达12个,毫米波雷达5个,无激光雷达。

华为系车型的智驾系统均搭载的是HUAWEI ADS 2.0,但硬件配置分为3种。

极狐阿尔法S智驾芯片采用MDC810,芯片算力达到400TOPS,摄像头13个,超声波雷达12个,毫米波雷达6个,激光雷达3个(96线)。

阿维塔智驾芯片采用MDC610,芯片算力达到200TOPS,摄像头11个,超声波雷达12个,毫米波雷达3个,激光雷达3个(96线)。

问界、智界的智驾芯片采用MDC610,芯片算力达到200TOPS,摄像头11个,超声波雷达12个,毫米波雷达3个,激光雷达1个(最新版本192线)。

融合感知算法对比方面,华为ADS2.0采用BEV+GOD2.0+RCR2.0算法。

GOD网络,通用障碍物检测,即使前方障碍物在BEV的白名单之外,在GOD网络的帮助下,智能驾驶系统依然可以识别和规避它,并充分利用了激光雷达的探测能力,轻松获取空间的信息。

RCR2.0道路拓扑推理网络,匹配导航地图与显示网络,与特斯拉FSD车道视觉识别路线相似,能够实现复杂道路环境实时推理。

小鹏的XNGP采用XBrian(相当于大脑,负责意图推测)+XNet(基于BEV+Transformer架构,相当于眼睛)深度视觉感知神经⽹络2.0+XPlanner(相当于小脑)是基于神经⽹络的规划控制⼤模型。XNet2.0融合动态、静态和占用⽹络,三⽹合⼀。

百度Apollo采用BEV+Transformer+OCC算法。

OCC占用网络全称为纯视觉OCC占用网络感知模型,其核心在于通过多视角相机生成BEV,它能够对道路上的各种障碍物进行准确识别和定位,为驾驶者提供更加精准的驾驶辅助信息。BEV是一种从上方观看对象或场景的视角,就像鸟在空中俯视地面一样。在自动驾驶领域,通过传感器(如激光雷达和摄像头)获取的数据通常会被转换成BEV格式,以便更好地进行物体检测、路径规划等任务。BEV能够将复杂的三维环境简化为二维图像,这对于在实时系统中进行高效的计算尤其重要。

Transformer模型在自动驾驶的感知阶段可以用于提取多模态数据中的特征,如激光雷达点云、图像、雷达数据等。通过对这些数据进行端到端的训练,Transformer能够自动学习到这些数据的内在结构和相互关系,从而有效地识别和定位环境中的障碍物。

利用Transformer模型对BEV数据进行特征提取,实现障碍物的检测和定位。将这些BEV格式的数据叠加在一起,形成一个多通道的BEV图像。

对于华为乾崑ADS 3.0的展望

乾崑ADS 3.0进一步去掉了BEV网络,用一个GOD(通用障碍物识别)网络打通 “理解驾驶场景”;此外,乾崑ADS 3.0全新架构采用PDP(预测决策规控)网络实现预决策和规划一张网,从而实现类人化的决策和规划,行驶轨迹更类人。

极狐汽车智能驾驶部科长王孔龙在第二届智驾大赛杭州站直播时表示,ADS 3.0会支持AVP,支持机械车位泊车,并且对城市NOA做了很多优化(当然,此次智驾大赛所规划的环岛路线是否能彻底搞定,还得看后续发展)。

简单说,乾崑ADS 3.0的核心升级,是会将公开道路和非公开道路完全整合,实现从车位到车位的无缝智驾。

至于即将来华的特斯拉FSD V13在技术方案上的区别,FSD相较传统环境感知、决策规划、控制执行分离的模块化方案最具革新性,且边缘侧也即车端算力要求相对较小,系统复杂度低,能够避免累积任务误差。

然而,FSD“黑盒”架构的安全性,目前仍无令人信服的根本解决方法。此外,模型训练所用的是全部数据的“平均”控制信号,但由于驾驶行为具有维度高、数据分布不均匀的特点,因此在特定场景下“平均”信号有可能不是正确控制信号,增加不确定性的危险性风险。

总的来说,华为乾崑ADS 3.0方案采用GOD网络负责感知,PDP网络负责预决策规划,更强调AEB的安全属性,系统硬件更复杂、算法更复杂、但安全冗余会更高。

来源:第一电动网

作者:YKPM

本文地址:https://www.d1ev.com/news/jishu/233134

返回第一电动网首页 >

收藏
140
  • 分享到:

相关话题

相关圈子

发表评论
新闻推荐
第一电动网官方微信

反馈和建议 在线回复

您的询价信息
已经成功提交我们稍后会联系您进行报价!

第一电动网
Hello world!
-->