【EV视界原创】之前我们曾对达到L3级自动驾驶的难点做出过陈述，要想达到这一级别，对车辆硬件和软件的技术水平要求非常重要。如果说L0级—L2级为低等级的驾驶系统，而L3级—L5级则为高级自动驾驶系统的话。从L2级到L3级的跨越中，最大的跨度是由环境的监控主体从驾驶员变为了系统。只有当系统能够自动地探查与分析附近区域的状况时，高阶的自动驾驶才能成为可能。因此，要实现真正的L3自动驾驶，尤其高算力芯片+高精地图+高精雷达+智能摄像头是缺一不可的。
纵观国内，目前有实力达到这一级别的车企，除特斯拉、小鹏、蔚来、华为、广汽埃安等之外，有一家初创品牌也在列其中，这就是智己汽车。不久之前，智己汽车在城市高峰时段测试了自己的自动驾驶系统。一般来讲，城市道路错综复杂，你永远不知道什么时候会有电瓶车横穿马路；什么时候会有行人突然出现；什么时候会有慢行车挡路；什么时候会有其他车辆变道加塞。
这种需要依靠自身经验，无固定性的行驶场景，在自动驾驶领域被称之为Corner Case，也就是复杂场景，比如当你驾车正要变道的时候，突然有车辆要从旁边“加塞儿”进来，而你会将如何处理？是退回原位？还是继续变道？诸如此类无法确定走向的问题，都可以被称为复杂问题。目前如果要在城市道路中开启自动驾驶的话，90%面对的是常规问题，而剩下的10%就是复杂场景了，这也就是自动驾驶最为关键的所在。
如何去解决这个问题？
很显然，除了车辆自身的硬件基础，自动驾驶的系统算法就是解决这一事件的重要决策。目前，智己这套IM Autonomous Driving智能驾驶解决方案是由29个感知硬件构成，包含12个摄像头、5个毫米波雷达、12个超声波雷达。同时，智己智驾架构还可以升级下一代智能计算芯片Orin，算力高达500Tops+，配合激光雷达最高可以支持L5级别智能驾驶。
我们先拉个清单：
当然，这只是硬件的配置，在自动驾驶软件上，这套Data Driven数据驱动智能驾驶算法则承担着将信号处理并开展逻辑分析和决策判断。
一般来说，常规的自动驾驶是基于Rule-based算法，也就是根据一个制定好的驾驶规则来让系统依此来运行驾驶。比如当车辆需要超车的时候，其必须要根据系统早已制定好的超车条件：道路半径尺寸、与前车所保持的距离和比后车所保持的车速等等，只要满足以上条件才可以进行超车。这样的系统设计看上去感觉非常的合理，但在实际运用中会有一个很大的弊端，那就是自动驾驶的复杂度让把这些规则全部列出来变得异常困难，针对一些极端复杂场景（Corner Case）的处理比较困难，因此智己所采用的这个Data Driven数据驱动智能驾驶算法，具备自我学习和自我更新的能力，基本具备应对10%复杂场景（Corner Case）的能力。
智己的Data Driven核心算法架构，利用车端持续产生的实际数据，自动化地发现问题、记录数据、上传数据，在云端标注数据、训练模型、验证后再更新至车端软件。也就是说，当车辆在行驶的过程中遇到了复杂路况问题后，车辆会将采集到的数据上传云端，通过模型反复训练之后，再迭代回车里，来进行更深一级的，或者优化后的智能驾驶体验设计，达到自我学习的能力。
说了这么多，也许您会认为这都是“纸上功夫”，那不如在实际路段跑一跑，来验证一下智己这套自动驾驶系统的真正能力。
首先从已知的信息来看，智己做的这个实际路段驾驶测试的车辆是一台工程样车，并不是实际的量产车辆，但在综合性能上或许会“稍逊风骚”。
首先 ，这款工程车并没有安装量产车上的激光雷达，要知道，激光雷达对于L3级自动驾驶是一个不可或缺的感知设备，对于提高关键目标的探测精度起到了致胜的作用。而智己汽车这次市区40分钟无接管智能驾驶的表现，可以说在没有依靠激光雷达还能跑出一些亮眼效果实属吸睛，不如我们就来分析一下智己汽车在市区自动驾驶实测的几个可圈可点之处。
首先我们先来看一下这次测试的画面（素材来自：汽车之家）。
该测试视频一刀未剪，通过车内驾驶的视角来展现整个测试的流程。值得注意的是，在车内的副驾驶A柱上，设置了一个外接的圆形灯。当灯光呈现绿色时，表明车辆处于零接管状态。如果是红灯亮起的时候，则表明了有人工干预介入的情况。
在画面的右上角，有一个测试车辆的环境感知信息和控车信息的数据显示页面。它可以显示出车辆的车速、方向盘转角、目标检测识别信息、目标预测轨道和本车自行规划轨迹等。
通过这画面，我们可以清晰地看出来智己汽车是如何去应对复杂路面情况的。
1.自动识别红绿灯
从视频中可以看出，测试车辆当进入红绿灯路口的时候，会自动识别当前红绿灯状态来进行驾驶。值得注意的是，视屏中的路段是一个直行+左转的多向单车道，并在没有车道线的路面上自动选择合理路线进行转向操作，最终汇入了目标车道。
整个操作的流程可以看出非常的流畅，特别是在转向的过程中针对周边车辆和前方驶来电动摩托的路线轨迹判断非常的精准，并在之后驶入一个人车混流的单车道后，经过了一个非常短暂的调整后继续行驶，可以说毫不“拖泥带水”。
其实这一路段也可以规划为复杂场景（Corner Case），因为要在如此狭小的路况线路中，周边会有不定性的车辆或行人的穿插，这不仅考验了车上感知硬件的性能，对于车辆的系统算法也有着不小的挑战。
2.躲避两轮电动车
如果你在国内城市道路行驶的话，那不得不接受的就是随处可见的两轮电动车，它相比自行车和行人来说，在行驶速度和突然变道的机率上都处于更让司机头疼的行列。
视屏中，车辆在行驶的过程中突遇右边线路出现的两轮电动车时，车辆系统很快的识别出它的存在，并进行了向左避让减速的一系列规避动作。
而遇到左边对向，并相当于逆袭行驶的两轮电动车时，车辆会做出向右避让的动作进行规避。
最后，在遇到十字路口横向穿插的两轮电动车时，车辆会进行减速向右避让。
通过针对这三处避让两轮电动车的动作可以看出，在整个规避环节中，车辆的反应迅速，并没有做出突然的制动，而且方向盘也没有做出夸张的大幅度转向。更重要的是，在避让的环节中，车辆没有因躲避而驶入其他车道，依然在本车道中行驶，可谓非常的“老道”了。
3.自主变道超车
视频中，当车辆通过红绿灯路口后，在驶入目标车道时发现一辆低速行驶的占道车辆，可以看出系统在探测到之后迅速地变道行驶。
可以看出，整个系统在驶入目标车道中，在遇到有车辆低速占道行驶的时候，尽管车距非常的近，但智己的自动驾驶系统依然在“毫秒”之间变更了车道，这不仅展现出车辆环境感知系统的精确反应，也突显出整个系统快速的应变能力。
4.自动上高架桥并汇入主路
视频中，车辆在按照规划路线自动驶入高架桥，并慢慢的往主路并线。
可以看出车辆驶入高架桥的时候，车辆通过系统的探测与周围社会车辆的模拟轨迹，采用“试探”的方法慢慢切入主路。
这里值得注意的是，相比较其它的竞品，在切入主路时，智己的自动驾驶没有过于激进的加速或者连续制动的顿挫，非常自然和谐的将车辆一点一点的并线，可以说它的逻辑更接近于常人的驾驶风格。
5.智慧闪躲与车道线控制
在车辆的行驶过程中，当测试车辆向右边并道的时候，这时右边车道突然有一辆社会车辆开始向左“强行”并道。而这时候智己IM AD的自动驾驶开始做出一个向左的规避工作，待右边这辆“强入”车辆行驶远离之后，测试车辆又开始继续完成向右并线，直至驶入目标车道。
这套并线的逻辑很有意思，当测试车辆在并线的过程中遇到对向驶入车辆时，不仅稍微减速，还向一侧做出避让动作。但在整个过程中，测试车辆依然在两车之间保留了一个行驶空间，并试探性地继续并线直至驶入目标车道。据智己的工程师介绍，这是一个专门设计的多探头并线策略，在该策略下车辆并不会机械式的一下子并线，而是采用多次尝试的方法慢慢的并进去，非常的缓和。
6.切换高架桥并处理Y型岔口
车辆在遇到Y字形岔口的时，其会在驶入之岔口之前就开始进行并线，即使是都之后在遇到更多的Y型岔口，在依托高精地图下的智己IM AD的自动驾驶都可以轻松应对。
智己IM AD自动驾驶系统在高精地图支持下，不仅能精确识别到匝道口，并且还能提前预判道路情况，并转入最适合的车道。而在连续的Y型匝道口，依然准确识别道路，没有出现驶入错误匝道的情况。最后在高架上经历急弯时，还会自动减缓速度，平顺且舒适地完成过弯。另外值得注意的是，当车辆驶入主路时，并没有寻找时机立刻将速度提到限速值，而是整个提速过程相对缓慢，可以说完全模拟人为驾驶的习惯，给乘客带来足够的驾驶信心。
不过这里要提一句，该自动驾驶的逻辑与驾驶风格息息相关。目前智己 IM AD 将会针对不同习惯推出不同风格的自动驾驶系统以及会有一套自学习的系统，根据驾驶者的习惯来调节整个体验。
我们总结一下这段视频，一般来讲，大曲率弯道与连续Y型岔口都是自动驾驶最为头疼的难点。如果连续Y型匝道没有处理好就会发生车辆“焦急”乱串的现象，而大曲率急弯处理不好则就会发生无法保持车道，车速而造成的交通事故。更主要的是，高架道路的自动驾驶相比较城市的自动驾驶来说，其逻辑维度大不相同。在城市中的自动驾驶，其场景复杂、多样，但速度维度普遍较低。而高架道路的自动驾驶，则由于车速较快，对目标物的追踪、预测需要更加稳定、反应速度要更快，预测介入则需要更早。
7.cut-in（加塞）汇入主路
在车辆从匝道汇入主路遇到拥堵的情况下，智己的自动驾驶系统首先会自动减速，并且一点点的试探性向主路并线，在目标车道前后空出足够距离后才平滑的切入完成变道，可以说一气呵成。
值得注意的是，测试车载并线汇入主路的时候，己方车道在会车时逐渐变窄，这是智己测试车开始逐步放慢速度，在一个短暂的停止后，探测到了并线车道的空隙后，在车流中“加塞”进去。根据之前智己的技术人员介绍，这一套的并线逻辑是采集了几百个出租车司机的行驶数据，包含他们的驾驶习惯来进行行为模拟，在加上环视镜头与其它传感器融合后对于近距离目标物的距离检测、加速度以及朝向的检测之精确，因此，智己IM AD的自动驾驶的并线功能真的就像一个老司机一样。
8.识别模糊标线
在我们日常的驾驶中，由于市政路面的建设，往往路面上会有新旧两种车道标线同时出现的情况。通过测试，智己IM AD的自动驾驶系统依然识别出新车道并保持直行，没有产生偏摆的现象。
一般来讲，大多数传统的自动驾驶系统在遇到新旧车道线同时出现的时候，其感知系统会检测出多条车道，会造成车载定位系统在使用车道线进行横向定位的时候，出现选择错误的现象，由此会导致定位错误发生横向的偏移。而通过智己IM AD的自动驾驶的表现后我们可以肯定，整套系统具有一定的高精地图与现实不匹配时稳定处理的能力。
通过以上的测试画面，充分展现出了智己IM AD的自动驾驶系统的可靠性。不过，我认为整个测试中，还有几处细节也是非常值得肯定。
在视频中的一段路面行驶中，智己的自动驾驶测试车载在遇到前方出现斑马线后会自动地减速，如此也是做到了对行人很好的保护。另外，在遇到红绿灯多车等待的情况下，智己IM AD的自动驾驶系统会智能缩短跟车的距离。另外，其还能精准识别到右侧大车持续靠近侵入前方车道，主动减速并向左侧轻微避让，与大车保持安全距离，待大车通过后，正常居中行驶。如此完全展现出该系统的应变能力和智慧躲闪能力。
另外，就是在这个测试视频中，整套系统除了视觉感知系统和雷达外，还有一个传感器功能非常吸睛，它就是国产军工级超高精度惯导。这个所谓惯导，它的厉害之处就是在其它传感器（GPS、摄像头、激光雷达、毫米波雷达等）失效的情况下，依然可以提供精确的定位。在视频中我们看到测试车辆会不断地经过一些覆盖了建筑物的路况，比如立交桥下等容易造成GPS信号衰弱的地方，要是传统自动驾驶系统经过该地域会造成信号丢失而失去导航能力，而最终又回归了人工介入驾驶。
但配备了军工级超高精度惯导的配置，让智己的自动驾驶系统具备实现超强的定位能力。以在隧道，地下车库、城市峡谷、高架桥这些都能实现精准的定位，实现全场景的高精度定位的覆盖。据悉，普通的惯导只能提供精确到米级（m）的精度，而军工级的惯导则可以提供厘米（cm）级的定位。这样的配置不仅仅是高精度的定位技术，而且可以与GPS、视觉、V2X等定位技术构成冗余定位。所以总结看来，智己的自动驾驶系统充分地考虑到了日常特殊场景下的使用，这对于用户的使用来说，是非常利好的。
最后要说的，就是智己IM AD的视觉感知系统了。一般来讲，机器类的视觉感知，大致总结有三类：
一类是静止物体。例如我们传统的红绿灯、路杆等；
二类是动态物体检测，例如我们看到街道中行走的行人、汽车等；
三类是语义信息的分割。例如我们常见的路面标线等信息；
在最为复杂的前视感知场景中，智己IM AD采用了三颗主摄像头，其中两颗包括一颗长焦镜头，擅长对于远处物体的捕捉，例如对远处的红绿灯、提前识别到障碍物、车辆等。
还有另一颗前视鱼眼镜头，擅长对于近景物体的捕捉，例如我们常见的加塞场景。利用长焦镜头以及鱼眼镜头各自特性将这两者做融合，以此来相互验证，作出最优解的输出。
而对周遭物体的判断则通过环视的鱼眼镜头来感知周遭目标物，并且与擅长对移动物体的速度做捕捉的毫米波雷达做融合，最终做最优解方案的提取，就完成了整个感知过程。
所以这个前提是只有做好各个传感器的融合，才能对低速、高速等目标做实时稳定的感知。
编辑总结：
通过这段智己IM AD的自动驾驶的演示视频，我们可以看出智己IM AD自动驾驶系统在现有的行业技术中，已初步达到接近真人驾驶的地步。要知道，以上测试还只是没有搭载激光雷达的自动驾驶逻辑方案，而目前智己汽车已经兼容激光雷达软硬件架构冗余方案，支持第二代半固态激光雷达（2颗）的升级能力，待激光雷达商业化量产即可搭载，届时可实现道路30*30cm小物体精确感知，以及独有的相邻车道车辆缓慢并线探测能力，届时与IM AD智能驾驶系统配合将大幅提升智能驾驶安全性。
不过，面对地大物博道路错综复杂的中国，要能真正的百分之百达成自动驾驶，这条路还是很远的。但从整个测试中可以看出，智己IM AD的自动驾驶逻辑和处理都突显了其背后强大的技术实力，也让我们真正了解到了未来的无人驾驶会是什么样子。学海无涯，相信智己在未来的技术发展中，会有更加惊人的表现，我们拭目以待。
