從前人們認為“無人駕駛”、 “機器駕駛員解放人類駕駛員”這樣的概念還遙不可及，然而英特爾正在讓這樣的構想落地。為了驅動車輪上的數(shù)據(jù)中心，英特爾當前在無人駕駛領域的發(fā)力用“不積跬步無以至千里”來形容再合適不過，而其中的的六大技術即是“跬步”，也是助力無人駕駛車輛致千里的關鍵所在。
當我們在開車的時候，什么最重要?
駕駛技術?車子性能?不，是一雙眼。
在開車的時候司機主要通過雙眼來看路，然后迅速經(jīng)由大腦進行判斷并做出決策。而隨著自動駕駛時代的來臨，“機器駕駛員”則會把采集到的海量數(shù)據(jù)，實時匯入、更新到高精地圖中，再通過大數(shù)據(jù)和機器學習來做出判斷。因此，高精地圖可以將一切路況盡收“眼”底，并告訴車輛，我在哪，周圍的環(huán)境如何，接下來要如何規(guī)劃路線駛向目的地。
高精地圖對于無人駕駛車輛的導航、定位、路徑規(guī)劃與控制至關重要，直接影響了車輛行駛的效率與安全程度。由英特爾與HERE共同研發(fā)的高精地圖正是無人駕駛車輛實時洞察路況、及時做出決策的關鍵所在。
HERE 高清實時地圖充分利用大數(shù)據(jù)和機器學習提供高度精確的最新信息
機器可讀的實時地圖，讓無人駕駛汽車預判拐角及前方路況
與我們日常看到的地圖不同，機器讀取的是分層的地圖——在底層可以識別出主干路網(wǎng)、車道線、海拔高度，以及周圍的路燈或路標等;在頂層則是機器地圖自修復的情況，在這一階段，高精地圖(HD Map)變成傳感器地圖(Sensor Map)，因為每一輛無人駕駛汽車在行駛過程中都會捕捉到新數(shù)據(jù)，并通過影像的方式進行計算，快速分析之后就可以識別出前方路況的變化，最終進行修正再把數(shù)據(jù)傳回到無人駕駛車輛上。在這個循序漸進的過程中，英特爾在高精地圖領域的發(fā)力會推動無人駕駛加速駛向快車道，反過來，無人駕駛各細分領域的不斷升級，也會反哺高精地圖。
基于云端的參考模型，實時對比傳感器數(shù)據(jù)和車輛周圍環(huán)境
在無人駕駛的高階情景中，云端會有動態(tài)地圖，車端會有短期靜態(tài)地圖。當無人駕駛車輛行駛時，傳感器和攝像頭實時捕捉到的影像會和云端動態(tài)地圖進行比對。前方一切路況的變化都將被捕獲，并反饋到云端，經(jīng)過收集和提煉，來修正車端短期靜態(tài)地圖，這是一個從動態(tài)到靜態(tài)循環(huán)往復、修正升級的過程。可以說，這是目前攀登無人駕駛高峰的一個關鍵點，因為它意味著大量路況數(shù)據(jù)的采集，并對數(shù)據(jù)進行分類和標定。在早些時候，地圖上顯示的咖啡店、加油站等，都是通過人工來標定的，但一旦進入到高精地圖階段，人工難以負荷如此海量的數(shù)據(jù)，更形象來說，高清地圖的人員配置只需100多人，而在傳統(tǒng)地圖中，做標定的人員在2400到2500人不等。
充分利用大數(shù)據(jù)和機器學習，為汽車提供高度精確的一手信息
機器學習是一個應用廣泛、包羅萬象的領域，其中，實時交通就是一個典型并且易于理解的關鍵點。實時交通并不是簡單地識別某一路段已發(fā)生的交通狀況，然后把這一信息下發(fā)到每一臺無人駕駛車輛中。實際上，實時交通是把歷史數(shù)據(jù)與目前整體路網(wǎng)數(shù)據(jù)放在一起，通過機器學習的方式做出預測。除此之外，車輛周圍景象也會運用機器學習，盡管大部分模型已經(jīng)訓練完善，但如果突然捕獲到車前方出現(xiàn)了一個跑動速度超過平均值的人，這一樣本就會被作為特例傳回服務器，并建立新的樣本，從而識別出所有極端情況做到萬無一失。強大的機器學習就會在這一階段大顯身手。
不僅高精地圖各技術要點之間是環(huán)環(huán)相扣、互相推進的，高精地圖與無人駕駛的關系也是如此，因為一旦失去了高清地圖，路徑規(guī)劃、自定位等動作都將無法實現(xiàn)。如果想用一雙“隱形的手”轉動無人駕駛車輛的方向盤，由英特爾和HERE合力研發(fā)的高精地圖則是其中不可或缺的助力技術。
