“一汽（南京）科技开发有限企业雷达感知行业经理王宇：智能驾驶中雷达感知应用及挑战”

2021年9月3日-5日，由中国汽车技术研究中心有限企业、中国汽车工程学会、中国汽车工业协会、中国汽车新闻社共同主办，天津经济技术开发区管委会特别资助，日本汽车工业协会、德国汽车工业协会共同合作的第十七届中国汽车产业快速发展(泰达)国际论坛(以下简称， 本次论坛围绕“融合创新绿色”的年度主题，聚焦领域的热门话题展开探讨。

月5日在《前沿展望:创造智能车新体验》上，一汽(南京)科技开发有限企业雷达感知行业经理王宇发表了题为“雷达感知在智能驾驶中的应用与挑战”的演讲。

一汽(南京)科技开发有限企业雷达探测行业经理王宇

以下是演讲的实录。 [/s2/]

业界的各位，早上好！ 我是来自一汽(南京)的王宇。 我很高兴今天在泰达论坛有这样的机会。 现在我们来谈谈我们在这一段时间里做的事件。 另外，也谈一下对雷达探测APP的理解和挑战。

请允许我首先介绍一汽南京企业。 一汽南京企业是一家比较年轻的企业，说起一汽集团大家都很熟悉，但一汽南京企业却很少有人听说。 我们确实是年轻的企业，年轻的队伍。 我们早期的前身是一汽智能网联开发院的人工智能研究所，去年，由于集团加大了对人工智能与汽车结合的战术布局力度，将人工智能研究所转移到南京，成立了南京的人工智能研发中心，也就是一汽南京企业。 一汽南京企业也是一汽关键战术配置的重要一环。 我们想依靠人工智能技术，创造更好的人类移动体验。

目前在一汽集团内部，也承担了许多自主开发的量产车型开发任务。 现在企业有100多人，正在迅速扩大。 目前企业内有100多人，但依靠的是一汽集团整体强大的研发体系。 例如造型、设计、系统、测试、验证、道路实验、数据采集等都依赖总部强大的技术支持，可以在南京地区全力进行软件开发。

我们的业务主线目前规划有智能感知、智能大数据、智能交互、智能移动、智能制造以及智能物流6条，前期致力于智能感知和智能大数据两条主线。

接下来，我想谈谈雷达探测在智能驾驶中的应用。 智能驾驶中其实有很多重要的板块，但我认为目前挑战性最强、数量最多、多样性最高的依然是感知行业。 目前主流的传感器方案中还是多传感器融合方案为主，我们也非常赞同这种方法。 因为不同的传感器在不同的场景、不同的交通状态上有一定的特点，也有一定的技术短板。 例如，照相机在光线不好的条件下，容易受到干扰。 虽然是像激光雷达一样可以准确捕捉交通目标的位置，但是容易受天气影响的位置。 毫米波雷达传感器的车辆速度获取精度非常高，但分辨率非常有限，我们能做的就是基于目标的融合。 因此，我们评价说，在今后很长一段时间内，智能驾驶的主流感知方案还是以多传感器融合的技术为主。

基于多传感器融合的理念，一汽南京企业制定了基于ai的自动驾驶处理方案。 在智能驾驶车辆中，使用多传感器的融合策略首先是在车顶使用8个固体激光雷达，在车的周围增加12个高清摄像头，即使将毫米波雷达作为感知融合方案，也基于该方案，实现了全栈的自动驾驶处理方案。 目前，该方案正在内部升级，不久将推出第二代自动驾驶的新感知方案。 从传感器和整车性能多方面让乘客和司机获得更好的体验。

多传感器融合的一个重要组成部分是雷达传感器。 我们知道固体雷达传感器是未来激光雷达的迅速发展趋势。 初期，我们也在机械式激光雷达的基础上进行深耕，在基于机械雷达的处理方案上花费了很多精力。 在长春总部建造了智能酒吧和智能轿车。 去年，我们也大胆创新了。 相当于国内其他一点兄弟企业还没有发表固体雷达方案之前，制定了基于固体雷达的环境感知处理方案。

这辆绿色的车是目前我们在开放性道路上测试的固体雷达实验车。 我们从机械雷达切换到固体雷达时，也有很多纠葛，也有很多挑战。 例如，如何进行时间同步、标定、死角等各种问题也困扰着我们。 在机械雷达方面，这可能是个小问题。 在固体雷达方面，这是一个全新的挑战。 因此，在这些问题上花了很多精力。 例如，为了解决时间同步问题，多个雷达和数据收集总是需要高精度的时间同步。 我们为了应对这样的问题，制作了时间同步专用的控制器。

在智能感知软件方面，我们为该智能感知系统构建了完善的模型、技术框架，包括有点重量型的离线参考模型和轻量参考模型。 重量型模型应用于真值，也有数据标注，轻量型模型运行在域控制器中，具有计算资源和高精度的感知能力。

让我说几句与数据相关的工作。 作为车厂，在数据积累方面有天然的特征。 首先依靠总部的道路实验车资源，构建了数据收集车辆。 由于其本身每天在全国各地的道路上进行大规模的数据收集和整车性能测试，因此必须逐一发挥数据收集方面的特点。 数百辆车辆每天都会回复很多数据，分析数据进行融合、清洗、筛选、转换后保存到云端。 得到数据后，在设定的一点先行条件的基础上，加入重量级模型，进行了一点自动化的标注，得到了初步的标注数据后，人工进行了检测和二次标注，修改后得到了标注的数据集。 重新训练我们的重量型模型，训练这些模型，一方面适用于前期的半自动化标注，另一方面轻量化解决大规模模型，放到车端。 最后车辆侧的模型被重新定位在车辆上，由此构成数据收集、数据标记、数据存储的闭环。 这个系统是非常宝贵的工具，是比较有效的生产力，是汽车企业特征的发挥，也是我们的护城河。

接下来谈谈图像雷达吧。 毫米波雷达受到打击，只能输出有限的目标数据。 我们只能根据数据进行目标级别的融合，分辨率也有限，只能识别二维目标，对高级新闻的识别不友好。 当市场上出现了图像雷达传感器，一切都发生了变化，我们发现将毫米波雷达成像也是值得发掘的。 目前正在根据图像毫米波雷达进行尝试。 例如，在点云级别的融合级别，尝试连接图像雷达或进行融合。 这是我们对毫米波成像雷达的尝试，我们非常希望新一代的毫米波成像雷达能给我们带来越来越多的惊喜，成为智能驾驶的主力传感器。

下一部分介绍了当前雷达探测行业面临的挑战。 这里总结了四点。 首先第一个是价格方面。 从领域的数据方面可以看出，激光雷达传感器的价格已经从以往的几十万台非常昂贵的仪器设备降到了量产车的3-5k的价格，而现在，对于量产车辆来说，高端车和高配车的标志性传感器已经成为了每辆车辆的标准传感器， 我们的整车价格其实相当高，所以有时需要钱和钱。 对于立刻价值几千美元的高价传感器，至今乘坐时还是很慎重的。 预计未来2-3年内，我们的价格有可能下降到1-2k。 这样的话，激光雷达就有可能成为中等程度的车标配的传感器。 这是价格方面的挑战。

第二个是关于传感器的数量和配置的课题。 传感器的价格制约着传感器的选择和数量。 当激光雷达的传感器可以稍微配置在量产车上时，配置的位置是迎接的第二个挑战。 我们和造型部门、整车部门也经过了很多讨论，其实大家一直存在着一点彼此的争论。 就像激光雷达布配置在屋顶上还是车的前方一样，其实大家都有点特点，也有点弊端。 虽然布置在车顶可以从视野中获益，但在清洁、造型、散热方面也存在不小的挑战。 在将传感器配置在前保险杠上的方案中，我们从清扫到散热都比较容易，但稍微屏蔽和污损传感器也很容易，同样也面临着不小的挑战。 最后，我认为所有布局和选择的来源，归根到底都是功能实现的立场。 最终实现的自动驾驶场景需要什么样的感知能力，如果有感知能力，能看得多远，看得多清楚，布局位置如何，实际上需要遵守这样的配置。

三是传感器性能方面的挑战。 目前，雷达传感器这种东西仍处于快速发展的阶段，在各家传感器中，实际上纸面数据提供得非常漂亮，但我们得到这些传感器后，实际上与他们纸面的数据有一些不同。 其中展示了内部测试两种纸面数据相似的传感器，但实际测量后发现，在各测试中的表现有很多不同和不同。 作为传感器的采用者，也从客户的角度提出了挑战。 我们必须具备慧眼识珠的能力。 感知性能、要求，以及如何选择量产水平的激光雷达传感器，其实是一个很大的挑战。 因此，为了能够测量传感器的所有性能，需要制定强大的测试用地和方法，构建足够数量的场景。

最后，也向我们开发者提出了挑战。 整个激光雷达传感器在量产车上的应用还很新，因此这里提出了应对四个开发挑战的处理方案。

第一个是，将我们的量产车平台化，使之适合。 在l4平台化的自动驾驶车辆中，也尽量与量产车的传感器配置方案相匹配，包括软件算法的通用性架构，在量产车不同方案的选择和过渡中尽量实现平台化。

第二，将感知软件去耦，灵活适应不同的传感器、计算平台。

第三，尽量将感知模型模块化，使之适应各种APP交流场景。 目前，统一的模型覆盖天下并不容易，所有的实现场景都覆盖了，我们也比较了停车和行驶提出了不同的处理方案。

第四，在整个开发过程中，我们提出了开发过程的半自动化，制定了许多自动化的测试工具、脚本和技术工具，包括数据闭环系统，是有助于提高开发效率、节约开发周期的比较有效的手段

以上是我今天的分享，希望以后有机会可以坐在一汽南京企业，和我们深入交流。 谢谢你。