自駕車 Software Stack 架構介紹


Posted by Po-Jen on 2020-08-02

前言

今天想來跟大家分享一下自駕車的 software stack 有哪些重要的 module,稍微探討一下各 module 的功能,然後加入一些我自己的想法跟評註。

這篇算是我自己學習過程的一個小記錄,也是未來更深入各 module 的一個定海神針。

最簡單的架構

用最直觀的方式來想像,我們都知道

  1. 自駕車需要看到周遭的環境,才不會亂開撞到人,所以需要 sensor,來看到外面的環境
  2. 但只是看到周遭的環境,卻不能理解這個環境,是沒有用的,所以需要 Perception module,辨識 sensor 資訊中的車、行人、和各種物體
  3. 好了,但自駕車如果不知道自己在什麼地方,又怎麼能規劃出通往目的地的路徑呢?所以我們需要地圖,自駕車就能比對周圍的環境跟地圖,來定位自己在世界中的位置
  4. 知道自己的位置之後,就能計算要怎麼到達目的地,產生一個從起點抵達目的地的路徑,這部分就由 Motion Planning module 來搞定
  5. 有了路徑,讚!但下一個問題是,汽車只接受油門、煞車和方向盤的指令,要踩多少油門、煞車跟怎麼轉方向盤,才能符合 motion planning 規劃出的路徑呢?這就是 Controller module 要做的事
  6. 下達油門、煞車跟方向盤指令後,他會對應到的速度跟角度變化是多少,每一輛車都不盡相同,所以 Actuation module 負責處理這邊的轉換
  7. 最後,在現實世界中,任何 module 都有可能出錯,我們要怎麼掌握系統的狀態呢?這就需要一個 System Supervisor 來監督

有了上面這一串簡單直觀的理解之後,我們就可以把上面複雜的說明,簡化成下面這張架構圖:

Case Study - 百度 Apollo

上面介紹了基本的重要 module,接下來就讓我們來看看百度 Apollo 的軟體架構,驗證一下有沒有漏掉什麼重要的 module。

他們的架構已經演進了很多代,方便起見,我們直接來看最新的 5.5 代:

因為今天只討論 software,所以我們看 Open Software Platform 那層就好,扣除掉 HMI(Human-Machine Interface),基本上我們只漏掉 Prediction module。

上面之所以會漏掉 Prediction Module,是因為我們沒有考慮環境的動態性,假設今天環境裡面的人、車、各種物體都不會動,那我們確實不需要 prediction,但因為環境是動態的,所以我們需要預測其他人、車、各種物體會怎麼移動,才能在 motion planning 時,規劃出不會撞到這些移動物的路徑。

你可能會想問,難道不能就一直即時地做 perception,然後趕快反應嗎?當然是可以,可是這樣就大幅增加了危險性,畢竟,採取各種 action 都需要時間,不能看到要撞到其他物體了才趕快反應,這麼做的風險太大了,相信你開車也不敢不透過各種方式預判其他人的行為。

實際應用 - Zoox's AV(Autonomous Vehicle) Stack

Zoox 是一間在矽谷的自駕車新創公司,前陣子才剛被 Amazon 收購,相對於其他公司,他們在今年釋出了三支比較完整的道路實測影片,所以我以他們為 case 來討論,三支影片的場景分別是在

  1. 擁擠的 San Francisco 市區

    Zoox: ~1-Hour Fully Autonomous Drive in San Francisco with Commentary

  2. 道路線道較多、且有更多觀光飯店的 Las Vegas

  3. 環境較單純、但車速較快的高速公路(從 Menlo Park 開到 Downtown San Francisco)

其中令我驚艷的地方有幾個:

  1. 他們在這幾個場景中使用的是同一個 software stack,並不會因為場景的不同切換成特別不同的模式。有做過產品的人都知道,一個產品根據 scenario 不同,有不同的參數是常有的事,但這種參數間的切換,常常也是引發演算法不連續性的原因,而這種不連續性在自駕車這種有高度安全考量的應用中,就是一種很大的風險。雖然我沒有做過自駕車的產品,不知道只用同一個 software stack 的難度大不大,但我覺得至少他們有這種意識是正確的。

  2. 在 San Francisco 市區有很多複雜的情況,例如併排停車、逆向的自行車、非常窄的路等等,這些場景都考驗各 module 夠不夠 robust。

  3. 在 Las Vegas 的影片中,他們的自駕車能夠在非常複雜的飯店接送區 navigate,可惜沒有呈現實際接送乘客的場景。

總結

上面我們簡單討論了自駕車的 software stack,這是我自己喜歡的學習方式,先從大綱著手,之後探討細節才容易抓到重點,不會見樹不見林。如果你對自駕車有深入的了解、或有什麼想更了解的東西,都歡迎在下方留言指教!

延伸閱讀

  1. 1st Place Solution for Waymo Open Dataset Challenge - 3D Detection and Domain Adaptation
  2. 1st Place Solutions for Waymo Open Dataset Challenges--2D and 3D Tracking
  3. 2nd Place Solution for Waymo Open Dataset Challenge - 2D Object Detection
  4. Github repo: Apollo

關於作者:
@pojenlai 演算法工程師,希望活在當下,看到本質


#Self-Driving Car









Related Posts

Week4筆記_Signal Propagation

Week4筆記_Signal Propagation

Day5 跟一般的指令可不一樣啊!跟我所認識的指令不同啊!

Day5 跟一般的指令可不一樣啊!跟我所認識的指令不同啊!

Day06 從案例看原生 History API (中)

Day06 從案例看原生 History API (中)




Newsletter




Comments