Roadstar.ai

Roadstar.ai,一家低调得不能再低调的 L4 级别自动驾驶企业。从 2017 年 4 月创立以来,它在媒体上的曝光并不多,就连官方微信上的文章也仅用一只手就能数完。不过,它创业初期便获得了云启资本、松禾资本、耀途资本、银泰资本等机构千万美金的天使轮融资。

从百度离职创业

据了解,Roadstar.ai 三位创始人佟显乔、衡量和周光均为业内工程师,其中佟显乔曾任职 Apple 特殊项目组(自动驾驶研发)、NVIDIA 自动驾驶算法组;衡量曾任职特斯拉 Autopliot 组、谷歌地图街景组;而周光则是 2015 年大疆全球开发者大赛第一名,三人后来都加入百度硅谷团队,负责百度无人车的研发,不过他们很快便从百度离职并创立了 Roadstar.ai。

至于从百度离职的原因,周光表示这是因为企业的大公司病。“效率太低,有时候我知道其哪里做错了,并且知道怎么做才是对的,但我们就是推不动,大公司的体制导致很多好的东西出来得很慢或者根本出不来。”

周光在这里所表达的 “对” 与 “错” 主要是针对无人驾驶不同技术解决方案来说的。目前无人驾驶领域至少具有 3 种不同的解决方案:一是以谷歌为代表的激光雷达为主的解决方案,二是以 Apple 和 Uber 为代表的多传感器融合方案,三是以视觉(摄像头)为主的解决方案。

而百度当时用的便是以激光雷达为主的方案,其采用 Velodyne 公司提供的 64 线激光雷达,该雷达售价曾高达 80 万人民币,周光认为这个价格实在是太贵了,同时,由于纯视觉方案存在着逆光等特殊光照情况下的失效问题,周光认为性价比更高的多传感器融合方案才是无人驾驶最好的方向。

多传感器融合方案

Roadstar.ai 所使用的多传感器融合解决方案是指使用多个异构传感器来进行测量和感知,包括激光雷达、摄像头、毫米波雷达、GPS/IMU 等。通过对不同传感器的原始数据进行前融合处理,统一输出像素级的八维空间数据。

据周光介绍,该方案主要有三大优势:

  • 首先,通过传感器的冗余配置,可以大大提高识别的准确性。“比如传感器 1 看见手机的一个角,机器不认为其是手机,传感器 2 看见另一个角,它也不认识其是手机,然而,当两个传感器融合在一起,便能识别出这是个手机。” 周光举例解释。
  • 其次,低成本高性能的技术方案,可以快速推动无人驾驶技术的落地。周光告诉动点科技,他们主要采用了 6 个单价 3 万人民币的低线数激光雷达,加起来价格也才 18 万,的确比 Velodyne 的 64 线激光雷达要便宜多了。
  • 最后,由于多传感器数据之间的相互补充,Roadstar.ai 对于训练数据的需求量被大大降低(周光认为可以用投影的原理理解:二维空间的很多物体可能都对应着三维空间中的同一个物体,更何况 Roadstar.ai 输出的是八维空间数据)。据介绍,Roadstar.ai 已经于今年 9 月初在美国完成了半个小时无人工干预的道路测试,而他们当时所采用的训练数据仅仅只有 4000 个(利用传统技术可能需要超过 15 万个数据)。

这里,周光还特别强调了他们所采用的融合技术是前融合而非简单的后融合。前融合是指从原始数据层面对多传感器数据进行融合,而后融合则是指在各个传感器的信息都各自处理完了之后再融合。周光强调后融合会导致很多细节信息的丢失,“就像多人传话与直接听当事人说话存在差异一样,每个人都有一些信息丢失。”

据介绍, 多传感器数据前融合的难点是如何将不同频率和不同原理的传感器数据,做到精准的时间和空间上的同步。其壁垒是相当高的,要求公司在深度学习、计算机视觉、传感器、电路等多方面都需要很强的实力。国内的公司往往都只有单项强。比如计算机视觉或者是工程上,而这也是其他很多无人驾驶公司都只能以一颗高线数激光雷达作为主要传感器的原因所在。

此外,通过多传感器融合技术,Roadstar.ai 还可以建立适用于包括地下停车库、高架桥等特殊场景的精准三维空间地图,并实现厘米级别的空间定位。

需要注意的是,高精度地图是 Roadstar.ai L4 级别自动驾驶技术的关键基础,关于高精度地图以及精确空间定位在无人驾驶中的重要性,周光这样告诉动点科技:“地图定位其实就是静态的感知,比如当我知道两边有路灯的时候,我就不用再去识别它了,相当于简化了识别问题,之后,更多的算力可以用于解决其他更复杂的问题。就是说如果技术达到一定的程度,其实不用地图也是可以,只是那样可能会更慢一点。”

定位于 L4 级别自动驾驶,同时兼顾 L2L3 级别

业内一直有观点认为,L2L3 级别的自动驾驶很难通过升级实现 L4 级别的自动驾驶,周光同样非常认可这个观点,而这也是 Roadstar.ai 从一开始就致力于 L4 级别的自动驾驶研发的原因所在。

“L2L3 级别自动驾驶的一项重要功能就是识别车道线,但 Roadstar.ai 的 L4 级别的自动驾驶就不需要认识车道线。当我完全知道我在地图上的精准位置之后,我还认车道线干什么?” 周光认为想要准确识别不同环境条件下的车道线是需要花费 “巨大力气” 的,但这些技术在 L4 级别的无人驾驶上却是完全没有用的。

虽然 L2L3 级别自动驾驶很难升级成 L4 级别的自动驾驶,但周光认为反过来将 L4 级别的部分自动驾驶技术拿出来却是可以实现 L2L3 级别功能的。此外像素级别的多传感器融合,能够给二维的图像提供三维标注信息。“比如我们的感知系统能够高效(100 倍)低价(1/100 价格)为 L2/L3 提供 3 纬的图片标注数据,让 L2/L3 能够更快的到来。”

在商业化方面,除了为市场提供 L4 级别的自动驾驶前装解决方案以及后装产品和高精度地图外,Roadstar.ai 也有做 L2L3 的计划。“我们认为只有将目标定远一点,才能保证近一点的目标的实现,如果一开始就将目标定得很近,你可能根本就实现不了这个目标。” 周光表示,其训练数据也非常值钱,且也可以考虑对外售卖。

值得一提的是,今年 9 月初 Roadstar.ai 在美国进行的首次路测中实现了倒开 “8” 字和夜间的自动驾驶。Roadstar.ai 目前员工约 30 人,计划今年 12 月或明年年初在深圳或者南京进行其国内的首次路测。

相关阅读:专题《自动驾驶圈地赛