環(huán)宇智行發(fā)布雅典娜自動駕駛軟件系統(tǒng)

2018年9月17日，武漢環(huán)宇智行在上海發(fā)布了雅典娜（ATHENA）自動駕駛軟件系統(tǒng)，旨在提供高性能AI計算和算法，完美解決感知和決策的適用性和可靠性。

這套系統(tǒng)集成了高精度地圖、圖像識別、決策控制、路徑規(guī)劃等多項功能，同時也囊括了虛擬仿真技術，為自動駕駛技術的升級、測試提供技術的保障。

虛擬仿真技術

在對圖像的識別中，自動駕駛系統(tǒng)需要通過視覺感知，分辨出不同的物體，比如蘋果、橘子、斑馬、山巒、建筑物等等，傳統(tǒng)的方法是通過深度學習，對樣本庫不斷的訓練，實現(xiàn)認知能力的提升。

這種方式非常有賴于樣本庫的完善，但樣本庫實際上來源于一些著名的數(shù)據(jù)集，這些數(shù)據(jù)集能夠提供大部分場景下的物體形狀、顏色等等，但對于少見的物體覆蓋不全?；诓煌暾臉颖編煊柧毘龅纳疃葘W習模型，認知能力自然也會打一個折扣。

但自動駕駛不能打折扣。

ATHENA系統(tǒng)有一套虛擬的仿真系統(tǒng)，可以實現(xiàn)對象變形、場景變化，及同一物體的顏色、背景環(huán)境等都可以通過參數(shù)進行調(diào)整。從而實現(xiàn)不用采集大量的數(shù)據(jù)樣本，就可以訓練到原本沒有的物體識別。

要實現(xiàn)自動駕駛汽車的量產(chǎn)部署，需要一種能夠在數(shù)十億公里的行駛中進行測試和驗證的解決方案，以保證應有的安全性和可靠性。因此，系統(tǒng)除了圖像數(shù)據(jù)庫的虛擬仿真，還可以仿真不同的道路環(huán)境、障礙物、車輛動力參數(shù)等等。

系統(tǒng)具備HIL（Hardware-in-the-Loop，硬件在環(huán)）、SIL（Software in loop，軟件在環(huán)）、VIL（Vehicle-in-the-Loop實車在環(huán)）、Test track、Public road的能力。

HIL通過實時處理器運行仿真模型來模擬受控對象的運行狀態(tài)，通過I/O接口與被測的ECU連接，對被測ECU進行全方面的、系統(tǒng)的測試。

從安全性、可行性和合理的成本上考慮，硬件在環(huán)測試已經(jīng)成為ECU開發(fā)流程中非常重要的一環(huán)，減少了實車路試的次數(shù)，縮短開發(fā)時間和降低成本的同時提高ECU的軟件質(zhì)量，降低汽車廠的風險。

對汽車進行真實的嵌入式控制系統(tǒng)測試往往非常復雜、成本昂貴而且非常危險。HIL仿真可讓工程師在虛擬環(huán)境中高效、全面地測試嵌入式設備。

SIL是一種等效性測試，測試的目的是驗證代碼與控制模型在所有功能上是否完全一致。其基本原則一般是使用與MIL完全相同的測試用例輸入，將MIL的測試輸出與SIL的測試輸出進行對比，考察二者的偏差是否在可接受的范圍之內(nèi)。

VIL是指將系統(tǒng)集成到真實車輛中，并通過實時仿真機及仿真軟件模擬道路、交通場景以及傳感器信號，從而構成完整測試環(huán)境的方法，可實現(xiàn)系統(tǒng)功能驗證、各場景仿真測試、與整車相關電控系統(tǒng)的匹配及集成測試。

與傳統(tǒng)的硬件在環(huán)（HIL）測試相比，VIL由于用真實車輛替代了車輛模型，從而很大程度上提高了被測控制器性能測試結果的精確度；與實車測試相比，由于將實現(xiàn)復雜且難以復現(xiàn)的交通場景用仿真的方式來實現(xiàn)，可以快速的建立各種測試工況，工況的可重復性使得系統(tǒng)算法的快速迭代開發(fā)成為可能?？傊?，VIL彌補了實車測試與HIL測試之間的鴻溝。

環(huán)境感知

環(huán)宇智行技術負責人謝興認為：3D感知與異質(zhì)數(shù)據(jù)融合是高等級自動駕駛復雜感知的方向。

傳統(tǒng)的環(huán)境感知是2D視角，對物體的識別不夠全面。如果要完整的識別物體，需要從不同的方向，查看物體的狀態(tài)以及形態(tài)。

因此，未來物體識別的方向，一定是朝著3D的方向發(fā)展，通過不同角度獲取物體的數(shù)據(jù)，從而構建出物體實際形態(tài)的真實模樣。

2D走向3D的過程，少不了三維點云的數(shù)據(jù)，但目前的點云數(shù)據(jù)，具有一些特點：

1、無序性，數(shù)據(jù)很難直接通過End2End模型處理；

2、稀疏性， 大概只有3%的像素才有對應的雷達點，極強的稀疏性使得點云高層語義感知尤為困難；

3、信息量有限，本質(zhì)是對三維世界幾何形狀的低分辨率重采樣。

三維點云深度學習模型有基于體速網(wǎng)絡的VoxelNet、VoxelNet++、多尺度融合，基于點云的PointNet、PointNet++，還有基于圖的學習模型。

自動駕駛環(huán)境感知還有賴于深度學習的異質(zhì)數(shù)據(jù)特征表示、面向大數(shù)據(jù)的特征選擇、智能駕駛環(huán)境感知。

其中，面向大數(shù)據(jù)的特征選擇，需要通過搜索的策略，產(chǎn)生候選特征子集，每個特征子集通過一定的軟件算法篩選。然后自動駕駛通過選擇特征子集，形成ＭＬＰ網(wǎng)絡，實現(xiàn)分類和定位，并最終得出結果。

整個感知的過程，非常依賴于深度學習的模型，以及卷積神經(jīng)網(wǎng)絡，把抽象＼非線性的環(huán)境細化成多層＼深度的特征元素。環(huán)宇智行的學習模式是體素深度網(wǎng)絡模型，包含RPN(RegionProposal Network)區(qū)域生成網(wǎng)絡、Convtion Middle Layers、Feature Learning Network。

決策規(guī)劃、服務應用

自動駕駛系統(tǒng)具備了環(huán)境感知、高精定位等能力后，還需要進行決策規(guī)劃。這方面公司是通過Mission-level Planning、Behavior-level Planning、Trajectory-level Planning三個方面實現(xiàn)的。

雅典娜軟件系統(tǒng)，在感知軟件算法、決策規(guī)劃、數(shù)據(jù)、地圖仿真都提供了成熟的解決方案，可以為自動駕駛公司、OEM提供技術上的幫助。客戶可以通過提供數(shù)據(jù)，得到仿真結果，或者相應的測試報告。

公司也可以提供各種API接口、SDK給到用戶，讓用戶實現(xiàn)豐富、定制化的應用。