L4公司，凭啥做得好L2/3？( 三 ) 车东西（公众号：chedongxi）作

另一方面， L4公司在做L4时经常依赖高精地图来做感知，但L2+产品上车量产后，由于场景覆盖面大大增加，因此车辆也会经常面临缺失高精地图的情况。那么L4公司怎么去解决了这一问题？
李璇介绍，文远知行在这方面是通过在地图模块中利用感知结果动态构建地图，并和离线地图融合的方式去解决这一问题。这样的融合地图可以支持自动驾驶系统在只有简单导航地图或者没有离线地图的情况下依然可以运行。
做L2+自动驾驶系统，在感知、预测模块中势必会用到大量深度学习算法，而数据又是训练模型的最佳养料。在激光雷达和多传感器融合数据方面， L4公司直接领先了好几个数量级。
以文远知行为例，目前其积累路测里程超过1100万公里，场景库超过400万，标注3D点云物体超过3.1亿，仿真数据值超过86亿公里。采访中，李璇告诉我们：“车厂客户直接对我们说，文远目前积累的这些数据和背后的算法模型对于他们而言是非常有吸引力的。 ”
三、决策部分引入博弈算法更适合城市路况
采用融合感知算法、精准识别各种物体只是第一步。紧接着还需要对其他交通参与者的行为进行预测，才能让系统做出最佳的行驶决策。
自成立之初就扎根城市道路的L4公司，通过大量的测试验证和数据积累，在预测方面形成了极强的算法优势。
在预测方面，文远知行已经可以实现端到端对范围内500个不同的物体8秒之后的轨迹进行预测，并对多条输出轨迹中的每条轨迹预测未来数秒的运动状态，包括速度和加速度的描述。
有了其他交通参与者的行驶轨迹预测结果，接下来就是要做出准确的驾驶决策了。

文章图片
▲文远知行无人驾驶货运车
这方面，传统的L2玩家基本上都采用了基于规则的算法，即遵守一定的道路逻辑和交通法规（例如红绿灯、交通标识、车道线、车辆转向灯等），对周遭少量道路使用者可能发生的若干个行为（如右转、直行、换道），根据高概率的回归结果进行回归优化绘制轨迹。
换句话说，这种规则算法是通过计算道路上的已经被占据的空间，而后去大致确定车辆可用的行驶空间。
事实上，这样的做法更适合美国而非中国的道路。比如在美国郊区，其大部分空间是没有其他车或者行人占据的，每台车辆的可用行驶空间其实是非常宽裕的，所以用这种思路去做预判、决策是合适的。
但是对于中国城区道路，特别是中国一线城市的城区道路，实际每辆车的可用空间是极小的。当自动驾驶车辆遇到密集的车流，在没有人主动礼让的情况下是无法实现成功变道插入的，因此就会导致无法通过自动驾驶开到终点。
因此在这种场景下，就要求自动驾驶车可以用一些强硬而留有安全空间的“挤”的动作——从车流中挤出空间。
这个“挤”就是一个博弈问题：道路上行驶车辆的共同利益都是安全通过，而所有车辆的冲突就是都想先走而节省自己的时间。这种博弈比围棋这种零和游戏更难，因为这是又合作又竞争的博弈。
目前像是文远知行、小马智行等一线L4公司都基于博弈理论打造出了博弈算法，在车辆汇入车流或是无保护左转的场景下表现远超基于规则算法的L2自动驾驶系统。
此外，像是文远知行的L4系统还能够考虑到路上个体意图对于环境带来的影响，并基于此进行预测与博弈，同时也建立了博弈失败时的应对行为，确保无人车驾驶的足够安全。