“我们把货装到车上，车会自动把货运到飞机旁，其他工作人员只要在飞机旁边等着装机即可。此外，遥控器还可以控制货车的前进方向，比以前轻松多了。”这是首都国际机场引入由长安大学研制的无人驾驶货运车后，为机场装卸人员工作带来的变化，智能驾驶货运系统确保了货物在复杂机场环境中的精准移动与高效对接，提高了机场的货运效率。
不久前举行的2024年华车展上，和智能驾驶相关的技术描绘出一幅未来出行的蓝图。
据《全球智能网联汽车预测报告(2020—2024)》预测，今年全球出货的汽车中超过71%的新车将搭载智能网联系统，市场正在日趋成熟。在华车展论坛上，不少与会专家也认为，汽车产业上半场是新能源汽车，下半场是智能网联汽车，感知、决策、执行等环节都在进行智能化升级，实现车与车、车与路、车与人、车与云之间的全方位互联互通。
测试场景“随机”可控
智能汽车的“目标”绝不能仅仅是行驶在空无一人的街道上，突如其来的行人、复杂的交通信号灯、恶劣的天气条件……在这样的交通环境中，智能汽车必须要作出最优决策，才能保障乘客的安全，符合人类的驾驶习惯和预期。多智能体仿真系统，正是为了模拟这些复杂多变的交通环境而诞生，简而言之，就像智能驾驶的“超级大脑训练场”。
为汽车、无人运输等领域提供智能驾驶整体解决方案的北京经纬恒润科技股份有限公司产品架构师石璐解释说，智能体仿真系统利用多个智能体(虚拟世界中的小车、行人、交通灯等)模拟真实的交通环境，这些智能体之间会进行复杂交互，模拟出各种可能遇到的交通场景，从而测试和改进智能驾驶系统的算法。
在这个过程中，系统还具备一个强大的功能——可控“随机”仿真，也即在仿真测试时，每次测试的场景都是独一无二的，既有随机性又有人为设定的可控性。这种方式可以大大提高测试的覆盖率和效率，确保智能驾驶系统在面对各种未知情况时都能从容应对。
“请生成十字路口的智能驾驶测试场景，在此场景中，需要测试物体识别可行驶区域探测、红绿灯。”根据对输入语言的理解，系统会生成红灯变绿、左转车流、车辆闯红灯等各种十字路口的场景。
据记者了解，在“场景规划”中，有泥泞路面、反光路面、车道线模糊等场景，针对这些场景训练智能驾驶车辆，并根据知识库生成场景建议。比如反光路面会干扰车辆对周围环境的正确识别，因此重点在于提高视觉感知系统的鲁棒性，训练车辆识别并忽略无效信号，确保车辆能够准确感知周围环境并作出正确决策。
石璐介绍，基于3D重建的感知闭环仿真也是该系统的一大亮点，利用先进的3D重建技术，将真实世界的场景高精度地还原到虚拟世界中，智能驾驶系统就可以在更加接近真实的环境中测试，进一步提高其感知能力和决策准确性。
数据闭环成为核心竞争力
每一次训练，都被悄无声息地记录并转化为宝贵的数据，每一次数据的累积，都在为智能驾驶的进步添砖加瓦。
数据，打破了传统汽车制造中硬件与软件间的壁垒，让智能驾驶技术能够像生物体一样，通过不断“学习”和“进化”提升性能。智能驾驶车辆需要通过不断收集、处理和分析实际行驶中的数据，来优化其感知模型和决策算法，这种“学习—反馈—优化”的循环过程，就是数据闭环的核心所在。
比如小鹏汽车的城市NGP智能驾驶系统，通过车端众源自动建图和实时更新机制，不仅确保了数据的自主可控，还极大提高了数据的利用效率。
“如果说1.0和2.0时代的汽车由硬件和软件驱动，那么3.0时代的汽车将由数据驱动，从而形成智驾技术代际差。”在自动驾驶感知决策算法与数据服务商觉非科技创始人刘斌看来，当智能驾驶进入城市，建图/数据闭环能力将成为核心竞争力，“在城市NOA场景中，智能驾驶汽车识别各种复杂的路况和障碍物，需要依靠大量的数据进行训练和优化。而数据闭环能让这些数据‘活’起来，不断循环使用，从而提升智能驾驶的精度和稳定性。”
觉非科技构建了基于BEV感知结果的城市道路数据闭环方案，可以满足城市NOA、记忆通勤、泊车和大模型训练的需要，“我们的数据引擎有两个特点，第一是跨终端平台的部署便捷性，第二个是与底层硬件解耦的灵活性，这也是数据中台必须具备的特点。”刘斌介绍，数据闭环需要高度自动化的数据处理流程，以确保数据在采集、传输、存储和处理过程中的安全性。
无人驾驶货运车“征服”运输
2022年2月，中国民航局发布的《“十四五”航空物流发展专项规划》提到，推广应用智能设施，例如支持智能分拣、智能装置、智能仓储等航空物流设施建设，鼓励应用无人驾驶智能卡车、自动导引车、智能穿梭车、无人机等智能化运载设备。
除了首都国际机场，四川广汉机场也和长安大学合作，在机场采用了多车协同的方式，不仅没有降低运输效率，而且基于自身合理规划路径的能力，有效避免了拥堵。
感知模块是智能驾驶流程中的第一环，也是将物理世界与车机大脑相连接的重要一环。要推进社会物流降本增效，亟待开发新型的智能驾驶感知与决策方法。
长安大学汽车学院教授韩毅曾和团队一起调研全国各地15家涉物流运输企业，包括机场和港口，他表示，目前行业内存在人工依赖强、效率低灵活性低、感知弱等痛点，“比如机场仓库内空间狭小，货物装卸依靠叉车，危险系数大。此外，把货物从仓库运至飞机，需要叉车先将货物运至一级库，再由转运车运至飞机，流程复杂，管理难，效率低下。”
在韩毅看来，无人驾驶货运市场的需求量呈现出快速增长的趋势，但目前市场上仍缺乏针对机场、码头等特定场景的定制化无人货运产品，这些场景是物流运输的重要节点，作业环境复杂多变，对无人驾驶货运车辆的自主导航、环境感知和避障能力等要求更高。
目前的无人驾驶货运车仍保留传统转向结构，行进模式少且转向半径超过5米，不能适应机场仓库内部的拥挤环境。而且无人驾驶货运车的感知算法并未针对机场场景优化，无法保障货运过程安全。”韩毅带领团队用激光雷达、惯性导航等构建无人驾驶货运车融合互补的感知系统，通过多源异构数据融合算法，实现信息高效准确提取，提升了无人驾驶货运车在不同场景的适应性。
如今，无人驾驶货运车还应用于工业园区、港口等场景中，相关负责人表示，每台无人驾驶货运车每天货运量超过50吨，比人工货运单车货运量增长50%，且可以节省35%的成本。
本文来源于IT时报出自物流时代周刊，不代表九州物流网(http://www.wl890.com)观点，如有侵权可联系删除，文章所用图片来源于网络，文章图片如有侵权可联系删除。