抛开激光雷达,像Uber那样众筹也能造出自动驾驶高清地图

2018 年 1 月 15 日 机器之能 Steven Levy

Mapper 相信,其可以通过复杂的建模和数据压缩技术,借助众筹力量捕捉数据,从而达到与激光雷达一样的效果。


编译 | 王宇欣

作者 | Steven Levy

来源 | Wired


上个月,我开车去旧金山的教会去兜了兜风。那时是上午晚些时候,路上没有太多车。


我可以顺着小巷肆意地开,避开了并排停着的运钞车,在工地周围转悠。这次简短的兜风就像一次漫无目的外出。我开出的每一厘米,遇到的每一个景物,甚至为了避开布林克卡车所越过的每一条双线,都被装在挡风玻璃顶上(后视镜正上方)的设备记录了下来。

不久之后,绝大多数人都会在他们的汽车上安上这个小玩意儿,赚一些外快。渐渐地,为下一个伟大的众筹项目贡献自己的力量:构建一份详尽并且不断更新的世界道路地图,被逐渐增多的自主驾驶汽车读取。

该设备由旧金山一家名为 Mapper 的初创公司制造,历经一年的开发后,Mapper 推出了这款设备。该地图与加油站里传统的折叠单大不同,与谷歌和苹果设计的替代品也不尽相同。该地图的使用对象是机器,而非人类。

地图都是经过渲染的,由发光的像素组成。其中,目标、车道和交通信号都用大致的形状和鲜明颜色加以表示。这些地图属于未来,据说,也是价值数十亿美元市场的基础——自主驾驶汽车的运行离不开这类地图。


「作为人类,如果我们被蒙住眼睛带到一个新的地方,我们会找到我们身处的方位——这是数百万年来引导我们意识的常识,」Mapper 的 CEO Nikhil Naikal 说。


「另一方面,一台机器需要大量最新的三维地图数据来预测拐角可能出现的事物。这就是我们发布的一种地图。」

如今,测试自动驾驶汽车的公司——比如 Waymo(从谷歌的研究部门分离)、UBer、通用汽车等——都在构建自己的地图。


这是一个非常艰巨的过程:人们需要驾驶配备有成熟的激光雷达(激光和雷达的结合)的汽车,在指定的街道跑着,上传路沿高度、消防栓和车道等信息。这些车辆就像被地图测量区域围起来了一样;Waymo 汽车的自主驾驶模式只有在地图测量区域才会启动。

Mapper 的解决方案是召集一支兼职工作者队伍来收集数据,这些数据将逐渐积累成为及时更新的庞大的「基础地图」,并用于自主驾驶汽车。可以以这种方案代替 Uber 和 Lyft 收集数据方式。

Mapper 的计划关键就在于,它可以在不使用激光雷达的情况下创建高分辨率的三维地图。造价昂贵且使用要求苛刻的激光和雷达的结合品,在汽车导航和构建地图方面,都是标配。


Mapper 的创始者是工程系的博士,曾经参加过 DARPA 挑战赛,还创建了一家室内绘图的公司 Flyby Media(被苹果收购)。Mapper 相信,其可以通过复杂的建模和数据压缩技术,借助众筹捕捉数据,从而达到与激光雷达一样的效果。

Mapper 创造了一个股骨大小的塑料设备 S1,该设备装有多个摄像头和传感器,可以通过仪表盘和一根与之连接的电缆从而连接到电源的打火器。该设备还能与驾驶者的 iPhone 无线同步。


「该设备的造价是 350 美元,都是由一些普通的部件组成的,经过我们的设计这个设备可以轻易地安装在任何一辆车上。」Naikal 说。

安装后,Mapper 的应用会指引驾驶者通往一条预定的道路,并说明以多快的速度通过。再确切一点,以多慢的速度通过——Naikal 表示,地图测量阶段的最佳速度在每小时 10 英里到 30 英里之间。(Mapper 在考虑发布一款保险杠的贴纸,来检测车辆行驶缓慢的原因。)

旧金山 Mapper 办公室内部景观

Mapper 没有希望其驾驶者全职工作;Naikal 表示严格按照公司应用工作超过 4 个小时都会造成「认知超载(cognitive overload)」。理想情况下,其驾驶者一次使用应用程序的时间在一个或两个小时。


此外,当没有从应用中获得指示时,驾驶者可以保持系统的开启状态,Mapper 将会从其路线中收集数据。(这种被动的模式同样会获得回报,只不过小得多。)

「任何人都可以把这个当做一个副业来挣点外快,」Naikal 说。「可以是建筑工作者;可以是街上任意一个人,想要做点酷的事并且还会因此得到报酬。」

因为 Mapper 提供价值大多在于更新地图——城市街道至少需要一周更新一次来反应其构造、新的交通模式甚至是长高的草——这是一项持久性的工作。


Mapper 的首席产品官 Jonathan Glanz 估计,当公司规模扩大时,至少需要一万名地图探测者来维持其基础地图,数字上仍远小于 Uber 的十万名地图探测者。

「我们不需要那么庞大的车队,我们可以选择构建地图的任务,」Mapper 首席技术官 Alonso Patron 说道。一旦创建了基础地图并保持更新,「它就像是一个有生命的组织,」Naikal 说。

Mapper 可以将产品授权给客户,比如汽车制造商、运输服务商或者 Uber,甚至可以是科技公司,比如 Apple 和 Waymo。


这些客户的共同点在于:他们目前都在出钱搭建自己的地图,为了实现全覆盖都将会支出大笔的钱。并且 Naikal 说,他们不愿意与彼此分享数据。丰田公司为什么会相信福特的数据呢?如果公司想要根据其需要自己定义地图,Mapper 将会进行相应调整。


「我们想要拥有一份基础地图,」Naikal 说。「我们着眼于构建自己的核心基础图层,拥有数据,使数据适应所有情况。」


当客户有特殊需要时,他们可以将自己的数据发送给 Mapper,公司将在基础地图之上构建新的图层。

去年早些时候,在亚历山大老城和弗吉尼亚测试了系统后,Mapper 正在忙于收集旧金山的道路数据,希望在感恩节前完成城市的基础地图。


接下来的 14 个月,地图测量将会转移至其他城市并拓展到海外的城市中心。在那之后,公司将会转向乡村地区,最终完成世界道路地图的绘制,这样,自动驾驶汽车无论在哪都将会有数据指路。


一旦 Mapper 发展了自己的基础地图,其不仅可以从自动驾驶汽车制造商手中获得利益,还可以从其他想要使用世界上最详细的道路地图的客户手中获得收益:公共机构维持基础设施、保险公司。甚至是增强现实企业,他们也许想要用一系列个性化广告来转换你的公路之旅。

「这可能是一个我们没有考虑到的用例,」Naikal 说。

Mapper 不是唯一具有这些野心的公司。就像突然交通堵塞,一大群竞争者蜂拥进了三维绘图这一领域,每一个都有着自己的方法但是都想变成机器人领域的 Rand McNally。

「人太多了,」DeepMad 的 CEO James Wu 表示,James Wu 从风险投资如 Andreessen Horowitz 和 Accel 处获得 32,000,000 美元的投资。Wu 的公司同样使用众源包作为其数据之一,亦即收集策略。

去年冬天,一个孵化器公司 Lvl5 同样为驾驶者的地图测量提供报酬,仅仅需要将手机固定在仪表盘上并且通过内置的摄像机捕捉数据。

Lvl5 的 CEO Andrew Kouri(之前供职于 Tesla)表示,如果将足量驾驶员投放在道路上,经过 6 到 12 次的探测,Lvl5 将拥有足够好的信息来使用其算法将该道路添加至地图中。Lvl5 为驾驶者支付每英里 1 到 5 美分的报酬,但并不会为其指明道路。

「我们使用了很多 Uber 的驾驶者,」Kouri 表示。

另一个公司 Civil Maps 使用了最昂贵的顶式收集设备,这样,该领域的开发者就可以对其众源基础地图作出贡献。(福特提供资金支持的)Camera 公司与其它运营车队的公司通力合作,旨在「将自主驾驶汽车数据民主化」。


从诺基亚中分离的 HERE 是该领域最强大的公司之一。其创建了名为 Sensoris 的平台,该平台可以从其多个合作伙伴中接收数据。这些公司都希望在胜利圈中占有一席之地,然而只有一家能够成功。

Mapper 相信,在规模和质量上独特的结合可助其获得胜利。

「显然,让其中一个参与者做到这点会使每个人都达到最佳利益。」Lvl5 的 Kouri 说。现在,很难说谁占据了优势。大家都在争夺主要客户,尤其是汽车制造商。我与一家考虑与 Mapper 进行试验项目的重要潜在客户 CEO 谈了谈。

「很难利用摄像机来代理激光雷达的工作,它涉及到专门的知识和经验,」他说。「我不知道是否有人可以完成 Mapper 的工作。早期的工作证实了 Mapper 可以完成这类工作。」

如果基本地图被底特律市采纳,那些科技公司自己为什么不签约呢?比如,Waymo 表示,其地图绘制正困于研发情况,一旦系统成熟,也许会考虑将工作外包。

但是,仍然不能确定哪家公司能成为最终定义世界上自动驾驶汽车的地图绘制者,看起来,我们都对这个领域做出了贡献。

虽然 Mapper 的创始者没有直接说明,但是那些现在跟随公司严苛的指令赚取报酬的 10,000 名兼职工作者,将会逐渐消失。在未来,当内置的、面向道路的摄像机变成汽车的标配,Mapper 无疑会使用那些相机。基本上,我们都将会有执行 Mapper 的 S1 功能的技术,并且这些技术可能在默认情况下是开放的,所以我们可以免费做这项工作。

为了填补无法被配有摄像头的车辆可靠发现的区域,Mapper 仍旧使用合同工来跟踪道路情况,并忽视跟在身后那些没有耐心的司机。

当自动驾驶汽车的时代到来,他们自然会跟接受 Mapper 的指示。无论是谁收集数据,机器都将会得到它们的地图。


往期文章


大公司:微软亚马逊阿里百度腾讯英伟达苏宁西门子浪潮


创业公司:商汤科技依图科技思必驰竹间智能三角兽极限元云知声奇点机智景驰科技思岚科技追一科技海知智能出门问问钢铁侠科技体素科技晶泰科技波士顿动力弘量研究小源科技中科视拓


人物报道:吴恩达陆奇王永东黄学东任小枫初敏沈威肖建雄司罗施尧耘


自动驾驶:传统变革Uber图森未来速腾聚创驭势科技全球汽车AI大会


应用场景:金融医疗法律新零售网络安全


商业地理:加拿大匹兹堡瑞士

 

登录查看更多
0

相关内容

最新《深度学习自动驾驶》技术综述论文,28页pdf
专知会员服务
153+阅读 · 2020年6月14日
【牛津大学&DeepMind】自监督学习教程,141页ppt
专知会员服务
179+阅读 · 2020年5月29日
华为发布《自动驾驶网络解决方案白皮书》
专知会员服务
125+阅读 · 2020年5月22日
【CVPR2020-Facebook AI】前置不变表示的自监督学习
专知会员服务
46+阅读 · 2020年4月19日
专知会员服务
123+阅读 · 2020年3月26日
深度学习技术在自动驾驶中的应用
智能交通技术
26+阅读 · 2019年10月27日
自动驾驶高精度定位如何在复杂环境进行
智能交通技术
18+阅读 · 2019年9月27日
安利两款强大的三维场景可视化软件
智能交通技术
8+阅读 · 2019年5月1日
自动驾驶汽车技术路线简介
智能交通技术
15+阅读 · 2019年4月25日
自动驾驶车载激光雷达技术现状分析
智能交通技术
17+阅读 · 2019年4月9日
自动驾驶汽车决策层算法的新方向
智能交通技术
7+阅读 · 2019年4月6日
深度学习在自动驾驶感知领域的应用
AI100
11+阅读 · 2019年3月6日
无人驾驶汽车
劲说
6+阅读 · 2016年8月26日
Arxiv
12+阅读 · 2019年1月24日
3D-LaneNet: end-to-end 3D multiple lane detection
Arxiv
7+阅读 · 2018年11月26日
Arxiv
5+阅读 · 2018年10月4日
Arxiv
7+阅读 · 2018年4月11日
VIP会员
相关资讯
深度学习技术在自动驾驶中的应用
智能交通技术
26+阅读 · 2019年10月27日
自动驾驶高精度定位如何在复杂环境进行
智能交通技术
18+阅读 · 2019年9月27日
安利两款强大的三维场景可视化软件
智能交通技术
8+阅读 · 2019年5月1日
自动驾驶汽车技术路线简介
智能交通技术
15+阅读 · 2019年4月25日
自动驾驶车载激光雷达技术现状分析
智能交通技术
17+阅读 · 2019年4月9日
自动驾驶汽车决策层算法的新方向
智能交通技术
7+阅读 · 2019年4月6日
深度学习在自动驾驶感知领域的应用
AI100
11+阅读 · 2019年3月6日
无人驾驶汽车
劲说
6+阅读 · 2016年8月26日
Top
微信扫码咨询专知VIP会员