[论文解读] Computing Systems for Autonomous Driving: State-of-the-Art and Challenges

Liangkai Liu, Sidi Lu+5 more|arXiv (Cornell University)|Sep 30, 2020

Autonomous Vehicle Technology and Safety参考文献 202被引用 25

一句话总结

本文全面综述了自动驾驶计算系统的技术现状，识别出七项性能指标和九项关键技术，这些是实现实时、可靠决策的关键。文章列出了十二项关键挑战，涵盖从感知鲁棒性到人机交互的各个方面，突出显示当前系统与 SAE Level 4/5 自动化要求之间的差距，强调通过集成的网络物理设计和 V2X 通信提升安全性和系统可靠性。

ABSTRACT

The recent proliferation of computing technologies (e.g., sensors, computer vision, machine learning, and hardware acceleration), and the broad deployment of communication mechanisms (e.g., DSRC, C-V2X, 5G) have pushed the horizon of autonomous driving, which automates the decision and control of vehicles by leveraging the perception results based on multiple sensors. The key to the success of these autonomous systems is making a reliable decision in real-time fashion. However, accidents and fatalities caused by early deployed autonomous vehicles arise from time to time. The real traffic environment is too complicated for current autonomous driving computing systems to understand and handle. In this paper, we present state-of-the-art computing systems for autonomous driving, including seven performance metrics and nine key technologies, followed by twelve challenges to realize autonomous driving. We hope this paper will gain attention from both the computing and automotive communities and inspire more research in this direction.

研究动机与目标

• 分析自动驾驶计算系统当前的最先进技术，重点关注软硬件与通信的集成。
• 识别并定义七项关键性能指标，用于评估自动驾驶系统。
• 综述九项关键技术，支持自动驾驶汽车实现实时感知、决策与控制。
• 揭示早期自动驾驶汽车部署中真实世界事故所暴露的安全差距。
• 概述实现可靠、稳健且安全的 SAE Level 4/5 自动驾驶的十二项主要挑战与机遇。

提出的方法

• 将计算系统分类为基于模块化与端到端的架构，分析其设计权衡。
• 提出七项性能指标——延迟、准确性、可靠性、安全性、可扩展性、能效与容错能力——用于评估自动驾驶系统。
• 综述九项核心技术：传感器融合、用于感知的深度学习、SLAM、运动规划、控制算法、V2X 通信（DSRC、C-V2X、5G）、硬件加速（GPU、TPU）以及实时操作系统。
• 分析五起 Level 2 自动驾驶车辆事故的真实世界数据，识别出根本原因，主要为感知故障与人类行为预测能力不足。
• 评估实验平台如 CARLA、dSPACE，以及开源系统如 HydraOne 和 DragonFly，以实现成本效益高的研发。
• 倡导在感知、控制、车辆动力学与线控系统之间进行跨层优化，以提升人机舒适度与系统鲁棒性。

实验结果

研究问题

• RQ1 哪些关键性能指标定义了自动驾驶计算系统的有效性和可靠性？
• RQ2 当前计算系统架构（模块化 vs. 端到端）如何影响真实道路驾驶中的系统性能与安全性？
• RQ3 支持自动驾驶汽车实现实时决策的主要技术使能者（如深度学习、V2X 与硬件加速）有哪些？
• RQ4 为何感知故障与对人类行为的误判仍是早期自动驾驶汽车部署中的关键故障点？
• RQ5 实现稳健、安全且可扩展的 SAE Level 4/5 自动驾驶系统面临的最紧迫挑战是什么？

主要发现

• 2016 至 2019 年间，五起涉及 Level 2 自动驾驶车辆的致命事故，主要由感知故障（如未能检测到卡车、隔离栏或半挂车）或无法预测行人行为引起。
• 目前大多数 Level 2 系统的实地测试集中在有利环境（如亚利桑那州、佛罗里达州），表明其在复杂真实交通环境下的性能存在显著差距。
• 基于模块化的系统在当前自动驾驶汽车设计中仍占主导地位，支持模块化设计与跨多样化工程团队的协作。
• V2X 通信（DSRC、C-V2X、5G）为机器-人类交互提供了比行为预测更可靠的替代方案，支持直接的安全信息交换。
• 实验平台如 CARLA、dSPACE，以及开源系统如 HydraOne 和 DragonFly 显著降低了研发成本，并支持可扩展的测试。
• 感知、控制、车辆动力学与线控系统之间的跨层优化，对于实现自动驾驶车辆控制的安全性与人机舒适度至关重要。