车水马龙的道路上，各种车辆交错汇聚，各种道路状况频出。从行驶缓慢的环卫车到疾驶抢道的出租车、因施工临时封闭的道路、突发的交通事故现场。作为路面上的车辆，是互不相让，还是借道通过，又或者是重新规划路线，到达目的地?这一切都考验着“驾驶者”的应变力及现场决策力。

　　这是去年11月在上海举行的中国智能车未来挑战赛的比赛场景：无人车与人类驾驶的车辆同场竞技，以应对真实交通环境下的种种考验，以证明其自主行驶的能力。在这场比赛中，同济大学“途灵TiEV”智能无人车成功完成了重新规划路线避开拥堵路段，遭遇缓慢行驶车辆的择机超车，以及在封锁路段旁的借道行驶等几项闯关考试，取得佳绩。

　　同济大学“途灵TiEV”智能无人车实验室创立于2015年，隶属于同济大学嵌入式系统与服务计算教育部重点实验室。6年来，“途灵TiEV”智能无人车实验室一直致力于研发L4级全自动驾驶系统。2018年，“途灵TiEV”智能无人车实验室与UCloud优刻得合作，将车智能的核心“驾驶脑”的训练搬上云端，推动智能无人车研发进入新阶段。

　　“驾驶脑”的三道难题

　　从特斯拉到百度Robot-Taxi，自动驾驶车不断走进大众视野，但真正达到“自动驾驶”级的车辆并不多，按照自动驾驶汽车级别划分的标准，大家耳熟能详的特斯拉处于L2级——自动辅助驾驶系统，奥迪A8搭载的是L3级辅助自动驾驶;而百度自动驾驶出租车Robot-Taxi是少数投产的L4级全自动驾驶车辆，但目前只能在特定区域内行驶。

　　要真正实现L4自动驾驶“自由”，关键在于指挥中枢“驾驶脑”的智能程度。目前，同济大学“途灵TiEV”智能无人车实验室正在攻克的课题就是提高L4级自动驾驶技术突破环境局限的能力，这种突破需要将驾驶脑放置在仿真模拟场景下进行大量的极限训练。比如，在夜间隧道行驶，测试自动驾驶车辆能否通过调用多线激光雷达、多线摄像头，毫米微波雷达来识别周围行驶的车辆、行人，并精准判断自己与他们之间的距离，做到及时避让;或者，在信号不好的过江隧道里，自动驾驶汽车能否通过云端传输，顺利定位隧道出口的位置，远程规划行驶方向等等，让驾驶脑在严格的环境考验下“学习成长”。

　　“驾驶脑的训练，需要解决三个核心问题：我在哪?我要去哪?我怎么去?即自主定位，动态路线规划，及障碍规避。”据“途灵TiEV”智能无人车实验室的相关负责人叶晨介绍，只有 “驾驶脑”具备了真实环境下的感知力和应变力，才能真正实现自动驾驶的安全性和舒适性。这离不开海量路况数据支撑下数以万计的训练。

　　上云助力“驾驶脑”成长

　　2018年，同济大学与UCloud优刻得合作，将驾驶脑的学习和训练放到云上。从基础路况数据搜集、在线模拟训练，到上路测试，云都在发挥重要作用。

　　“途灵TiEV”智能无人车实验室启用云端导航服务器，实时同步其他机构发布的交通流信息，充实无人车训练时所需要的基础路况信息数据库。一旦掌握足够数量的路况信息，驾驶脑可进行行驶轨迹、路况障碍，以及潜在事故风险分析和预判，不断进化。比如，识别路口的红绿灯指示，从单纯的竖放红绿灯，到横放红绿灯，再到有树木遮挡的红绿灯，驾驶脑只有通过不断的识别、认知和学习，才能将不同形态的红绿灯统一“标注”为“红绿灯”，正确决策行驶路径。

　　上路测试中，云也在发挥积极作用。在路线规划阶段，驾驶脑的工作分为全局规划导航和局部路径规划。全局规划导航，在提前确认的起点和终点之间规划行驶路径;局部路径规划，即在行驶过程中，针对动态特殊路况，进行即时判断和决策。前者可以依靠云上大数据进行规划，后者则依靠本地计算进行实时动态决策。通过云+本地计算互相配合，以及长途+短途规划相结合，提高驾驶脑的运行效率和决策的精准性。

　　目前，在“途灵TiEV”智能无人车仿真实验中，庞大的数据运转和计算都建立在UCloud优刻得提供的快杰云主机和GPU云服务器基础上，确保“驾驶脑”实现各种极限环境下的高强度训练。

　　在同济大学无人车实验室相关负责人叶晨看来，云是支持自动驾驶进行高强度仿真训练的基础技术，帮助提高自动驾驶应对复杂路况的能力。未来随着5G发展，“驾驶脑”可获取的技术支持也会更多元，这都能帮助自动驾驶技术发展成熟，向真正全自动无人驾驶的未来不断迈进。

推荐阅读：旗龙