在自动驾驶圈存在一条隐含的技术鄙视链:L4 复杂城区RoboTaxi 瞧不起L4 高速物流卡车简单场景 认为L4特种车辆没有技术挑战(包括MiniBus、环卫、物流及矿山等);同样还有一条产品鄙视链:L4特种车辆快速落地 认为L4 高速物流卡车短期内难以产品化 认为L4 RoboTaxi产品化遥遥无期。

　　以上观点为戏谑打趣之言,但也基本反映出从业者及行业外人士的一个大致观点。或许在未做蜗小白产品之前我也持有这种观点,但随着小白量产及数百台的投放应用,不断地接受到市场及用户的千锤百炼,才意识到认为“L4特种车辆没有技术挑战”是一种天真的技术思维,不知道做一个真正能用产品是多么复杂。

　　以下列举几张图是蜗小白在运营经常遇到的场景(注意:是经常遇见,不是Corner Case),随意感受下:

　　从技术及算法挑战而言,这种需要适应任何天气温度、非结构化道路、非交通规则约束、非人为受控场景远比结构化道路高速无人驾驶及室内机器人要大许多。不仅如此,为实现正向商业模型,整车BOM成本要控制在万元级别,常规使用的寿命则要达4-5年(部分耗材视情况做更换)。因此,在质量、成本、供应链等多种约束条件,数百台车辆每日工作6小时之后,累计无人驾驶里程达数十万公里,将蜗小白活活“倒逼“成为地表最强无人驾驶扫地车辆。

　　同时作为一台替代或减轻人工作业的自动化车辆,最优目标为全车身架构及模块都专为无人驾驶设计的全新物种,而不是在现成清扫车辆上进行改装。一个最易懂的例子为前者无需考虑驾驶员座位空间,因此可设计为水箱或电池空间来增加有效作业半径,而后者处处受制于为“驾驶员需求”约束。在当前全世界范围内同种类型的产品中,蜗小白属于前者,其它属于后者。对于电子电器架构及传感器设计,更是需要紧密围绕无人驾驶+清扫两个要求来协同设计,以提升产品功能及质量,从这个意义上来讲蜗小白一定是世界上首台产品级无人驾驶专用清扫车辆。

　　本系列文章将对蜗小白技术及质量等能力做全面介绍,其目标为让客户及行业朋友更了解蜗小白,也希望能提出更多有益建议帮助小白发展(当然也希望介绍更多客户啦)。

　　车顶16线激光不仅负责障碍物检测识别,还承担激光SLAM定位;同样,前向视觉也同时负责障碍物检测识别及视觉SLAM工作;环视广角负责远程监控及平行驾驶。

　　整车传感器均按照车规级要求设计,视觉、超声波等传感器均选用量产乘用车供应商产品,满足高低温及环境各项严苛要求。

　　按照乘用车电子电器架构设计思路,将蜗小白分为以下域:无人驾驶域、动力系统域、车身系统域、转向系统域、清扫系统域及信息系统域。其中:动力、车身、转向及信息属于支撑域,无人驾驶及清扫属于功能域。

　　这种多域架构好处在于可以分工协调,让各个方向专家协调作战。同时也能够准确的看出,蜗小白虽小,但五脏俱全,整车系统包括多个总成及上千个零部件,对质量和品控有极高要求,否则上层AI算法再先进也只有歇菜。

　　各个域分别对应域控制器、网络通信及外设接口,目前智行者低速无人驾驶计算套件已形成标准化套件产品LADS,下图中左脑即为域控制器集群,右脑则为软件及算法套件。

　　下图为各域包括的控制器,以无人驾驶计算单元AVCU为核心,形成系列化的域控制器组,提供全面的自主移动解决方案,最大限度地加速客户产品化落地的速度。具备模块化、可裁剪、易集成和可拓展等特点。

　　沿用汽车零部件设计开发流程,秉承车规级的高标准和高品质,权威机构认证,保证复杂和极端环境下的高可靠性。

　　LADS适合于多种低速车辆,包括环卫、物流及安防等,是跨平台的独立计算套件,接口丰富,可当作货架产品给客户提供,有合作兴趣伙伴可选购采用。

　　对于传统量产车辆,线束接口设计及质量很重要;但在无人驾驶圈,可能是最容易忽略的部分。

　　在蜗小白正向设计中,线束设计均采用乘用车级别设计流程,采用线束原理图设计,整车线D图纸输出加工。如下图所示,蓝色线束即为整车线束,全部采用采用车规级连接器,安全可靠,并进行干涉校核及工艺性校核来保障质量。所有线束全部由专业的车规级供应商进行生产,采用专业导通台进行100%检验。

　　举个栗子,常规Velodyne激光的电源及接口是下图这样子的,这种普通电源及网口显然是无法胜任长时间震动应用环境,相信这也是许多无人驾驶研发者遇到的问题。

　　但在量产车型里显然不能采用这种方案,智行者同Velodyne一起设计车规级接插件来保证绝对可靠性,这也是全世界内Velodyne 16线激光雷达第一次大范围进行车规级接插件设变及应用。

　　目前蜗小白已100% 完成车规级接口设计及供应商配合改进工作,在最新量产版本中下线车辆将不包括一条消费级USB、网口及电源等接口,最大限度保证数据传输可靠性。

　　PS:7月13日,在雷锋网主办的CCF-GAIR 2019 智能交通分会场上,雷锋网新智驾将讨论构建智能交通的核心要素、车路协同、无人驾驶等三个主题展开探讨。