無人駕駛汽車的眾包基礎數據
2017年12月27日晚8點，蓋世汽車微課堂邀請到了上海語鏡汽車信息技術有限公司CEO 趙龍飛，就「無人駕駛汽車的眾包基礎數據」做了精彩分享。在此，非常感謝趙總在本次微課堂的用心講解和大家的積极參与！以下匯總了本次微課堂焦點內容：
最近很多人都認為激光雷達肯定會戰勝攝像頭這條路線，那我並不能完全的認同。
說這個的理由是特拉斯是第一個實現了無人駕駛量產的一個車型，那麼他也是使用Mobileye的ADAS技術，而且是使用單目的技術。那儘管後面出現了一些事故造成互相撕扯，為什麼會說不認同激光雷達會戰勝攝像頭，是因為現在一個攝像頭的價格是非常非常便宜的，一個雷達都到達幾十萬元，遠比一個車輛還要貴。短期內希望激光雷達能夠成為無人駕駛的主角，我其實並沒有那麼看好。
有些人會說隨著量產化的加大，那麼它的成本會下降。我並不完全認為，因為要看一個產品能不能隨著量產規模而不斷的降低成本，那要看它是否符合摩爾法則。
這標地在電子產品的計算力來提升和產品下降。但是激光雷達到底是不是完全符合這個這個規則，目前還不能確定。不管怎麼說，在傳統地圖和無人駕駛之間都暫時需要一個高精度地圖。
說暫時需要一個高精度地圖是說未來有可能不需要地圖，也不需要高精度地圖。現在先來講一下到底什麼是高精度地圖，這個定義呢，最近被混淆的比較厲害，那我們先看兩個詞，一個是GIS，一個是VP。高精度地圖很可能就不是一個傳統的GIS的精細化。可能是包含了其他更獨特的視覺信息。
說這個事情之前呢，我們先來看一下目前高精度地圖裡面採集的幾種方案，一種是比較高等級的，售價大概在一千萬左右的裝備，上面集成了各種毫米波雷達、激光雷達、多路攝像頭等，甚至雷達也是多個。還包括了半導，包括精細陀螺儀等，那它裝備非常貴，這就註定了說它的裝備不可能有很多量。
那在採集中國整個道路的時候，基本上會很慢，它做為一個DEMO是可以的，但是用來商用基本上速度是不夠的，更談不上更新了。
這些有一部分採用了自動化程序做的，相對來說精度還是很高的。因為它等於是一個測繪。我們能看到這種設備，就是大家現在比較想了解的，叫做雙目ADAS的這樣一個模式，大概在五千塊錢到一萬塊錢的成本左右，那麼像momenta也好， depmotion d也好。現在很多人，比如從微軟啊，清華這些出來的人，其實都想捕捉這個機會。
上面這個ppt裡面提到了這個高精度地圖到底是不是等於更高定位的這個地圖，這個概念就比較拗口，前面是說高德地圖已經積累了這麼多的高精度地圖的基礎數據，後面也就有人反駁說這些東西並不是高精度地圖的全部。
當然高德不這麼認為，因為無人駕駛是一個巨大的金礦，那他是對巨頭來說是不容錯過的。所以現在也提出說也許有一天高德地圖可以為阿波羅賦能。
他到底是一張圖還是一個像？我們看一張傳統地圖的生產它其實是基於地理信息的圖示化。但是高精度地圖並不是這樣的。
要解析的其實是像素，即鮮活的道路實況，那如果說他是一張圖，允許稱呼他是一張地圖的話，其實我們更願意稱呼他是一個地向。那我們也稱為它可能是是一個AI的這樣一個圖像或者增強信息的道路。比起傳統地圖來說，高精度地圖，我們更認為他其實是全部信息的像素。
下面進入問答環節：
Q1：無人駕駛安全這塊怎麼考慮，包含哪些方面？
安全確實是無人駕駛汽車首先要考慮的問題，我們也稱為說安全不是一個剛需，它其實是剛需中的剛需。那正巧這個昨天引用了採訪mobileye的CEO，它說了這樣一段話。
他表示說新型的交通規則必須要能夠編程為演算法。就是規則要變成演算法，這樣自動駕駛汽車才可以嚴格地遵守它，從而在交通事故中自證清白。因為在我們目前文化中人類犯錯誤導致的交通事故是情有可原的，而計算機如果殺了人，則是無法接受的事情。
從創業的開始模仿美國的安吉星，然後到現在，始終都是非常重視安全的，安全我們也成為車聯網的一個起點，那其實他也是無人駕駛的一個終點。
這裡面有主動安全和被動安全的問題。一個無人駕駛汽車可以做到精確的計算讓他不去撞到別人。但是很難保證別人不去撞到它，事實上，現在發生在谷歌無人駕駛汽車上的幾個事故。其實都是別的車輛撞了它，或者說都是在有人駕駛的時候出現的問題。
Q2：車和家的李想說自動輔助駕駛的晶元，及配套硬體2019年下半年才能大規模量產，目前很多同行業人預計達到L4級別的自動駕駛，最快也要2025年才能成熟商用，您怎麼看技術進步的迭代速度？
李想現在在做車和家，可以說是中國至少是新能源汽車的一個派別。本質上就是計算機認知的問題，這個晶元成不成熟，其實某種取決於說使用它的人的多少。用的越多，對它提的條件越多，對它的反饋信息則越多，它成熟的越快。
說到底是L3/L4/L5這樣的一些級別。我們覺得應該客觀地認識到其實不管是哪個級別的，其實都是自動駕駛的一部分，它只是不同的階段而已。
而且還牽扯到一件事情，到目前為止機器學習的路徑，還並不一定是十分正確的。如果說機器學習能夠在更正確的道路或者更多元化進行進步的話，那麼其實智能很快就會實現，或者說真正的這種智能實現，現在都不能叫真正現在智能，只能叫做程序反應。
到2025年才能成熟，我個人其實是沒有什麼看法的，我也不做預測，那麼我認為到底什麼時候能夠實現這個L4或者說全自動的駕駛，這個其實取決於我們的人工智慧進步有多快。
Q3：V2X目前的網路上，是會採取DSRC還是LTEV還是即將到來的5G？
這個問題其實問到了一個非常重要的事情，因為我本人過去幾年就是做移動通訊的。我是這麼看的啊，這裡面有兩個問題，一個是現場問題，一個是遠程問題，是終端問題還是雲端問題。
目前來看這個無人駕駛汽車所產生的數據，基本上很難傳走。完全傳走幾乎是不可能的。那麼這裡面也能看到說到底最先思考無人駕駛汽車的這些人就想了這種辦法，說我能不能在道路上給予輔助信息。
Q4：自動駕駛和高級駕駛輔助是交互的還是完全替代呢？基礎設施建設不足和複雜的城市路況是否是無人駕駛目前難於逾越的障礙？
其實從發展無人駕駛汽車的這個科技歷史來看的話，寄託希望於道路基礎設施的改變，然後能夠輔助無人駕駛汽車，這個其實是成本最高的，也可以說是最慢的，或者說是投資回報完全不合比例的。
有些道路，它本身是可以的，比如像我們公交的BRT,這些其實都是可以建立的。那麼有些地方可以建立特殊的標誌信號，比如礦山、園區、港區、機場的擺渡車，這些是有可能的，那麼在基礎設施上的建立可以加快他的自動駕駛的推進能力。在完全開放路段上通過改善道路基礎設施其實是很慢的。這點上我們還是更願意大家能夠一起來推進這個計算機的認知能力。這樣的話可能會是成本更低，收益也是最大的。
Q5：智能道路標識(目前基本空白)，車聯網與ADAS/自動駕駛的相互關係
可以說高精度地圖是企圖建立一種預置信息，然後來填補這些道路標識目前的一些空白，換一種說法是這些道路標識沒有被變成數據化。
不是說沒有被推進到網路化，導致無人駕駛汽車還不能立即可用。
關於adas和自動駕駛的相互關係問題，我們認為說這其實本質上不是一個問題。因為adas其實可以說是最低程度的或者最低階段的自動駕駛。
他是已經量產可以被商用的。就我所知，國家也出台了相應政策就是接下來再出的車輛就要標配adas功能，這對很多公司來說也是一個好消息。
但是很不幸的是adas到目前還沒有實現聯網。這個比較糟糕，這樣就導致說他的所有的這些數據沒有辦法被其他的車輛所利用。那麼會遇見一些問題，導致對駕駛者的駕駛行為的一些判斷還沒有辦法被遠程的分析。
Q6：目前4G通訊能否滿足高精度地圖實時更新的需求，是否需要等待5G？
目前4g的通訊是可以解決高精度地圖的實時的上傳需要的，也過了實測，相反現在不能滿足的問題反倒不是通訊的問題，而是攝像頭的問題，現在我們使用的通用攝像頭，他有一個問題就是他的角度太大了，大概在170度左右，其實這個會導致很多圖像變形，我們也稱作是鏡頭的畸變。比如樓房歪掉、電線杆彎曲、這就是因為他的鏡頭畸變。希望下一步有人能夠把他的事業收窄，這個也是兩年以前我們在測試的時候就提出來了。問題就是說，如果是增加到雙目的時候，那它能不能傳上來呢，現在還不太確定。但是從目前我們毫秒級連續抽幀的角度來說，它是可以做到的。雙目的設備，現在還沒有大規模的上來，所以我們也沒有進行大規模化的測試。
這個地方為什麼要提到鏡頭的精度問題，鏡頭的精度問題我認為是可以滿足L3的，但是是否能夠滿足L4以及L5，我認為要假以時日來驗證。
Q7：在通訊信號較弱的地區，如地下車庫、隧道等，高精度地圖工作是否會受影響，有什麼彌補方案？
關於在信號弱的地方，大家是沒有辦法解決的，我認為受到影響是難免的，其實不管是誰。那有人說關係導航能夠解決，其實關係導航的成本，大家用了就知道了，其實這個成本是大家所不能承受的，尤其是每一個車輛將來裝備的時候，我更多考慮的是量產，因為你量產就會取得優勢，你會有資金的反哺。而不是追求一個完全高大上的東西，最後變成不能生產。
其實特斯拉就是一個很好的先例 ，就是他使用的通用技術，然後他其實解決了一個問題，不是我的技術多麼高難度而是我解決了一個複雜的問題。
其實如果人類能夠腦補的話，我們也希望計算機將來能夠自己對自己進行腦補。這樣的話，即使有部分信號的中斷，那麼他通過連續圖像之間的這個差分然後進行修正，也是保證能開的。
Q8：在自動駕駛裡面什麼叫深度學習和神經網路，用什麼方法或者手段實現？
是這樣的，我建議大家應該忘記深度學習，因為深度學習目前提供了兩件重要的東西，第一個它提供了一個超大的數據訓練集。那第二件事，他提供了一套開源的工具，你可以繼續這個進行研究，但是千萬別迷信。
這兩天又開源了，隨著李飛飛博士代表谷歌來構建中國AI的研究中心，大家能看到有更多的工具和開放數據可以供大家進行訓練。
TAG:蓋世汽車智能網聯 |