自動駕駛汽車：從實驗到量產，還需幾步走？

獵雲註：當前自動駕駛汽車正處於量產化與商業化落地的階段。那麼，從實驗到量產，自動駕駛還需邁出幾步才能真正走進普通大眾的日常生活？本文提出，在安全保證方面，AI技術的發展是自動駕駛汽車產業落地實踐的關鍵。自動駕駛技術的發展還需要多方核心技術的合力支撐，我國也應加大量產型L4自動駕駛汽車的產業化落地實踐，加大技術創新力度與資金投入，抓住「彎道超車」的歷史機遇。文章轉自：騰雲（ID：tenyun700）。

近年來，自動駕駛已成為各國政府、車企、互聯網巨頭競相逐鹿的重要產業風口。藉助移動互聯網、雲計算、大數據等前沿技術，自動駕駛汽車不僅能實現保障行駛安全、促進節能減排、提高交通效率等社會價值，經濟價值也十分可觀。

但是，當前自動駕駛汽車究竟如何真正走向市場、受到消費者認可，除了在試驗室不斷完善和改進技術，自動駕駛還需邁出幾步才能真正走進普通大眾的日常生活？今天的騰雲讀書會我們就來談談自動駕駛汽車的現在與未來。

分享嘉賓：鄧志東，清華大學智能技術與系統 國家重點實驗室教授。

世界範圍內，自動駕駛發展到了哪一步？

目前，在全世界範圍內，自動駕駛汽車正處於量產化與商業化落地的前夜，發展勢頭十分迅猛，已經超出預期。

具體到了什麼程度呢？我們先通過幾張照片來簡要了解一下。

因為後文會頻繁提及，所以先科普一下關於自動駕駛汽車的等級是如何劃分的，詳見下表。

01、行業巨頭紛紛試水

Waymo公測

2017年10月，Google Waymo在鳳凰城Chandler鎮100平方英里範圍內，對500輛克萊斯勒插電式混合動力L4自動駕駛汽車進行社會公測，這是L4級別的自動駕駛汽車首次進行社會公測，也是首次無駕駛員的公測，可以說是Waymo自動駕駛商業化落地的前奏。

早在一年多前的2016年9月，Uber已經在美國匹茲堡市推出城區大範圍無人駕駛計程車免費載客服務，儘管上面有2名安全工程師，但商業模式卻是大範圍的城區，比Waymo公測的小鎮要大得多。

今年年初，兩大產業巨頭通用和豐田分別發布了自己的自動駕駛新車。

通用的第四代量產型自動駕駛汽車Cruise AV，已經完全拋棄了方向盤、制動和油門踏板，並向美國交通運輸部提交了安全申請，計劃2019年實現量產，這也是首台宣稱可量產的L4+自動駕駛汽車。

而豐田的Platform3.0，因為成功地將感測器都隱藏了起來，在外觀上就已經征服了大批顏控。

另一後起之秀特斯拉，雖然沒有發布新車，但也沒有閑著，目前特斯拉的量產車中均已安裝了Autopilot1.0或2.0硬體系統，其自動駕駛功能，可通過OTA（空中下載）進行從L2到L4+的軟體升級，可以說已經在硬體上對自動駕駛做好了準備。

除去無人駕駛汽車方面，無人駕駛貨車的研發勢頭也很喜人。豐田以及矽谷機器人技術公司Nuro都在年初先後推出了無人駕駛貨車的概念車和測試車。

豐田的e-Palette L4無人駕駛貨車

Nuro的L4無人駕駛貨車

02、AI將代替眼睛和大腦

了解了自動駕駛汽車的發展狀況，我們還必須要知道，自動駕駛汽車想要廣泛應用，有兩個問題非常關鍵，一個是安全，另外一個就是量產。

要實現量產，必須要有造車能力，僅靠科技巨頭或創業公司閉門研究自動駕駛技術是不行的，車企必須整合進來或直接主導。同時也需要有車規級別的感知識別和計算單元，例如車規級的純固態LiDAR和車規級的AI主控計算機。

而在安全保證方面，AI技術的發展就成為了自動駕駛汽車產業落地實踐的關鍵，為什麼呢？

平常我們開車，主要是靠手、腳、眼睛和大腦幾部分協同工作：手握方向盤，腳踏制動和油門，眼睛負責對環境的感知與理解，由大腦進行決策和規劃。想要替代手腳的工作，利用線控匯流排，去控制汽車的轉向、制動和油門等執行機構就可以了。

但如何才能替代眼睛和大腦的工作？或者說如何用機器去進行環境感知和自主決策？

可以說在深度學習出現之前，我們無法想像自動駕駛汽車會真正出現。因為傳統的計算機視覺方法，其模式分類能力較人類水平（human level）差距較大，因此對自動駕駛視覺環境感知能力的提升，並沒有太大的作用。

但最近5年，以深度學習為核心的新一輪人工智慧，在完備大數據與超強計算能力的支撐下，推動了計算機視覺向人類水平的大幅度進步。

所以現在只要有足夠多的數據，就有可能實現比較接近人類環境感知的能力，而且還是多模態的，有攝像機視覺、激光雷達、毫米波雷達、紅外等等。

儘管得到所謂完備的大數據（有人說對安全性高於人類駕駛員100倍的自動駕駛，應該至少有1000萬公里大數據）可能很難，但AI確實可以使自動駕駛汽車的環境感知能力相較於人類水平獲得較大的提升。

03、多方核心技術的合力支撐

人類開車是建立在理解或認知的基礎上，但目前人工智慧演算法恰恰是缺乏理解能力的，它對人類能力的模擬還需要大數據的支撐。

所以，自動駕駛汽車要做到像人一樣，能夠可靠、敏捷地應對各種極限環境和特殊緊急情況，僅靠AI還不行，還需要多方面的核心技術形成合力支撐。例如信息化汽車平台、機器人技術、計算機視覺、大數據、雲平台、高精地圖、V2X車聯網、5G通信和智能交通系統（ITS）等。

其中高精度地圖，能達到厘米級的精度，而V2X車聯網，5G通信和智能交通系統（ITS），也都是超人類能力的技術。

但如果某天AI演算法獲得真正的突破，有了理解能力，也許就能像人類一樣不需要高精地圖、車聯網等技術，只靠兩隻眼睛就能開車，並且在正常情況下，安全性也有保障。

可惜在短期之內，想讓AI演算法具有理解等認知能力，恐怕很難。但目前的AI演算法相比之前已經更接近人類水平了，再加上其他核心技術的合力支撐，所以短期內，即使AI沒有更大的突破，L3+的自動駕駛汽車也有可能出現！

04、抓住「彎道超車」的歷史機遇

自動駕駛汽車是演算法、軟硬體垂直整合、對安全性要求極高的工業化產品，因此需要科技公司和車企合力完成。國外目前有Waymo與克萊斯勒的合作模式，還有通用、福特等主機廠直接主導的開發模式，在這方面的進展很快。

我國也應加大量產型L4自動駕駛汽車的產業化落地實踐，國內的主機廠和科技巨頭要有與通用、谷歌Waymo、福特、特斯拉、優步、奧迪、豐田等一決雄雌的雄心壯志，加大技術創新力度與資金投入，引領中國自動駕駛產業的發展，搶抓我國汽車產業「彎道超車」的難得歷史機遇！

互動時刻

分享結束後，有童鞋對於自動駕駛目前在普及方面的難點提出了兩個疑問：

1. 技術上各廠商需要一套標準，例如演算法標準，在感知障礙時，應該如何反應？降速多少？不同的廠商硬體水平不一樣，相信感知技術也會參差不齊，到時候事故認定如果不再落實到車上人員，那應該落實到車輛生產商嗎？

2. 有人駕駛車輛和無人駕駛車輛，更迭的過程如何實現？畢竟一輛車的價格，對於駕駛者來說相對高昂，何況新型無人駕駛車。

對此，鄧志東老師認為：

關於標準問題，其實不管是產品標準、企業標準、國家標準還是國際標準，所有標準在制定的初期都只能是自下而上，一點點形成的。

短期內自動駕駛應該是To B而非To C，也就是要首先推出類似無人駕駛共享計程車服務這樣的商業模式。對運營商來說，成本就不像對個人用戶那麼敏感。我認為以後共享出行應成為主流，包括傳統車企、自動駕駛科技企業和類似滴滴這樣的出行運營商都可以加入進來。到時無人駕駛汽車就可以被視為一台放大版的移動手機智能終端，還可以有更多的智能增值服務商加入進來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！