自動駕駛的命門在哪，你真的了解么？——下

GIF

上一篇推文中我們介紹了自動駕駛技術在載體和感知層面的兩大命門，今天我們就來說說限制自動駕駛技術向L4以及更高級別進步的另外兩大命門——作為自動駕駛終端主控核心的運算晶元（SOC），以及對於L4和L5級別自動駕駛尤為重要的高精度電子地圖應用。

命門之三：自動駕駛晶元

作為自動駕駛終端系統的大腦，運算晶元毫無疑問是現階段自動駕駛技術最大的瓶頸所在。原因其實很簡單，上一期中我們已經聊到了，想要進入更高層級的自動駕駛，那麼感測器的感知精度必然要進行大幅度提升，隨之而來的就是更為龐大的冗餘感測器信息，這不但要求自動駕駛晶元在每秒能夠處理數百萬億次的浮點運算（目前已經大規模量產的自動駕駛晶元中，英偉達Drive PX 2的浮點運算能力僅為8TFLOPS（8萬億次），而民用顯卡界的卡皇TITAN V的峰值浮點運算性能也僅為110TFLOPS），且在此基礎上車速越快，對計算能力的要求就越高。

可以看到的是，在目前已經發生的自動駕駛汽車相關事故中，車輛的行駛速度大都在60公里/小時以上，特斯拉的那幾起事故就不用說了，幾乎都是在車速較高的公路上。而兩個月前Uber的那次人命車禍，車輛最終的撞擊速度也達到了63公里/小時（撞擊前車速為69公里/小時）。Uber的這次事故其實也很有代表性，根據事後公布的調查細節顯示，在撞擊前6秒，Uber的自動駕駛系統就已經通過雷達和激光雷達發現了前方的物體，但一直沒有做出反應，直到撞擊前1.3秒，根據當時的速度，車輛必須緊急制動了，不過系統依舊沒有反應，最終釀成慘劇。這足以證明，如今的自動駕駛系統，仍然像是一個初出茅廬的新手，而非可靠的老司機。

但不能否認的是，Uber的這次事故雖然存在著典型的軟體邏輯層問題，但事故車輛所搭載的整套自動駕駛系統的識別效率，同樣也存在著不穩定性問題，這自然也與自動駕駛晶元的計算能力息息相關。

然而，自動駕駛晶元想要真正得到發展，並非只靠單純的提升運算速度就可以解決，否則我們直接搬一台AI超級電腦放在後備箱里不就好了？效率才是擺在研發人員面前的最大難題。目前來看，自動駕駛晶元從設計思路上分成了兩大類，其應用領域也不盡相同。英偉達的以GPU即通用AI處理器為核心的解決方案，受限於能效問題，其應用更多面向自動駕駛研發機構。此外憑藉著更強的通用性，GPU同樣也可以著眼於未來的雲端AI計算服務（這與自動駕駛的第四個命門關係密切）。

以目前DEMO市場的王者——英偉達的自動駕駛計算平台Drive PX 2為例，其單個計算平台的設計功耗就高達250瓦，而下一代能夠支持L4級別自動駕駛的計算平台Drive Pegasus，功耗則為500瓦。目前大部分使用了英偉達方案的自動駕駛初創企業，其測試車輛都搭載了可能不只一塊的Drive PX 2運算平台，那麼整套系統的功耗就可想而知了。緊接著，與巨大功耗對等的就是龐大的系統發熱量，以及隨之而來潛在的可靠性問題，而這些問題，也都決定了英偉達的通用AI處理器方案更適合用於科研領域，或是作為AI伺服器提供雲端服務。

而另一類以Mobileye、谷歌等使用ASIC（即專用集成電路）為基礎的解決方案，由於其硬體設計思路的不同，這種為專門目的而設計的集成電路在犧牲兼容性的同時，批量生產中也得到了小體積、低成本、高能效等重要優勢，這些優勢顯然讓其可以更好的適應車規要求。但結論是，無論是哪一種形態，在面對L4級別自動駕駛應用時，當前符合車規的計算平台其性能的不足都是不爭的事實，這也會成為未來一段時間自動駕駛技術需要攻克的主要技術難關之一。

命門之四：高精度電子地圖

關於第四個命門的名字，其實這是一個比較籠統的說法。它的最終應用依賴於兩個部分，第一部分就是通過車輛感知系統生成一定範圍內的計算機視覺，這是一種需要實時更新的動態高精度地圖。另一部分則是基於GPS衛星定位以及雲端AI互聯技術的固定地圖，它的精度可以不那麼高，但範圍要廣，且是一個包含多維信息的完整地圖生態系統，僅需要定期更新即可。

這一概念想要在自動駕駛汽車身上真正的實現完美應用，也有很長的路要走。首先就是通過自動駕駛終端採集獲得的高精度電子地圖，其需要前三個命門的發展作為基礎。其次，未來L5級別自動駕駛所需要的高精度地圖信息，理想狀態下也並非由一台終端完成採集，而是讓每一台自動駕駛汽車都成為實時地圖信息的採集源，並通過高速網路（比如正在普及路上的5G移動網路）實現信息共享。

GIF

關於高精度電子地圖的應用，從Google自動駕駛項目拆分而出的Waymo給我們做出了一種完成度相對較高的演示。Waymo的自動駕駛方案就是以高精度地圖建模為基礎，通過提前為自動駕駛汽車要運行的環境進行多維建模，以此提供比一般電子地圖更多的環境細節信息，然後通過計算機視覺與激光雷達的演算法融合，形成整套自動駕駛方案的策略和演算法基礎。但顯然，Waymo的測試車輛也僅限於在它們能夠完全掌握地圖信息的區域運行，達不到L5級別的自動駕駛標準。

可以肯定的是，自動駕駛技術的這四大命門，彼此之間是相輔相成的，任何一個部分的短板，都會造成木桶效應，制約自動駕駛向更高的層級進步。與此同時，儘管自動駕駛只是AI運算技術的其中一個邊緣化應用，但這場軍備競賽的規模仍然可觀，其所涉及到產業類型不但廣泛，且個個精尖。

GIF

隨著我的個別腦細胞開始進入夢遊狀態，今天的燒腦學習看來也要告於段落了。可以預見的是，自動駕駛的這四大命門，其相關的技術瓶頸遲早是會被攻破的。但真正的難題在不在此還並不好說，我們不妨做一個假設，如果你眼前有一台技術完全成熟、可靠又安全的自動駕駛汽車，你會選擇把自己的命交給它嗎？我的答案是：不會！開車這麼美妙的事情，還是自己動手比較好~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！