號稱「全球首家」端到端自動駕駛，是實現還是噱頭？| 矽谷最新

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

拒絕感測器，拒絕高精地圖，拒絕人工設計的專家規則。

來自英國的初創企業Wayve向自動駕駛業界發出了自己的挑戰。

2019年3月22日，誕生不滿兩年的Wayve向外界發布了他們的自動駕駛Demo視頻，宣稱自己成為了「全球首個」掌握端到端自動駕駛技術，擺脫高精地圖，讓車輛在它從未見過的道路上行駛的企業。

Wayve的兩位創始人Alex Kendall和Amar Shah均博士畢業於劍橋大學機器學習研究組，在語意分割、貝葉斯概率深度學習模型和端到端自動駕駛領域均有不少建樹。

去年，他們共同發布的論文《一天學會開車》（你沒看錯，這篇論文的名字就是《一天學會開車》，Learning to drive in a day）就被機器學習領域頂級會議NeurIPS大會接收，並進行口頭報告，這次發布的Demo也正構建於這篇論文之上。

Wayve的自動駕駛試驗車和兩位創始人

左為Alex Kendall，右為Amar Shah

在這段Demo視頻里，Wayve宣稱，自己的自動駕駛汽車僅靠攝像頭和民用級別的GPS就能實現完全的自動駕駛。

除此之外，Wayve不需要任何手工設計的行駛規則，而是全面迎接AI的掌控，藉助「貝葉斯神經網路」就能完成從感知端到控制端「端到端」（end-to-end）的自動駕駛體系。

看它們發布的Demo視頻，你就知道了。

Wayve：只用AI和衛星導航路線圖就能自動駕駛汽車_騰訊視頻

端到端VS現有自動駕駛技術

首先，來普及下到底什麼是「端到端」（end-to-end）自動駕駛。

端到端其實是深度學習中的一個概念，運用到自動駕駛領域的話，簡單來說，是直接將車身視覺、感測器等等採集到的信號，比如路燈信號、有沒有行人等，輸入到一個統一的神經網路系統，這個系統再做出預測、輸出諸如方向盤轉彎多少角度、該踩油門幅度多少等汽車下一步應做的動作。

這個端到端自動駕駛跟現有自動駕駛技術最大的區別在哪呢？——是一套演算法模型，還是多個演算法模型。

事實上，現在Waymo、Cruise等自動駕駛業界企業用的，是多套演算法模型和神經網路系統的嵌套。比如高精度地圖，有一套專門的處理演算法，Lidar搜集的信號也有一套專門的處理演算法，信息匯總到一起後，由最終的終端模型進行統一處理，並做最後的決定。而端到端自動駕駛希望採用的，是從頭到尾都由一套單一的演算法模型，即一個神經網路模型處理所有的信號。

那麼，為什麼會出現端到端自動駕駛技術呢？因為這可以說是自動駕駛技術的一個終極目標。

通過「端到端」自動駕駛，整個過程無需人工設計的繁複規則，工程師只需要將採集到的圖像輸入神經網路模型，模型便能直接輸出車輛的具體控制。如果預測的控制結果不理想，安全駕駛員便會對車輛進行干預，形成反饋。在這一過程中，模型可以自適應地學習到相對較好的駕駛方法，而無需各種條條框框的干預、限制。

因此，相比主流自動駕駛技術，端到端自動駕駛開發難度低，硬體成本小，還能藉助數據的多樣性獲得不同場景下的泛用性，各方面條件得天獨厚，堪稱自動駕駛的終極夢想。

事實真的如此嗎？

很遺憾，並不是。

端到端自動駕駛的四大缺陷

可以毫不猶豫地說，如今端到端自動駕駛的缺陷來的更為致命。

總的來說，端到端技術不具解釋分析性，可靠性、靈活性差，最終帶來的結果是安全難以得到保障。

在強調安全第一的自動駕駛行業，端到端如今存在的缺陷有以下幾點：

首先，時至今日，對我們來說，端到端模型仍是一個完完全全的黑盒子，工程師們沒有辦法對它進行系統化的解釋分析，而是只能依靠推測和實驗進行調整。

舉個例子，如果只從輸出的結果來看，端到端技術下汽車做出一個汽車減速右轉的行動，工程師們無法確定這是因為汽車看到行人，還是因為看到較遠處的紅燈。但是，在現有的自動駕駛模式下，由於多個識別系統嵌套，因此，相對好理解到底汽車所做的每一個舉動背後的邏輯。

這也意味著，如果端到端系統出現問題時，工程師們並不能對其對症下藥，做出合理的應對。更多情況下甚至只能簡單向模型灌注更多的數據，希冀它能在進一步的訓練中「自行」解決問題。這也會大大降低端到端自動駕駛系統原本開發簡單的優勢。

其次，缺少了高精地圖的支持。端到端自動駕駛需要從外界感知更多的信息來保證行車安全，這為系統的可靠度、精度都提出了更高的要求。

Waymo高精地圖系統，標出了人行橫道、信號燈及可能的所有行駛路徑

版權屬於Waymo

舉例來說，如果汽車行駛遇到路口信號燈時，高精地圖可以預先告知汽車信號燈的方位，車輛只需對信號燈的狀態作出判斷即可。而端到端自動駕駛則需要完成從找到視野里所有的信號燈，判斷信號燈是否適用於自己（比如左轉車輛可能有專門的左轉燈），再到最終判斷信號燈的紅黃綠狀態的一系列任務。在這之中，任何一項出現問題，輕則違反交通法規，影響道路安全，重則引致致命災難。

為什麼不能把端到端和高精地圖相結合呢？

說起來簡單，實則很難。在模塊化的系統里，我們可以將高精地圖與感知系統的結果相融合，藉助相應的規則提升效果。而在端到端系統中，單一的神經網路模型很難有效利用高精地圖提供的環境信息，很難將其與原有的視覺識別系統融合集成。

第三點，相比模塊化的主流技術，端到端自動駕駛技術與其研發系統結合過於緊密，其中任何一項變動都可能要對從圖像感知到最終控制的整個系統進行重新訓練。

在模塊化的技術下，工程師可以隨時更新、替換負責感知的檢測網路，以保持和業內最佳水準（State of The Art）的同步升級。簡單說，如果有更（第四聲）新的演算法能實現對行人的檢測，那麼，這個演算法就能拿來用。

但是，在端到端模型之下，要把新技術融合於舊網路，工程師們不僅要重新設計網路架構，也無法直接使用開源的預訓練模型，更要對整個網路進行重新訓練、測試、評估。其中的時間、運算、質檢成本不言而喻。

除此之外，最後一個嚴重影響端到端自動駕駛安全性的問題——天氣。

現階段，端到端自動駕駛技術基本以攝像頭的視覺感知為基礎，在夜間或者大雨天，視覺系統的可靠性會大打折扣，安全性難以得到保證。

上述缺點疊加起來的話，讓業界不能不對端到端自動駕駛的安全性打個問號。

或許，端到端深度神經網路在多項任務上能帶來99.9%的準確度，然而，自動駕駛容不得半點誤差。在數以百萬計的行車裡程之下，0.1%的錯誤率也意味著沉重的生命代價。

也就是說，在沒有辦法解決好最後0.1%錯誤的情況之下，端到端自動駕駛註定只能是實驗室里的寵兒，而非大規模自動駕駛應用的變革者。事實上，此前英偉達和Comma.ai都曾放出過相關的端到端自動駕駛的Demo視頻。當然，英偉達的Demo並未在路上跑。

Waymo、Cruise等如何處理最後一公里?

你或許會問，那像Waymo、Cruise等業界較為成熟的公司，又是怎麼處理這最後的0.1%的呢？

很簡單，幾大手段，齊頭並進。

（自動駕駛感知系統，版權屬於原作者）

第一點，系統模塊化設計，分模塊質檢，高精地圖輔助。

正如前面所說，相較於單一的神經網路模型，如今業界更多採用的是系統模塊化設計。而系統模塊化設計可能是軟體開發里最重要的原則之一。通過將自動駕駛系統分解為感知、追蹤、規劃、控制等多個子模塊，不同團隊之間可以更好地分工合作，提高開發效率。

除此之外，工程師們還可以對各模塊分別進行評估，了解系統的性能瓶頸所在，讓我們能對最後的0.1%有更清晰的認知，也便於技術的迭代、更新。

高精地圖便在其中起著不可或缺的作用。

高精地圖的生成不受時間、車上計算資源的限制，地圖採集車往往會對同一區域進行多次採集，產出極為準確的車道線、行車標誌等的檢測和分類結果。事實上，在灣區的道路上，你便能經常看到Waymo的地圖採集車來來往往，就是為了生成高精度地圖，為Waymo的安全駕駛添磚加瓦。

（在路上的Waymo）

在這一前提下，它能夠幫助感知系統更有效地對周遭環境作出判斷，成為自動駕駛汽車的另一隻眼睛，也能更好地配合規則設計，遵守當地法律法規，使更安全的駕駛成為可能。

其次，多感測器融合，藉助系統冗餘保證可靠性。

（自動駕駛汽車上相機、鐳達、雷達多感測器的分布示例）

主流的自動駕駛汽車多配備了多個鐳達（LIDAR）、雷達（RADAR）和攝像頭，實現協同感知。在白天，光照條件良好的情況之下，攝像頭能夠看到遠處的物體，在夜間，依靠自主發射激光束進行感知的鐳達便顯得更為重要。多個感測器共同協作，才能在複雜的現實環境之中保證系統的準確、可靠。

再者，人類駕駛員先驗知識的引入，為自動駕駛系統再度加上安全鎖。

比如，在最簡單的行車標誌檢測任務上，基於純粹深度學習的方法只能通過擴充數據集、調整網路結構來完成。然而，作為駕駛員的人類，其實已知不同交通標誌本身的形狀、大小，可以通過這些信息對深度學習的結果進行進一步的調整、過濾，達到更好的效果。

但即使在這些重重保障之下，我們仍未對自動駕駛抱有完全的信心。

時至今日，在公開路試的一眾自動駕駛汽車上，仍必須配備安全駕駛員以備隨時接管車輛，防止意外的發生。

（Cruise自動駕駛汽車及車上的安全駕駛員，版權來自原作者）

Waymo從成立到如今已十年有餘，路試里程破兩千萬英里，但仍在進行更多的試驗，想法設法找到未曾遇到的場景，確保自動駕駛萬無一失。

反觀Wayve的端到端自動駕駛Demo，在一條沒有路標牌，沒有信號燈，沒有複雜路況的社區小路上以個位數的速度行駛了幾分鐘，便急於將自己的「革命性」突破稱之「全球第一」。

細細想來，這場端到端自動駕駛的所謂「革命」，到底是更在於對自動駕駛的嶄新探索，還是更在於博人眼球的精彩噱頭呢？

自動駕駛的終極目標，到底還有多遠？

既然端到端是自動駕駛領域的終極目標，那麼，它的到來到底還有多久？

今年4月8號，Uber的首席科學家Raquel Urtasun在一次媒體發布會上說到：「自動駕駛會成為我們生活中的一部分，但這一天何時來到尚未可知。自動駕駛的規模化應用還有很長時間要走。」

軟銀掌門人、手握千億願景基金，在自動駕駛領域全面布局的孫正義，更是給出了他的預測：「不到 50 年時間裡，人們將不再允許在城市或高速公路上自行開車，除非他們擁有特殊許可證。因為駕駛者可能會造成交通堵塞和事故。」

聽起來，是不是50年太久？

這是因為真正要實現端到端，需要達到的不僅僅是克服技術難度，還取決於以下三點：

首先，端到端模型系統簡單卻難以保障安全性，主流基於規則的自動駕駛技術系統受限於高精地圖，只能在高精地圖完備的區域進行行駛。越高精度越意味著系統需要處理的數據量之大。

只有當數據傳輸帶寬更上一層次，才能保證自動駕駛車輛在數據傳輸過程中，實現「實時」傳輸，提高傳輸精度。因此，5G時代的全面到來，或許才能讓數據傳輸的速度更上一層樓。

其次，道路基礎設施要完善。要想讓自動駕駛車輛能隨時跟外界進行「通信」的話，那麼，基於物聯網（IoT）技術的智慧道路、車聯萬物就需要實現，這意味著大量的基礎設施需要重修，這是政府需要投入的部分了。

第三點，整個汽車業界也必須相互協作，這是一個新挑戰。一旦不同品牌不願意共享車載系統的話，那談何車連萬物呢？車連車可能都無法實現了。

但毫無疑問，在完全自動駕駛的偉大願景之下，無論哪種技術能引領風騷，大規模商用化的未來又何時能來？我們，都有幸成為見證者。

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！