0
編者按：本文內容來自清華大學計算機系教授、博士生導師鄧志東在雷鋒網硬創公開課的分享，由雷鋒網旗下欄目“新智駕”整理。
今年 11 月 15 號，18 輛百度無人車——「云驍」亮相烏鎮子夜路，并在 3.16 公里的開放城區道路上自主行駛。它們可以完成交通信號燈的識別、加減速、變道超車、自動泊車、倒車等。這是 NHTSA L4 級別的完全自動駕駛汽車。
2016 年 8 月 25 日，nuTonomy 在新加坡推出首個無人駕駛出租車免費載客服務，已先期測試兩年，限定在 2.5 平方英里的商業住宅區內。
2016 年 9 月 14 日，Uber 在美國匹茲堡市區推出無人駕駛出租車載客服務并試運行，在整個城區進行測試，有上下坡、有隧道、有狹窄道路，這應該是無人駕駛發展史上里程碑性質的事件。
特斯拉更激進，所有新車將裝配「具有完全自動駕駛功能」的硬件系統 Autopilot 2.0，軟件升級適合于已有的車型；并宣稱 2017 年年底之前以完全自動駕駛模式從洛杉磯開往紐約。Autopilot 2.0使用低成本方案，配置 8 個攝像頭，12 個增強型超聲波傳感器，1個毫米波雷達。
目前無人駕駛汽車產業步伐加速，Google、沃爾沃、福特、寶馬、百度、英特爾等全球近 20 家企業均已宣稱，5 年后即 2021 年將會是無人駕駛汽車元年，部分企業宣稱 SAE L4 水平的自動駕駛汽車將在 2021 年左右實現量產。
看起來大家都說自己的無人駕駛汽車是SAE L4 水平的。但 L4 真的就指日可待了？我們必須把無人駕駛與自動駕駛的概念弄清楚。
2016 年 9 月 20 日，美國交通運輸部最新發布了自動駕駛的聯邦新規，明確了無人駕駛汽車以 SAE 的 6 級作為分級標準（L0 –L5）。
SAE 與 NHTSA 的分級標準，0 級、 1 級和 2 級的分類都是相同的。兩者的不同之處在于——原來的第四級，現在被 SAE 細分為：第四級和第五級。
SAE L0：是完全的人為駕駛，增加開環告警式的ADAS功能，如 LDW，FCW，BSD 等；
SAE L1：增加單項的閉環ADAS功能，如 ACC，AEB，LKS，IPAS 等。
SAE L2 和 SAE L3 是過渡期的無人駕駛階段，分別屬于部分和有條件的自動駕駛。
SAE L2 涉及到安全駕駛員和監控駕駛員，安全駕駛員進行行車環境感知，手不離方向盤，遇到緊急情況可直接進行接管，這種無人駕駛通常采用「厘米級柵格/拓撲地圖+RTK導航+目標識別」的解決方案；SAE L3僅有車上或車下的監控駕駛員，需要在緊急情況下，通過車載計算機進行認知干預。
真正的無人駕駛階段在 SAE L4 和 SAE L5。
SAE L4 階段沒有任何人類駕駛員，可以無方向盤和油門、剎車踏板，但限定區域和功能。
SAE L5 是真正的無人駕駛階段，與人類駕駛無異，司機位置無人，也沒有人的車上/車下認知判別干預；無方向盤和油門、剎車踏板；全區域、全功能。
現在許多企業都宣稱自己的無人駕駛汽車達到了 SAE L4 的級別。那么 SAE L4 級別的無人駕駛汽車就一定比 L2 先進？我覺得這一定要看它自主行駛的區域和功能。
試想一輛從景區東門沿固定線路自主行駛到西門的無人車，即使它無需任何人類駕駛員，達到了所謂 SAE L4，但它真的就比在整個匹茲堡城區自主行駛的 L2 水平的無人車先進嗎？答案顯然是否定的。總之在談論 SAE L4 無人駕駛是否比 L2 先進時，一定要具體指明自主行駛的區域（封閉、開放；區域大小、復雜程度）以及功能和環境條件（氣候、時間段）。
二、從事自動駕駛的三股力量
目前從事自動駕駛主要有三股力量：傳統車企、新車企和跨界科技企業。
這些跨界科技企業主張「跳過中間階段、一步到位」，比如谷歌、優步、百度、蘋果、Lyft、樂視等。
絕大多數國際巨頭，包括新車企（如特斯拉）和老車企（如福特、沃爾沃、奧迪、寶馬、豐田、日產、通用、梅塞德斯-奔馳、大眾等），都在測試自己研發的自動駕駛汽車。他們主張在限定成本的前提下循序漸進，逐步升級無人駕駛功能。
無人駕駛汽車研發中，科技企業占據主動。因為汽車對安全性、可靠性要求極高，汽車作為特殊產品存在生產許可、安全認證、產品準入、品牌、供應鏈等門檻，因此科技企業研發初期必須要與車企合作，并得到其全力支持。
另一方面，無人駕駛必須以汽車這么一個工業級的移動載具產品做為基礎或平臺 ，但它包括的遠不止這些。更重要的關鍵技術還包括：環境感知、環境建模、自主決策、規劃與導航、控制等，這些均超出傳統汽車行業的強項，大多屬于信息技術領域。
從長遠來看，未來在無人駕駛汽車行業，傳統車企能做的事情或許不多。
事實上，汽車時代有四大公害，包括交通事故、交通擁堵、環境污染、石油危機，已經發展成為嚴重的社會問題。
考慮到全球每天有三千多人，每年有 125 萬人因車禍死亡，而且其中絕大多數交通意外都涉及到人為責任，比如由于疏忽，酒后駕駛，疲勞駕駛等等。
另外，目前汽車使用效率很低，比如每天上下班高峰期才使用汽車。用完了就把它放在停車位，所以就使用了全天時間 1% 到 10% 左右。而且 5 座、兩噸重的乘用車，大多僅搭載一位乘客，是極大的能源浪費。
無人駕駛可以使安全、共享、綠色、節能發揮到最大化。而共享電動無人駕駛出租車可以使城市機動車保有量降低至少三分之一，車輛的擁有量大幅度降低，能從根本上解決汽車帶來的污染、交通擁堵和安全問題。
在共享無人駕駛汽車時代，智能增值服務更為重要。無人駕駛汽車可能就是一個智能移動終端或者網絡的一個節點。與現在手機的通話功能類似，代步出行將變成基本功能，更重要的是移動智能服務。
如此便可以理解為什么 Uber 會把無人駕駛汽車研發當做對企業生存至關重要的事情來做。百度也有共享汽車的戰略。谷歌、蘋果、滴滴、樂視等是否也有同樣的考量，將叫車出行服務和無人駕駛結合，做出前瞻性的戰略布局？
四、人工智能加速共享無人駕駛產業的發展
我們認為，人工智能可以推動無人駕駛汽車最短在 2 到 4 年獲得初步的商業模式。
利用大數據驅動下的人工智能（特別是深度卷積神經網絡、深度強化學習與交互式認知智能），開展面向無人駕駛汽車的環境感知/理解、信息融合、HD 地圖、低成本多模態導航和自主決策等前沿技術的研究，可望有力地推動無人駕駛汽車核心技術與產業的發展。
自動駕駛或者無人駕駛汽車發展面對的主要困難和挑戰是什么？可以認為是在如下兩方面：
1）L2 到 L3如何跨越？機器如何代替人進行可靠的周邊行車環境感知？如何自動判斷自己的“感知失效”，并通過計算機向人發出干預請求？
2）L3 到 L4如何跨越？可能更難。取消“人在回路（HIL）” ，需要認知智能的實質性進步。
要從 L2 跨越到 L3，就是要用機器去替代人進行周邊行車環境的感知，對各種復雜道路交通場景，要做到非常可靠很難。近期人工智能的革命性進展，再加之高清地圖的支撐，讓這個有可能成為現實。
如果我們單一傳感器通道完成不了，那么就要使用高性價比、低成本、多模態的傳感器組合，這就需要信息融合技術的突破。
特別地，在交通流稠密的復雜城區，如何安全、快捷地檢測到行人等小目標障礙物，以確保行車的安全？這是尤其重要的。
另外一個困難是，在保證絕對安全的前提下，如何降低無人駕駛汽車的成本，走通商業模式？目前無人駕駛降低成本的方案有四個方面：
1）人工智能算法；
2）降低激光雷達成本（這個趨勢比較明顯）；
3）基于 5G 與云計算的智能網聯；
4）基于智慧交通設施和智慧城市的發展。
人工智能在無人駕駛汽車中的應用與其他垂直細分領域的應用是一樣的，涉及算法（深度學習），數據（視覺大數據，點云大數據，駕駛行為大數據等），計算（移動端、云端芯片/加速器），通信（基于 5G的 移動端到云端的通信）和垂直整合等 5 個維度，幾乎是下一代信息技術的全部。
我們將從上述 5 個維度談談人工智能如何加速共享無人駕駛產業的發展。
環境理解特別重要。人開車什么地方都能去，什么氣候條件下都可以駕駛，原因就是我們對周邊的行車環境有理解能力。
信息融合是因為我們必須用多傳感器來保證自主行駛的絕對可靠性、絕對安全性。如果單一通道傳感器解決不了，就采用多種傳感器組合，但組合就存在信息融合的問題。
具體來說包括，
a、基于深度監督學習的障礙物檢測與識別技術
障礙物包括機動車、非機動車以及行人小目標，其可靠的檢測與識別，是一大困難。
b、基于深度監督學習的高精地圖創建技術
現在高精地圖采用柵格方法，建立一個省、全中國甚至全球的高精地圖，數據量太大。如何解決傳輸、存儲與使用的問題？所以我們需要利用深度學習和人工智能的方法，研究基于目標理解的高精地圖的創建技術。
c、基于深度監督學習的多模態導航融合技術
高精度定位定姿導航也需要大大降低成本，商業模式必須把這部分費用降下來。
d、基于深度強化學習的自主決策技術
這個問題更復雜，這是從 L3 跨越到 L4面臨的主要挑戰。
在與高精地圖的結合或在其支持下，利用現在人工智能算法的進步進行環境感知，是有可能解決這個問題的，即有可能實現從 L2 到 L3的跨越，用機器代替人進行周邊行駛環境的可靠感知。
比如基于深度學習解決極端環境下的道路感知問題，比如車道線的檢測與跟蹤問題，可行駛路面的檢測問題。如果在正常環境下，現在傳統的計算機視覺方法都基本可以解決了。
還有一個更加重要的問題：目標的檢測與識別。這個問題非常重要，因為它事關自動駕駛汽車與無人駕駛汽車的安全性。我們可以在高精度地圖的支撐下，利用人工智能方法，利用大數據和深度學習算法進行各種障礙物及其運動行為意圖的識別與預測。
不能單純用人工智能的方法，還要與高精地圖進行結合，因為道路交通設施相對來說是不變的。已知高精地圖先驗知識，利用人工智能，解決道路理解、障礙物理解、障礙物運動行為預測以及低成本導航問題，保證厘米水平的定位和精準定姿。在使用多模態低成本導航設備時，用深度學習方法去完成信息融合。
所謂多模態比如使用激光雷達SLAM技術、單目視覺SLAM技術、基于內容理解的地圖匹配導航和基于柵格的地圖匹配導航等，這些都是降成本的方案，也都最終需要進行信息融合。
從某種意義上來說，大數據更為重要，就是“數據為王”。因為深度學習的代碼已經開源了，算法上也沒有太大的區別，對特定的應用場景或問題來說，是否能達到人類水平的識別精度，就主要靠大數據的應用了。
大數據或稱巨量資料，指的是數據規模巨大到不能通過目前的獨立同分布（i.i.d）假設下的平穩隨機分析方法進行處理了。
大數據有四個基本特征：
數據體量巨大，從 TB 級別到 PB 級別；數據種類很多，比如網絡日志，圖像，視頻，高清柵格地圖，激光雷達點云數據，導航數據等等；價值密度很低，但是商業價值很高；要求處理速度快。
大數據，尤其是專有大數據，已經成為人工智能產業或自動駕駛/無人駕駛產業制勝的基礎和關鍵。面對自動駕駛中的某些特定問題，比如說目標檢測與識別，我們有可能得到大數據，并對它進行清洗、標簽與利用。
所以，從某種角度講，誰擁有與利用大數據越多，誰離產品的成熟度就越高，或者商業模式就越近。這是可以判斷一個企業它的產品的成熟度，或者能不能走出商業模式，離商業模式是不是很近的主要指標之一。
總之，大數據對無人駕駛汽車或者自動駕駛汽車研發非常重要，而且專有的大數據，是支撐產業發展的一種戰略資源。
在大數據的采集和應用中，我們需要解決大數據的完備性問題。這個完備性同樣非常重要，但要做到完備性是非常困難的，需要付出極大的資源。比如說識別率從 99.999% 提高到 99.99999%，需要的是指數級增長的大數據，而非僅是線性增長的大數據。
計算引擎主要有三個方面的應用：
基于超級GPU、TPU 集群，進行深度學習算法的離線訓練；
基于云平臺的在線應用；
移動端應用。
對深度學習算法的離線訓練來說，一般就采用 GPU，TPU 這樣的超級集群服務器。對于云端的在線應用或者移動端設備的應用，我們推薦采用 FPGA 深度學習處理器，因為它有一些特點，比如說低功耗、低成本、高靈活、高性能，它尤其適合于深度學習的推斷。它的好處之一就是，相對于 GPU 來說，能耗比可以提升至少 1000 倍，而且成本更低。
計算引擎的前沿發展，以后或會使用類腦芯片，因為它的功耗更低。
高清地圖對于支撐基于人工智能的環境感知，還有低成本多模態導航，具有極其重要的現實意義。高精度地圖可望發展成為一個上游的巨大產業，也許未來的交通基礎設施就變成了硬道路和數字化道路與交通設施。
基于人工智能去做高清地圖，潛力很大，市場也很大。無人駕駛汽車產業的發展，還有其他一些基礎支撐條件，包括智慧城市，智能交通系統（ITS），還可以利用 5G 通訊，以及基于5G的智能網聯技術。5G通信的作用是巨大的，因為它只有一個毫秒的端到端時間延遲，具有足夠的實時性。
總之，人工智能的發展會加速共享無人駕駛汽車產業。人工智能近期的革命性進展，再加上高精地圖、5G 通訊、智能網聯以及智能交通系統和智慧城市的支撐，形成合力，就一定能使無人駕駛產業早日商業化落地。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
