人工智能技術落地：無人駕駛的機遇和挑戰

https://www.toutiao.com/a6679370418282824204/

隨著時間的推移，現代生活中人類越來越多的將機械物件交由機器系統來負責操控，移動出行用的汽車也不例外，從輔助駕駛的共同控制演變到無人駕駛的授權控制，考驗的是機器系統能否更多去面對和適應外面的非機構化環境。

從需求角度看，城市居民對于無人駕駛的訴求是存在的，卻無法完全信任其安全可靠性。而在這中間，汽車制造商出于可能要承擔法律責任問題限制自動駕駛的能力，導致高新科技面市的推遲。

下面從無人駕駛技術的談起，聊及城市居民對無人駕駛的需求，以及無人駕駛背后監管的重要性。

·什么是無人駕駛汽車；

無人駕駛汽車（Self-driving Car）是室外輪式移動機器人的一種，它依靠人工智能、傳感器、定位系統和導航系統的協同合作，讓計算機在沒有任何人類主動的操作下，自動安全地操作機動車輛，為人類的交通安全和效率帶來全新體驗。

·無人駕駛的演進，是一個人類逐步交出操控權、提高安全系數的過程；

無人駕駛演進的階段，是車輛操控權由人逐步交給計算機系統的一個過程，如上圖所示。

無人駕駛距離面市，還橫著監管體系的問題

也是安全度不斷提高的一個過程（如上圖所示，從被動安全到主動安全再到預防性安全）。

結合目前產業普遍的預判周期，億歐智庫分析判斷，部分無人駕駛預計會在2025年左右開始商業化，完全無人駕駛的商業化要等到2025年以后，而在此之前，ADAS

（Advanced Driver AssistantSystem，高級駕駛輔助系統）會發揮重要作用。

·無人駕駛汽車涉及的技術=環境感知+定位導航+路徑規劃+決策控制；

無人駕駛涉及的技術可以分為感知和決策兩個層面，如下圖所示，一方面通過傳感器數據獲取局部數據（車輛自身及四周環境的數據），另一方面結合高精度地圖和天氣數據做到構建全局數據。數據綜合起來將與決策層做協調應用，輔助系統做定位和導航，再結合算法模型做路徑規劃，控制車輛的轉向和速度，實現駕駛自動化。決策層得到的數據部分也會反饋回高精度地圖上。

·環境感知層面=局部數據的感知+全局數據的輔助；

車輛的感知功能主要是通過傳感器來獲取數據。傳感器相當于無人駕駛汽車的眼睛，用來觀察行駛時的動態變化，它是無人駕駛汽車中不可或缺的重要組成部分，常用的傳感器包括有攝像頭、激光雷達、超聲波雷達、GPS、陀螺儀等，攝像頭和激光雷達是最主要的兩種傳感器。

·攝像頭；

目前，通過攝像頭進行拍攝，在進行圖像和視頻識別，確定車輛前方環境，是無人駕駛汽車的主要感知途徑，這也是很多無人駕駛公司的主要研發內容之一。攝像頭作為一種已普遍應用的傳感器，具有成本低廉、信息采集量大等特點。目前，車載攝像頭主要分為單目和雙目兩種。

單目攝像頭 ，主要基于機器學習原理，利用大量數據進行訓練，可以獲取道路圖像，提取車道線，對環境進行識別。盡管需要大量數據支持，且在惡劣光線條件下的表現不如雙目攝像頭，但其相對便宜的價格以及成熟的技術也獲得了一部分公司的青睞。而雙目攝像頭則基于視差原理（如下圖所示），可以在數據量不足的情況下，測定車輛前方環境（樹木、行人、車輛、坑洞等），并且獲得準確的距離數據，再輔以算法增強的調節來獲取周圍環境的景深，用以提供給無人駕駛系統進行車輛控制。

·雷達；

激光雷達的工作原理是通過發射單元將電脈沖變成光脈沖發射出去，接收單元再把從目標反射回來的光放沖還原成電脈沖，通過計算發送信號到接收信號的時間差，可以準確測量視場中物體輪廓邊沿與設備間的相對距離，這些輪廓信息組成所謂的點云并繪制出3D環境地圖，精度可達到厘米級別，如下圖所示。

激光雷達的穿透距離遠，高性能激光雷達可以實現200米范圍內，精度高達厘米級的3D場景掃描重現，從而幫助無人駕駛系統實現提前行駛路線規劃。目前來看，多線激光雷達很有可能是未來無人車的必備傳感器，并且與高精度地圖及駕駛系統核心算法緊密相關。

目前，多線激光雷達還沒有針對車規級的成熟量產方案，機械旋轉式多線激光雷達雖然已在普遍應用，但體積較大且價格過于昂貴，更小型更低成本的純固態激光雷達還未見到成熟產品。

毫米波雷達、超聲波雷達：除了激光雷達之外，近年來毫米波雷達和超聲波雷達也逐漸成為無人駕駛汽車中，參與多傳感器信息融合感知設備。其中，最為知名的例子就是特斯拉在其智能汽車中，完全沒有使用激光雷達，而采用毫米波雷達+攝像頭的方案。另外，類似博世、大陸這樣的智能輔助駕駛巨頭，也在毫米波雷達和超聲波雷達這樣成本較低傳感器設備上，擁有比較深刻的技術積累和應用經驗。而在國內，像行易道這樣的毫米波雷達廠商，也在積極進行技術開發，追趕國際巨頭水平。

·無人駕駛定位與導航；

無人駕駛通過定位技術準確感知自身在全局環境中的相對位置，將自身視作一個質點并與環境有機結合起來。導航技術則幫助無人駕駛汽車“知道”自己所要行駛的速度、方向、路徑等信息。

在實際應用中通過信息融合技術將二者組合，從而將環境信息和車身信息融合成一個系統性的整體。

其中高精度地圖是無人駕駛實現導航以及后續做路徑規劃的基礎，這些年，衛星導航和基于激光雷達的3D環境建模技術日益成熟，高精度地圖測繪質量逐步提升，這為自動駕駛的研發提供了不小的助力。國內高精度地圖，以百度地圖、高德地圖、四維圖新等公司為主力；而國外方面，Here、TomTom等公司一直備受稱贊。

·無人駕駛路線規劃、決策控制；

路徑規劃技術可以為無人駕駛提供最優的行車路徑。在無人駕駛車行駛的過程中，從出行需求出發，在高精度地圖的基礎之上根據路網和宏觀交通信息繪制一條自出發點至目標點、無碰撞、可通過的路徑（包括計算道路長度、速度、路段等級、交通口等待時長等），再根據車輛在行駛過程中收集到的局部環境數據、自身狀態數據來做最優路徑選擇。得益于激光雷達，算法可以在更大的尺度、緩慢變換的地圖和更長的路徑上進行路徑規劃，如下圖所示，并不會等到最后一刻才發現路徑有問題。

·算法給無人駕駛技術做底層支撐，應對動態障礙物的檢測跟蹤；

深度學習在無人駕駛的感知層面主要對攝像頭和雷達收集到的局部數據（結合全局數據）做處理，基于動態圖像極大的豐富信息以及難以手工建模的特性，深度學習能最大限度發揮其優勢。

在決策層面，無人駕駛技術在研究過程中首要解決的是安全問題，但激光雷達只能夠提供稀疏的環境信息，而無人駕駛行駛在路上所面對的是一個動態變化，所以提高對動態障礙物檢測跟蹤的準確率、降低誤檢率是無人駕駛汽車在環境感知中迫切需要解決的問題。

為了在行駛過程中避免與動態障礙物發生碰撞，無人駕駛系統需要算法的輔助來做到以下3個條件：

·首先要可靠地檢測出對行駛有影響的動態障礙物，需要傳感器精確測量出障礙物的位置變化并能夠提取出障礙物特征用于不同時刻的障礙物之間的匹配，完成對同一個障礙物的跟蹤；

·其次，必須預測出動態障礙物的運動路徑；

·最后需要識別動態障礙物的種類，不同的障礙物具有不同的運動特性，直接影響著無人駕駛汽車最終采取的避障策略；

除卻感知和決策層面，無人駕駛還涉及到車輛的控制、汽車動力學、汽車工程等諸多技術學科，同時還需要汽車控制（剎車、轉向、燈光、油門等）配件的支持。

·無人駕駛企業圖譜；

·自動化作為未來城市移動出行趨勢中的一支，協助供給側應對需求側的訴求；

·未來城市的移動出行的需求側和供給側；

城市化和人口增長將推動城市平均人口密度至少增長30%。為此，人口密集城市對移動性的需求將翻番（如果人均出行里程保持穩定，汽車保有量與GDP增速之間的比例保持歷史水平）。毫無疑問，人們對移動的需求翻番，引發的交通擁堵（尤其在通勤時間）將大大降低了人們的交通效率。

從（中國超一線城市）居民的角度出發考慮，一方面是交通效率，另一方面是安全可靠性，再有便是基于宜居性和可持續性所衍生出來的全球對尾氣排放的監管、以及對可再生能源的支持，試圖改善空氣質量。

麥肯錫在其《關于未來出行（移動性）的展望》報告中提出了電氣化、共享化和自動化三種移動趨勢，依據中國具體的城市情況（城市人口密度、經濟發展、基礎道路設施等）來判斷，中國城市未來（相對短期來看會體現在北上深這些超一線城市）會逐步從“清潔能源與共享系統“逐步過渡到“無縫移動性”，大體來看，共享化作為公共交通體系的補充成為中堅支柱，而電氣化和自動化是出于改善空氣質量和提高交通效率的訴求對共享出來的這部分車輛進行技術上的升級改造。

自動駕駛是在原有車輛的體系上接入大數據做到自動化，如上圖所示，自動化作為未來城市移動出行趨勢中的一支，協助供給側應對需求側的三大訴求。

·無人駕駛未來的三種商業模式；

從商業模式看，無人駕駛汽車在未來技術成熟后、推出市場面向最終C端商業化將以“賣產品”或“提供服務”兩種形式出現。以產品形式售賣給高凈值收入人群作為私人自動駕駛車輛，而提供服務形式可以分為B2B2C（中間的B端作為共享模式的車輛運營商，提供無人駕駛車輛給C端）、以及B2B2B（相對封閉、路況不復雜的場景，諸如貨車、卡車在中間高速路段就交由駕駛系統來掌控）。

目前來看，諸如高速路段等路況相對不復雜的場景商業化速度更快。現下社會正處于從輔助駕駛ADAS向部分無人駕駛和完全無人駕駛過渡的階段，從城市居民需求的角度看，出于“提高交通效率”和“改善空氣質量”的需求，都希望無人駕駛技術的盡快面市，但又猶豫于無人駕駛是否“安全可靠”。

美國MIT麻省理工學院教授Nancy G. Leveson指出ADAS的安全性問題不在個體程序部件，而是在系統的整合上，德國TüV安全認證機構的一份研究報告則指出當駕駛輔助系統開始展現一些（半）自動行為以后有時會伴隨若干不穩定的“非必要系統行為”，在嚴重的情況下將出現威脅到人身安全的后果。

目前研究來看，從輔助駕駛過渡到無人駕駛的過程，是一個不斷提高對非結構化環境適應的過程，在這中間存在著隱患以及錯誤背后引發的隱患：1、受黑客入侵內部網或不當干擾車輛傳感器；2、對環境狀況理解不完整從而導致的安全事故。

在車聯網等數據開放共享的趨勢下第1類的安全隱患系數也在提高，而第2類錯誤可以具體細分為：（1）諸如車輛主動式制動系統無緣由地突然啟動等安全隱患；（2）系統技術水平沒達到導致系統進行了錯誤的“分類”和“理解”而導致的安全隱患；（3）無人駕駛系統利用機器學習存在未可知性，可能導致最后的行為脫離汽車制造商的預期。這些隱患隨時都可能促使或直接導致交通意外事故。

除卻在輔助駕駛人類和機器共同控制的模式之下，存在共同過失判斷難的問題。其實從輔助駕駛向部分無人駕駛、完全無人駕駛過渡過程中，交通事故責任出現一種由人類轉向汽車制造商的趨勢，那么出于對龐大法律責任的考慮，無人駕駛汽車制造商可能因為安全隱患而考慮限制汽車能力，最后導致高新科技無法充分地投入社會中。

歸根結底無人駕駛汽車最后能否順利進入社會與否，并非取決于技術成熟度，而是同時由下而上的社會接受度與由上而下的政策、立法管制考慮。誠如谷歌無人駕駛汽車項目安全主管Medford博士所說的“即使最好的汽車安全科技也不能確保挽救每一條性命。對于安全科技效用的限制在于人們使用（或不使用它）的方式”。

無人駕駛距離面市，還橫著監管體系的問題。