2018年03月22日 | 深度 | 自动驾驶的殊途同归

自动驾驶的终极目标，是将人类从枯燥无味的驾驶席上拯救出来，“罗马”的坐落是毫无争议的。高效率的城市交通和更富野心的智慧城市，不过是附带效应。在自动驾驶部署的初期，在有人和无人驾驶工具混行阶段，可能带来更严重的拥堵和混乱，但几乎没有人怀疑自动驾驶商业化的前景。

对于有多少条道路通向“罗马”，则存在巨大的争议。自动驾驶技术路径并非是“扁平”的，它更像一个多棱镜，从不同的角度看上去，呈现出不同的景象和局面。

多棱镜的几个面

如果按照算法调度来区分，分为本地智能派和车联网调度派。事实上，解决了V2X通讯后，云端和车际都能发出“建议”指令，减轻本地决策的压力，而非完全替代本地智能。

不过，由于车联网的漫长产业链，在未来是巨大的财富，在如今则是沉重的负担。目前所有的科技公司和车企，都不想将希望寄托在芯片制造商、设备制造商、通讯运营商身上。他们不约而同地发展本地智能，试图独立解决所有技术上的难题。但车联网一旦投入实际部署，哪怕在早期阶段。在本地智能上碰了钉子的公司，又将会热烈追捧V2X大法。因此，这两派在未来某个阶段，将会合流。

这样看来，目前所有的科技公司和车企，都属于本地智能派，车联网派尚未诞生。

有人提出按照感知技术来区分技术路线。

纯机器视觉方案，以以色列Mobileye公司提供的系统为代表。特斯拉在2016年因为某些原因，不再与该公司合作。在舆论看来，纯机器视觉受到光线和天气的严格限制，有天然缺陷。Mobileye公司后来推出的产品，除了摄像头，也采用了其他传感器。

譬如使用毫米波雷达 + 超声波雷达 + 摄像头，这是特斯拉在与Mobileye分手后所使用的典型方案。该方案的好处在于，只需要较少的计算资源和廉价的感知系统，就可以评估环境，代价是精度不高。

而谷歌、优步为代表的企业则使用雷达、摄像头和激光雷达（Lidar）传感器。64阶扫描雷达价格昂贵，但看的远，适合高速驾驶。谷歌正在努力降低其成本。作为替代方案的固态激光雷达，被优步采用，缺点是视角受限，需要多装几个。而且，为了确保安全，优步也同样配置了扫描激光雷达。

有算法专家认为，激光雷达的使用属于矫枉过正。廉价方案并不成为实现高等级自动驾驶的障碍。

车企和科技公司的分歧

如果按照SAE International的分类标准，自动驾驶被分为L0~L5共6个级别。L0级是人工驾驶，L4级和L5级均为“全自动驾驶”（即常说的无人驾驶），区别在于，前者适用大部分工况，在极少数情况下，需要人工干预；后者则适用所有工况，实现彻底的无人驾驶，即传说中的“罗马”。

在这里，科技企业和车企产生了严重分歧。车企拥有积累数十年的重工业资产，它们既是财富，也是负担。即便技术上允许，车企也绝不希望一步到位部署L4、L5级自动驾驶系统。如果这样的话，整个人类就不再需要如此之多的车辆，甚至不需要私人拥有车辆。汽车产业被摧毁的结果是，几乎只有很少的厂家能活下来。因此，循着自动驾驶进化的台阶，逐级上升，渐进式推进技术。在每一个台阶停留得足够久，攫取到足够的利益，成为车企自动驾驶共同的战略，无论“战略”被打扮成什么样。

这些车企从自动刹车、定速巡航、acc巡航、方向控制，最终实现完全无人驾驶（无方向盘、无油门刹车）。?特斯拉走在自动驾驶部署的前列（尽管它出于责任规避自称辅助驾驶）。

通用、奔驰、奥迪和福特，都测试了自动驾驶系统，甚至是加州自动驾驶测试名单上的常客，但它们都没有足够的动力和勇气投入实际部署。它们在高端车型上应用的某些功能——拥堵自动跟车、车道保持等，具备自动驾驶的某些特征，同时仍以人工驾驶为主。

而谷歌旗下的Waymo，实际上将汽车视为自学习、能行走的机器人。通过模拟驾驶员的大脑完成自动驾驶。科技公司都希望绕过辅助驾驶，直接系统介入，取代人类，实现无人驾驶。刚刚遭遇重大挫折的优步，也基于这种设计，在亚利桑那州进行路测。

虽然科技公司企图一步到位，他们实现自动驾驶算法路径不同。

谷歌是最早将神经网络用于自动驾驶的公司。车载计算机用于确定具体场景，并在成千上万个决策可能中遴选出最佳的那一个。然而，网络的复杂性质，可能使得人类难以理解系统做出某些决定的逻辑。作为改进，谷歌工程师们将神经网络与基于规则的编程方法相结合，特定场景将被引入“独立进程”。而通过“模式”学习，可以更好地模拟人类驾驶行为。基于统计推理模型的混合算法，是谷歌目前所应用算法路线。

相比而言，“基于规则的决策”系统，需要穷尽所有可能的场景，并事先对决策系统编程。虽然这样一来不再要求系统具有自学习能力，但使用场景受到限制。该算法只用于园区自动驾驶等固定场景。

测试与训练

按照美国2013-2015年的统计，每1亿英里造成1.09起交通死亡事故（中国情况要糟糕得多，死亡数据比美国高一个数量级）。为了体现相对人类的优势，自动驾驶测试里程达到数十亿英里，才有说服力。如果都采用实际测试，需要组织数百辆车的庞大车队，24小时运行，经历十年以上的时间才能积累3亿英里数据。

为了压缩测试进程，Waymo采用实测+虚拟测试结合的方式。前者数百万英里，而后者在数月时间内可以轻易1亿英里。后者用算法控制虚拟车辆，应对各种虚拟场景，以检验其决策是否适当。这其实是一种混合测试。

而特斯拉独辟蹊径，采用“影子测试”。每一辆出售的特斯拉车辆，在后台都有“影子驾驶”模式，在实际路况下虚拟决策，然后将数据上传服务器，用于事后分析。这相当于所有特斯拉车主帮助公司测试。

特斯拉则认为，实际路况下虚拟驾驶，就可以使系统自主学习，直至进化到L4级自动驾驶阶段。这涉及到实际驾驶是否是必须的问题。当然，作为补充，马斯克承诺特斯拉将进行横穿全美自动驾驶测试（其中包含越野路况）。他承认，目前量产车内制代码无法做到跨州自动驾驶。为了横跨两洋，必须要敲很多的“自定义代码”，而且只能针对横穿美国线路。特斯拉没有考虑到各州自动驾驶法律不同的障碍。

而丰田成立的“丰田研究院先进开发公司”，则采用了“变种影子测试”。他们计划在量产车上安装廉价传感器，在重复路线下的低精度数据，可以提炼出高精度地图数据。该做法可以轻易转换为自动驾驶系统的测试方法。不过，丰田的计划仍停留在纸上。

虽然技术路线不同，但终极目标早就出现在地平线上。硬件方面的创新提供了自动驾驶所需的“算力”。但软件仍然是障碍。自动驾驶车辆仍然必须学习与其他车辆“协商”驾驶方式，这是令研究人员殚精竭虑的博弈难题。不仅需要大量前期开发，还需要长期测试和验证。

最近优步的事故提示了自动驾驶系统面临的复杂局面。在系统无法应付的时候，如何选择最小风险的方式退出，需要设立安全机制，避免恶性事故。全面引入自动驾驶系统仍需要漫长的时间，可能长达10年以上，远远超过科技公司和车企预定商业部署的时间。