|
大数据文摘出品 作者：易琬玉 汽车这种交通东西已经出生130多年，就像对所有机械自动化的追求，可以自行运转行驶的汽车，始终是人们梦寐以求的。今天飞机、火车乃至地铁都可以必定水平地实现自动驾驶，公共也期盼着道路交通中的自动驾驶车辆可以问世。 据不彻底统计，2018年全球自动驾驶投/融资总规模跨越70亿美元，此中中海内地的投/融资规模近12亿美元。软银、本田接踵投资通用旗下的自动驾驶企业Cruise，总额高达50亿美元；海内自动驾驶草创企业小马智行也先后两度完成融资，总额跨越2.1亿美元。 但同样，自动驾驶事故的泛起也为行业敲响警钟。2018年3月，一辆Uber自动驾驶车辆在美国亚利桑那州与一名行人相撞并致其死亡，成为全球首例自动驾驶致行人死亡事故。而在海内，也同样泛起过特斯拉轿车因启动自动驾驶模式而引发车祸的事件。 我们离自动驾驶另有多远，近在咫尺，仍是遥遥无期？
在AI Time第五期的辩说中，清华大学车辆学院院长杨殿阁传授、清华大学计较机系邓志东传授，另有Pony.ai的CTO楼天城就一起论道了自动驾驶的相关问题。
从改善交通到促成工业转型，无人驾驶的意义浸透社会各个方面 人类学研究奉告我们，跨越90%的交通事故由人类驾驶员的失误和毛病造成。自动驾驶可以解除这部门因素影响，也被人们付与保障交通平安的重要使命。
除了改善交通平安，自动驾驶对付人类社会的各个方面都有重大意义。比方，节能减排、改善交通状况、移动能力变得更强、促成工业的转型等等。无论海内外，军方、当局和企业都在测验考试或者展开无人驾驶的研究。
国际上，最早的无人驾驶相关研究工作是从上个世纪80年代起头由美国的DARPA展开， DARPA拥有军方布景，之后也有各类各样的车企，互联网企业，比方google、Uber等等参加战团。海内相对来说起步较晚，从上个世纪90年代起头相关的研究和进展，可是成长势头迅猛。 以baidu、阿里、腾讯为代表的科技公司，正成为海内甚至全球自动驾驶行业研究的头号玩家。2018年7月，baidu和金龙客车互助打造的L4级自动驾驶巴士量产下线；9月，阿里发布其车路协同技能以及智能交通方案；11月，腾讯在其互助火伴大会上展示了自动驾驶算法、仿真方面的全面结构。BAT因在自动驾驶上较为丰硕的技能储蓄，正成为车企们争相互助的技能火伴。 无人驾驶既是人工智能的研究问题，又是重要的应用场景 无人驾驶自己，既是一小我工智能的研究问题，同时又是人工智能的重要应用场景。所以它包括很是多的关头技能。
无人驾驶寄托感知系统，包含用摄像头、激光雷达等等百般各样的传感器来获取周边的相关信息，来感知汽车周边的情况。通过对以上信息的处置，作出相应的果断，这些果断的成效最后会通过节制执行子系统，来真正实现无人驾驶的相关操纵。 无人驾驶在对周边信息感知方面，有两种很是典范的技能路线。 激光雷达
采纳何种技能取决于应用场景，好比Waymo的无人驾驶，就是选取了激光雷达的路线。通过给汽车装置很是细密精准的雷达，让汽车眼睛更亮。即便是在暗中情况下也能对周围情况进行建模。 计较机视觉技能
分歧概念来自于特斯拉，马斯克在本年初颁发“傻子才用雷达”、“用雷达没有出路”等概念，他们更多地存眷用传统摄像头获取周边的相关信息，去打磨得到的视觉信号，捕获重要的周边信息。 交融在一起的技能路线可能加倍先进 激光雷达间隔很是远，受情况光照影响低，但具备缺乏颜色和纹理、数据稀疏、本钱高等缺点；摄像头有颜色有纹理，本钱低，但受情况光照影响大，且间隔比力近。
邓志东传授认为，尽管目前特斯拉等公司单目视觉技能已经有所突破并形成为了壁垒，可是既能够测距，又有颜色纹理，还不受情况光照影响的固态激光雷达交融摄像头会是将来的趋势。
杨殿阁教员从工业角度阐发，认为纯视觉技能本钱低，但无人驾驶必要对周围情况做三维空间建模，相较于采纳计较机视觉技能，用激光雷达建模则相对容易，并且也会使用到摄像头。两家公司技能路线分歧和其业务分歧是有瓜葛的，google做的是出租车等运营车辆的场景，必要斟酌的是靠得住性，本钱占次要地位；特斯拉等公司做的是量产车，要卖给终端用户，所以须斟酌本钱，而激光雷告竣本过高。
而楼天城先生则认为，激光雷达路线仍是计较机视觉路线，未必真的有谜底。自动驾驶感知技能路线之争其实不是单一技能路线之争，而是和整个系统有关。严格意义上讲，世界上并无一家激光雷达公司和计较机视觉公司，标为激光雷达一派的Waymo其实也有27个摄像头；同样，特斯拉也至少有16个毫米波雷达。每一分传感器的钱都能多带来一个信息收入，这个性价比在于你花一块钱，可以得到几多信息，这才是传感器真正的价值。另有另外一点在于，“无人驾驶感知路线不是一个单一的问题，但若单纯问自动驾驶感知路线，可能不是一个很是公允的问法，因为涉及了这种体系的不少个决策。路线不单单是感知，而是整体系统架构的斟酌。” 自动驾驶系统落地实现方法：单车智能方法VS车路协同方法？
中国的主技能路线夸大车路协同。因为中国的单车智能技能方面后进于美国，但中国有很好的道路和网络条件，因此，单车智能和车路协同连系能够更好地落地。google方案夸大单车智能，比力合适美国的环境，因为在美国创建全网联通的车车协同不太可能。所以其实不是美国不想把车路协同参加自动驾驶的落地中，只是没法子落地。 车车通讯能够扶助汽车提前获取更多的信息，好比大车遮挡了视线，但依然能够通过车辆之间的通讯获取大车前面的路况信息。单车智能是根，车路协同作为辅助。所以两者应该是互助的瓜葛，缺一不成。两边能够配合包管自动驾驶平安落地。 乘坐无人车，更担忧仍是更不担忧？ 人类驾车两种方法：正常驾车和违规驾驶，90%以上的交通事故都是违规驾驶致使的，正常驾驶一般不会失事故。无人驾驶汽车比违规驾车要强，比正常驾驶要弱，但愿通过自动驾驶下降那90%的交通事故产生几率。至于会不会担忧，是一个心理问题，自动驾驶在车速等节制上比人精准，体验会更好。可是自动驾驶在感知上还做不到比正凡人靠得住，这是瓶颈，有待突破。 中国接受自动驾驶的比例跨越80%，这和中国人愿意接受新鲜事物有关，可是人类对自动驾驶的要求要高于人类驾驶。但若是纯无人驾驶，还必要时间来进行技能突破，目前还不是足够靠得住。自动驾驶的目的是给行车平安带来更多地保障。但自动驾驶还缺乏法令保障，事故责任分别也必要进一步明确。无人驾驶真正上路还必要大师来适应，因为有人驾驶的车人是介入在整个驾驶的反馈进程中的，但无人驾驶的车辆人是不介入的，因此会觉得不成控，会担忧事故产生，必要时间来适应。 自动驾驶研发策略 ：从L2动身渐进推动VS直接攻关L4级？ 如上图所示，L2是指部门自动驾驶，而L4是指高度自动驾驶以及合用所有场景的彻底自动驾驶。 楼天城先生暗示，“L2和L4是从目标来界说的，不是两个技能路线，L4的技能能够应用于L2，但L2的某些技能其实不必定能应用于L4。一种技能是有天花板的，但若从渐近思想来看其实不必定能到达最终的目标。L4也必要学习之前的不少知识才有可能到达最终的目标。” 因为L2和L4暗地里的市场主体分歧，所以真正落地时必要连系他们暗地里的市场主体来看。车企在L1-L3时很注重本钱问题，但在L4时，买家是运营方，所以对L4的本钱问题相对不那么敏感。L2的成长会推动L4的成长，颠末L2的成长，不少传感器本钱会更低，能够应用在L4，而L4的成长也会促成L2。但从落地来看，应该是L1、L2、L3、L4。 繁杂交通场景：打磨技能利大于弊VS难渡过大无法落地 尽人皆知，中国的交通场景十分繁杂，这些繁杂交通场景无疑会给无人驾驶带来落地难度，可是也提供了丰硕的数据用于无人驾驶技能的打磨。 杨殿阁教员坚信自动驾驶在中国必定会落地，尽管中国繁杂的交通场景会给技能带来更大的挑战，但繁杂的交通场景肯定能够解决，并且会带来更大的机会。 楼天城先生认为，无人车落地但若是对付全局而言固然很坚苦，但但若从局部到全局，无人车落地机遇仍是很大的。繁杂的交通场景带来了更多的数据，在数据积聚上中国有更多的优势，所以繁杂场景对技能的打磨利大于弊。 自动驾驶必要怎样的人才？ 计较机的奠定人是数学家，那么无人驾驶的奠定人会是哪些人才？最早的一批先驱是车辆工程身世，第二批是自动化人才，人工智能的人才第三批进入，但目前是三者相连系。 一方面必要复合型的人才，因为自动驾驶是很是繁杂的系统；另一个方面必要的是专精的人才，因为涉及到的技能很是繁杂。自动驾驶领域还不敷成熟，学习能力、解决问题的能力以及在浑沌情况中找到进步道路的能力都是愿意投身自动驾驶的人才必要具有的。
AI Time由一群存眷人工智能成长的青年人开办，旨在发扬科学思辨精力，邀请各界人士对人工智能理论、算法、场景、应用的本色问题进行探索，开展辩说，碰撞思想，打造人工智能知识分享的策源地和汇集地。大数据文摘作为互助媒体将持久互助报导。 感兴趣的小火伴还能够点击下方链接，查看前四期的内容：
|
