紧接上篇，本期我们将来具体地聊聊：在实现完美自动驾驶技术的过程中，我们还需要克服哪些技术难关，以及我们在加快技术革新的同时，还需要面对哪些问题。
以完全自主驾驶为目标
无论是哪个开发商，若他们试图开发出一套成熟的完全自主驾驶系统，围绕着几个因素的问题是不可避免的，接下来我们就来具体看一下所涉及到的技术要点：
简单来说分成三部分：
1 感知、定位和映射
为了让自动驾驶技术更加成熟，自动驾驶相关领域的企业首先必须克服的就是感知、定位以及映射三个问题。
感知，即感应、传感系统的研发和精进。对于现在的自动驾驶开发商来说，主要任务是在确保技术可行性与稳定性的前提下，尽可能地压缩测试及验证时间。目前最为接近理想系统的解决方案有两项：
雷达，声纳及相机系统。为了感知整体环境中的车辆和物体而使用的雷达，声纳及相机系统。这种方案虽然难以深层次地评估环境特征，但其对硬件处理能力的要求较低，功耗更少。
激光雷达增强系统。 第二种方法是基于原有雷达相机系统，通过激光技术进行感应增强。这种方式需要更强的数据处理能力和计算能力，但在各种不同环境下，尤其针对那些复杂、拥堵的路况，这种方式则更为稳定。
目前，研发者们已经能在越来越多的自动驾驶一线场景中体验到激光雷达增强技术的优势及重要性。专家们相信，这种最新的解决方案日后一定会被越来越多的自动驾驶开发商青睐。当然这也绝离不开其核心技术的不断迭代与优化。
（地图）映射/（地图）绘制，即将（实时）接收到的周围信息及路况绘制到数字地图上。目前同样有两种方案可供开发者们选择：
细度映射。即高清地图绘制，这种方案一般是为了构建拥有极高分辨率（HD）的地图。开发者们需要自行驾驶配有激光雷达和高清摄像机的车辆沿着目标道路反复行驶，通过传感器创建具有周围360度细节环境信息（包括深度信息）的3D高清地图。
特征映射。这种方案不一定需要激光增强，而是只采用高清摄像头（以及雷达）方式来映射该路段中只对自动导航有用的特征信息。基于这套方式，系统可以识别例如行径路线中的车道标线、道路边界、交通标志、桥梁等和路况息息相关的目标对象。相对于细度映射，这种方式无法提供太多的细节信息，然而其处理速度及更新也更便利。
被抓取的数据通常仍需要被进一步分析来提取其关键信息，例如带有时速限制的限速标志，其中关键的速度值是需要被系统准确识别的。目前很多开发者都会同时采用两种绘制模式，他们会通过驾驶一只小型车队的方法来进行信息的采集和更新，诚然成本依旧很高。
定位，即确定一辆汽车在环境中的准确位置。对自动导航来说，定位技术无疑是一项极其关键的“先决条件”。事实上，定位技术早已是我们日常生活中必不可少的一部分，各种地图导航、生活信息类应用等都有涉及。然而对于自动驾驶来说，显然常规定位技术并不能满足其精度需求，他们所采用的方案主要为以下两种：
高清匹配定位。这种方式主要是利用车载传感器（包括GPS）将自动驾驶汽车所感知到的位置细节与相应的HD地图进行比较，为车辆提供了一个可识别且拥有高精度的参考点。基于此，自动驾驶汽车可以确认其所处在的确切位置（甚至可以精确到车辆行驶线的位置）以及其驾驶方向。
非高清GPS定位。顾名思义，这种方案完全是依靠GPS来进行近似定位，再使用自动驾驶汽车本身的传感器实时监测周围环境变化，以此不断精炼位置信息。举例来说，这种系统可以结合GPS位置数据与车载摄像机所拍摄到的图像，通过逐帧比较分析来减少GPS的定位误差。要知道，目前全球定位系统在水平方向定位上（95％置信区间）的误差为8米左右，这完全有可能让自动驾驶汽车行驶在相反的车道上…
技术上，以上这两种方法在很大程度上都依赖于惯性导航系统和测距数据。经验表明，第一种方法通常在需要实现较多精准定位的要求时能表现得更可靠；而第二种方法则更容易实施，因为其不需要HD地图。考虑到两者之间的准确性的差异，现在比较靠谱的方案是在车辆位置的精确信息对导航无关紧要的地区（例如农村和人口较少的道路）采用第二种方法；而在城市中，尤其是路况比较复杂，车流量较多的环境中则采用第一种。
2 决策制定
理论来说，全自动驾驶汽车需要在每一英里的行驶过程中正确而又一致地做出上千个重要决策。巨大的任务量不说，考虑到最敏感的安全问题，自主决策系统的正确率无疑将会被严格要求，这给开发者们提出了巨大的难题。目前业内主要通过三个途径来实现这个要求：
神经网络。这是一种以机器学习为核心的人工智能技术，通过大量的测试数据，训练出足够精准的决策模型。为了确定具体的情景并作出适当的决策，今天的决策系统主要采用神经网络。 然而，这些网络的复杂性使得人们难以理解某些决定背后的逻辑，也就无法有效的进行人为干预。
基于规则的决策。即非常传统的条件假设模式。工程师们需要想出了所有可能的“如果……那么……”规则组合，然后将基于这些规则的程式编写进车辆系统。可想而知，这种方法需要投入大量的时间和精力，且面对多变及未知的路况，“规则”不可能覆盖到方方面面，也让这种方案变得难以实现。
混合方法。截至目前，许多专家认为采用神经网络和基于规则编程的混合模式才是最佳解决方案。开发人员可以通过为集中式神经网络引入特定的加权样本训练数据来缓解其固有的复杂性问题。而那些规则即是最好的额外样本数据来源。
虽然就目前来说仍然有诸多限制，例如训练模型的准确度及对海量数据的依赖，然而被业界认同的是，混合方法，特别是结合了统计推断模型的决策系统，已成为了当今最主流的决策制定手段。
3 测试及验证
可以说整个汽车行业在测试和验证技术方面都拥有着丰富的经验，然而对于自动驾驶汽车而言测试的范围及量级都会产生更大的考验。这里简单介绍一下目前比较常规的几种方案。
蛮力。工程师简单粗暴地让车辆在真实环境中行驶数百万英里，从统计上确定系统是否能按预期一样安全运行。这种方法的最大难点是在于其所需的巨大里程数，需要消耗大量的时间及资源来积累。有研究表明，一辆自动驾驶汽车需要大约2.75亿英里的测试里程，才能以95％的置信度确保他们的事故率在每1亿英里至多造成1.09人死亡，但这却已经相当于美国2013年的死亡率。根据估算，为了达到比人类驾驶员更好的安全表现，自动驾驶汽车所需的测试里程数需要达到数十亿。
然而我们稍加计算便会发现，如果100辆自动驾驶汽车每年365天，每天24小时，以每小时25英里的平均速度行驶，则需要十年以上才能达到2.75亿英里。显然，光靠“蛮力”进行测试和检验是无法满足现在的研发需求的。
软件在环仿真以及模型在环仿真。一种更可靠的、结合了现实世界与模拟环境的测试方法。这种方法可以大大减少车辆所需的测试里程数，且其技术实现在整个汽车行业中也已相当成熟。模拟行驶的车辆通过算法来经历各种不同的测试环境并以此确认这个系统是否能在任何情况下都做出正确的判断。
硬件在环（HIL）仿真。这种方法主要是通过将预先记录好的、不同场景的传感器数据输入系统，从而检查实际硬件的反应可靠性。HIL仿真大大降低了实际测试的成本，同时由于可以进行多次反复的场景验证，也提高了测试结果的可信度。
以上三种测试模式各有自身的优劣势。事实上，为了确保解决这个领域最关键的安全问题，以上所有的方法都将会被用于实际自动驾驶车辆的测试过程。当然，开发商们仍需要找到一种混合模式，将一辆完整自动驾驶车辆所需的测试时间压缩到最短。
加快进程
虽然在上文我们曾提过，根据目前的技术评估，要在现实生活中引入大量完全自动驾驶汽车还需要十多年的时间。然而，对整个行业以及那些尖端企业来说，仍存在几种途径能帮助缩短这个时间范围。
首先，那些自动驾驶领域的玩家们应该要意识到，单个企业独自研发整个自动驾驶汽车所需的软件及硬件系统是极度困难的，他们需要更加善于合作并形成行业伙伴关系。具体而言，他们可以与那些非传统行业参与者联系起来，例如技术创业公司和原始设备制造商。从细化层面来说，这意味着与战略上重要的细分市场公司（如激光雷达和测绘供应商）进行合作。
其次，开发及验证一项私有解决方案可能过于昂贵，因为它们需要少数自动驾驶玩家来承担所有责任并分担风险。开放的思维方式和共同制定的行业标准不仅会加快技术进步，而且会使通用系统的开发更加健全。而各个组件之间的互相协作最终也会催生出一种灵活的模块化即插即用系统开发框架。
另一个加速行业发展的方法则是转向整个体系的发展。目前业界太过于重视那些具体组件或系统研发，却对整个整合系统及其体系的完善视而不见。尤其是考虑到自动驾驶系统存在的巨大安全隐患，这点急需受到重视。事实上，让自动驾驶汽车在其整个生命周期中达到像航空业一样的可靠性及耐久性标准，很可能会成为整个产业新的使命，而强调整个自动驾驶体系的发展则可能是达到该目的最有效的手段。
变革中所产生的问题
毫无疑问，自动驾驶技术的成熟无疑将会为我们带来一个全新的交通运输时代，但在此之前，整个行业仍解决许多问题才能让这一切变成现实。
我们现在已经能够看到，ADAS系统可以极大程度上减轻驾驶的负担，并使其更安全。然而在某些情况下，技术也会造成问题。其中一个问题便在于：人们过于信任或依赖这些新系统。这不是一个新奇的现象。二十世纪九十年代，当安全气囊慢慢变成汽车的主流配置时，有一些司机及乘客把这这种进步误以为一个暗示——让他们以为现在安全带已经变成了多余，他们完全可以不用系上安全带，这种幻觉在即便到现在都在不停地制造额外的伤亡。
又有一个类似的问题，很多驾驶员会高估ADAS的自动化能力。
例如，自适应巡航控制系统在汽车跟随另一辆汽车时能良好地运行，但在检测静止物体时则不一定能正常工作。然而很多对这种自动化巡航功能过度信任的司机都因为没有及时干涉而产生了与其它车辆或物体的碰撞，造成了不计其数的损失。这无疑为我们敲响了警钟，可以说即便是今日的ADAS功能仍然存在许多不同的限制，而这一点却常常使一些驾驶员所误解。
事实上就美国而言，因司机注意力不集中导致的事故每年造成了近3,500人死亡，伤员39.1万人。然而，专家预计，在引入可以提供“先进自主控制系统”的自动控制车型之后，最初的车祸数量将不会急剧下降，且仍然要求司机做好充分地防故障措施。
那些安全专家早已指出，驾驶半自动车辆的司机很可能会因过度信任自动驾驶系统，在开车的时候看手机或发短信，而在需要自行控制车辆的时候又对身处的环境和位置缺乏了解从而造成车祸。专家指出，当他们重新掌握方向盘时，他们必须马上了解周围环境，确定车辆的位置，分析危险，并采取一定的安全措施。我们假设汽车以每小时65英里的速度行驶，那车辆需要不到四秒钟的时间就可以开过一个足球场的长度，而驾驶员要在这段时间里规避这么大范围内所存在的安全隐患可以说是难以实现。总的来说，驾驶员离开驾驶的时间越长，需要重新掌握信息的过程就越长，而事实证明大量交通事故都发生在这段时间内。
2009年，一架商用客机由于飞行员没有及时干预其自动导航，飞机飞过了其原本的目的地机场多达150英里之远…而对于半自动车，“空域”（地面）更加拥挤，“飞行员”（司机）训练也较差，对于长时间驾车且过度信任ADAS的司机而言无疑也更危险。汽车制造商们因此仍不得不开发更完善的人机交互系统，以确保新技术会拯救生命，而不是造成更多的事故。
写在最后
完全自动驾驶汽车很可能在未来的几年内就会到来，然而现在企业们就已经得对最终自动驾驶汽车的形态下好赌注：这些属于未来的车辆将如何制定决策，如何感知周围事物以及确保人们的交通安全等等。如今那些尝试着去塑造、（可能的话）控制行业中各个战略要素的大企业们，将很快面对众多具备着丰富资源及竞争力的玩家，在激烈的竞争中，连他们内部最高位的人士都可能会被随时挖走。鉴于如此狂热的态势，无论是哪类企业，若试图想从这片蓝海中分得一杯羹，则必须在策略上把握好自身的定位，并抓牢这个领域中自己所具备的优势。同时，也需要那些监管机构在确保社会安定、交通安全的前提下尽量不要妨碍这场巨大的变革竞赛。
注：部分数据及资料出自麦肯锡
—— 专注于大数据与人工智能 yuyidata.com
网友评论