鄧志東：人工智慧將助力自動駕駛產業落地

GIF/1.7M

現如今，人工智慧的發展是如火如荼，那麼，在這一背景下，自動駕駛技術與產業又是怎樣的一番光景呢？在6月21日下午舉行的雷克大會之人工智慧產業創新峰會上，清華大學智能技術與系統國家重點實驗室教授、博導鄧志東結合自動駕駛技術的現狀，系統地闡述了人工智慧加速自動駕駛技術與產業的發展。

自動駕駛的第二幕已開始上演

回顧自動駕駛汽車的發展歷程，從早期美國DARPA的Grand Challenge (2004, 2005)和Urban Challenge (2007)，到谷歌的無人駕駛汽車，再到德國的MIG無人駕駛汽車和義大利帕爾瑪大學的BRAiVE自主車，經過10多年的不斷演進，自動駕駛技術的發展已經日漸成熟。我國的自動駕駛技術，始自20世紀80年代末，在國家「863」計劃的支持下，啟動了具有遙控駕駛功能的室外防核化偵察車的研製。從「八五」到「十五」，我國先後研製了三代「半自主」地面測試樣車，縮短了與國外同期先進水平的技術差距。自2009年開始，國家自然科學基金委員會正式啟動了「視聽覺信息的認知計算」重大研究計劃，特別是連續舉辦了八屆「中國智能車未來挑戰賽」，極大地提升了中國自動駕駛汽車的研發水平。隨著技術路徑的走通和人工智慧等前沿技術的發展，由科研主導的、不計成本的自動駕駛的第一幕已經開始謝幕，而以市場為主導、以企業為主體的、追求量產和商業模式的第二幕已開始精彩上演。

目前，世界範圍內致力於自動駕駛產品研發的企業主要包括：

一是老車企：例如福特、雷諾-日產、戴姆勒-梅賽德斯、大眾、寶馬等；國內如長安、奇瑞、長城、北汽、廣汽、上汽和比亞迪等；二是新車企：比如特斯拉、蔚來、奇點、小鵬、樂視、車和家等； 除了新老車企之外，第三類就是跨界科技企業：（巨頭）谷歌Waymo，Uber，Apple，百度，騰訊，華為；（初創企業）馭勢科技、智行者、地平線、圖森、商湯科技等。這些都是在自動駕駛領域表現非常優秀的IT企業。

此外，在汽車行業，電動化、信息化、智能化和共享化的趨勢非常明顯。首先是電動化，德國政府已宣布2030年後將禁止燃油汽車上路，而在我國，2016年10月8日國務院常務會議決定，原則上不再核准新建傳統燃油汽車生產企業。汽車的信息化包括數字化/軟體化和網聯化/匯流排化，這是智能化的基礎和條件。目前採用OTA（空中下載技術）和軟體定義升級的趨勢已經非常明顯。最後，共享無人駕駛與智能增值服務已經成為終極目標，而共享無人駕駛汽車作為智能移動終端，或成為智能網聯的節點，必將推動共享經濟和智慧城市的發展。

交通事故、交通擁堵、環境污染和能源危機一直是汽車社會的四大公害。而無人駕駛汽車的到來可使安全、共享、綠色和節能發揮到最大化。

隨著深度學習、大數據和雲計算技術等的飛速發展，自動駕駛的產業化步伐也在不斷加快。2016年10月，特斯拉創始人兼CEO馬斯克（Elon Musk）宣布，特斯拉所有新車都將安裝「具有完全自動駕駛功能」的硬體系統Autopilot 2.0，並可通過OTA進行ECU軟體升級，自動駕駛功能從L2直接跳越到L4及其以上，且2017年年底之前以完全自動駕駛模式從洛杉磯開往紐約，全程4500公里無人工干預。此外，nuTonomy 在2016年8月25日在新加坡推出全球首台無人駕駛計程車免費載客服務，但限定在2.5平方英里的商業住宅區內。還有優步於2016年9月14日在美國匹茲堡市推出了城區大範圍無人駕駛計程車免費載客服務並試運行。這些無人駕駛的落地進展，似乎都在宣告著無人駕駛時代的到來。因此，很多人認為2021年將會是無人駕駛汽車的產業元年。

而在這種落地實踐的大背景下，產業競爭的指標主要有兩點：一個是基於自主行駛大數據的里程數，另一個是基於人工干預頻率。例如谷歌Waymo目前的自主行駛大數據達300萬英里，人工干預次數為0.2次/千英里，即1.25次/萬公里。目前在美國加州路測的企業已達到34家：在這些具有路測資質的公司中，非傳統車企達到21家以上，超過60%，包括谷歌Waymo，特斯拉，優步，英偉達，百度，蘋果，Zoox，Drive.ai，法拉第未來，蔚來汽車，AutoX，Plus.ai，Nuro，Pony.ai，圖森和景馳等。

在無人駕駛領域中，除了傳統汽車企業，還活躍著大量的人工智慧初創企業，諸如美國的Zoox，drive.ai，Argo AI（福特收購），Cruise Automation（通用汽車收購），Comma.ai；日本的Preferred Networks, ZMP 等。雖然是汽車行業的「新貴」，但他們都希望專註於人工智慧在無人駕駛領域中的應用，其大展身手的雄心並不可小覷。

另外就是雄心勃勃的新車企。例如，特斯拉經過半年的努力，近期已順利完成了將路測數據從Mobileye技術過渡到運行於英偉達Drive PX2上的Tesla Vision軟體系統上，已於今年3月底發布了Autopilot 8.1軟體升級。但能否如期在今年年底實現從洛杉磯到紐約4500公里的自動駕駛？這是一個很重要的觀察點。

當然，實力不容忽視的還有跨界科技巨頭。比如谷歌。據最新報道，谷歌Waymo 自行組織研發團隊，將激光雷達的成本削減了90%以上，僅7000美金，已開始在美國鳳凰城地區對500輛克萊斯勒Pacifica MPV插電式混合動力無人駕駛汽車進行社會公測，而這可以看做是Waymo商業化落地的前奏。此外還有百度的阿波羅（Apollo）計劃，即公開自動駕駛開源代碼框架。特別是英偉達的Xavier開源計劃，即提供DLA自動駕駛平台等，通過與豐田合作，英偉達計劃今年7月開放Xavier平台入口，9月實現完全開源。這些都無一例外地彰顯著這些跨界科技巨頭在無人駕駛領域的加速發力。

應該說，傳統車企仍具優勢。例如福特（Argo AI）、通用（Cruise Automation）、雷諾-日產、戴姆勒-梅賽德斯、大眾和寶馬等傳統車企都在加速自動駕駛汽車產品的研發與測試，可以說也都走在了技術的前列；國內諸如長安、奇瑞、長城、北汽、廣汽、上汽和比亞迪等，也都在開發與測試自己的自動駕駛汽車技術。

自動駕駛產業化落地的關鍵在哪

關於自動駕駛的分級，美國汽車工程師協會（SAE）的分級目前已成為事實上的標準。它包括L0到L5，如下圖所示。

真正的無人駕駛主要是L4和L5級別。而想要達到真正的無人駕駛階段，先要經歷如下兩個過渡階段：

第一個階段是輔助與半自動駕駛階段，包括L0和L1。L0是告警式開環ADAS，如LDW，FCW，BSD等。L1是單項閉環ADAS，就是半自主，如ACC，AEB，LKS，IPAS等。包括主動安全，例如在人駕駛過程中遇障礙物會主動緊急制動，比如在車輛前方突然有人，它會自動緊急剎車。

第二個階段是過渡期的無人駕駛，包括L2和L3。在L2級別，安全工程師作為監控人員坐在司機的位置，不做任何操作。只是在極端環境和緊急情況下進行人為干預，否則的話，不做任何事情。因此，這個級別可以稱之為部分的自動駕駛。在我國L2早已實現。在L3級別中，司機的位置是沒有人的，但有安全工程師在車上或車下，手握無線急停裝置，以便在出現緊急情況時，由人進行認知判別干預，即此時感知問題已得到解決，但需要人參與對緊急情況的判別決策，並進行急停干預。因此這個級別稱之為有條件的自動駕駛。

從L2過渡到L3非常關鍵的，一旦這個問題得以突破，後面的問題便變得容易得多。解決了這個問題，第三階段的無人駕駛便可以非常穩妥地落地。

第三階段是真正的無人駕駛，包括L4和L5。L4級別中，不存在任何人類安全工程師的干預，但必須限定區域或功能。換句話說，即使是在極端環境與緊急情況下，也都不存在人的接管或干預，這可以稱之為高度自動駕駛。而到了最高的L5級別，這時的無人駕駛情況與人類駕駛無異，涵蓋全區域和全功能。也就是說，即使是在極端環境與緊急情況下，均不存在人的接管或干預；同時汽車應是沒有方向盤、踏板和後視鏡的，因為已經完全不需要了。這個級別稱之為完全自動駕駛。

那產業落地的困難和挑戰有哪些呢？首先是L2怎樣過渡到L3？即如何利用深度卷積神經網路替代人進行極端環境的可靠感知？其次是L3怎樣跨越到L4？即如何利用深度強化學習替代人進行緊急情況的自主決策？這些都是L2向L4跨越的核心關鍵技術，其本質都是如何解決安全性問題。可以說，保證自動駕駛的絕對安全性是商業落地的關鍵，這是汽車行業一個很重要的特色。那麼在保證絕對安全性的前提下怎樣儘可能地降低成本？而這又是否會導致技術路線的根本改變？這些關鍵問題該怎樣解決？自動駕駛產業又該怎樣落地實踐呢？人工智慧似乎可以給這些問題一個很好的選擇。

人工智慧助力自動駕駛產業落地

自2012年以來，新一輪的人工智慧復興方興未艾。自動駕駛被認為是人工智慧最具商業價值且極可能是最早落地的垂直領域之一。可以說，自動駕駛是要顛覆整個傳統汽車行業的，要做到這一點，即實現產業落地，就要突破技術瓶頸，解決產品的形態、產業的生態和商業模式等問題。絕對的安全性和低成本，是商業落地無法迴避的問題。同時要讓以後的無人駕駛汽車具有自主學習改善駕駛性能的能力。作為成熟的產品，當然也需要整體的解決方案，還要產業生態的支撐與拓廣。面對這些自動駕駛產業落地路上的「攔路虎」，人工智慧的發展可以說是恰逢其時。目前作為這一輪人工智慧的核心，包括深度卷積神經網路和深度強化學習在內的深度學習方法，源於原始的真實大數據的驅動，其實時性也正在得到諸如GPU、TPU、FPGA、ASIC 和類腦晶元快速發展的支撐，現已成為自動駕駛感知、決策與控制的基礎技術。

環境感知與基於認知地圖的精準導航：深度卷積神經網路近期的革命性進展，再加上低成本激光雷達、高精（柵格）地圖、5G 通信、智能網聯以及智能交通系統和智慧城市的合力支撐，極有可能使極端行車環境的可靠感知與低成本高可靠的精準導航成為現實，助推自動駕駛從L2跨越到L3。

具有自主學習能力的智能決策與智能控制：由AlphaGo強力推動的深度強化學習的最新進展，有可能使自動駕駛汽車擁有類似人的自主學習能力，獲得包括具有緊急情況預測在內的端到端的自主行為決策能力和數據驅動型智能控制系統，助推自動駕駛從L3跨越到L4。

支撐自動駕駛落地的深度學習演算法與開源代碼框架

基於深度卷積神經網路的環視單目視覺環境感知，再加上精準導航，低成本激光雷達（以後很快還會有更低成本的固態激光雷達），同時加上厘米水平的高精柵格地圖（其對環境的先驗知識已高於人類）；此外5G通信會很快在我國商業化落地，這也是我國發展無人駕駛的優勢之一；再加上智能網聯、智能交通系統等；就是說，不能僅僅依靠深度卷積神經網路或深度學習，而是將所有要素結合在一起，形成合力，克服目前深度學習演算法的缺陷，從而解決極端環境的可靠感知，進而實現從L2到L3的跨越，這是非常關鍵的一步。事實上，深度學習技術雖然具有非常強大的視覺檢測與識別能力，但要做到像人類駕駛員一樣的環境理解，目前尚有障礙。人類的環境理解能力是非常可靠的，裡面有既有感知，也有認知，還有推理泛化能力。因此人在開車的時候，可以完全依靠眼睛來可靠感知周邊環境，包括極端環境。目前人工智慧還沒有這樣的本領，這就要依靠其他方面來彌補，比如前面說的高精地圖、5G、V2X等，這樣就有可能了。

關於決策部分，即讓無人駕駛汽車具有自主學習能力，這也是要依靠深度強化學習來獲得。通過深度強化學習，有可能使無人駕駛汽車擁有像人類那樣的包括駕駛技巧與緊急情況預測在內的自主學習能力，能夠通過長期的駕駛試錯實踐，實現安全平穩的駕駛技巧或獲得對緊急情況的預測能力，從而助推自動駕駛從L3跨越到L4。其中最關鍵的一點，就是它能夠對各種緊急情況進行預測，這是體現它水平的關鍵地方。

目前為止主要涉及的就是深度卷積神經網路和深度強化學習，而這兩種演算法能夠發揮作用的前提之一是要有海量大數據的支撐。

大數據驅動下的深度學習

大數據的4V基本特徵：

1.VOLUME：數據體量巨大，從TB級別上升到PB級別；

2.VARIETY：數據類型眾多，可能同時具有結構化、半結構化、非結構化數據，且數據多源、非標與非平穩。自動駕駛中包括圖像數據，視頻數據，高精柵格地圖數據，激光雷達點雲數據，導航數據等；

3.VALUE：價值密度低，但商業價值高，以自動駕駛中的高精柵格地圖為例，有用的數據可能僅有百萬分之一；

4.VELOCITY：處理速度快，要求實時性。

大數據的其他主要特徵：

1.非結構化和半結構化數據；

2.量大、種類多、非標數據價值的最大化；

3.通過共享復用最大化地獲得數據的價值；

4.不確定性或雜訊，將惡化數據的價值，一致性分析可用於糾錯與駕駛風險預測。

大數據在自動駕駛中具有基礎性的重要作用，而且採集與餵食的大數據越多，利用深度學習方法就越能獲得更好的駕駛直覺。比如2009年以來，谷歌無人駕駛汽車的總行駛里程已超過483萬管理（城區道路為主），實驗室模擬駕駛環境下，每天行駛里程超過482萬管理。特斯拉Autopilot 2.0自去年10月推出後的總行駛里程約為3.57億公里（高速公路為主）。而谷歌Waymo目前已有500餘輛原型車的小型車隊，其商業化進程正不斷加快。路試地點已從美國的Mountain View和Austin擴展到Kirkland（潮濕、多雨）和Phoenix（高溫、沙塵），已獲得更多的大數據完備性。此外，特斯拉目前已有約7萬餘輛配置有Autopilot硬體模塊的車，分布在世界各地進行路測與短視頻大數據收集，這是真正的互聯網眾集眾采思維。

從出行市場的角度考慮，自動駕駛確實是人工智慧最具商業價值的垂直應用領域，如果不能將其抓住的話，我們將會失去一個「並道超車」的難得歷史機遇。而想要實現自動駕駛產業的商業落地，除了要有大演算法和大數據，還要有大計算，特別是車載移動端的車規級、低功耗、高效率、低成本深度學習加速器等。還有演算法中的細分場景，包括目標及其行為意圖的感知、認知地圖與導航、信息融合、自主決策、智能控制等；以及垂直整合，獲得軟硬融合的高效、高可靠的產品。只有這5個維度結合在一起，才能不斷推動自動駕駛向前發展，從而促進自動駕駛產業早日商業化落地。

未來無人駕駛與智能增值服務必將成為智慧出行的終極發展目標。無人駕駛汽車就類似於目前大家使用的智能手機一樣，後者打電話只是其中的一項基本功能，更多的是瀏覽網頁、網上購物、看微信、語音聊天視頻等。無人駕駛汽車作為一個更大的智能移動終端，它將帶來更多的增值服務。我們相信，這個時代一定會到來，而且這個時代還非常有可能會提前到來。

註：文中圖片來自鄧志東教授演講PPT。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！