自動駕駛汽車商業化能不能去掉它？

這本不是個值得討論的話題，在此之前，自動駕駛領域旗幟鮮明的反激光雷達陣營公司寥寥無幾，相反，挺激光雷達一派是絕對的主流。但隨著自動駕駛技術的演進，攝像頭在整個感知層的地位開始逐漸上升，我們不妨試著探討一下，激光雷達存廢之爭。

車用激光雷達的誕生

毋庸置疑，激光雷達已經隨著自動駕駛產業的繁榮變得炙手可熱。以下是雷鋒網·新智駕整理的全球激光雷達公司投融資現狀一覽。

圖片來自雷鋒網新智駕

可以看到，自動駕駛業者百度、福特、戴姆勒、德爾福、采埃孚、英特爾均有所布局。除此之外，谷歌Waymo去年2月宣布將激光雷達的成本降低了90%以上；通用汽車去年10月宣布收購激光雷達創業公司Strobe，據稱後者技術可將激光雷達成本降低99%；激光雷達巨頭Velodyne的巨型工廠「Megafactory」的新產線已經投產，預計產能將達到100萬台/年。

那麼激光雷達是如何被發現並用於自動駕駛汽車的呢？在回答這個問題前，我們先來講一下當下自動駕駛感知層的三大技術流派，括弧內為該企業研發自動駕駛技術元年：

Google（2009）、百度（2013）：激光雷達為主

蘋果（2016）、Uber（2015）、Roadstar（2016）：多感測器融合

特斯拉（AP2.0：2016）、馭勢科技（2016）、Auto X（2016）：攝像頭為主

這一波自動駕駛浪潮最早要追溯到2009年谷歌Google X實驗室啟動的自動駕駛項目。Sebastian Thrun教授是Google X實驗室創始人，也被認為是谷歌無人車之父。在加入谷歌前，他領導的斯坦福大學自動駕駛團隊曾在美國國防高級研究計劃局（DARPA）發起的2005 年第二屆自動駕駛挑戰賽中奪冠。Google X自動駕駛項目曾收編了大量斯坦福自動駕駛團隊成員，這支團隊將以激光雷達為主、攝像頭+其他感測器為輔的感知技術路線帶到了Google。

激光雷達的感知精度要高於攝像頭，可以記錄下比攝像頭更豐富的細節，所以在當時被視為自動駕駛感知環節的核心感測器，但這一技術路線有著明顯的歷史局限性。事實上，當時的計算機算力不夠，尤其是計算機視覺、深度學習尚未取得進展，這些原因限制了從業者對於攝像頭性能表現的想像力。

自動駕駛創業公司Auto X創始人肖建雄表示，不論是過去還是現在，整個自動駕駛汽車業界都是由機器人專家在主導，他們往往專註於開發可靠的單個零部件，並將它們組合在一起進行工程設計。所以谷歌百度們採取了「重感知輕計算」的技術路線，通過的激光雷達更高的可靠性與精度來簡化後續的計算任務及決策壓力。

攝像頭VS激光雷達，其實是計算機視覺專家VS機器人學家之爭

那麼，有了近兩年計算機視覺、AI和晶元領域的發展加持，攝像頭的性能極限能到什麼水平？

反激光雷達陣營立場最鮮明的就是最近盤踞在各大科技媒體頭條的特斯拉CEO Elon Musk，他對激光雷達之於自動駕駛汽車的最新評價是「昂貴、醜陋和不必要」。前兩條隨著前面巨頭的資本投入和技術人才的改進都會得到解決，但「不必要」直接動搖了激光雷達存在的根基。

下面是他給出的觀點：

顯而易見，道路系統是面向被動光學的。為了在任何給定/變化的環境中（實現車輛自動）駕駛，我們必須把被動光學圖像識別問題解決得非常好。當你把這個問題搞定，主動光學器件（激光雷達）存在的意義是什麼？它不能讀取路標，在我看來，它就像是拐杖，會讓那些公司陷入非常難以擺脫的境地。

如果你堅持極為複雜的神經網路技術路線，做到了非常先進的圖像識別技術，那麼我認為你最大化的解決了問題。然後你需要把它和日趨複雜的雷達信息融合，如果你選擇了波長在400納米-700納米的範圍內的主動質子發生器，其實是很愚蠢的，因為你被動的做到了這一點。

你最終會嘗試在大約4毫米的雷達頻率上主動發出質子，因為（該頻率）可以穿透障礙物，你可以透過雪、雨、灰塵、霧……其他任何東西「看」清前方路況。令人費解的是，一些公司會用錯誤的波長來做主動質子發生系統。它們給汽車武裝了一大堆昂貴設備，讓汽車變得昂貴、醜陋也不必要。我覺得它們最終會發現自己在競爭中陷入劣勢。

非常誠懇的講了一些基本物理原理，拋開吃瓜群眾難懂的部分，可以提取到一個知識點：理論上講，通過攝像頭+複雜的演算法實現感知是可行的，但演算法部分的技術挑戰很大。

特斯拉內部也一直在提升對AI領域的重視，一個有趣的信息點可以佐證：在Autopilot軟體副總裁ChrisLattner離職後，領導Autopilot視覺組的繼任者Andrej Karpathy的Title變成了特斯拉AI總監。

有沒有人同意他的觀點？有，馭勢科技的杜勇博士同樣認為，單純地基於視覺來解決無人車的路況感知問題是可行的，但是還有很長的路要走，無人車的發展過程應該是一個視覺逐步替代高端激光雷達的過程。

為什麼說攝像頭比激光雷達更適合做主感測器？在實際駕駛過程中，駕駛員獲取絕大部分信息均來自於視覺，比如車身四周的機動車、非機動車、行人、動物、道路標識、道路本身、車道線等，研究表明大約90%的環境信息均來自於視覺。

但演算法挑戰難就難在這裡，攝像頭需要識別和估算的目標繁多，導致基於目標監測與識別的學習演算法變得十分複雜。所幸計算機視覺領域開始出現一些可喜的突破。

2015年的國際計算機視覺大會（ICCV）上，美國普林斯頓大學計算機視覺和機器人實驗室團隊公布了他們研究的深度學習演算法，根據其論文《DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving》中出現的演算法架構，該團隊通過深度卷積神經網路直接感知駕駛操控（driving affordance），在大幅簡化演算法複雜度的同時，大大提升了自動駕駛演算法的魯棒性，被視為自動駕駛技術上的一個重大突破。

這項研究的負責人，就是前面提到的Auto X創始人肖建雄博士。在代表普林斯頓大學去ICCV介紹他們的研究時，肖建雄的Title是普林斯頓大學助理教授、計算機視覺和機器人實驗室創始人。近三年，肖建雄發起或參與了幾乎所有關於三維深度學習的研究——參與發布目前最大的公共三維數據集（三維數據里的ImageNet）ModelNet和ShapeNet；創建了研究三維深度學習的基礎網路框架Marvin，為後來者做了鋪墊；推出3D卷積網路Deep Sliding Shapes ，在RGD-D圖像中研究三維物體的特徵……屬於學而優則商的典型代表。

自動駕駛公司放出了各種各樣的路測Demo，截至目前基於純視覺方案的只有Auto X。肖建雄此前接受採訪時反覆提到的一個觀點：「攝像頭的潛力被低估了，理論上，攝像頭可以做到比人眼還厲害。」要知道，哪怕是64線的激光雷達的有效監控範圍很難超越前方200米，而人眼可以輕易發現前方几百米外的威脅。

除了特斯拉、Auto X和馭勢，還有沒有嘗試視覺路線的大公司？Uber。下面這位就是Uber純視覺技術路線負責人Raquel Urtasun。

Urtasun身後頂著64線激光雷達的Uber地圖採集車與她推進的視覺路線有些違和

去年5月，也就是Uber先進技術集團（Advanced Technologies Group）與谷歌Waymo官司纏身的時候，Uber宣布在加拿大多倫多成立先進技術集團加拿大分部，Urtasun及其團隊將專註於三個領域的研究：自動駕駛技術的環境感知及物體識別，汽車定位技術和高精度地圖繪製技術。

彼時的評論認為，考慮到Uber與Waymo的訴訟戰仍在持續，Uber這一舉動有多方下注保存實力，避免正面衝突的意味。沒有人意識到，Uber實際上開闢了一條全新的、基於視覺方案的自動駕駛技術路線。

Urtasun此前加拿大多倫多大學計算機科學領域的副教授、加拿大機器學習與計算機視覺研究會主席。加入Uber前，她已經花了多年時間嘗試降低激光雷達在自動駕駛感知領域的重要性。她長期以來堅持的觀點和肖建雄、Elon Musk並沒有什麼兩樣：如果不能擺脫激光雷達，自動駕駛汽車普及的希望很小。

作為「機器感知和人工智慧領域全球最頂尖的研究人員之一」（前Uber Travis Kalanick語），Urtasun通過研究發現，在某些情況下，車輛可以通過普通攝像頭獲得激光雷達數據的三維路況信息。加入Uber幾周後，在紐約舉行的一次計算機視覺會議上，Urtasun分享了她的團隊用攝像頭代替激光雷達的研究成果。，該系統可以實時運行，在40米範圍內性能表現對標激光雷達。但這個範圍明顯低於高端激光雷達的支持範圍，看來Urtasun的團隊還要繼續努力。

德國卡爾斯魯厄街道的三維視圖

Urtasun不看好激光雷達路線的另一個原因在於高精度地圖，激光雷達決定的時間和成本從根本上阻礙了自動駕駛汽車的普及，所以基於視覺方案的「可擴展性」高精度地圖繪製也是她的研究課題之一。

如果你長期關注自動駕駛領域，看到這裡還會想到一個人：Mobileye CTO Amnon Shashua。雖然特斯拉和Mobileye分道揚鑣了，不過在以攝像頭為主的技術路線，研發自動駕駛ASIC晶元（Eye Q5）和高精度地圖量產（REM架構）的經濟性考量方面，這兩家企業保持著驚人的一致，如今Urtasun領導的Uber ATG加拿大團隊，算是壯大了這一陣營。

攝像頭擁有最豐富的線性密度，其數據量遠超其他類型的感測器。地平線自動駕駛商務總監李星宇提到，地平線曾與很多主機廠及大型 Tier 1 供應商進行溝通後得到的一致結論就是，基於視覺的感知在整個自動駕駛體系中的重要性正在持續提升。基於圖像信息密度最高的優勢，使得它處於整個感知融合的中心地位。

同時他也指出，視覺感知仍然有它的能力邊界，多感測器的融合其實是商業化自動駕駛達到高可靠性的必由之路。事實上，毫米波雷達和超聲波感測器的成本和性能已經支持商業化，所以終極問題還是，這裡的「多感測器」中，有沒有激光雷達的位置？

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！