自動駕駛從不同的角度看上去，呈現出不同的景象和局面

文 / 黃耀

自動駕駛的終極目標，是將人類從枯燥無味的駕駛席上拯救出來，「羅馬」的坐落是毫無爭議的。高效率的城市交通和更富野心的智慧城市，不過是附帶效應。在自動駕駛部署的初期，在有人和無人駕駛工具混行階段，可能帶來更嚴重的擁堵和混亂，但幾乎沒有人懷疑自動駕駛商業化的前景。

對於有多少條道路通向「羅馬」，則存在巨大的爭議。自動駕駛技術路徑並非是「扁平」的，它更像一個多稜鏡，從不同的角度看上去，呈現出不同的景象和局面。

多稜鏡的幾個面

如果按照演算法調度來區分，分為本地智能派和車聯網調度派。事實上，解決了V2X通訊後，雲端和車際都能發出「建議」指令，減輕本地決策的壓力，而非完全替代本地智能。

不過，由於車聯網的漫長產業鏈，在未來是巨大的財富，在如今則是沉重的負擔。目前所有的科技公司和車企，都不想將希望寄托在晶元製造商、設備製造商、通訊運營商身上。他們不約而同地發展本地智能，試圖獨立解決所有技術上的難題。但車聯網一旦投入實際部署，哪怕在早期階段。在本地智能上碰了釘子的公司，又將會熱烈追捧V2X大法。因此，這兩派在未來某個階段，將會合流。

這樣看來，目前所有的科技公司和車企，都屬於本地智能派，車聯網派尚未誕生。

有人提出按照感知技術來區分技術路線。

純機器視覺方案，以以色列Mobileye公司提供的系統為代表。特斯拉在2016年因為某些原因，不再與該公司合作。在輿論看來，純機器視覺受到光線和天氣的嚴格限制，有天然缺陷。Mobileye公司後來推出的產品，除了攝像頭，也採用了其他感測器。

譬如使用毫米波雷達 + 超聲波雷達 + 攝像頭，這是特斯拉在與Mobileye分手後所使用的典型方案。該方案的好處在於，只需要較少的計算資源和廉價的感知系統，就可以評估環境，代價是精度不高。

而谷歌、優步為代表的企業則使用雷達、攝像頭和激光雷達（Lidar）感測器。64階掃描雷達價格昂貴，但看的遠，適合高速駕駛。谷歌正在努力降低其成本。作為替代方案的固態激光雷達，被優步採用，缺點是視角受限，需要多裝幾個。而且，為了確保安全，優步也同樣配置了掃描激光雷達。

有演算法專家認為，激光雷達的使用屬於矯枉過正。廉價方案並不成為實現高等級自動駕駛的障礙。

車企和科技公司的分歧

如果按照SAE International的分類標準，自動駕駛被分為L0~L5共6個級別。L0級是人工駕駛，L4級和L5級均為「全自動駕駛」（即常說的無人駕駛），區別在於，前者適用大部分工況，在極少數情況下，需要人工干預；後者則適用所有工況，實現徹底的無人駕駛，即傳說中的「羅馬」。

在這裡，科技企業和車企產生了嚴重分歧。車企擁有積累數十年的重工業資產，它們既是財富，也是負擔。即便技術上允許，車企也絕不希望一步到位部署L4、L5級自動駕駛系統。如果這樣的話，整個人類就不再需要如此之多的車輛，甚至不需要私人擁有車輛。汽車產業被摧毀的結果是，幾乎只有很少的廠家能活下來。因此，循著自動駕駛進化的台階，逐級上升，漸進式推進技術。在每一個台階停留得足夠久，攫取到足夠的利益，成為車企自動駕駛共同的戰略，無論「戰略」被打扮成什麼樣。

這些車企從自動剎車、定速巡航、acc巡航、方向控制，最終實現完全無人駕駛（無方向盤、無油門剎車）。?特斯拉走在自動駕駛部署的前列（儘管它出於責任規避自稱輔助駕駛）。

通用、賓士、奧迪和福特，都測試了自動駕駛系統，甚至是加州自動駕駛測試名單上的常客，但它們都沒有足夠的動力和勇氣投入實際部署。它們在高端車型上應用的某些功能——擁堵自動跟車、車道保持等，具備自動駕駛的某些特徵，同時仍以人工駕駛為主。

而谷歌旗下的Waymo，實際上將汽車視為自學習、能行走的機器人。通過模擬駕駛員的大腦完成自動駕駛。科技公司都希望繞過輔助駕駛，直接系統介入，取代人類，實現無人駕駛。剛剛遭遇重大挫折的優步，也基於這種設計，在亞利桑那州進行路測。

雖然科技公司企圖一步到位，他們實現自動駕駛演算法路徑不同。

谷歌是最早將神經網路用於自動駕駛的公司。車載計算機用於確定具體場景，並在成千上萬個決策可能中遴選出最佳的那一個。然而，網路的複雜性質，可能使得人類難以理解系統做出某些決定的邏輯。作為改進，谷歌工程師們將神經網路與基於規則的編程方法相結合，特定場景將被引入「獨立進程」。而通過「模式」學習，可以更好地模擬人類駕駛行為。基於統計推理模型的混合演算法，是谷歌目前所應用演算法路線。

相比而言，「基於規則的決策」系統，需要窮盡所有可能的場景，並事先對決策系統編程。雖然這樣一來不再要求系統具有自學習能力，但使用場景受到限制。該演算法只用於園區自動駕駛等固定場景。

測試與訓練

按照美國2013-2015年的統計，每1億英里造成1.09起交通死亡事故（中國情況要糟糕得多，死亡數據比美國高一個數量級）。為了體現相對人類的優勢，自動駕駛測試里程達到數十億英里，才有說服力。如果都採用實際測試，需要組織數百輛車的龐大車隊，24小時運行，經歷十年以上的時間才能積累3億英里數據。

為了壓縮測試進程，Waymo採用實測+虛擬測試結合的方式。前者數百萬英里，而後者在數月時間內可以輕易1億英里。後者用演算法控制虛擬車輛，應對各種虛擬場景，以檢驗其決策是否適當。這其實是一種混合測試。

而特斯拉獨闢蹊徑，採用「影子測試」。每一輛出售的特斯拉車輛，在後台都有「影子駕駛」模式，在實際路況下虛擬決策，然後將數據上傳伺服器，用於事後分析。這相當於所有特斯拉車主幫助公司測試。

特斯拉則認為，實際路況下虛擬駕駛，就可以使系統自主學習，直至進化到L4級自動駕駛階段。這涉及到實際駕駛是否是必須的問題。當然，作為補充，馬斯克承諾特斯拉將進行橫穿全美自動駕駛測試（其中包含越野路況）。他承認，目前量產車內製代碼無法做到跨州自動駕駛。為了橫跨兩洋，必須要敲很多的「自定義代碼」，而且只能針對橫穿美國線路。特斯拉沒有考慮到各州自動駕駛法律不同的障礙。

而豐田成立的「豐田研究院先進開發公司」，則採用了「變種影子測試」。他們計劃在量產車上安裝廉價感測器，在重複路線下的低精度數據，可以提煉出高精度地圖數據。該做法可以輕易轉換為自動駕駛系統的測試方法。不過，豐田的計劃仍停留在紙上。

雖然技術路線不同，但終極目標早就出現在地平線上。硬體方面的創新提供了自動駕駛所需的「算力」。但軟體仍然是障礙。自動駕駛車輛仍然必須學習與其他車輛「協商」駕駛方式，這是令研究人員殫精竭慮的博弈難題。不僅需要大量前期開發，還需要長期測試和驗證。

最近優步的事故提示了自動駕駛系統面臨的複雜局面。在系統無法應付的時候，如何選擇最小風險的方式退出，需要設立安全機制，避免惡性事故。全面引入自動駕駛系統仍需要漫長的時間，可能長達10年以上，遠遠超過科技公司和車企預定商業部署的時間。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！