一文看懂無人駕駛：你想知道的都在這

　　通過實時共享汽車駕駛數(shù)據(jù)，在同一條道路上的汽車就能共享自己的實時位置以防止交通事故，交通信號設(shè)施也可以依據(jù)車輛的通行需求合理安排交通順序，降低車輛的等待時間，而V2P 技術(shù)則能讓行人和自行車騎行者也加入到這個 V2X 的環(huán)境中來，使用他們的手機(jī)來發(fā)送和接收警示信息，保證行人的安全通行。

　　更大膽的設(shè)想是，如果汽車之間可以互相通信，并且實現(xiàn)了完全的自動駕駛，那么紅綠燈便沒有理由繼續(xù)存在了。沒有了紅綠燈后，交通設(shè)施將會需要智能的調(diào)度算法和對交叉路口極嚴(yán)密的監(jiān)控，但相比于交通運(yùn)輸效率的提升，這些設(shè)施的成本就不是問題。

　　另外在一些情況下車輛能夠提早的預(yù)判危險情況，如果一定會發(fā)生事故或是在車輛已經(jīng)確認(rèn)遭遇撞擊后可以通過V2X系統(tǒng)廣播信息求助，從而極大的提升車內(nèi)人員被救治的效率。

　　根據(jù)美國交通部的數(shù)據(jù)，V2X 技術(shù)能夠降低 80% 的交通事故率。僅僅在美國，這就將每年減少 59.4 萬次交通事故并拯救多達(dá) 1321 條人命。

　　除了上述對硬件的需求外，自動駕駛技術(shù)更離不開軟件方面的突破。高精度地圖是實現(xiàn)自動駕駛的基礎(chǔ)資源，而機(jī)器學(xué)習(xí)與工程算法則是使高精度地圖、傳感器與V2X設(shè)施所獲得的數(shù)據(jù)真正實現(xiàn)價值的手段。

　　自動駕駛汽車在軟件方面的需求

　　1. 高精度預(yù)計算地圖，壟斷 vs 競爭

　　現(xiàn)在每個人出行都會用谷歌地圖、蘋果地圖、百度地圖及高德等產(chǎn)品，并且他們都有一個不錯的準(zhǔn)確度令我們在城市中可以便捷的通行。但令人類用戶滿意的地圖精度距離滿足自動駕駛汽車的需求還很遠(yuǎn)，因為他缺乏了路面上有幾條車道、車道的邊緣位置、隔離帶與路障位置等極為具體的信息。

　　因此給自動駕駛汽車開發(fā)其專用的高精度地圖便成為了必不可少的任務(wù)。國內(nèi)外較大的地圖提供商目前都已經(jīng)在高清地圖領(lǐng)域展開了積極的行動，意圖盡快的占領(lǐng)自動駕駛汽車用地圖市場更多的份額。

　　高清地圖服務(wù)商一般先要使用類似于谷歌街景車的技術(shù)，用車頂上的高清相機(jī)、雷達(dá)等設(shè)備把周圍環(huán)境全部掃描記錄，再通過算法優(yōu)化最終得到厘米級別的地圖數(shù)據(jù)。

　　HERE生產(chǎn)高清地圖的策略與Google類似，這兩家公司目前都是一次性采集一整個街區(qū)的數(shù)據(jù)。HERE通過車頂安裝的四個廣角的24 兆像素攝像頭、旋轉(zhuǎn)式的激光雷達(dá)、陀螺儀以及GPS 系統(tǒng)，依靠自有算法能夠生成高清地圖。按照Here的預(yù)期，用于自動駕駛高清地圖服務(wù)預(yù)計將在2020年能夠上線。

　　國內(nèi)的高德地圖也已經(jīng)在推進(jìn)地圖數(shù)據(jù)的高精度化，在未來高德希望能夠利用高精地圖數(shù)據(jù)支撐自動駕駛的發(fā)展，自動駕駛再產(chǎn)生新的數(shù)據(jù)，經(jīng)過科學(xué)自動化的處理，變得更新更準(zhǔn)，更能被機(jī)器電腦使用和學(xué)習(xí)的數(shù)據(jù)，最終形成高精地圖數(shù)據(jù)的生產(chǎn)閉環(huán)。地圖行業(yè)及自動駕駛領(lǐng)域的巨頭百度也早有布局，目前高精度地圖已經(jīng)是百度最重要的戰(zhàn)略性業(yè)務(wù)之一。

　　A16Z的合伙人擔(dān)心高精度地圖會存在壟斷的機(jī)會，因為他認(rèn)為在自動駕駛時代人們將不得不完全依賴于這些成本高昂地圖，且這個目前沒有法律所管轄的領(lǐng)域也急需監(jiān)督。

　　星河研究院認(rèn)為從我國情況來看這種擔(dān)心有些多余，在國內(nèi)資本充足的現(xiàn)狀下，多家地圖企業(yè)相互競爭才是比較現(xiàn)實的情況，而其高昂的成本多半要先由風(fēng)險投資商承擔(dān)，再到后期尋找合適的變現(xiàn)模式。目前高德已經(jīng)宣布其高精度地圖對自動駕駛汽車免費(fèi)開放，而預(yù)計隨著競爭的加劇，為了市場份額而爭相免費(fèi)的情況將不可避免。

　　2. 機(jī)器學(xué)習(xí) vs 工程算法：

　　算法是支撐自動駕駛技術(shù)最關(guān)鍵的部分，目前主流自動駕駛公司都采用了機(jī)器學(xué)習(xí)與人工智能算法來實現(xiàn)。

　　而海量的數(shù)據(jù)是機(jī)器學(xué)習(xí)以及人工智能算法的基礎(chǔ)，通過此前提到的傳感器、V2X設(shè)施和高精度地圖信息所獲得的數(shù)據(jù)，以及收集到的駕駛行為、駕駛經(jīng)驗、駕駛規(guī)則、案例和周邊環(huán)境的數(shù)據(jù)信息，不斷優(yōu)化的算法能夠識別并最終規(guī)劃路線、操縱駕駛。

　　現(xiàn)在面臨的主要問題是相比于模型計算，真實行駛場景中的算法需要的數(shù)據(jù)過多且計算量超出了現(xiàn)有能力。目前已經(jīng)有了不少對機(jī)器學(xué)習(xí)進(jìn)行簡化的嘗試，例如OpenAI的Universe這一項目，未來這一問題或許能夠通過近似簡化以及計算能力的提高得到解決。

　　同時在機(jī)械以及路徑規(guī)劃方面較為優(yōu)秀的工程算法也不應(yīng)該被棄之不顧。這兩者最主要的區(qū)別是工程算法依靠固定的邏輯及規(guī)則運(yùn)行，而機(jī)器學(xué)習(xí)能夠結(jié)合歷史經(jīng)驗與數(shù)據(jù)計算出最優(yōu)結(jié)果。

　　Boston Dynamics令人驚嘆的機(jī)器人的算法中并沒有使用機(jī)器學(xué)習(xí)技術(shù)，但依然擁有了令人印象深刻的成果。因此即使工程算法在執(zhí)行效率上與基于深度學(xué)習(xí)算法的Alpha-Go并不在一個水平，但將兩者的優(yōu)點(diǎn)相結(jié)合依然能夠有效的提升機(jī)器學(xué)習(xí)的最終效果。