真正自動駕駛：或許是5年 或許是10年

　　物體分析問題中的初步挑戰(zhàn)是物體探測，考慮到一天中不同的時間段、環(huán)境背景和任何可能的運動，這項任務可能會變得很困難。此外，考慮到傳感器所采集的各數(shù)據(jù)類型(來自激光雷達的點云數(shù)據(jù)，來自雷達的對象列表以及來自相機圖像數(shù)據(jù))之間的差異，確認物體的存在性及其類型所需的傳感器融合算法在技術上實現(xiàn)起來是極具挑戰(zhàn)性的。

　　第2個問題決策系統(tǒng)(Decision-Making Systems)的設計。為了模仿人類的決策，它們必須歷經(jīng)大量應用情景并進行密集且全面的“訓練”。理解和標注收集的不同的場景和收集到的圖像對于自動駕駛系統(tǒng)而言是一個運用普通方法所難以解決的問題，創(chuàng)建全面的、能夠覆蓋到自動駕駛汽車所能遇到的所有場景的“if-then”規(guī)則庫是行不通的。但是，開發(fā)人員可以先構建一個“if-then”的規(guī)則數(shù)據(jù)庫，然后在此基礎上利用機器學習引擎來對其進行補充，因為后者能夠在特定場景中進行智能推理并采取相應行動，而創(chuàng)建一個這樣的引擎是一項非常艱巨的任務，需要完成大量的開發(fā)、測試和驗證工作。

　　最后，該系統(tǒng)還需要一個故障安全機制(Fail-Safe Mechanism)，該機制能確保在汽車發(fā)生故障時不會讓車上的乘客和周圍的人員陷于險地。目前尚無方法來檢查每一個可能的軟件狀態(tài)及其所造成的結果，建立防護措施以防止最壞結果的發(fā)生同時控制車輛以使其安全地停車仍是待解決的難題。因此，冗余設計和長時間的測試工作將是必須的。

　　在實現(xiàn)全自動駕駛的道路上披荊斬棘

　　隨著各企業(yè)推出軟件包(software envelope)來嘗試創(chuàng)建第一批全自動駕駛汽車，它們需要解決與圖2中所列因素相關聯(lián)的技術難題。

　　感知技術、定位技術以及測繪技術

　　為了完善自動駕駛汽車，參與該領域的企業(yè)正在用不同的技術路線來解決自動駕駛汽車在感知、測繪及定位等方面遇到的技術難題。

　　感知技術(Perception)：目標是以最少的測試及驗證里程來達到可靠的感知水平，目前存在兩種技術路線：

　　毫米波雷達+超聲波雷達 +攝像頭(Radar, Sonar and Cameras)：為了感知環(huán)境中的車輛和其他物體，自動駕駛汽車將使用毫米波雷達、超聲波雷達及攝像系統(tǒng)，該技術路線并不能在特別高的精度水平上(on a deeply granular level)對環(huán)境進行評估，但只需要較少的計算資源;

　　上述傳感器 +激光雷達(Lidar Augmentation)：第2種技術路線在毫米波雷達和攝像系統(tǒng)的基礎上，還使用了激光雷達。它要求配置更強大的計算能力，但在各種環(huán)境中的魯棒性更好，尤其是在擁擠且交通流量很大的環(huán)境。

　　專家們相信第2種技術路線將最終成為許多未來自動駕駛汽車產(chǎn)業(yè)參與者們所青睞的方法，這可以從許多汽車制造商、一級供應商及科技公司目前所使用的測試車輛上得到間接驗證，這些汽車大都配置了激光雷達。

　　測繪技術(Mapping)：目前自動駕駛汽車技術開發(fā)者們正在使用技術路線有以下兩種：

　　精細的高清地圖(Granular, High-Definition Maps)：為了構建高精地圖，企業(yè)經(jīng)常使用配置有激光雷達和攝像頭的測繪車輛，它們沿著目標路線行進，以創(chuàng)建含有周圍環(huán)境360度信息(包括深度信息)的3D高精地圖;

　　特征測繪(Feature Mapping)：這種技術路線不一定需要配置激光雷達，而可以使用相機(通常與雷達相結合)僅繪制某些能夠幫助實現(xiàn)車輛導航的特定的道路特征。例如，捕捉車道線、道路及交通標志、橋梁和其它相對靠近道路的物體。雖然這種技術路線只提供了較低的測繪精度，但處理和更新起來更容易。

　　捕獲的數(shù)據(jù)將被(手動地)進行分析以產(chǎn)生語義數(shù)據(jù)，例如，具有時間限制的車速指示牌。通過使用有人駕駛或自動駕駛且每輛車都配置有連續(xù)收集與更新地圖所需的遙感器組件的車隊，地圖制造商可以改進上述兩種技術路線。

　　定位技術(Localization)：通過識別出車輛在其環(huán)境中所處的確切位置，定位技術是自動駕駛汽車選定向哪里走并決定怎么走的關鍵先決條件，目前有下列幾類常見的技術路線：

　　高精地圖(HD Mapping)：該方法使用車載傳感器(包括GPS)來將自動駕駛汽車感知到的環(huán)境與相應的已有的高精地圖進行比對，提供了車輛可在高精度水平上確定其位置(包括車道信息)及正朝著哪個方向的參照點。

　　無高精地圖輔助的GPS定位(GPS Localization without HD Maps)：此種技術路線依賴于GPS進行近似定位，然后使用自動駕駛汽車的傳感器來監(jiān)視其環(huán)境中的變化以改善其定位信息。例如，此類系統(tǒng)會將GPS的定位數(shù)據(jù)與車載攝像機捕獲的圖像進行結合，通過逐幀的比對分析(frame-by-frame comparative analysis)來降低GPS信號的誤差范圍。GPS的在水平方向上定位的95%置信區(qū)間約為8米，相當于正常路面的寬度。

　　需要指出的是，上述兩種技術路線還嚴重依賴于慣性導航系統(tǒng)(Inertial Navigation Systems，IHS)和測距數(shù)據(jù)(Odometry Data)。經(jīng)驗表明，通常情況下第1種路線的魯棒性更好，能夠實現(xiàn)更精確的定位，而第2種路線在操作上更容易實現(xiàn)，因為并不需要高精地圖。鑒于兩者之間的在精度上差異，設計人員可以在車輛的精確定位信息對于導航并不是必須的場景下(例如，農(nóng)村和人口較少的道路)使用第2種方法。

　　決策

　　全自動駕駛汽車在行駛的每一英里路程中需要做出成千上萬個決定，而且它必須以非常高的準確率長期可靠地運行。目前，自動駕駛汽車的設計者們主要使用以下幾種方法來確保車輛行駛在正確的路線上：

　　神經(jīng)網(wǎng)絡(Neural Networks)：為了確定具體的場景并做出適當?shù)臎Q策，今天自動駕駛汽車的決策系統(tǒng)主要采用神經(jīng)網(wǎng)絡，然而，這些網(wǎng)絡的復雜性質可能使得難以理解系統(tǒng)做出某些決定的根本原因或邏輯。

　　基于規(guī)則的決策(Rule-based Decision Making)：工程師想出所有可能的“if-then規(guī)則”的組合，然后在用基于規(guī)則的技術路線對汽車的決策系統(tǒng)進行編程，但此種路線需要花費大量的時間和精力并且可能無法涵蓋到每一個潛在的場景，這些都使得它在實際應用時并不可行。

　　混合路線(Hybrid Approach)：許多專家認為將神經(jīng)網(wǎng)絡和基于規(guī)則的編程方法相結合的技術路線是最佳的解決方案，開發(fā)人員可以通過為每一個被中央集權式神經(jīng)網(wǎng)絡所連接的各獨立進程引入特定的冗余神經(jīng)網(wǎng)絡來解決神經(jīng)網(wǎng)絡的固有復雜性(Developers can resolve the inherent complexity of neural networks by introducing redundancy—specific neural networks for individual processes connected by a centralized neural network)，此時“if-then規(guī)則”可以對其進行優(yōu)勢互補。

　　目前，結合統(tǒng)計推理模型的混合路線是最流行的技術路線。

　　測試與驗證

　　整個汽車行業(yè)在汽車測試與驗證技術方面擁有豐富的經(jīng)驗，以下是用于開發(fā)自動駕駛汽車的典型方法：

　　蠻力(Brute Force)：工程師讓汽車行駛數(shù)百萬英里，以確定所設計的系統(tǒng)是否安全并按預期運行，該方法的困難在于所必須累積的測試里程數(shù)，這可能需要花費掉大量的時間。研究表明，自動駕駛汽車將需要大約2.75億英里的行駛里程來證明，在95%置信度的條件下，他們設計的自動駕駛汽車的故障率為每1億英里造成1.09起交通死亡事故，該數(shù)據(jù)相當于2013年美國的由人為原因所造成的交通死亡率。當然，為了表現(xiàn)出比人類更好的性能，自動駕駛汽車所需測試里程需達到數(shù)十億英里。

　　據(jù)蘭德公司(RandCorporation)研究員尼迪-卡拉和蘇珊-帕多克估計，如果100輛自動駕駛汽車每天運行24小時，每年運行365天，以平均25英里/時(約合40公里/時)的速度行駛，則需要十多年時間才能積累2.75億英里測試里程數(shù)。

　　軟件在環(huán)或模型在環(huán)的仿真(Software-In-the-Loop (SiL) or Model-in-the-Loop (MiL) Simulations)：另一種更可行的方法將現(xiàn)實世界的測試與仿真相結合，這可以大大減少汽車行業(yè)也已熟悉且必須完成的測試里程數(shù)，在仿真所構建的各種場景中，通過算法控制車輛進行相應的應對來證明所設計的系統(tǒng)確實可以在各種場景下做出正確的決定。

　　硬件在環(huán)的仿真(hardware-in-the-Loop，HiL)：為了驗證真實硬件的運行情況，HiL仿真可以對其進行測試，并將預先記錄的傳感器數(shù)據(jù)提供給系統(tǒng)，此種技術路線降低了車輛測試和驗證的成本，并增加研發(fā)人員了對其設計的系統(tǒng)的信心。

　　最終，企業(yè)們可能會實施一種混合路線，應用上述所有方法，以期在最短的時間內(nèi)實現(xiàn)所需的置信水平。

　　加速自動駕駛汽車的研發(fā)及部署進程

　　綜上所示，雖然目前的評估表明，大規(guī)模引入全自動駕駛汽車可能還需要10多年的時間，整個行業(yè)的參與者仍然可以通過多種方法來壓縮這一時間框架。

　　首先，參與到自動駕駛汽車產(chǎn)業(yè)的科技公司(注：如Waymo、Apple及Uber)應該認識到，單個公司獨立開發(fā)自動駕駛汽車所需的整套軟件和硬件系統(tǒng)是極具挑戰(zhàn)性的。因此，它們需要更加擅長合作和形成產(chǎn)業(yè)合作伙伴關系。具體來說，它們可以與行業(yè)的傳統(tǒng)參與者(如技術創(chuàng)業(yè)公司、一級供應商和汽車制造商)形成產(chǎn)業(yè)聯(lián)盟關系，在更細化的層面上，這意味著與對實現(xiàn)自動駕駛汽車非常重要的技術供應商進行合作，如激光雷達技術及地圖技術供應商。

　　其次，為幾家企業(yè)所專有的解決方案(Proprietary Solution)開發(fā)和驗證起來可能會過分地昂貴，因為它們要求這幾家參與企業(yè)承擔所有責任和風險。開放的心態(tài)和商定的標準不僅會加速進程，且能使正在開發(fā)的系統(tǒng)擁有更好的魯棒性。因此，以設計互通性部件(Interoperable Components)作為準則的開發(fā)模式，將起到鼓勵采用模塊化、即插即用系統(tǒng)開發(fā)框架的作用。

　　此外，另一種加快這一進程的方法是將致力于對組件的開發(fā)的行業(yè)風氣逐步轉到對集成系統(tǒng)的開發(fā)(Integrated System Development)。不同于目前行業(yè)主流的只專注于開發(fā)擁有特定用途的組件，業(yè)界需要更多地關注開發(fā)實際系統(tǒng)(Actual Systems)，特別是考慮到自動駕駛汽車所面臨的艱巨的安全方面的難題。事實上，在車輛的整個生命周期中達到一定水平的可靠性和耐用性，將成為整個行業(yè)所必須完成的新的強制性任務，如同在航空業(yè)已經(jīng)要求的那樣，而強調在系統(tǒng)層面進行開發(fā)可能是實現(xiàn)該目標的最佳方法。

　　全自動駕駛汽車可能會在未來幾年內(nèi)實現(xiàn)，但是目前各家企業(yè)大都已在自動駕駛原型汽車最終將會如何呈現(xiàn)的賭局中投下了巨額賭注。自動駕駛汽車將會如何做出決策、感知周圍環(huán)境并保護其搭載的人員呢?想要掌控自動駕駛汽車產(chǎn)業(yè)戰(zhàn)略要素的傳統(tǒng)車企正面臨著一批技術上富有競爭力且資源雄厚的挑戰(zhàn)者，后者有能力給最優(yōu)秀的業(yè)內(nèi)人士(the best-positioned insider)提供難以拒絕的豐厚薪酬包。

　　鑒于自動駕駛汽車產(chǎn)業(yè)狂飆突進的發(fā)展速度，企圖在該產(chǎn)業(yè)中討得一杯羹的企業(yè)在戰(zhàn)略層面給自己定位以便快速抓住此次產(chǎn)業(yè)機會。而對于監(jiān)管機構而言，需要追蹤最新的技術發(fā)展動態(tài)，以便在不妨礙技術創(chuàng)新的前提下，確保公眾的安全。