自動(dòng)駕駛狂熱期已過(guò)，L5規(guī)劃將推遲

2017年年中，業(yè)界普遍預(yù)期主要車(chē)企規(guī)劃到2020~2021年間實(shí)現(xiàn)Level5 的完全自動(dòng)駕駛,2021年實(shí)現(xiàn)L5。Elon Musk在2017年5月的一次TED 演講中宣稱(chēng)，Tesla將在2019年之前實(shí)現(xiàn)Level5級(jí)全自動(dòng)駕駛。

然而，站在2018年下半年的時(shí)點(diǎn)來(lái)看，L5并不會(huì)這么快到來(lái)，部分車(chē)企已經(jīng)推遲了L5規(guī)劃或暫停部分自動(dòng)駕駛研發(fā)計(jì)劃。Gartner的技術(shù)成熟度曲線(xiàn)中，自動(dòng)駕駛技術(shù)已由2017年的“過(guò)高期望峰值期”，開(kāi)始進(jìn)入“泡沫低谷期”。

2017年12月，Volvo將原定于2017年開(kāi)始的“Drive Me項(xiàng)目”推遲至2021年。

2018年1月，CES 2018上，F(xiàn)ord新任CEO Jim Hackett 發(fā)表了題為“讓我們一起尋回街道”的演講，表示Ford 的研究重點(diǎn)已從自動(dòng)駕駛轉(zhuǎn)移到車(chē)聯(lián)網(wǎng)。Hackett在2017年8月接受SFGate采訪(fǎng)時(shí)曾表示，“公眾關(guān)于自動(dòng)駕駛汽車(chē)的浪漫想象有點(diǎn)過(guò)頭了”。

L5級(jí)自動(dòng)駕駛可能需要2025年前后才能夠?qū)崿F(xiàn)。根據(jù)各公司公開(kāi)披露的計(jì)劃，福特、寶馬、百度等公司宣稱(chēng)2021 年開(kāi)始量產(chǎn)至少L4級(jí)別的自動(dòng)駕駛汽車(chē)。德?tīng)柛ＥcMobileye合作，宣布將于2019年提供L4級(jí)別的自動(dòng)駕駛系統(tǒng)。Tesla則更加激進(jìn)，2018年實(shí)現(xiàn)至少L4級(jí)別的自動(dòng)駕駛。對(duì)此，學(xué)術(shù)界則顯得沒(méi)有這么樂(lè)觀(guān)，卡內(nèi)基梅隆大學(xué)機(jī)器人中心Raj Kumar認(rèn)為至少要到2026年才能實(shí)現(xiàn)L5級(jí)別的自動(dòng)駕駛。此外，Waymo計(jì)劃2018年內(nèi)，在鳳凰城的有限區(qū)域內(nèi)試點(diǎn)無(wú)人駕駛打車(chē)服務(wù)；通用Cruise在2018年1月發(fā)布了無(wú)方向盤(pán)、油門(mén)、制動(dòng)踏板的第四代無(wú)人駕駛汽車(chē)Cruise Av，計(jì)劃2019年量產(chǎn)并分配到美國(guó)部分城市作為共享汽車(chē)。

實(shí)現(xiàn)通用無(wú)人駕駛，安全是核心、需五大基礎(chǔ)

實(shí)現(xiàn)通用無(wú)人駕駛的前提是保證安全。由安全需求展開(kāi)，通用無(wú)人駕駛的實(shí)現(xiàn)需軟硬件技術(shù)、V2X、基礎(chǔ)建設(shè)、政策法律、公眾接受度等五項(xiàng)基礎(chǔ)的成熟和完善。其中，軟硬件技術(shù)、V2X的發(fā)展將耗費(fèi)大量的物料成本，政策法律、公眾接受度的成熟需投入不可計(jì)數(shù)的社會(huì)成本，基建則將同時(shí)花費(fèi)物料成本和社會(huì)成本。

軟硬件技術(shù)：1）汽車(chē)傳感器中激光雷達(dá)價(jià)格高昂，且目前缺少L4+車(chē)規(guī)級(jí)產(chǎn)品。固態(tài)激光雷達(dá)是車(chē)規(guī)級(jí)激光雷達(dá)的發(fā)展方向，待成功量產(chǎn)后將大幅拉低激光雷達(dá)的成本。2）傳感器融合算法以及決策算法還在初級(jí)階段。此外，汽車(chē)半導(dǎo)體、高精度地圖等其他技術(shù)也有待進(jìn)一步成熟。

V2X：V2X（Vehicle to Everything）是物聯(lián)網(wǎng)概念在汽車(chē)領(lǐng)域的延伸，包括V2V（Vehicle to Vehicle）車(chē)輛之間通信、V2I （Vehicle to Infrastructure）車(chē)與基礎(chǔ)設(shè)施通信、V2P（Vehicle to Pedestrian）車(chē)與行人交互等。V2X網(wǎng)絡(luò)的建設(shè)需要與道路、網(wǎng)絡(luò)等基礎(chǔ)設(shè)施相配合，全面建成有待時(shí)日。

基礎(chǔ)建設(shè)：1）道路上適應(yīng)于V2I 的基礎(chǔ)設(shè)施的建設(shè)；2）5G網(wǎng)絡(luò)具有高速、低延遲的特性，對(duì)于V2V、V2I至關(guān)重要。

政策法律：1）美國(guó)、德國(guó)、日本、新加坡、中國(guó)等已經(jīng)在部分地區(qū)開(kāi)放了自動(dòng)駕駛汽車(chē)道路測(cè)試。而常規(guī)路段對(duì)自動(dòng)駕駛汽車(chē)的開(kāi)放，目前在除英國(guó)外的大部分國(guó)家都進(jìn)展緩慢。2）自動(dòng)駕駛的法律地位、民事歸責(zé)、刑事歸責(zé)等相關(guān)法律問(wèn)題需要進(jìn)一步討論和完善。據(jù)新華社報(bào)導(dǎo)，我國(guó)自動(dòng)駕駛汽車(chē)的全面部署，至少需要修改七個(gè)領(lǐng)域（包括交通安全管理、測(cè)繪、運(yùn)輸、信息、通訊、質(zhì)檢、標(biāo)準(zhǔn)化）24 部以上的法律。

接受度：目前，公眾對(duì)完全自動(dòng)駕駛的接受度普遍較低。據(jù)羅蘭貝格的消費(fèi)者調(diào)研結(jié)果，完全自動(dòng)駕駛的接受度僅為20%。公眾一方面認(rèn)為完全自動(dòng)駕駛將剝奪駕駛樂(lè)趣，另一方面則是對(duì)完全自動(dòng)駕駛的安全性存在擔(dān)憂(yōu)。

限定場(chǎng)景自動(dòng)駕駛成長(zhǎng)超預(yù)期，商業(yè)化只待成本降低

在物流、工程、農(nóng)業(yè)、園區(qū)等限定場(chǎng)景下，行駛速度較慢或者場(chǎng)景較為簡(jiǎn)單，使得自動(dòng)駕駛的難度大幅降低。近年來(lái)，限定場(chǎng)景下的自動(dòng)駕駛成長(zhǎng)迅速，多個(gè)領(lǐng)域中陸續(xù)有試驗(yàn)性項(xiàng)目落地或小規(guī)模量產(chǎn)。

物流領(lǐng)域：快遞、卡車(chē)貨運(yùn)、倉(cāng)儲(chǔ)

案例#1 京東校園快遞無(wú)人車(chē)

京東在2017年618促銷(xiāo)節(jié)期間，宣布快遞配送無(wú)人車(chē)在人大校園內(nèi)投入運(yùn)營(yíng)。運(yùn)營(yíng)初期，無(wú)人車(chē)每日派件10余單，對(duì)應(yīng)的工作時(shí)長(zhǎng)約5-6小時(shí)。京東無(wú)人車(chē)行駛速度較慢，正常行駛時(shí)平均速度3~4km/h。無(wú)人車(chē)具備避障能力，當(dāng)檢測(cè)到前方3米內(nèi)的障礙物時(shí)，會(huì)提前做好路線(xiàn)調(diào)整；如果障礙物突然出現(xiàn)，無(wú)人車(chē)會(huì)立即停下，且若障礙物2秒后未移開(kāi)，無(wú)人車(chē)會(huì)后退并繞行。

案例#2 Otto 自動(dòng)駕駛卡車(chē)

2016年10月，Otto自動(dòng)駕駛卡車(chē)滿(mǎn)載5萬(wàn)罐啤酒，在高速公路上全程無(wú)人干預(yù)的情況下以55英里的平均時(shí)速行駛120英里后抵達(dá)目的地，并收獲了470美元的報(bào)酬。Otto在2016年8月被Uber以6.8億美元收購(gòu)，但后來(lái)經(jīng)歷了被Waymo起訴、創(chuàng)始人出走等事件，甚至2018年7月時(shí)Uber宣布停止開(kāi)發(fā)自動(dòng)駕駛卡車(chē)。

案例#3 Clearpath 倉(cāng)儲(chǔ)自主移動(dòng)機(jī)器人

加拿大Clearpath Robotics公司的OTTO 100、OTTO 1500 是專(zhuān)為工廠(chǎng)和倉(cāng)庫(kù)設(shè)計(jì)的自主移動(dòng)機(jī)器人（AutonomousMobile Robots，AMR），運(yùn)行速度為2m/s。不同于傳統(tǒng)的自動(dòng)導(dǎo)引車(chē)（Automated Guided Vehicles，AGV），AMR無(wú)需建設(shè)用于導(dǎo)航的軌道等基礎(chǔ)設(shè)施，而是能夠自主尋找最優(yōu)路線(xiàn)、避開(kāi)障礙物，實(shí)現(xiàn)了從“自動(dòng)（Automated）”到“自主（Autonomous）”的升級(jí)。AMR極大地節(jié)省了前期建設(shè)成本，具有更高的靈活性。

公共交通：巴士、出租車(chē)、擺渡車(chē)

案例#4 百度自動(dòng)駕駛巴士阿波龍

百度在2018年7月的AI開(kāi)發(fā)者大會(huì)上宣布，全球首款L4級(jí)別的自動(dòng)駕駛汽車(chē)阿波龍小巴車(chē)已量產(chǎn)下線(xiàn)。目前，100臺(tái)阿波龍正進(jìn)行小規(guī)模運(yùn)營(yíng)。阿波龍完全去掉了中控臺(tái)、駕駛座、方向盤(pán)、油門(mén)和剎車(chē)踏板，最多載客14人，最高時(shí)速達(dá)70公里，充電兩小時(shí)續(xù)航里程達(dá)100公里。除了在北京、廣州、深圳、福建平潭、雄安等地運(yùn)營(yíng)外，百度還在日本與軟銀合作，將阿波龍用于核電站內(nèi)部人員接駁、東京地區(qū)高齡化社區(qū)穿梭接送等。

案例#5 nuTonomy 自動(dòng)駕駛出租車(chē)

nuTonomy 是由MIT 孵化的自動(dòng)駕駛出租車(chē)初創(chuàng)公司，2016年4月開(kāi)始在新加坡One-North園區(qū)附近為上班族提供無(wú)人駕駛出租車(chē)服務(wù)，車(chē)隊(duì)由6輛自動(dòng)駕駛車(chē)輛組成。由于新加坡人口密度大，停車(chē)位和道路有限，因此nuTonomy 研發(fā)自動(dòng)駕駛出租車(chē)得到了新加坡政府的大力支持。此外，nuTonomy 已經(jīng)獲得了許可，將會(huì)在美國(guó)波士頓街頭進(jìn)行測(cè)試。

案例#6 馭勢(shì)科技無(wú)人駕駛擺渡車(chē)

2017年2月，馭勢(shì)科技在白云機(jī)場(chǎng)投入一輛無(wú)人駕駛車(chē)，在航站樓與停車(chē)場(chǎng)之間提供擺渡服務(wù)，這是國(guó)內(nèi)機(jī)場(chǎng)首次采用無(wú)人駕駛擺渡車(chē)。在杭州來(lái)福士廣場(chǎng)，馭勢(shì)科技還投放了針對(duì)大型地下停車(chē)庫(kù)的無(wú)人駕駛擺渡車(chē)，運(yùn)行速度8 公里/小時(shí)。消費(fèi)者購(gòu)物后，可以在電梯口直接輸入自己的車(chē)牌號(hào)，無(wú)人車(chē)就會(huì)將消費(fèi)者帶到相應(yīng)的停車(chē)位。

限定場(chǎng)景自動(dòng)駕駛商業(yè)化只待成本下降

雖然限定場(chǎng)景自動(dòng)駕駛技術(shù)已日趨可用，但商業(yè)化仍需考慮成本問(wèn)題。

目前自動(dòng)駕駛汽車(chē)單車(chē)成本較高，可能超過(guò)司機(jī)工資及事故成本降低所節(jié)省的費(fèi)用。

在港口、倉(cāng)儲(chǔ)等場(chǎng)景中，AGV 方案發(fā)展成熟，相比當(dāng)前的自動(dòng)駕駛更加經(jīng)濟(jì)高效。

AI 賦能汽車(chē)?yán)斫鉀Q策能力，端到端自動(dòng)駕駛是終極目標(biāo)

AI 技術(shù)在理解層和決策層中賦能自動(dòng)駕駛

自動(dòng)駕駛是一種類(lèi)人駕駛，即計(jì)算機(jī)模擬人類(lèi)的駕駛行為，其功能的實(shí)現(xiàn)同樣分為感知、理解、決策和執(zhí)行四個(gè)層次，由各類(lèi)傳感器、ECU和執(zhí)行器來(lái)實(shí)現(xiàn)。

在整個(gè)自動(dòng)駕駛實(shí)現(xiàn)的流程中，1）感知層主要依賴(lài)激光雷達(dá)和攝像頭等傳感器設(shè)備所采集的信息感知汽車(chē)周?chē)h(huán)境，以硬件設(shè)備的精確度、可靠性為主要的衡量標(biāo)準(zhǔn)。2）執(zhí)行層通過(guò)汽車(chē)執(zhí)行器，包括油門(mén)、轉(zhuǎn)向和制動(dòng)（剎車(chē)）等，實(shí)現(xiàn)車(chē)輛決策層輸出的加速、轉(zhuǎn)向和制動(dòng)等決策，主要依靠機(jī)械技術(shù)實(shí)現(xiàn)。3）AI技術(shù)主要應(yīng)用于理解層和決策層，擔(dān)任駕駛汽車(chē)“大腦”的角色。

理解層對(duì)感知層數(shù)據(jù)進(jìn)行解析，AI 算法技術(shù)優(yōu)勢(shì)盡現(xiàn)

依據(jù)感知層傳感器的不同，理解層主要完成兩個(gè)任務(wù)：車(chē)輛的高精度定位，以及物體識(shí)別和追蹤。

高精度定位任務(wù)的實(shí)現(xiàn)主要是通過(guò)GPS或視覺(jué)的算法實(shí)現(xiàn)非常精準(zhǔn)的車(chē)輛定位，目前主要的技術(shù)路線(xiàn)有三種：慣性傳感器（IMU）和GPS定位、基于視覺(jué)里程計(jì)算法定位、基于雷達(dá)的定位。

AI 算法在理解層最主要的應(yīng)用是物體的識(shí)別和追蹤。物體跟蹤和識(shí)別包括靜態(tài)物體識(shí)別和動(dòng)態(tài)物體識(shí)別，對(duì)于動(dòng)態(tài)物體還需要對(duì)其軌跡進(jìn)行追蹤，基于追蹤的結(jié)果預(yù)測(cè)其下一步的位臵，計(jì)算出安全的行車(chē)空間。自動(dòng)駕駛車(chē)輛需要實(shí)時(shí)進(jìn)行多個(gè)物體的識(shí)別和追蹤，典型的物體包括車(chē)輛、行人、自行車(chē)等。

激光雷達(dá)和計(jì)算機(jī)視覺(jué)是實(shí)現(xiàn)物體識(shí)別/跟蹤的兩種途徑，Google 和Tesla分別代表了這兩種不同的技術(shù)路線(xiàn)。

激光雷達(dá)生成的點(diǎn)云數(shù)據(jù)包含物體的3D 輪廓信息，同時(shí)通過(guò)強(qiáng)度掃描成像獲取物體的反射率，因此可以輕易分辨出草地，樹(shù)木，建筑物，路燈，混凝土，車(chē)輛等。識(shí)別軟件算法簡(jiǎn)單，很容易達(dá)到實(shí)時(shí)性的要求。

計(jì)算機(jī)視覺(jué)的方法是利用深度學(xué)習(xí)對(duì)攝像頭圖像進(jìn)行處理，從像素層面的顏色、偏移和距離信息提取物體層面的空間位臵（立體視覺(jué)法）和運(yùn)動(dòng)軌跡（光流法）?；谝曈X(jué)的物體識(shí)別和跟蹤是當(dāng)前的研究熱點(diǎn)，但是總體來(lái)說(shuō)輸出一般是有噪音，如物體的識(shí)別有可能不穩(wěn)定，可能有短暫誤識(shí)別等。

決策層如何應(yīng)對(duì)復(fù)雜情形是自動(dòng)駕駛的關(guān)鍵瓶頸

在理解層的基礎(chǔ)上，決策層解決的問(wèn)題是如何控制汽車(chē)行為以達(dá)到駕駛目標(biāo)。在一個(gè)具有障礙物并且動(dòng)態(tài)變化的環(huán)境中，按照一定的評(píng)價(jià)條件尋找一條從起始狀態(tài)到目標(biāo)狀態(tài)的無(wú)碰撞路徑。自動(dòng)駕駛汽車(chē)的決策包括全局性導(dǎo)航規(guī)劃、駕駛行為決策和運(yùn)動(dòng)軌跡規(guī)劃。1）全局導(dǎo)航規(guī)劃在已知電子地圖、路網(wǎng)以及宏觀(guān)交通信息等先驗(yàn)信息下，根據(jù)某優(yōu)化目標(biāo)，選擇不同的道路。2）駕駛行為決策根據(jù)當(dāng)前交通狀況、交通法規(guī)、結(jié)構(gòu)化道路約束，決定車(chē)輛的目標(biāo)位臵，抽象化為不同的駕駛行為，如變換車(chē)道、路口轉(zhuǎn)向等。3）運(yùn)動(dòng)軌跡規(guī)劃是基于駕駛行為決策，躲避障礙物，對(duì)到達(dá)目標(biāo)位臵的路線(xiàn)進(jìn)行規(guī)劃。

基于規(guī)則的傳統(tǒng)算法，在應(yīng)對(duì)復(fù)雜情形下的決策仍存在挑戰(zhàn)。道路上的交通參與者（車(chē)輛、行人、自行車(chē)等）的狀態(tài)和意圖具有不確定性，決策算法需要在這樣的環(huán)境下，以較短的時(shí)間進(jìn)行行為決策，無(wú)疑是個(gè)技術(shù)難點(diǎn)。當(dāng)前自動(dòng)駕駛的決策算法多基于規(guī)則，如有限狀態(tài)機(jī)算法、決策樹(shù)等算法等。需要開(kāi)發(fā)者利用專(zhuān)業(yè)知識(shí)對(duì)特定問(wèn)題進(jìn)行抽象和建模，實(shí)際上這種方式缺乏靈活性，特別是在復(fù)雜情形下，交通參與者的不確定性更高，算法更是難以做到面面俱到。

強(qiáng)化學(xué)習(xí)在自動(dòng)駕駛決策層具有應(yīng)用前景。強(qiáng)化學(xué)習(xí)的目的是通過(guò)和環(huán)境交互學(xué)習(xí)到如何在相應(yīng)的觀(guān)測(cè)中采取最優(yōu)行為。行為的好壞可以通過(guò)環(huán)境給的獎(jiǎng)勵(lì)來(lái)確定。不同的環(huán)境有不同的觀(guān)測(cè)和獎(jiǎng)勵(lì)。例如，駕駛中環(huán)境觀(guān)測(cè)是攝像頭和激光雷達(dá)采集到的周?chē)h(huán)境的圖像和點(diǎn)云，以及其他的傳感器的輸出。駕駛中的環(huán)境的獎(jiǎng)勵(lì)根據(jù)任務(wù)的不同，可以通過(guò)到達(dá)終點(diǎn)的速度、舒適度和安全性等指標(biāo)確定。當(dāng)前增強(qiáng)學(xué)習(xí)的算法在自動(dòng)駕駛汽車(chē)決策上的研究還比較初步，有試錯(cuò)次數(shù)多、算法可解釋性差等弱點(diǎn)。

深度學(xué)習(xí)算法在自動(dòng)駕駛中廣泛應(yīng)用，端到端自動(dòng)駕駛?cè)跃咛魬?zhàn)

車(chē)輛的道路行駛環(huán)境非常復(fù)雜，需要處理大量非結(jié)構(gòu)化數(shù)據(jù)。深度學(xué)習(xí)算法能夠高效的處理非結(jié)構(gòu)化數(shù)據(jù)，并自動(dòng)地從訓(xùn)練樣本中學(xué)習(xí)特征，當(dāng)訓(xùn)練樣本足夠大時(shí)，算法能夠處理遇到的新的狀況以應(yīng)對(duì)復(fù)雜決策問(wèn)題。以基本的車(chē)輛識(shí)別問(wèn)題為例，在用足夠多的汽車(chē)圖像對(duì)算法進(jìn)行訓(xùn)練后，算法具備了識(shí)別汽車(chē)的能力。

深度學(xué)習(xí)在自動(dòng)駕駛中的應(yīng)用可以分為兩個(gè)學(xué)派：端到端式（End-to-End architecture）和問(wèn)題拆解式（SemanticAbstraction）。與人類(lèi)相比，在端到端式的構(gòu)架中，一個(gè)DNN網(wǎng)絡(luò)模擬了人的整個(gè)駕駛行為；而在問(wèn)題拆解式的構(gòu)架中，每個(gè)DNN網(wǎng)絡(luò)僅模擬了人的一部分駕駛行為。

端對(duì)端式不需要人工將問(wèn)題進(jìn)行拆解，只需要一個(gè)深度神經(jīng)網(wǎng)絡(luò)（DNN），在經(jīng)過(guò)訓(xùn)練后，基于傳感器的輸入信息（如照片），直接對(duì)車(chē)輛的加減速和轉(zhuǎn)向等進(jìn)行控制。

問(wèn)題拆解式需要人工將問(wèn)題進(jìn)行拆解，分別訓(xùn)練多個(gè)DNN網(wǎng)絡(luò)，實(shí)現(xiàn)諸如車(chē)輛識(shí)別、道路識(shí)別、交通信號(hào)燈識(shí)別等功能。然后基于各個(gè)DNN網(wǎng)絡(luò)的輸出，再對(duì)車(chē)輛的加減速和轉(zhuǎn)向進(jìn)行控制。

目前，問(wèn)題拆解式深度學(xué)習(xí)在自動(dòng)駕駛領(lǐng)域得到廣泛的應(yīng)用，主要是進(jìn)行圖像識(shí)別。如識(shí)別行駛途中遇到的車(chē)輛、行人、地上的交通標(biāo)志線(xiàn)、交通信號(hào)燈等。在KITTI2數(shù)據(jù)集上，排名第一的車(chē)輛識(shí)別算法已經(jīng)能夠達(dá)到92.65%的準(zhǔn)確率3。以色列Mobileye是這個(gè)領(lǐng)域的領(lǐng)軍人物，其推出的基于攝像頭的圖像識(shí)別解決方案EyeQ得到了業(yè)內(nèi)的認(rèn)可，被10多家汽車(chē)制造商超過(guò)100種車(chē)型所采用。眾多創(chuàng)業(yè)公司也試圖從這個(gè)角度切入自動(dòng)駕駛領(lǐng)域，提供圖像識(shí)別算法，如商湯科技、圖森互聯(lián)、地平線(xiàn)科技等。

NVIDIA在測(cè)試車(chē)上通過(guò)端到端式的深度學(xué)習(xí)實(shí)現(xiàn)了對(duì)車(chē)輛轉(zhuǎn)向的控制，百度在2017年CES上推出了開(kāi)源的端對(duì)端的自動(dòng)駕駛平臺(tái)Road Hackers及訓(xùn)練數(shù)據(jù)。目前端到端方案需要大量的數(shù)據(jù)進(jìn)行模型訓(xùn)練（模型參數(shù)更多），算法的可解釋性變差，難以進(jìn)行錯(cuò)誤排查，在可靠性上也存在一定問(wèn)題，仍處在較為初級(jí)的階段。