信任危机之后,自动驾驶的转型之路

实现无人驾驶汽车技术是人类长期的梦想,而从无人驾驶的理论首次提出,到今天也不过40年光景。

可如今这个行业的参与者,除了谷歌、苹果等科技巨头,还有福特、奔驰、通用、特斯拉等新老车厂,以及上百家创业公司。

无数的人才和资金涌入,让汽车的无人化成了一种必然的趋势,似乎在短短几年内,自动驾驶技术就能从幻想变成现实。

可是于此同时,我们也看到了很多自动驾驶车出现的致命性事故,我们至今也没能看到技术带来的大规模商业化场景。

两种现实的冲突不禁让人心生疑问:无人驾驶的世界,离我们很遥远,还是触手可及?为了回答这个问题,NextTech采访了多名行业专家,从技术角度出发,来谈谈汽车发展史上的这一次新革命。

颠覆,从模仿开始

要理解自动驾驶的本质,得先从人类驾驶上出发。

人在开车时会持续执行几个步骤:

• 感知环境

• 分析判断

• 进行控制

举个最简单的例子,眼睛看到红灯(感知),大脑分析红灯的意义(判断),脚踩刹车(执行)。

无人驾驶的运作逻辑和人无异,只是传感器代替了眼睛,计算平台替代了大脑,控制执行系统接替了手脚。


信任危机之后,自动驾驶的转型之路



无人驾驶的使命,就是在这三个步骤中模仿人,并最终超越人。

无人驾驶系统在环境感知的阶段,需要依靠传感器来收据道路信息。传感器目前有4种类别,每一类都有各自的优劣势:激光雷达的精度高,可以夜间工作,毫米波雷达可以探测车速和距离,超声波雷达在雨雪天通用,摄像头可以有效识别物体。


信任危机之后,自动驾驶的转型之路



4种传感器相辅相成,在理论上可以实现比人眼更广阔精确的感知能力。

不同传感器的数据会出现重叠现象,这就需要计算平台(大脑)对数据进行融合,综合分析判断,识别出不同数据的意义。

传感器捕捉的数据再全面,若不能准确的判定,就存在极大的潜在风险,例如对面飘来一个黑色塑料袋,如果计算平台误判为一辆黑色轿车,并紧急刹车,就可能造成后车追尾事故。

控制执行方面,用电子电路去接管变速箱、方向盘和踏板。但如何平稳的加速,如果避免急刹车,如何在拐弯时依然平稳顺滑等等操控细节,也都需要对控制系统做精确调校。

狂奔之后,整个行业遇到瓶颈期

谷歌Waymo、Uber等大公司都想实现无人驾驶,这在美国工程师协会提出的自动驾驶等级中,无人驾驶处于L4-L5的区间。它在理论上摆脱了人的干预,无人驾驶车可以在无人监管的情况下把人从A点带到B点。

但现状是,专注于无人驾驶或更高等级的自动驾驶问题多多,短期内没有大规模商业落地的可能性。

从传感器来讲,单是激光雷达一个传感器的支出就可以超过上千美元;从算法来看,目前的算法还不能覆盖所有的交通场景,需要不断去寻找罕见案例(Corner Case);控制执行上,车辆的乘坐体验也远称不上完美,自动驾驶模式可能会导致乘客的各种不适。




车顶装配有激光雷达

再比如高精度地图,它能让车辆能获得超视距的感知能力,更全面地判断道路环境,减少对传感器识别道路标线的依赖。不过,高精地图的绘制需要大量的金钱和时间,想将全世界每条道路都绘制成高精地图已极为困难,同时路况每天都有更新,保持高精地图新鲜更是不太现实。

另外,自动驾驶车在上路许可的获取、事故责任方的认定,和车辆改装许可等法律层面上也是接近空白,一个无人驾驶的汽车,在绝大部分地区是不允许上路的。

在NextTech的采访中,不少分析师和行业专家预测,L4-L5的无人驾驶的大范围实现,可能需要至少10年的时间。

而低级别自动驾驶技术,则更有可能短期内落地,创造社会价值。

相对于无人驾驶技术,智能驾驶,特指代在L1-L3范围内提供的自动驾驶技术,它包括车道保持、自适应巡航、自动变道、自动紧急刹车、自动上下高速等功能,也包括车内座舱的智能化,例如对驾驶员行为的监测、车内智能交互等等。总体来说,是对以人为主体的驾驶员的一种辅助。


信任危机之后,自动驾驶的转型之路



特斯拉的Autopilot,是智能驾驶的典型应用

地平线工程师余轶南提到了智能驾驶的几点优势:

首先从法规上来讲,在智能驾驶层面,人依然是驾驶的主体,所以基本上不太需要去改变现有的法规架构,只需在现有的政策标准上设立门槛。

从功能上来说,智能驾驶更循序渐进,可以实现诸如自动刹车、自动巡航、车道保持等等功能,它可以直接在目前的乘用车上实现,面对巨大的汽车市场,就能实现量产,促使芯片等硬件的成本降低,背后有真正的实用性和广大的市场,这就给商业化提供了土壤。

智能驾驶能提早落地,除了技术成熟,适用范围广之外,更低的成本是它的最大优势。

相比于高等级的无人驾驶,智能驾驶对于硬件的要求相对较低,并不需要特别昂贵的传感器和硕大的计算设备。

目前一个高等级的L4自动驾驶车,其成本大概在20万美金左右,而如果要实现L3以下的智能驾驶功能,量产的成本可以控制在几百到几千美元的水平。

反思之下,行业走上新路径

在智能驾驶的路径上,也避不开传感器数据融合、深度学习、车联网、地图、人机交互等环节。

在这其中,芯片是贯穿始终的。在芯片硬件的选择上,最早人们使用MCU/CPU/DSP等芯片,后来发现GPU在图像处理上的优势,让GPU芯片成了用于技术研发主流。

现在,很多厂商开始专门为自动驾驶开发定制芯片,以显卡闻名的英伟达开发了价值数千美元的PX2计算平台,其处理能力是此前系统的40倍,一次能搞定8颗传感器(相机、雷达和超声波传感器)传输的数据。


信任危机之后,自动驾驶的转型之路



这类高性能芯片在进行深度学习时,往往需要大量的计算资源,需要海量的训练样本。

而在L1-L3阶段,此类芯片无法满足产品需求,有能耗高、发热严重、占用空间大等问题。

一些公司开始针对性地推出更低功耗的边缘AI芯片,通过算法和芯片的深度整合,提升芯片有效算力,在同等性能的情况下大大降低功耗和成本,保证实时性。

具体来说,边缘计算的显著特性是时效性强,它不完全依赖云服务,可以在本地实时完成数据处理工作,没有网络环境不佳带来的困扰,也不会因数据吞吐量过载导致延时的情况发生。

拿iPhone来举例,iPhone上的人脸识别解锁就基于本地,无需联网。而支付宝的刷脸登陆,需要把照片上传到云端(外地服务器)进行存储和分析验证,速度上会有明显的劣势。


信任危机之后,自动驾驶的转型之路



另外,边缘计算在保密性上也更具优势。

还是拿iPhone举例,它的解锁数据全部放在一个高度加密的芯片内,进行无线破解的可能性近乎为零,而苹果引以为傲的iCloud云服务,就经历了大规模的被黑事件。

在自动驾驶车上,如果云端服务器掉线,或者车辆驶入隧道和没有信号的偏远地区,就会出现各种问题,同样一旦网络被攻击,可能会让车辆失去控制。

在细分赛道上,国内做人工智能处理器的公司,围绕边缘计算,研发自动驾驶芯片的公司很少。

其中较为有代表性的地平线公司,早在2017年就拿出了基于BPU架构的边缘AI芯片,而基于自研芯片打造的Matrix自动驾驶计算平台,可实现辅助驾驶、人机交互、驾驶员行为监测等功能,针对不同需求,面向不同等级的自动驾驶提供环境感知和多模交互解决方案。


信任危机之后,自动驾驶的转型之路



AI基础理论的突破、传感器技术的进步、处理器的持续升级、云服务和移动网络的普及,以及资本的强力支持,让自动驾驶在最近5年成为了最受人关注的科技行业。

可在成本、安全、法规等现实问题的压力下,自动驾驶行业的爆发至今没能实现大规模的商业落地,让行业领袖们描绘的美好愿景变成了一座座“空中楼阁”。

距离完全形态的无人驾驶遥遥无期,“智能驾驶”就成了行业落地,进行商业化的关键。从2018年开始,行业人士愈发意识到自动驾驶落地的重要性,开始寻求更容易实现,更具性价比的解决方案。

我们距离“完全自动驾驶”(无人驾驶)的未来依然遥远,但改变正在发生。

只是这一次,我们不希望它太突然,不希望有更多生命的牺牲,我们希望技术能以一种不易察觉的方式融入到最普通的车辆里。

它可以没有引人瞩目的巨大传感器,不会占用巨大的储存空间,不去夸大自身的功能,标榜自身的完美,却能让驾驶更轻松,让行程更安全...直到有一天,我们对车辆的自主性有了足够的信任,才能真正拥抱一个没有方向盘的无人驾驶世界。


本文为我原创

本文禁止转载或摘编

-- --
  • 投诉或建议
评论