漫漫征途，实现全自动驾驶需花超10年时间

对实现自动驾驶汽车的首次尝试主要集中在高级驾驶员辅助系统(AdvancedDriver AssistantSystems，ADAS)领域，属于此类的功能包括紧急制动(Emergency Braking)，倒车摄像头(Backup Camera)，自适应巡航控制(Adaptive Cruise Control)以及自动泊车系统(Self-Parking System)等，这些技术一开始最先应用在豪华车上。最终，产业的监管机构开始要求在每辆汽车中都配置部分ADAS功能，这加速了其对大众市场的渗透。截至到2016年，ADAS技术已经形成了一个规模约为150亿美元的市场。
在全球范围内，ADAS系统(例如，夜视功能及车辆盲点探测)的出国量从2014年的9000万套增加到了2016年的约1.4亿套，仅两年时间规模就增长了50%。其中，部分ADAS功能相比于其他功能更有吸引力，例如，从2014年到2016年，具有环视视角的停车系统(Surround-View Parking Systems)的普及率增长超过了150%，而自适应前置照明系统(Adaptive Front-Lighting Systems)的数量在同一时间段内增加了约20%。
客户的支付意愿和产品价格的下降都帮助了ADAS系统套件的普及。麦肯锡公司最近的一项调查发现，为了给汽车配置相应的ADAS功能，驾驶员将平均多花费500 ~2500美元。尽管起初ADAS功能只在豪华车上配置，但目前许多汽车制造商可以在售价20000美元级别的汽车上配置相同的ADAS功能。许多高端汽车不仅在高速公路条件下能自动转弯(即横向控制)、加速及制动(即纵向控制)，而且还能采取相应的行动避免车辆发生碰撞。一些在有限距离的固定线路上行驶的商用乘用车(如短驳车)甚至可以将自己停入空间极为紧凑的停车位。
但是，虽然ADAS已经取得长足的进展，但整个行业还没有确定半自动驾驶汽车(如SAE Level3车辆)的最佳技术原型，因此目前仍处于测试-改进模式(test-and-refine mode)。截至到目前为止，共出现了3种技术路线：
以摄像头(Camera Systems)为主，毫米波雷达为辅；
以毫米波雷达(Radar)为主，摄像头为辅；
混合路线，即把激光雷达、毫米波雷达、摄像头等硬件以及传感器融合算法相结合，以实现对环境更细致的理解。
实现上述技术路线的成本各不相同，其中“混合路线”最为昂贵。截至到目前为止，上述3种技术路线之间尚未决出胜负，每个系统都有其优缺点，例如，“以毫米波雷达为主”的方法可以在高速公路场景下运行良好，该场景中的交通流量相对而言较易预测且对环境进行测绘的精度要求并不高。另一方面，“混合路线”的方法在人口稠密的城市地区能够更好地工作，在该场景下，精确的测绘可以帮助汽车能沿狭窄的街道行驶，识别出体积较小的但影响行驶安全的物体。
解决自动驾驶汽车技术中的难题
自动驾驶汽车无疑将开启了交通运输行业的新时代，但整个行业尚需解决一些技术难题，方可真正实现能够商业化的自动驾驶技术。我们已经看到，ADAS功能可以减轻驾驶负担，并使驾驶的过程变得更安全。但在某些情况下，该技术也会引发新的问题，例如，人类过分信任或依赖这些新系统。这并不是一个新现象，当安全气囊成在20世纪90年代为汽车的标配时，一些驾驶员和乘客将此作为自己可以不佩戴安全带的理由，显然这种错误的观念将导致额外伤亡事件的发生。
与之相类似，ADAS功能的标配化会使驾驶员在工况超出ADAS处理能力的情况仍然盲目依靠它。例如，自适应巡航控制技术在汽车直接跟随另一辆行驶中的汽车时能够运行良好，但它通常不能发现静止的物体。不幸的是，现实生活中的情况以及受控实验都表明，对自动化过于信任的驾驶员最终会以撞上静止的汽车或其他物体而告终。ADAS目前可实现的功能有限，而这正是许多早期用户所没有真正领会理解到的。
此外，还有一些因素会导致安全难题。2015年，在美国，驾驶传统汽车(即SAELevel0)的司机因开车时分心而引发的交通事故造成了近3500人死亡，39万余人受伤。不幸的是，据专家预计，在引入具有某种级别自动驾驶功能但仍要求人类驾驶员随时接管车辆控制权以防止事故发生(注：即该自动驾驶系统仍然无法完全取代人类驾驶员，应该指SAELevel3及以下的自动驾驶水平)的汽车之后，一开始车祸发生的数量并不会显著下降。
安全专家担心，半自动驾驶汽车的驾驶员可能会在自动驾驶模式下进行阅读或发短信等活动，从而在被要求接管汽车控制权的瞬间会缺乏对环境必要的感知。随着驾驶员又再次操控汽车，他们必须立即评估周围环境、确定车辆在其中的位置、分析其所面临的危险状况并选定一个安全的行动方案。而当车速达到65英里/小时(约合104公里/小时)时，汽车只需不到4秒的时间便可驶过相当于标准足球场长度的距离，且驾驶员将控制权交给汽车的时间越长，再次进入驾车状态的过程也会越长。因此，汽车制造商必须开发更好的人机界面，以确保新技术将挽救更多的生命而不是引发更多的事故。
我们在其他场合也遇到过类似的问题：2009年，因为飞行员在客机处于自动驾驶模式下飞行时没有及时接管控制权，致使该航班飞机驶过了其目的地机场约150英里才被发现。对于半自动驾驶汽车而言，“空域”(对应于汽车行驶的“地面”)将变得更加拥挤，“飞行员”(对应于操控汽车的“驾驶员”)的训练状况也较差。因此，对于全神贯注于做其它事情的驾驶员而言，汽车在自动驾驶模式下运行时间过长会变得更加危险。

向全自动驾驶演进
在接下来的5年中，可能会出现属于SAELevel4级别的自动驾驶汽车，该类汽车能够在特定场景下完成所有原本需要人类驾驶员完成的驾驶任务，期间并不需要人类驾驶员的干预。虽然此技术已经能够在有限场景下以将来正常工作的状态进行测试，但真正验证该系统的性能可能仍然需要花费数年时间，因为系统必须进行大量测试以求得能够暴露于罕见场景(注：即机器学习中所谓的“Edge Cases”)中的机会，并采取应对措施将其剔除。此外，工程师还需要实现与保证系统可靠性及安全性方面的目标。起初的时候，公司通常会将系统设计成能够在特定地理区域内的特定应用场景中可靠运行，即所谓的设定“地理栅栏”(Geofence)。另外一个先决条件是，在调整系统以确保能在特定场景中成功运行之后，当“地理栅栏”扩展到涵盖更广泛的应用场景和更大面积的地理区域时，亦需进行相应的额外调整。
实现SAELevel4及SAELevel5的难点在于需要在任何环境下且在没有任何限制的条件下安全地操控汽车，例如，需要在没有绘制过地图的地区或者没有车道线及重要基础设施和环境特征的道路上行驶。因此，由于工程师必须要覆盖和测试的应用场景(Use Cases)数量呈指数级增长，建立一个可在(大部分)无限制环境中运行的系统将需要花费更多的精力。例如，在没有车道标记或车辆行驶在未铺设石板/柏油的道路上，系统必须能够判断出哪些区域是可行驶区域。这是一个困难的计算机视觉技术问题，特别是如果路面与周围环境没有显着差异时，例如道路被大雪所覆盖时间。
实现全自动驾驶可能需要花费10年以上的时间
鉴于目前的发展趋势，未来10年内完全自动驾驶汽车(SAELevel4及以上级别)将难以真正实现，其中主要的障碍在于开发满足SAELevel4及以上级别要求的软件。虽然硬件方面的技术创新能够提供所需的计算能力，而且价格(特别是传感器)会下降(注：由于反摩尔定律的作用)，但软件仍将是关键的技术瓶颈。
事实上，硬件的性能已经接近达到使高度优化后的自动驾驶汽车软件(Well-Optimized AV Software)顺畅运行所需的水平，目前的技术应该能够很快达到自动驾驶汽车所需的计算能力，不论是图形处理器(Graphics Processing Units，GPU)还是中央处理器。
目前摄像头已经能够满足测试距离、分辨率和视场等方面的性能要求，但在恶劣天气条件下也面临显着的局限性。毫米波雷达在技术上已经准备就绪，它是恶劣天气及路况条件下进行探测的最佳选项。提供最佳视场的是激光雷达，它可以极高的精度探测车辆周围360度内的环境状况。虽然目前市场上出售的激光雷达的价格还非常昂贵，但一些商业上可行的小型廉价产品应该会在未来一两年内进入市场。几家高科技公司声称可将激光雷达的成本降低到500美元以下，另一家公司已经推出了一种售价约为10000美元的能够实现完全自动驾驶的系统(大约有十几个传感器)。从商业化的角度来看，企业需要了解SAELevel5汽车所需的最佳的传感器数量，以控制整车的成本。(注：例如，以色列固态激光雷达创业公司Innoviz在5月23日刚刚推出的固态激光雷达产品InnovizPro的售价将低于7000美元)

令人头疼的软件方面的问题仍然存在
开发出与自动驾驶汽车硬件所具备的全部潜力相配且能充分利用之的软件仍然需要较长时间，鉴于问题的复杂性和目前以科研为导向的属性，工程开发方面的时间进度表基本已处于停滞状态。
一个关键的问题是，自动驾驶汽车必须在道路上有其他自动驾驶汽车以及人类驾驶员的情形下，学习如何与之协商驾驶方式(注： ChrisUrmson在4月份CMU的讲座中也指出这是一个令人头疼的博弈难题)。此外，使用易出错的GPS传感器来对车辆进行高精度定位是另一个待解决的复杂问题。解决上述难题不仅需要大量的前期研发，而且还需要经过长时间的测试和验证。
3种类型的问题更具体地说明了软件问题。首先是物体分析(Object Analysis)，即探测到物体并理解它们所代表的含义，对自动驾驶汽车至关重要。例如，该系统应该以不同的方式处理静止停放的摩托车和在路边骑自行车的人。因此，必须在物体分析阶段就捕捉到两者之间关键性的差异。
物体分析问题中的初步挑战是物体探测，考虑到一天中不同的时间段、环境背景和任何可能的运动，这项任务可能会变得很困难。此外，考虑到传感器所采集的各数据类型(来自激光雷达的点云数据，来自雷达的对象列表以及来自相机图像数据)之间的差异，确认物体的存在性及其类型所需的传感器融合算法在技术上实现起来是极具挑战性的。
第2个问题决策系统(Decision-Making Systems)的设计。为了模仿人类的决策，它们必须历经大量应用情景并进行密集且全面的“训练”。理解和标注收集的不同的场景和收集到的图像对于自动驾驶系统而言是一个运用普通方法所难以解决的问题，创建全面的、能够覆盖到自动驾驶汽车所能遇到的所有场景的“if-then”规则库是行不通的。但是，开发人员可以先构建一个“if-then”的规则数据库，然后在此基础上利用机器学习引擎来对其进行补充，因为后者能够在特定场景中进行智能推理并采取相应行动，而创建一个这样的引擎是一项非常艰巨的任务，需要完成大量的开发、测试和验证工作。
最后，该系统还需要一个故障安全机制(Fail-Safe Mechanism)，该机制能确保在汽车发生故障时不会让车上的乘客和周围的人员陷于险地。目前尚无方法来检查每一个可能的软件状态及其所造成的结果，建立防护措施以防止最坏结果的发生同时控制车辆以使其安全地停车仍是待解决的难题。因此，冗余设计和长时间的测试工作将是必须的。
在实现全自动驾驶的道路上披荆斩棘
随着各企业推出软件包(software envelope)来尝试创建第一批全自动驾驶汽车，它们需要解决与图2中所列因素相关联的技术难题。
感知技术、定位技术以及测绘技术
为了完善自动驾驶汽车，参与该领域的企业正在用不同的技术路线来解决自动驾驶汽车在感知、测绘及定位等方面遇到的技术难题。
感知技术(Perception)：目标是以最少的测试及验证里程来达到可靠的感知水平，目前存在两种技术路线：
毫米波雷达+超声波雷达 +摄像头(Radar, Sonar and Cameras)：为了感知环境中的车辆和其他物体，自动驾驶汽车将使用毫米波雷达、超声波雷达及摄像系统，该技术路线并不能在特别高的精度水平上(on a deeply granular level)对环境进行评估，但只需要较少的计算资源;
上述传感器 +激光雷达(Lidar Augmentation)：第2种技术路线在毫米波雷达和摄像系统的基础上，还使用了激光雷达。它要求配置更强大的计算能力，但在各种环境中的鲁棒性更好，尤其是在拥挤且交通流量很大的环境。
专家们相信第2种技术路线将最终成为许多未来自动驾驶汽车产业参与者们所青睐的方法，这可以从许多汽车制造商、一级供应商及科技公司目前所使用的测试车辆上得到间接验证，这些汽车大都配置了激光雷达。
测绘技术(Mapping)：目前自动驾驶汽车技术开发者们正在使用技术路线有以下两种：
精细的高清地图(Granular, High-Definition Maps)：为了构建高精地图，企业经常使用配置有激光雷达和摄像头的测绘车辆，它们沿着目标路线行进，以创建含有周围环境360度信息(包括深度信息)的3D高精地图;
特征测绘(Feature Mapping)：这种技术路线不一定需要配置激光雷达，而可以使用相机(通常与雷达相结合)仅绘制某些能够帮助实现车辆导航的特定的道路特征。例如，捕捉车道线、道路及交通标志、桥梁和其它相对靠近道路的物体。虽然这种技术路线只提供了较低的测绘精度，但处理和更新起来更容易。
捕获的数据将被(手动地)进行分析以产生语义数据，例如，具有时间限制的车速指示牌。通过使用有人驾驶或自动驾驶且每辆车都配置有连续收集与更新地图所需的遥感器组件的车队，地图制造商可以改进上述两种技术路线。
定位技术(Localization)：通过识别出车辆在其环境中所处的确切位置，定位技术是自动驾驶汽车选定向哪里走并决定怎么走的关键先决条件，目前有下列几类常见的技术路线：
高精地图(HD Mapping)：该方法使用车载传感器(包括GPS)来将自动驾驶汽车感知到的环境与相应的已有的高精地图进行比对，提供了车辆可在高精度水平上确定其位置(包括车道信息)及正朝着哪个方向的参照点。
无高精地图辅助的GPS定位(GPS Localization without HD Maps)：此种技术路线依赖于GPS进行近似定位，然后使用自动驾驶汽车的传感器来监视其环境中的变化以改善其定位信息。例如，此类系统会将GPS的定位数据与车载摄像机捕获的图像进行结合，通过逐帧的比对分析(frame-by-frame comparative analysis)来降低GPS信号的误差范围。GPS的在水平方向上定位的95%置信区间约为8米，相当于正常路面的宽度。
需要指出的是，上述两种技术路线还严重依赖于惯性导航系统(Inertial Navigation Systems，IHS)和测距数据(Odometry Data)。经验表明，通常情况下第1种路线的鲁棒性更好，能够实现更精确的定位，而第2种路线在操作上更容易实现，因为并不需要高精地图。鉴于两者之间的在精度上差异，设计人员可以在车辆的精确定位信息对于导航并不是必须的场景下(例如，农村和人口较少的道路)使用第2种方法。
决策
全自动驾驶汽车在行驶的每一英里路程中需要做出成千上万个决定，而且它必须以非常高的准确率长期可靠地运行。目前，自动驾驶汽车的设计者们主要使用以下几种方法来确保车辆行驶在正确的路线上：
神经网络(Neural Networks)：为了确定具体的场景并做出适当的决策，今天自动驾驶汽车的决策系统主要采用神经网络，然而，这些网络的复杂性质可能使得难以理解系统做出某些决定的根本原因或逻辑。
基于规则的决策(Rule-based Decision Making)：工程师想出所有可能的“if-then规则”的组合，然后在用基于规则的技术路线对汽车的决策系统进行编程，但此种路线需要花费大量的时间和精力并且可能无法涵盖到每一个潜在的场景，这些都使得它在实际应用时并不可行。
混合路线(Hybrid Approach)：许多专家认为将神经网络和基于规则的编程方法相结合的技术路线是最佳的解决方案，开发人员可以通过为每一个被中央集权式神经网络所连接的各独立进程引入特定的冗余神经网络来解决神经网络的固有复杂性(Developers can resolve the inherent complexity of neural networks by introducing redundancy—specific neural networks for individual processes connected by a centralized neural network)，此时“if-then规则”可以对其进行优势互补。
目前，结合统计推理模型的混合路线是最流行的技术路线。
测试与验证
整个汽车行业在汽车测试与验证技术方面拥有丰富的经验，以下是用于开发自动驾驶汽车的典型方法：
蛮力(Brute Force)：工程师让汽车行驶数百万英里，以确定所设计的系统是否安全并按预期运行，该方法的困难在于所必须累积的测试里程数，这可能需要花费掉大量的时间。研究表明，自动驾驶汽车将需要大约2.75亿英里的行驶里程来证明，在95%置信度的条件下，他们设计的自动驾驶汽车的故障率为每1亿英里造成1.09起交通死亡事故，该数据相当于2013年美国的由人为原因所造成的交通死亡率。当然，为了表现出比人类更好的性能，自动驾驶汽车所需测试里程需达到数十亿英里。
据兰德公司(RandCorporation)研究员尼迪-卡拉和苏珊-帕多克估计，如果100辆自动驾驶汽车每天运行24小时，每年运行365天，以平均25英里/时(约合40公里/时)的速度行驶，则需要十多年时间才能积累2.75亿英里测试里程数。
软件在环或模型在环的仿真(Software-In-the-Loop (SiL) or Model-in-the-Loop (MiL) Simulations)：另一种更可行的方法将现实世界的测试与仿真相结合，这可以大大减少汽车行业也已熟悉且必须完成的测试里程数，在仿真所构建的各种场景中，通过算法控制车辆进行相应的应对来证明所设计的系统确实可以在各种场景下做出正确的决定。

顶你一下，好贴要顶！

非同小可

强大无比

非同小可