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，交通設施將會需要智能的調(diào)度算法和對交叉路口極嚴密的監(jiān)控，但相比于交通運輸效率的提升，這些設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 1321 條人命。

　　除了上述對硬件的需求外，自動駕駛技術更離不開軟件方面的突破。高精度地圖是實現(xiàn)自動駕駛的基礎資源，而機器學習與工程算法則是使高精度地圖、傳感器與V2X設施所獲得的數(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，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。國內(nèi)外較大的地圖提供商目前都已經(jīng)在高清地圖領域展開了積極的行動，意圖盡快的占領自動駕駛汽車用地圖市場更多的份額。

　　高清地圖服務商一般先要使用類似于谷歌街景車的技術，用車頂上的高清相機、雷達等設備把周圍環(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、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的預期，用于自動駕駛高清地圖服務預計將在2020年能夠上線。

　　國內(nèi)的高德地圖也已經(jīng)在推進地圖數(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)過科學自動化的處理，變得更新更準，更能被機器電腦使用和學習的數(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)務之一。

　　A16Z的合伙人擔心高精度地圖會存在壟斷的機會，因為他認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域也急需監(jiān)督。

　　星河研究院認為從我國情況來看這種擔心有些多余，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險投資商承擔，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開放，而預計隨著競爭的加劇，為了市場份額而爭相免費的情況將不可避免。

　　2. 機器學習 vs 工程算法：

　　算法是支撐自動駕駛技術最關鍵的部分，目前主流自動駕駛公司都采用了機器學習與人工智能算法來實現(xiàn)。

　　而海量的數(shù)據(jù)是機器學習以及人工智能算法的基礎，通過此前提到的傳感器、V2X設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)有了不少對機器學習進行簡化的嘗試，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。

　　同時在機械以及路徑規(guī)劃方面較為優(yōu)秀的工程算法也不應該被棄之不顧。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)則運行，而機器學習能夠結(jié)合歷史經(jīng)驗與數(shù)據(jù)計算出最優(yōu)結(jié)果。

　　Boston Dynamics令人驚嘆的機器人的算法中并沒有使用機器學習技術，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習算法的Alpha-Go并不在一個水平，但將兩者的優(yōu)點相結(jié)合依然能夠有效的提升機器學習的最終效果。