无人驾驶技术面临的问题与挑战不包括

刺状树蕨

被传统车企抛弃的自动驾驶

VaRoS测试速度达到了90km/h，这是当时发动机所能提供的最大速度。

最近电动车自动驾驶事故频发，导致车友开始互喷模式。其实应该为科技的迭代做一些科普积累。

自动驾驶的概念出现的时间比燃油车还要早，甚至可以追溯到500年前达芬奇发明的第一辆自走式马车，虽然只是为了运载和贩卖食物，还有诸葛亮的木制牛一系统。

到了50年代末，自动驾驶被提上日程，涉及人工智能的研究方向自然是如何让汽车像人一样思考。无疑，这种研究可谓雷声大雨点小，各种宣传平台。甚至有人预言“机器将在20年内解放人类的双手”。大量热钱涌入后，没有一个样机落地，70年代中期泡沫破灭，人工智能技术遇冷。

多亏了德国科学家恩斯特·迪克曼斯，真正的自动驾驶始于20世纪80年代。在他被命名为“自动驾驶仪的实际发明者”之前，他的工作是分析宇宙飞船Tai 空返回地球大气层所需的轨迹。

Dickmanns认为自己的未来不在台湾空而在陆地。他通过在车上安装电脑、摄像头和传感器，成功制造了无人驾驶汽车“VaRoS”，并于1986年开始在大学进行测试。

VaRoS配备了两个CCD摄像头，加速度计和角度变化等其他传感器，由多个Intel 8086处理器组成的计算系统，以及用于控制方向盘、油门和刹车的底层控制执行器。

Dickmanns的团队还构建了一个名为“4D”的动态视觉模型，随着时间的变化在三维空间中观察物体。比如通过摄像头获取左右白车道线，推导出车辆相对于道路的状态变量。然后，使用卡尔曼滤波软件递归估计状态变量，并将其转换为适当的驾驶指令以自动控制车辆。

卡尔曼滤波器非常适合于不断变化的系统。它还具有占用内存小、速度快的特点。当时计算机的运算速度还不够快。如此优秀的系统，可以应对视觉街景快速变化的问题，让高速自动驾驶成为可能。这辆车后来在巴伐利亚州一条封闭的高速公路上跑到了时速90公里。

嗅到商机的德国汽车制造商戴姆勒找到迪克曼斯，成为他的赞助商。

1994年，经过几年的发展，奔驰500 SEL VITA-1和VITA-2上路了。当时的情况和现在差不多。自动驾驶汽车的驾驶座上仍然坐着一名工程师，他的手会放在方向盘上以防万一，而真正的驾驶员是车辆本身。两辆自动驾驶汽车在三车道高速公路上以高达130公里/小时的速度行驶了1000多公里。成功演示在自由车道行驶，识别交通标志，车队根据车速保持距离行驶，自动变道等。

虽然中间有一些不完善的地方，比如当其他车辆遮挡了测试车辆前方的道路标志，或者道路标线变得模糊，测试车辆的车道识别功能就开始出现问题，但是在那个年代，这已经是一件很困难的事情了。

上世纪90年代末，经济危机导致盈利无望的自动驾驶技术被冻结。汽车制造商意识到，自动驾驶技术从实验室走向市场的过程中需要大量的投资。然而，在破产和联邦政府援助中挣扎的车企不仅无力支撑高昂的RD成本，也不愿意改变燃油车内部已经形成的结构。毕竟很多自动驾驶配备的传感器都是耗电的，燃油车还得加个大电池给它们供电，多此一举。

另一个因素是，当时的自驾概念似乎从一开始就与德国厂商的市场定位有些冲突。长期以来，传统车企打造的都是“司机的车”。戴姆勒选择拿出所有的钱来帮助司机，并不是为了彻底扼杀这个职业，而是为了让用户不再害怕事故，证明计算机视觉技术可以用来预防事故。

总之，短期内看不到效益的自动驾驶技术已经被传统汽车厂商抛弃，直到电动车的兴起。过度包装的“无人驾驶”

不知从什么时候开始，无论是互联网公司谷歌、百度、特斯拉，还是造车新势力魏，一提到AI，就一定要提到无人驾驶，这让无人驾驶成为茶余饭后的热门话题。

当我们谈到无人驾驶时，往往会混淆“无人驾驶”、“自动驾驶”、“驾驶辅助”这几个词，认为它们是可替代的关系。事实上，它们代表了不同水平的自动驾驶技术。美国汽车工程师协会对自动驾驶技术进行了分类，这是目前国际公认的术语定义。

L0属于传统驾驶，L1和L2属于驾驶辅助，L3-L5属于自动驾驶，L5的自动驾驶技术水平也被称为“无人驾驶”。目前驾驶辅助技术已经部署在量产车上，俗称高级驾驶辅助系统(ADAS)。

驾驶辅助技术在L1和L2，自动驾驶技术的L1阶段，车辆开始介入制动和转向控制中的一项，分担驾驶员的工作。与L1相比，L2的驾驶操作主体由人变为系统，但负责外围监控的主体全是人。

相比驾驶辅助，自动驾驶对技术和车辆性能的要求更加严格。首先，需要一个更好的目标识别算法。“误报率”这一指标是衡量自动驾驶技术的重要考量因素。比如自动驾驶中有一个AEB (Autonomous Emergency Braking，自主紧急制动)，如果总是误刹车，会对车辆的安全造成威胁。另外，自动驾驶的漏报率一定要降到零，因为如果有漏报，可能车毁人亡。

另外，视觉和雷达的集成也要进一步提高。以特斯拉为例，Autopilot使用的车辆识别技术还比较原始。它基本上是看这个车道或者相邻车道的车屁股。车屁股有非常明显的特征。车屁股和车灯下面都有阴影。这辆车是对称的几何体。这些特征使它在晚上能被清楚地辨认出来。然而，在之前的事故中，特斯拉撞上了一辆侧停执行公务的警车。这辆车的颜色和背景很难区分，所以视觉其实还有待进一步提升。

为什么这次车祸中雷达没有探测到拖车？特斯拉回应称，雷达确实检测到了这辆车，但将其归类为过马路的路标。从普通雷达算法的角度来看，它希望在接近时做出更准确的判断。但遗憾的是，这辆拖车的底盘很高，雷达安装位置比较低，所以靠近时没有发现。

无人驾驶技术处于最高水平，无人驾驶=完全自动驾驶，驾驶完全交给无人驾驶系统。告诉系统目的地，汽车会带你去你想要的目的地。至于中间行驶过程，怎么走，开多快，车说了算。你只需要安心的在车里睡觉或者思考。听起来是不是特别酷？

从驾驶辅助到自动驾驶，面临第一次转型；从自动驾驶到无人驾驶，是第二次转变。自动驾驶不仅仅是一个算法，它是一个超级复杂的系统工程，不是车商的广告里三言两语能概括的。完全自动驾驶可能永远不会到来。

终极问题，自动驾驶算法能否超越人脑？

我们需要了解机器学习算法的原理。自动驾驶的策略需要通过大量的数据来训练。起初，性能可能很差，但每公里可以获得新的数据。通过这些数据的迭代训练，可以实现更好的策略。随着训练的深入，可能每十公里、几百公里、几千公里都要采集数据，迭代一次。

所以也就不难理解，越训练到后期，越难获得有效数据，成绩增长也就止步不前了。以采用纯视觉感知方案的特斯拉为例。虽然AI日展示的是Dojo超算，但算力并不是瓶颈。瓶颈在于视知觉本身。真实道路的复杂和无尽的变化，基本上不可能与有限的神经网络模型完全拟合。

比如视觉感知系统如何有效识别街道信号灯和广告招牌？如果车前挂了一件有站牌的衣服，怎么判断？虽然计算机可以配合其他方案辅助识别，但这远远超出了纯视觉的范围。

你可能会说这些问题都是靠高精地图和激光定位解决的，但这需要非常高频率的地图更新节奏。夏天采集的激光地图到了秋天，点云会因为行道树叶子脱落而不匹配。如果下雪，几个小时内整条街都会被雪覆盖，点云甚至可能会不对齐，反而会把车带到沟里，人开车很少会受这些情况的影响。

况且大脑在驾驶时会利用经验和潜意识逻辑做出很多实时决策，而深度学习不具备推理等思维能力。比如路上吹一个塑料袋，或者刮风天吹落一片树叶。无论是视觉还是雷达感知，都是疑似障碍物，需要紧急停车或避让，但人会直接开过去；而一个小水坑或者错综复杂的光线造成的阴影都可以被雷达感知，但是视觉可能会被判断为障碍物。这个时候怎么做决定？是不是每一场都写if-else？

最麻烦的是几乎找不到解决上述问题的工程解决方案，这也是为什么目前的全自动驾驶方案严重依赖车路协调，使用无处不在的监控摄像头，设置大量传感器，为车辆提供更大范围、更高精度的环境数据。

车辆之间还有车联网系统相互配合，再通过数据中心协调交通流量，可以实现真正的无人驾驶。但这只是一个科幻小说的想法，因为这意味着改造所有的交通基础设施。谁来制定规则？如何完善规定？自动驾驶作为一种理论和技术，还没有真正实现突破。作为一项在资本推动下渴望商业化的“新技术”，目前缺乏的理论和技术能否在不久的将来突然实现突破，在更大程度上还是在赌博。但从整个行业来看，持悲观态度的占大多数。在未来很长一段时间内，辅助驾驶技术依然会伴随着我们。不突破无人驾驶的技术难关，RD永远在路上。