困惑与障碍：通往完全的自动驾驶还有多远？-知识分子的财新博客-财新网

撰文｜邸利会

责编｜陈晓雪

●　●　●

预测未来是一件难事，在炙手可热的自动驾驶领域尤其如此。做自动驾驶的公司越来越多，除了特斯拉、谷歌、微软、优步、百度、奥迪、宝马、英特尔等，还有不断涌现的知道或不知道的众多初创公司，如AutoX，如景驰科技。

自动驾驶何时发生，会在怎样的场景下发生？是摆渡车，还是高速路上的载货车？会不会充斥周遭，无时无刻，无处不在？

在不久前举行的未来青年论坛中，来自汽车制造，传感器，软件，投资等领域的人士讨论了以上问题，也对无人车落地的实际障碍提出了看法。

传感器的困惑

无人车依靠传感器来感知周围的世界。而且，无论在何种光照、天气、路况下，都需要作出准确判断，否则安全就是个大问题。

在大多数专家看来，要提供更安全的无人驾驶，多传感器融合是必然。如今，大多数测试的无人车，都组合装备了摄像头、雷达、激光雷达等传感器。甚至，为了进一步准确的探测人等生物，一家以色列的初创公司还为无人车装备了红外线摄像头。

多传感器融合的方案可能是为了克服单一传感器的弱点，如摄像头在光线弱的夜晚或者光线很强的白日性能不好，激光雷达无法有效应对大雨或雾霾，而雷达对反光的小金属物件容易出错。

在众多传感器中，以对周围环境获得更细节化的刻画衡量，大多数业内人士认为，激光雷达是未来无人车的“标配”。简单来说，激光雷达每秒钟发射上百万道的激光，这些激光束碰到周遭物体后返回，通过记录来回的时间就可创设一个立体的地图从而获得感知。

今天大多数的无人车都使用了激光雷达。不过，特斯拉一直是个特例——其CEO 伊隆·马斯克（Elon Musk）认为，激光雷达太过昂贵，普通公众无法负担，而单纯用摄像头和优良的算法就可引导车辆安全运行。

这一非主流的看法如今获得了一家初创公司的赞同。AutoX创始人肖健雄表示，他们公司的愿景是提供“平民化”的驾驶。他此前是普林斯顿大学计算机视觉和机器人实验室的主任，去年成立AutoX。

从公开报道看，AutoX使用的是摄像头加图像识别算法的技术路径（至少现在如此）。肖健雄说，从纯理论的角度，视觉的信息已足够，甚至比司机更加安全（比如人会疲劳，反应速度也慢，还会发手机信息）。他预计，未来的20-30年依然会是一个司机和无人车并存的时代：车还会有车灯，道路也会使用反光材料，司机还会用双眼认路。他说，在道路还是为视觉设计的情形下，“视觉方案是可以做的很好的，甚至是非常完美的”。

然而，他也认为，从产品的角度，加越多的传感器就越安全，只是存在成本的问题。“考虑两个极端的情形，一个是只有计算机视觉，一个是什么传感器都有，将来实现真正的量产，能为大家所用，可能会是一个中间的结合；另外，使用的场景不同，比如是在高速路行驶的车，还是低速的摆渡车，所使用的传感器配置都会不一样。” 肖健雄说。

不过，景驰科技的联合创始人兼CTO韩旭却认为，纯视觉的解决方案只是理论可行，实际上很难做到。他说，在一定可控的范围内，多加传感器可以提高灵敏度，也是为了保证更加的安全，而成本，如果结合共享车的使用，是可以均摊下来的。“我觉得还是多传感器融合的方案更加实际点。”他说。韩旭曾担任百度首席科学家，他和同事在今年4月份创立景驰。

特殊情形瓶颈

不过，传感器只是整个自动驾驶中的一部分，更重要的还是背后的算法。以激光雷达为例，当收集到称之为“点云”（point cloud）的大量信号后，自动驾驶的软件要识别出各种物体，比如行人，树木或其他车辆。然后，将此刻“看到”的与之前的情形进行比较，知道发生了哪些变化后再作出行动。而这样周而复始的过程必须以极快的速率，持续不断地进行。

如今，无人车上路测试已不算稀奇，而且有些已经跑了成百上千公里。如果这些已经足够让你惊叹，可也不应简单认为，模型演示可以等同于商业化产品——二者的差距可能同样是成百上千公里。与很多软件开发通常遇到的困难类似，对自动驾驶来说，最困难的地方在于对特殊情形（edge case）的正确判断。

一些在人看来不是问题的问题（比如，人很容易知道前方公交车后背张贴的广告模特不是真人），在支撑自动驾驶的软件看来，可能会感到十分困惑：到底是不是人？恐怕再精妙的机器学习算法也会因为缺少特殊情形下的学习而无法真正发挥效能：不学又如何会呢？

特殊情形对自动驾驶的安全性来说至关重要。长久以来，自动驾驶的拥护者都承诺了比司机更高的安全性。可是，事故率多少算安全呢？这似乎是一个无止境的追求。如果有某家公司声称有99.9%的安全，这恐怕也没什么，因为这反过来说明事故率是千分之一。

“0.01 的进步都是非常关键的。” 韩旭说，“提高安全性，有效的数据是非常重要，关键在于特殊的情形（corner case）学习，而且（这样的情形）还非常分散多样”。

不过，特殊的情形却是不容易遇到的。成千上万公里的测试也许遇到的特殊情形少之又少。那么，如此稀有的特殊情形数据，该如何获得呢？自动驾驶行业是否会像计算机视觉领域那样创建一个类似于ImageNet的共享数据集呢？

肖健雄认为，除去自动驾驶的数据量相对非常大之外，整个行业还处于非常早期的阶段，也不利于数据共享。“比如使用什么样的传感器，用多少传感器，都还没定，（传感器在车上）安装的位置也不一样，有大量的未定因素。”他进一步说，这也就是为什么形成一个产业联盟，开始对话是非常有意义的。

“我们看到有不少的航空规定，每一项规定背后都是一起事故，教训是非常惨重的；所以，我觉得任何一家公司都应该有责任分享数据，这是需要我们去一起推动的。”韩旭说。

相对于汽车的零部件供应商或者像AutoX这样的纯技术公司，在当下车企无疑拥有更多的数据。奇点汽车CEO、创始人沈海寅也认为，只有拥有一个合作的健康生态，各方才能存活的更好，“我们也非常乐意做这样的事情”。

随着大量特殊情形下驾驶数据的累积，算法的改进也在情理之中。沈海寅预计可能要15至20年，才能达到完全的自动驾驶。那么，在此之前，自动驾驶可能的应用场景有哪些呢？韩旭说，限定区域的自动驾驶可能会很快实现：“这种级别的驾驶会比大家想象的更快的到来，至少我看到的趋势是这样的。”

待补的政策环节

要实现真正的落地，实际路测都是不可缺少的一环。虽然实验室的模拟，有助于自动驾驶车辆在上路之前获得一定的安全保障，但终究难以代替实际路测：有效的数据需要真实场景下来获得。

去年三月，一位司机在佛罗里达的高速路上使用特斯拉（Model S）辅助驾驶系统驾车时出车祸离世。这一事件似乎没有阻碍美国本土无人车路测的潮流。

共享车提供商优步已经在美国凤凰城，匹兹堡和宾夕法尼亚开始了路测。其竞争对手Lyft也准备了一队的测试车，正网上征集旧金山湾区的志愿者免费试驾。而谷歌的子公司Waymo也已经在凤凰城开启了实际路测。

上个月初，美国众议院以三分之二多数通过了自动驾驶法案（SELF DRIVE act），从联邦层面为自动驾驶管控建立了框架；尽管要成为正式的法律还需要参议院通过自己的法案，总统签署生效。

从2010年谷歌在加州的山景城（Mountain View）公共道路上开始无人车测试以来，由于缺乏联邦层面的立法，各个州出台法规来规范无人车路测。统计下来州层面的法规已经有21个，这无疑为全国更大范围的测试造成了障碍。比如，加州立法禁止不安装方向盘，刹车以及没有司机看护的无人车上路；而亚利桑那州则很宽松，只要按照标准的车辆注册就可以了。

自动驾驶法案给予了美国国家公路交通安全管理局（NHTSA，National Highway Traffic Safety Administration）权威来规范无人车的设计，制造和营运。同时，此法案还会要求各大公司提供隐私政策，也就是说明他们将如何收集，使用和储存用户的数据。

而对于提供无人驾驶的大大小小的公司来说，一个利好的消息是，NHTSA将逐年提高获得豁免上路的车辆数目，3到4年后可达到10万。

无论是实际路测还是法规管理，中国已经落后。美国立法方面的进展令韩旭产生了某种紧迫感。在发言环节，他几次谈及中国在立法方面的滞后。目前国内的自动驾驶路测还处在一个不明了的灰色地带。“美国有了，中国没有，这个差别是非常大的；所以，如果我们要实现弯道超车，和美国竞争，在立法方面就一定要跟上。”他说。

不过，对于中国的无人车市场，参与讨论的几位业内人士依然保有乐观的态度。韩旭说，景驰会在今年底或明年初以20辆车的编队在中国做自动驾驶的试运营，他很有信心一定会实现。

肖健雄称自己“很乐观，也很现实”，他预测未来的12个月，市场将趋于冷静，泡沫也会破灭，大家会以更为客观的眼光来看待自动驾驶，而这长期来看也有利于自动驾驶的健康成长。

话题：