自动驾驶时代一定会到来，这已经成为了汽车工业界的共识。 但对于自动驾驶技术目前还面临什么关键技术难题、何时才能真正实现大规模商用等问题，很多人却也还是雾里看花、一知半解。 此次，品驾带着对自动驾驶技术的求解之心，走进美国密西根大学智能网联交通研究中心，专访Henry Liu教授团队。就在不久前，由该华人研究团队所提出的全新自动驾驶汽车智能测试方法登上了《Nature Communications》，在业界引起了广泛关注。   ▌ 实现自动驾驶技术的关键问题 日产汽车曾在2014年笃定地认为，到2020年市场上将会出现多款无人驾驶汽车，马斯克也曾在2015年时宣称，2018年特斯拉L5级别的“完全自动驾驶”就将面世。然而，时至今日，我们仍然没有看到有完全无人驾驶的汽车穿梭于日常生活之中。 那么，是什么导致无人驾驶汽车的商用之路不断延期？ 在回答这个问题之前，我们需要了解一辆合格的自动驾驶汽车是如何产生的。 “自动驾驶汽车是一个很复杂的系统，它的实现不仅需要硬件和软件的通力协作，更重要的是要具有智能性并且能够不断学习。这就需要海量的自然驾驶数据不断地进行测试与训练以确保安全。”Henry Liu教授向品驾解释道。 HenryLiu教授表示，当前各大车厂其实都有能力制造出具有一定程度自动驾驶能力的测试车了，但难点就在于测试层面——如何能够确保无人驾驶汽车的安全性。 “实际上现在已经投入市场的大部分产品都还停留在辅助驾驶阶段，最多也就是介于L2-L3级之间。其中主要原因之一就在于，驾驶系统还无法保证汽车能够在完全脱离驾驶员的情况下足够安全地行驶。” 据美国交通部的统计数据，人类驾驶员平均每百万英里会发生一次碰撞事故，每9000万英里会发生一次致死事故，而自动驾驶的安全性能要比人类驾驶员高出三个数量级才能满足预期，即一辆无人驾驶汽车要保证开出的十亿英里内不能发生任何碰撞事故。 为了达到该安全范围，需要搜集海量的“问题数据”进行分析，同时还要保证这些数据是发生在不同的驾驶环境下的，而这往往要累积几千亿英里甚至万亿级别的测试里程才能够进行有效验证。 安全事故发生的低概率与车辆行驶环境的复杂性，成为了在对自动驾驶汽车进行安全性能测试中亟待解决的难题。   ▌ 构建更高效、更智能的测试环境 几千亿英里级别的测试里程是一个什么概念呢？ 最早涉及自动驾驶技术研究的Waymo，自2009年正式成立以来，持续测试了十多年，道路实测才仅有2000万英里，仿真测试也只有150亿英里。 为了完成如此大规模的测试，让样车在真实的环境中进行“试跑”显然是远远不足的，仿真平台测试和测试场测试其实是目前各大车厂最主要的数据来源。 “简单来讲，仿真测试就像是构建了一个基于真实世界的游戏，让一辆自动驾驶汽车在这个虚拟世界里不停地运行。”文章第一作者封硕博士解释道，“但由于这个环境是基于数学模型构建的，如果我们想要计算结果越接近真实世界，那这个模型的构建就越复杂，计算速度也会越慢。” 而为了提高测试的效率，目前很多车厂在仿真测试上都会采用“场景式”的测试方法。 所谓“场景式”测试，就是指测试者会事先将现实世界中车辆可能遇到的情形进行分类，然后按类别来为车辆设置特定的事件，比如让它身边行驶的车辆突然从前方切入，或者是在前方道路出现障碍物，从而测试并训练车辆在这些特定场景下的处理能力。 但是基于场景来进行测试的方法一般是离散、片段的，更适用于自动驾驶的功能性测试，无法有效衡量自动驾驶汽车在投放到真实道路之后的性能表现。 “因为在现实世界中，很多情景并不是割裂开的，比如你在高速上开车，在尝试变道的同时，还可能同时遇到你前方的车辆急刹车的情况，或者你在交叉路口左转时，你在判断没有障碍物的同时，还要能判断右侧直行的来车。” 自动驾驶汽车在现实中需要经历连续的、不间断的复杂驾驶环境，而当前的场景测试方法并无法解决这个难题。 此次，Henry Liu团队则针对这一业界难点，提出了一种全新的驾驶环境生成方法，该方法基于大数据构建了一个具有“无偏性”和“挑战性”的自然驾驶环境。 什么意思呢？就是在这个仿真环境里，“陪练”车辆的一切行为都跟真实世界无异，有人变道、有人超车、有人急刹。同时，借助人工智能技术，还可以有目的地给“陪练”车辆发出特定指令来“挑战”被测试的车辆，从而给“主角”车辆营造一种真实而富有挑战的测试环境。 △该自然驾驶环境将囊括多种驾驶情形 这一方法，也是业界首个能够构建完整加速测试环境的方案。而通过与类似于Waymo的CarCraft、百度的AADS等模拟的自然驾驶环境进行对照测试，新的方法可以让测试进程加快几百、几千倍，这意味着，在该系统上每测试一英里，相当于在传统平台上测试几百、几千英里。 △新测试方法（NADE）和传统测试方法（NDE）的效率比对 除了在构建仿真平台之外，团队还在探索一种结合增强现实技术的测试场环境。 如今，无论在在美国和中国，都建有很多的无人驾驶测试区。测试区是一片专为训练无人驾驶汽车的微缩城市，囊括了城市道路、高速、乡村土路，甚至颠簸的坏路等各类型的道路，同时设有建筑物、红绿灯、路标和假人，用以验证无人车算法的正确性。 “但测试场测试的问题在于它是一个与世隔绝的区域，因此缺少大量的汽车、行人等交通环境来跟测试车辆进行‘互动’，从而会影响真实投放的效果评定。” △密西根大学打造的Mcity是全球首座无人驾驶汽车测试场 针对这个问题，Henry Liu课题组提出的增强现实方案，能够将过去空无一人的测试场变成一个“车水马龙”的世界。跟仿真平台一样，除了能够还原现实生活中复杂情形外，还可以主动为测试车构建有挑战的环境。 “这就好像是给测试车戴上了AR眼镜，它会‘看到’测试场里突然多了很多汽车和行人，而且我们还可以在后台给它在行进过程中设置一些困难, 从而给测试车营造出跟现实世界一样真实同时也有特定挑战的环境。”封硕解释说。 而该方案接下来也将会在美国自动驾驶测试中心（ACM）进行落地应用，ACM总裁Reuben Sarkar指出，该测试方法将极大降低自动驾驶汽车测试的总成本，使得测试更加安全、可控和可重复，将成为自动驾驶汽车研发的重要推动力。   ▌ 自动驾驶时代已经不远 那么，既然有了更高效、便捷的测试方法，自动驾驶技术什么时候才能通过安全测试，真正地走向市场呢？ 关于这个问题，封硕表示，人类要走向自动驾驶时代，还需要产业链上各个环节的共同努力。 目前，自动驾驶的安全测试主要包含两个方面：一是收集足够数量的测试数据，寻找车辆本身存在的安全隐患，并评估车辆大规模投入应用后的安全表现；另一方面则是基于搜集到的测试结果，不断提升安全性能使其达到预期，两个方面是相辅相成、迭代提升的关系。 “对于第一个方面，随着测试方法的不断完善，应该在接下来的3-5年内就能克服万亿级英里测试所带来的困难，但是对于基于测试结果的改良，现在还无法有一个明确的预测，因为这将涉及到传感器、导航、控制和决策系统等各个部分的协作，但我个人觉得应该在未来5-10年之内，自动驾驶会逐步走向大规模商用。” 虽然很多车厂和技术提供商现在都表示自己已经实现了L4级的自动驾驶，但封硕告诉品驾，其实L4级的自动驾驶下也分为不同的层次。 “L5级自动驾驶是一个理想化的状态，可以理解为一个完美的方案。L4级因为对应用环境可以进行限制，所以发展到一定程度以上就可以进行大规模商用了。但当前的L4级并没有一个细分的标准，应用环境的不同导致自动驾驶难度明显不同，所以现在处于L4级别上的厂商实际上水平也是参差不齐的。” △SAE自动驾驶分级标准 在市场化路径上，国内外自动驾驶厂商主要有两种不同的路线。第一种是 “渐进演化”路线，即在传统的汽车上逐渐增加自动驾驶的辅助功能，并通过已售出的汽车来搜集大量真实世界里的数据，最终帮助过渡到完全自动驾驶的阶段，比如特斯拉、蔚来、理想、小鹏等。 另外一种则是走“一步到位”路线，即在攻克能够规模化应用的自动驾驶技术之后，再生产真正不需要司机、没有脚踏板的“全新”自动驾驶汽车，比如Waymo、Cruise、百度Apollo等。 封硕认为，两种路线从研究角度来看并无明确的优劣之分，主要是商业模式上的区别。无论选择哪种路线，大家现在的目标都是搜集大量的驾驶数据，进而验证并提升车辆的安全性能。 而关于各家车企的研究进展，除了每年官方公布的报告外，公开资料其实一直控制在有限范围，所以目前业界也不清楚它们的各自技术研究已经发展至哪个阶段，可能哪天某个企业就会发布出重磅成果，给行业带来颠覆性的改变。 最后，封硕说道，“自动驾驶是一个非常复杂的系统性工程，涉及的专业领域非常广，这些年无论是学术界还是工业界，都在各自的领域里埋头苦干，大家是竞争对手也是合作伙伴，但我们共同目标都是希望早日将人类带入自动驾驶时代，而现在看来，黎明已经在不远处。” Henry Liu团队该课题论文： Shuo Feng et al.… read more

在量产自动驾驶领域，特斯拉拥有L2级自动驾驶的功能最多，自动驾驶能力几乎也是量产车中最强的。去年10月开始，特斯拉向用户陆续推送了FSD Beta（完全自动驾驶测试版），安装这一系统的特斯拉可以在城市道路上进行L2级自动驾驶，并可以通过十字路口、环岛、红绿灯等多种复杂场景。 不少车主使用FSD Beta长途旅行测试，几乎不需要驾驶员手动操作，接近了L4级自动驾驶的水平。 不过，近日YouTube博主Whole Mars Catalog将特斯拉与“自动驾驶一哥”Waymo进行了一场测试，用一镜到底的两个视频展示两辆车从同一地点出发到同一终点的过程。 最终结果可能让你有点意外，特斯拉选择了更近的一条路，用时5分钟，相比Waymo无人车提前接近3分钟。在这两个行程中究竟发生了哪些有趣的事呢？   一、Waymo全程“开挂” 特斯拉快3分钟到达 在视频中，太空探索范儿十足的YouTube博主Whole Mars Catalog先是在手机上叫了一辆Waymo网约车，开启一段完全无人驾驶的行程。 从视频中可以发现，一辆经过改装的克莱斯勒大捷龙缓缓靠近目的地，准确停在目的地门口，非常人性化。当乘客上车后，车辆会用语音系统向乘客问好，并提醒系好安全带，之后行程就开始了。 Waymo无人车 整个行驶过程中，Waymo的自动驾驶车辆加速、减速、转弯都非常平稳，驾驶室没有人方向盘自己转，这个过程还是非常震撼的。 在前排头枕后方，有面向乘客的显示屏，这块屏幕会实时展示车辆所处于道路的位置。其中车道线非常清晰，虚实分明，道路中央隔离带、周围民房都能以3D的形态显示，并且动画非常流畅。 Waymo无人车在道路上行驶 同时，行道树、行人以及其他物体则是车辆传感器实时捕捉，每隔几秒在画面中出现一次，地图显示很美观。 有一个细节值得注意，当车辆需要在十字路口转弯时，车辆甚至在车道内也有路径规划，向右转之前，车辆会提前向右侧车道的右边靠近。 Waymo车道内路径规划 另外，当车辆行驶到其他道路上时，车内语音会提示乘客当前所在道路，让乘客安心乘车。 特斯拉的表现则有所不同。 在房门前拨动两下右侧怀挡杆，FSD就开始工作了。与Waymo不同，特斯拉最开始就选择了相反的一条路。 事实证明，特斯拉选择的线路更优，用时更少。Waymo全程用时8分钟，特斯拉的路线用时5分12秒，相比Waymo节省了大约3分钟。 特斯拉FSD Beta行驶 特斯拉在行驶途中的表现与Waymo也不太相同。由于特斯拉没有使用高精地图，沿途环境信息全部由毫米波雷达和视觉传感器生成。在某些情况下，车辆的判断会出现不及时的状况。 在一个左转路口，特斯拉需要向左侧变道，但由于接近路口时速度较快，因此车轮轧到了路口实现区域，违反了交通规则。而在Waymo的行驶过程中，没有出现违反交规的现象。   二、FSD Beta半年快速迭代 将向更多用户开放 去年10月，特斯拉面向测试用户更新了FSD Beta，在原有L2级自动驾驶功能上新增了更多功能，基本实现城市道路的L2级自动驾驶。 目前，特斯拉车主在购买FSD选装套件之后，车辆都能在高速公路和城市快速路上实现自动辅助导航驾驶、自动辅助变道等L2级自动驾驶功能。在停车场，驾驶员可以使用自动泊车让车辆泊车入位，取车时可以智能召唤让车辆自动开到驾驶员面前。在美国，车辆还能识别道路上的信号灯，并根据信号灯颜色判定停车或前进。 不过，特斯拉FSD缺失了一个重要场景，那就是无法在城市道路实现自动驾驶。FSD Beta的发布，补充了这一短板。 根据FSD Beta的更新说明，车辆可以在非高速公路路段实现自动变道、根据导航路线行驶，既能够在车流和其他物体之间穿梭，也能在路口左转、右转。这也就意味着特斯拉将在不久的将来面向所有FSD选配用户更新城市道路L2级自动驾驶功能。 特斯拉FSD Beta更新说明 同时，特斯拉也提示，驾驶员需要实时关注道路交通状况，并握住方向盘，随时准备接管车辆，在有盲区的拐角、十字路口以及窄路路段要尤其注意车辆行驶状态。 就在本周，特斯拉发布了FSD Beta v8.2更新。马斯克在推文中称，v8.1版本的FSD Beta行驶的大多数情况下不需要人工干预，并且下一个版本有很大的变化，应该就是v8.2版本。 有分析指出，在v9.0发布时，特斯拉会扩大测试人群，甚至直接向普通用户推送更新。相信v9.0将是FSD Beta走向成熟和规模化的一步。   结语：特斯拉自动驾驶正快速进步 自动驾驶快速发展的今天，特斯拉作为量产自动驾驶行列的佼佼者，成为自动驾驶行列中最受关注的对象之一。从去年开始，不少车企为车辆更新了自动出匝道、主动变道等特斯拉FSD已有的功能，这让国内售价高达6.4万的FSD压力有点大。 但在去年，特斯拉相继更新了识别红绿灯功能，还面向测试用户推出了FSD Beta，显然特斯拉的自动驾驶脚步一直没有停下，还在快速进步。 撰文：James 出处：头条号 @车东西 read more

威尔斯密斯主演的科幻电影《我，机器人》中，有一个经典桥段：一个人形有视觉的机器人为了帮主人回家拿东西，而在人满为患的大路上夺命狂奔。   这个情节听起来似乎很“科幻”，特别是在2004年电影诞生的时候，简直是天荒夜谈。可是时间到了2021年，这个场景距离我们可能已经近在咫尺。而现在看来，L5级自动驾驶，就是人形视觉机器人进入人类世界的软件关卡，也是最后的技术关卡。 实现人形视觉机器人，不外乎硬件和软件两大技术关卡，而现在看来硬件技术已经可以说基本成熟了。 机器人硬件技术成熟 现在的机器人行走能力已经非常强大。波斯顿动力早在前两年，就已经成功研发出可以自由奔跑的人形机器人Atlas。现在Atlas不但可以在有障碍物的情况下，避开障碍物奔跑，还能踏上障碍物，甚至还学会了像人类一样跳舞。   不要小看机器人跳舞，要知道跳舞并非简单动作，而是要把一系列精细和连贯的动作连接起来，舞蹈过程中还需要随时检测和调整机器人自身姿态。机器人会跳舞，意味着机器人在肢体动作灵活度上，已经近乎跟人类一样了。 既然人形视觉机器人的硬件技术基本成熟，那软件技术怎样呢？ 软件技术的可行方案 过去人们设想的人形视觉机器人，在软件上跟人类一样，有一双眼睛，也就是摄像头，然后通过人工智能技术，像人类大脑一样分析摄像头的图案，从而让机器人辨别障碍物、躲避障碍物。   但这其实对于人工智能来说一点也不简单，想想就明白：现在的人工智能仅仅在图像中准确辨认一只猫，都需要无数的素材图像训练，而想要机器人跟人类一样，从单个图片中辨认出所有人类能辨认的物体，以目前人工智能的水平，基本不可能。   但从头看，要实现人形视觉机器人，其实我们真正要实现的，是让机器人可以自动行走。而L5自动驾驶技术，本身就是一种自动行走技术，说跟机器人自动行走技术完全一致。 自动行走机器人从0到1 首先，技术上，L5级别自动驾驶可以完整运用到自动行走机器人上。细心想想，其实电动车和机器人行走并没有本质区别，同样需要自动规划路线，自动行走，观察路况，躲避障碍等等。所以掌握了L5自动驾驶技术，就等于掌握了机器人自动行走的绝大多数软件技术了。   其次，在使用上，自动驾驶汽车的操作方法，和机器人的操作可以完全一致。L5级别自动驾驶实现后，只要告诉车子我们要去的地方，车子就会自动带我们过去；同样，直接命令人形视觉机器人去一个地方，它就会自行过去，在完成任务后，还可以自行返回。 由于人性视觉机器人硬件已经成熟，那掌握了L5级自动驾驶技术，就等于实现了人形视觉机器人从0到1的突破。换句话说，L5级自动驾驶，是人形视觉机器人进入人类世界最后的技术关卡。   机器人自动行走和电动车自动驾驶，主要不同其实是两点：L5自动驾驶还主要是针对公路路况和车轮行走方式；而机器人自动行走则需要针对人行道路况，以及双足行走方式。但这对于自动驾驶技术来说，只等于从1到n，难度或许也大，但并非遥不可及。 一种人类忍不住实现的技术 人形视觉机器人是一种人类忍不住实现的技术，最大的优势是：人走路能到的地方，机器人也能走到。这就意味着，人形视觉机器人直接就可以代替不少人的工作。比如直接帮助人类送快递、送餐、搬运东西等等，还可以24小时不停工作，甚至从事很多不合适人类的高危工作，比如挖矿、拆弹等等。特别是随着人工成本越来越高，人形视觉机器人，是一种忍不住实现的技术。 令人振奋的是，据说国内已经有公司声称实现了L4级别自动驾驶，埃隆马斯克也说2021年很可能可以实现L5级别自动驾驶，或许人形视觉机器人很快就可以进入我们生活的世界。 出处：头条号 @指尖科技说 read more