- +1
交通設施｜為什么要發展無人駕駛車輛
2004年3月，美國舉辦了第一屆無人駕駛比賽，即業內大名鼎鼎的DARPA大獎賽。2004年的比賽場地選在沙漠地區，希望避開行人和居住區的干擾。不過，即便在這樣相對理想的駕駛環境下，仍然沒有一輛車完成賽程。但這次比賽激起了業內、高校極大的熱情。比賽結束當天，組委會就宣布，18個月后再次比賽，獎金也從原先的100萬美元增加到200萬美元。
2005年10月，比賽繼續。最終有五個車隊分別獨立完成212公里的賽程。斯坦福大學獲得第一名，卡內基梅隆大學獲得第二名。時隔兩年，2007年11月舉辦了第三屆DARPA大獎賽，以城市地區為主題，最終有六支隊伍完成比賽，獲得了獎金。
面向無人駕駛的DARPA大獎賽雖然只舉辦了三屆，但被公認為無人駕駛的里程碑事件。甚至有些人認為，這是現代無人駕駛技術的起點，與傳統無人駕駛技術進行了區隔。大學和廠商的結合，大幅推動了一些技術的發展，甚至還從中誕生了新技術——這些技術在今天的媒體上常被提到，譬如人工智能、機器視覺、深度學習、高清地圖，等等。
為什么要發展無人駕駛車輛？
DARPA大獎賽使無人駕駛車輛成為公眾談論的話題。其中有一個問題需要認真回答：為什么要發展無人駕駛車輛，到底有什么好處呢？
這是很實在的社會問題，也是商業問題，需要有清晰的答案，幫助無人駕駛車輛可持續發展，避免產生不切實際的期望。
這幾年，這個問題得到了準確的回答，一些最初的誤區也得以理清。
很多人認為，無人駕駛技術一旦成熟，會像現在的汽車一樣進入尋常家庭。其實，如果仔細測算下無人駕駛的成本，這樣的模式不會是其技術成熟后的主要商業模式。達到全自動的無人駕駛車輛，應該不會在你我的采購清單里，至少在看得見的未來是如此。
這幾年來，業界已形成共識。無人駕駛車輛分為兩大塊，一塊是傳統車輛組成的包（vehicle package），而另一塊是自動駕駛包（autonomous package）。傳統的車輛也許只要一二十萬元人民幣，但如果加上自動駕駛包，成本會飆升數倍，甚至達到上百萬。除此以外，自動駕駛包里的精密儀器需要經常保養和調校。對連機油都不會加、輪胎不會換的私家車主來講，無人駕駛汽車日常的保養和調校費用恐怕無力承擔，也不劃算。
因此，全自動的無人駕駛車輛，其應用對象并不是私家車主，而是通常說的商用營運車輛。譬如物流公司、出租車公司等。近幾年，在運輸領域飛速發展的“出行即服務”（MaaS）及共享汽車概念，已經逐步落地。對商用營運車輛來講，無人駕駛可以節省人工成本，足以攤銷自動駕駛包帶來的成本。這也是共享汽車企業，如Uber、Lyft，投入巨資研發無人駕駛車輛的原因。
而關于無人駕駛車輛的好處，Dr. Emilio Frazzoli給出了一串數據，以證明無人駕駛車輛將在安全、減少擁堵、改善健康、提高生產力、共享汽車五個方面帶來巨大好處。這些數據是以美國市場為例，每年能帶來的效益或市場大致如下：
?安全會有8710億美元的效益；
?減少擁堵大約有1000億美元；
?改善健康大約有500億美元；
?提高生產力大約有12000億美元；
?汽車共享達到了驚人的18000億美元。
這些數據足以回答為什么發展無人駕駛車輛的問題。雖然人們也有不同看法，但大多仍然贊同其結論，只是對其安全考量有異議。在一些研究者看來，其帶來的事故效益及對社會的貢獻，足以成為投資的理由，但提高生產力和共享汽車的效益，不能完全確定。
無人駕駛的分類：輔助駕駛和自動駕駛
2013年，為推動無人駕駛車輛發展，美國道路交通安全管理局（NHTSA）為無人駕駛給出了分級方式，一共分為六級，L0-L5。不過，這樣的分類被國際汽車工程師聯合會（SAE）認為不專業。SAE在2014年推出了仍是L0-L5六級的更為專業的分類表，NHTSA于2016年接受了一分類法。這個分類法在2018年更新到了第三版——SAE J3016-2018。無人駕駛汽車企業在介紹自己的產品時，一般都會引用SAE的分類表來為產品定位。
很多國內報道里，經常會出現國際汽車工程師聯合會（SAE）的分類表，卻標為美國道路交通安全管理局（NHTSA），偶爾會被業內笑話。
注：由于技術仍在發展，業界未有共識，本文不區分無人駕駛的一些名詞，如無人駕駛、自動駕駛，也不區分Autonomous Cars、Driverless Cars、Self Driving Cars等名詞。
不過，有個區別很重要，就是不同分級代表的司機責任問題。在這張分類表里，L0-L1是純粹的人工駕駛，意味著司機對駕駛負全責；L2-L3是機器輔助人工駕駛的車輛，仍是司機對駕駛負全主責，但有機器輔助，機器會承擔一部分責任，一般稱這個級別為輔助駕駛；L4-L5是自動駕駛，司機不用負責駕駛，而由車輛自行駕駛。L4和L5的區別是區域的區別，L4為有限范圍，譬如只在一些省市里，而L5則不限區域，全球通用。
目前市面上商用能達到的最高級別都沒有超過L3，至多幫助司機做些諸如跟車行駛、自動泊車的工作。稍有復雜的環境，輔助駕駛就難以控制車輛，必須由司機來接管。畢竟出了事故，機器不會承擔責任。
對普通人而言，如果搞不清輔助駕駛和自動駕駛的區別，只要記住這些責任區別就可以了。
也有媒體報道，輔助駕駛和自動駕駛的區別在于外部環境的支撐。沒法做到自動駕駛，是因為沒有智能網聯或智能運輸系統支撐，如果有支撐，就能做到自動駕駛。
其實，這是一種誤區。無論用什么樣的外部支撐，輔助駕駛都無法達到自動駕駛級別，L3到L4是個門檻，能否跨越這個門檻取決于車輛本身。自動駕駛的含義在于，獨立完成各種場景下的行駛，獨立是指沒有任何外部助力。
這和人類司機駕駛車輛一樣，領了駕駛證的司機，應該能自己一個人開車，需要教練的司機是不合格的司機。后面會介紹智能網聯或智能運輸系統與無人駕駛車輛的關系。
發展無人駕駛汽車的不同路徑
這幾年，全世界發展無人駕駛汽車的廠商很多，也形成了不同發展路徑。目前的發展路徑大致可歸為兩類。
一類是從L0到L1，再到L2。雖然有些車輛也會被納入無人駕駛車輛，但實質上是輔助駕駛車輛，利用輔助駕駛設備給司機提供建議，或在簡單環境下實現明確的操作。
另一類是直接切入L4全自動駕駛階段，在這個階段逐步成熟。全自動駕駛的車輛是指那些乘客只要輸入目的地，就自動帶你到目的地的車輛。
這兩條發展路徑和商業模式有關，也和初始投入有關。藍箭頭的路徑，其投入更大，需要的時間長，成本高，期間并無收入。而黃箭頭的路徑，則邊賣邊研發，成本壓力輕許多，也是現在汽車廠商喜歡的模式。不過，黃箭頭的發展路徑可能會面臨難以越過L4這個級別的障礙，停留在L2-L3層面。
截止目前，這兩類不同的發展路徑，都出現了足夠證明其可行性的實例。用兩個指標判斷，一個是行駛里程數，另一個是同時投放車輛數，幾家領先企業都已過了公認的及格線。
輔助駕駛車輛，以特斯拉為例，行駛里程數已超過10億公里，從深度學習技術的角度看，積累的數據相當豐富，投放的車輛數也達到了50萬輛，早已過了1萬輛的門檻。
而自動駕駛車輛，以谷歌相關的Waymo為例，行駛里程數已過1千萬公里的門檻，也有計劃要投放超過2萬輛。而同為L4自動駕駛級別的Uber，追趕速度非常快，很快就要越過這些門檻。
因此，目前看來，這個行業的前景比較樂觀，可以繼續向前測試或商用。
而對看熱鬧的普通人來講，可以通過上面兩個指標來了解實際能力。對監管部門來講，要比普通人多些觀察方式，譬如要求各家企業及時上報遇到的情況或意外，以觀察產品的能力。無人駕駛車輛的事先監管難以做到，路上可能出現的場景過多，難以一一檢測，連主要場景也很難覆蓋，只能把監管放在事中或事后了。
因此，無人駕駛車輛是否合格，并不能通過鑒定會或試驗場得出結論。監管部門至多在邀請專家評測實地測試后，發個要求有限的測試資格，至于是否合格，只能套用俗話，是騾子是馬，拉出來溜溜，才能慢慢看清。如果在試驗場都會發生意外，或跑不完全程，這樣的無人駕駛車輛面臨的挑戰確實很大。
以上這些過程，仍有許多技術和法律上的細節，需要好好琢磨。
無人駕駛車輛如何了解路上的交通？
李飛飛在TED上講過，怎么教計算機理解圖片。其實這是無人駕駛車輛如何看懂道路和交通的一種方式。
計算機通過對標注過的照片進行大量學習，大致了解每種物體的含義，并理解這些物體之間的關系，這是人工智能的深度學習技術的大致做法。為什么要有1千萬公里的里程數和投放1萬輛這樣的指標，就是與訓練機器理解需要的場景數量有關。達不到這樣的指標，就無法訓練出基本及格的機器。
但是，道路上的場景、關系要比照片豐富得多。車輛除了要理解，還要做決策。譬如，在行人眾多的斑馬線前，人類司機會邊等待邊慢慢往前推進，形成與行人的相互博弈，但無人駕駛對這樣的博弈缺乏足夠的算法。在無序的環島也是如此，如果無人駕駛缺乏足夠的博弈能力，會長期等待，給環島添亂。
算法是理解的關鍵。這是目前所有企業都面臨的瓶頸。企業間的差距也主要在算法上。
算法和信息輸入有關，也就是如何獲得信息，而輔助駕駛和自動駕駛有很大區別。輔助駕駛采用的是視覺設備+深度學習為主體的組合方式，以較低的投入獲取最大的效益，但存在不精確和受環境約束大的缺點。而自動駕駛采用Lidar+自動駕駛地圖為主，視覺輔助+深度學習輔助的方式，來獲取高精度和全天候的能力，不過缺點是太貴，也太難維護。從搭載的設備看，輔助駕駛信息獲得的數量和能力要明顯弱于自動駕駛車輛的設備。因此，獲得信息的設備是制約輔助駕駛車輛跨越L3到L4之間的鴻溝，跨越會異常艱難。
當然，許多公司推出的無人駕駛車輛，搭載了自動駕駛信息獲取設備，卻只能做輔助駕駛的事兒，這應該是算法不過關造成的。
無人駕駛車輛和網聯車、協同ITS是什么關系？
和無人駕駛車輛一樣，網聯車（Connected Cars）、協同智能運輸系統（Cooperative Intelligent Transport Systems，C-ITS）和出行即服務（Mobility as a Service，MaaS）也在迅猛發展。媒體經常會混淆這些概念，以為是無人駕駛車輛的組成部分。其實，這些技術并不相同，建設主體不同，應用目的也不相同。
不過，未來這些技術會密切結合在一起，改變整個運輸系統，也改變城市的運營方式。在此簡單介紹下它們之間的關系。
無論在哪級，無人駕駛車輛都存在盲區，這和人開車一樣。Lidar用鐳射光立體掃描周邊環境來形成實時地圖，360度全景立體的地圖，把障礙物一個不漏地放進自動駕駛地圖里，這是比人類開車有優勢的地方。但是，和人眼一樣，鐳射光會被物體遮擋而看不見，就有了盲區，比如看不見建筑物后的車輛，也看不見車輛背后的行人。
而協同智能運輸系統的技術，是將各種先進交通系統得到的交通數據整合。協同就是跨平臺整理信息，分析數據，得出更全面的結論，譬如將信號燈的數據、幾公里以遠的交通情況、道路施工情況、事故情況、周邊的服務設施和服務能力，將諸如超視距、超能力（超能力指能預知前方是否會擁堵，靠交通控制系統來預測并告知自動駕駛車輛）的信息整合起來，告訴路上需要的車輛。
這些工具在無縫銜接后，將看得更多更遠，而無人駕駛車輛的豈不是倍增了？
小結
雖然業內比較看好無人駕駛車輛的未來，但是，即便樂觀的觀察者也只能提出輔助駕駛明確的時間表，很難確定自動駕駛的時間表。道路上的場景過于豐富，使用者之間的意圖和關系也很難用算法描述，不同地區之間的文化背景和交通規則差異也很大，這些都成為無人駕駛車輛發展的制約因素。
不過，即便未來并不那么確定，技術投入仍然是值得的，在自動駕駛技術的發展過程中，形成的各項成果足以讓事故能一點點降下來，讓社會效率一點點升上去。這個過程，也是偉大的過程。
（本文部分內容可能存在技術上的爭議或錯漏，望見諒，歡迎共同探討。）
- 報料熱線: 021-962866
- 報料郵箱: news@thepaper.cn
互聯網新聞信息服務許可證：31120170006
增值電信業務經營許可證：滬B2-2017116
? 2014-2025 上海東方報業有限公司
