汽車這種交通工具已經(jīng)誕生130多年，就像對所有機器自動化的追求，能夠自行運轉(zhuǎn)行駛的汽車，始終是人們夢寐以求的。今天飛機、火車乃至地鐵都能夠一定程度地實現(xiàn)自動駕駛，大眾也期盼著道路交通中的自動駕駛車輛能夠問世。

據(jù)不完全統(tǒng)計，2018年全球自動駕駛投/融資總規(guī)模超過70億美元，其中中國內(nèi)地的投/融資規(guī)模近12億美元。軟銀、本田相繼投資通用旗下的自動駕駛企業(yè)Cruise，總額高達50億美元；國內(nèi)自動駕駛初創(chuàng)企業(yè)小馬智行也先后兩度完成融資，總額超過2.1億美元。

但同樣，自動駕駛事故的出現(xiàn)也為行業(yè)敲響警鐘。2018年3月，一輛Uber自動駕駛車輛在美國亞利桑那州與一名行人相撞并致其死亡，成為全球首例自動駕駛致行人死亡事故。而在國內(nèi)，也同樣出現(xiàn)過特斯拉轎車因啟動自動駕駛模式而引發(fā)車禍的事件。

我們離自動駕駛還有多遠，近在咫尺，還是遙遙無期？

在AI Time第五期的辯論中，清華大學(xué)車輛學(xué)院院長楊殿閣教授、清華大學(xué)計算機系鄧志東教授，還有Pony.ai的CTO樓天城就一起論道了自動駕駛的相關(guān)問題。

從改善交通到促進產(chǎn)業(yè)轉(zhuǎn)型，無人駕駛的意義滲透社會方方面面

人類學(xué)研究告訴我們，超過90%的交通事故由人類駕駛員的失誤和錯誤造成。自動駕駛能夠消除這部分因素影響，也被人們賦予保障交通安全的重要使命。

除了改善交通安全，自動駕駛對于人類社會的方方面面都有重大意義。例如，節(jié)能減排、改善交通狀況、移動能力變得更強、促進產(chǎn)業(yè)的轉(zhuǎn)型等等。無論國內(nèi)外，軍方、政府和企業(yè)都在嘗試或開展無人駕駛的研究。

國際上，最早的無人駕駛相關(guān)研究工作是從上個世紀(jì)80年代開始由美國的DARPA開展， DARPA擁有軍方背景，之后也有各種各樣的車企，互聯(lián)網(wǎng)企業(yè)，例如谷歌、Uber等等加入戰(zhàn)團。國內(nèi)相對來講起步較晚，從上個世紀(jì)90年代開始相關(guān)的研究和進展，但是發(fā)展勢頭迅猛。

以百度、阿里、騰訊為代表的科技公司，正成為國內(nèi)甚至全球自動駕駛行業(yè)研究的頭號玩家。2018年7月，百度和金龍客車合作打造的L4級自動駕駛巴士量產(chǎn)下線；9月，阿里發(fā)布其車路協(xié)同技術(shù)以及智能交通方案；11月，騰訊在其合作伙伴大會上展示了自動駕駛算法、仿真方面的全面布局。BAT因在自動駕駛上較為豐富的技術(shù)儲備，正成為車企們爭相合作的技術(shù)伙伴。

無人駕駛既是人工智能的研究問題，又是重要的應(yīng)用場景

無人駕駛本身，既是一個人工智能的研究問題，同時又是人工智能的重要應(yīng)用場景。所以它包含非常多的關(guān)鍵技術(shù)。

無人駕駛依靠感知系統(tǒng)，包括用攝像頭、激光雷達等等各式各樣的傳感器來獲取周邊的相關(guān)信息，來感知汽車周邊的環(huán)境。通過對以上信息的處理，作出相應(yīng)的判斷，這些判斷的結(jié)果最后會通過控制執(zhí)行子系統(tǒng)，來真正實現(xiàn)無人駕駛的相關(guān)操作。

無人駕駛在對周邊信息感知方面，有兩種非常典型的技術(shù)路線。

激光雷達

采用何種技術(shù)取決于應(yīng)用場景，比如Waymo的無人駕駛，就是選取了激光雷達的路線。通過給汽車裝置非常精密精準(zhǔn)的雷達，讓汽車眼睛更亮。即使是在黑暗環(huán)境下也能對周圍環(huán)境進行建模。

計算機視覺技術(shù)

不同觀點來自于特斯拉，馬斯克在今年初發(fā)表“傻子才用雷達”、“用雷達沒有前途”等觀點，他們更多地關(guān)注用傳統(tǒng)攝像頭獲取周邊的相關(guān)信息，去打磨獲得的視覺信號，捕捉重要的周邊信息。

融合在一起的技術(shù)路線可能更加先進

激光雷達距離非常遠，受環(huán)境光照影響低，但具有缺乏顏色和紋理、數(shù)據(jù)稀疏、成本高等缺點；攝像頭有顏色有紋理，成本低，但受環(huán)境光照影響大，且距離比較近。

鄧志東教授認(rèn)為，雖然目前特斯拉等公司單目視覺技術(shù)已經(jīng)有所突破并形成了壁壘，但是既可以測距，又有顏色紋理，還不受環(huán)境光照影響的固態(tài)激光雷達融合攝像頭會是未來的趨勢。

楊殿閣老師從產(chǎn)業(yè)角度分析，認(rèn)為純視覺技術(shù)成本低，但無人駕駛需要對周圍環(huán)境做三維空間建模，相較于采用計算機視覺技術(shù)，用激光雷達建模則相對容易，而且也會使用到攝像頭。兩家公司技術(shù)路線不同和其業(yè)務(wù)不同是有關(guān)系的，谷歌做的是出租車等運營車輛的場景，需要考慮的是可靠性，成本占次要地位；特斯拉等公司做的是量產(chǎn)車，要賣給終端用戶，所以須考慮成本，而激光雷達成本太高。

而樓天城先生則認(rèn)為，激光雷達路線還是計算機視覺路線，未必真的有答案。自動駕駛感知技術(shù)路線之爭并不是單一技術(shù)路線之爭，而是和整個系統(tǒng)有關(guān)。嚴(yán)格意義上講，世界上并沒有一家激光雷達公司和計算機視覺公司，標(biāo)為激光雷達一派的Waymo其實也有27個攝像頭；同樣，特斯拉也至少有16個毫米波雷達。每一分傳感器的錢都能多帶來一個信息收入，這個性價比在于你花一塊錢，能夠獲得多少信息，這才是傳感器真正的價值。還有另外一點在于，“無人駕駛感知路線不是一個單一的問題，如果單純問自動駕駛感知路線，可能不是一個非常公平的問法，因為涉及了這種體系的很多個決策。路線不僅僅是感知，而是整體系統(tǒng)架構(gòu)的考慮?！?/p>

自動駕駛系統(tǒng)落地實現(xiàn)方式：單車智能方式VS車路協(xié)同方式？

中國的主技術(shù)路線強調(diào)車路協(xié)同。因為中國的單車智能技術(shù)方面落后于美國，但中國有很好的道路和網(wǎng)絡(luò)條件，因此，單車智能和車路協(xié)同結(jié)合可以更好地落地。谷歌方案強調(diào)單車智能，比較符合美國的情況，因為在美國建立全網(wǎng)聯(lián)通的車車協(xié)同不太可能。所以并不是美國不想把車路協(xié)同加入自動駕駛的落地中，只是沒辦法落地。

車車通訊可以幫助汽車提前獲取更多的信息，比如大車遮擋了視線，但依然可以通過車輛之間的通訊獲取大車前面的路況信息。單車智能是根，車路協(xié)同作為輔助。所以二者應(yīng)該是合作的關(guān)系，缺一不可。雙方可以共同保證自動駕駛安全落地。

乘坐無人車，更擔(dān)心還是更不擔(dān)心？

人類駕車兩種方式：正常駕車和違規(guī)駕駛，90%以上的交通事故都是違規(guī)駕駛導(dǎo)致的，正常駕駛一般不會出事故。無人駕駛汽車比違規(guī)駕車要強，比正常駕駛要弱，希望通過自動駕駛降低那90%的交通事故發(fā)生概率。至于會不會擔(dān)心，是一個心理問題，自動駕駛在車速等控制上比人精準(zhǔn)，體驗會更好。但是自動駕駛在感知上還做不到比正常人可靠，這是瓶頸，有待突破。

中國接受自動駕駛的比例超過80%，這和中國人愿意接受新鮮事物有關(guān)，但是人類對自動駕駛的要求要高于人類駕駛。如果是純無人駕駛，還需要時間來進行技術(shù)突破，目前還不是足夠可靠。自動駕駛的目的是給行車安全帶來更多地保障。但自動駕駛還缺乏法律保障，事故責(zé)任劃分也需要進一步明確。無人駕駛真正上路還需要大家來適應(yīng)，因為有人駕駛的車人是參與在整個駕駛的反饋過程中的，但無人駕駛的車輛人是不參與的，因此會覺得不可控，會擔(dān)心事故發(fā)生，需要時間來適應(yīng)。

自動駕駛研發(fā)策略 ：從L2出發(fā)漸進推動VS直接攻關(guān)L4級？

如上圖所示，L2是指部分自動駕駛，而L4是指高度自動駕駛以及適用所有場景的完全自動駕駛。

樓天城先生表示，“L2和L4是從目標(biāo)來定義的，不是兩個技術(shù)路線，L4的技術(shù)可以應(yīng)用于L2，但L2的某些技術(shù)并不一定能應(yīng)用于L4。一種技術(shù)是有天花板的，如果從漸近思想來看并不一定能達到最終的目標(biāo)。L4也需要學(xué)習(xí)之前的很多知識才有可能達到最終的目標(biāo)。”

因為L2和L4背后的市場主體不同，所以真正落地時需要結(jié)合他們背后的市場主體來看。車企在L1-L3時很注重成本問題，但在L4時，買家是運營方，所以對L4的成本問題相對不那么敏感。L2的發(fā)展會推動L4的發(fā)展，經(jīng)過L2的發(fā)展，很多傳感器成本會更低，可以應(yīng)用在L4，而L4的發(fā)展也會促進L2。但從落地來看，應(yīng)該是L1、L2、L3、L4。

復(fù)雜交通場景：打磨技術(shù)利大于弊VS難度過大無法落地

眾所周知，中國的交通場景十分復(fù)雜，這些復(fù)雜交通場景無疑會給無人駕駛帶來落地難度，但是也提供了豐富的數(shù)據(jù)用于無人駕駛技術(shù)的打磨。

楊殿閣老師堅信自動駕駛在中國一定會落地，雖然中國復(fù)雜的交通場景會給技術(shù)帶來更大的挑戰(zhàn)，但復(fù)雜的交通場景肯定可以解決，而且會帶來更大的機遇。

樓天城先生認(rèn)為，無人車落地如果是對于全局而言當(dāng)然很困難，但如果從局部到全局，無人車落地機會還是很大的。復(fù)雜的交通場景帶來了更多的數(shù)據(jù)，在數(shù)據(jù)積累上中國有更多的優(yōu)勢，所以復(fù)雜場景對技術(shù)的打磨利大于弊。

自動駕駛需要怎樣的人才？

計算機的奠基人是數(shù)學(xué)家，那么無人駕駛的奠基人會是哪些人才？最早的一批先驅(qū)是車輛工程出身，第二批是自動化人才，人工智能的人才第三批進入，但目前是三者相結(jié)合。

一方面需要復(fù)合型的人才，因為自動駕駛是非常復(fù)雜的系統(tǒng)；另一個方面需要的是專精的人才，因為涉及到的技術(shù)非常復(fù)雜。自動駕駛領(lǐng)域還不夠成熟，學(xué)習(xí)能力、解決問題的能力以及在混沌環(huán)境中找到前進道路的能力都是愿意投身自動駕駛的人才需要具備的。

AI Time由一群關(guān)注人工智能發(fā)展的青年人創(chuàng)辦，旨在發(fā)揚科學(xué)思辨精神，邀請各界人士對人工智能理論、算法、場景、應(yīng)用的本質(zhì)問題進行探索，展開辯論，碰撞思想，打造人工智能知識分享的策源地和聚集地。大數(shù)據(jù)文摘作為合作媒體將長期合作報道。