为什么要发展无人驾驶车辆?
2019-09-11 20:16

为什么要发展无人驾驶车辆?

Photo by Bram Van Oost on Unsplash,本文来自微信公众号:市政厅(ID:shi-zheng-ting),作者:郭敏,交通工程师


2004年3月,美国举办了第一届无人驾驶比赛,即业内大名鼎鼎的DARPA大奖赛。


2004年的比赛场地选在沙漠地区,希望避开行人和居住区的干扰。不过,即便在这样相对理想的驾驶环境下,仍然没有一辆车完成赛程。但这次比赛激起了业内、高校极大的热情。比赛结束当天,组委会就宣布,18个月后再次比赛,奖金也从原先的100万美元增加到200万美元。


2005年10月,比赛继续。最终有五个车队分别独立完成212公里的赛程。斯坦福大学获得第一名,卡内基梅隆大学获得第二名。时隔两年,2007年11月举办了第三届DARPA大奖赛,以城市地区为主题,最终有六支队伍完成比赛,获得了奖金。



2005年,第二届DARPA大奖赛,斯坦福队和卡内基梅隆队分获第一名和第二名。来源:https://newatlas.com/go/4720/


面向无人驾驶的DARPA大奖赛虽然只举办了三届,但被公认为无人驾驶的里程碑事件。甚至有些人认为,这是现代无人驾驶技术的起点,与传统无人驾驶技术进行了区隔。


大学和厂商的结合,大幅推动了一些技术的发展,甚至还从中诞生了新技术——这些技术在今天的媒体上常被提到,譬如人工智能、机器视觉、深度学习、高清地图,等等。


为什么要发展无人驾驶车辆?


DARPA大奖赛使无人驾驶车辆成为公众谈论的话题。其中有一个问题需要认真回答:为什么要发展无人驾驶车辆,到底有什么好处呢?


这是很实在的社会问题,也是商业问题,需要有清晰的答案,帮助无人驾驶车辆可持续发展,避免产生不切实际的期望。


这几年,这个问题得到了准确的回答,一些最初的误区也得以理清。


很多人认为,无人驾驶技术一旦成熟,会像现在的汽车一样进入寻常家庭。其实,如果仔细测算下无人驾驶的成本,这样的模式不会是其技术成熟后的主要商业模式。达到全自动的无人驾驶车辆,应该不会在你我的采购清单里,至少在看得见的未来是如此


这几年来,业界已形成共识。无人驾驶车辆分为两大块,一块是传统车辆组成的包(vehicle package),而另一块是自动驾驶包(autonomous package)


传统的车辆也许只要一二十万元人民币,但如果加上自动驾驶包,成本会飙升数倍,甚至达到上百万。除此以外,自动驾驶包里的精密仪器需要经常保养和调校。对连机油都不会加、轮胎不会换的私家车主来讲,无人驾驶汽车日常的保养和调校费用恐怕无力承担,也不划算。


因此,全自动的无人驾驶车辆,其应用对象并不是私家车主,而是通常说的商用营运车辆。譬如物流公司、出租车公司等。近几年,在运输领域飞速发展的“出行即服务”(MaaS)及共享汽车概念,已经逐步落地。对商用营运车辆来讲,无人驾驶可以节省人工成本,足以摊销自动驾驶包带来的成本。这也是共享汽车企业,如Uber、Lyft,投入巨资研发无人驾驶车辆的原因。


而关于无人驾驶车辆的好处,Dr. Emilio Frazzoli给出了一串数据,以证明无人驾驶车辆将在安全、减少拥堵、改善健康、提高生产力、共享汽车五个方面带来巨大好处。


这些数据是以美国市场为例,每年能带来的效益或市场大致如下:


安全会有8710亿美元的效益;

减少拥堵大约有1000亿美元;

改善健康大约有500亿美元;

提高生产力大约有12000亿美元;

汽车共享达到了惊人的18000亿美元。


这些数据足以回答为什么发展无人驾驶车辆的问题。虽然人们也有不同看法,但大多仍然赞同其结论,只是对其安全考量有异议。在一些研究者看来,其带来的事故效益及对社会的贡献,足以成为投资的理由,但提高生产力和共享汽车的效益,不能完全确定。


Dr. Emilio Frazzoli给出了一串数据。Self-Driving Cars and Artificial Intelligence,Dr. Emilio Frazzoli,2016。来源:http://peatix.com/event/188419/


无人驾驶的分类:辅助驾驶和自动驾驶


2013年,为推动无人驾驶车辆发展,美国道路交通安全管理局(NHTSA)为无人驾驶给出了分级方式,一共分为六级,L0-L5。不过,这样的分类被国际汽车工程师联合会(SAE)认为不专业。SAE在2014年推出了仍是L0-L5六级的更为专业的分类表,NHTSA于2016年接受了一分类法。这个分类法在2018年更新到了第三版——SAE J3016-2018。无人驾驶汽车企业在介绍自己的产品时,一般都会引用SAE的分类表来为产品定位。


很多国内报道里,经常会出现国际汽车工程师联合会(SAE)的分类表,却标为美国道路交通安全管理局(NHTSA),偶尔会被业内笑话。



国际汽车工程师联合会的无人驾驶分类表,SAE J3016-2018。来源:https://www.sae.org/

注:由于技术仍在发展,业界未有共识,本文不区分无人驾驶的一些名词,如无人驾驶、自动驾驶,也不区分Autonomous Cars、Driverless Cars、Self Driving Cars等名词。


不过,有个区别很重要,就是不同分级代表的司机责任问题。


在这张分类表里,L0-L1是纯粹的人工驾驶,意味着司机对驾驶负全责;L2-L3是机器辅助人工驾驶的车辆,仍是司机对驾驶负全主责,但有机器辅助,机器会承担一部分责任,一般称这个级别为辅助驾驶;L4-L5是自动驾驶,司机不用负责驾驶,而由车辆自行驾驶。L4和L5的区别是区域的区别,L4为有限范围,譬如只在一些省市里,而L5则不限区域,全球通用。


目前市面上商用能达到的最高级别都没有超过L3,至多帮助司机做些诸如跟车行驶、自动泊车的工作。稍有复杂的环境,辅助驾驶就难以控制车辆,必须由司机来接管。毕竟出了事故,机器不会承担责任。


对普通人而言,如果搞不清辅助驾驶和自动驾驶的区别,只要记住这些责任区别就可以了。


也有媒体报道,辅助驾驶和自动驾驶的区别在于外部环境的支撑。没法做到自动驾驶,是因为没有智能网联或智能运输系统支撑,如果有支撑,就能做到自动驾驶。


其实,这是一种误区。无论用什么样的外部支撑,辅助驾驶都无法达到自动驾驶级别,L3到L4是个门槛,能否跨越这个门槛取决于车辆本身。自动驾驶的含义在于,独立完成各种场景下的行驶,独立是指没有任何外部助力。


这和人类司机驾驶车辆一样,领了驾驶证的司机,应该能自己一个人开车,需要教练的司机是不合格的司机。后面会介绍智能网联或智能运输系统与无人驾驶车辆的关系。


发展无人驾驶汽车的不同路径


这几年,全世界发展无人驾驶汽车的厂商很多,也形成了不同发展路径。目前的发展路径大致可归为两类。


一类是从L0到L1,再到L2。虽然有些车辆也会被纳入无人驾驶车辆,但实质上是辅助驾驶车辆,利用辅助驾驶设备给司机提供建议,或在简单环境下实现明确的操作。另一类是直接切入L4全自动驾驶阶段,在这个阶段逐步成熟。全自动驾驶的车辆是指那些乘客只要输入目的地,就自动带你到目的地的车辆。


无人驾驶两条不同的发展路径。图中白圈是参考资料作者认为目前最为领先者现在所处的阶段。来源:Deep Learning for Self-Driving Cars (2018 version)Dr. Emilio Frazzoli, CTO, nuTonomy


这两条发展路径和商业模式有关,也和初始投入有关。蓝箭头的路径,其投入更大,需要的时间长,成本高,期间并无收入。而黄箭头的路径,则边卖边研发,成本压力轻许多,也是现在汽车厂商喜欢的模式。不过,黄箭头的发展路径可能会面临难以越过L4这个级别的障碍,停留在L2-L3层面。


截止目前,这两类不同的发展路径,都出现了足够证明其可行性的实例。用两个指标判断,一个是行驶里程数,另一个是同时投放车辆数,几家领先企业都已过了公认的及格线。


辅助驾驶车辆,以特斯拉为例,行驶里程数已超过10亿公里,从深度学习技术的角度看,积累的数据相当丰富,投放的车辆数也达到了50万辆,早已过了1万辆的门槛。


而自动驾驶车辆,以谷歌相关的Waymo为例,行驶里程数已过1千万公里的门槛,也有计划要投放超过2万辆。而同为L4自动驾驶级别的Uber,追赶速度非常快,很快就要越过这些门槛。


因此,目前看来,这个行业的前景比较乐观,可以继续向前测试或商用。


而对看热闹的普通人来讲,可以通过上面两个指标来了解实际能力。对监管部门来讲,要比普通人多些观察方式,譬如要求各家企业及时上报遇到的情况或意外,以观察产品的能力。无人驾驶车辆的事先监管难以做到,路上可能出现的场景过多,难以一一检测,连主要场景也很难覆盖,只能把监管放在事中或事后了。


因此,无人驾驶车辆是否合格,并不能通过鉴定会或试验场得出结论。监管部门至多在邀请专家评测实地测试后,发个要求有限的测试资格,至于是否合格,只能套用俗话,是骡子是马,拉出来溜溜,才能慢慢看清。如果在试验场都会发生意外,或跑不完全程,这样的无人驾驶车辆面临的挑战确实很大。


以上这些过程,仍有许多技术和法律上的细节,需要好好琢磨。


无人驾驶车辆如何了解路上的交通?


李飞飞在TED上讲过,怎么教计算机理解图片。其实这是无人驾驶车辆如何看懂道路和交通的一种方式。


计算机通过对标注过的照片进行大量学习,大致了解每种物体的含义,并理解这些物体之间的关系,这是人工智能的深度学习技术的大致做法。为什么要有1千万公里的里程数和投放1万辆这样的指标,就是与训练机器理解需要的场景数量有关。达不到这样的指标,就无法训练出基本及格的机器。


但是,道路上的场景、关系要比照片丰富得多。车辆除了要理解,还要做决策。譬如,在行人众多的斑马线前,人类司机会边等待边慢慢往前推进,形成与行人的相互博弈,但无人驾驶对这样的博弈缺乏足够的算法。在无序的环岛也是如此,如果无人驾驶缺乏足够的博弈能力,会长期等待,给环岛添乱。


算法是理解的关键。这是目前所有企业都面临的瓶颈。企业间的差距也主要在算法上。



复杂的斑马线前,缺乏控制的环岛。来源:Self-Driving Cars: State of the Art (2019),Lex Fridman,MIT


算法和信息输入有关,也就是如何获得信息,而辅助驾驶和自动驾驶有很大区别。辅助驾驶采用的是视觉设备+深度学习为主体的组合方式,以较低的投入获取最大的效益,但存在不精确和受环境约束大的缺点。而自动驾驶采用Lidar+自动驾驶地图为主,视觉辅助+深度学习辅助的方式,来获取高精度和全天候的能力,不过缺点是太贵,也太难维护。从搭载的设备看,辅助驾驶信息获得的数量和能力要明显弱于自动驾驶车辆的设备。因此,获得信息的设备是制约辅助驾驶车辆跨越L3到L4之间的鸿沟,跨越会异常艰难。


当然,许多公司推出的无人驾驶车辆,搭载了自动驾驶信息获取设备,却只能做辅助驾驶的事儿,这应该是算法不过关造成的。



两种驾驶模式采用的信息获取方式。来源:Self-Driving Cars: State of the Art (2019),Lex Fridman,MIT


无人驾驶车辆和网联车、协同ITS是什么关系?


和无人驾驶车辆一样,网联车(Connected Cars)、协同智能运输系统(Cooperative Intelligent Transport Systems,C-ITS)和出行即服务(Mobility as a Service,MaaS)也在迅猛发展。媒体经常会混淆这些概念,以为是无人驾驶车辆的组成部分。其实,这些技术并不相同,建设主体不同,应用目的也不相同。


不过,未来这些技术会密切结合在一起,改变整个运输系统,也改变城市的运营方式。在此简单介绍下它们之间的关系。


无论在哪级,无人驾驶车辆都存在盲区,这和人开车一样。Lidar用镭射光立体扫描周边环境来形成实时地图,360度全景立体的地图,把障碍物一个不漏地放进自动驾驶地图里,这是比人类开车有优势的地方。但是,和人眼一样,镭射光会被物体遮挡而看不见,就有了盲区,比如看不见建筑物后的车辆,也看不见车辆背后的行人。


网联车(Connected Cars)的技术可以解决上面的盲区问题。网联车技术通过在路上设置各种检测设备,将“看到”的信息告诉经过当地的车辆。如果安装位置合适,可以“看到”路上所有的情况,一个不漏。无论人工驾驶还是自动驾驶的车辆,都可以用这些信息补足自己的盲区,判断是否会碰到建筑物后的车辆或车辆背后的行人,做出合理决策。


而协同智能运输系统的技术,是将各种先进交通系统得到的交通数据整合。协同就是跨平台整理信息,分析数据,得出更全面的结论,譬如将信号灯的数据、几公里以远的交通情况、道路施工情况、事故情况、周边的服务设施和服务能力,将诸如超视距、超能力(超能力指能预知前方是否会拥堵,靠交通控制系统来预测并告知自动驾驶车辆)的信息整合起来,告诉路上需要的车辆。


这些工具在无缝衔接后,将看得更多更远,而无人驾驶车辆的岂不是倍增了?


小结


虽然业内比较看好无人驾驶车辆的未来,但是,即便乐观的观察者也只能提出辅助驾驶明确的时间表,很难确定自动驾驶的时间表。道路上的场景过于丰富,使用者之间的意图和关系也很难用算法描述,不同地区之间的文化背景和交通规则差异也很大,这些都成为无人驾驶车辆发展的制约因素。


不过,即便未来并不那么确定,技术投入仍然是值得的,在自动驾驶技术的发展过程中,形成的各项成果足以让事故能一点点降下来,让社会效率一点点升上去。这个过程,也是伟大的过程。


本文来自微信公众号:市政厅(ID:shi-zheng-ting),作者:郭敏,交通工程师(本文部分内容可能存在技术上的争议或错漏,望见谅,欢迎共同探讨。)

本内容为作者独立观点,不代表虎嗅立场。未经允许不得转载,授权事宜请联系hezuo@huxiu.com

正在改变与想要改变世界的人,都在虎嗅APP

读了这篇文章的人还读了...

回顶部
收藏
评论2
点赞14