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。）