AI的局限性，無人駕駛是偽命題？

桫欏

曾被傳統(tǒng)車企拋棄的自動駕駛

最近電動車自動駕駛的事故頻發(fā)，引發(fā)車友們開啟互噴模式，其實科技迭代這種事，大家還是應該做一些科普積累。

自動駕駛的概念出現(xiàn)得比燃油車還早，甚至可以追溯到500年前達芬奇發(fā)明的第一輛無需推拉即可移動的自行小推車，雖然當時只是為了搬運和售賣食物，和諸葛亮的木牛一個體系。

到了20 世紀 50 年代末，汽車自動駕駛被提上議程，涉及人工智能的研究方向自然是如何讓汽車能像人一樣思考。毫無疑問，這樣的研究可謂雷聲大雨點小，各種宣傳各種大佬站臺，有人甚至預測“機器將會在 20 年內釋放人類的雙手”。經過大量熱錢涌入折騰之后，沒有原型機落地，20 世紀 70 年代中期泡沫破滅，人工智能技術遇冷。

真正讓自動駕駛在上世紀80年代跑起來，要感謝德國科學家恩斯特·迪克曼斯，這位牛人被冠以“自動駕駛實際發(fā)明者”之前，工作是分析太空飛船重回地球在大氣層所需軌跡的任務。

迪克曼斯相信，他的未來不在太空而是陸地，他通過在汽車上安裝計算機、照相機和傳感器的方式，成功打造了無人駕駛車“VaRoS”，并于 1986 年開始在大學內測試。

VaRoS上配備了2個CCD攝像頭、加速度計和角度變化等其他傳感器，多個Intel 8086處理器構成的計算系統(tǒng)，以及用于控制方向盤、油門和剎車的底層控制執(zhí)行器。

迪克曼斯團隊還構建了一種叫作“4D”的動態(tài)視覺模型，隨時間的變化三維觀察對象，例如通過攝像頭獲得左右白色車道線，推導出車輛相對道路的狀態(tài)變量，然后應用卡爾曼濾波編寫軟件對狀態(tài)變量進行遞歸估計，并轉換成適當?shù)鸟{駛指令對汽車進行自動控制。

卡爾曼濾波器非常適合不斷變化的系統(tǒng)，它還具備內存占用較小、速度快的特點，那個時代計算機運算速度還不夠快，這樣優(yōu)秀的系統(tǒng)能夠處理快速變化的視覺街景的問題，使得高速自動駕駛可以實現(xiàn)，這輛車后來在巴伐利亞封閉的高速路上跑到了時速 90 公里。

嗅到商機的德國汽車制造商戴姆勒找到了迪克曼斯，成為了他的資助方。

1994年，經過數(shù)年開發(fā)的梅賽德斯奔馳500 SEL VITA-1和VITA-2上路，當時的情景與現(xiàn)在類似，自動駕駛車駕駛席上還是坐著一名工程師，他的手會虛搭在方向盤上以防萬一，而真正負責駕駛的是車輛自己。兩輛自動駕駛車在三車道高速公路上以高達130公里/小時的速度行駛了1000多公里。成功演示了在自由車道上駕駛、識別交通標志、車隊根據(jù)車速保持距離駕駛、自動通過左右車道變換等。

盡管中間也有些不算完美，比如測試車輛前面有其他車輛遮住路標，或者道路標線變模糊的時候，測試車的車道識別功能就開始出現(xiàn)問題，但在那個時代，這已經是非常不容易的事情了。

90年代后期，經濟危機讓本就收益無望的自動駕駛技術遭遇雪藏。汽車廠商意識到，自動駕駛技術從實驗室到市場的過程中還需要大量的投資，而在破產和聯(lián)邦政府救助中苦苦掙扎的車企們，不僅無力支撐高昂的研發(fā)成本，也不愿改變燃油車內部早已成型的構造，畢竟自動駕駛配的一大堆傳感器都是耗電的，燃油車還得加個大電池給它們供電，多此一舉。

還有一個因素是，當時自動駕駛這個概念一開始似乎就與德國廠商的市場定位有些沖突，長期以來傳統(tǒng)車企打造的都是“駕駛者之車”，戴姆勒選擇傾囊相助可不是要徹底干掉司機這個職業(yè)，只是想讓用戶不再為事故擔驚受怕，同時證明計算機視覺技術可以用來防止事故發(fā)生。

總之，短期內看不到收益的自動駕駛技術紛紛被傳統(tǒng)汽車廠商拋棄，直到電動汽車崛起。

被過度包裝的“無人駕駛”

不知啥時候起，無論是互聯(lián)網(wǎng)公司谷歌、百度，還是特斯拉、造車新勢力蔚理鵬，一談AI必提無人駕駛，使得無人駕駛成為了茶間熱議的話題。

在我們談論無人駕駛時，經常會將“無人駕駛”、“自動駕駛”以及“駕駛輔助”三個詞混淆，認為三者之間是可替代的關系。其實不然，它們分別代表了不同級別的自動駕駛技術。美國汽車工程師協(xié)會將自動駕駛技術進行了分級，這是目前國際公認的術語界定。

L0屬于傳統(tǒng)駕駛，L1和L2屬于駕駛輔助，L3-L5屬于自動駕駛，L5的自動駕駛技術等級也稱為“無人駕駛”。駕駛輔助技術當前已經在量產車上部署，通常稱為高級駕駛輔助系統(tǒng)（簡稱ADAS）。

駕駛輔助技術處于自動駕駛技術等級的L1和L2，L1階段車輛開始介入制動與轉向其中一項控制，分擔駕駛員的工作。盡管L2與L1相比，駕駛操作的主體由人變成了系統(tǒng)，但負責周邊監(jiān)控的主體都是人。

自動駕駛相比于駕駛輔助，對技術和車輛性能要求更嚴格。首先，需要更好的目標識別算法。“誤報率”這一指標，是衡量自動駕駛技術的重要考量，比如自動駕駛里面有一個AEB（自主緊急制動），如果老是誤剎，會對車輛的安全造成威脅。另外，漏報率在自動駕駛中必須要降低為零，因為出現(xiàn)一起漏報，可能就會車毀人亡。

另外，視覺和雷達的融合要進一步提升。以特斯拉為例，Autopilot用的車輛識別技術還比較原始。它基本上看本車道或者是相鄰車道的車屁股。車屁股有非常明顯的特征，車屁股下有陰影，有車燈，車是一個對稱的幾何體。這些特征使得它在夜晚也能比較清晰地識別出來。但在之前的一次事故中，特斯拉撞上了路邊一輛橫著停靠執(zhí)行公務的警車，這個車的色彩很難跟背景區(qū)分開來，所以視覺這一塊實際上是需要進一步提升的。