今天,自动驾驶的感知和决策环节的主流技术发展方向逐渐清晰,即基于深度学习与增强学习结合的机器学习,但机器学习需要大数据的驱动才能达到高性能和高可靠性。这意味着,开发者需要将自动驾驶设备先安装到大量的车辆上,开奖,让车辆在实际运行中才能产生所需要的数据量,结果就会陷入鸡生蛋还是蛋生鸡的问题:一开始自动驾驶的可靠性不好,无法出售大量设备;设备量不足导致数据量不够,又会制约性能的提升。如果最开始先在某些特定应用方面进行部署,则可以逐步积累数据,提升性能,为更大范围的自动驾驶应用做好准备。 谷歌自动驾驶从七年前开始测试,到现在也只跑了3百万公里,而特斯拉的Autopolit从15年10月启用以来的多半年内,已经积累了1.6亿公里以上的行驶里程;Uber更夸张,摩根士丹利曾在一份报告中称: “Uber在24分钟内收集到的数据,就相当于谷歌自动驾驶汽车自诞生以来记录下的所有数据。” 这就是通过量产车积累数据的优势。说到底,基于数据驱动的技术必须在实践中才能完善,单个公司的测试规模有限,而且效率太低。在技术史上这样的例子不胜枚举,苹果在推出第一代iPhone的时候,上市后仅仅几周,用户就发现了几百个bug,这还是质量要求苛刻的乔布斯的作品。 同时,自动驾驶的开发还有高度的地域性特点,欧洲和北美的驾驶环境不同,中国的驾驶环境与欧美差异更大,比如司机变道频繁、人车混行严重等,车辆特征差异大、道路系统复杂等,这些本地化因素往往导致本来在欧美比较成熟的功能,如变道、过十字路口等,在中国实测的成功率急剧降低。从这个意义上讲,本地化的数据处理和自动驾驶决策算法开发是无法回避的,在这个问题上,地平线机器人与相当多的国外车厂和国际Tier1都有广泛的讨论,各方都有高度认同。 |历史的启迪 美国智库兰德公司在其发布的《驶向安全》报告中认为,自动驾驶的安全性需要数亿至数千亿英里,才能验证其可靠性,凸显了在开放道路上全自动驾驶的复杂性,以及由此带来的在测试方法上的巨大挑战。 凭借在机器学习方面的出色成绩,地平线机器人在自动驾驶领域吸引了业界的广泛关注,同时,地平线定位于做自动驾驶解决方案的Tier2供应商,与多家车厂和Tier 1保持了广泛的沟通,并与其中的多家合作伙伴进行了深入合作,这样的一个比较偏上游的定位,给了地平线一个很好的视角,去观察并思考这个行业,更多地从市场真实需求从出发,去制定相应的技术路线图。 在通往完全无人驾驶的终极目标的路上,确定了较多的中间节点,我们相信ADAS依然会持续演进,从目前的Level2向Level3过渡,最终朝Level4的自动驾驶发展,而在技术研发上从感知,到三维场景语义理解,再到环境态势预判、路径规划,场景方面逐渐扩大其适用面,从高速公路到一般道路。同时,ADAS也会从外部感知扩展到对司机的感知和理解,确保在自动驾驶和手动驾驶方面的过渡可靠性。 一个有远大抱负的企业往往会希图毕其功于一役,一步到位将革命性的技术投入商业化。摩托罗拉一手开创了移动通信时代,当时移动通信最大的挑战是地面基站的覆盖面不足,并且基站之间的切换可靠性也很差,于是这个当时的技术巨人在发展新一代移动通信技术时,决定建设一个卫星通信系统,彻底解决这一问题,这就是著名的铱星系统,在技术上这是一个伟大的设想,但是令人始料未及的是,地面基站的建设速度超乎预期,并且在普及过程中可靠性逐步完善,而依靠摩托一己之力的铱星系统却独木难支,巨额投资导致服务费用高昂,盈利回报达不到预期,最终黯然退出市场。 从某种意义上讲,一个系统,无论是技术,还是政治、经济,只要足够复杂,就很难有一步到位,推出一个完善、可靠的系统。 二十多年前,当前苏联的铁幕无奈落下时,福山发出了著名的论断:历史的终结,他乐观地认为,自由民主制度是“人类意识形态发展的终点”和“人类最后一种政治形式”,而时至今日,中东乱局恰恰证明了自由民主革命不见得会带来一个更好的政治生态,改良的成功例子似乎更多。俄罗斯也试图用休克疗法重建一个完美的经济格局,结果一败涂地,反而是中国的渐进式改革取得了巨大成功。在今天自动驾驶的喧嚣声中,历史的启迪或许值得深思。 (责任编辑:本港台直播) |