汽車產(chǎn)業(yè)革命上半場電動化,，下半場智能化已是行業(yè)共識,，但讓人始料未及的是,，半場間的切換來得如此猝不及防。由于技術(shù)復(fù)雜性,、商業(yè)可行性以及監(jiān)管挑戰(zhàn)等將自動駕駛汽車成為主流的時間一再推遲,。對于什么時間、什么方式去實現(xiàn)自動駕駛,，業(yè)內(nèi)尚未統(tǒng)一觀點,，于自動駕駛產(chǎn)業(yè)鏈上的各家企業(yè)而言，汽車智能化仍是一個遠大前程與至暗時刻并存的灰色時期,。在今天這樣一個大浪淘沙的變革時代,，機遇和風(fēng)險并存，一切都有可能,，充滿了很多不確定性,，我們來談?wù)勛詣玉{駛的必經(jīng)之路和技術(shù)陷阱。（正文）
自動駕駛汽車能夠使用自然語言處理技術(shù)來閱讀路標(biāo)內(nèi)容,。檢測物體（車道,、行人、自行車,、動物,、碎片、其他車輛等等）是更加復(fù)雜的任務(wù),。訓(xùn)練人工智能從一個角度檢測物體的成本是很高的,，并且需要大量數(shù)據(jù)。人工智能實際使用的數(shù)據(jù)是物體的邊緣,，前者通過訓(xùn)練來檢測各種模式,，直到達到所需的準確率為止。- 2D圖像語義分割,、3D目標(biāo)檢測,、3D語義分割的精度下降
- 模型不可解釋、需要大量的數(shù)據(jù),、訓(xùn)練過程不可控,、魯棒性不夠
- 多傳感器融合的耦合性較高，真正異構(gòu)的多傳感器融合比較少
- 對高動態(tài)的場景缺少在線驗證的方法，無法評估正確性與穩(wěn)定性
規(guī)劃與決策存在問題：環(huán)境感知系統(tǒng)不太準確,，導(dǎo)致預(yù)測模塊(意圖與軌跡)結(jié)果不準確,，導(dǎo)致自車與目標(biāo)博弈算法失敗,，使得決策系統(tǒng)更傾向于保守的規(guī)則(停車)比如評估當(dāng)前場景變化莫測，系統(tǒng)很難避障,，系統(tǒng)就會選擇停車如果與后車間距又太小,，就會一直等著，直到前方可通行
根據(jù)劃分力度的不同,，會造成場景的數(shù)量不斷的增加超低速情況也是一個主要挑戰(zhàn)車輛設(shè)計都會有一個待速的要求，如果低于這個速度了可能會熄火,，尤其是內(nèi)燃機這種車在待速情況下很難走出預(yù)先設(shè)定的軌跡,，不夠細膩，造成避障與會車的失敗人由于在駕駛可以含著剎車,，并且開車處于不斷試探的過程,，可以不斷博弈，而自動駕駛就無法很好的cover
決策的倫理性和責(zé)任認定還不成熟
根據(jù)波蘭尼悖論,，某些技能（例如騎自行車,、下棋和圍棋以及駕駛汽車）不適合通過指令來學(xué)習(xí)。當(dāng) AV 檢測到一個物體時,，只有在你能夠預(yù)測所有可能場景的情況下,，用來響應(yīng)這個物體的編程規(guī)則才能真正行之有效。但為所有可能的情況編寫規(guī)則太復(fù)雜了,。于是自動駕駛汽車會從經(jīng)驗中學(xué)習(xí)如何自己做決策和導(dǎo)航,。- 一種選擇是讓 AV 學(xué)習(xí)如何通過模擬訓(xùn)練來做決策
- 截至 2020 年，Waymo（前身為谷歌自動駕駛汽車項目,，它是 Alphabet 的子公司）已經(jīng)模擬了 150 億英里的行駛里程,，其中真實里程僅為 2000 萬英里
- 通過模擬訓(xùn)練，自動駕駛汽車可以獲得更多經(jīng)驗并更好地了解它們可能遇到的各種可能場景
- 不幸的是,，由于訓(xùn)練人工智能的數(shù)據(jù)與現(xiàn)實世界中的數(shù)據(jù)之間存在差異,，機器學(xué)習(xí)過程無法判斷模擬訓(xùn)練中使用的哪些模型在真實世界中是行之有效的
- 另一種選擇是在政府指定的自動駕駛汽車試驗場上測試汽車
- 這些試驗場有定制的高速公路、停車場,、十字路口和通信網(wǎng)絡(luò),，車輛通過這些網(wǎng)絡(luò)相互“對話”并與基礎(chǔ)設(shè)施“對話”
- AI 軟件、底層處理硬件和傳感器負責(zé) AV 的決策
今天的大多數(shù)數(shù)據(jù)處理技術(shù)都使用了馮諾依曼架構(gòu),，其中數(shù)據(jù)存儲器和處理器位于兩個不同的位置,，發(fā)展到現(xiàn)在就是流行的云計算技術(shù)。當(dāng)攝像頭和傳感器檢測道路上的物體并生成數(shù)據(jù)時,，處理器需要快速分析數(shù)據(jù)并就加速,、制動和轉(zhuǎn)向操作做出實時決策。但是這種能力會受到延遲問題的影響。解決延遲的一種方案是將處理和數(shù)據(jù)存儲轉(zhuǎn)移到更靠近需要改善響應(yīng)時間的位置,。例如,，邊緣計算技術(shù)將處理器放置在生成數(shù)據(jù)的位置。大多數(shù)新型人工駕駛車輛會包含 30 到 100 個電子控制單元（ECU）,，用于處理數(shù)據(jù)并控制車輛中的電氣系統(tǒng)。這些嵌入式系統(tǒng)（通常位于儀表板中）控制多種應(yīng)用,，例如安全氣囊,、轉(zhuǎn)向、制動器等,。ECU 負責(zé)處理由 AV 中的攝像頭和傳感器生成的數(shù)據(jù),，并對車輛的運行方式做出關(guān)鍵決策。由于通信有時會不可靠,，AV 還會利用傳感器融合或冗余預(yù)防系統(tǒng)出現(xiàn)單點故障,。例如，如果汽車的傳感器出現(xiàn)故障,，它還可以依靠 GPS 技術(shù)來安全導(dǎo)航,。與使用群體智能的細菌、魚類和鳥類類似,，自動駕駛汽車也可以通過相互通信來改善導(dǎo)航?jīng)Q策,。研究人員目前正在研究霧計算方法，這種方法將服務(wù)器放置在高速公路上,，以實現(xiàn)更快,、更可靠的導(dǎo)航和通信數(shù)據(jù)分析。與云相比,，霧更加靠近地面,，這也是霧計算的名稱來源。解決延遲的另一種方案是寄希望于存算一體化技術(shù),。存算一體技術(shù)（PIM ：Processing in-Memory）被視為人工智能創(chuàng)新的核心,。它將存儲和計算有機結(jié)合，直接利用存儲單元進行計算,，極大地消除了數(shù)據(jù)搬移帶來的開銷,，解決了傳統(tǒng)芯片在運行人工智能算法上的“存儲墻”與“功耗墻”問題，可以數(shù)十倍甚至百倍地提高人工智能運算效率,，降低成本,。但從消費級到企業(yè)級市場的應(yīng)用普及，可能需要十年甚至更長的時間來扎實基礎(chǔ),，升級完善,。當(dāng)前，存算一體化芯片研發(fā)還需要面臨可靠性和密度問題，需要更多的技術(shù)驗證和行業(yè)實踐應(yīng)用：- 技術(shù)層面：存算一體芯片涉及器件-芯片-算法-應(yīng)用等多層次的跨層協(xié)同
- 細分應(yīng)用場景的不同性能需求決定了神經(jīng)網(wǎng)絡(luò)算法與芯片的設(shè)計,，算法依賴神經(jīng)網(wǎng)絡(luò)框架,、編譯、驅(qū)動,、映射等工具與芯片架構(gòu)的協(xié)同,，芯片架構(gòu)又依賴器件、電路與代工廠工藝
- 器件物理原理,、行為特性,、集成工藝都不盡相同，需要跨層協(xié)同來實現(xiàn)性能（精度,、功耗,、時延等）與成本的最優(yōu)
- 產(chǎn)業(yè)生態(tài)層面：作為一種新興技術(shù)，想要得到大規(guī)模普及,，離不開產(chǎn)業(yè)生態(tài)的建設(shè),，需要得到芯片廠商、軟件工具廠商,、應(yīng)用集成廠商等的大力協(xié)同,、研發(fā)、推廣與應(yīng)用,，實現(xiàn)性能與場景結(jié)合與落地
電動交通的形式已經(jīng)越來越多樣化,。并在全球可持續(xù)發(fā)展的大背景下扮演著重要角色。從電動自行車,、汽車到無人駕駛電動汽車,、Robotruck，再到自動駕駛無人機,，這些產(chǎn)品似乎都在顯露著未來的某種趨勢,。來自加拿大安大略理工大學(xué)的Williamson教授認為，電動交通商業(yè)化的進一步成功,，以及未來的全自動駕駛技術(shù),，將取決于電力電子技術(shù)的進步。這種技術(shù)在未來幾年面臨著許多挑戰(zhàn),，特別是在電能存儲系統(tǒng)的控制和智能充電系統(tǒng)的發(fā)展方面,。為了讓電動汽車（EV）大規(guī)模普及，研究人員必須設(shè)法讓電池更便宜,、更輕,，并增加其能提供的續(xù)航里程。大多數(shù)電池提供的續(xù)航里程約 200-260 英里,，而特斯拉 Model S 的續(xù)航里程達到了 370 英里,，代價是其鋰離子電池組的重量達到了 1,200 磅,。因此，電動汽車一方面要面對電池價格和重量之間的權(quán)衡,，另一方面小電池還需要更頻繁的充電,。研究人員正在研究幾種替代方案。更換電池方案太昂貴且不切實際,。為 EV 充電需要電纜,，而對于 AV 來說，還需要機器人或人類將電纜插入汽車和充電站,。固態(tài)電池可以存儲更多能量,、充電更快，但它們?nèi)栽陂_發(fā)中,。研究人員還在研究更高效的電池充電方式。無線充電系統(tǒng)提供了一些優(yōu)勢,。它們將減少 EV 對充電站和電池組容量的需求,，這也能降低車輛的成本和重量。電能無線傳輸需要兩個電磁線圈,，其中一個線圈位于地面并連接到電源,，另一個線圈安裝在車輛中，與車輛的充電系統(tǒng)和電池相連,。能量通過兩個線圈之間的磁場傳遞,。該技術(shù)仍在開發(fā)中，因為磁線圈之間的能量傳輸效率還不夠理想,。谷歌和高通正在開發(fā)一種系統(tǒng),，可以在高速公路上嵌入充電線圈條，讓汽車可以在行駛時充電：- 高通已經(jīng)證明,，即使車輛以 70 英里 / 小時的速度行駛并且表面被水覆蓋,，也可以在行駛中充電
- 使用這種方法時電池就用不著充電了，因為在路上行駛時不會消耗電池電量
- 這將消除人們對 EV 續(xù)航里程的擔(dān)憂,，并可能讓電力成為汽車的標(biāo)準能源
- 然而,，人類長期暴露于弱磁場中時身體健康受到的影響目前尚不清楚。因此需要在這方面進行更多的研究以確保人身安全
人類駕駛員和自動駕駛汽車都會遇到需要做出生死攸關(guān)決策的情況,。例如,，緊急情況下自動駕駛汽車應(yīng)該轉(zhuǎn)向撞死行人，還是什么都不做,，結(jié)果導(dǎo)致自己搭載的乘客死亡呢,？麻省理工學(xué)院計算機科學(xué)家 Iyad Rahwan 通過一個名為 Moral Machine 的交互式網(wǎng)站對參與者進行了關(guān)于不同情景下道德困境的調(diào)查。該項目吸引了來自 233 個國家和地區(qū)的超過 200 萬參與者,，他們代表不同的宗教,、國家和文化。研究發(fā)現(xiàn)。盡管許多研究人員認為,，從長遠來看,，由于人為錯誤減少，自動駕駛汽車最終會變得更安全,，但 2018 年路透社 / 益普索的一項民意調(diào)查表明,，社會還沒有準備好大規(guī)模推廣自動駕駛汽車。在不具備關(guān)于自動駕駛汽車的經(jīng)驗或知識的情況下,，只有 27% 的受訪者（38% 的男性和 16% 的女性）表示他們會覺得乘坐無人駕駛汽車很舒服,。雖然年輕的受訪者通常對自動駕駛汽車更感興趣，但 54% 的司機認為與它們共享道路會讓自己感到不夠安全,。監(jiān)管部門正在評估人工智能在高速公路上能有多大程度的自主決策權(quán),。SAE International 設(shè)計了一套 系統(tǒng)，將駕駛自動化級別分為 0 到 5 級,。目前,，自動駕駛汽車基本上都有學(xué)習(xí)許可證，但在允許自動駕駛汽車在沒有輔助的情況下自主在道路上行駛之前,，它們必須先獲得公眾的認可,。0 級：沒有自動化能力。駕駛系統(tǒng)可能暫時接管車輛控制功能——例如防抱死制動和電子穩(wěn)定控制——但不能持續(xù)控制車輛,。 1 級：駕駛員輔助,。具備一些輔助功能，例如自動巡航控制和停車輔助,。 2 級：部分自動化,。駕駛員需要一直監(jiān)控汽車，但在某些駕駛條件下無需手動轉(zhuǎn)向,、制動或加速,。 3 級：有條件的自動化。車輛在大部分情況下都可以自動駕駛,，但駕駛員必須時刻保持警惕,，以便根據(jù)需要接管控制權(quán)。 4 級：高度自動化,。車輛可以完全自主運行,，但這僅限于特定的道路或條件。 5 級：全自動化,。車輛可以完全自主運行,，無需任何人類駕駛員干預(yù)。 隨著 2 級自動駕駛汽車進入高速公路,，與人類駕駛員一起行駛并獲取經(jīng)驗,，它們也偶爾會發(fā)生碰撞事故,。美國國家運輸安全委員會（NTSB）發(fā)布了兩起使用了 Autopilot 功能的特斯拉汽車遭遇的致命事故的最終報告。該機構(gòu)確定事故的主要原因與特斯拉無關(guān),，但特斯拉的自動駕駛功能是一個事故促成因素——過度依賴自動化導(dǎo)致駕駛員注意力不集中,、反應(yīng)遲鈍。行業(yè)需要思考一個問題是：在“軟件定義汽車”的情況下,，解決智能駕駛系統(tǒng)計算平臺的支撐問題,，是否只能通過算力堆疊來實現(xiàn)？筆者認為：提升硬件很重要,，但不能陷入“唯算力論”的怪圈,。自動駕駛芯片的競爭壁壘在于算力利用率和可用性。算力不能說無限增長,，芯片PPA（功耗,、成本和面積）都是很要命的。對于車載AI芯片來說,，算力指標(biāo)重要,，能效比更重要。以英偉達的芯片為例,，它GPU的功耗是最高的。Orin,、Xavier的利用率基本上是30%,。不同于英偉達的GPU方案，高通,、mobileye,、華為，包括國內(nèi)這些創(chuàng)業(yè)公司都走的是ASIC路線,。ASIC芯片針對不同的神經(jīng)網(wǎng)絡(luò)模型去優(yōu)化,，基本上可以做到60%~80%之間，好一點的可能會做到80%再高一些,。芯片算力的無限膨脹和硬件預(yù)埋不會是未來的趨勢,。此外，車企面對的消費端是不是立刻就需要那么高端的算力呢,？也不見得,。自動駕駛算力主要是體現(xiàn)在感知層面的融合，對于L3 100~200已經(jīng)夠了,，對于L4可能需要200~300,，更關(guān)鍵是怎么用算力，不是說越多越好,，如果要做1000,，其實是沒有必要,，并且高算力背后高功耗和低利用率問題愈發(fā)嚴重。從技術(shù)和成本在車側(cè)和路側(cè)的分配出發(fā),，自動駕駛的發(fā)展演化出三條技術(shù)路線：- 以激光雷達和高精地圖為代表的“谷歌派”單車智能路線
- 以視覺感知和影子模式為代表的“特斯拉派”單車智能路線
- 在網(wǎng)聯(lián)化方面率先發(fā)力與突破的車路協(xié)同路線
不同于單車智能,，車路協(xié)同更多追求車輛與周遭事物的互聯(lián)來實現(xiàn)自動駕駛。再加上5G 概念（更快的峰值網(wǎng)絡(luò)傳送速率能讓通訊更快捷）加持,，通過車路協(xié)同來實現(xiàn)自動駕駛似乎更可期了,，但現(xiàn)實似乎并非如此。技術(shù)操作上,，一個比較現(xiàn)實的問題是,，車路協(xié)同并不是所有的區(qū)域都能做，比如農(nóng)村,。如果要大量鋪設(shè)支持車路協(xié)同的智能化基礎(chǔ)設(shè)施,，明顯不經(jīng)濟。而且國外是否接受這種路線,，并大規(guī)模鋪設(shè)相關(guān)的基礎(chǔ)設(shè)施,，也存在極大的不確定性。站在車企角度,，單車智能顯然更為重要,。對車廠來說，開發(fā)的汽車顯然不能只適用于特定區(qū)域——除非是專門研發(fā)特定用途汽車的企業(yè),，而應(yīng)該同時滿足城市,、鄉(xiāng)村、國內(nèi),、國外等多個不同市場的需求,。過于依賴車路協(xié)同，無疑是自我束縛,。此外,，有很多地方即便有智慧公路，可以收集到大量數(shù)據(jù),，卻面臨數(shù)據(jù)不知道如何處理的問題,，路端傳感器如何布置也沒有形成統(tǒng)一標(biāo)準：- 比如交通信號燈，就有很多種品牌,，不同的品牌有不同的協(xié)議標(biāo)準,，有的甚至是黑匣子不公開標(biāo)準，或者沒有標(biāo)準
- 一條路上不同的傳感器在相近的時間里可能會監(jiān)測出不同結(jié)果,，如何對這些差別做驗證和取舍,，也得有具體的標(biāo)準
- 不同的地方政府、合作方基于自身原有的技術(shù)標(biāo)準,，也會有不同的要求
從商業(yè)運營上看車路協(xié)同是一個偽需求,，商業(yè)模式走不通,。一公里的改造費用6個億人民帀，這個錢政府可以出,，但是做了這條路,，不能要求主機廠去裝—個2000-3000塊錢的OBU。為了所謂的車路協(xié)同,，增加每個車的成本2000-3000政府的基建,，要做這個路，車路協(xié)同的設(shè)備,，做完了就完了,，但是沒人跟。根據(jù)《2020年交通運輸行業(yè)發(fā)展統(tǒng)計公報》,，截至2020年末,，全國公路總里程519.81萬公里，其中四級及以上等級公路里程494.45萬公里,，二級及以上等級公路里程70.24萬公里,。國道里程37.07萬公里，省道里程38.27萬公里,。農(nóng)村公路里程438.23萬公里,，其中縣道里程66.14萬公里、鄉(xiāng)道里程123.85萬公里,、村道里程248.24萬公里,。考慮到農(nóng)村公路往往限速較低、車流稀少,，除交叉路口外，配置車路協(xié)同感知系統(tǒng)的必要性不大,，可先只考慮二級及以上等級公路或國省干線,，總里程約70萬公里。倘若按照高速公路的標(biāo)準,，為之鋪設(shè)感知系統(tǒng),，考慮到彎道及隧道等特殊情況，按每100米一個點位配置（大部分國省干道可只設(shè)單側(cè)感知）,，則每公里投資約為50萬,，則全國范圍國省干道感知網(wǎng)絡(luò)建設(shè)成本約為3500億。據(jù)一位業(yè)內(nèi)專家的經(jīng)驗,，每1公里道路,，安裝路側(cè)感知設(shè)備成本在150萬元~200萬元之間，這還未算上數(shù)據(jù)平臺,、車端設(shè)備的改造,。無錫錫山區(qū)車聯(lián)網(wǎng)小鎮(zhèn)上,，僅兩條道路，車路協(xié)同建設(shè)造價就過億元,，這還不過是冰山一角,。整個小鎮(zhèn)建設(shè)范圍涵蓋37km路網(wǎng)、63個網(wǎng)聯(lián)路口,、13km公共測試道路,，總投資約120億元。與遲遲不能取得商業(yè)化進展的Robotaxi相比,，動輒億元訂單的“造富”效應(yīng),，也讓車路協(xié)同多了一份關(guān)注度。在全國近千公里的測試路段上,，你幾乎找不到一輛連有車路協(xié)同設(shè)備的私家車,。車路協(xié)同付費方還停留在B端和G端，未曾滲透到終端用戶層面,。很顯然,，B端和G端不會是大頭的買單方——每公里上百萬元的建設(shè)費，只有攤派到每輛車上,，才算得過來經(jīng)濟賬,。過去幾年，政府在路端率先邁出改造的第一步后,，如果終端不愿意大規(guī)模買單,，不能配合跟上建設(shè)步伐，那么政府算不來經(jīng)濟賬,，勢必推不動進一步建設(shè),。反過來，如果沒有大規(guī)模車路協(xié)同基建設(shè)施,，消費者不會產(chǎn)生足夠剛性的需求,，就不會有動力買單。車路協(xié)同更多的是解決路權(quán)分配的問題,，把大數(shù)據(jù)流量和車鏈接起來就可以,，沒有必要做得那么復(fù)雜，重點還是依賴于車端,。單車智能“谷歌派”,，以激光雷達為主要感知設(shè)備，采取了激光雷達,、毫米波雷達,、攝像頭等多傳感器融合的方案。
特斯拉利用影子模式（Shadow-Mode）訓(xùn)練與迭代其自動駕駛算法，將已售車輛變?yōu)椤皽y試車輛”,，不斷收集現(xiàn)有活躍車輛的真實場景數(shù)據(jù),，上報捕捉到的視覺信息與“稀有案例”，并基于模型對外界進行預(yù)判,。龐大的特斯拉車隊活躍在北美,、歐洲和東亞，為特斯拉建立了龐大的數(shù)據(jù)庫,，修正和完善了自動駕駛算法,。純視覺方案存在部分問題難以通過單純的算法提升而彌補。比如測距精度有限,、對于強光場景處理難度大,、視野范圍有限、攝像頭機械穩(wěn)定性差等,。這些問題使得使用包括激光雷達,、攝像頭、毫米波在內(nèi)的多傳感器融合的方案更有優(yōu)勢,。未來主流自動駕駛解決方案,，筆者認為將會融合攝像頭、激光雷達,、毫米波,、超聲波等多種傳感器，激光雷達的融合將會更好的應(yīng)對各種突發(fā)情況,，而車路協(xié)同因為技術(shù)可操作性和商業(yè)模式問題,，注定走向淘汰。單車智能還遠遠沒有達到其頂峰,，在物理規(guī)則之內(nèi),，我們有理由相信沒什么是目前看起來單車智能攻克不了，而必須要通過V2X來解決,。對于自動駕駛甚至無人駕駛,，車路協(xié)同是錦上添花的事情，單車智能才是必經(jīng)之路,。
|
