從「駕駛輔助」到「無人駕駛」還需要做什麼？

編者按，在近日的2016年自動駕駛汽車開發及測試技術研討會上，馭勢科技CEO吳甘沙做了一次演講，介紹了從駕駛輔助到無人駕駛的發展中還需要做些什麼，以下為其演講實錄精編。

吳甘沙

在演講的開始，吳甘沙先做了一個術語的定義，即現在大家都在做的「自動駕駛」、「無人駕駛」。到底什麼是更準確的定義呢？

從2007年開始Mobileye開始做駕駛輔助，到2015特斯拉量產的車中帶了輔助駕駛系統Autopilot，再到谷歌為代表的互聯網企業直接切入了無人駕駛（但在未來幾年，他們無人駕駛只會是限定場景的無人駕駛，所謂的限定場景，是城市區域，其次是中低速。按目前的技術發展，203X年的時候才會有全天候全區域的無人駕駛），從以上看來，整個層級可以分為：最初始的駕駛輔助，輔助駕駛和高度自動駕駛可以歸為自動駕駛，再高一級別的是無人駕駛。這個是現在官方比較推崇的術語的界定。從「駕駛輔助」到「無人駕駛」還需要做什麼？

| 從駕駛輔助到輔助駕駛

從今天的駕駛輔助，再到輔助駕駛，這裡面需要什麼？

駕駛輔助有一個很重要的指標必須要低，那就是「誤報率」，不然大家就把這麼一套系統關掉了。在輔助駕駛中也同樣要低，要不然會很麻煩，也不安全，比如輔助駕駛裡面有一個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，相對於誤報率，漏報率可能並不是駕駛輔助中最重要的一個指標，但當系統從「駕駛輔助」變成「輔助駕駛」之後，漏報率必須要降低為零。因為出現一起漏報，可能就會車毀人亡。所以這些都需要有更好的演算法和多感測器的融合。

在輔助駕駛中，其輔助不能僅僅是警告，還需要加入規劃和控制。這個是從駕駛輔助到輔助駕駛需要做的。

就在不就前，特斯拉的輔助駕駛發生了一起車禍——撞上了一輛橫著的拖車。出現這種情況，就說明了視覺和雷達的重要性。首先特斯拉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徵，車屁股下有陰影，有車燈，車是一個對稱的幾何體。這些特徵使得它在夜晚也能比較清晰的識別出來。但是在這次事故中，特斯拉撞上了一輛橫著的車。這個車的色彩很難跟背景區分開來。所以視覺這一塊實際上是需要進一步提升的。

在這起車禍中，為什麼雷達沒有探測到那輛拖車呢？特斯拉方面的回應是，雷達確實探測到了這輛車，但是把它歸類成為了橫跨馬路的道路標誌。從普通的雷達演算法的角度上說，它是希望在靠近的時候能夠做出更準確的判斷。但是很可惜，這個拖車的底盤非常高，而雷達安裝的位置比較低，所以靠近的時候並沒有被發現。實際上更早的時候也出現過特斯拉的雷達沒有判斷出前面較高底盤的車的情況。

所以，雷達和視覺方面也需要提升才能更好的去做輔助駕駛。

認識到這些之後，該怎麼做？

既然深度學習不夠用，視覺雷達就能夠填補它的缺點。

目前高端的無人駕駛汽車都在使用激光雷達做測試，但是激光雷達非常的貴，所以，立體視覺雷達就能在一定程度上發揮作用，比如現在常用的雙目攝像頭，實際上就可以充當一個廉價版的激光雷達。視覺雷達的好處是，不用識別1/3那麼多，只要邊上露出一點點的跡象，視覺雷達就能抓取到重要信息。吳甘沙在演講中展示了他們系統中做的一個三目的攝象頭，形成的圖像能夠很好的過濾路面信息。

馭勢科技三目攝像頭

深度學習和視覺雷達相結合，能夠發揮更好的效果。

深度學習是一個多任務的網路，它可以識別行人，識別自行車，識別汽車等等。

而識別行人，基於立體視覺的視覺雷達效果會更好。

因為傳統攝象頭拍出來的東西是給人看的，而在輔助駕駛中，攝象頭需要給演算法看。怎麼樣把攝象頭調校到演算法工作的更好，是非常重要的。所以，想做好輔助駕駛，對攝像頭在各個環境的調校，是一項不可或缺的工作。

| 從輔助駕駛到高度自動駕駛再到無人駕駛

剛才講了駕駛輔助到輔助駕駛，那麼從輔助駕駛到高度自動駕駛到無人駕駛，要做一些什麼呢？

一、做好地圖定位工作

我們傳統上，大家知道地圖就是導航地圖，在地圖中有一些道路信息、一些交通規則的信息就夠了。但是要做到高度的自動駕駛，可能需要更多的信息。比如交通信號、車道線數目、坡度和曲率等等等等。要做到無人駕駛的話，則需要更進一步需要高精度地圖。這裡面要對環境更精細的建模，把各種各樣的路標、道路語義都能體現進去。同時它還能給出一些駕駛建議。比如這裡需要減速，那個地方需要換道等等。

現在所有這些解決方案，無外乎這5個參數：採集用什麼樣的設備、定位用什麼設備、地圖多大、存放位置（到底是雲里還是本地）、能否實時更新。

以Google的方案為例，他們針對地圖的採集設備是昂貴的激光雷達，定位設備也是激光雷達，地圖很大（一公里幾個Gb），只能存在本地，而且更新會有延遲。

而普通的圖商做的，地圖不如谷歌這麼稠密，但是信息也非常豐富。它需要更加昂貴的激光雷達採集，但是定位設備會相對比較便宜，地圖大小中等，可以選擇地圖還是要存放在本地。掃街的車畢竟是有限的，所以它更新會延遲。

無論是Google還是圖商，所做的地圖都有相應的缺陷性，所以要改進地圖需要換一種思路，比如實時同步的地圖構建和定位系統。這種系統通過一種叫Video Slam的技術，能夠實現路面實拍，找出特徵點，可能一張圖有五千個特徵點，然後通過這些特徵點匹配，知道自己在什麼地方。

這種方法的缺點是計算量特別大，而且在某些場合沒辦法找出來明顯的特徵點。想解決這個問題，需要在系統中添加「基於交通標誌的識別」和「路麵線條識別，通過攝像頭設備進行採集和定位，可以通過眾包方式採集，地圖非常小，每公里只有幾十KB，可以存在雲里，實時更新。這樣一種基於交通標誌牌的匹配，以及基於地面標示這樣特徵的匹配，使得我們能做到很好的定位。

二，做好認知演算法

除了定位之外還需要更好的認知演算法。

我們知道自動駕駛分為感知、規劃、控制三階段。在感知的高級階段和規劃的部分，需要更好的認知演算法。

我們不妨看高級的感知，首先我們傳統的輔助駕駛，只需要認知特定的目標。比如高速上，我只需要認知汽車，在一些十字路口，需要認知行人。高度自動駕駛可能開到很多非常複雜的路況裡面，就沒辦法用一個有限的資料庫來感知外面的環境出來。簡單的說，傳統的視覺方案需要有資料庫，而高度自動駕駛需要對世界更加複雜的建模。

高度自動駕駛需要通過深度學習來感知周圍環境，比如識別標識模糊的道路、車流中行駛的複雜操作（變道、匯車），行人多的地方進行順暢的壁障（預判行人運動軌跡，不用走走停停）等等。

這些認知演算法的研發方法，目前Google做的非常不錯，但是也非常複雜。Google使用了360度激光雷達掃描到的地上的各個物體可以預測到它的行使軌跡和下一步的動機，這個需要規劃層面更好的演算法。

一般來說，深度學習都是用卷積神經網路和遞歸神經網路以及強化學習。大家都知道，遞歸神經網路和強化學習也用在了AlphaGo裡面，做識別，做語意分割和行為的分析和預測。現在我們用到各種各樣的深度學習的網路，其實規模並不是很大，大家知道深度學習最深的網路達到一千層，但是我們所用的十幾層的網路，用定點的計算就夠了，不用浮點。而且你可以和GPU、Fpga和嵌入式視覺晶元做很好的適配。

而且深度學習要解決數據來源的問題。現在對於我們來說，數據來源有很多方面，比如計程車上可以裝上行車記錄儀，通過眾包的方式，上千人的網路給你標註，你可以像從谷歌街景的資料庫裡面，把一些道路圖畫扒出來。

另外，賽車遊戲也是很好的搜集數據的方法，因為它既有場景，也有玩遊戲的反饋。尤其是端到端的深度學習，這種方法非常有用。還有遊戲再加上半自動的眾包的標準。通過玩遊戲的時候，它通過現成的演算法做一定的標準，比如我把車道先給你標一部分，作為一個玩家，可以判斷標得準確不準確，最後通過修改。

V2X（車對外界的信息交換）和激光雷達，可能會在未來3-5年出現，尤其是激光雷達和多攝像頭，未來可能會出現融合。激光雷達主要是Velodyne、Ibeo、Quanergy，基本上從他們路線圖看來的話，都會在三五年之內達到五百美金以下。

對於整套系統，除了感知、規劃、控制之外，還需要駕駛員的行為學習。你會希望自動駕駛開得比較舒服，你要考慮人機介面，通過聲光電振動的方式跟駕駛員進行交互。尤其是特斯拉這個事情出來之後，大家覺得需要在車裡面裝一個攝象頭，做駕駛員注意力檢測，看駕駛員的注意力在不在路上。狀態的監控和數據的記錄非常重要。尤其是需要確定責任的時候。

第三，軟體架構的安全性保障

對於軟體架構來說，強調實時高可靠高安全的軟體架構是至關重要的。安全性要從功能安全，進一步的進入到信息系統安全。就在前段時間，有兩位黑客通過中控娛樂的聯網系統，攻入到車裡面，把它引擎關了。所以安全非常重要。

保障整個系統的安全，就需要需要全套的安全可靠性的設計方法，大概分成四步走。

第一步，要保證規範是準確的。

第二部，分要驗證實現和規範是不是一致的。

第三步，具體運行的時候，要保證軟體為實時最新狀態，信息安全系統標準要非常高，第三要有足夠的冗餘，

第四步，控制。一旦系統失效了，駕駛員要有辦法隨時奪回控制。這裡面要求非常高的就是信息安全這一塊，比如能提供一個可靠的基礎設施，怎麼把多個域進行隔離，怎麼在關鍵的數據通路上進行加密等等。

對於軟體的安全性、可靠性很難界定。特斯拉說我開了一1.3億英里才死了一個人，而美國的平均水平是9000萬英里死一個人，世界平局水平是6萬英里少一人。所以軟體比人開才更安全。事實上懂數學的人都知道這是不成立的，樣本空間太小了。明天要是再死一個人的話，就變成6500萬英里死一個人。

所以，高度自動駕駛和無人駕駛的安全性還需要更多的模擬測試和數學推演才行。

| 總結

從駕駛輔助到輔助駕駛，面臨第一次躍遷。從輔助駕駛到高度自動駕駛到無人駕駛，是第二次躍遷。吳甘沙的演講主要內容是在這個躍遷中，人工智慧等等方面需要做什麼樣的工作。自動駕駛不僅僅是演算法，它是一套超級複雜的系統工程。要考慮可靠性、安全性。不過，自動駕駛在相當長的一段時間裡面，還是統計上比較可靠，但是還是可能會犯低級錯誤的技術，需要業界和學術界的合作，政府和媒體的支持和寬容，使得它的技術在未來3-5年真正能實用。

你的讚賞是我堅持原創的動力