来源：大数据文摘

本文约3600字，建议阅读10分钟。

我们离自动驾驶还有多远，近在咫尺，还是遥遥无期？
[ 导读 ]7月26日，第5期AI Time邀请到了3位重磅嘉宾，就“自动驾驶近在咫尺还是遥遥无期”这个热门且具有议论性的话题展开讨论。
现场合影
汽车这种交通工具已经诞生130多年，就像对所有机器自动化的追求，能够自行运转行驶的汽车，始终是人们梦寐以求的。今天飞机、火车乃至地铁都能够一定程度地实现自动驾驶，大众也期盼着道路交通中的自动驾驶车辆能够问世。
据不完全统计，2018年全球自动驾驶投/融资总规模超过70亿美元，其中中国内地的投/融资规模近12亿美元。软银、本田相继投资通用旗下的自动驾驶企业Cruise，总额高达50亿美元；国内自动驾驶初创企业小马智行也先后两度完成融资，总额超过2.1亿美元。
但同样，自动驾驶事故的出现也为行业敲响警钟。2018年3月，一辆Uber自动驾驶车辆在美国亚利桑那州与一名行人相撞并致其死亡，成为全球首例自动驾驶致行人死亡事故。而在国内，也同样出现过特斯拉轿车因启动自动驾驶模式而引发车祸的事件。
我们离自动驾驶还有多远，近在咫尺，还是遥遥无期？
 在AI Time第五期的辩论中，清华大学车辆学院院长杨殿阁教授、清华大学计算机系邓志东教授，还有Pony.ai的CTO楼天城就一起论道了自动驾驶的相关问题。

从改善交通到促进产业转型，无人驾驶的意义渗透社会方方面面

人类学研究告诉我们，超过90%的交通事故由人类驾驶员的失误和错误造成。自动驾驶能够消除这部分因素影响，也被人们赋予保障交通安全的重要使命。
  除了改善交通安全，自动驾驶对于人类社会的方方面面都有重大意义。例如，节能减排、改善交通状况、移动能力变得更强、促进产业的转型等等。无论国内外，军方、政府和企业都在尝试或开展无人驾驶的研究。
 国际上，最早的无人驾驶相关研究工作是从上个世纪80年代开始由美国的DARPA开展， DARPA拥有军方背景，之后也有各种各样的车企，互联网企业，例如谷歌、Uber等等加入战团。国内相对来讲起步较晚，从上个世纪90年代开始相关的研究和进展，但是发展势头迅猛。
以百度、阿里、腾讯为代表的科技公司，正成为国内甚至全球自动驾驶行业研究的头号玩家。2018年7月，百度和金龙客车合作打造的L4级自动驾驶巴士量产下线；9月，阿里发布其车路协同技术以及智能交通方案；11月，腾讯在其合作伙伴大会上展示了自动驾驶算法、仿真方面的全面布局。BAT因在自动驾驶上较为丰富的技术储备，正成为车企们争相合作的技术伙伴。

无人驾驶既是人工智能的研究问题，又是重要的应用场景

无人驾驶本身，既是一个人工智能的研究问题，同时又是人工智能的重要应用场景。所以它包含非常多的关键技术。

无人驾驶依靠感知系统，包括用摄像头、激光雷达等等各式各样的传感器来获取周边的相关信息，来感知汽车周边的环境。通过对以上信息的处理，作出相应的判断，这些判断的结果最后会通过控制执行子系统，来真正实现无人驾驶的相关操作。
无人驾驶在对周边信息感知方面，有两种非常典型的技术路线。

• 激光雷达

采用何种技术取决于应用场景，比如Waymo的无人驾驶，就是选取了激光雷达的路线。通过给汽车装置非常精密精准的雷达，让汽车眼睛更亮。即使是在黑暗环境下也能对周围环境进行建模。

• 计算机视觉技术

不同观点来自于特斯拉，马斯克在今年初发表“傻子才用雷达”、“用雷达没有前途”等观点，他们更多地关注用传统摄像头获取周边的相关信息，去打磨获得的视觉信号，捕捉重要的周边信息。

融合在一起的技术路线可能更加先进

激光雷达距离非常远，受环境光照影响低，但具有缺乏颜色和纹理、数据稀疏、成本高等缺点；摄像头有颜色有纹理，成本低，但受环境光照影响大，且距离比较近。

邓志东教授认为，虽然目前特斯拉等公司单目视觉技术已经有所突破并形成了壁垒，但是既可以测距，又有颜色纹理，还不受环境光照影响的固态激光雷达融合摄像头会是未来的趋势。

杨殿阁老师从产业角度分析，认为纯视觉技术成本低，但无人驾驶需要对周围环境做三维空间建模，相较于采用计算机视觉技术，用激光雷达建模则相对容易，而且也会使用到摄像头。两家公司技术路线不同和其业务不同是有关系的，谷歌做的是出租车等运营车辆的场景，需要考虑的是可靠性，成本占次要地位；特斯拉等公司做的是量产车，要卖给终端用户，所以须考虑成本，而激光雷达成本太高。

而楼天城先生则认为，激光雷达路线还是计算机视觉路线，未必真的有答案。自动驾驶感知技术路线之争并不是单一技术路线之争，而是和整个系统有关。严格意义上讲，世界上并没有一家激光雷达公司和计算机视觉公司，标为激光雷达一派的Waymo其实也有27个摄像头；同样，特斯拉也至少有16个毫米波雷达。每一分传感器的钱都能多带来一个信息收入，这个性价比在于你花一块钱，能够获得多少信息，这才是传感器真正的价值。还有另外一点在于，“无人驾驶感知路线不是一个单一的问题，如果单纯问自动驾驶感知路线，可能不是一个非常公平的问法，因为涉及了这种体系的很多个决策。路线不仅仅是感知，而是整体系统架构的考虑。”

自动驾驶系统落地实现方式：单车智能方式VS车路协同方式？

       
  中国的主技术路线强调车路协同。因为中国的单车智能技术方面落后于美国，但中国有很好的道路和网络条件，因此，单车智能和车路协同结合可以更好地落地。谷歌方案强调单车智能，比较符合美国的情况，因为在美国建立全网联通的车车协同不太可能。所以并不是美国不想把车路协同加入自动驾驶的落地中，只是没办法落地。
车车通讯可以帮助汽车提前获取更多的信息，比如大车遮挡了视线，但依然可以通过车辆之间的通讯获取大车前面的路况信息。单车智能是根，车路协同作为辅助。所以二者应该是合作的关系，缺一不可。双方可以共同保证自动驾驶安全落地。

乘坐无人车，更担心还是更不担心？

人类驾车两种方式：正常驾车和违规驾驶，90%以上的交通事故都是违规驾驶导致的，正常驾驶一般不会出事故。无人驾驶汽车比违规驾车要强，比正常驾驶要弱，希望通过自动驾驶降低那90%的交通事故发生概率。至于会不会担心，是一个心理问题，自动驾驶在车速等控制上比人精准，体验会更好。但是自动驾驶在感知上还做不到比正常人可靠，这是瓶颈，有待突破。
中国接受自动驾驶的比例超过80%，这和中国人愿意接受新鲜事物有关，但是人类对自动驾驶的要求要高于人类驾驶。如果是纯无人驾驶，还需要时间来进行技术突破，目前还不是足够可靠。自动驾驶的目的是给行车安全带来更多地保障。但自动驾驶还缺乏法律保障，事故责任划分也需要进一步明确。无人驾驶真正上路还需要大家来适应，因为有人驾驶的车人是参与在整个驾驶的反馈过程中的，但无人驾驶的车辆人是不参与的，因此会觉得不可控，会担心事故发生，需要时间来适应。

自动驾驶研发策略 ：从L2出发渐进推动VS直接攻关L4级？

如上图所示，L2是指部分自动驾驶，而L4是指高度自动驾驶以及适用所有场景的完全自动驾驶。
楼天城先生表示，“L2和L4是从目标来定义的，不是两个技术路线，L4的技术可以应用于L2，但L2的某些技术并不一定能应用于L4。一种技术是有天花板的，如果从渐近思想来看并不一定能达到最终的目标。L4也需要学习之前的很多知识才有可能达到最终的目标。”
因为L2和L4背后的市场主体不同，所以真正落地时需要结合他们背后的市场主体来看。车企在L1-L3时很注重成本问题，但在L4时，买家是运营方，所以对L4的成本问题相对不那么敏感。L2的发展会推动L4的发展，经过L2的发展，很多传感器成本会更低，可以应用在L4，而L4的发展也会促进L2。但从落地来看，应该是L1、L2、L3、L4。

复杂交通场景：打磨技术利大于弊VS难度过大无法落地

众所周知，中国的交通场景十分复杂，这些复杂交通场景无疑会给无人驾驶带来落地难度，但是也提供了丰富的数据用于无人驾驶技术的打磨。
杨殿阁老师坚信自动驾驶在中国一定会落地，虽然中国复杂的交通场景会给技术带来更大的挑战，但复杂的交通场景肯定可以解决，而且会带来更大的机遇。
楼天城先生认为，无人车落地如果是对于全局而言当然很困难，但如果从局部到全局，无人车落地机会还是很大的。复杂的交通场景带来了更多的数据，在数据积累上中国有更多的优势，所以复杂场景对技术的打磨利大于弊。

自动驾驶需要怎样的人才？

计算机的奠基人是数学家，那么无人驾驶的奠基人会是哪些人才？最早的一批先驱是车辆工程出身，第二批是自动化人才，人工智能的人才第三批进入，但目前是三者相结合。
一方面需要复合型的人才，因为自动驾驶是非常复杂的系统；另一个方面需要的是专精的人才，因为涉及到的技术非常复杂。自动驾驶领域还不够成熟，学习能力、解决问题的能力以及在混沌环境中找到前进道路的能力都是愿意投身自动驾驶的人才需要具备的。