據美國《沃頓知識線上》刊文， 在近日矽谷舉辦的人工智慧前沿大會(AI Frontiers conference)上， AI領域與自動駕駛汽車團隊的資深人士分享了有關AI時代下自動駕駛的最新研究成果和認知。
每當人們想起自駕車， 通常出現在腦海裡的畫面是一輛無人操控的完全自動駕駛車。 然而現實情況比這要複雜得多：不僅僅在於汽車自動化存在不同的等級——比如初期的巡航控制系統——AI也在車輛系統發揮作用， 對於駕駛員和乘客來說， 旅途也變得更為安全。 在嘈雜的環境下， AI技術甚至能夠通過讀取唇語使車輛判斷駕駛員的意圖。
自動駕駛的加速競賽
在矽谷， 自動駕駛車輛領域正展開有關最佳技術研發的競爭。 “對於自動駕駛車輛來說， 這也許是最為激動人心的時刻。 ”來自賓夕法尼亞大學沃頓商學院運營、資訊和決策學教授Kartik Hosanagar在小組專題演講上說道。 “回首10年前， 自動駕駛車輛的大部分工作都是在研究實驗室和不同的教育機構內部完成的。 ”大約5年前， 只有穀歌和為數不多的公司對自動駕駛車輛進行測試。 “而今天， 自動駕駛車輛測試進入熱潮。 在加利福尼亞， 經授權測試並運營無人駕駛車輛業務的公司數量已經達到30-50家。 ”他說道。
資料圖
從全球來看， 美國和中國在自動駕駛汽車領域處於領先。 儘管德國和日本以汽車製造出名， 但在自動駕駛領域稍顯落後。 “關鍵的區別在於AI。 ”來自中國的無人車創業公司景馳科技(JingChi. ai)的聯合創始人韓旭說道。 “中國和美國是AI技術的領頭羊。 ”在自動駕駛規定條例上， 中美也處在前沿。 驅動這一領域的有三大趨勢：電動車輛的愈發普及、以Uber和Lyft等拼車服務公司為代表的共用經濟的出現，
大多數自動駕駛汽車公司正研發適用於Level4的技術。 自動駕駛車輛存在五個級別。 Level1是最低級， 典型特徵是應用多年的巡航控制系統。 Level5是最高級， 此階段車輛可實現完全自動化。 Level4是稍低級別——在該高度自動化級別下， 車輛無需駕駛員干預或保持注意力， 但只在專門封閉區域或交通環境等特定場景行駛。
應用於自動駕駛的AI
英偉達自動駕駛高級總監Danny Shapiro表示， 因自動駕駛風險很高， 技術公司對自動駕駛汽車技術的研發非常謹慎。 “這不同於網飛公司(Netflix)的個性化推薦引擎， AI技術必須做到準確無誤。 ”他在大會上說道。 這意味著AI需要極大的計算力和一系列代碼。
即便完全自動駕駛汽車進入市場仍需時日， AI已經在革新車內裝置。 前置攝像頭可以識別乘坐人員並追蹤駕駛員的眼球位置， 以判斷其是否打盹或分心——甚至可以讀取駕駛員唇語。 而車外感測器和攝像頭與車內技術配置一同提升駕駛安全性。 比如， 當交叉路口出現危險狀況， 另一輛車要闖紅燈時， 車輛會發出能被聽到的提醒。 當駕駛員想要變換車道時， 車輛也會發出“當心!一輛摩托車正靠近中間車道!”的警告。 “即使我們半自動駕駛，
更為安全的自動駕駛
自動駕駛汽車公司的主要目標就是讓行駛更為安全。 Uber的高科技研發中心工程主任、卡內基梅隆大學研究教授Jeff Schneider表示， 94%的交通事故由人為失誤造成。 這其中一半的問題都出在感知上——駕駛員未集中注意力或是沒有看見對面的目標物。 而另一半是決策失誤導致的——駕駛員行駛過快或是錯誤判斷場景。
Schneider稱， 自動駕駛車輛可以解決這兩大問題。 駕駛員感知將由感測器、雷達、攝像頭、雷射雷達(一種遙感系統)以及其他工具輔助。 而車輛可以對目標和周圍其他物體進行3D定位， 實現360度全方位和高解析度的攝像視圖， 並獲取目標運動速度等其他相關資料。 同時，複雜的計算系統能夠對地形加以分析，以便做出正確的駕駛決策。
提高駕駛準確性的一種方法是合併系統內的冗餘數據。比如，如果一個路標含糊不清，就有必要採取恰當措施以確保自動駕駛車輛不受干擾。Schneider稱車輛配置地圖會告知該位置的路標。而且，這些車輛經過龐大數量的資料訓練，在雨雪和洪澇等不同條件下都經過測試。自動駕駛汽車公司甚至利用電腦生成的路況條件對車輛進行訓練，比如在光線刺眼的日落下行駛。“通過幾台伺服器，我們在短短五小時就能產生超過30萬的駕駛里程，並在兩天之內對美國境內每一條鋪面道路進行演算法測試。”英偉達自動駕駛高級總監Shapiro表示。
無疑，這個任務對車輛來說非常艱巨。Schneider說道，“假設你是寫代碼的人，你絕對會崩潰的。”因為他們要考慮過街的人群、路上的其他車輛、看板、前方的交通標誌、車道、自行車、行人等等。
自動駕駛的前世今生
對於那些對完全自動駕駛車輛持懷疑態度的人來說，不妨回首下自動駕駛汽車的進程，Schneider說道。早在20世紀80年代，卡內基梅隆大學的自動駕駛汽車專案NavLab就已經覆蓋了貨車車型，車身配備計算設備和感測器，用以自動和輔助駕駛。他說，“那是機器人的時代，我們只能用影像記錄，等待驚喜出現。”1995年，NavLab第五代自動駕駛汽車實現從匹茲堡到加州南部的“無手動橫穿美國”之旅，其中98%的里程是自主駕駛，包括一個長為70英里的路段不受人類干預。
2000年，NavLab專案覆蓋越野車。車身加裝GPS設備和雷達裝置，更易精確識別物體且避免撞擊。2007年，美國國防高級研究計畫局(DAPAR)舉行了一場名為Grand Challenge的自動駕駛汽車挑戰賽，這其中自動駕駛技術的一大發展是地圖的應用，提供了一個完全重建的道路環境。“AI前進了一步。”Schneider說道。卡內基梅隆大學在比賽中獲勝。也就是從這時開始，穀歌意識到自動駕駛汽車的潛力並啟動了自動駕駛汽車專案。自此之後，AI、機器學習和深度學習呈壯大之勢。
不過，乘客在乘坐自動駕駛車輛時會覺得舒適嗎？根據Uber在匹茲堡和費尼克斯進行的自動駕駛車輛體驗測試，公眾似乎很樂意接受。Schneider稱，儘管在剛開始他們擔憂人們對這些車持有恐懼心理，但結果恰恰相反。比如，一些駕駛員不能選擇自動駕駛的Uber，但一些乘客會追在這些車後面，希望能夠搭乘車輛。
然而，給自動駕駛汽車大眾市場發展潑冷水的是商業模式。畢竟現在自有一輛車比乘坐Uber出行更為划算。“從里程上講，乘坐Uber比自家車成本要高。而一旦自動駕駛汽車上路，它們會遍佈各處，自己買台車也就沒必要了。”Schneider表示。
同時，複雜的計算系統能夠對地形加以分析，以便做出正確的駕駛決策。
提高駕駛準確性的一種方法是合併系統內的冗餘數據。比如，如果一個路標含糊不清，就有必要採取恰當措施以確保自動駕駛車輛不受干擾。Schneider稱車輛配置地圖會告知該位置的路標。而且，這些車輛經過龐大數量的資料訓練，在雨雪和洪澇等不同條件下都經過測試。自動駕駛汽車公司甚至利用電腦生成的路況條件對車輛進行訓練，比如在光線刺眼的日落下行駛。“通過幾台伺服器，我們在短短五小時就能產生超過30萬的駕駛里程，並在兩天之內對美國境內每一條鋪面道路進行演算法測試。”英偉達自動駕駛高級總監Shapiro表示。
無疑，這個任務對車輛來說非常艱巨。Schneider說道，“假設你是寫代碼的人，你絕對會崩潰的。”因為他們要考慮過街的人群、路上的其他車輛、看板、前方的交通標誌、車道、自行車、行人等等。
自動駕駛的前世今生
對於那些對完全自動駕駛車輛持懷疑態度的人來說，不妨回首下自動駕駛汽車的進程，Schneider說道。早在20世紀80年代，卡內基梅隆大學的自動駕駛汽車專案NavLab就已經覆蓋了貨車車型，車身配備計算設備和感測器，用以自動和輔助駕駛。他說，“那是機器人的時代，我們只能用影像記錄，等待驚喜出現。”1995年，NavLab第五代自動駕駛汽車實現從匹茲堡到加州南部的“無手動橫穿美國”之旅，其中98%的里程是自主駕駛，包括一個長為70英里的路段不受人類干預。
2000年，NavLab專案覆蓋越野車。車身加裝GPS設備和雷達裝置，更易精確識別物體且避免撞擊。2007年，美國國防高級研究計畫局(DAPAR)舉行了一場名為Grand Challenge的自動駕駛汽車挑戰賽，這其中自動駕駛技術的一大發展是地圖的應用，提供了一個完全重建的道路環境。“AI前進了一步。”Schneider說道。卡內基梅隆大學在比賽中獲勝。也就是從這時開始，穀歌意識到自動駕駛汽車的潛力並啟動了自動駕駛汽車專案。自此之後，AI、機器學習和深度學習呈壯大之勢。
不過，乘客在乘坐自動駕駛車輛時會覺得舒適嗎？根據Uber在匹茲堡和費尼克斯進行的自動駕駛車輛體驗測試，公眾似乎很樂意接受。Schneider稱，儘管在剛開始他們擔憂人們對這些車持有恐懼心理，但結果恰恰相反。比如，一些駕駛員不能選擇自動駕駛的Uber，但一些乘客會追在這些車後面，希望能夠搭乘車輛。
然而，給自動駕駛汽車大眾市場發展潑冷水的是商業模式。畢竟現在自有一輛車比乘坐Uber出行更為划算。“從里程上講，乘坐Uber比自家車成本要高。而一旦自動駕駛汽車上路，它們會遍佈各處，自己買台車也就沒必要了。”Schneider表示。