阿里云大咖说-计算讲谈社

正在播放:自动驾驶,未来的移动智能载体?

提示信息

正在为您切换到 , 请稍后...
自动驾驶,未来的移动智能载体?

内容简介

自动驾驶的本质是什么?是手段还是目的?未来还需解决哪些关键问题?【计算讲谈社】第四讲上线,阿里巴巴研究员吴翰清(道哥)携 8 名学员针对“自动驾驶”主题展开分享和讨论。


讲师介绍

吴翰清(道哥):阿里巴巴研究员,阿里巴巴、淘宝、支付宝安全体系创建者,《白帽子讲Web安全》作者,MIT TR35 中国互联网安全领域入选第一人,阿里云城市大脑早期建设者之一,目前工作于大规模计算和人工智能领域。

学员介绍

王刚(玄瞳):阿里云 AI 产品专家,北京大学计算机硕士,深度强化学习和动作识别方向。

陈新(骏维):阿里云高级产品专家,深耕 CDN 领域。

于开丞(杰柯):达摩院深度学习技术专家,瑞士联邦理工博士,神经网络结构搜索方向,阿里星。

袁华良(龙艾):阿里云高级产品专家,深耕视频云和人工智能结合领域。

谭冠群(君扬):阿里云高级产品专家,深耕安全领域。

肖子彤(栖风):阿里云技术专家,机密计算方向,DEFCON CTF 全球总决赛冠军,阿里星。

江波(云联):阿里云高级产品专家,深耕云计算金融领域。

王烨(萌豆):阿里云高级技术专家,深耕数据库领域。
本讲主题讨论内容仅代表讲师和学员个人观点,于2022年7月1日发布于阿里云大咖说,存在一定时效性,仅供学习和参考。
主题讨论稿

编者按:这是【计算讲谈社】之《自动驾驶》主题阶段性讨论稿,由吴翰清(道哥)携学员围绕“自动驾驶”主题展开讨论,学员们最终梳理并回答了 20 个问题。全文总约 11000 字,供探索者们学习参考。




王刚(玄瞳)问和答


1. 自动驾驶的价值是什么?可以解决哪些非它不可的问题?


在本轮 AI 浪潮中,自动驾驶一直是一个万众瞩目的明星词汇。但在一片喧嚣之中,似乎很多人忽略了一个关键点:自动驾驶是一个技术/方案,而不是目的本身。我们很有必要追问的是,它的价值到底是什么?

首先,我们稍作界定,这里讨论的是车辆的自动驾驶,关于飞机、轮船等其他交通工具的自动驾驶暂不涉及。显而易见,自动驾驶是属于交通领域。

在人类文明的发展进程中,交通(运输)的核心要素主要是“安全”和“效率”。从这个角度看,自动驾驶作为交通领域的一个新技术,因为其智能化、标准化的天然属性,确实有望在辅助乃至替代人类驾驶员的过程中,更好地保障行车安全、提升通行和运输效率、降低交通成本。基于此,我们可以提出一个度量自动驾驶价值的公式:价值 = 场景 * 安全系数 * 行车速度,即:在哪些场景中,在保障安全的前提下,自动驾驶可以达到的行车速度。

除此之外,我们还可以跳出“把车辆当作交通工具”的“朴素”层面,从“第三空间”的角度来思考其潜在价值。毋庸置疑,城市居民中的大部分人群每天都需要花费不少时间在车辆中,而在目前的形态下,无论是私家车还是公共交通,无论是自驾还是乘坐,我们都很难充分地利用这个非常重要的“第三空间”。

随着自动驾驶的不断发展,车辆将逐步从“朴素的交通工具”这一属性中升级,成为一个全新一代的移动化的智能载体。一旦实现这种形态的突破,驾驶员将可以充分地从观察、监测和调整汽车行驶状态的繁琐流程中解脱出来,人性化的、多元化的办公、生活、娱乐将成为每个人在汽车移动中的新选择。




王刚(玄瞳)问和答


2. 自动驾驶当前比较成熟的落地方向有哪些?未来重点发力的场景有哪些?


自动驾驶在应用方向上从来不缺令人心动的愿景阐述,缺乏的是如何在未达预期的技术成熟度下做应用实践。从 2018 年下半年开始,资本和创业热潮逐步退却,绝大部分的从业者都将精力聚焦于商业化落地。经过几年的探索,业界基本在如下六个应用方向上达成共识,包括:Robobus、Robotaxi、环卫、港口、矿山、物流。

Robobus 不仅能帮助缓解主干道的交通压力,还能灵活应对突发状况,实现行人车辆检测、减速避让、紧急停车、障碍物绕行变道、自动按站停靠等功能。在城市公共交通场景中,由于其线路固定、车速慢、专道专用等特性,有助于自动驾驶的顺利推广;与之相似的,机场等接驳场景也是 Robobus 的理想应用场景。

Robotaxi 能够以 50km/h 以下的速度,在城市开放道路上为乘客提供点到点的自动驾驶服务。本赛道是海内外自动驾驶厂商集中争夺的阵地。国内外玩家当前的挑战在于——由于 Robotaxi 仍需要安全员帮助规避驾驶风险,其成本居高不下。目前国内入局者倾向于采用多方合作的模式破局。

城市环卫场景是劳动密集型的,一直都面临着成本高、过程乱、质量差、风险大、经验不统一等问题。无人环卫车的出现可以在一定程度上减轻环卫工人的劳动负担,其通过自主识别道路环境,规划清扫路线并自动清洁,有望实现全工况、高效率、精细化的环保清扫作业,有助于创造更加美好的城市环境。

港口场景是直面巨量货物吞吐的关键环节,一方面其对卡车司机的需求量很大,另一方面也趋于单一化且人员流动规律性强。无人驾驶技术在港口/码头场景的转化应用,可有效解决传统人工驾驶过程中的行驶线路不精准、转弯视线盲区、疲劳驾驶等问题,在充分保障安全的前提下节约运输成本、提高运输效率。

矿山场景与港口相似,但其集中化的区域面积更大,场景更加单一且人员流动较少。无人矿山运输车的出现,可以更进一步地提高综合营运效益,从根本上助力安全生产工作,促进智慧矿区的建成。

物流场景具体可分为“干线物流”和“末端配送”两个主场景。前者是指借助长线运输,行驶速度高达 80-120km/h 的物流作业流程。该场景中,涉及到物流行业的重资产、重成本环节,是各大企业尤其是电商快递行企业的必争之地。后者主要是指快递“最后一公里”的配送工作。该场景中,一方面我国物流行业规模和订单量巨大,用户对于服务的要求不断提高;另一方面劳动力数量递减、配送场景复杂,物品在配送过程中易丢失损坏,导致行业压力不断增大。




王刚(玄瞳)问和答


3. 自动驾驶当前的关键技术是哪些?最主要的挑战点在哪里?


在谈技术挑战点之前,我们有必要全盘梳理下目前影响和制约自动驾驶发展的因素有哪些。根据业界的讨论,除技术外,还有用户心理和成本效益两个维度的考量。

在用户视角,自动驾驶的关键问题在于对“安全性”的认知和定义。一个很显然的现象是:对于人类司机的安全感知,和对于机器驾驶的安全判定,是相去甚远的。不管是驾驶水平的稳定性,还是事故与风险的概率,都会极大地影响用户对自动驾驶的信任。让用户彻底信任机器是任重道远的,这需要在时间和体验中打磨心智。

关于成本效益的权限,这本质是商业模式的选择和设计问题。自动驾驶系统的使用成本(含潜在风险),相较于解放人类驾驶行为而产生的综合效益,如何建立整体量化标准,是预估临界点的前提条件。根据目前的行业落地进程,很可能需要深入到不同的细分场景中,才能把成本和收益核算清楚,再结合细分场景下的用户心理因素评估,才能制定出一套成本可控、可持续迭代的范式。

最后,我们来谈谈重点关注的技术层面。自动驾驶 L4 水平的进化,最关键的技术难点还是要建立一个更加高效、更加全面、更加稳健的感知系统。我们知道,在人类驾驶过程中,基于出色的进化结果,司机只需要关注关键的人、车、路和事件信息;而在自动驾驶系统中,就需要对行车环境构建事无巨细的 3D 乃至 4D(含时间维度)的全方位感知和理解。据有关数据分析,当前 80% 以上的自动驾驶事故来自于感知,可能是系统对于行车道路空间结构不理解,或者对非标异形等物体未识别等原因导致。
针对这个挑战,业界关于“纯视觉”和“雷视一体”颇有一些纷争。越来越多的从业者开始相信“纯视觉”是一条难而正确的路。相比“雷视一体”,“纯视觉”路线的优势在于:

第一,成本可控,更具规模化效应。相比于激光雷达,摄像头的成本是最低的。单目相机的价格一般低于 100 美元,而激光雷达的价格现在大约数千美元,即使未来几年随着激光雷达的普及,成本会降至 500 美元以下,但仍然会远高于摄像头的成本。

第二,源数据获取更全面和高效。首先,人类 99% 以上的信息获得来自视觉,视觉为主的方案会有更高的天花板。其次,道路系统本身就是为人类视觉而设计的,视觉为主的方案可以更好地适应现有基础设施。因此,以视觉为核心构建自动驾驶感知系统,更有利于算法的高效迭代和源信息的无损获取。




谭冠群(君扬)问和答


4. Corner case 是否注定不可解决,目前有什么相对现实的解决路径吗?


从已有的一些自动驾驶相关的事故案例中可以看到,不论是视觉算法还是激光雷达,都出现过因为 Corner case 导致决策失误从而引发安全问题的情况。Corner case 存在的根本原因是当前的算法(以在自动驾驶视觉算法中应用最多的深度学习为代表)建立在有限的样本数量上进行学习,所以实际上路后总会存在算法没有见过的情况。

作为算法的门外汉,这个问题更多是想抛出来请教大家,这里只抛几个身为外行想到的思路:

第一,尽量丰富数据样本,尽量穷尽所有的样本。这里面又涉及到行业内车企之间数据共享的可能性,或靠仿真系统创造大量的 Corner case 供算法学习的可行性(比如 Waymo 现在用 SurfelGan 在做的事情)。

第二,丰富数据类型。其实就是靠多种 sensor 的输入来弥补单独依靠视觉的局限性,比如特斯拉撞上白色卡车的事故,如果车辆的“纯视觉”感知方案结合雷达测距大概率是不会出现的,而且阻止碰撞的逻辑比算法要简单太多(举例:小于 xxx 减速或刹车即可)。

第三,是期待 AI 能够像人类一样有类似举一反三、触类旁通的认知进化能力。我请教了一些业内的朋友,AI 在规模和数据种类丰富度大幅提升的情况下,是有可能出现人类预期以外的认知能力的,量变是可以引起质变的,但目前这个方向上的进展还有限,也许随着整个 AI 系统工程化的进步,这一天会很快到来。




谭冠群(君扬)问和答


5. 如何理解自动驾驶和新能源汽车之间的关系?


这个问题是在讨论商业模式相关的主题时被反复提及的。

首先,我们将讨论范围限定在个人乘用小型车(而不是飞机火车货运等领域)的自动驾驶来讨论,才能让自动驾驶跟新能源汽车更为贴近。需要明确的是自动驾驶本身是一项技术(尽管非常复杂),而非商业模式,相反新能源汽车可以理解为自动驾驶的一种商业模式,而且是一个非常不错的商业模式,因为这个场景具备足够大的规模和变现逻辑,反过来能够加速自动驾驶技术的演进(这非常关键,比如新能源汽车对激光雷达的广泛应用就可以让激光雷达的成本通过规模化来被摊薄)。

我认为至少在当前阶段,自动驾驶对新能源汽车的需要大于新能源汽车对自动驾驶的需求。首先,自动驾驶在个人乘用车上的落地,是依赖汽车本地大量的计算的,需要足够的电力来驱动,而传统燃油车的电池容量无法满足这个需求。其次,电动机和电控系统为纯线性,相比于燃油车复杂的非线性传动逻辑,纯线性传动逻辑被算法驱动时要简单很多。再次,新能源车的市场空间足够大,自动驾驶即使只占其中的一部分份额也相当可观,这对非常烧钱的自动驾驶行业具有生死相关的意义。

但反过来看,自动驾驶对于新能源车是刚需吗?不一定,至少目前相当大比例的新能源车主不是因为自动驾驶而购买新能源车的,重度依赖自动驾驶的车主也不算特别多,所以作为高级功能或差异化功能用来锦上添花的意义更大一些。

还有一种理解是,如果未来 L4/L5 级别的自动驾驶普及以后,新能源汽车(或其背后的厂商)就可以节省车主在路上的时间,进而从这部分时间里挖掘出商业价值,但个人对这个逻辑保留意见,除非新能源汽车能够定义出一种跟车机强相关的交互方式,不然司机多出来的时间为什么不直接玩手机呢?




谭冠群(君扬)问和答


6. 自动驾驶可以解决堵车问题吗?


讨论中多次说到自动驾驶对解决交通拥堵或者社会效率方面的贡献,我们就从这个具体问题适当展开下。

首先自动驾驶并不能解决堵车的问题,我们认为二者甚至没什么关系。堵车问题本质上是有限资源下如何调度能让整个系统运行更高效的问题,需要解决的是资源稀缺性和调度不均衡的问题。

从资源的角度看,自动驾驶只是摆脱了汽车行驶对人类驾驶员操作的依赖,它并没有让一个城市人口出行的需求变少或让大家的出行时间变得更分散,同样也没有让道路变得更宽或路上的车变得更少(即使考虑自动驾驶在公共交通中的完全普及,区别也只是取代网约车/出租车司机而已)。

从调度的角度看,如果车路协同能做到非常完善,是有可能在一定程度上提升通行效率的,比如更合理的配速会缓解“幽灵堵车”的现象,但这也没有真正解决调度的问题。事实上,关于调度的问题,滴滴、高德、美团等公司在没有自动驾驶的时候就已经在做了,二者并没有强相关。

但我们不能因此否定自动驾驶对于生产力或者效率方面的明确贡献,比如在当前已经成熟或有确定性展望的物流配送等领域,自动驾驶扮演着过去流水线工人或者机器人的角色,通过自动化取代人工,让整个系统更高效地运转。因此,相比于解决个人出行或汽车厂商商业化的问题,自动驾驶对于生产系统升级,甚至社会运转效率、经济效率的提升明显有更大的价值,而这是社会、政府而非企业和个人更加关心的问题,同时也需要社会和政府层面投入更多实际的资源来推动这个行业的发展。




肖子彤(栖风)问和答


7. 自动驾驶是不是资本炒作而无实际意义的泡沫?


不是,自动驾驶其实应该说是机器人技术的一个细分的分支。换言之,支持自动驾驶的汽车,本质上是能够感知现实复杂环境并对其做出响应、完成移动任务的机器人。

现在自动驾驶一词如此火,是因为最容易被大家所看见的是一个技术能落地的商业价值,而对于上述的这样一种机器人,其当下最显而易见的落地场景,就是自动驾驶。而移动必然是自动化机器人的一项重要基础能力。

在自动驾驶成熟之后,这个能力个人认为应该可以迁移到更多场景,为人类创造更大的价值。自动化机器人技术作为一个早已出现且持续有大量人员在研究的技术,是承载了很多人类对未来科技的想象的,而自动驾驶作为该技术的一个体现了移动这一基础能力的分支,自然不是资本泡沫。




肖子彤(栖风)问和答


8. 车路协同对于自动驾驶而言是不是必需的?


视场景和自动驾驶技术成熟度而定。如果场景是汽车需要在市区等路况复杂的地方以较快速度行驶,而自动驾驶技术又未成熟到能够准确识别周围事物以及能够进行预判(如自动判断事故易发的路段并减速行驶等),那么出于尽可能降低事故率的目的,通过车路协同为汽车提供更多的信息输入以提高其决策精准度,是有必要的,因为生命无价。




肖子彤(栖风)问和答


9. 自动驾驶技术在发展过程中应如何应对安全威胁?


目前个人能想到的自动驾驶技术面临的安全威胁有两类。
一是自动驾驶系统如果有需要联网的组件,其运行依赖和远程服务的交互,那么这类组件就有被黑客入侵的风险。但是这类风险更多来自于汽车的智能化系统(如车载娱乐系统、蓝牙远控系统等),而非自动驾驶系统本身,自动驾驶系统本身包含的这类组件应该是较少的,做好代码审计和渗透测试等提高安全水平即可。这也引申出一个个人观点:汽车的机器人部分和智能终端部分应该要分开来看,后者严格来讲不属于自动驾驶的范畴,最多可能只是对自动驾驶系统进行在线升级等会用到后者。

二是 AI 安全。因为如今自动驾驶技术主要是通过机器学习实现的,而机器学习是存在安全威胁的,包括训练投毒和推理误导等(曾有人通过在路面上贴胶带让特斯拉误以为下雨并启动雨刮器),这就需要机器学习技术继续发展,提高判断的精准度等等。




袁华良(龙艾)问和答


10. 自动驾驶能解决什么问题?这些问题是否必须由自动驾驶解决?


首先,先来看自动驾驶的定义,从百度百科摘录的,由“科普中国”科学百科词条编写与应用工作项目审核的定义是:「自动驾驶系统系统采用先进的通信、计算机、网络和控制技术,对列车实现实时、连续控制。采用现代通信手段,直接面对列车,可实现车地间的双向数据通信,传输速率快,信息量大,后续追踪列车和控制中心可以及时获知前行列车的确切位置,使得运行管理更加灵活,控制更为有效,更加适应列车自动驾驶的需求。」

虽然这个定义里仅仅讲到了希望如何实现自动驾驶,自动驾驶的领域也被定义在了车的领域,但通过抽象自动驾驶的概念,自动驾驶可以应用的领域大概可以分为四类:自动驾驶船(海)、自动驾驶车辆(陆)、室内机器人(陆)、无人机(空)。

用户的需求、企业的需求、社会的需求、国家的需求,都对自动驾驶有着非常高的期望和憧憬,如何能够减少人力干预实现「人/货/物」跨区域的移动?自动驾驶是我目前所知知识领域最好的解决方案。




袁华良(龙艾)问和答


11. 如果把自动驾驶类比为装着四个轮子的机器人,那么自动驾驶比机器人更难的点是什么?


同样是觉得不好回答的问题,这里尝试回答一下:

这里缩小“自动驾驶系统”的定义,是应用在汽车上的自动驾驶。自动驾驶技术与机器人运动控制技术在框架构成、硬件平台、应用理解、软件核心算法上都基本契合,故简单总结以下 5 点:

安全性:在自动驾驶领域里,汽车由于行驶在路上,而参与道路交通的除了车辆外,还有大量自行车、电瓶车和行人,所以一旦出现被黑客攻击的情况,即有可能发生事故威胁人命。

可移动自由度:从可移动自由度上来说,汽车需要遵循道路交通管理法则,而机器人应用大部分处于室内或者园区,相比之下,汽车的自动驾驶可移动自由度则显得低很多。

速度:肉眼可见,汽车速度远高于机器人。

算法鲁棒性:在实际道路行驶过程中,情况复杂,会有大量路人参与道路交通,可能导致事故,因此对于算法鲁棒性要求更高。

实时定位:自动驾驶系统需要实时定位的高精地图协同完成,这也是自动驾驶不可或缺的一环,但是对于机器人未必需要。




于开丞(杰柯)问和答


12. 自动驾驶的定义是什么?我们讨论自动驾驶的时候,在讨论什么?


当我们在讨论一个问题的时候,我们需要对讨论的问题有一个清晰的界定来去除潜在歧义。所以,要讨论自动驾驶的关键问题,首先就要定义清楚我们的讨论内容。

从宏观来说,自动驾驶这个词里面有两个关键理解,主要的词语是驾驶,自动则是一个限定状态,即驾驶是可以自动化进行完成的。在人类科技长河中,自动完成驾驶的例子有很多,常见的例子有:飞机的驾驶,可以进入一个 Autopilot 模式,即起飞后设定目的地经纬度,飞机经由周身传感器,对自身飞行姿态进行估计,并结合目的地方向,自动进行一个飞行姿态和速度的控制从而完成由 A 到 B 的过程。从这个地方可以看出,自动驾驶这件事情的本质,就是将驾驶任务进行一个自动化处理,而最常见的目的就是,通过对于周身世界的感知,对自身驱动机构的控制,完成由 A 到 B 的任务逻辑。

由于所处的场景不同,不同自动驾驶任务的功能需求也不尽相同。飞机由于在空中,在飞行途中,基本不会与除其他飞机外的任何物体相遇,所以飞机对于世界的感知系统,只需要接驳一个世界通用的客机广播信号,即可完成对世界中其他物体的认知。而乘用车的自动驾驶系统,则面对了一个完全不同的世界,可以想象,如果一个人类司机,只关注 A 到 B 的路径,而不关注周边的人、其他车辆与自行车,以及各种路障障碍物,则一定会造成碰撞,而碰撞在真实世界就是交通事故,这是一定不可以发生的事情。

总的来说,我们可以清楚地认识到几个事实:

自动驾驶本质上就是一个无须人工干预,由机器完成的由 A 到 B 的自动化
针对不同场景,实现自动驾驶显而易见的有不同的技术栈的需求

我们在本次讨论中,主要关注的就是与车辆相关的自动驾驶场景。而这里,首当其冲的问题就是——我们为什么需要车辆的自动驾驶?换个问题就是,自动驾驶有哪些真实的、可以商业化的应用场景?




于开丞(杰柯)问和答


13. 自动驾驶有哪些切实可行、有利可图(社会利益 or 商业利益)的需求?


如果以目的划分开车的动机,我们认为可以粗略分为两类需求:

对操控的追求,享受驾驶乐趣
在一个可控的环境下,将人或者货物,从 A 点送到 B 点

长时间开车往往会比较枯燥,且占用时间,对比之下,公共交通虽然拥挤,然而至少可以利用碎片时间。所以,很多有过堵车经历的同学都会想着,可以用自动驾驶解放自己,获取一个比出租公交都更好的体验。我方(B组)认为这也是大量乘用车公司在深化这个点的原因。

同理,在物流运输业,大量司机从业者的工作是非常重复而辛苦的,而考虑到中国劳动人口衰减的速度,从一个长远发展的角度来说,这些岗位或许在未来将会是极为稀缺的。

所以我们认为,当前自动驾驶的潜在方向有:

乘用车自动驾驶:提升用户体验,并作为吸引 ToC 消费者的重要手段
商用车自动驾驶:降低人工成本,提高运输效率




于开丞(杰柯)问和答


14. 从技术手段来说,解决自动驾驶的关键问题需要哪些技术?


高精度的仿真系统搭建
可迭代的数据更新逻辑指导神经网络训练




陈新(骏维)问和答


15. 自动驾驶的用户快感来源于哪?2C 的需求场景是什么?


对于车主而言,用车乐趣是从“操控”车的乐趣到“控制”车的乐趣,过程分为三个阶段,召唤车辆 - A到B点 - 代客泊车。

首先是停车问题,国内车和车位的比例是「1 :0.5」,远低于全球的「1 :1.3」,这个问题在国内一线城市更为突出,经常会出现第一公里和最后一公里耗时比中间一公里还长的情况,明显降低用车快感。我认为,代客泊车是实现 L4 以上的自动驾驶的优先场景。另外就是中间一公里的驾驶体验优化,除非追求驾驶乐趣。大部分通勤场景都是在同一个路线循环往复,完全的自动驾驶是个释放生产力的过程,完全可以做其他更有价值的事情。

对于乘客而言,用车乐趣是出行成本上的收益。按照滴滴平台“收益二八分”的情况来看,80% 的钱是付给驾驶员,这部分包含人工成本和车辆相关费用等,其中人工成本占 50% 左右,因此实现 L5 的自动驾驶后,理论上乘客付费只需要原来的 60%。Robotaxi 是目前为数不多的提供自动驾驶体验的平台,但是需配备安全员,这个成本是和有司机的情况接近的。随着 L5 的实现,出行成本将会出现拐点,这也会进一步催生共享出行的市场(车自己出去赚钱),以及带来出租车行业的变革。




陈新(骏维)问和答


16. 自动驾驶终态是单机模式,还是云边端融合模式?


我认为终态应该是单机 + 局部融合模式。单机主要聚焦在召唤车辆 + A 到 B 点,局部融合在代客泊车部分,但是这里的局部融合更多是车场融合。

虽然单车模式有很多局限性,比如突发的恶劣天气、传感器失效、路况和信号灯识别等,理论上确实不如车路协同那么精准。但是人类驾驶汽车不就是典型的“单车模式”吗?目及一切就是判断的范围,天气也可能出行前了解一下,信号灯靠肉眼,这是特斯拉推崇的,也是最低成本的实现方式,也是在当下或者未来 10 年的基建条件下的最好选择。

在个别城市实现车路协同可能要在 2030 年之后,但是必要性在哪里?我更倾向云端数据是“辅助”自动驾驶而不是控制自动驾驶,云端也有不稳定因素,而且云端故障影响面(爆炸面)通常是广泛的,例如一个区域的 region 宕机,那是不是该区域的自动驾驶变成自动碰撞?这是一个比单机看不清路况更可怕的问题。

代客泊车,我认为是一个需要车场协同的场景,这可能是一个在自动驾驶基础上需要增加的高效停车的问题。正如前文所说,我国车和车位的比例是「1 :0.5」,在停车难的情况下如何精准找到最合适的车位并不是单车可以解决的。而地下停车场面临 GPS 定位不精准甚至失效的情况,自动找车位是一种低效的方式。最佳方案应该是车场告诉汽车哪里有车位、怎么走,剩下的由车来决策。但要注意,这是协同而不是强场控。




陈新(骏维)问和答


17. 自动驾驶是否代表了最先进复杂的人工智能方向之一?


我认为自动驾驶代表了人类所能看到的、相对容易实现的机器智能技术,它一定是先进和复杂的,但是我们无法定义它是否属于“最先进复杂”。

人工智能算法在自动驾驶领域实现了广泛应用。从路径规划到道路识别,再到巡航制动,每一块都和人工智能相关,最后实现等同甚至超越人类开车的效果。我认为相较于类似扫地机器人之类的初级产品,自动驾驶需要遵循更严格的安全标准,这说明算法的容错性不能太过于宽松,例如自动刹车中的防碰撞,一定是要求在某种时速下的成功率,而不能像扫地机器人碰撞后才掉头。这就涉及到如何解决算法、传感器、制动等一系列技术配合的问题,所以这种人工智能确实是复杂的。就拿防碰撞来说,目前还没有一个完美的解决方案,当车速高于 60km/h 时,防碰撞基本是失效的,这确实是人工智能和车机联动需要攻克的问题。




江波(云联)问和答


18. 自动驾驶和辅助驾驶有没有规范?定义标准是什么?如何定义产品边界?在什么固定条件下的自动驾驶才是自动驾驶?


现在所有公开材料显示,自动驾驶的不同等级是通过驾驶员的注意力在驾驶过程中逐渐消失的程度来定义的,其定义是通过行为主体的场景操作域不同而划分的,而当我们的行为主体发生变化时(从自然人变更为机器人),也就和原定的划分逻辑产生了差异。

另外,自动驾驶和辅助驾驶的强依赖环境因素,是需要在限定条件下才能被实现的,那在满足限定条件和未满足限定条件的不同环境下,自动驾驶或者自动驾驶过程中有人工参与,是否还依然是自动驾驶?




王烨(萌豆)问和答


19. 解决自动驾驶问题,是基建优先,还是算法优先?


自动驾驶是个技术,影响自动驾驶普及化的原因,是道路问题还是算法问题,迫于现实只能用算法解决。20% 是基建问题。小蛮驴掉水泥坑,传感器探不出来,能力边界,道路问题。

低投入,轻资产,高回报的东西。




王烨(萌豆)问和答


20. 自动驾驶让资本以及谷歌百度这类公司趋之若鹜的根本原因是什么?


发展到智能驾驶,需要认识周边世界,兴起成为可能。宏观远景路上,有意思的特殊场景。汽车行业,乘用车商用行业。运输业是个庞大的产业。解决广义人工智能问题。



以上内容为【计算讲谈社】之《自动驾驶》主题阶段性讨论稿,仅代表学员个人观点,于 2022 年 7 月 1 日发布于阿里云大咖说,存在一定时效性,仅供学习和参考。

版权声明:以上全部内容涉及的版权归阿里云大咖说【计算讲谈社】所有,未经许可不得转载,侵权必究。

登录后可评论

0条评论