<mark id="oztn4"></mark>
0
雷鋒網按：今年是 CICV（中國國際智能網聯汽車技術年會）舉辦的第四年，這個被業內譽為智能網聯行業最有影響力的技術年會，內容也從 ADAS 擴展到智能網聯汽車各方面的技術，如傳感器開發與智能安全系統、人工智能與自動駕駛、高精度地圖與定位、V2X等等。
今年大會的主題重點討論的是 L3 自動駕駛汽車的量產問題。在 CICV 年會期間，中國工程院院士、歐亞科學院院士、中國人工智能學會理事長李德毅就這一話題帶來了主題演講：L3 的挑戰與量產。以下內容由雷鋒網編輯與整理（有刪減）：
近年來，汽車輔助駕駛空前繁榮，從輔助人工駕駛(L1）轉型到部分自動駕駛（L2）、再到機器自動駕駛（L3），從早先的預警、提醒駕駛員跨越到機器自駕為主、固定駕駛員的角色不復存在，L3量產的勢頭不可阻擋，也為位置服務業（LBS）開辟了新戰場。
目前幾乎所有路上的自動駕駛汽車都還處在 L2 等級，都要由人掌控，包括特斯拉在內。美國加州車管局發布的 2016 年度自動駕駛報告中，最高水平的 0.2 次/千英里的干預頻率，屬于哪一級別的自動駕駛？
汽車自動駕駛時，可以有時釋放人的腳，有時釋放人的手，甚至可以同時釋放人的手和腳。但可不可以釋放人的注意力，釋放人的駕駛認知？
糟糕的是，越是信任自動駕駛，越容易造成駕駛員注意力不集中。因此，不能釋放駕駛員認知的所有自動，都不能稱之為自動駕駛。
從 L2 到 L3 的跳躍，是掌控權由人轉移到機器，難在哪里？這里有三點質疑：自動駕駛等級轉換點如何估量？掌控權交接點如何度量？掌控權交接過程中的事故如何度量？
在國際汽車工程師協會 J3016 標準中，唯 L2 到 L3 的跳升是質變，明確了駕駛掌控權由人轉移到車，跳升的界定很明確。
L3 的挑戰和量產，實際上應對的是自動駕駛車上路要獲得駕照，是底線要求。至于 L3、L4、L5 的差別，是獲得駕照的自動駕駛車的技巧和經驗積累的多少而已。
可以說汽車人已經把汽車里的自動控制做到了極致，同時也觸碰到了自動化的天花板。光靠自動化解決不了無人駕駛。于是，人工智能來了。
汽車是在開放的不確定的環境下行駛，人工駕駛常常會遇到偶發的大霧、大學、大雨、大風等天氣狀況：
狹小胡同、崎嶇小道、傍山險路、積水、涉水、賓雪、低劣、地陷等道路狀況：紅綠燈失效、道路施工、事故突發、行人違規、車輛醉駕、熙熙攘攘農貿集散區通行狀況。連新手駕駛員都難以完成這些駕駛任務，經驗駕駛員往往能夠靈活處置，而自駕車如何應對呢？
一旦突破了自動駕駛所設置的窗口條件，如地理柵欄、氣候柵欄、以及人文地俗柵欄，馬上需要進行駕駛掌控權的交接。在這樣的交接過程中的事故也許比純粹的人工駕駛更危險。
那么，L3 的基本問題是要解決車的問題，還是解決人的問題？
這里的「車」是指把車越做越好，做成軟件定義的機器，實現自動駕駛。而「人」是指把駕駛員的認知用機器人替代，是有記憶、決策和行為能力的人之主題，實現自主駕駛，有技巧，有個性。
一個事實是，汽車是從馬車演變而來，作為動力工具，汽車的馬力可達到 100 匹馬力，但汽車遠遠不如馬車應對不同負荷、不同天氣、不同路面、不同車輛情況下的適應能力。汽車的感知、認知能力遠遠不如馬這個認知主體，老馬識途，車不如馬。
*案例：超車并道工況中的預測和控制
在自動駕駛過程中，駕駛員和周邊車輛的交互認知哪里去了？駕駛員的經驗和臨場處置能力由誰來替代？由此一個重要結論是：自動駕駛，好在專注，永不疲勞。自動駕駛，難在擬人，不僅在車。
人在回路中的預測與控制被駕駛腦取代
如果要釋放駕駛員的注意力，釋放駕駛員的駕駛認知，必須要有一個物化駕駛員在線認知的智能代理——駕駛腦，否則難以自動。
駕駛員腦不等于駕駛腦。前者裝了太多東西，會分散注意力，會疲勞。后者僅僅用于駕駛，永遠專注，永不疲勞。有了駕駛腦，「人類第一殺手」的罪名將不復存在。
我們將汽車上所有的傳感器分成四大類：它相當于人的眼睛、耳朵、鼻子，來感知周圍的景觀。
駕駛過程中，駕駛員在回路中的預測與控制是汽車自身無法替代的。輪式機器人駕駛腦應運而生，它不同于雷達等傳感器的感知，要去完成包括記憶認知、計算認知和交互認知在內的駕駛認知，成為智能車產業化鏈條中的重要零部件，車載機算機和機器人操作系統也無法替代。
駕駛腦自主應對駕駛過程中常常遇到偶發的各種各樣的不確定性。可利用微電子技術、采用 CPU+GPU+FPGA+ASIC 架構生產專用芯片和板卡，研發駕駛腦。
我們比任何時候都更需要研究駕駛員，學習駕駛員，分析駕駛員行為大數據，構建駕駛員的智能代理——駕駛腦。
經驗駕駛員不但要符合駕規，安全行駛，文明行駛，其經驗還體現在節能技巧、駕乘舒適性、對不同動力學的車輛適應性等方面。
世界上駕駛員的經驗和行為，如同人的行走姿態，各各不同，可用駕駛行為作為駕駛員的身份識別，成為駕駛指紋。而標桿駕駛員是經驗駕駛員中的杰出代表。
智能車研發的困難，不僅僅是汽車動力學的性質和各種各樣的傳感器要求，更重要的是要研發和駕駛員一樣在線的「機器駕駛腦」，模擬實現人在回路的自主預測和控制，應對車輛行駛中的不確定性。
將人在回路中的自主駕駛讓車廠去模擬，是難以承受之重。把機器駕駛腦的研發讓車廠去做，是難以承受之重。
集圖靈獎、諾貝爾經濟學獎和美國心理學會終身成就獎于一身的人工智能早期學者赫伯特·西蒙（Herbert.A. Simon）的工作啟發了我們，有了線控、數控汽車，通過深度學習，挖掘駕駛員對方向盤、動力踏板、制動踏板的駕駛行為大數據，就可以判斷并獲得特定駕駛員技巧的個性。駕駛技巧和開車目的地無關。
傳統汽車僅僅是駕駛員手、腳和力量的延伸，控制車輛行為的是人。線控汽車裝備了傳感器之后，用駕駛腦提到駕駛員認知，并獲得駕駛指紋和駕駛技巧，使得汽車成為駕駛員自己、或者說讓機器成為自己，這應該是人工智能時代最有意義的問題之一。
關于駕駛腦的暢想，不同的駕駛腦，認知水平可以有差異，技巧和經驗也可以有不同，但都具備了基本的駕駛認知能力，是獲得了駕照的自動駕駛。
截止 2016 年底，中國產銷汽車超過 2680 萬輛，年產銷量再創全球歷史新高，汽車保有量達到 2.79 億輛左右，它們都用于什么樣的場景？
對于自動駕駛：
不必將全球所有地域的道路狀態，都壓在一輛特定的車型上；
不必將所有天候條件的應對，都壓在一輛特定的車型上；
不必將人類駕駛員的所有駕駛認知，都物化濃縮在一個特定的機器駕駛腦里；
在特定應用場景下，自駕車能否取代駕駛員掌控，取決于能否處置特定場景下的意外情況，能否發出求助信息要求人工干預，或者在迫不得已的時候作出最小損失的決策。
這其中，無人泊車對解決無人駕駛「最后一公里」的痛點，地位重要。從當前的代客泊車市場預估無人泊車，有很大后裝市場（百億元規模）。
泊車通常是怠速狀態，四輪軌跡差異大，體現車輛動力學。泊車工況多樣，手腳并用，繁忙切換，考驗小腦，考驗駕駛技巧，難搞定；可模擬多種多樣艱難泊車環境，但用地不大。
讓標桿駕駛員反復泊車，可獲得精準軌跡和豐富的行為數據，用于深度學習和訓練。
*被李德毅院士稱贊的智行者推出的用于特定應用場景的無人配送物流車，搭載速騰聚創16線激光雷達
如同駕駛員的經驗是逐漸積累的一樣，從有限分為的特定應用的自動駕駛車型開始量產，逐漸拓廣，是一條務實的、接地氣的路線。
在未來，汽車成為大數據的源泉，移動社會的傳感器。駕駛腦有學習和自學習能力，技巧和經驗可以在線提升，駕駛腦智能的進化速度超過自然人。
全球現有 70 億人、 20 億輛車，年產新車 1 億輛，一旦量產自動駕駛汽車上路，且占比越來越大，駕駛腦成為汽車必配，加之智能網聯崛起，駕駛數據和智能越來越累積，駕駛腦越來越聰明，L3 多了，L4 也就慢慢多了，生成 L5 的自動駕駛車遲早也會出現。
從特定的應用環境尋找量產 L3 的抓手，人類擺脫了駕駛的羈絆，開始享受移動辦公和移動生活。偶爾干預一下脫離的請求，甚至不理睬。自動駕駛車自身積累著數據和技巧，逐步推廣到更高車速、更加復雜的道路場景、更多不確定性天氣條件下的自動駕駛。
最后用一句話總結：人工智能以潤物無聲的柔軟改變著整個世界。
雷鋒網推薦閱讀：
李克強談自動駕駛關鍵技術的挑戰，揭秘清華大學智能駕駛探索和實踐 | CICV 2017
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
