桫椤
曾被传统车企抛弃的自动驾驶
VaRoS测试车速达到了90km/h，是当时该车发动机能提供的最大速度
最近电动车自动驾驶的事故频发，引发车友们开启互喷模式，其实科技迭代这种事，大家还是应该做一些科普积累。
自动驾驶的概念出现得比燃油车还早，甚至可以追溯到500年前达芬奇发明的第一辆无需推拉即可移动的自行小推车，虽然当时只是为了搬运和售卖食物，和诸葛亮的木牛一个体系。
到了20 世纪 50 年代末，汽车自动驾驶被提上议程，涉及人工智能的研究方向自然是如何让汽车能像人一样思考。毫无疑问，这样的研究可谓雷声大雨点小，各种宣传各种大佬站台，有人甚至预测“机器将会在 20 年内释放人类的双手”。经过大量热钱涌入折腾之后，没有原型机落地，20 世纪 70 年代中期泡沫破灭，人工智能技术遇冷。
真正让自动驾驶在上世纪80年代跑起来，要感谢德国科学家恩斯特·迪克曼斯，这位牛人被冠以“自动驾驶实际发明者”之前，工作是分析太空飞船重回地球在大气层所需轨迹的任务。
迪克曼斯相信，他的未来不在太空而是陆地，他通过在汽车上安装计算机、照相机和传感器的方式，成功打造了无人驾驶车“VaRoS”，并于 1986 年开始在大学内测试。
VaRoS上配备了2个CCD摄像头、加速度计和角度变化等其他传感器，多个Intel 8086处理器构成的计算系统，以及用于控制方向盘、油门和刹车的底层控制执行器。
迪克曼斯团队还构建了一种叫作“4D”的动态视觉模型，随时间的变化三维观察对象，例如通过摄像头获得左右白色车道线，推导出车辆相对道路的状态变量，然后应用卡尔曼滤波编写软件对状态变量进行递归估计，并转换成适当的驾驶指令对汽车进行自动控制。
卡尔曼滤波器非常适合不断变化的系统，它还具备内存占用较小、速度快的特点，那个时代计算机运算速度还不够快，这样优秀的系统能够处理快速变化的视觉街景的问题，使得高速自动驾驶可以实现，这辆车后来在巴伐利亚封闭的高速路上跑到了时速 90 公里。
嗅到商机的德国汽车制造商戴姆勒找到了迪克曼斯，成为了他的资助方。
1994年，经过数年开发的梅赛德斯奔驰500 SEL VITA-1和VITA-2上路，当时的情景与现在类似，自动驾驶车驾驶席上还是坐着一名工程师，他的手会虚搭在方向盘上以防万一，而真正负责驾驶的是车辆自己。两辆自动驾驶车在三车道高速公路上以高达130公里/小时的速度行驶了1000多公里。成功演示了在自由车道上驾驶、识别交通标志、车队根据车速保持距离驾驶、自动通过左右车道变换等。
尽管中间也有些不算完美，比如测试车辆前面有其他车辆遮住路标，或者道路标线变模糊的时候，测试车的车道识别功能就开始出现问题，但在那个时代，这已经是非常不容易的事情了。
90年代后期，经济危机让本就收益无望的自动驾驶技术遭遇雪藏。汽车厂商意识到，自动驾驶技术从实验室到市场的过程中还需要大量的投资，而在破产和联邦政府救助中苦苦挣扎的车企们，不仅无力支撑高昂的研发成本，也不愿改变燃油车内部早已成型的构造，毕竟自动驾驶配的一大堆传感器都是耗电的，燃油车还得加个大电池给它们供电，多此一举。
还有一个因素是，当时自动驾驶这个概念一开始似乎就与德国厂商的市场定位有些冲突，长期以来传统车企打造的都是“驾驶者之车”，戴姆勒选择倾囊相助可不是要彻底干掉司机这个职业，只是想让用户不再为事故担惊受怕，同时证明计算机视觉技术可以用来防止事故发生。
总之，短期内看不到收益的自动驾驶技术纷纷被传统汽车厂商抛弃，直到电动汽车崛起。被过度包装的“无人驾驶”
不知啥時候起，无论是互联网公司谷歌、百度，还是特斯拉、造车新势力蔚理鹏，一谈AI必提无人驾驶，使得无人驾驶成为了茶间热议的话题。
在我们谈论无人驾驶时，经常会将“无人驾驶”、“自动驾驶”以及“驾驶辅助”三个词混淆，认为三者之间是可替代的关系。其实不然，它们分别代表了不同级别的自动驾驶技术。美国汽车工程师协会将自动驾驶技术进行了分级，这是目前国际公认的术语界定。
L0属于传统驾驶，L1和L2属于驾驶辅助，L3-L5属于自动驾驶，L5的自动驾驶技术等级也称为“无人驾驶”。驾驶辅助技术当前已经在量产车上部署，通常称为高级驾驶辅助系统（简称ADAS）。
驾驶辅助技术处于自动驾驶技术等级的L1和L2，L1阶段车辆开始介入制动与转向其中一项控制，分担驾驶员的工作。尽管L2与L1相比，驾驶操作的主体由人变成了系统，但负责周边监控的主体都是人。
自动驾驶相比于驾驶辅助，对技术和车辆性能要求更严格。首先，需要更好的目标识别算法。“误报率”这一指标，是衡量自动驾驶技术的重要考量，比如自动驾驶里面有一个AEB（自主紧急制动），如果老是误刹，会对车辆的安全造成威胁。另外，漏报率在自动驾驶中必须要降低为零，因为出现一起漏报，可能就会车毁人亡。
另外，视觉和雷达的融合要进一步提升。以特斯拉为例，Autopilot用的车辆识别技术还比较原始。它基本上看本车道或者是相邻车道的车屁股。车屁股有非常明显的特征，车屁股下有阴影，有车灯，车是一个对称的几何体。这些特征使得它在夜晚也能比较清晰地识别出来。但在之前的一次事故中，特斯拉撞上了路边一辆横着停靠执行公务的警车，这个车的色彩很难跟背景区分开来，所以视觉这一块实际上是需要进一步提升的。
在这起车祸中，为什么雷达没有探测到那辆拖车呢？特斯拉方面的回应是，雷达确实探测到了这辆车，但是把它归类成为了横跨马路的道路标志。从普通的雷达算法的角度来说，它是希望在靠近的时候能够做出更准确的判断。但是很可惜，这个拖车的底盘非常高，而雷达安装的位置比较低，所以靠近的时候并没有被发现。
无人驾驶技术等级处于最高级，无人驾驶=完全的自动驾驶，开车这活完全交给了无人驾驶系统。将目的地告诉系统，那么车子就会载着你到达你想要的目的地。至于中间行驶过程，怎么走，开多快，都是车说了算。你只需要安心在车内睡觉或者思考问题，这听起来是不是特别酷？
从驾驶辅助到自动驾驶，面临第一次跃迁;从自动驾驶到无人驾驶，是第二次跃迁。自动驾驶不仅仅是算法，它是一套超级复杂的系统工程，并不是车商广告中三言两语可以概括完的。完全自动驾驶或许永远都不会到来
终极提问，自动驾驶算法能不能超过人类大脑？
我们需要了解机器学习算法的原理，自动驾驶的策略需要通过大量数据进行训练，一开始的性能可能很差，但每公里能获得新的数据，利用这些数据迭代训练，就能实现更好的策略。隨着训练的加深，后续可能要每十公里、百公里、千公里才能收集到数据并迭代。
所以不难理解，越训练到后期，有效数据的获取就越难，性能增长就会停摆。以采用纯视觉感知方案的特斯拉为例，虽然在AI Day上秀出了Dojo超算，但算力本就不是瓶颈，瓶颈在于视觉感知本身，现实道路的复杂性和无穷无尽的变化，基本上不可能与有限的神经网络模型完全拟合。
比如视觉感知系统如何有效识别街头的信号灯和广告灯牌？如果一件印制了停车标志的衣服挂在车头正前方，又如何判断？虽然计算机可以联动其他方案来辅助识别，但这远远超过了纯视觉的范畴。
你或许会说靠高精地图、激光定位来解决这些问题，但这需要非常高频率的地图更新节奏，夏天采集的激光地图到了秋天，就会因为行道树树叶的掉落而导致点云配不上。如果遇到下雪，几个小时内整个街道都会被白雪覆盖，点云甚至可能会配歪，反倒把车带到沟里去，而人在驾驶时，很少会被这些情况所影响。
再说决策，大脑在驾驶时会利用经验和潜意识逻辑来做出很多实时决策，而深度学习并不具备推理等思考能力，比如马路上吹来一个塑料袋，或者大风天吹落的树叶，无论视觉还是雷达感知那都是疑似障碍物，需要紧急停车或避让，但人就会直接开过去;而一个小水坑或因错综复杂光线产生的阴影，雷达感知可以通过，但视觉可能会判断为障碍，这时候又怎么决策？难道每个场景都写一个if-else么？
最麻烦的地方在于上述问题几乎找不到工程化的解决方案，这也是为什么目前的完全自动驾驶方案非常依赖车路协同的原因，利用无处不在的监控摄像头和设置大量传感器，来给车辆提供更大范围、更高精度的环境数据。
车辆之间也有车联网系统来互相协同，再通过数据中心协调车流，就能实现真正的无人驾驶。但这只是一个科幻的想法，因为这意味着要翻新全部的交通基建，规则谁来制定？法规又要怎样完善？自动驾驶作为理论和技术都没有真正实现突破，就在资本推动下急于商用落地的“新技术”，更大程度上还是在赌，赌目前欠缺的理论和技术在近期能突然实现突破。但从整个业内来看，悲观的态度占大多数，在未来很长时间里与我们相伴的依然只会是辅助驾驶技术，无人驾驶的技术难点不突破，研发将永远在路上。
