编者按：本文内容来自清华大学计算机系教授、博士生导师邓志东在雷锋网硬创公开课的分享，由雷锋网旗下栏目“新智驾”整理。
今年 11 月 15 号，18 辆百度无人车——「云骁」亮相乌镇子夜路，并在 3.16 公里的开放城区道路上自主行驶。它们可以完成交通信号灯的识别、加减速、变道超车、自动泊车、倒车等。这是 NHTSA L4 级别的完全自动驾驶汽车。
2016 年 8 月 25 日，nuTonomy 在新加坡推出首个无人驾驶出租车免费载客服务，已先期测试两年，限定在 2.5 平方英里的商业住宅区内。
2016 年 9 月 14 日，Uber 在美国匹兹堡市区推出无人驾驶出租车载客服务并试运行，在整个城区进行测试，有上下坡、有隧道、有狭窄道路，这应该是无人驾驶发展史上里程碑性质的事件。
特斯拉更激进，所有新车将装配「具有完全自动驾驶功能」的硬件系统 Autopilot 2.0，软件升级适合于已有的车型；并宣称 2017 年年底之前以完全自动驾驶模式从洛杉矶开往纽约。Autopilot 2.0使用低成本方案，配置 8 个摄像头，12 个增强型超声波传感器，1个毫米波雷达。
目前无人驾驶汽车产业步伐加速，Google、沃尔沃、福特、宝马、百度、英特尔等全球近 20 家企业均已宣称，5 年后即 2021 年将会是无人驾驶汽车元年，部分企业宣称 SAE L4 水平的自动驾驶汽车将在 2021 年左右实现量产。
看起来大家都说自己的无人驾驶汽车是SAE L4 水平的。但 L4 真的就指日可待了？我们必须把无人驾驶与自动驾驶的概念弄清楚。
2016 年 9 月 20 日，美国交通运输部最新发布了自动驾驶的联邦新规，明确了无人驾驶汽车以 SAE 的 6 级作为分级标准（L0 –L5）。
SAE 与 NHTSA 的分级标准，0 级、 1 级和 2 级的分类都是相同的。两者的不同之处在于——原来的第四级，现在被 SAE 细分为：第四级和第五级。
SAE L0：是完全的人为驾驶，增加开环告警式的ADAS功能，如 LDW，FCW，BSD 等；
SAE L1：增加单项的闭环ADAS功能，如 ACC，AEB，LKS，IPAS 等。
SAE L2 和 SAE L3 是过渡期的无人驾驶阶段，分别属于部分和有条件的自动驾驶。
SAE L2 涉及到安全驾驶员和监控驾驶员，安全驾驶员进行行车环境感知，手不离方向盘，遇到紧急情况可直接进行接管，这种无人驾驶通常采用「厘米级栅格/拓扑地图+RTK导航+目标识别」的解决方案；SAE L3仅有车上或车下的监控驾驶员，需要在紧急情况下，通过车载计算机进行认知干预。
真正的无人驾驶阶段在 SAE L4 和 SAE L5。
SAE L4 阶段没有任何人类驾驶员，可以无方向盘和油门、刹车踏板，但限定区域和功能。
SAE L5 是真正的无人驾驶阶段，与人类驾驶无异，司机位置无人，也没有人的车上/车下认知判别干预；无方向盘和油门、刹车踏板；全区域、全功能。
现在许多企业都宣称自己的无人驾驶汽车达到了 SAE L4 的级别。那么 SAE L4 级别的无人驾驶汽车就一定比 L2 先进？我觉得这一定要看它自主行驶的区域和功能。
试想一辆从景区东门沿固定线路自主行驶到西门的无人车，即使它无需任何人类驾驶员，达到了所谓 SAE L4，但它真的就比在整个匹兹堡城区自主行驶的 L2 水平的无人车先进吗？答案显然是否定的。总之在谈论 SAE L4 无人驾驶是否比 L2 先进时，一定要具体指明自主行驶的区域（封闭、开放；区域大小、复杂程度）以及功能和环境条件（气候、时间段）。
二、从事自动驾驶的三股力量
目前从事自动驾驶主要有三股力量：传统车企、新车企和跨界科技企业。
这些跨界科技企业主张「跳过中间阶段、一步到位」，比如谷歌、优步、百度、苹果、Lyft、乐视等。
绝大多数国际巨头，包括新车企（如特斯拉）和老车企（如福特、沃尔沃、奥迪、宝马、丰田、日产、通用、梅塞德斯-奔驰、大众等），都在测试自己研发的自动驾驶汽车。他们主张在限定成本的前提下循序渐进，逐步升级无人驾驶功能。
无人驾驶汽车研发中，科技企业占据主动。因为汽车对安全性、可靠性要求极高，汽车作为特殊产品存在生产许可、安全认证、产品准入、品牌、供应链等门槛，因此科技企业研发初期必须要与车企合作，并得到其全力支持。
另一方面，无人驾驶必须以汽车这么一个工业级的移动载具产品做为基础或平台 ，但它包括的远不止这些。更重要的关键技术还包括：环境感知、环境建模、自主决策、规划与导航、控制等，这些均超出传统汽车行业的强项，大多属于信息技术领域。
从长远来看，未来在无人驾驶汽车行业，传统车企能做的事情或许不多。
事实上，汽车时代有四大公害，包括交通事故、交通拥堵、环境污染、石油危机，已经发展成为严重的社会问题。
考虑到全球每天有三千多人，每年有 125 万人因车祸死亡，而且其中绝大多数交通意外都涉及到人为责任，比如由于疏忽，酒后驾驶，疲劳驾驶等等。
另外，目前汽车使用效率很低，比如每天上下班高峰期才使用汽车。用完了就把它放在停车位，所以就使用了全天时间 1% 到 10% 左右。而且 5 座、两吨重的乘用车，大多仅搭载一位乘客，是极大的能源浪费。
无人驾驶可以使安全、共享、绿色、节能发挥到最大化。而共享电动无人驾驶出租车可以使城市机动车保有量降低至少三分之一，车辆的拥有量大幅度降低，能从根本上解决汽车带来的污染、交通拥堵和安全问题。
在共享无人驾驶汽车时代，智能增值服务更为重要。无人驾驶汽车可能就是一个智能移动终端或者网络的一个节点。与现在手机的通话功能类似，代步出行将变成基本功能，更重要的是移动智能服务。
如此便可以理解为什么 Uber 会把无人驾驶汽车研发当做对企业生存至关重要的事情来做。百度也有共享汽车的战略。谷歌、苹果、滴滴、乐视等是否也有同样的考量，将叫车出行服务和无人驾驶结合，做出前瞻性的战略布局？
四、人工智能加速共享无人驾驶产业的发展
我们认为，人工智能可以推动无人驾驶汽车最短在 2 到 4 年获得初步的商业模式。
利用大数据驱动下的人工智能（特别是深度卷积神经网络、深度强化学习与交互式认知智能），开展面向无人驾驶汽车的环境感知/理解、信息融合、HD 地图、低成本多模态导航和自主决策等前沿技术的研究，可望有力地推动无人驾驶汽车核心技术与产业的发展。
自动驾驶或者无人驾驶汽车发展面对的主要困难和挑战是什么？可以认为是在如下两方面：
1）L2 到 L3如何跨越？机器如何代替人进行可靠的周边行车环境感知？如何自动判断自己的“感知失效”，并通过计算机向人发出干预请求？
2）L3 到 L4如何跨越？可能更难。取消“人在回路（HIL）” ，需要认知智能的实质性进步。
要从 L2 跨越到 L3，就是要用机器去替代人进行周边行车环境的感知，对各种复杂道路交通场景，要做到非常可靠很难。近期人工智能的革命性进展，再加之高清地图的支撑，让这个有可能成为现实。
如果我们单一传感器通道完成不了，那么就要使用高性价比、低成本、多模态的传感器组合，这就需要信息融合技术的突破。
特别地，在交通流稠密的复杂城区，如何安全、快捷地检测到行人等小目标障碍物，以确保行车的安全？这是尤其重要的。
另外一个困难是，在保证绝对安全的前提下，如何降低无人驾驶汽车的成本，走通商业模式？目前无人驾驶降低成本的方案有四个方面：
1）人工智能算法；
2）降低激光雷达成本（这个趋势比较明显）；
3）基于 5G 与云计算的智能网联；
4）基于智慧交通设施和智慧城市的发展。
人工智能在无人驾驶汽车中的应用与其他垂直细分领域的应用是一样的，涉及算法（深度学习），数据（视觉大数据，点云大数据，驾驶行为大数据等），计算（移动端、云端芯片/加速器），通信（基于 5G的 移动端到云端的通信）和垂直整合等 5 个维度，几乎是下一代信息技术的全部。
我们将从上述 5 个维度谈谈人工智能如何加速共享无人驾驶产业的发展。
环境理解特别重要。人开车什么地方都能去，什么气候条件下都可以驾驶，原因就是我们对周边的行车环境有理解能力。
信息融合是因为我们必须用多传感器来保证自主行驶的绝对可靠性、绝对安全性。如果单一通道传感器解决不了，就采用多种传感器组合，但组合就存在信息融合的问题。
具体来说包括，
a、基于深度监督学习的障碍物检测与识别技术
障碍物包括机动车、非机动车以及行人小目标，其可靠的检测与识别，是一大困难。
b、基于深度监督学习的高精地图创建技术
现在高精地图采用栅格方法，建立一个省、全中国甚至全球的高精地图，数据量太大。如何解决传输、存储与使用的问题？所以我们需要利用深度学习和人工智能的方法，研究基于目标理解的高精地图的创建技术。
c、基于深度监督学习的多模态导航融合技术
高精度定位定姿导航也需要大大降低成本，商业模式必须把这部分费用降下来。
d、基于深度强化学习的自主决策技术
这个问题更复杂，这是从 L3 跨越到 L4面临的主要挑战。
在与高精地图的结合或在其支持下，利用现在人工智能算法的进步进行环境感知，是有可能解决这个问题的，即有可能实现从 L2 到 L3的跨越，用机器代替人进行周边行驶环境的可靠感知。
比如基于深度学习解决极端环境下的道路感知问题，比如车道线的检测与跟踪问题，可行驶路面的检测问题。如果在正常环境下，现在传统的计算机视觉方法都基本可以解决了。
还有一个更加重要的问题：目标的检测与识别。这个问题非常重要，因为它事关自动驾驶汽车与无人驾驶汽车的安全性。我们可以在高精度地图的支撑下，利用人工智能方法，利用大数据和深度学习算法进行各种障碍物及其运动行为意图的识别与预测。
不能单纯用人工智能的方法，还要与高精地图进行结合，因为道路交通设施相对来说是不变的。已知高精地图先验知识，利用人工智能，解决道路理解、障碍物理解、障碍物运动行为预测以及低成本导航问题，保证厘米水平的定位和精准定姿。在使用多模态低成本导航设备时，用深度学习方法去完成信息融合。
所谓多模态比如使用激光雷达SLAM技术、单目视觉SLAM技术、基于内容理解的地图匹配导航和基于栅格的地图匹配导航等，这些都是降成本的方案，也都最终需要进行信息融合。
从某种意义上来说，大数据更为重要，就是“数据为王”。因为深度学习的代码已经开源了，算法上也没有太大的区别，对特定的应用场景或问题来说，是否能达到人类水平的识别精度，就主要靠大数据的应用了。
大数据或称巨量资料，指的是数据规模巨大到不能通过目前的独立同分布（i.i.d）假设下的平稳随机分析方法进行处理了。
大数据有四个基本特征：
数据体量巨大，从 TB 级别到 PB 级别；数据种类很多，比如网络日志，图像，视频，高清栅格地图，激光雷达点云数据，导航数据等等；价值密度很低，但是商业价值很高；要求处理速度快。
大数据，尤其是专有大数据，已经成为人工智能产业或自动驾驶/无人驾驶产业制胜的基础和关键。面对自动驾驶中的某些特定问题，比如说目标检测与识别，我们有可能得到大数据，并对它进行清洗、标签与利用。
所以，从某种角度讲，谁拥有与利用大数据越多，谁离产品的成熟度就越高，或者商业模式就越近。这是可以判断一个企业它的产品的成熟度，或者能不能走出商业模式，离商业模式是不是很近的主要指标之一。
总之，大数据对无人驾驶汽车或者自动驾驶汽车研发非常重要，而且专有的大数据，是支撑产业发展的一种战略资源。
在大数据的采集和应用中，我们需要解决大数据的完备性问题。这个完备性同样非常重要，但要做到完备性是非常困难的，需要付出极大的资源。比如说识别率从 99.999% 提高到 99.99999%，需要的是指数级增长的大数据，而非仅是线性增长的大数据。
计算引擎主要有三个方面的应用：
基于超级GPU、TPU 集群，进行深度学习算法的离线训练；
基于云平台的在线应用；
移动端应用。
对深度学习算法的离线训练来说，一般就采用 GPU，TPU 这样的超级集群服务器。对于云端的在线应用或者移动端设备的应用，我们推荐采用 FPGA 深度学习处理器，因为它有一些特点，比如说低功耗、低成本、高灵活、高性能，它尤其适合于深度学习的推断。它的好处之一就是，相对于 GPU 来说，能耗比可以提升至少 1000 倍，而且成本更低。
计算引擎的前沿发展，以后或会使用类脑芯片，因为它的功耗更低。
高清地图对于支撑基于人工智能的环境感知，还有低成本多模态导航，具有极其重要的现实意义。高精度地图可望发展成为一个上游的巨大产业，也许未来的交通基础设施就变成了硬道路和数字化道路与交通设施。
基于人工智能去做高清地图，潜力很大，市场也很大。无人驾驶汽车产业的发展，还有其他一些基础支撑条件，包括智慧城市，智能交通系统（ITS），还可以利用 5G 通讯，以及基于5G的智能网联技术。5G通信的作用是巨大的，因为它只有一个毫秒的端到端时间延迟，具有足够的实时性。
总之，人工智能的发展会加速共享无人驾驶汽车产业。人工智能近期的革命性进展，再加上高精地图、5G 通讯、智能网联以及智能交通系统和智慧城市的支撑，形成合力，就一定能使无人驾驶产业早日商业化落地。
正在生成分享图...
我在思考中