技術的車輪滾滾向前，每隔一段時間當前技術就會被新技術更新或迭代。2017年AlphaGo戰勝冠軍棋手柯潔，並橫掃了整個圍棋界選手，讓人類為之震驚，也拉開了人工智能(AI)深度學習時代的序幕。然而自動駕駛也屬於AI範疇，為什麼遲遲不能落地呢?今天就圍繞這個問題延伸下去。
感知、決策、控制是自動駕駛的三個技術環節，但真正的難點在哪呢?
感知既是對周圍環境的瞭解，如同駕駛員的眼睛和耳朵。感知的設備無非是攝像頭、聲吶、各種各樣的雷達，但客觀的講，攝像頭三維空間效果差、雨雪惡略天氣能見度低;毫米波雷達穿透能力弱;激光雷達無法識別顏色、文字且造價高昂，或多或少都存在缺陷。而多種感知設備組合則成為最優的解決方案，彌補了之間的不足，所以各個車廠的感知設備也大同小異，目前主要的難點是如何壓縮成本。
自動駕駛汽車頂的激光雷達
控制是對車輛的掌控，如同駕駛員的手腳。車輛的加速、剎車、轉向等皆屬於控制範疇，然而這些控制沒有太高的技術要求，定速巡航、自動剎車、自適應巡航、自動泊車等功能已經在車輛控制方面積累了相當多的經驗，所以自動駕駛的難點並不在控制。
特斯拉自動駕駛儀表顯示
決策是通過感知收到周圍的信息，計算出最優的方案，把信號傳送給控制機構，如同駕駛員的大腦。決策環節承上啟下，是決定汽車行駛的關鍵，所以自動駕駛的重點和難點皆聚於此!
*數據積累
圍棋人機大戰轟動一時，但AlphaGo在學習圍棋技能時，通過大量數據分析了3000多萬步職業棋手棋譜,並通過增強學習的方法自我博弈,尋找比更優的棋路，才取得了傲人的成績。而自動駕駛汽車也需要海量里程的實際路測，2016年美國智庫蘭德公司給出了一個準確的答案：路測里程需達到110億英里。大量的路測試驗以及後期分類標定、數據處理，尚且存在著許多不確定因素。如果各個車廠能把自己的數據共享，可能會加速自動駕駛的落地，但很顯然核心數據是保密的!
HERE地圖上線雲導航服務加強自動駕駛
*邏輯難題
在現實生活中，路況千變萬化非常複雜，自動駕駛稍有不慎就會造成人員傷亡。除了海量的數據分析及預設的決策依據，如果想要在非鋪裝路面或特殊環境保持高精度自動駕駛，還需要AI在自動駕駛領域的進一步發展與利用。
雖然交通法規日益健全，但全世界範圍內依然存在著不遵守交通規則的人、自行車。有個很經典的事故假設：一輛快速行駛的自動駕駛汽車，但前方路口有多人違反信號燈橫穿馬路，僅有一人在路旁等候，這時就需要自動駕駛去決策，是直行剎車撞多人還是轉向剎車撞一人!這不僅僅是交通法規、法律的範疇，還有道德、人性的因素包含其中，自動駕駛它能懂嗎?
深度學習的概念源於人工神經網絡的研究
*算法難題
在既定的決策範圍內，更多的樣本數據是通過深度學習去理解、分析的。深度學習的概念源於人工神經網絡的研究，它通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。
深度學習已經席捲了AI領域，但深度學習並不是萬能的!深度學習沒有分析能力，不知道原因也無法預測，它基本上取決與樣本以及所要求輸出的特徵值。很顯然，對於高精度自動駕駛來說，深度學習需要更理性的決策!
閱讀更多 李增帥 的文章
