如何普及无人驾驶？我们有了这四点认识

本篇文章4060字，读完约10分钟

今年1月，法国easymile公司的第一辆无人驾驶巴士wepod开始在荷兰的一个大学城进行公开测试；2月底，为了在2020年东京奥运会前实现商业化运营的目标，日本无人驾驶出租车机器人出租车已经开始在日本神奈川县藤泽市进行道路测量...

看来无人驾驶真的离马路不远了。然而，作为一个即将商业化的系统，成本问题是无法避免的。高精度激光传感器和全球定位系统很贵。即使作为一个成熟的智能系统，如何降低价格或找到廉价传感器的解决方案？

这篇文章是从“网上公开课|无人驾驶”编译而来的。分享嘉宾是时宇科技联合创始人江妍。他是空航空航天大学北航大学的博士生，也是美国伊利诺伊大学香槟分校的博士生。他的研究领域是自动驾驶系统架构设计和规划控制。

1.雷锋:石喻在做什么？进展如何？

江妍:我们在做两个方向:第一个方向是做自动驾驶，环境是开放的，路线是不固定的。在自动驾驶中，驾驶员参与驾驶过程。为了增强驾驶体验，车主可以驾驶汽车。去任何地方，比如特斯拉；第二个方向是无人驾驶的固定线路和开放的环境，如谷歌的豆荚车。

我们希望以低成本实现自主驾驶或无人驾驶的产业化。在高度专业化的汽车行业，我们不会做专业公司已经做过的事情。

在硬件方面，我们不会制造汽车，而只会提供解决方案；解决方案中的核心载体是自主开发的车载超级计算机，它负责解决自动驾驶中传感定位规划和控制的所有任务；

在传感器方面，如果现有的传感器能够满足我们的要求，我们将尽可能使用货架产品，如毫米波雷达、超声波雷达和低成本的gps；

在机器视觉方面，因为没有货架产品能满足我们的要求，我们将推出自己的机器视觉解决方案。这也是我们的优势之一。

雷锋。我们都知道谷歌使用的激光雷达传感器成本很高，价格在7万到8万美元之间。你如何以低成本实现它？

江妍:无论哪个方向，成本都是最关键的因素。自动驾驶有一个特点，90%的功能可以以1%的成本实现，但剩下的10%的功能是最困难的，这可能会增加100倍的成本，可能无法实现。真正实用的自动驾驶系统不会使用最昂贵的设备和最复杂的技术。

在我看来，要做好自动驾驶，选择是关键。最佳自动驾驶技术方案是成本约束下最简单的方案。所以我们不会花时间去克服最困难的部分，我们只用低成本来实现90%的功能。

为了得到它，我们放弃了昂贵的设备。例如，如何在没有激光雷达和rtk gps的情况下实现精确定位取决于视觉地图匹配。但是，在视觉上也有缺点，有时不能保证在环境中看到特性，所以我们可以添加其他技术手段来弥补它的缺点，让它看到足够的特性。更重要的是，在设计整个系统时，应该减少系统对定位精度的依赖，从系统架构的冗余设计上解决问题。

雷锋。时宇使用的立体视觉是你自己的相机还是别人的相机？如果是你自己的相机，为什么市场上的相机不能满足要求？Mobileye还致力于视觉解决方案。你能比较一下时宇科技和移动眼的解决方案的异同吗？

姜岩:我们将与其他传感器兼容，但我们也将开发自己的立体视觉系统。至少到目前为止，mobileye的产品还不能满足我的要求，我们在视觉方面还有很大的优势。

目前，mobileye不提供立体视觉系统，也没有视觉地图匹配功能。这两个功能是我们视觉系统的核心。

2.无人运输系统雷锋。无人驾驶汽车的最后一个目标客户是谁？它是仓库还是最终客户？

江妍:无人驾驶和自动驾驶针对不同的客户。无人驾驶更多的是针对有特定需求的客户或最终用户，而自动驾驶更多的是针对汽车制造商。

人们普遍认为，一旦无人驾驶汽车得到推广，共享经济将会兴起，汽车拥有率将会下降，所以这绝对不是汽车制造商所希望看到的。汽车制造商希望看到的不是“摧毁”司机，而是强化汽车的一些特性，让司机可以更安全地驾驶，拥有更好的驾驶体验，这对汽车制造商来说是有意义的。

无人驾驶的目标是提高交通系统的效率，将人类从驾驶中彻底解放出来，从而承担更多的社会责任。

雷锋。既然无人驾驶的目标是提高运输系统的效率，那么如何实现无人运输系统呢？

江妍:最终的运输系统必须是所有的车辆都是无人驾驶的，并且是专门为无人驾驶设计的，但是这不可能在一夜之间实现。如果运输系统是为无人驾驶汽车设计的，无人驾驶汽车将更容易运行。最困难的是，在现有的交通环境中，除了无人驾驶汽车，还有其他有人驾驶的车辆。

矛盾的是，如果在现有的运输系统中进行无人驾驶，其技术难度甚至比无人驾驶的最终形式更高。我们的最终解决方案有两个步骤:

1.一些具有自动驾驶功能的车辆出现在现有的运输系统下。随着功能越来越多，自动化程度不断提高，逆向运输系统发生变化；

2.未来将会有越来越多的无人驾驶车辆在固定的路线和开放的环境中行驶，这将从技术层面和覆盖面上慢慢发展。主干交通是公路或地铁，毛细交通是公共交通。如果最后一公里逐渐被低速无人驾驶所覆盖，交通系统自然会发生变化。这是一个由量变导致质变的过程，在2020年前将演变成一条成熟的路线。

雷锋。从短期来看，能否实现区域无人驾驶，比如高速公路上的紧急车道，以及为无人驾驶车辆提供专用车道，比如晚上从北京到上海，以及本地车辆联网？

江妍:这不是没有条件的，但我的想法是:它的价值在哪里？它能促进工业的可持续发展吗？为了无人驾驶而无人驾驶是不现实的。

我认为在现有的交通系统下不需要无人驾驶，无人驾驶所承诺的一切都可以通过自动驾驶来实现，我在高速公路上强调这种情况。我认为淘汰驾驶员的需求只存在于成本敏感的应用中，我对淘汰家用汽车的驾驶员持怀疑态度。

3.无人驾驶雷锋的商业化。为什么大部分无人驾驶在高校的研究阶段都在这个阶段？

江妍:研究和产业化推广是有差距的，因为学校的成果更多的是原则验证和概念形成。最终用户或汽车制造商需要的是现成的模制产品。

对于汽车行业来说，测试非常重要，降低成本也非常重要。没人做过这部分。我们要做的是填补这一部分的空白。

雷锋。目前无人驾驶技术商业化的案例有哪些？时宇提供的解决方案是为企业定制的吗？

姜岩:如果我们把无人驾驶技术的每一个方面都看作是无人驾驶的一个阶段，那么acc(自适应巡航控制)、fcw(前向碰撞预警系统)和荷兰无人驾驶公交车也将计算在内。其他人仍在示范阶段。

应该说，我认为ldw(偏差报警系统)不属于自动驾驶的范畴，因为车道检测对报警的要求与自动驾驶的要求完全不同，所以他很难通过自我发展达到这一阶段，他必须从一开始就为自动驾驶设计车道检测。

石喻只是自主驾驶这个大产业中的一个环节，我们的解决方案只是这个环节的解决方案，最终的成功需要和上下游的所有专业环节一起完成。

雷锋。现在无人技术集成需要包括哪些环节，哪些环节在中国比较成熟，哪些环节比较薄弱？

江妍:机器人和机器人在技术上几乎没有区别，这体现在感知、决策、定位、规划、控制以及对汽车平台的需求上。到目前为止，大部分无人驾驶研究仍在学术界，并没有完全被工业界所接管，这意味着世界在技术上是开放和公平的，没有秘密。

中国唯一的弱点在于零部件。大多数传感器组件，如激光雷达和高精度定位，都来自国外，包括底层平台，这在算法方面不成问题。

就技术指标而言，最好的肯定是最昂贵的，如果只需要完成这项任务，就需要综合考虑:使用激光雷达进行高精度地图匹配，使用rtk gps进行高精度定位，或者使用低成本解决方案让汽车在路上行驶。这些都是可以实现的。

4.关于零事故率的雷锋网:你如何看待最近谷歌无人驾驶汽车撞上公交车的事件？

江妍:因为没有足够的信息，我不能确定这是由复杂的算法、场景或者司机和车之间的协调造成的。

但问题的关键在于，它提醒人们，不开车就实现零事故率是不现实的。从一开始，无人驾驶的愿景就很明确:它可以大大降低事故率，或者减少事故造成的后果。

对我们来说:首先，这种事情迟早会发生；第二，这件事不会对谷歌产生大的影响，因为它有数百万公里的安全里程可以背书，这可以证明它的事故率远远低于人。即使这次事故是一件好事，它是真实的；第三，公众对这件事的看法可能更集中在这次事故上。如何让公众接受无人驾驶车辆会引发事故，需要从其他方面来解决。但是谷歌提供了一个好主意:大量测试已经证明它是安全的。

这个测试必须是公开的，而不仅仅是一个公共关系法案。经验是提高公众接受度的最佳途径。我们的车在下半年开始路试后，整个过程将对媒体和公众开放，您可以随时上车参与自主驾驶或无人驾驶的过程。

雷锋。无人驾驶技术将降低事故率。它能实现零事故率吗？

江妍:零事故率在理论上是不可能的。从理性上讲，无人驾驶可以降低事故率，但即使事故无法预防，事故的后果在更多情况下也可以减少。这也是一种有益的进步。

无人驾驶车辆最终可能不会达到零事故率。例如，如果地铁是在一个非常封闭的环境中，有人驾驶，它不一定是零事故率。但是无人驾驶将从减少事故的后果开始。

雷锋。如果发生事故，谁来承担责任？汽车制造商、司机还是技术供应商？

江妍:自动驾驶汽车必须有完整的数据记录功能。事故发生后，他们可以记录所有复杂的观察结果、处理结果和他们周围的原始数据，充分呈现当时发生的情况，计算数据，并比较不同的计算结果:这是计算能力的故障，我们无法处理当时的环境或第三方的责任。

这个系统必须在无人驾驶车辆上路之前可用，否则责任就无法划分。

在发生交通事故的情况下，一个更合理的解决方案应该是先有一个保险预付款，然后我们应该与汽车制造商一起分析事故，看看谁应该负责，例如，如果汽车没有停下来或根本没有看到它，让我们假设我们的系统使用某个品牌的传感器，我们对事故的逐层分析结果是他们的传感器没有检测到当时的情况，所以责任在于传感器供应商。

友好的通知:

1.图片来自公共网站。维基媒体

2.第三阶段的网上硬创造开放课程将于明天(3月8日下午2点)准时开始。主题是无人机，分享嘉宾是一位经验丰富的无人机从业者。

附件:这个公开课的分享小组，虽然分享已经结束，但将作为雷锋的无人小组。欢迎从业者和业内人士浏览代码并加入讨论。