超級解密：無人駕駛是如何煉成的

和很多新產品也一樣，大家對自動駕駛的態度也是兩極化，分為過於信任和太不信任。有些人過於信任自動駕駛，開啟自動駕駛自己就敢玩手機或者睡覺，這已經出了幾次人命事故。有些人又太不信任自動駕駛，覺得都是商家的噱頭，買了新車連自動泊車入位功能也不太敢嘗試。

01 那自動駕駛到底能幹什麼呢?

這就要從自動駕駛的“天梯”說起了。對新興技術或者對汽車感興趣的朋友，一定都看過這麼一條新聞，說特斯拉的Autopilot已經具備Level 2，也有稱為L2級的自動駕駛能力。如果不瞭解自動駕駛的天梯，可能很難完全讀明白這條新聞。

美國汽車工程學會(SAE)給自動駕駛按水平不同分了六個等級，等級越高自動駕駛的水平越高，最低是Level 0，表示完全沒有自動駕駛的能力，最高是Level 5，表示有完全的自動駕駛能力，司機可以坐在駕駛位上安心看書，或者乾脆就不再需要駕駛位了。

現在市場上售賣的無人駕駛功能都到了Level 幾的水平了呢?前些年業界一度很樂觀，關注點已經發散到取消駕駛座以後，應該改成麻#將桌還是火鍋臺了。

但現實很骨感——經過一段時間的實踐以後，特別是無人駕駛出現了幾次翻車(是字面意義上的“翻車”)以後，大家的頭腦逐漸冷靜了下來，目前各個無人駕駛的巨頭也基本達成了一個共識，認為Level 5實現難度非常高，要真正達到還需要很長的時間，可以肯定最近幾年是不可能用無人駕駛代替考駕照了。

當然了，事情也並非兩個極端，雖然無人駕駛距離能夠讓司機下崗還有很長的路要走，但當前也並非只是噱頭毫無進展。研發能夠適應各種複雜路況的無人駕駛當然很難，但也做數學難題一樣，可以先加一點背景限制條件來簡化問題。

現在一些具體的應用場景中，無人駕駛確實已經能夠達到讓司機“放開雙手”的水平，譬如現在已經推出了能夠在廠區、園區內行駛的無人駕駛公交車，以及能夠在特定路段行駛的無人駕駛計程車等等。

按照SAE對無人駕駛的分級，目前市面的各類無人駕駛，包括名氣很大的特斯拉的Autopilot，基本還處於Level 2和Level 3的水平，也就是部分自動駕駛和有條件自動駕駛，讀起來很拗口，用大白話來說就是能夠幫助司機，但不能夠替代司機的意思。

我國三部委頒佈的《智慧網聯汽車道路測試管理規範(試行)》也作出要求，測試駕駛人應始終處於測試車輛的駕駛座位上、始終監控車輛執行狀態及周圍環境，隨時準備接管車輛。

前面提到的這些已經上路的無人駕駛公交和無人駕駛計程車，在實際執行中通常都還要配備一到兩名安全員，可能和大家想象中“駕駛座上沒有人，只有方向盤在空轉”的場景略有出入。

有些智慧駕駛系統還擔心司機過於迷信“無人駕駛”而分心走神，還專門設定了一系列檢查司機有沒有專心開車的機制，包括檢測司機的雙手是不是放在方向盤上，以及檢測司機的眼睛究竟是盯著行車前方還是在看其他地方。

無人駕駛當前可以說是冰火兩重天，每每新產品讓人眼前一亮，感覺成功就在眼前，而新事故又讓人憂心忡忡，甚至懷疑這條路到底能不能走通。總的來說，無人駕駛作為人工智慧技術的典型代表，同樣也和很多已經嘗試落地的人工智慧產品一樣，是希望與挑戰並存。

我還清楚記得第一次搭乘無人駕駛汽車，雖然分別列坐駕駛座和副駕駛的兩位彪形大漢破壞了一點科幻感，但是看著無人操控的方向盤自己旋轉，遇到紅燈自己剎車，突然出現了行人車輛還懂得自己避讓，我仍然像體驗了一場大型魔術一樣，產生了難以形容的震撼，迫不及待想掀開魔術幕布一窺背後的奧秘。

02 那無人駕駛是怎麼實現的呢?

無人駕駛是個非常前沿的研究方向，新聞不少，但系統性介紹這門技術的書並不多，而且寥寥數本當中，大部分還都是科普性質的，缺乏理論知識層面的介紹，難以深入瞭解背後原理。有這方面需要的同學，我推薦《智慧駕駛技術：路徑規劃與導航控制》。

這是一本硬核的書，讀完這本書，你會對無人駕駛的完整流程能夠有一個清晰的瞭解。以下內容是我讀完《智慧駕駛技術：路徑規劃與導航控制》以後，自己的理解歸納：

要實現無人駕駛，需要準備三件寶物，高精度地圖、感測器和車輛控制系統。

地圖一這項好理解，無人駕駛也好，有人駕駛也好，最終都是把車子從起始地開到目的地，關鍵就是要“認路”。過程我們都很熟悉了，需要藉助地圖導航。無人駕駛也同樣需要地圖導航，但是，無人駕駛使用的地圖和我們普通的導航地圖不太一樣，是高精度地圖。

有什麼不同呢，回想一下，我們的導航地圖主要是標識了各種地點，也就是地理資訊，但是對於行車相關的資訊，譬如交通燈、交叉路、車道規則和道路水平等等，大多是缺乏的。

高精度地圖一方面對準確性要求更高，通常需要結合GPS、遙感影像等等測量儀器的結果繪製。另一方面是補充了這些行車資訊，甚至對於特殊的車道還做了細緻的劃分，譬如路口轉彎、匝道、小路，都作了分別的標識。

高精度地圖需要包含這麼多資訊，製作成本當然很高，但無人駕駛有了高精度地圖，認路就容易的多了，實時計算要求也一下下降很多。

無人駕駛的第二件寶物就是感測器。感測器應該無人駕駛在外形上的標誌，現在無人駕駛的車輛，一般都會戴一頂高高的“帽子”，這頂“帽子”就是一種感測器。人類開車需要眼觀六路耳聽八方，無人駕駛想開車同樣也需要耳目，感測器就是無人駕駛的耳目。

有人可能會不太理解，為什麼有了高精度雷達還需要感測器呢?在真實環境中開車和遊戲裡不一樣，是不能夠“背板”的，行車路上會出現各種意想不到的障礙物需要實時觀察，這裡的障礙物不僅指狹義的路障，還包括前方出現的行人，和後方突然加速的車輛等等。

哪怕是最簡單的紅綠燈，我知道這裡有紅綠燈，那現在究竟是紅燈還是綠燈，我該繼續行車還是趕緊剎車呢，這都需要透過感測器觀察情況。新手司機上路應該都有一個感覺，就是忙亂，要觀察的東西太多，人尤如此，更遑論無人駕駛。

為了準確捕捉各種環境資訊，無人駕駛使用了多種的感測器來捕捉各類環境資訊，包括高畫質攝像頭、紅外感測器、鐳射雷達、毫米波雷達等等，能夠捕捉的光訊號不僅限於可見光，而且具備360度環視視覺。應該說，在環境資訊捕捉方面，無人駕駛所具備的能力已經超過了人類。

最後一項是最核心的一項，也是最難的一項，就是這個車輛駕駛系統。

準確來說，車輛駕駛系統分為軟體和硬體兩個部分，無人駕駛的車輛首先需要對車輛進行硬體改造，這應該很好理解，你必須得讓無人駕駛系統能夠控制油門、剎車和方向盤，然後才能談無人駕駛對吧。這是硬體層面的車輛駕駛系統，在軟體層面，就是無人駕駛的“大腦”了。

大腦是關鍵，前面的地圖、耳目再厲害，也得需要有個厲害的大腦才能真正用起來。具體來說就是各種各樣的演算法，這一部分涉及到很多具體的專業知識，可以細讀《智慧駕駛技術：路徑規劃與導航控制》，這裡只提一提其中有兩個的問題我覺得十分有趣。

第一個問題就是如何訓練。無人駕駛依賴人工智慧技術，會從各種機器學習、深度學習、深度強化學習的模型中挑選。要使用這些模型，都有一個必經環節，那就是訓練，而訓練是需要試錯的。

讀過我寫的那本《機器學習演算法的數學解析與Python實現》的同學都知道，訓練的過程就是不斷減少錯誤的過程，這在別的地方沒有問題，但是在無人駕駛這裡問題就複雜了，應該沒誰希望哪天街上會突然出現一輛發了瘋一樣的無人駕駛汽車，就算你告訴我模型訓練都有這麼個過程也不行。

那這個問題是怎麼解決的呢?用模擬環境，無人駕駛是在模擬環境中不斷學習進化，等訓練成了真正意義上的“老司機”才能真正開車上路。

第二個問題叫乘坐體驗，這是個很有意思的問題。我們都知道，開車不僅僅要考慮開車，還要考慮乘車。有一種車技爛，不是把車開到河裡去，而是開車能把自己給開暈車了，不過，這個問題歸為駕駛問題當然可以，不歸為駕駛問題當然也可以。

無人駕駛是把這個問題納入了考慮，首先就需要考慮另一個問題：如何形式化的問題。乘坐體驗是一種感受，非常主觀，但要使用數學工具解決這個問題，首先就必須要將問題形式化。這個問題簡單來說，就是我們人的主觀體驗，真的可以用莫得感情的數學公式來表達嗎?

無人駕駛的研究者回答是：可以的。譬如說剎車，遇到突發情況當然要剎車，但如果剎車太硬太急，乘客又會很容易覺得噁心。這是一對矛盾，而這對矛盾完全可以用數學公式來描述，再進而找到最優解。

【編輯推薦】