阿波羅新聞網新聞 > 科教 > 正文

自動駕駛為何遲遲不能落地 絆腳石到底是誰?

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,也拉開了人工智慧(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了解,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。

特斯拉自動駕駛儀錶顯示

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路的研究

*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路的研究,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,以發現數據的分散式特徵表示。

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!

阿波羅網責任編輯:夏雨荷 來源:ZOL科技早報 轉載請註明作者、出處並保持完整。

科教熱門

相關新聞

➕ 更多同類相關新聞