想象一下：19世紀末的倫敦和紐約，雖然早已經進入了第二次工業革命時期，輪船和火車也已經普及開來幫助人們運送貨物和乘客，但在這些特大城市的大街小巷中，你所能看到最多的畫面，依然是那些來來往往的馬匹及馬車。它們笨重、緩慢地踏在泥濘的馬路上，滿足當時人們的日常運輸需要……
這種狀態一直持續到19世紀80年代的一天，德國人卡爾·本茨成功地研制出了世界上第一輛內燃機汽車，一舉奠定了直到今天的汽車設計基調，而人類的交通史也從此徹底改變了。
在這之后，福特在上世紀初試著制出了第一臺流水線汽車；30年代，厄爾為當代汽車設計定下了基調；40年代，通用大規模制造了第一批帶自動變速器的汽車；50年代，奔馳開始將安全氣囊列為標配之一；60年代，克萊斯勒為汽車搭載了ABS系統……
在過去的一百年間，汽車的制造與設計工藝歷經了飛速的發展，如今的制造商們為了滿足用戶日益更替的需求已研發出了不計其數、各式各樣的車輛。這些代表著人類智慧的結晶已遠遠不像百年前，只能作為代步工具使用——基于空氣動力學的流線型外觀設計、風格多樣的內飾、先進的動力系統和安全措施、人性化的娛樂及駕駛輔助功能都讓駕車完全變成了生活的一部分，在各個方面優化著人們的駕駛體驗。
不僅如此，作為人類最重要的交通工具，汽車革新的腳步從未停下。步入21世紀，汽車的發展仍在飛速地進行著，而這次人們所關注的主題則是“兩化”——電子化與智能化。新興的電子技術取代汽車原來單純的機電液操縱控制系統，以適應對汽車安全、排放、節能日益嚴格的要求。另一方面，隨著汽車電子技術的發展，汽車智能化技術也正在逐步得到應用。智能發動機控制、自動變速、動力轉向、電子穩定程序、主動懸架、安全氣囊、防碰撞、防盜、巡航行駛、全球衛星定位等不勝枚舉的智能化自動控制系統已然進入了人們的視線。而作為這些功能的迭代和更新，對人類的交通史有著劃時代意義的技術——自動駕駛（無人駕駛/智能駕駛）——也越發成為了人們關注的焦點。這也是今天我們所要關注的話題。
自動駕駛——一場技術革命
首先什么是自動駕駛？通俗易懂地說，自動駕駛就是可以階段性地解放駕駛員的雙手，讓車輛在脫離人為干預的情況下自行行駛至指定目的地的技術。實際上，自動駕駛是一個比較寬泛的感念，它包含了許多為了達成上述目的而衍生出的汽車輔助技術，有一些機構按照駕駛員從完全掌控駕駛到汽車完全自動駕駛的實現程度對自動駕駛技術進行了級別劃分。目前有這樣兩家比較權威機構：美國機動工程師協會（SAE），以及美國高速公路安全管理局（NHTSA）。SAE將自動駕駛程度分為5個級別，NHTSA將自動駕駛分為4個級別，兩者的劃分原則基本相同，只是SAE對高度自動化駕駛的劃分要更細一些。
0級自動駕駛：人類駕駛員負責汽車工程師學會所稱的“動態駕駛任務”的所有環節。“動態駕駛任務”是指控制車輛所采取的行動。可能有些系統（如自動緊急制動系統）會為司機提供幫助，甚至在特定情況下進行干預。但是，由于這些系統沒有持續參與完成“動態駕駛任務”，因此它們還不能稱為“自動化”系統。
1級自動駕駛是輔助駕駛系統，能持續提供轉向或加速和制動控制，但只在限制條件和特定情況下提供。自適應巡航控制系統被認為屬于1級自動駕駛：該系統可控制加速和制動，從而使汽車在公路上與前方車輛保持一定距離，但人類駕駛員仍然需要負責駕駛中的所有其他方面。
2級自動駕駛也是輔助駕駛系統，但既提供轉向，也提供加速和制動控制，同樣是在限制條件下提供。由于人類駕駛員需要定時干預，該級別的自動駕駛程度仍然不高。特斯拉最初的Autopilot雖然是比較先進的一個系統，但被認為屬于2級自動駕駛系統。
3級自動駕駛是我們開始進入實際自動駕駛的級別。該級別的自動駕駛是“有條件的自動駕駛”，這意味著只有在一定條件下自動駕駛系統才能運行。但一旦開始運行，汽車就完全自動駕駛。通用汽車公司新的Super Cruise系統就屬于3級自動駕駛。同樣，特斯拉最新版本的Autopilot也屬于該級別。3級與2級自動駕駛的差異在于自動駕駛的程度：系統運行時，人類駕駛員通常無需進行干預，但仍需在一定程度上保持警惕，以在系統提示需要人類接管時介入。
4級自動駕駛屬于“高度自動駕駛”。一般來說，我們使用4級自動駕駛來描述完全自動駕駛的系統。除了某些特殊情況，一般無需人類干預。依靠特殊地圖工作的自動駕駛汽車（如目前正在研發中的大多數汽車）屬于4級自動駕駛：只要是有地圖的地方，這類汽車都能實現完全自動駕駛，而無需人類干預，但并非在任何地方都能自動駕駛。
5級自動駕駛屬于完全自動駕駛：只要是人類能夠駕駛的地方，該類型汽車都能駕駛。只要有可通行的道路，這種車能去任何地方，任何時候都無需人類駕駛員干預。
正如上述所說，自動駕駛概念最初興起主要是體現在輔助駕駛技術上，漸漸的，一套名為ADAS（advanced
driver-assistance
systems）即高級輔助駕駛系統的應用出現在了各個汽車品牌的豪華車型上，這些功能包括：緊急制動，倒車攝像頭，自適應巡航控制，自動停車系統等。隨后，在行業監管機構的督促下，這些功能被納入了每一種車型，快速地滲透到了大眾市場。截止至2016年底，ADAS的普及已產生了價值約為150億美元的市場。
全球范圍內，ADAS系統（例如夜視和盲點車輛檢測）系統的數量已從2014年的9,000萬臺增加到2016年的約1.4億臺，僅在兩年內就上升了50％。
其中不乏一些革命性功能相較其它功能更能吸引消費者的目光。
例如，從2014年到2016年，環繞立體停車系統的采用率增加了超過150％，而自適應前照燈系統的數量在同一時間內則只上升了約20％。
而促成技術擴散主要原因可以說有兩個：消費者日益變高的購買意愿以及不斷下降的成本價格。麥肯錫最近的一項調查發現，在美國，平均每位司機愿意為各種不同的ADAS功能額外花費500至2,500美元。同時，盡管起初ADAS只被用在豪華車型上，但現在許多汽車設備制造商們（OEM）也已開始愿意為20,000美元范圍內的汽車提供ADAS部件了。毋庸置疑，人們對新技術的適應將為日常駕駛帶來越來越多的便利。如今，配備ADAS的車輛不僅可以在公路上做到自動導航，加速和制動，而且還能在日常行駛中自行采取緊急措施以規避車禍及可能發生的碰撞。而一些龐大的商用客運車則更可以利用ADAS在有限的距離內將車輛停靠進非常狹窄的車位中。
那么，帶有ADAS的車輛已經成了我們所說的自動駕駛汽車了嗎？
事實上，即便ADAS在過去的數年間已取得巨大的跨越，但時至如今，整個汽車行業甚至仍未確定一個公認的半自動車輛（如SAE
3級自動駕駛）的最佳技術原型，可以說對于自動駕駛技術的開發仍然處于測試和精煉階段。
以3級自動駕駛汽車為例，目前，較為成熟的技術解決方案一共有三種，分別以硬件上不同的對象感知方式加以區分：
依賴相機系統為主的相機雷達模式，雷達作為數據補充；
依賴雷達感應為主的雷達相機模式，相機作為數據補充；
結合光檢測和測距（激光雷達），雷達，攝像機系統和傳感器融合算法的混合模式，能以更細致的級別了解環境。
這些不同系統首先成本各不相同，混合方法是其中最昂貴的。同時，每個系統都有其自身的優缺點。如雷達相機模式可以在高速公路環境中運行良好，在這種環境中車流量等信息相對容易預測，并且對映射到現實環境所需的距離信息不太嚴格。相較而言，混合模式則更適合人口稠密的城市地區，這種模式對距離的精確測量可以幫助車輛沿狹窄的街道行駛，并能識別較小的目標物體。
踏向完全自動化的漫漫長路
在未來五年內，很可能會出現符合SAE高自動化等級4標準的車輛。這些車即便在駕駛員不干預的情況下，也能適應各種不同的駕駛場景。雖然現今的技術已經完全可以讓如此高度智能化的汽車在某些現實場景下進行測試，但真正要確認其可靠性仍然需要好幾年的時間，這主要是因為這些智能系統必須積累大量“罕見車況”的駕駛經驗才能確保達到可靠性和安全性的標準。另外，開發商起初在設計這些系統的時候都是基于特定的使用場景和地形，這就是所謂的“地理圍欄”。故另外一個條先決件便是，自動駕駛系統在特定情況下成功運行的同時也能夠進行額外的自我調整，以適應地理圍欄擴大時所接觸到的更廣泛的場景和地形。
想象一下，在沒有車道標記的情況下，或在未鋪砌的道路上，自動駕駛系統必須能夠“準確地猜測出”哪些區域更適合車輛的移動，這必定是一個十分困難的視覺問題，特別是如果路面與周圍環境沒有顯著差異時（例如，道路被雪覆蓋）。事實上，自動駕駛汽車要達到SAE
4級和5級最大的困難在于車輛需要在沒有任何環境限制的條件下正常運行，比如未事先記錄的區域或是沒有行車道的地方，又或者是包含重要的基礎設施和環境特征。考慮到工程師必須完成的測試數量隨著路況多樣性呈指數增長，構建一個要在（大部分）不受限制的環境中良好運行的系統將需要更多的努力。
真正的障礙并不是硬件
鑒于目前的發展趨勢，全自動車輛可能難以在未來十年內實現。 主要的絆腳石是其所需軟件的開發。 雖然硬件創新將提供足夠的計算能力，而且價格（尤其是傳感器）可能繼續下滑，但軟件仍然是一個關鍵的瓶頸。
事實上，目前已有的硬件水平已經很接近一套完美自動駕駛系統正常運行時所需要的水準。例如，專家們預期，我們在不久的將來就能擁有滿足需要的圖形處理單元（GPU）及中央處理單元（CPU）計算能力。
此外，用于傳感器的照相機已具有成熟的視距，視角以及分辨率（但在惡劣的天氣條件下仍存在著明顯的局限）。車用雷達在技術上也已較為成熟，可以說是在惡劣天氣和路況下進行探測的最佳選擇。能提供最佳視野的激光雷達系統則可在360個角度做到高度粒度呈現。雖然這些設備目前價格昂貴而且有的“體型”巨大，但是在未來一兩年內，其中一定會有一些值得商業化的，小型且便宜的設備進入市場。事實上，已有一些高科技企業宣稱已經將激光雷達的成本降低到了500美元以下，還有的公司已經推出了一套價值約為10,000美元的全方位自動駕駛硬件系統（大約有十幾個傳感器），當然這些公司必然得先要了解5級（完全自主）自動駕駛車輛所需的理想傳感器數量。
難以逾越的軟件瓶頸
然而現今，距離開發出能夠充分利用自動駕駛車輛全部硬件潛力的軟件還有一段路要走。而且考慮到問題的復雜性和研究性質，開發時間表幾乎已停滯不前。
例如面前便有一個復雜且急需被解決的問題，自動駕駛汽車必須學會如何協調：同時涉及駕駛員及其它自動駕駛汽車的駕駛模式以及高精度但卻易于出錯的GPS傳感器之間的平衡。想要克服諸如這樣的難題不僅需要大量的前期研發工作，長期的測試和驗證也是必不可少的。
有三類問題可以說更具體地闡釋現今自動駕駛系統軟件方面所存在的缺陷：
首先便是用于識別并解析物體的對象分析技術，這對自動駕駛系統來說可以說是既基本又關鍵。舉例來說，該系統應該至少能輕易地區分出一輛摩托車是靜態的還是正在街道一側行駛著，且在這有限的、給到的對象分析時間內還需要捕捉到這兩者之間的關鍵差別。
對象分析中首當其沖的難題便是物體識別，根據一天中不同的時間、背景和任何可能的偏移，這項任務都可能變得極其困難。此外，用于驗證對象實體和類型所用到的傳感器融合技術目前也難以完美實現，這主要是由于系統需要用來進行對比的數據類型之間存在著巨大的差異——點云（來自激光雷達），對象列表（來自雷達）以及圖像（來自相機）。
決策制定是第二個難題。為了盡量模仿人的決策能力，自動駕駛系統必須完全經歷過“過量、強化而又綜合”的真實場景訓練。但問題是，理解并標注每一個不同場景的信息及畫面對如今的自動駕駛系統來說絕非易事。同時，將所有場景問題都以條件假設的形式歸類（如果……那么……），或將它們進行窮舉都幾乎是毫無可能。如今，對此最好的解決方案便是以及機器學習技術為核心的人工智能。開發者們在建立一套基于條件假設規則的數據庫同時，以人工智能的方法訓練出足夠智能的決策模型，以彌補系統在那些規則之外的場景應用。但即便如此，要開發出這樣的人工智能系統仍是一件極其困難的任務，同樣離不開巨量的開發、測試和驗證工作。
第三，自動駕駛系統還需要具備一個自主故障預防機制，這種機制能在系統出現故障的情況下盡量避免將乘客以及汽車周圍的人陷入危險之中。然而，我們很難去檢查或驗證系統在每種情況下的響應狀態及決策結果。目前甚至只建立一個極端的保障措施——讓汽車及時停下以避免最壞的情況發生——也很難做到，開發者們仍然在經歷極度冗長測試階段。
以上便是本次《前篇》的所有內容。在《后篇》中，我們將再來具體地聊聊：在實現完美自動駕駛技術的過程中，我們還需要克服哪些技術難關，以及我們在加快技術革新的同時，還需要面對哪些問題。敬請期待。
注：數據及部分資料來自麥肯錫
—— 專注于大數據與人工智能 yuyidata.com
