緊接上篇，本期我們將來具體地聊聊：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。
以完全自主駕駛為目標
無論是哪個開發商，若他們試圖開發出一套成熟的完全自主駕駛系統，圍繞著幾個因素的問題是不可避免的，接下來我們就來具體看一下所涉及到的技術要點：
簡單來說分成三部分：
1 感知、定位和映射
為了讓自動駕駛技術更加成熟，自動駕駛相關領域的企業首先必須克服的就是感知、定位以及映射三個問題。
感知，即感應、傳感系統的研發和精進。對于現在的自動駕駛開發商來說，主要任務是在確保技術可行性與穩定性的前提下，盡可能地壓縮測試及驗證時間。目前最為接近理想系統的解決方案有兩項：
雷達，聲納及相機系統。為了感知整體環境中的車輛和物體而使用的雷達，聲納及相機系統。這種方案雖然難以深層次地評估環境特征，但其對硬件處理能力的要求較低，功耗更少。
激光雷達增強系統。 第二種方法是基于原有雷達相機系統，通過激光技術進行感應增強。這種方式需要更強的數據處理能力和計算能力，但在各種不同環境下，尤其針對那些復雜、擁堵的路況，這種方式則更為穩定。
目前，研發者們已經能在越來越多的自動駕駛一線場景中體驗到激光雷達增強技術的優勢及重要性。專家們相信，這種最新的解決方案日后一定會被越來越多的自動駕駛開發商青睞。當然這也絕離不開其核心技術的不斷迭代與優化。
（地圖）映射/（地圖）繪制，即將（實時）接收到的周圍信息及路況繪制到數字地圖上。目前同樣有兩種方案可供開發者們選擇：
細度映射。即高清地圖繪制，這種方案一般是為了構建擁有極高分辨率（HD）的地圖。開發者們需要自行駕駛配有激光雷達和高清攝像機的車輛沿著目標道路反復行駛，通過傳感器創建具有周圍360度細節環境信息（包括深度信息）的3D高清地圖。
特征映射。這種方案不一定需要激光增強，而是只采用高清攝像頭（以及雷達）方式來映射該路段中只對自動導航有用的特征信息。基于這套方式，系統可以識別例如行徑路線中的車道標線、道路邊界、交通標志、橋梁等和路況息息相關的目標對象。相對于細度映射，這種方式無法提供太多的細節信息，然而其處理速度及更新也更便利。
被抓取的數據通常仍需要被進一步分析來提取其關鍵信息，例如帶有時速限制的限速標志，其中關鍵的速度值是需要被系統準確識別的。目前很多開發者都會同時采用兩種繪制模式，他們會通過駕駛一只小型車隊的方法來進行信息的采集和更新，誠然成本依舊很高。
定位，即確定一輛汽車在環境中的準確位置。對自動導航來說，定位技術無疑是一項極其關鍵的“先決條件”。事實上，定位技術早已是我們日常生活中必不可少的一部分，各種地圖導航、生活信息類應用等都有涉及。然而對于自動駕駛來說，顯然常規定位技術并不能滿足其精度需求，他們所采用的方案主要為以下兩種：
高清匹配定位。這種方式主要是利用車載傳感器（包括GPS）將自動駕駛汽車所感知到的位置細節與相應的HD地圖進行比較，為車輛提供了一個可識別且擁有高精度的參考點。基于此，自動駕駛汽車可以確認其所處在的確切位置（甚至可以精確到車輛行駛線的位置）以及其駕駛方向。
非高清GPS定位。顧名思義，這種方案完全是依靠GPS來進行近似定位，再使用自動駕駛汽車本身的傳感器實時監測周圍環境變化，以此不斷精煉位置信息。舉例來說，這種系統可以結合GPS位置數據與車載攝像機所拍攝到的圖像，通過逐幀比較分析來減少GPS的定位誤差。要知道，目前全球定位系統在水平方向定位上（95％置信區間）的誤差為8米左右，這完全有可能讓自動駕駛汽車行駛在相反的車道上…
技術上，以上這兩種方法在很大程度上都依賴于慣性導航系統和測距數據。經驗表明，第一種方法通常在需要實現較多精準定位的要求時能表現得更可靠；而第二種方法則更容易實施，因為其不需要HD地圖。考慮到兩者之間的準確性的差異，現在比較靠譜的方案是在車輛位置的精確信息對導航無關緊要的地區（例如農村和人口較少的道路）采用第二種方法；而在城市中，尤其是路況比較復雜，車流量較多的環境中則采用第一種。
2 決策制定
理論來說，全自動駕駛汽車需要在每一英里的行駛過程中正確而又一致地做出上千個重要決策。巨大的任務量不說，考慮到最敏感的安全問題，自主決策系統的正確率無疑將會被嚴格要求，這給開發者們提出了巨大的難題。目前業內主要通過三個途徑來實現這個要求：
神經網絡。這是一種以機器學習為核心的人工智能技術，通過大量的測試數據，訓練出足夠精準的決策模型。為了確定具體的情景并作出適當的決策，今天的決策系統主要采用神經網絡。 然而，這些網絡的復雜性使得人們難以理解某些決定背后的邏輯，也就無法有效的進行人為干預。
基于規則的決策。即非常傳統的條件假設模式。工程師們需要想出了所有可能的“如果……那么……”規則組合，然后將基于這些規則的程式編寫進車輛系統。可想而知，這種方法需要投入大量的時間和精力，且面對多變及未知的路況，“規則”不可能覆蓋到方方面面，也讓這種方案變得難以實現。
混合方法。截至目前，許多專家認為采用神經網絡和基于規則編程的混合模式才是最佳解決方案。開發人員可以通過為集中式神經網絡引入特定的加權樣本訓練數據來緩解其固有的復雜性問題。而那些規則即是最好的額外樣本數據來源。
雖然就目前來說仍然有諸多限制，例如訓練模型的準確度及對海量數據的依賴，然而被業界認同的是，混合方法，特別是結合了統計推斷模型的決策系統，已成為了當今最主流的決策制定手段。
3 測試及驗證
可以說整個汽車行業在測試和驗證技術方面都擁有著豐富的經驗，然而對于自動駕駛汽車而言測試的范圍及量級都會產生更大的考驗。這里簡單介紹一下目前比較常規的幾種方案。
蠻力。工程師簡單粗暴地讓車輛在真實環境中行駛數百萬英里，從統計上確定系統是否能按預期一樣安全運行。這種方法的最大難點是在于其所需的巨大里程數，需要消耗大量的時間及資源來積累。有研究表明，一輛自動駕駛汽車需要大約2.75億英里的測試里程，才能以95％的置信度確保他們的事故率在每1億英里至多造成1.09人死亡，但這卻已經相當于美國2013年的死亡率。根據估算，為了達到比人類駕駛員更好的安全表現，自動駕駛汽車所需的測試里程數需要達到數十億。
然而我們稍加計算便會發現，如果100輛自動駕駛汽車每年365天，每天24小時，以每小時25英里的平均速度行駛，則需要十年以上才能達到2.75億英里。顯然，光靠“蠻力”進行測試和檢驗是無法滿足現在的研發需求的。
軟件在環仿真以及模型在環仿真。一種更可靠的、結合了現實世界與模擬環境的測試方法。這種方法可以大大減少車輛所需的測試里程數，且其技術實現在整個汽車行業中也已相當成熟。模擬行駛的車輛通過算法來經歷各種不同的測試環境并以此確認這個系統是否能在任何情況下都做出正確的判斷。
硬件在環（HIL）仿真。這種方法主要是通過將預先記錄好的、不同場景的傳感器數據輸入系統，從而檢查實際硬件的反應可靠性。HIL仿真大大降低了實際測試的成本，同時由于可以進行多次反復的場景驗證，也提高了測試結果的可信度。
以上三種測試模式各有自身的優劣勢。事實上，為了確保解決這個領域最關鍵的安全問題，以上所有的方法都將會被用于實際自動駕駛車輛的測試過程。當然，開發商們仍需要找到一種混合模式，將一輛完整自動駕駛車輛所需的測試時間壓縮到最短。
加快進程
雖然在上文我們曾提過，根據目前的技術評估，要在現實生活中引入大量完全自動駕駛汽車還需要十多年的時間。然而，對整個行業以及那些尖端企業來說，仍存在幾種途徑能幫助縮短這個時間范圍。
首先，那些自動駕駛領域的玩家們應該要意識到，單個企業獨自研發整個自動駕駛汽車所需的軟件及硬件系統是極度困難的，他們需要更加善于合作并形成行業伙伴關系。具體而言，他們可以與那些非傳統行業參與者聯系起來，例如技術創業公司和原始設備制造商。從細化層面來說，這意味著與戰略上重要的細分市場公司（如激光雷達和測繪供應商）進行合作。
其次，開發及驗證一項私有解決方案可能過于昂貴，因為它們需要少數自動駕駛玩家來承擔所有責任并分擔風險。開放的思維方式和共同制定的行業標準不僅會加快技術進步，而且會使通用系統的開發更加健全。而各個組件之間的互相協作最終也會催生出一種靈活的模塊化即插即用系統開發框架。
另一個加速行業發展的方法則是轉向整個體系的發展。目前業界太過于重視那些具體組件或系統研發，卻對整個整合系統及其體系的完善視而不見。尤其是考慮到自動駕駛系統存在的巨大安全隱患，這點急需受到重視。事實上，讓自動駕駛汽車在其整個生命周期中達到像航空業一樣的可靠性及耐久性標準，很可能會成為整個產業新的使命，而強調整個自動駕駛體系的發展則可能是達到該目的最有效的手段。
變革中所產生的問題
毫無疑問，自動駕駛技術的成熟無疑將會為我們帶來一個全新的交通運輸時代，但在此之前，整個行業仍解決許多問題才能讓這一切變成現實。
我們現在已經能夠看到，ADAS系統可以極大程度上減輕駕駛的負擔，并使其更安全。然而在某些情況下，技術也會造成問題。其中一個問題便在于：人們過于信任或依賴這些新系統。這不是一個新奇的現象。二十世紀九十年代，當安全氣囊慢慢變成汽車的主流配置時，有一些司機及乘客把這這種進步誤以為一個暗示——讓他們以為現在安全帶已經變成了多余，他們完全可以不用系上安全帶，這種幻覺在即便到現在都在不停地制造額外的傷亡。
又有一個類似的問題，很多駕駛員會高估ADAS的自動化能力。
例如，自適應巡航控制系統在汽車跟隨另一輛汽車時能良好地運行，但在檢測靜止物體時則不一定能正常工作。然而很多對這種自動化巡航功能過度信任的司機都因為沒有及時干涉而產生了與其它車輛或物體的碰撞，造成了不計其數的損失。這無疑為我們敲響了警鐘，可以說即便是今日的ADAS功能仍然存在許多不同的限制，而這一點卻常常使一些駕駛員所誤解。
事實上就美國而言，因司機注意力不集中導致的事故每年造成了近3,500人死亡，傷員39.1萬人。然而，專家預計，在引入可以提供“先進自主控制系統”的自動控制車型之后，最初的車禍數量將不會急劇下降，且仍然要求司機做好充分地防故障措施。
那些安全專家早已指出，駕駛半自動車輛的司機很可能會因過度信任自動駕駛系統，在開車的時候看手機或發短信，而在需要自行控制車輛的時候又對身處的環境和位置缺乏了解從而造成車禍。專家指出，當他們重新掌握方向盤時，他們必須馬上了解周圍環境，確定車輛的位置，分析危險，并采取一定的安全措施。我們假設汽車以每小時65英里的速度行駛，那車輛需要不到四秒鐘的時間就可以開過一個足球場的長度，而駕駛員要在這段時間里規避這么大范圍內所存在的安全隱患可以說是難以實現。總的來說，駕駛員離開駕駛的時間越長，需要重新掌握信息的過程就越長，而事實證明大量交通事故都發生在這段時間內。
2009年，一架商用客機由于飛行員沒有及時干預其自動導航，飛機飛過了其原本的目的地機場多達150英里之遠…而對于半自動車，“空域”（地面）更加擁擠，“飛行員”（司機）訓練也較差，對于長時間駕車且過度信任ADAS的司機而言無疑也更危險。汽車制造商們因此仍不得不開發更完善的人機交互系統，以確保新技術會拯救生命，而不是造成更多的事故。
寫在最后
完全自動駕駛汽車很可能在未來的幾年內就會到來，然而現在企業們就已經得對最終自動駕駛汽車的形態下好賭注：這些屬于未來的車輛將如何制定決策，如何感知周圍事物以及確保人們的交通安全等等。如今那些嘗試著去塑造、（可能的話）控制行業中各個戰略要素的大企業們，將很快面對眾多具備著豐富資源及競爭力的玩家，在激烈的競爭中，連他們內部最高位的人士都可能會被隨時挖走。鑒于如此狂熱的態勢，無論是哪類企業，若試圖想從這片藍海中分得一杯羹，則必須在策略上把握好自身的定位，并抓牢這個領域中自己所具備的優勢。同時，也需要那些監管機構在確保社會安定、交通安全的前提下盡量不要妨礙這場巨大的變革競賽。
注：部分數據及資料出自麥肯錫
—— 專注于大數據與人工智能 yuyidata.com
