返回 登录
0

Andreessen Horowitz 关于自动驾驶汽车的未来的演讲

本文作者Artur Kiulian,现任Capitan Inc CEO,曾任CrowdFood全栈工程师、技术总监
译者王安阳,上海交通大学研究生在读
原文请点击这里
本文由作者授权CSDN翻译,未经允许不得转载

“我热爱和自动驾驶汽车有关的所有东西,因此我修习了Udacity(优达学城)的自动驾驶汽车工程学位。这也是为什么那段由a16z上传的视频吸引了我。Frank Chen(a16z的合伙人)回答了大部分关于自动驾驶汽车的常见问题,而我决定在此对这些问题逐一进行深入探讨。”

图片描述

自动驾驶汽车的发展是逐步迭代还是一步到位?

我想提出一个大胆假设——“一切移动都变成自主移动”,我们所讨论的不单单是载客车,也包括所有货车,无人机,购物车甚至玩具都将自主运行。人类的干涉将逐渐退化,受到限制甚至变得违法。

图片描述

那么我们如何能达到这个目标?Society of Automotive Engineers 提出了一个发展计划,共分为6个阶段。

图片描述

第零阶段:纯手动阶段。完全凭借人来操作汽车。

第一阶段:辅助驾驶阶段。我们现在的汽车大部分处于这一阶段,这阶段的汽车配备防抱死制动、自动巡航等辅助系统解决驾驶过程中一些相对不重要的环节的自动化。

第二阶段:部分自动化。汽车系统已经能够接管部分情况的控制,但驾驶员仍然需要随时监视汽车。例如,高速公路上的有人自动驾驶可以在这一阶段实现。

第三阶段:条件自动化。驾驶者可以不需要一刻不停地监控着汽车状态,但必须能够随时接管汽车控制。这意味着驾驶员不用始终手握方向盘,但当紧急情况发生时,可以立刻手动操控,系统能够快速识别并完成自动到手动的切换。

第四阶段:高度自动化。汽车可以应付大部分情形,如自动泊车,常规行驶的部分操作都不需要人为操控。

第五阶段:完全自动化。自动驾驶的终极目标是达到这一阶段,汽车可以应付所有的行驶情况,不再需要任何人工干预,汽车完全听从于系统的自主控制。

传感器:激光还是其他?

下一个问题是要探讨应用何种硬件能够实现第五阶段的目标。是否需要一些新型的传感器或是对现有传感器进行改良。

诸如Google的一些公司依赖的是激光雷达技术。激光雷达是激光探测及测距的简称,是一种使用激光脉冲来测量到周围环境距离的遥感技术。三维的激光测距图谱与相机,智能软件相结合,可以提供汽车自动驾驶所需的信息。

图片描述

目前的实现方案是在车顶安装一个移动的激光雷达装置,每个装置耗资7500美元。高昂的费用是这一技术产业化的主要障碍。一些改善的做法是把激光雷达简化为固定式的,这样成本将会减少250美元。那么立体相机如何?立体相机就像人眼一样可以捕捉三维的图像,这种相机可以让汽车不会撞到彼此。立体相机拥有激光雷达几乎所有的优点而且花费不高,但分辨率和精度是它所存在的缺陷。

新型的地图产品

所有人都在使用Google Maps,Waze,Apple Maps等地图应用,地图应用因其出色的分辨率大大地便利了人们的城市出行。但这样的分辨率不足以应对自动驾驶汽车的需求。各种这样的微观细节在地图应用中都丢失了,比如弯道,路障等信息。因为目前的地图产品是为人而不是机器准备的,而人类不需要这些信息。

因此我们是否需要为自动化汽车分化出专门的地图应用呢?似乎是需要的。但谁会来提供这一产品,这样的产品花费几何?还并不清楚。这里最有趣的问题是是否存在着行业垄断的机会。在不久的将来,当我们达到完全自动化,你不得不完全依赖于这些支撑自动驾驶汽车的基础设置。这可能就存在着制造垄断的机会。

图片描述

我们是否会看到廉价的地图,允许自动驾驶汽车以相对较低的速度和安全性运行呢?谁会来规范这个潜藏危险的灰色区域呢?

另外,这里还涉及能耗问题,因为需要在主干网络中布置超级计算机来处理这些复杂,参数量巨大的高分辨率地图,这需要消耗巨大的能源。

采用什么软件技术?

深度学习在硅谷掀起热潮,但其他传统技术也不应被遗忘。两大类方法的最主要区别在于系统是基于先验数据的学习还是基于固定的逻辑规则做决策。

图片描述

令人钦佩的波士顿动力没有使用任何机器学习技术,但仍然取得了卓越的成果。这说明传统方法仍然有很大价值,尽管固定规则的算法无法在效率上战胜像AlphaGo这样的深度学习框架,但它们仍然可以与机器学习相结合来达到更好的效果。

需要多少实验?

通过机器学习设计自动驾驶算法需要海量的数据作为学习的原材料,包括经验数据,正确操作和环境的范例数据。问题在于我们需要多少真实和模拟的汽车行驶的对比数据。实际上,已经有一些组织来尝试通过诸如OpenAI这样的开源项目来简化学习过程。我们需要保证算法可以收敛出和现实世界同样的预测结果。在虚拟世界中,可以模拟大量的情形,然而在现实世界中还需要考虑到地图分辨率和粒度的影响。

V2X会很重要吗?

V2X是一种允许汽车与周围交通系统通信的技术方案。而V2V(Vehicle to Vehicle)允许车与车彼此之间通信。

图片描述

V2X的应用场景应该包含车与交通灯的正常通信,也要包含危险事故发生时的紧急通信。近期有一段广为传播的视频,讲述特斯拉汽车可以比人更早地预见到即将发生的交通事故。可以想象,如果车辆与道路设施有良好的通信连接,大量的交通事故可以被避免。这里存在的主要问题存在于兼容性和执行效率。因为交通事故发生于分毫之间,没有时间进行冗余的通信和计算,必须迅速做出决策。每个人都能预见到V2X和V2V技术具有光明的前景,但还没有人在自动驾驶汽车起步阶段做这项工作。

我们可以抛弃交通灯吗?

在四面相通的路口,交通灯是非常低效但却不得不采用的管理手段。如果车辆之间可以彼此通信并且全面自动化,我们完全可以抛弃交通灯。这乍听起来似乎非常混乱,但它就像网络数据包一样,似乱非乱。

图片描述

取缔交通灯,需要有智能的调度算法和对交叉口路口的极端严密监控。与交通效率提升所带来的效益相比,这样的努力是非常有价值的。

汽车制造商如何应对地域化差异?

每一个城市都有其不同的行车传统,汽车制造商该如何应对这些独一无二的情形呢?同样的设计在班加罗尔(印度南部城市)有效,在波士顿则可能酿成灾难。

图片描述

“地方化”是计算机科学中的术语,意思是软件需要适应于执行它的环境。那么,在自动驾驶汽车领域会是怎样的呢?我们是否需要对不同的城市设计不同的算法呢?波士顿版,班加罗尔版等等。或者是否可以实现一个通用的算法自适应于各种不同的环境?这涉及到一个完全不同的研究领域——通过学习人和事物的运行方式来设计学习方法。总之,通过学习社会习惯和人类典型行为,可以提升自动驾驶汽车的能力。

谁会赢?硅谷?中国?还是育成性企业?

图片描述

育成性企业(Incumbents)指的是已经开始制造汽车,并拥有汽车产业完整基础设施的企业。他们是最容易获得成功的。这些公司在硅谷创立机构并积极招募研究人员来促进自己的创新,因为他们知道自动驾驶领域的创新根本上是软件创新。硅谷的本地公司——特斯拉也同样拥有机会。同时,大量的中国汽车制造商和软件从业公司,例如百度,也在大力地推进这一领域的研发进程。中国发表的深度学习论文比世界上任何一个国家都多,这非常值得关注。

买车还是买用车服务?

如果消费者行为从向汽车制造商买车转变为从诸如Uber,Lyft的公司购买用车服务,资金将会整个流向另一个方向。这将使得汽车工业更像是航空工业。你不需要挑选乘坐飞机的型号而是选择一家航空公司。汽车公司将会从B2C模式转化为B2B模式,像Uber一样出售承载服务而非汽车本身。我们将再也不会在超级碗上看到汽车品牌的广告,类似的吸引我们购车的宣传都将消失。

图片描述

保险业会发生什么变化?

保险业也会因自动驾驶汽车兴起而发生改变。现在,保险公司根据客户的统计数据,车本身的价值和居住地计算保险额。当自动驾驶时代到来,保险又将如何计算?什么会变成算法的核心标准?车辆管理者?车辆制造商?还是仍然是车的司机或者租车人。

修理费用将会发生什么变化?事故的数量一定会减少,但修理装备了激光雷达,地图分析器和各种其他精密设施的自动驾驶汽车也会更加复杂和昂贵。

图片描述

事故发生率会降低吗?

如果所有的车都变成自动驾驶的,事故率理应大幅下降。据统计24/25的事故是由人为误操作导致的。超速,精力不集中,酒驾,闯红灯都是酿成事故的主要因素。但是当处于过渡期会怎样?自动驾驶汽车和手动汽车同时存在可能导致难以想象的事故,这种情况我们还不曾遇到过。

什么时候开车会变成违法?

如果算法被证实确实比人类司机更可靠,那我们就应该禁止人类开车。但仍然有很多人热爱开车,开车将变成一项娱乐活动,但人类将不被允许在公共道路上开车。

通勤会发生什么变化?

有一种质疑声音说自动驾驶汽车可能会导致通勤时间变长,因为我们会变得对通勤时间漠不关心。然而,当所有的车都实现了全自动化,不再有交通灯和交通事故,我们可以利用通勤时间做任何事情。我们甚至可以在通勤路上像在火车和飞机上一样睡觉。通勤将从一个痛苦的事情变成一件有趣的活动。当然,如果人能居住在离工作地点近的位置无需通勤的话,将会节约很多空间。

城市会发生什么变化?

自动驾驶汽车的普及将会带来一系列的连锁反应,这些变化是难以预测的,就像无法预测沃尔玛的奇迹一样。这些影响将会完全改变我们的社会,带来大量未知的机遇。

图片描述

改变将什么时候发生?我们什么时候会用上自动驾驶汽车?

业内人士对此有很多种预测,预测自动驾驶汽车大约到来的时间是2020年到2040年。有生之年我们必将看到这个美妙变化的发生,而我们要关心的是自己是否准备好迎接这些变化。

图片描述


【CSDN_AI】热衷分享

扫码关注获得更多业内领先案例

图片描述

评论