自動(dòng)駕駛也屬于AI范疇，為什么遲遲不能落地呢？今天就圍繞這個(gè)問題延伸下去感知、決策、控制是自動(dòng)駕駛的三個(gè)技術(shù)環(huán)節(jié)，但真正的難點(diǎn)在哪呢？。。

技術(shù)的車輪滾滾向前，每隔一段時(shí)間當(dāng)前技術(shù)就會(huì)被新技術(shù)更新或迭代。2017年AlphaGo戰(zhàn)勝冠軍棋手柯潔，并橫掃了整個(gè)圍棋界選手，讓人類為之震驚，也拉開了人工智能（AI）深度學(xué)習(xí)時(shí)代的序幕。然而自動(dòng)駕駛也屬于AI范疇，為什么遲遲不能落地呢？今天就圍繞這個(gè)問題延伸下去。

感知、決策、控制是自動(dòng)駕駛的三個(gè)技術(shù)環(huán)節(jié)，但真正的難點(diǎn)在哪呢？

感知既是對(duì)周圍環(huán)境的了解，如同駕駛員的眼睛和耳朵。感知的設(shè)備無非是攝像頭、聲吶、各種各樣的雷達(dá)，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(dá)穿透能力弱；激光雷達(dá)無法識(shí)別顏色、文字且造價(jià)高昂，或多或少都存在缺陷。而多種感知設(shè)備組合則成為最優(yōu)的解決方案，彌補(bǔ)了之間的不足，所以各個(gè)車廠的感知設(shè)備也大同小異，目前主要的難點(diǎn)是如何壓縮成本。

自動(dòng)駕駛汽車頂?shù)募す饫走_(dá)

控制是對(duì)車輛的掌控，如同駕駛員的手腳。車輛的加速、剎車、轉(zhuǎn)向等皆屬于控制范疇，然而這些控制沒有太高的技術(shù)要求，定速巡航、自動(dòng)剎車、自適應(yīng)巡航、自動(dòng)泊車等功能已經(jīng)在車輛控制方面積累了相當(dāng)多的經(jīng)驗(yàn)，所以自動(dòng)駕駛的難點(diǎn)并不在控制。

特斯拉自動(dòng)駕駛儀表顯示

決策是通過感知收到周圍的信息，計(jì)算出最優(yōu)的方案，把信號(hào)傳送給控制機(jī)構(gòu)，如同駕駛員的大腦。決策環(huán)節(jié)承上啟下，是決定汽車行駛的關(guān)鍵，所以自動(dòng)駕駛的重點(diǎn)和難點(diǎn)皆聚于此！

*數(shù)據(jù)積累

圍棋人機(jī)大戰(zhàn)轟動(dòng)一時(shí)，但AlphaGo在學(xué)習(xí)圍棋技能時(shí)，通過大量數(shù)據(jù)分析了3000多萬步職業(yè)棋手棋譜,并通過增強(qiáng)學(xué)習(xí)的方法自我博弈,尋找比更優(yōu)的棋路，才取得了傲人的成績。而自動(dòng)駕駛汽車也需要海量里程的實(shí)際路測，2016年美國智庫蘭德公司給出了一個(gè)準(zhǔn)確的答案：路測里程需達(dá)到110億英里。大量的路測試驗(yàn)以及后期分類標(biāo)定、數(shù)據(jù)處理，尚且存在著許多不確定因素。如果各個(gè)車廠能把自己的數(shù)據(jù)共享，可能會(huì)加速自動(dòng)駕駛的落地，但很顯然核心數(shù)據(jù)是保密的！

HERE地圖上線云導(dǎo)航服務(wù) 加強(qiáng)自動(dòng)駕駛

*邏輯難題

在現(xiàn)實(shí)生活中，路況千變?nèi)f化非常復(fù)雜，自動(dòng)駕駛稍有不慎就會(huì)造成人員傷亡。除了海量的數(shù)據(jù)分析及預(yù)設(shè)的決策依據(jù)，如果想要在非鋪裝路面或特殊環(huán)境保持高精度自動(dòng)駕駛，還需要AI在自動(dòng)駕駛領(lǐng)域的進(jìn)一步發(fā)展與利用。

雖然交通法規(guī)日益健全，但全世界范圍內(nèi)依然存在著不遵守交通規(guī)則的人、自行車。有個(gè)很經(jīng)典的事故假設(shè)：一輛快速行駛的自動(dòng)駕駛汽車，但前方路口有多人違反信號(hào)燈橫穿馬路，僅有一人在路旁等候，這時(shí)就需要自動(dòng)駕駛?cè)Q策，是直行剎車撞多人還是轉(zhuǎn)向剎車撞一人！這不僅僅是交通法規(guī)、法律的范疇，還有道德、人性的因素包含其中，自動(dòng)駕駛它能懂嗎？

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究

*算法難題

在既定的決策范圍內(nèi)，更多的樣本數(shù)據(jù)是通過深度學(xué)習(xí)去理解、分析的。深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，它通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)已經(jīng)席卷了AI領(lǐng)域，但深度學(xué)習(xí)并不是萬能的！深度學(xué)習(xí)沒有分析能力，不知道原因也無法預(yù)測，它基本上取決與樣本以及所要求輸出的特征值。很顯然，對(duì)于高精度自動(dòng)駕駛來說，深度學(xué)習(xí)需要更理性的決策！