邓志东教授：自动驾驶技术路线及未来趋势分析
目前，自动驾驶已经成为科技圈中的热点话题，谷歌、苹果、Uber、百度等科技公司，都把自动驾驶作为今后的重点来发展。而我国也在对自动驾驶汽车、自动驾驶大巴、自动驾驶地铁、自动驾驶高铁等进行研究。由此可见，自动驾驶已经成为未来主流方向。
邓志东（清华大学计算机科学与技术系教授）
11月13至14日，由OFweek中国高科技行业门户、高科会主办，OFweek人工智能网承办的“OFweek2017中国人工智能大会”在深圳举办。清华大学计算机科学与技术系的邓志东教授在《自动驾驶技术现状与趋势》主题演讲中，与大家一同探讨了自动驾驶技术路线，以及未来方向。
L3与L4的产业落地
对于汽车驾驶模式，美国SAE汽车工程师协会认为总共有六个分级，L0是完全人类驾驶，L1是辅助驾驶，L2是自动驾驶，L3是有条件自动驾驶， L4是无人驾驶，现在产业关注的焦点是在L3和L4。而L5是所谓真正的无人驾驶，离现在还比较遥远。邓志东教授认为，L3和L4是有可能实现和产业落地的。基于纯感知的自动驾驶，环境感知必须与环境建模相结合。
随后，邓志东教授针对自动驾驶的不同技术路线进行了具体探讨。Tesla采用的是视觉主导，谷歌则是激光雷达主导。在不同技术路线中，所使用到的传感器主要有激光雷达、毫米波雷达以及摄像头三类，且各具优缺点。那么，自动驾驶该由视觉主导还是激光雷达主导？
邓志东教授认为，自动驾驶环境感知的技术路线主要有两种：一种是以特斯拉为代表的视觉主导的多传感器融合方案。另一种以低成本激光雷达为主导，典型代表如谷歌Waymo。
1、视觉主导，以特斯拉为代表：摄像头+毫米波雷达+超声波雷达+低成本激光雷达。
摄像头视觉属于被动视觉，受环境光照的影响较大，目标检测与SLAM较不可靠，但成本低。目前，特斯拉已经在其量产车上列装了Autopilot 2.0固件，而且成本较低，只有7000美金左右，使用8个摄像头组成单目环视，有1个毫米波雷达和12个超声波雷达，希望从L2跳跃到L4。
经过半年的努力，特斯拉近期已经完成了将路测大数据从Mobileye单目视觉技术过渡到基于Nvidia Drive PX2计算硬件平台的特斯拉Vision软件系统上，并且在今年3月底发布了8.1软件版本，它用深度学习的方法在短期内基本达到了Mobileye的技术水平，这是以前很难想象的。特斯拉的自动驾驶技术究竟怎么样，一个重要的观察点就是看它能否在2017年年底，如期从洛杉矶开到纽约，实现全程4500公里且无人工干预的完全自主驾驶。
2、激光雷达主导，以Google Waymo为代表：低成本激光雷达+毫米波雷达+超声波传感器+摄像头。
激光雷达是主动视觉，它的目标检测与SLAM比较可靠，但是却丢失了颜色和纹理且成本高昂。目前谷歌Waymo自己组建团队研发激光雷达的硬件，把成本削减了90%以上，基本上是7000美金左右，同时他们已经开始在美国凤凰城地区对500辆L2级别的车进行社会公测，大大地推进了该类技术路线的落地实践。
激光雷达主导的解决方案未来可以沿如下两个方向继续推进商业化进程：
一个是发展摄像头与激光雷达的硬件模组，把两者结合起来，既有激光雷达，又有彩色摄像头，可以直接获得彩色激光点云数据。
另一个是进一步降低激光雷达的硬件成本，比如研发固态激光雷达并真正实现产业化，届时成本会下降到几百美金。
总之，现在自动驾驶领域有三大核心问题需要着力突破：即利用人工智能，尤其是利用深度学习进行目标识别、自主导航和信息融合，这三方面的技术成果是真正具有商业价值的。
未来的趋势是什么？
自动驾驶的未来是与人工智能相结合，并且人工智能最具商业价值，且可能是最早落地的垂直领域之一。目前研究的环境感知问题与基于认知地图的自主导航，可以助推自动驾驶从L2到L3的跨越，而人工智能可望使自动驾驶落地称为可能。
如何代替人进行环境感知，基于深度CNN的障碍物检测与识别，还有基于深度学习的行为预测，加上深度学习的多模块导航与端到端的自主决策，还有Actor-critic的学习。
而要实现这些深度学习，则需要大数据的支持，大数据越多，则能获得更好的驾驶直觉，加上半失误模拟驾驶环境。并且这些大数据，必须是在真是条件下有标签的巨量数据，谁拥有的大数据越多，谁离产品的成熟度就越高，或者离商业模式就越近。
邓志东教授认为，今后将迈向共享化无人驾驶汽车社会，共享无人汽车将推动共享经济和只会城市的发展。
最后，对于自动驾驶的趋势邓志东教授做出一个小结， L3与L4将成为无人驾驶产业关注的焦点；安全与低成本则是自动驾驶落地的关键；初创企业则是自动驾驶产业中最具活力与创新能力的生力军，但是他们的缺点是没有造车能力，所以主机厂更多是关心提供一个智能汽车平台，互联网企业是在已有的汽车之上做自动驾驶。人工智能是环境感知、信息融合、自主导航、自主决策与智能控制的决定性技术，这里面感知、融合、导航、决策，在环境建模，5G通信，NB-Iot，车联网，ITS还有智慧城市的合力支撑下，是有可能使自动驾驶汽车具有人类水平的环境感知和驾驶技能自主学习能力，其中大数据与干预频度成为评测关键。最后就是智能深度融合，必将加速L4+无人驾驶产业的商业落地。
更多详细内容，敬请关注OFweek人工智能网后续专题报道！
