我们距离自动驾驶汽车究竟还有多远理性派对

自动驾驶汽车已经是大家耳熟能详的热门话题，很多高科技企业也看好它的未来。那么我们距离自动驾驶汽车究竟还有多远？自动驾驶又面临着哪些技术挑战？关于自动驾驶，你不知道、想知道的，都在这里！

（左）段玉龙

北京广播电视台主持人

（中）李慧云

中国科学院深圳先进技术研究院研究员

（右）李升波

清华大学车辆与运载学院长聘教授

段玉龙：无理性不真相，各位观众朋友大家好，欢迎收看理性派对，我是主持人段玉龙。本期节目将和大家聊一聊自动驾驶。

为什么我们还没用上无人驾驶？

段玉龙：眼下自动驾驶的概念非常火，但为什么这么多年过去了，自动驾驶汽车还没有来到我们的身边，仅仅只是停留在纸面上或者一些封闭的测试道路中呢？

李慧云：我认为它发展得其实不慢。作为囊括方方面面的复杂系统工程技术，包括了汽车运载、道路还有通信等等，它发展得还是挺迅速的。

事实上大家在这次疫情中可能也听到一些新闻，说我们的无人车已经参与了物资包括防疫物资的配送，还有一些人员的运载。大家可能不知道的还有一些无人矿用卡车的运行。所以说其实在一些特定区域内，它已经逐渐地走入了我们人类的生活。

段玉龙：但是对于我们普通老百姓来说，什么时候上下班、接孩子能开上无人驾驶汽车？甚至都不用开这个词，车就能够帮我来完成这些任务？

李升波：其实这是个非常复杂的问题，一般媒体谈无人驾驶就是在讲替代驾驶员、替代人类，这是个非常理想的目标。但就目前来看，这样的纯无人驾驶技术还有很多瓶颈和难题难以解决。从智能的角度来看，人类这个生命体从一个单细胞开始，在大概四五十亿年的时间中，历经单细胞低等生物、多细胞低等生物、鱼类、爬行类、哺乳类的进化过程，最终进化为人类的。在这个过程中，我们的智能也在不断地进化。人类是目前我们所知的地球上最复杂、最智能的生命体，我们的大脑大概有亿个神经元，只有这个生命体才能去真正地驾驶。目前来看，我们自动驾驶技术所用的机器神经网络，如果按照神经元的规模大概在千万到亿这个级别。对等到一个生命体上，这大概是青蛙的水平。

段玉龙：您是指现在的无人驾驶技术相当于一只青蛙在开车？

李升波：对。我们科学家把自动驾驶或者叫智能汽车分为五个级别，从L1级到L5级，级别越高，智能性越高。无人驾驶实际上是指L5级的自动驾驶，这是比较难以实现的。

L5级自动驾驶想象图

L1级是驾驶员辅助系统，它能自动帮驾驶员打方向盘或是踩油门、刹车。L2级是L1级的增强版，可以同时实现打方向盘和踩油门、刹车，但是它的工况一般局限在高速公路这种比较简单的，没有行人、自行车，只有机动车的道路场景。L3级和L4级则是在L2级的基础上的增强版，它们进入了交通参与者较多、复杂度较高的道路场景。

L3-L4级与L1-L2级的区别在于安全事故的责任主体不一样。按照目前的规定，如果L1-L2级出了事故，由于这是驾驶员辅助的自动驾驶，所以是由驾驶员承担责任；如果L3-L4级出了事故，准确说是L4级，就应该由系统负责。这就变得非常复杂了。要是系统的安全性不如人类，那给它保险的话，保费就要比人类高。此外，这种系统要进行事故责任主体的认定也比较复杂。所以目前进入商业化运营的自动驾驶汽车，基本还是L1-L2级的。L2级到L3级之间是一个跨越式的分级。

段玉龙：我们已经实现了L1和L2两个级别的自动驾驶这么多年了，但为什么到L3级的这个鸿沟就一直跨不过去？除了您刚才提到的责任认定之外，在技术方面有没有遇到什么挑战？这个挑战应该怎么解决？

李慧云：刚才李教授提到了在算法算力上，自动驾驶目前与人类驾驶有很大区别。从自动驾驶替代人的手脚眼脑的角度来看，除了在手和脚的制动这一块做得让人满意外，从感知到决策、规划、定位，这几大技术方面都做得不尽人意。

车载传感器示意图

我举两个例子。在感知的部分，我们大家可能听到有激光雷达和视觉流派之争，当然也有说多传感融合的。但是现在发生的事故都倒在了这一关。不过，如果我们加很多的传感器，又有很多测试案例的话，能否把这块做好其实也不一定。因为它又牵涉到后面的规划、决策与人工智能的发展程度，所以这是一个环环相扣的问题。

然后在定位的部分，我们正在跟香港理工大学合作，香港是个很典型的城市峡谷，不管是隧道还是高楼遮挡，它产生的多径反射一般会导致GNSS（全球定位系统）达到几十米的误差，就没有办法来导航了。当然使用一些技术手段比如说选特定的卫星、在做标定的时候加一些先验知识，现在最好的还是到十几米的误差。所以现在虽然说高精地图已经能达到厘米级，但是如果定位还有十几米的误差，这显然还是不行的。这也就能回答为什么L3-L4级还达不到商用的水平。

段玉龙：接下来这个问题该怎么解决呢？近年人工智能、大数据、云计算这些技术的进步，对于无人驾驶汽车技术的提升能够起到多大的作用？

李升波：无人驾驶要实现功能，就得像人一样。首先，要有眼睛观察周围的环境；其次，要用大脑进行判断、决策；最后把命令输出到手和脚，完成打方向盘、踩油门和刹车等工作。自动驾驶汽车的整个系统都是由算法完成的，但算法必须依赖于两点。第一，需要有算力或是计算机去承载它，第二，需要有数据去训练它。所以自动驾驶与人工智能类似，算法、数据和算力是它的三个基本支柱。目前我们的算力还不能满足高级别算法的要求。原因很简单，即便在车上装一台服务器，它能够承载的神经网络也就是亿级别的神经元的规模。人类的大脑大约只有八瓦到十瓦的功率，但它能够运行亿个神经元，而且每一个神经元的性能都比机器的要好很多。所以按照这个类比，我们的算力还是不够的。

深度神经网络（DNN）示意图。它运作方式与人脑相似，通过互联的神经元组成的结构层传递输入的数据，然后进行处理。

接下来是算法，目前的主流算法是深度学习，我认为将来深度神经网络可能变成更加主流的自动驾驶算法。目前也有很多人质疑它的可解释性不好，安全性不一定能得到有效保障。但是人类也是神经网络构成的智能体，人类的大脑就一定具有可解释性吗？它也不是每次都能够判断准确的。因此，只要算法的安全程度足够好，我们还是可以信赖它的有效性的。至于网络本身是否具有可解释性，是否有足够的安全保障，则需要根据效果进行判断。

李慧云：我也赞同神经网络正在快速发展，它能在自动驾驶的感知、人机共驾语音识别等多个领域大放光芒。但是我认为还有一部分是现在的深度学习缺乏的：它没有人类的推理、归纳、演绎、类比等能力，而这些能力是青蛙和人的很大的区别。我认为如果要从青蛙过渡到人，数学、人工智能这两个领域还需要有很大的突破。

但我也赞同要看疗效。现在我们看疗效的通用方案是对产品的设计运行域（ODD）进行清晰地划分。比如说在低速情况下规定好时速、道路模型，那么就有一个选定的路线，这个路线将由乘客、运营商和信息通信的提供商共同确认。在这样的区域内，按照我们的方案如果能够完成感觉、决策、控制、执行、避障、紧急停靠等功能，我们就能够很好地让产品在区域内工作。

为什么数据是新时代的石油？

段玉龙：刚才您提到数据是自动驾驶三个基本支柱之一，数据的采集、使用、分析都十分重要。关于数据，您怎么看？

李升波：现在数据已经变成了新时代的石油这样的基础生产资料，重要性不言而喻，尤其是在自动驾驶领域。我们每天开车都能产生大量的数据，但这些数据存在哪、怎么用好是一个非常核心的问题。

人类驾驶员是一种类似于强化学习过程的智能性提升手段。用于自动驾驶的强化学习原理是指不断地累积虚拟的或真实的数据，然后运用数据训练感知算法、计算算法和控制算法，以提高算法的性能，使自动驾驶逐渐从低级别过渡到高级别。

李升波教授

一种典型解决方案是我国的科学家提出的。既然车上的算力比较小，或者说车上能运行的算法规模有限，不妨将一部分算力挪到路侧甚至是云端服务器上去计算。我们称之为云控驾驶，或者是车路协同的智能驾驶，这是一个全新的概念。通过这个方案，我们可能能够解决算力不足、单车数据累积不足的问题。

在可以预期的未来，如果将大部分车辆的数据都累积到云端的“大脑”上去，这个“大脑”能够自我学习、自我更新、自我进化。举个例子，假如北京地区有万辆联网的汽车，它就可以同时学习万辆汽车的驾驶员所采集的数据进行自我学习与更新，进而实现自己智能的进化，这就有可能加速自动驾驶算法的演进。总而言之，数据是基础的生产力，它能够推进算力的演化。

段玉龙：最近自动驾驶汽车上数据的来源成为人们