目前，自動駕駛已經成為科技圈中的熱點話題，谷歌、蘋果、Uber、百度等科技公司，都把自動駕駛作為今后的重點來發展。而我國也在對自動駕駛汽車、自動駕駛大巴、自動駕駛地鐵、自動駕駛高鐵等進行研究。由此可見，自動駕駛已經成為未來主流方向。

鄧志東（清華大學計算機科學與技術系教授）

11月13至14日，由OFweek中國高科技行業門戶、高科會主辦，OFweek人工智能網承辦的“OFweek2017中國人工智能大會”在深圳舉辦。清華大學計算機科學與技術系的鄧志東教授在《自動駕駛技術現狀與趨勢》主題演講中，與大家一同探討了自動駕駛技術路線，以及未來方向。

L3與L4的產業落地

對于汽車駕駛模式，美國SAE汽車工程師協會認為總共有六個分級，L0是完全人類駕駛，L1是輔助駕駛，L2是自動駕駛，L3是有條件自動駕駛，L4是無人駕駛，現在產業關注的焦點是在L3和L4。而L5是所謂真正的無人駕駛，離現在還比較遙遠。鄧志東教授認為，L3和L4是有可能實現和產業落地的。基于純感知的自動駕駛，環境感知必須與環境建模相結合。

隨后，鄧志東教授針對自動駕駛的不同技術路線進行了具體探討。Tesla采用的是視覺主導，谷歌則是激光雷達主導。在不同技術路線中，所使用到的傳感器主要有激光雷達、毫米波雷達以及攝像頭三類，且各具優缺點。那么，自動駕駛該由視覺主導還是激光雷達主導？

鄧志東教授認為，自動駕駛環境感知的技術路線主要有兩種：一種是以特斯拉為代表的視覺主導的多傳感器融合方案。另一種以低成本激光雷達為主導，典型代表如谷歌Waymo。

1、視覺主導，以特斯拉為代表：攝像頭+毫米波雷達+超聲波雷達+低成本激光雷達。

攝像頭視覺屬于被動視覺，受環境光照的影響較大，目標檢測與SLAM較不可靠，但成本低。目前，特斯拉已經在其量產車上列裝了Autopilot2.0固件，而且成本較低，只有7000美金左右，使用8個攝像頭組成單目環視，有1個毫米波雷達和12個超聲波雷達，希望從L2跳躍到L4。

經過半年的努力，特斯拉近期已經完成了將路測大數據從Mobileye單目視覺技術過渡到基于NvidiaDrivePX2計算硬件平臺的特斯拉Vision軟件系統上，并且在今年3月底發布了8.1軟件版本，它用深度學習的方法在短期內基本達到了Mobileye的技術水平，這是以前很難想象的。特斯拉的自動駕駛技術究竟怎么樣，一個重要的觀察點就是看它能否在2017年年底，如期從洛杉磯開到紐約，實現全程4500公里且無人工干預的完全自主駕駛。

2、激光雷達主導，以GoogleWaymo為代表：低成本激光雷達+毫米波雷達+超聲波傳感器+攝像頭。

激光雷達是主動視覺，它的目標檢測與SLAM比較可靠，但是卻丟失了顏色和紋理且成本高昂。目前谷歌Waymo自己組建團隊研發激光雷達的硬件，把成本削減了90%以上，基本上是7000美金左右，同時他們已經開始在美國鳳凰城地區對500輛L2級別的車進行社會公測，大大地推進了該類技術路線的落地實踐。

激光雷達主導的解決方案未來可以沿如下兩個方向繼續推進商業化進程：

一個是發展攝像頭與激光雷達的硬件模組，把兩者結合起來，既有激光雷達，又有彩色攝像頭，可以直接獲得彩色激光點云數據。

另一個是進一步降低激光雷達的硬件成本，比如研發固態激光雷達并真正實現產業化，屆時成本會下降到幾百美金。

總之，現在自動駕駛領域有三大核心問題需要著力突破：即利用人工智能，尤其是利用深度學習進行目標識別、自主導航和信息融合，這三方面的技術成果是真正具有商業價值的。

未來的趨勢是什么？

自動駕駛的未來是與人工智能相結合，并且人工智能最具商業價值，且可能是最早落地的垂直領域之一。目前研究的環境感知問題與基于認知地圖的自主導航，可以助推自動駕駛從L2到L3的跨越，而人工智能可望使自動駕駛落地稱為可能。

如何代替人進行環境感知，基于深度CNN的障礙物檢測與識別，還有基于深度學習的行為預測，加上深度學習的多模塊導航與端到端的自主決策，還有Actor-critic的學習。

而要實現這些深度學習，則需要大數據的支持，大數據越多，則能獲得更好的駕駛直覺，加上半失誤模擬駕駛環境。并且這些大數據，必須是在真是條件下有標簽的巨量數據，誰擁有的大數據越多，誰離產品的成熟度就越高，或者離商業模式就越近。

鄧志東教授認為，今后將邁向共享化無人駕駛汽車社會，共享無人汽車將推動共享經濟和只會城市的發展。

最后，對于自動駕駛的趨勢鄧志東教授做出一個小結，L3與L4將成為無人駕駛產業關注的焦點；安全與低成本則是自動駕駛落地的關鍵；初創企業則是自動駕駛產業中最具活力與創新能力的生力軍，但是他們的缺點是沒有造車能力，所以主機廠更多是關心提供一個智能汽車平臺，互聯網企業是在已有的汽車之上做自動駕駛。人工智能是環境感知、信息融合、自主導航、自主決策與智能控制的決定性技術，這里面感知、融合、導航、決策，在環境建模，5G通信，NB-Iot，車聯網，ITS還有智慧城市的合力支撐下，是有可能使自動駕駛汽車具有人類水平的環境感知和駕駛技能自主學習能力，其中大數據與干預頻度成為評測關鍵。最后就是智能深度融合，必將加速L4+無人駕駛產業的商業落地。