自動駕駛／智能駕駛已經成為了時下最熱門的話題之一，那麼實現這個技術的決定性因素有哪些呢？

12-28

關於自動駕駛的研究一直是個冷門話題，這次借著各款產品走上前台了，作為從業人員很高興，居然有這麼多人對自動駕駛感興趣。

其實特別多的人把自動駕駛給神化了。我被問到過：

「自動駕駛是不是就是不用開車了？那我們直接坐后座車震行嗎？」

「自動駕駛現在iOS的好還是Andorid的好？」

還有沒考駕照的朋友

「想買個自動駕駛的車，哪種比較好？沒有駕照也能開那種」

或者我女朋友來自靈魂的拷問

「特斯拉的系統和我比，誰駕駛技術更好？」

「特斯拉哪能跟你比啊！」

特別多的人，把自動駕駛當成科幻，以為上車一坐就能直接睡覺。其實也沒錯，只不過現在的技術水平還沒這麼神奇。現在就算是地鐵、火車這種在軌道上跑的，也都得有一個駕駛員盯著，更別說是汽車了。

自動駕駛其實是有明確的分級的，大多數人理解是第五級，也就是自動駕駛的最終形態。這個標準來自汽車工程師協會（SAE），可以視作行業標準。

第一級，有一些輔助技術，但開車時候雙手仍然不能離開方向盤。

比如說車道保持，你不需要方向盤就能保持在車道內。比如說自適應巡航，自動和前車保持同速。

整體而言對駕駛體驗的提升不大，但都是自動駕駛的基礎性技術。

第二級，已經開始可以雙手暫離方向盤了。

自動駕駛系統能根據路況來自動調整速度和方向，控制車距。比較有代表性的比如堵車輔助，基本可以做到堵車的時候解放雙手。最近網上傳的那個特斯拉車主堵車睡覺就是這個級別。

第三級，這時候已經可以做到有條件的自動駕駛。

比如說駕駛員找到車位以後，可以離開汽車，讓汽車自動停車。新手司機的一大福音，考不過科目二的朋友可以密切關注此技術。因為是電腦控制，可以做到停的又快又准，很小的空間也能停進去，再也不用請老司機吃飯了。

第三級意味著目前的技術水平的最高水準，如果消息不夠靈通，歡迎打臉。

第四級，基本成熟的自動駕駛。就像地鐵駕駛員一樣，大多數時間在車上坐著就行了。出門前輸入一個指令，車自動開到家門口等你。下車前輸入一個指令，車自動去找停車位停車。

日本政府要求汽車製造商在 2020 年奧運會之前生產出第 4 級汽車，你可以在上車後選擇自己的語言，刷一下信用卡，然後就能自動出發去比賽場館。非常期待這個功能。不知道現在的計程車司機會怎麼想。 ==

第五級，車上沒有方向盤，一切自動化，車上只有乘客沒有駕駛員，就像科幻電影一樣，輸入位置就自動開到目的地。到第五級實現的時候，估計內燃機技術已經被取代了，沒準汽車也能原地起落，永遠告別堵車。

所以再也不要問自動駕駛是什麼了，自動駕駛是一種技術，現在離無人駕駛還有一段距離，但最終會做到無人駕駛的。

關於目前自動駕駛的體驗如何可以參考這個答案，寫得很詳盡了：駕駛「自動駕駛」車輛是怎樣一種體驗？ - 黃一孟的回答

順便吐槽一下樂視的超級汽車。自動泊車系統早已成熟，拿這個出來說是未來科技，就是利用信息差異來糊弄廣大群眾了，至少也得有自動巡航吧！

為什麼自動駕駛技術發展這麼慢，到底難在哪裡呢？

其實在實驗室里，無人駕駛根本不是事。如果今天能把北京的路和車都換成一個制式，再設一個隔離帶不讓人橫穿馬路，無人駕駛系統今天就能上線。

難就難在，路上實在是太複雜了。

各家的技術都是核心機密，演算法也應該不一樣。但有一點是一樣的。自動駕駛，在地圖上規划了路線以後，需要利用一系列的探測感測器，把路面上的情況告訴處理器，然後再讓處理器根據路面狀況調整車的速度和方向。

首先要有攝像頭，然後再利用演算法，識別攝像頭的內容。這個演算法必須極其智能和準確，只能識別汽車是不夠的，需要能識別自行車，三輪車，人，或者路面上出現的一隻貓和一隻狗……而這些形狀東西形狀五花八門，要做到準確、快速的識別，需要特別完善的演算法和無延遲的處理速度。

請注意，最重要的是，這套系統必須不！能！宕！機！宕機的話比剎車壞了還要恐怖，因為自動駕駛的情況下，駕駛員很可能放鬆警惕，完全沒有時間及時反應進行處置。

還有一點，這個系統必須足夠安全。想要導航，了解路況就必須聯網。一旦系統存在安全隱患，很可能就被黑客黑進去，控制你的汽車。

然後出一個滴滴綁架什麼的，一鍵式自動綁架，支付寶打款放人，不放人的話還能一鍵式撕票，直接把車開進河裡，實現雲綁架……《速度與激情的犯罪》～～

上面說的更多是軟體方面，自動駕駛技術牽扯到的硬體技術實在太多了，我就說一下最容易被群眾忽略但卻無法忽略的存儲吧。

存儲分四種。

第一種是信息娛樂系統的，好比像焊在車上的一個iPad，駕駛的時候可以導航，也可以聽歌，看電影什麼的。DRAM(動態隨機存取存儲器）方面主要是DDR3，存儲方面主要是e.MMC，代碼存儲方面主要有QSPI NOR。

第二種動力系統的存儲。主要是指用於引擎控制和傳動控制的存儲產品。比如為動力系統提供的NOR產品。

第三種是儀錶盤、儀錶板需要的存儲，原理和信息娛樂系統大致相似。不過信息娛樂系統的存儲並不能拿過來直接用，儀錶盤和儀錶板存儲產品要至少能耐125度的高溫來保障工作的穩定性。

最後重點介紹ADAS系統（高級駕駛員輔助系統），也是自動駕駛的核心和基礎，這裡面牽扯到的存儲就很挑戰專業性了。

首先，可靠性必須特！別！好！

手機一年死機一次就能算穩定了，換到自動駕駛上十年都不能死機一次，ADAS的存儲是容不得半點差池的。想像一下，一個在馬路上賓士的汽車突然宕機會產生會怎樣。可靠是ADAS存儲的第一關，沒有這個一切免談。

再者就是ADAS系統的存儲需要更大的帶寬。

因為隨時感應周圍環境的變化，辨識、偵測、追蹤靜態和動態物體，通過運算與分析，提前預判危險。所以ADAS需要用到大量的感測器。而這些感測器都需要極高帶寬的DRAM進行讀寫。同時，ADAS還需要在DRAM上執行多並發的演算法計算。帶寬技術可以說是自動駕駛系統的存儲中最核心難點。

最後，就是封裝問題了。其實汽車上留給ADAS存儲的空間並不充裕，寸土寸金，必須合理規劃。同時，因為也要考慮到和下游廠商的配合，不能產生繁複兼容性問題，才能有效縮短新產品的上市周期和研發成本。

還有研發過程中一個一以貫之的理念，就是前瞻性。雖然我們現在處在自動駕駛的第三級，但誰知道過幾年會自動駕駛發展成什麼樣呢？總不能讓消費者買車以後每兩年去4s店換一塊存儲吧。就算廠商敢這麼做，我們也不敢這麼干，這麼做根本不可能保證可靠性。

期待自動駕駛馬上普及，股票已買好，我已經能想像到一邊開車一邊點錢的畫面了……

蓋樓房最重要的是地基，做人最重要的是身體健康，所以如果你一定要問我無人駕駛的決定性因素，那毫無疑問是其系統的穩定性。

如果無人駕駛只需要百度的準確率、QQ的穩定性和淘寶的滿意度，Google現在已經可以開始賣車了。

問題是，人命關天啊，任何一個大腦正常的政府都不會允許一堆「大部分情況下應該工作」的車隨便跑在大街上的。

這就涉及到所謂系統穩定性的要求，這裡面主要分為兩點，其一是系統本身的Robust，就是說沒人折騰你你自己不能崩潰；其二是系統的安全性，也就是有人折騰你你不能崩潰。

這個並不難理解，你在用windows的時候，有沒有用著用著他自己藍屏了？你肯定習以為常點重啟就好了吧？大不了重裝系統？想想如果你的車忽然藍屏了是什麼結果吧。你用Android手機的時候，是不是習慣性先root？想想如果有一個黑客root了你的車是什麼結果吧。

實際上，這絕不僅僅是「無人駕駛」的汽車對操作系統的要求，每一個現代的控制集成化的汽車都要面臨這個問題。就在去年，Jeep的車被人遠程黑掉，在高速上想停就停想走就走，得到了車的一切控制權。當然這個hacker是個白帽子的，已經和車主商量好了，就是做個實驗。結果Jeep整個崩盤，危機公關也不太順利（畢竟車被黑了）。從一個側面反映出，在我們的車越來越智能化的今天，系統的安全是多麼多麼的重要（和被忽視）。

在我們玩手機的時候，我們更注重的是其附屬功能，遊戲啊社交啊上網啊，而非其安全性和穩定性，白蘋果了重啟就好。然而對於汽車，附屬功能所帶來的是大量未經完整驗證的代碼，也就是無限bug的可能，任何一個失誤都有可能會對車的安全性造成威脅。

因此如果你現在問我，將來無人駕駛的OS會用什麼，我會回答你，肯定不是你用過的系統，甚至不會是你聽說過的系統。因為你用過的系統，不是我刻薄，都是垃圾。

那麼怎麼才算一個合格的操作系統？我在去年參與了我們公司Compiler的新版本的ASIL C（Automotive Safety Integrity Level C）的證明工作。ASIL是一個用在汽車系統上標準，這個標準有ABCD四級，D是最難的。ASIL C其中有一條要求是，你的Compiler的每一行代碼都必須被test過，同時每一個if語句都要被evaluate過true和false。

bool IsPrime(int k) { if (k &< 2) return false; for (int i = 2; i &< k; i++) { if (k%i == 0) return true; } return false; }

比如上面的例子，就要至少運行f(0), f(3), f(4)。

然而有時候這並不是那麼容易的事情，我們把上面的例子稍微改一下

static int SpecialSqrt(int k) { if (k &< 0) return NaN; ... // other code } bool IsPrime(int k) { if (k &< 2) return false; for (int i = 2; i &<= SpecialSqrt(k); i++) { if (k%i == 0) return true; } return false; }

我們為IsPrime函數做一個特殊的快速整形Sqrt，正常人都知道應該check一下負數對吧？好了，你發現這個check是永遠false的，因為你的IsPrime里已經check過一次了。

這時候你有如下幾個選擇：1、直接拿掉這個check；2、寫一個文檔說明為什麼這行函數無法test到但是依然有存在的價值；3、把static刪掉，直接call SpecialSqrt()。

這樣的例子數不勝數，把一個上百萬行的程序每一行都運行一遍，談何容易？不要小看了這件事，有大code base的朋友不妨試試，你們的validation的coverage有多少，一般而言，70%就算非常非常棒了，這還不考慮if的兩種情況。

而比這個還要變態的是ASIL D，要求MCDC coverage。什麼意思呢？以下這個代碼

if (a == 1 b == 2 c &< 0) c = a + b;

你需要讓每一個branch都運行到，即(0,*,*), (1,1,*), (1,2,1), (1,2,-1)至少四個case。這個在你if語句寫得複雜的時候，簡直就是一場惡夢。

然而想到自己的生命被這種level的驗證保護著，是不是稍微放鬆了一點？

因此，這樣巨細靡遺的驗證和測試是目前最核心最重要也最不可缺少的決定性因素，很多時候，證明一件事比證偽要難得多的多。

最後，為什麼我不想回國畫網頁寫app？

「我今天試了一下，功能好像基本都能用，明天上線吧。」

謝謝邀請

著名的詩人布萊希特曾經說過「科學的唯一目的，在於減輕人類生存的艱辛」。

這樣看來前人對科技發展的終極態勢早就有了很好的預測。隨著科技的快速發展，好像周圍的一切都在向著智能化方向發展，譬如上面提問的關於當前火熱的智能/自動駕駛的技術。

讓我們不妨想下自動駕駛/智能駕駛的技術一旦廣泛成熟應用之後，將會帶給我們什麼：不用考駕照、交通事故也會銳減、最重要的是可供我們支配的時間也會增多，簡直越想越開心！！！

那麼讓我們先拉回正題先解決這個技術問題，影響這項技術的因素無外乎外部因素與內部因素，這樣再具化一下不難分出三方面決定性因素：人力物力的投入、社會的准入標準、技術本身的突破點等。

1、人力物力的投入，沒錢沒人什麼事都沒法做！技術的發展需要大量的優秀人才與物資的支持，這是技術發展的源動力，同樣自動/智能駕駛技術的發展也是如此，國家必須給予其更多的支持與投入。

2、社會的准入標準，你做的事情首先得被認可才行！這就要考量整個社會對自動/智能駕駛的要求，究竟怎樣的標準才能符合大眾對自動/智能駕駛需求，了解現在未來大眾對該技術的要求也是不一樣的，這也將是技術發展方向的重要性因素。

3、技術自身的突破點，自己不努力怪不了其他人嘍！這裡主要指的是技術上的核心部分的突破，這也是內因，最最核心所在，所以下面我們可以具體分析一下~

譬如從當前自動/智能駕駛的發展態勢來看，技術上主要可以提供給我們三個層面的幫助：環境感知（自動駕駛的數據基礎，提供車輛周邊環境的狀況）、決策協同（決定車輛的行駛速度、方向等問題）、控制執行（對決策的執行），通過三個層面的需求共性來看，我們不難發現數據的存儲能力是自動駕駛／智能駕駛技術發展的決定性因素，就像是世界上可學習的知識無窮盡，究竟能學會掌握多少那也要看看你的腦容量了。

存儲產品既然如此重要，那麼現在市場上的存儲產品發展的現狀如何，未來存不存在可以滿足我們對自動/智能駕駛需求的存儲產品？！在萬千存儲市場上我們經常會聽到我司的科技存儲產品，其實在第三級自動駕駛中美光科技研發的存儲產品已在廣為應用，同時美光科技為支持第4級智能自動汽車所預見的e.MMC 5.2、XTRM Flash 和LPDDR5 等產品也都有強大的發展潛力，而第5級美光科技也將直接與 OEM、晶元組合作夥伴及行業合作夥伴合作，規劃和定義這些產品，提供更高級別的帶寬產品，滿足智能自動駕駛對大容量存儲的需要。

出處：http://mp.weixin.qq.com/s?__biz=MzAwNDA1Njg1OA==mid=403962875idx=1sn=9494e726801d82b1a525cf3390938d76scene=4（第5級結尾部分）

同時不得不說的是在自動/智能駕駛的重要應用ADAS系統（對存儲系統的要求最為嚴格方面），美光科技對自身的存儲產品也制定了更為嚴格的要求:

1、內存上：更高帶寬

2、尺寸上：小尺寸，高密度。多晶元封裝技術通過將不同屬性的介質封裝在一起，有針對性的實現各自的應用，降低了內存佔用，從而提升使用效率。

3、國際標準，安全存儲，為此美光科技積极參与了ISO26262標準的制定，該標準是用於規範道路上汽車運行安全的主要國際標準，新能源汽車的安全控制領域已經有越來越多尚在開發中的安全系統開始遵循這一標準。

總之自動/智能駕駛技術的實現離不開以上三方面的因素，社會大眾對科技的發展還是抱有很大的期待，現在主要就是第三方面也即技術上的核心突破，而存儲產品將是實現其突破的關鍵所在，同時我們有理由相信科技不斷的發展和前進以及越來越多尖端存儲產品的誕生，定會為自動/智能駕駛技術的實現帶來強大的助力。

恰好剛寫了篇稿子投給了知乎專欄「科技蜘蛛」科技蜘蛛 - 知乎專欄，搬運到這裡來

個人認為如果你今天開始備孕的話，全自動駕駛車或許勉強可以趕得上給孩子做成人禮。當然這還取決於你備孕過程的長短...

某年某月的某一天，「司機」這個稱謂會具有與今天我們的理解完全不同的意義（說的不是老司機啦）。想像一台車成為一場流動的盛宴，賓客交歡，觥籌交錯，不覺日已西沉…打住，這樣的場景還得個幾十年。那麼，是什麼橫亘在我們面前，為什麼人工智慧高歌猛進的今天，距離自動駕駛的明天，仍相去甚遠呢？這其中的重重關卡恐怕只有從業者才能領會。簡而言之，我們從技術層面（車的問題）和心理層面（人的問題）總結了出了以下幾個挑戰。

車的問題——技術難點

對環境的感知

關於谷歌無人駕駛汽車（以下簡稱 G-car），一個長久以來的誤解可能就是：它是全憑自己在行駛過程中實時「看」到的情境來做決定的，而事實上，它走過的每一步都是工程師們用汗水洗刷過的——他們會事先在目標路線上來回數遍，繪製一份儘可能詳盡的3-D地圖教給
G-car。顯然這是個很耗時的工程，那麼為什麼要這麼做呢？

答案是為了省下運算時間和能量，來處理行人，車流和其他各種實地行駛過程中的突髮狀況。可是，谷歌的 3-D 地圖目前也只覆蓋了很有限的幾片實驗田，如加州景山。待到自動駕駛上路那一天，這樣地圖不僅要大面積覆蓋，而且要隨時更新，這龐大的工作量不言而喻。

然而計劃總是趕不上變化，牛津大學的研究者對英格蘭一條長 6 英里的街道特徵進行了為期一年的記錄——結論是街景始終在改變，單是一個轉向路標就挪動了三次。如果再考慮到天氣變化，難度就更大了。比如在常常大雪封山的日本北海道，為了給司機標示出路面的寬度，隨處可見下圖這樣指向路肩的小箭頭。如果你看過電影《非常勿擾》的話，很自然就會想起笑笑姑娘（舒淇）曾經告訴過你它們是做什麼用的，可是，如果你的愛車沒看過呢？

對此，谷歌的信心來自於，隨著越來越多的自動駕駛車上路，會有源源不斷的路面信息傳回繪圖小組。當然，如果各個公司的自動駕駛研發團隊能夠共享信息的話，這個進程會快很多。從另一個角度來講，提前繪圖也不是唯一出路，鋼鐵俠的 Tesla 就更傾向於依賴對圖像和感測器信息的實時處理。不過目前來看特斯拉主要是輔助駕駛，還沒有
G-car 那麼激進的無人駕駛。長遠來講，哪條路子走的更穩仍未可知。

對意圖的理解

僅僅看到周圍是遠遠不夠的，你還要知道正發生著什麼：一個包裹著你輕柔的致富夢想的塑料袋在風中飛舞，需要躲避嗎；路旁一位行人一邊通話一邊四處張望，她確定是要過馬路嗎；交通警察揮舞的手勢透著機械舞的韻律，那到底是什麼意思，等等等等。這對計算機視覺提出了非常高的要求。

就像一個壞脾氣的學霸在給你講解習題的時候常常咆哮的那樣：為什麼這麼簡單的東西你就是不懂？這其實是在人類理解機器視覺或者籠統的講，機器學習，的時候常常遇到的一個困境，即機器善於處理我們認為的困難問題比如下棋，可更多的時候它像個書獃子一樣面對現實生活一籌莫展，尤其是涉及推斷另一些人的決策的時候。

正如今年2月14日谷歌汽車的艷遇一樣，它天真的以為後面駛來的公交車會讓路給它，而這次任性的變道結果就是：

好基友
Tesla 當然不忍心看著 G-car 獨自挨罵，於是就在上個月，它也急吼吼地撞了。起因是它前面的一輛正在行駛的車為了避讓路邊停靠的小貨車變道了，於是後面耿直的
Tesla 就徑直撞上了小貨車，前車的心思看來它沒懂啊。

誠然類似的錯誤人類司機也是難免，並不是要求自動駕駛汽車面世伊始就開得天衣無縫，觀眾們的普遍要求是：比人類司機好就行。但僅此一點，就說不準。要知道谷歌汽車自2009年起，已經累積了130多萬英里的駕駛經驗，而與之相比的是，美國司機平均行駛逾億英里發生一次致人員死亡的嚴重交通事故。以目前自動駕駛這麼小的里程樣本，還遠不足以驅動傳統的計量方法來對它統計意義上的安全表現給出可靠的估計，簡言之，它還有hin長的路要走（字面意思）。與此同時，也需要開發新的檢測自動駕駛技術安全性能的方法，否則以現在這個速度，實驗到天荒地老也不會有結論。

對「人-車介面」的控制

自動駕駛這一季良藥多以電動汽車沖服，這一方面得益於電機易於精確控制，另一方面也是二者受眾重合度高，便於推廣。只要前面兩個問題處理的好，且行人沒有擺出各種經典的道德困境隊形（如 trolley dilemma）來刁難它，「開車」這件事情本身並不是很困難。自動駕駛普及並聯網之後會是一片喜人景象。線路優化，汽車共享，智能交通統統不再是夢，更不用說規模效應一旦形成，路標交規行人等，都勢必會做出相應的調整以適應，這樣一個自動駕駛友好型交通環境，會反過來減輕它感知和理解方面的困難，形成正反饋。

而在這之前，即便是最先進的自動駕駛汽車還是會時不時地身陷超出其智慧所能處理的環境。屆時，就靠人類接管了。於是引出了自動駕駛或者更廣泛的意義上來講，輔助駕駛，都面對的一個問題，交接。它該如何把備胎駕駛員從睡夢中搖醒（下圖，Tesla 司機在自動巡航時睡著了），從電影拉回現實，或者中斷他的通話成功的引起他的注意？要知道一個聚精會神沉浸在在公路追逐片里，盯著連環撞車鏡頭的人，錯過任何語音燈光提示都不稀奇。

最終人們發現還是笨辦法靠譜－震動－－只要0.8秒鐘就可以讓一個正專註於回郵件的乘客切換到「司機」模式。那麼於此同時，車輛該怎麼告訴他危機所在的方位呢？之前有研究顯示「身著有觸感的腰帶，人對其水平方向上震動的感知可以精確到10度」，所以可以根據需要人類查看的空間方位來刺激相應的人體部位。不過，即使震動警告可以有效做到這一點，讓它跟繁雜的其它信號如燈光，蜂鳴，語音等同時作用，可能反倒讓人無所適從：大腦被「警報洪水」過載了，蒙圈兒了...

為了避免上述情況。合理的建議是不同的警告模式用於人類接管過程中的不同階段。比如用震動來喚起人們的注意力，再用可視化的方法告知危險方位，這樣一來就同時利用了二者的優點：既觸覺使人迅速反應，視覺精確告知待處理的情況。

不過筆者認為，試想你在車裡，吃著火鍋唱著歌，突然愛車虎軀一震你心頭一緊，這時候，不論它是要你處理無關緊要的麻煩，還是交給你生死攸關的抉擇，這都不是什麼好的體驗，也不是自動駕駛的初衷。

其實，樂觀的來講，技術問題一直在進步，只要其增速不減，那麼達到某一個固定目標只是時間問題。而另一個難題在於，如何讓人們接納這個新鮮事物呢？

人的困惑——信任危機

如果說解決車的問題要曉之以理，那麼面對人類陣營就只能動之以情了。首先要面對的就是，我們準備好了嗎？技術巨擎和機動車廠商在自動駕駛上砸了數十億美元，他們迫切希望公眾信任這樣的汽車，可是，據密西根大學交通研究院j的一項調查顯示，對自動駕駛汽車的信任問題仍是司機的一塊心病：四分之三的美國司機對乘坐自動駕駛汽車表示恐懼或者擔憂。

當被問及是否願意購買或者租用自動駕駛汽車時，他們的回答也不容樂觀。超過三分之一的人表示：門都沒有。

究其原因，安全問題還是人們最關心的。好消息是，這種疑慮會被逐漸打消。大眾汽車此前做過一個名為「綠野仙蹤（Wizard
of Oz）」的研究，讓志願者乘坐由人類司機駕駛的汽車，但同時使他們誤以為這是一台機器操控的自動駕駛汽車。儘管一開始都惴惴不安，十來分鐘後乘客們都基本能夠放下焦慮享受舒適的旅程了。類似的關於信任的研究，佛吉尼亞理工交通研究所也有一份，他們招募了幾十位志願者，實驗要求被測人員保持警惕，觀察路面和周遭情況以便必要時控制汽車。但絕大多數司機都表示自己很快就放鬆下來了，手腳也都脫離了控制位置。（呵呵，參見前面那位睡著的同學。這麼容易就放鬆警惕到底是好是壞呢。）

人類對自動駕駛的不信任，一類源自於對技術本身的懷疑態度。而另一層更深入的恐懼則直指掌握技術的那些人的道德準則。

在車載雷達的眼裡，路上每一位行人都是一個漂浮的「生存幾率」，或者說「抗撞擊指數」，情非得已的時候，它也只好動用這些數字來擅自決定「犧牲」其中的哪一個甚至一些。那麼，假設我們是自動駕駛汽車裡的乘客，會期待自己的座駕按照什麼道德準則來行事呢？是下面的左邊還是右邊呢？

來做個小測驗吧：道德準則測試 Moral Machine。收集了大量測試結果後，一篇發表在《科學》雜誌的文章作出了總結：我們希望路上所有的車都具有高尚的情操在必要的時候可以捨己為人，除了我自己乘坐的那一輛之外。（吶尼？）事實上，大部分人都表示不願購買被預寫入了「舍小家為大家」程序的車輛，你呢？

一面是日新月異的技術，一面是心思詭譎的眾人，夾在這其中的立法程序走那叫一個跌跌撞撞。不過，那就是另外一個故事了......

結語

話說回來，工業化進程一步一個腳印，這些雷區哪一個沒踩到過。我們學到的就是：總會有方法解決，如果機器的智能遇到了瓶頸，實在不行還有人類自己的思維可以改造。先讓層出不窮的輔助駕駛技術在培養群眾基礎的同時廣泛積累經驗，再在小範圍內試點全自動駕駛特區以點帶面，待時機成熟結成統一戰線爭取全面勝利?。

一則有意思的小故事，說是每到911紀念日，世貿中心遺址就會豎起兩道光柱，上達幾千米，百餘公里外清晰可辨，而對於遷徙路過的鳥群來講，它們的生物導航系統會誤以為這是自然光源，從而盤旋其周無法逃離，後來在鳥類學家建議下，光柱每隔一段時間會關閉20分鐘，放飛它們。我們跟機器的相處也是一段學習：機器學習開車，而人類，學習與機器同行，要有兩隻伸出的手，才可以友好地握在一起。

－－－ END－－－

註：圖片均來自網路，侵刪。

瀉藥
本人之前一直在關注自動駕駛來著，一個是因為之前在大學學過AI相關內容，再一個就是本人已經決定下一輛車一定要買帶有自動駕駛技術的汽車（一個人開高速好辛苦）

回到正題

先說結論：自動駕駛現在仍然只是一個看上去很美的產業。

各家的解決方案都越來越成熟，但最終是否投產，決定權仍然在汽車廠商上。而有影響力的汽車大廠屈指可數，各家又都不願意用核心車型冒這個險。

舉個例子，凱美瑞、雅閣、速騰等車型要是上自動駕駛，那別家一定會跟進的。

同時，自動駕駛現在看來還是太貴了，明明就一個代駕就能解決的問題啊，但定價背後卻要背著無數研發成本。世界各地各種詭異的路況是很大的挑戰，畢竟這些車型暢銷世界。可能在城市高速路上解決了，但下鄉走荒蕪的國道。突然路上出現一群羊，自動駕駛沒見過羊，反應不及時怎麼辦？

這不是胡說，我過年開家裡的車回老家的時候在路上突然徐徐而過一隻驢，一個急剎，非常兇險。（我爹開車的時候還撞死過一隻牛……）

自動駕駛就是前景看起來很美，但離變現還遠的一個產業，可以保持謹慎樂觀，但不要盲目的吹捧。

謹慎的樂觀，嗯（這不是我爹！更不是我！）

上面有答案還提到了存儲。存儲確實也是一個技術重點。

舉個例子，一個正在行駛無人駕駛汽車，平均每秒產生1G的數據，這個吞吐量已經可以逼近一些小型伺服器了。而且這些數據必須馬上處理，上網站頂多是卡一卡，在自動駕駛別說卡一秒，卡0.1秒都會出事。存儲的可靠性要求不亞於剎車，但存儲又是電子元件，把穩定性提高到這種近乎苛刻的標準，技術難度極高。

要是你的儲存不好，你就會被卡成這樣

當然，對於未來還是要有好的期望的

當下，自動駕駛相關的行業，很多都成為了新的投資增長點。剛才說到的存儲就是一個。而且相對來說風險更低。自動駕駛成了，存儲水漲船高。自動駕駛最後做不成，車載娛樂系統也得用上存儲，而且需求只會越來越大。至少就目前而言，車載娛樂系統是目前車載存儲產品的最大的一塊市場。

來自隔壁群做儲存的孩子的期待的眼神

現在消費者對車的追求，已經遠遠不滿足於駕駛體驗了，正在慢慢成為個人電子消費品的一個延展。要更專業的車載音響，要更大解析度的控制娛樂台，要車載導航，甚至要車載網路無線。自動駕駛其實就是這種車空間娛樂化的終極需求。

而這種泛娛樂化的趨勢，最終會轉化為車載系統的專業細分化。Google 出演算法，美光出存儲，Intel 出處理器，TDK 等一系列廠商出感測器，最後在作為整合成一個完整模塊鑲嵌到汽車上。我們都見過原廠的車載的導航，雖然很可靠，但在易用性上甚至比不上一台1000塊錢的手機。

這也就是為什麼，自動駕駛能帶動一系列新產業的發展。一是消費者驅動，二是車廠必須依賴其他廠商的技術。

未來總會來的。一邊泡澡一邊開車，指日可待綜上，自動駕駛目前最大賣點仍然是炫酷。在實用性上到底能走多遠，2020年見吧。

我來唱點兒反調，說說智能駕駛的弊端：
1、首先我們不得不說這個老生重彈的問題：系統的安全性。無人駕駛整個系統一旦癱瘓，或者被黑，該怎麼辦？我的眼前出現的滿是科幻片中的畫面：《刺客聯盟》中的安吉麗娜·朱莉終於不用帶著新入行的菜鳥殺手詹姆斯·麥卡沃伊練習甩槍這種老土的技術了，武術、器械什麼的也都out啦，只需要一台電腦入侵無人駕駛汽車的操控系統，製造一場因晶元故障而導致的車禍即可。也或者刺客聯盟不復存在，取而代之的一定是黑客聯盟。

試想一下，當無人汽車的系統被黑或者癱瘓藍屏，而在汽車當中的人卻正在看書玩遊戲或者睡覺，對於即將到來的危險根本不知情，所造成的傷害將會遠遠大於現在的車禍。

2、關於無人駕駛發生車禍的責任該如何界定。當駕駛已與人為因素無關，那麼發生車禍了我們應該找汽車製造商，軟體開發商，還是網路服務商？我不知道google有沒有思考過這個問題，保險公司有沒有思考過這個問題，但這一定是一個難有清晰解思路去解決的問題。

我們知道無人駕駛技術是由硬體、軟體與網路共同來完成的，那麼一旦出了重大事故，沒有留下清晰的線索，這三方會互相推諉責任。汽車生產商說是軟體出了問題，系統供應商說是網路突然出現中斷，而網路服務商說是汽車的某個感測器不靈敏了沒有接收到網路指令，成了一個惡性無解循環。難不成在每輛車上都要安裝一個堅硬無比的「黑盒子」？如果責任認定每次都非常久，受害人無法順利得到賠付，還有誰願意觸碰這個燙手的山芋。

3、最近在國內一直鬧得沸沸揚揚的專車事件，很多計程車司機認為打車軟體影響了他們的生意，於是開始聚眾甚至是鬧事。如果有一天無人駕駛上位，不再需要司機了，那麼會有多少人陷入失業的危機當中？計程車行業，貨運行業，駕校的教練們肯定要淚奔了。這個人群實在太巨大，他們能否頂得住失業的壓力，國家又能否順利的過渡？

還有很多有趣的小問題，譬如賽車，這將會成為一個比高富帥還要高富帥的貴族運動了。以後都無人駕駛了，汽車廠商都在比拼更好的內飾，更優良的服務，哪裡去弄「高端」的手動駕駛的汽車練習呢？就算弄到了，還要找場地……Oh my god，這樣的開銷，恐怕就連富二代也要搖頭說NO了。

以後運動型、商務型、越野型車輛是不是都會變成無人駕駛型。而寶馬一直追求的駕駛樂趣也不復存在了，每個人都成了乘客。說好的公路旅行，說好的翻山越嶺呢，還讓不讓小夥伴兒們愉快地玩耍了。

緬懷這些美好的辦法，只能反覆溫習《速度與激情》系列了……

其實決定自動駕駛能不能被推廣的，主要不在於技術問題。如果有專用的為自動行駛車輛提供的道路，那麼問題就很好解決了。但是對於既有城市建設的改造來說，建成這樣的道路是很麻煩的。既要考慮城市建設本身，還要考慮對舊車輛的兼容。當然也可以一刀切，不具備某種規格的自動駕駛功能的汽車就不許上這樣的路。這都是很大的問題。

而如果要在傳統路面上實現類似於飛機的自動駕駛，是已經有了的：定速巡航、車道保持。這兩個功能的實現其實就讓開汽車和開飛機差不多輕鬆了，當然，主要是用於在高速公路的巡航階段，並不代表完全不需要手動介入。

這裡需要界定一下討論的範圍，就是如何界定「自動」和「智能」這兩個詞。

蟹妖

我試試把這事說的簡單點~

設想一個場景，有一天你從家裡出門，汽車在你面前挺好，你上車設置好目的地之後，可以靜靜的玩下手機，喝個茶，轉眼目的地就到了，車還自動找了空閑的停車位停好了。是不是還挺激動人心的？這個場景就是自動駕駛實現後的場景。汽車工業某種程度有點像幾年前的手機行業，發展到了一個瓶頸，基礎功能已經做到一定程度，這時候突然出了iPhone，嶄新的外觀、交互方式、良好的生態圈，近乎無限的可能性，都從根本上改變了手機。

汽車工業也面臨了同樣的問題。百餘年間，汽車安全性越來越高、速度越來越快，基礎功能已經做得很好了，這時候突然出現一個自動駕駛的意義某種程度上跟iPhone的顛覆性是很接近的，也是一個根本上的改變、徹底解放了駕駛員、重新定義汽車駕駛——特別是在提高效率、節能、和安全性上。

額外說下自動駕駛的定義。事實上關於自動駕駛的定義還是蠻多的，不過也算大同小異。美國國家公路交通安全管理局（NHTSA）、國際自動機工程師學會（SAE）都通過提出分級系統的方式給出定義，可以理解為按照實現的難度把自動駕駛分成幾個級別。我就結合SAE的分類系統談一下吧：

Level 1：駕駛員輔助裝置，例如盲區預警、車道偏離警告等
Level 2：半自動駕駛，駕駛員在得到警告後，仍然沒能做出相應措施時，半自動系統能讓在汽車自動做出相應反應，例如主動式的車道保持、自動剎車等功能
Level 3：高度自動駕駛，該系統能在駕駛員監控的情況下，讓汽車提供長時間或短時間的自動控制行駛
Level 4：完全自動駕駛，在無需駕駛員監控的情況下，汽車可以完全實現自動駕駛，意味著駕駛員可以在車上從事其他活動

總之，當然，這個定義其實不用看也可以，某種程度上，這也是汽車工業的發展趨勢，就是人在駕駛的作用越來越小，車本身越來越智能。直到，能完全取代人類。目前來說，有輔助駕駛的特斯拉7.0（在量產車裡接近了第三級的水平）；也有谷歌這種上來就搞無人車的（第四級）。

當然，這個自動駕駛模塊，可以看做是一個人工智慧，只是這個智能的技能點都加在了開車上。說的通俗點，這個自動駕駛模塊可以理解為自動駕駛汽車的大腦。當然一個單獨的大腦是沒法工作的，需要外部和大腦本身的配好，外部配合主要是雷達感測器、激光測距儀（可以理解為耳朵）、攝像頭（可以理解為眼睛），他們一些信息處理單元加上視頻識別技術，收集了大量的信息，比如汽車、行人、路況信息等等，供「大腦」研究。

其中，雷達感測器、激光測距儀的功能主要是檢測車四面的車輛情況，比如跟周圍車的距離、周圍車的車速等等，比如谷歌無人車上面那一圈，就是激光感測器。

目前這個的主要問題是，貴——貴總比沒有好，畢竟錢能解決的問題那就不是問題。

攝像頭，目前主要難點在於識別，比如如何準確識別信號燈顏色、限速牌等等，如何在各種極端情況下識別這些都還是問題。

而這些通過「耳朵」和「眼睛」收集到信息，結合其他一定信息比如gps、雲端傳過來的實時路況等等，由可能是車、可能是數據中心、可能是兩者一起，決定車怎麼開——除了要求車要有非常強的計算能力以外，還要求有相對應的非常大的存儲能力——既包括雲存儲，也包括本地存儲，比如就有研究指出，當前自動駕駛每秒產生的數據量是1GB級別，如何保證存儲設備的可靠性，同時兼顧性能、功耗，也都是比較大難題。更高的帶寬、更高的容量，這些都是比較迫切的問題。

對於數碼愛好者，存儲設備的重要性那必然是不言而喻，但其實汽車用的存儲設備和數碼產品存儲設備、要求是更高的。在使用環境上、車用就就嚴格的多、車的環境跨度範圍可能會更極端，從西伯利亞到撒哈拉大沙漠；工作環境的溫度也會更高，比如儀錶盤的存儲產品要能耐125°的高溫——這對於數碼產品基本是無法想像的環境。同時，車的使用壽命也會遠遠高於你的手機或者電腦；你不大可能還用著十年前的手機，但是你一輛車開到十年以上則是很正常的事兒。

從過往電腦等數碼產品發展的經驗來看，可以看出來存儲設備的重要性會逐步凸顯、成為掣肘數碼產品進步的關鍵技術；同樣，在自動駕駛領域，這個場景很可能也會重現，很多跡象都可以看出來這一點——比如存儲設備的領軍企業美光科技就在主動積极參与到iso26262的制定中，都可以看出來，存儲設備未來會在自動駕駛汽車中扮演非常重要的角色。

關鍵是物聯網的覆蓋精度，物物相連，大部分的環境信息都被計算機實時監測到，再與車輛的駕駛輔助系統聯網才能保證自動駕駛的順利和安全。比如自己的車和別人的車都接入物聯網，就可以通過演算法產生魚群效應，提前預測和實施接管方案。自己的車和路人，車只有自己一點的監測，難免會有盲區的出現，這時候需要物聯網的各種監測點來提供跟多的數據跟蹤，在人和車之間提前作出決策。

我覺得自動駕駛是一個很龐大的系統，需要多方面技術的配合，比如激光雷達，毫米波雷達，圖像處理，數據融合，路徑規劃，GIS，動力學等多行業的技術。

喬治-霍茨(George Hotz)基於人工智慧的自主學習能力搞出了一輛似乎還不錯的樣車（一輛自己沒花幾個錢改裝的謳歌ILX）。
搬運工（iPhone 破解第一人的天才少年在自家車庫親手打造了一台無人自駕駛汽車！（上），http://bobao.360.cn/news/detail/2512.html）
哦好像走題了

感測器，感測器的計算策略與應對各種情況的方案，以及強大的計算能力。
9月15日續：感測器之間的信息共享（萬物互聯）。

對智能駕駛感興趣，也來聊聊自己的看法
智能駕駛，現在和車聯網同樣火熱的話題，伴隨著科技的不斷發展與進步，人們的生活對智能設備的日漸依賴，汽車行業也開始朝著「電動化」、「網聯化」、「智能化」和「共享化」的「四化」方向發展。而低下的出行效率，頻發的交通事故同樣的成為了推動汽車智能駕駛的催化劑，或許在不久的將來，人們真的可以解放自己的雙手雙腳，不再為長途開車而疲憊，不再為擁堵的交通而焦躁，甚至更可以享受在車內無憂無慮的享受車聯網帶來的強大的娛樂功能。而對於未來汽車智能駕駛的發展總共會有四個方面對其影響，即「PEST」（Political, Economic, Social, Technology）。
在對這四個方面進行展開前，這裡先介紹一下SEA（國際汽車工程協會）對汽車智能駕駛的分級標準和概念界定：
L0無自動駕駛：即便有主動安全系統的輔助，仍由駕駛員執行全部的動態駕駛任務。
L1駕駛輔助：在適用的設計範圍下，自動駕駛系統可持續執行橫向或縱向的車輛運動控制的某一子任務（不可同時執行），由駕駛員執行其他動態駕駛任務。
L2部分自動駕駛：在適用的設計範圍下，自動駕駛系統可持續執行橫向或縱向的車輛運動控制任務，駕駛員負責執行OEDR任務並監督自動駕駛系統。
L3有條件的自動駕駛：在適用的設計範圍下，自動駕駛系統可以持續執行完整的動態駕駛任務，用戶需要在系統失效時接受系統的干預請求，及時做出響應。
L4高度智能駕駛：在適用的設計範圍下，自動駕駛系統可以自動執行完整的動態駕駛任務和動態駕駛任務支援，用戶無需對系統請求做出回應。
L5完全自動駕駛：自動駕駛系統能在所有道路環境執行完整的動態駕駛任務和動態駕駛任務支援，駕駛員無需介入。
簡單來說就是隨著智能駕駛的不斷升級，人所需要介入的部分越來越少，而L2到L3可以視為智能駕駛的分水嶺，因為從L3開始，駕駛責任則有人轉移給了車。除了SEA提出的這一套分級標準外，其他的OEM也分別針對自己的技術規划進行了不同定義的分級，比如日產就針對了使用場景的不同對智能駕駛進行了橫向的分級：高速單車道情況為AD1，高速多車道為AD2而全路況的智能駕駛則被定義為AD3。
那麼，接下來就將對「PEST」四個方面，談談我對智能駕駛的理解和分析
第一，政策。在2015年中國國務院發布了《中國製造2025》並將智能駕駛作為汽車未來轉型升級的重要方向，並且制定了詳細的技術發展時間線（比如發2025年實現L4或L5級別的智能駕駛），除此之外，許多國家級的文件中都多次強調了自動駕駛的可實現性。不過交通安全畢竟是一個嚴肅與嚴謹的話題，國家政府現在更多的是對其研發的鼓勵，距離真正的相關智能駕駛落地的文件或者法律法規則需要隨著產業在技術層面解決安全性的問題，來倒逼相關的政策法規的更新改進。
第二，經濟。其實智能駕駛的推動因素和現在智能手機或者智能家居有些類似，其一是人們對生活品質的要求越來越高，越來越懂得享受生活而不是把時間花在一些費時費力但沒有收益的事情上，也可以說是人們現在確實越來越懶了。其二，全球尤其是中國的經濟發展迅速，人們也有越來越強的經濟能力來為這些享受的事情來買單，也就意味著隨著需求的增長，這張餅會越來越大，各大OEM以及高新科技公司自然不會錯失這一大商機。而針對汽車行業，如今車輛銷量增長，更大廠商百花齊放的同時，競爭越來越激烈，銷售利潤必然持續下行，所以汽車產業的巨頭們更需要去尋找新的突破口完成升級。畢竟誰也不想被這場大浪打翻甚至淘汰，誰都不想做下一個諾基亞。
第三，社會。正如第二點中所說的，人們更加願意去享受生活而不是堵在路上受氣。而安全問題更是推動智能駕駛的一股強大力量。所以在智能駕駛上同樣存在兩大派，一方面諸如科技愛好者，對智能駕駛十分有信心並且放心將自己的方向盤交給機器，也更加相信機器的介入可以更好的解決交通上的問題。不過對於相對保守的人來說，乘車安全和人車倫理是拒絕智能駕駛的主要原因。所以，技術突破除了是打動政府的一塊敲門磚的同時，也更是給廣大汽車用戶對智能駕駛的一劑強心針。
第四，技術。這一部分必然是四個方面的重中之重，如果技術能夠真正意義上的成熟和突破，前面的三個環節必將不再是問題。與此同時，技術的發展速度也是各個企業在這一次「搶食」中最有利的刀叉，能分到多大的餅，就要看誰最先能用技術打動消費者和政府，這第一個吃螃蟹的人，想必也會是這次競爭中的最大贏家。當然，這個贏家絕對不會只局限於OEM，而更加有可能的是提供解決方案的各大高新科技公司。相比於原來汽車產業被各主機廠的絕對壟斷不同，雙方或者多方的合作將會是未來汽車行業的主流，還是同樣手機的例子，安卓和各大手機製造商都是互惠互利共贏共生的關係。當然對於合資企業，與本地的BAT等巨頭合作還有一個理由，那便是本土企業對於國情的把握和對中國用戶的習慣的理解，一定會成為提升產品力的一把鋒利武器。
對於廣大用車客戶來說，智能駕駛的發展絕對是一個利好的消息，因為智能駕駛的導入對於用車體驗來說將是革命性的。2000年的時候人們還在為手機可以隨時打電話而興奮，當時的人們必將沒有想到10幾年以後我們只要劃拉劃拉屏幕就能看新聞看綜藝。同樣的，整個汽車的發展過程大家在想的是怎麼樣開的更快開的更舒服開得更省油，那麼今天我們在想怎麼樣讓汽車為我們服務的更好。對於汽車行業來說，「四化」將帶來一場不小的震動，技術的發展和新理念的引入既是機遇又是挑戰，而這種變化對於一個行業來說一定是一件好事，因為他會將整個行業的未來推到一個全新的高度。

參考：
億歐2017年中國自動駕駛產業研究報告

首先是汽車本身，要具備安全和技術兩大過硬的條件，目前自動駕駛感測器中比較普遍的是毫米波雷達，但精準度比較低，可見範圍較短，因此很多公司都在著手研究成本較高的激光雷達，想要降低激光雷達的成本。激光雷達的感應精度達到厘米級，如果能夠研究成功並投入使用的話可以再短時間內區分障礙物，更加接近100%的行駛安全；自動駕駛汽車可實現的自動剎車等功能增加了駕駛過程中的安全係數。還有通信技術的要求，需要較快的網速來傳播數據，因此5G技術也被應用到自動駕駛中來。

其次就是道路建設。智能道路基礎設施不再是簡單地將信號燈，路牌或交通指示簡單放置在路面上，而是要對人們現有的交通模式、工作職責等進行修改，智能道路不再是一個沒有大腦的死物，而是一個為汽車與交通信息之間提供互動平台的全新系統。因此，在我們過多關注汽車本身發展的同時，更應該關注道路基礎設施的建設，打造一個可以和智能汽車進行信息交互和反饋的道路系統。在最終想要建立的車聯網中，汽車只是其中一環，道路和汽車要同時發展進行交互，才能真正達到車聯網的最終目的。

最後是人們的消費觀念，據調查，78%的美國群眾其實並不信任自動駕駛汽車，大多數人都認為這個過程會讓他們失去對駕駛過程的控制，反而沒有安全感。但實際上，目前自動駕駛汽車可實現的控制車距、保持車距、自動剎車等功能恰恰增加了駕駛過程中的安全係數，減少了交通事故的發生。近幾年自動駕駛汽車大火，眾多國家都在向該領域發展，未來的汽車已經不僅局限於一種交通工具，更多的是向新一代互聯網終端發展。所以智能汽車在眾多的方面都得到了技術支持，比如感測器方面的毫米波雷達和激光雷達，研究和發展的進度都很不錯，未來的智能汽車真的值得很大的期待。

在微信公眾號「IGNITE」中也提到了很多這些方面的相關內容，提供更為專業的信息，如果你感興趣的話可以搜索關注。

機器視覺效果，感測器感知響應能力，系統融合能力，整個系統物料成本可能占整個車子八成，最終容易忽略車子本身作為一個閉合的容器保護乘客的關鍵性

首要一點是各種感測器成本的降低，精度的提高

智能駕駛也用到了深度學習，歡迎參加本周免費線上分享
深度學習在智能駕駛中的應用
https://zhuanlan.zhihu.com/p/23840528

我認為智能駕駛應該會是未來所有交通工具的代名詞，飛機、輪船、汽車等將統一於一種交通工具上，所以這項技術不能局限在汽車領域，需要加強與其他行業領域的相互合作。

技術不是決定性因素，法規才是。只有自動駕駛的法律問題解決了，技術很快就突破。因為什麼？因為錢多啊。

個人認為還是「感知」+「理解」的準確度。
「感知」主要是指周圍環境以及自己在環境里的狀態，比如那些地方有障礙，哪些地方沒有障礙，地面是不是平的等等，構建局部的實時的地圖，得到自己的運動狀態等等。
「理解」比「感知」更上一層，不僅知道哪些地方有東西那些地方沒東西，不僅知道障礙的距離位置，還要知道障礙的屬性，是人還是車還是建築物？以及各個「障礙物」的運動趨勢。
「感知」和「理解」的難度主要在與環境的變幻無常，難做到可靠。
除了這些，我覺得控制什麼的，相對來說是車輛內部感測器控制和數據交互，應該都簡單一些。