導讀

本文作者：地平線智能駕駛商務總監李星宇。本篇推送是全文第三部分內容，最後一部分將在明天繼續放送！

文章對本屆CES的自動駕駛最新進展進行了分析，認為商業模式的變革是自動駕駛領域群雄並起的原因，並從「合作共享」、「感測器成本下降」和「車聯網發展」三個角度論證了自動駕駛產業化的長足進步。他還指出，自動駕駛競爭的關鍵是更加理性的決策演算法和更實用的計算平台。文章最後，他對自動駕駛的未來表示非常期待。

回顧：第一部分

回顧：第二部分

當前：第三部分

第四部分

▼

一、決策演算法成為競爭焦點

從技術角度講，自動駕駛由三大主要技術構成：感知、決策和控制。現在自動駕駛技術真正的門檻在哪裡？

地平線自動駕駛技術架構

如果你去CES參觀各家公司的自動駕駛樣車，你會發現一個趨勢：各家公司的感測器配置越來越趨同化：前視多目攝像頭，77GHz長距/短距雷達、環視攝像頭、加上十個以上的超聲波雷達，豪華一點的再配上幾個低線束的激光雷達，這些感測器的供應商也差不多。在感知層面，隨著ADAS的大量部署和長時間的技術開發，已經相當成熟，可以說感知技術已經不是主要的瓶頸。而控制則是傳統車廠和Tier1非常擅長的領域，做了很多年，積累了大量的經驗。

自動駕駛在技術上的競爭，主要聚焦於決策環節。事實上，區分一個系統是ADAS還是自動駕駛，也主要是看該系統是否有決策部分。無論是谷歌，還是特斯拉，他們的核心競爭力，都還是體現在其決策演算法方面。

傳統汽車界的研發是基於功能安全的設計方法學建立的，滲透到開發流程的每一個環節，並且在過去一個世紀，將汽車的安全性提高到了極高的水準，如今，頂尖的公司已經可以確保汽車發動機能使用一百萬公里！但是面對洶湧而至的機器學習熱潮，傳統汽車界突然發現自己嚴重缺乏技術儲備，面對特斯拉和谷歌激進的策略，顯得力不從心。這已經成為制約傳統車廠開發自動駕駛的最大短板，目前，傳統車廠或者大肆收購機器學習公司，或者與其合作，他們需要儘快補上這塊短板。

傳統車廠出身的克拉富西克顯然深知這一點，在他出任Waymo CEO之後，谷歌一改之前模稜兩可的商業策略，明確表示向車廠提供解決方案，並迅速宣布和本田合作，事實上是將自己定位在Tier 1的角色，此前谷歌雖然在技術積累上處於領先位置，但一直沒有確定可行的商業模式，克拉富西克的到來，讓谷歌對於商業化的態度更接地氣，也更精準。在該解決方案中，硬體基本也是外購的，顯然無法成為谷歌的競爭壁壘，最有價值的，還是一整套經過驗證的軟體，尤其是其中的決策演算法。可以想像的是，谷歌將會向業界提供軟體授權，就像它之前在安卓系統上所做的一樣。

二、理性決策是必然趨勢

決策演算法面臨的最大挑戰，就是如何達到自動駕駛所需要的極高的安全性和可靠性。自動駕駛決策的結果會輸出到控制器，根據ISO26262已有的功能安全的規定，這會反過來要求決策系統也需要達到ASIL-D的標準。目前，ISO組織對專門針對自動駕駛的功能安全標準正還在制定中，有可能會用一種新的標準進行考量，但功能安全的基本原則依然有效。

? 端到端的AI方法有隱患

這意味著，我們必須嚴肅地思考，如何才能滿足功能安全的要求？對於谷歌、百度以及許多初創公司，這些非傳統車廠出身的玩家來說，是一個全新的命題。

目前，很多創新公司都在使用深度學習加增強學習做端到端的訓練，也就是說，從感測器的輸入直接導出控制器（剎車、油門、轉向等）的輸出。但深度學習的問題在於它失去了透明性，僅僅依賴於概率推理，也就是相關性，而非因果推理，而這兩者是有本質不同的。

相關並不意味著因果。舉個例子，統計發現，手指頭越黃的人，得肺癌的比例越大。但事實上，手指的顏色和得肺癌的幾率之間顯然沒有直接的因果聯繫。那麼為什麼統計數據會顯示出相關性呢？這是因為手指黃和肺癌都是由吸煙造成的，由此造成了這兩者之間產生了虛假的相關性。

深度學習就像一個黑盒子，無法進行分析，出了事情你不知道原因到底是什麼，也沒有辦法預測下一次會出什麼狀況，有一個很搞笑的例子，用深度學習訓練一個系統，來分辨哈士奇和愛斯基摩狗，初步測試效果非常好，但進一步的測試表明，這個系統其實是通過區分背景，而不是狗本身來判定其種類的，因為訓練所使用的樣本中，愛斯基摩狗幾乎總是伴隨者雪地的背景，而哈士奇則沒有，想想看，如果這樣的系統應用到自動駕駛，是多大的隱患！

深度學習的實際表現，基本上取決與訓練的樣本以及你所要求輸出的特徵值，但如果你的樣本比較單一，輸出特徵值又比較簡單，則很容易訓練出你並不想要的結果來。就自動駕駛而言，這是無法接受的，它需要高度的理性決策。

如今，深度學習的熱潮席捲了整個業界，很多人不再對基礎演算法進行鑽研，而是瘋狂加大數據，堆機器進行訓練，以期更快地出成績，結果看上去還不錯，但這樣的非理性態度其實是給自動駕駛埋下了隱患。我們需要的是對於事實邏輯的深入分析，已經不同方法論的結合，從這個意義上講，如果用小數據可以達到好的效果，更能說明我們對機器學習技術的理解能力。

? 基於規則的專家系統不靈活

傳統的主機廠和Tier 1面臨的則是另外的問題，如果接觸各大Tier1的ADAS產品，無論是AEB,還是ACC，LKA，你會發現都是基於規則的專家系統。這種系統精確可分析，但專家系統的問題在於，但場景非常多變時，創建的規則就無法保證足夠的覆蓋面，結果，當添加更多新的規則時，就必須撤消或者重寫舊的規則，這使得這個系統變得非常脆弱。

並且，各個功能都有自己單獨的規則，組合到一起，其可能性就非常多，甚至還存在矛盾，這使得ADAS向自動駕駛過渡之路變得更加艱難。我曾經跟一家主機廠在交流他們的決策系統詢問過這個問題，得到的答案是：這種基於專家系統的規則經過組合，能產生一萬種可能！你甚至很難對這個系統進行完整的測試。

? 新的決策機制：因果推理

因此，我們需要在自動駕駛領域引入新的決策機制。自動駕駛決策技術路線的一個重大趨勢，就是從相關推理到因果推理。這樣的人工智慧框架是Judea Pearl在八十年代建立的，他也因此拿到了圖靈獎。

上世紀 80 年代初，Judea Pearl為代表的學術界出現了一種新的思路：從基於規則的系統轉變為貝葉斯網路。貝葉斯網路是一個概率推理系統，貝葉斯網路在數據處理方面，針對事件發生的概率以及事件可信度分析上具有良好的分類效果。它具有兩個決定性的優勢：模塊化和透明性。

地平線自動駕駛決策機制

模塊化的優勢非常重要，例如，假如任務是更新汽車的變速箱，當變速箱被更換的時候，你不必重寫整個傳動系統，只需要修改為變速箱建模的子系統，其餘的都可以保持不變。

因此，我們可以把深度學習的系統作為一個子模塊融入到其中，專家系統可以是另一個子模塊，也融入其中，這意味著我們有了多重的冗餘路徑選擇，這種冗餘構成了貝葉斯網路的子節點，將有效強化輸出結果的可靠性，避免一些低級錯誤的發生。

透明性是貝葉斯網路的另一個主要優勢。對於自動駕駛而言，這尤為關鍵，因為你可以對整個決策的過程進行分析，了解出錯的哪一個部分。

可以說貝葉斯網路是理性決策的極佳實現，適合用於設計整個決策的頂層框架。

因果推理的另一個典型範例就是基於增強學習的決策框架，它把一個決策問題看作是一個決策系統跟它所處環境的一個博弈，這個系統需要連續做決策，就像開車一樣。優化的是長期總的收益，而不是眼前收益。這有點像巴菲特的價值投資，優化的目標不是明天的收益，而是明年或者十年以後的長期總收益。

谷歌把這樣的框架用在下圍棋上，取得了革命性的成功。自動駕駛的場景也非常適合應用這樣的決策系統。比如說要構建價值網路，評估當前的駕駛環境風險，評估的是從現在時間到未來時間的整體風險；然後利用策略網路輸出本車的控制決策，選擇最優的駕駛路徑和動力學輸出。

同時，我們還可以構建一個基於模擬路況的模擬環境，通過增強學習去做虛擬運行，獲得最優的決策模型，並且還將產生大量的模擬數據，這對決策演算法的成熟至關重要。

可以說，向因果推理型決策模型轉化是自動駕駛技術邁向成熟的重大標誌。

（未完待續）

下期內容：自動駕駛需要新的計算平台

作者簡介

李星宇 | 地平線智能駕駛商務總監畢業於南京航空航天大學,獲得了自動化學院測試儀器及儀錶專業的學士和碩士學位；曾任飛思卡爾應用處理器汽車業務市場經理，原士蘭微電?安全技術專家。 李星宇有13年半導體行業從業經驗。他在加入飛思卡爾的早期,任職於i.MX應用處理器研發團隊,在該領域取得一項NAND Flash存儲應用美國專利。在加入飛思卡爾之前,他在士蘭微電子負責安全晶元的公鑰加密引擎設計,該引擎的RSA/ECC加解密性能處於國內領先平。
推薦閱讀：