汽車 2017-11-20 | 雷鋒網

雷鋒網新智駕(微信公號:AI-Drive)按:作為Mobileye的靈魂人物,Amnon Shashua熱衷於談論技術。所以你會發現,每次只要他演講,他的分享無一例外都與“技術”有關。

在他看來,技術非常激動人心,它能改變生活,改變交通,改變城市的設計等等。具體來說,他指的“技術”便是自動駕駛技術。毫無疑問,憑藉計算機視覺起家的Mobileye開創了自動駕駛技術的另一種可能。

在今年韓國舉辦的世界知識論壇(World Knowledge Forum)上,Mobileye CEO Amnon Shashua發表了主題為 Autonomous Vehicles:On Achieving a Safe and Scalable Platform 的演講,主要談論的是業內最為關注的問題:自動駕駛的安全保證和更為經濟的、可量產的自動駕駛平臺。

在將近40分鐘純技術分享後,Shashua也首次較為全面回答“為什麼Mobileye選擇英特爾作為收購方”這一問題。他答道:“加入英特爾,並不是因為其誘人的收購價格,而是其擁有的無價資源。”

Shashua說,當我們談論自動駕駛時,我們談論的不是某個產品,而是整個行業。我們不是談論計算機視覺、人工智慧、晶片系統,而是基礎設施、雲端計算、汽車廠商、監管部門、5G網路、資料中心。一個只有650名員工的公司怎麼能憑一己之力做到這些?因此,Mobileye需要加入一家行業巨頭,翻開新的篇章。

這也是他為什麼認為:現在看似風起雲湧的自動駕駛行業,並不能僅憑一己之力,單打獨鬥就能獲得成功。相反,自動駕駛是一個需要各方齊心協力,共同合作,並最終實現共贏的領域。

本文是Mobileye CEO Amnon Shashua在2017年世界知識論壇的演講,由雷鋒網()

新智駕獨家編譯整理。

在演講之前,我想讓大家關注這樣一個問題:汽車行業如何讓自動駕駛技術從現在的實驗室專案,變成大規模生產的產品?這是我們現在亟待解決的問題。

要回答這個問題,我們首先需要看兩個基本問題:一是自動駕駛的安全保證(Safety Guarantees),另一個是自動駕駛的經濟性和可擴充套件性(Economic Scalability)。

我們經常說機器能造福人類,能拯救生命,但另一方面,機器有可能會奪走生命。社會能接受機器的正面作用,但不能接受其負面作用,因此我們需要弄清楚社會對自動駕駛技術的接受程度,想辦法讓社會真正接受自動駕駛技術。因此,安全保證是一個非常基本的問題。

第二個基本問題便是擴充套件性問題,我們需要基礎設施,汽車成本、汽車保養、它是否需要額外的外部基礎設施,比如通訊裝置、地圖等等。即使自動駕駛汽車再安全,社會對其再寬容,如果其成本過高,那麼自動駕駛汽車的發展也將面臨巨大阻礙。我們可以經常看到視訊中自動駕駛原型車演示,但我們從未看到自動駕駛汽車的大規模生產。

如果我們不能合理解決以上兩個問題,那麼我們的自動駕駛技術就不能進行大規模生產。

自動駕駛的安全保證

總得來說,自動駕駛技術有三大支柱:感知(Sensing)、地圖(Mapping)和駕駛策略(Driving Policy)。

首先,自動駕駛汽車需要感知周遭世界,因此它需要攝像頭、雷達和鐳射雷達等感測裝置——它們能讓汽車接收到資料(比如其他車輛、行人、交通訊號燈等),讓汽車擁有一個360度視野。因此,沒有感測裝置,就沒有自動駕駛技術。

其次,地圖也是非常重要的。通常來看,我們在導航時才需要地圖。但對於自動駕駛汽車而言,即使無需導航,地圖也至關重要,因為它與駕駛安全息息相關。

地圖多種多樣,而自動駕駛汽車所需要的地圖是非常細緻和精確的,它需要反應環境的每個細節。同時,如果環境更新,地圖也需要隨之更新。那麼,如何打造一款能隨著環境實時更新的地圖?這需要技術和交通共同的力量。

第三,看清周圍環境,並知道自己在位置後,自動駕駛所需要解決的最重要的問題,依然是如何駕駛。感知與定位都是輔助手段,其決定性作用的還是最後的操作——需要與各方協商,作出正確決策。因此,自動駕駛汽車做出的駕駛策略也至關重要。

在自動駕駛汽車上路之前,我們需要提高自動駕駛汽車的決策能力。

首先,我們需要讓它們的決策能力與人類相當。因為如果自動駕駛汽車在做決策時優柔寡斷、相當保守,那麼它在行駛的過程中會非常緩慢,並妨礙交通。

其實,在自動駕駛汽車上路時,這種情況時有發生。如果自動駕駛汽車決策能力低下,那麼駕駛一兩輛做測試可能不會影響交通,但一旦成百上千的自動駕駛汽車上路,必將造成交通堵塞。這樣一來,到時候可能沒有哪個城市願意允許自動駕駛汽車上路。

因此,我們需要賦予自動駕駛汽車與人類相當的決策能力。同時,我們還需要讓自動駕駛汽車的決策能力高於人類,因為人類在駕駛時也可能因為判斷失誤而發生事故。因此,想讓自動駕駛汽車真正安全上路,它的決策能力必須比人類強很多。

汽車在融入車流、改道、轉彎、掉頭時,司機都需要作出正確決策。在沒有司機的幫助下,要自動駕駛汽車自己作出決策,通常是非常困難的。這就是我們要解決的問題。

那麼,我們怎麼處理事故呢?我們要解決的基本問題是:如何一方面賦予自動駕駛汽車與人類相當甚至超越人類的決策能力,同時讓社會接受自動駕駛汽車上路。

現在讓我們來看看一份白皮書,這份白皮書發表於2017年。

對於自動駕駛汽車來說,“安全”指的是系統整體性。而“多方安全(Multi-agent Safty)”指的是事故發生避免率。一般而言,事故發生主要由兩個原因。第一是計劃失誤,第二是感測失誤。

那麼,如何保證駕駛安全?

首先,我們有一個共識,那就是駕駛的熟練程度與駕駛里程成正比,如果司機的駕駛里程達到一定程度,那麼他會對汽車駕駛效能、道路交通情況等了如指掌,出事故的機率也更小,也就是我們傳統意義上的“熟能生巧”。

但我想指出的是,用這種方法來保證駕駛安全,是非常錯誤的。如果你繼續靠這種方法保證安全,那麼我們的道路上將永遠不會有自動駕駛汽車。

為什麼這種方法是錯誤的?

對於非自動駕駛汽車司機來說,駕駛一小時的死亡概率是10^6分之一。乍看一下,這個死亡率非常低。但我們看看下一組資料就會發現,這個很低的死亡率也很可怕。相關資料顯示:美國每年因交通事故而死亡的人數為3.5萬。

而如果自動駕駛汽車的死亡率也是10^6分之一,那麼顯然是不被社會所接受的。因此,自動駕駛汽車要上路,它的事故死亡率一定得比非自動駕駛汽車低得多。那麼,它需要低到什麼程度呢?1萬?1千?

答案是,還遠遠不止,社會能接受的因自動駕駛汽車事故而死亡的人數為每年10到100。這樣來看,駕駛一小時的死亡率需要不高於10^9分之一。如果要保證每小時的死亡率不高於P,那麼司機必須在每次軟體更新後,駕駛至少P分之一小時。

因此,如果要將死亡率降到10^9分之一,那麼司機必須駕駛10^9小時,才能保證資料的效度。而駕駛10^9小時,里程將近為300億公里,因此係統會產生300億公里的資料。

但我需要指出的是,要收集300億公里的資料,是非常荒謬的。我們來看看資料成本就知道了。

駕駛一小時產生的資料(包括攝像頭、雷達和鐳射雷達)約為5兆兆位元組,因此駕駛10^9小時產生的資料將達到5*10^18位元組,也就是500萬千兆位元組。而1千兆位元組需花費的成本大約為40萬美元,因此500萬千兆位元組所需的成本將近為2萬億美元。

我們再看看裝置成本。要收據到300億公里的資料,我們需要讓400萬輛自動駕駛汽車每天行駛20小時,行駛整整一年。而如果一輛測試車的花費為10萬美元,那麼400萬輛共需4000億美元。同時,你還要僱傭400萬位司機,這個成本還要另算。

因此,利用“熟能生巧”的方式來讓自動駕駛汽車上路是非常不明智的,因為其背後的成本幾乎是無法計算的。

所以,我們要指出的是:要保證自動駕駛汽車的安全,我們需要另一種方法,這種方法是基於模型並可以解釋的。

在提出方法之前,我要指出的問題是:絕對安全是不可能的。上圖中的藍色汽車四周都被車輛包圍,如果左邊的綠色車撞了它,它無計可施,因為它三面環車。

這種情況在道路上是很常見的,我們無法避免。因此,我們沒有辦法保證百分之百的安全概率。但我們可以保證另外一種可能:一旦發生車禍,相關部門就會開始調查,找出誰是責任方。

因此,我們要保證的是:如果車禍發生,責任方不是自動駕駛汽車,而是其他因素。這就是保證自動駕駛汽車安全的王道。

要保證自動駕駛汽車不是責任方,首先,我們要事先制定“事故責任”規則,而不是等著事故發生之後才開始調查誰是責任方。如果事後才開始調查,那麼媒體將會重點關注自動駕駛汽車,這樣又會引起社會轟動,帶來一波自動駕駛汽車安全的懷疑之風,監管部門會加緊自動駕駛汽車的政策,這樣便會阻礙自動駕駛汽車的發展。

其次,我們要保證自動駕駛汽車一直處於“安全狀態(Safe State)”。也就是說,除非有其他因素的影響,自動駕駛汽車不會自己造成事故。

要讓自動駕駛汽車處於“安全狀態”,我們需要規定自動駕駛汽車與周圍環境的“安全距離”。如果這個規定適用於所有城市,那麼自動駕駛汽車全面上路將指日可待。

我們來看看“安全距離”是怎樣算出來的。如上圖所示,它由四個因素構成:

  • 自動駕駛汽車反應時間;

  • 道路狀況(幹、溼等);

  • 車輛速度;

  • 最大減速。

如果自動駕駛汽車以100km/h的速度行駛,反應時間為200毫秒,最大減速為0(勻速行駛),那麼它的安全距離是5.5米。但如果其他因素不變,最大減速為50km/h,那麼安全距離便是33米。因此,自動駕駛汽車在行駛得非常快時,也可以保證安全。

同樣,在超車時,我們也可以計算出安全距離。超車時,如果我們知道需要降速多少,反應時間是多少,我們就能算出超車時的安全距離。一旦算出安全距離,就意味著知道了自動駕駛汽車在變道時的速度可以達到何種程度,有了這個速度的限制,自動駕駛汽車駕駛安全係數將會提高。

通常來說,當我們做超車假設時,道路上的汽車速度是一樣的。如果是這樣,那麼汽車是不能變道的。因為道路上的車道很多,本車沒有空間來變道。

因此,我們需要做另一種假設:在超車時,後方汽車的速度減慢了,這樣本車才能順利超車。所以,我們需要與相關監管部門進行協商,規定超車時的安全距離,讓自動駕駛汽車在變道和超車時也可以處於“安全狀態”中。

在處理突然橫穿馬路的車輛或行人時,我們也可以運用相同的辦法。如果你在駕駛自動駕駛汽車的途中撞到了前方橫穿過來的行人,那麼責任方有可能是你。那麼,如何避免這種情況?

如果我們能夠計算出保證橫穿過來的車輛或行人安全的最大速度,問題就會迎刃而解。一旦計算出這個最大速度並保持不高於該速度的狀態行駛,那麼即使前方有即將橫穿過來的車輛和行人,你也不會撞到他們。

我們可以和相關監管部門協商,將這個速度推廣到各個城市,變成規定。這樣一來,自動駕駛汽車的安全性又會大大提升。

上圖是“路線優越性(route priority)”(因時間關係,略過)。

美國高速公路安全管理局(NHTSA)做了一項調查,覆蓋了99.4%的交通事故。

通過表格我們可以發現,交通事故的原因是多種多樣的。比如前方車輛加速、前方車輛突然停止等等。那麼要如何排除這些原因,讓自動駕駛汽車安全?

根據上述描述,大家應該已經知道了自動駕駛汽車的“安全狀態”,那麼我們如何讓它們一直保持在“安全狀態”中?很明顯,要預測未來所有的狀況是不可能的。

有時候,駕駛自動駕駛汽車時會發生“蝴蝶效應”。也就是說,作為司機,我們不經意間做了一個無關緊要的小動作,但這動作看似無關緊要,其實在日後會帶來大災難。

因此,我們需要保證自動駕駛汽車的任何一個小動作,都不會帶來“蝴蝶效應”。

首先我們來認識兩個概念:

  • “預設緊急策略(Default Emergency Policy)",指的是自動駕駛汽車在緊急狀況下預設作出的決策,在做出這種決策時,自動駕駛汽車不會作為責任方造成事故;

  • “謹慎命令(Cautious Commands)”,指的是不管外界環境如何,都可以保證自動駕駛汽車處於“安全狀態”的命令。

所以,我們就可以得出一個保證自動駕駛汽車安全的框架:自動駕駛汽車以“安全狀態”啟動,在行駛的過程中一直使用“預設緊急策略”和“謹慎命令”,那麼它將永遠不會造成自己作為責任方的事故。

上圖是自動駕駛模擬器,圖中顯示車流駛入兩條分路,白色汽車駛向左邊道路,紅色汽車駛向右邊道路。從速度來說,你會發現它們很像人類駕駛行為。雖然車輛很密集,但是每輛車行駛得井井有條,沒有任何差錯和事故。

因此,你可以讓自動駕駛汽車像人類一樣駕駛。同時,無需駕駛300億公里,也能保證車輛的安全。此外,因為我們可以向社會解釋這種模型的運作方式,社會和監管部門都將接受這種模式。

關於自動駕駛安全問題的總結

我們來總結一下自動駕駛安全問題,我們把這種模式稱為RSS模式。

首先,RSS模式並不基於實證模型+模擬器的形式,而是基於一種保證的措施。

其次,RSS需要相關監管部門制定政策,接受“交通事故責任方”的規定方式,這樣才能確保自動駕駛汽車的安全性。

再次,RSS模式下的自動駕駛汽車不會作為責任方造成事故。

最後,如果事故是由感測錯誤引起,那麼駕駛搭載3個感測裝置的自動駕駛汽車10^5小時,便能收集到足夠的資料,這樣能保證自動駕駛汽車的死亡率不高於1/10^9。

自動駕駛的經濟性和可擴充套件性

我們來講講自動駕駛汽車的經濟、可擴充套件性問題。即使自動駕駛汽車再安全,如果不合理解決好經濟問題,那麼自動駕駛汽車的發展也會面臨巨大阻礙。

這一問題包括很多因素,其中一個重要因素就是地圖。我們需要精確度非常高的地圖(定位精度達到 10釐米)。

現在,我們製作地圖的方式很多都是基於人工操作的,如果在實驗室做研究,這種地圖還尚可使用。但如果我們想將地圖運用到整個自動駕駛行業中,那麼我們需要更加高階、價效比更高的地圖。

現在,駕駛輔助裝置的目的是避免事故。在一些國家,每一輛汽車都安裝前置攝像頭作為駕駛輔助裝置,而大部分的技術都來自Mobileye。2017年,我們銷售了將近900萬顆晶片,我們的技術安裝在將近900萬輛車上。

攝像頭可以收集到非常重要的資料。一方面是外部環境的資料,比如附近車輛、建築、交通訊號燈、道路標誌等等;另一方面是道路上的標誌線。

駕駛1公里將收集到1萬字節的資料,100公里為100萬字節,晶片能將這些資料計算和儲存。如果你一年駕駛了2萬公里,那麼晶片便能收集到2億位元組的資料。而將2億位元組的資料上傳到雲端,只需0.5美元。

這些資料傳送到雲端之後,將會用於製作精確度非常高的地圖。

REM架構:收集資料、整合資料和定位

REM(Road Expeirence Management,道路體驗管理)背後有三個架構:收集資料(Harvesting)、整合資料(Aggregation)和定位(Localization)。

首先,收集道路(線路、交通訊號燈等等)和地標資訊,創造1萬字節/千米的資料;

其次,將所有資料上傳至雲端的RoadBook中並進行整合;

最後,使用RoadBook和實時地標檢測系統為車輛進行準確定位,其準確程度滿足相關政策的要求。

為了更加直觀理解REM,我們來看幾張圖片。

上圖顯示了一輛行駛在拉斯維加斯道路上的自動駕駛汽車,左半部分是汽車的前方視覺,右半部分是汽車在Google地圖上的狀態。

紫色的線為道路上真實的線,你仔細看會發現它非常筆直,這表明地圖的精確度非常高,因為如果精確度不高,那麼紫色線將會變得彎彎曲曲。

上圖是一輛搭載第三等級自動駕駛技術的尼桑汽車在日本高速公路行駛的檢視,這是汽車廠商們發起的一個專案,目的是自動駕駛汽車高速公路駕駛提供指導。

這個專案有諸多合作伙伴,包括寶馬、日產以及很多其他汽車廠商。在行駛的過程中,這輛自動駕駛汽車能夠不斷收集資料,而這些資料可以用來打造地圖。2018年全球將生產200萬輛自動駕駛汽車,這些汽車都能收集併發送資料,幫助打造地圖。

打造自動駕駛地圖並不斷進行更新,如果要用到特殊的裝備,其實是非常昂貴的。但是,這種方法無需其他特殊裝備,所以它能很好的控制成本。

因此,通過聯合多方力量,利用自動駕駛汽車收據的資料來打造地圖,是降低自動駕駛地圖製造成本的好方法。

EyeQ系列晶片

現在,Mobileye的EyeQ系列晶片已經非常強大。

我們已釋出EyeQ3,其長度為40納米,採用4個創新型向量微碼六核處理器(VMP)和4個CPU,已於2014年11月正式投入生產。EyeQ4晶片長28納米,採用了6個VMP、2個可程式設計巨集陣列(PMA)和4個CPU,將於2018年3月正式投入生產,用於寶馬、大眾、日產、福特、通用、本田等汽車。

EyeQ4晶片是可擴充套件攝像機系統的重要組成部分,不僅會出現在碰撞避免系統中用於單目鏡影像處理,來滿足歐洲新車評估測試(NCAP)、美國國家公路安全域性(NHSTA)以及其他地區規章要求,還將使用在三焦距攝像機結構中用於實現一些高階客戶需求,例如半自動駕駛功能。

EyeQ4晶片能夠與雷達感測器和掃描光束鐳射完美相容,為使用者帶來更先進的服務體驗。

EyeQ5僅長7納米,使用了先進的半導體製作工藝——10納米甚至精度更高的FinFET新電晶體架構製程,其加速器核心經過了優化,如計算機視覺、訊號處理、機器學習任務以及深度神經網路。EyeQ5具有異構性,完全可程式設計的加速器,晶片內建的四種類型加速器均經過其系列演算法優化。

Level 5級別(SAE)的自動駕駛汽車將使用兩顆 EyeQ5晶片以及英特爾 CPU的支援。EyeQ5樣品將於2018年8月釋出,將於2020年3月投入生產。

總結

我講了兩個非常基本的問題,但這兩個問題經常是被大家忽略的。

通常來說,說到自動駕駛,我們會講到與感測器相關的問題,但這些問題其實都不復雜。真正複雜的,是如何讓社會接受自動駕駛技術。

如果社會不接受,那麼自動駕駛汽車將永遠不會大規模生產。所以我們需要保證自動駕駛汽車的安全,這就需要汽車行業和監管部門的合作。

同時,我們還需要解決自動駕駛的經濟性和可擴充套件性的問題,因為即使自動駕駛汽車再安全,如果人們不接受它的成本,那自動駕駛汽車將不能大規模上路。

我列舉了幾種降低自動駕駛成本的方法,比如打造地圖、優化駕駛策略、設計晶片。因時間關係,還有一種方法(Low power SoCs)我沒有講,如果你們感興趣,可以下載相關論文。

問答環節

Q:我們知道今年三月,Mobileye被英特爾收購。您能談談為什麼選擇英特爾作為收購方?

A:加入英特爾,並不是因為其誘人的收購價格,而是其擁有的無價資源。

Mobileye成立於1999,今年已經18歲了。2014年8月,Mobileye在紐約證券交易所上市,當時的市場營業額已經達到了55億美元。我們從駕駛輔助(基於前向 ADAS,與毫米波雷達融開始,一舉成為行業的領頭羊。

但是,我們意識到:當我們談論自動駕駛時,我們談論的不是某個產品,而是整個行業。我們不是談論計算機視覺、人工智慧、晶片系統,而是基礎設施、雲端計算、汽車廠商、監管部門、5G網路、資料中心。

那麼,一個只有650名員工的公司怎麼能憑一己之力做到這些?我們知道,是時候加入一家業內巨頭,並具有強烈工程師文化的公司。

其實,我們缺的不是錢,而是資源,包括人力資源、基礎設施資源等。我們需要與相關監管部門協商,但是以Mobileye的規模,我們只能與以色列國內的監管部門協商,而不能與其他國家監管部門協商。

但以英特爾的規模,它能和全球範圍內的監管部門協商。因此,我們清楚地知道:Mobileye需要加入一家行業巨頭,翻開新的篇章。

英特爾有一個部門專門致力於自動駕駛,他們在理念上與我們達成共識,因此我們選擇加入。與此同時,英特爾的以色列分部有將近1萬名員工,它在以色列的佈局很大。這也是英特爾吸引我們的原因。截止到兩個月前,英特爾以色列分部的200名工程師加入了Mobileye,從事下一代晶片EyeQ5的開發工作。

現在,我們已經打造了100車輛的自動駕駛車隊,它們將一邊收集資料,一邊進行自動駕駛測試。如果單憑Mobileye的一己之力,我們不可能打造規模如此龐大的自動駕駛車隊,但有了英特爾的力量,這就小菜一碟。

Q:在很多文化中,失敗意味著完蛋。但是在矽谷,失敗有著另一種含義。因此,您能談談“失敗”這個話題嘛?

A:這個話題很有趣,因為它與文化息息相關。有一本著名的關於以色列的書叫做《創業的國度:以色列經濟奇蹟的啟示(Israel - The start-up nation)》,但它的作者不是以色列人,而是兩位美國人。

正如“當局者迷,旁觀者清”,外國人觀察以色列,能給予我們一個不同的視角。在讀這本書時,有兩個觀點讓我感到很驚奇。其中一個就是關於失敗的問題,在以色列文化裡,因粗心大意而失敗是值得批評的,但因你想嘗試某種新事物而失敗,是無可厚非的。

如果你拼盡全力創立一家公司,但失敗了,人們不會批評你,而是會說你有經驗了,那麼下次你就不會犯相同的錯誤。因此,這樣的失敗並不會讓你失去信念。

另外,以色列沒有等級制度。以色列公司文化是很扁平的,如果我的員工用正當理由指出我的錯誤,那麼他不會被解僱,反而有可能會升職。這樣缺乏等級制度的文化讓員工們能夠暢所欲言,這一點在創立初創公司時是非常重要的。

Q:現在的自動駕駛領域風起雲湧,競爭激烈,你認為哪家公司會贏?

A:我認為贏家不只一個。自動駕駛領域有如Google、蘋果、Uber這樣的科技公司,也有賓士、通用這樣的汽車公司。另一些公司與Mobileye這樣的供應商進行合作,比如寶馬。去年,寶馬就和Mobileye進行了合作,一起打造2021年生產的自動駕駛汽車。

接來下,我們還會宣佈與更多公司的合作。有了這樣的合作,我們就能影響整個行業。所以,我覺得贏家不只一個。

你看看航空領域,會發現飛機的外觀相差不大,各個航空公司也將近趨同。我認為自動駕駛最後的格局將和航空領域相似,大家一起共贏。

Q:您能談談特斯拉的自動駕駛技術嗎?

A:首先,特斯拉的Autopilot系統是基於Mobileye的技術。特斯拉現在的自動駕駛技術還處在自動駕駛的Level 2水準,它叫做“半自動駕駛”。Levle 2的問題是我們必須告知駕駛員Autopilot系統的限制。駕駛員必須隨時待命,在系統退出的時候隨時接管。如果駕駛員放開方向盤,讓車自己駕駛,那麼將會面臨問題。

一般來說,但是當我們談論“自動駕駛”時,我們談論的並不是第二等級,至少第三等級或以上。我們與奧迪合作開發A8車型便是 Level 3級別的自動駕駛技術。

除此之外,我們還與日產、本田等汽車製造商合作開發第三等級技術。如果自動駕駛等級達到第三等級,那麼在某些環境條件下,駕駛員可以完全放棄操控,交給自動駕駛系統進行操控。

如果系統需要駕駛員進行一些操作,駕駛員可偶爾對方向盤進行干預。駕駛員不需要全身關注看車外的情況。此等級特點就是,系統某些條件下完全負責整個車輛的操控了。

而Level 4更加高階,自動系統在某些環境和特定條件下,能夠完成駕駛任務並監控駕駛環境,但在一些特定的環境中,它還不能完成任務。

但是,Level 5可以解決這個問題,這一級別的自動駕駛系統能夠覆蓋所有情況,在所有條件下都能完成的所有駕駛任務,它是自動駕駛技術的最高等級。

Q:在自動駕駛汽車要做出決策時,是雲端來做決定,還是車內裝置來做決定?

A:自動駕駛汽車在做決策時,時間是非常關鍵的。

首先,我們不可能讓雲端來做決策,雲端能做的是與地圖、收集其他車輛資料、更新規劃路線等相關的事情。它就像我們現在使用的地圖,比如Google地圖等等,不斷收集環境中的資料,進行更新,然後來重新規劃路線。

自動駕駛汽車要做決策需要的是人工智慧,其能幫助處理很多問題,比如感測、收集並處理感測原始資料、像人類一樣理解虛擬世界等等。人工智慧還能為駕駛做規劃和決策。在做所有這些決策時,時間是非常關鍵的。你沒有時間向雲端傳送資訊,然後等著它作出反饋。

現在,自動駕駛汽車車內一定會安裝高效能運算機,搭載人工智慧技術。因為自動駕駛汽車要做出決策,只有極短的時間,所以它必須自己在車內做出決策,而不經過雲端。

汽車相關

使用條款| 私隱政策| 聯繫我們

© CopyRight 2016 HKCOMPANYSEARCH.COM Rights Reserved. 0.021682024002075