無人駕駛急需解決：規劃控制和感測器價格高兩大問題（附Apollo演算法）
作者 | Mavis
出品 | AI科技大本營（公眾號ID：rgznai100）
【AI 科技大本營按】2017 年百度 AI 開發者大會上，現場視訊連線了正乘坐無人駕駛汽車行駛在五環上朝會場趕來的李彥巨集，他坐在副駕駛上解說，身邊司機的雙手並沒有觸碰方向盤，也正是因為這句話，無人車收到了交警的第一張罰單。2018 年春晚，由百餘輛無人車組成的車隊在港珠澳大橋上大秀車技，億萬觀眾通過現場直播觀看了視訊。
當我們還在感慨駕駛是一件費心費力的事情時，無人駕駛技術的進步已經逐步開始瞭解放我們的雙手到大腦的發展，在 O'Reilly 和 Intel 人工智慧 2018 北京大會上，營長與前百度矽谷研發中心創始核心成員李力耘博士聊了聊，李力耘表示目前無人駕駛技術上最亟待解決的技術是：是感測器的能力跟它的價值的平衡、無人駕駛的規劃控制兩大問題。
▌無人駕駛發展的價值
無人駕駛技術的發展，對人類來說不僅僅是解放了雙手，還解放了大腦。我們的注意力不需要集中在駕駛上，這將為經濟效益和社會效益帶來極大進步。
無疑在北京和美國矽谷這種交通環境下，開車對我們來說並不是一種享受，它需要花費很多的時間和精力，如果無人駕駛技術得到普及，可以把開車的時間解放出來，可以在車上查查郵件，看看新聞，甚至休息一下。另外，無人駕駛對經濟的生態也會帶來一些變化，例如無人產業鏈或許就會改變商圈的選址。
資料顯示，人類開車大概每百萬公里的量級就會出現一次致命事故，無人駕駛發展至今，已經行駛上千萬公里，發生了 Uber 的事故，相對來講，無人駕駛反倒是比人類駕駛安全係數更高。
無人駕駛取代司機是一個漫長的過程，可以看到，無人駕駛的測試是配備有司機的。如果無人駕駛技術得到普及，可以做整體全域性上的智慧城市的優化，比如說大家可以有一個集中的排程的系統，來優化去同樣目的地人群，並提倡共享出行。
無人駕駛技術不僅僅解放了人類的精力和效率，最終的方向是建立智慧城市，智慧交通的規劃，隨著這種統籌的發展，也許司機的比例逐漸減少，但最終取代司機的這一天，可能還有很長的路要走。
▌國內的測試環境更具挑戰
李力耘認為，美國現代的無人駕駛技術，還是遠遠領先於國內的，從加州交管局的彙報的資料可以看到，國內頂尖的 Apollo 與 Google Waymo 和 Uber 相比還是有一定差距的。
另外一點，無人駕駛的人才在美國矽谷比較多，這是一個非常重要的一個差別，Google Waymo、Uber 等都積累了很多無人駕駛的人才，國內在這方面仍處於剛剛開始積累的階段。
國內的測試環境更具有挑戰，政府提供了很多的支援，無論是交管法規，還是技術設施，都給予很多的支援，加上中國人對新事物的接受程度很快，像這些移動支付，O2O 這種都是美國沒見過的模式，國內很快接受了，在這方面有很大的優勢。
所以，在這種落地跟轉化上中國的優勢很大，美國是技術上的比中國積累的深厚，另外人才方面，隨著中國人才漸漸的積累和爆發，最終差距不會很大。
▌亟待解決的兩大技術
無人駕駛技術目前最亟待解決的技術有兩個部分：
第一，是感測器的能力跟它的價值的平衡問題。
據法國權威市場分析機構 Yole Développement 的統計，智慧駕駛主要通過攝像頭（長距攝像頭、環繞攝像頭和立體攝像頭）和雷達（超聲波雷達、毫米波雷達、鐳射雷達）實現感知的；當前最先進的智慧汽車採用了 17 個感測器（僅指應用於自動駕駛功能），預計 2030 年將達到 29 個感測器。
成本是很難降下來，便宜的感測器，又不能達到安全的要求，所以在價格和安全性和能力之間的平衡是急需解決一個重要的問題。
舉個例子來說，鐳射雷達技術並不是“原子彈科技”，這項技術只是需要更多的沉澱，更多的精力來把它做的更好、更精。從技術上來說是存在成本降低的可能性。
現在每一個鐳射雷達廠商都說，只要給我多大量，我就能把成本做下來，所以只要技術方案定下來，降成本是一定可以降的，它的更多挑戰是怎麼把這個雷達給沉澱更加穩定，更加精準、更加適合無人車的使用。
第二，無人駕駛的規劃控制。
無人駕駛技術在正常行駛的方面已經解決的很好，但是遇到一些異常情況，如出現一些行人不守交規，或者是一些極端情況的時候，我們怎麼把長遠的問題，通過演算法處理好，這是一個挑戰。
或許無人駕駛測試幾百萬公里級別，才出現一次 Uber 事故的場景，無人車測試的時候也會盡量避免這樣的事情，而在這個領域裡面，規劃控制和模擬器是可以發力的一個點。
用模擬器和人工智慧去檢測一些車的極限能力，或者是在一些極端情況車輛的反應情況，這些場景往往不太能通過採集資料，或者通過正常的手段來進行學習跟測試的。
▌對人工智慧期待過高
很多人都覺得人工智慧不夠“智慧”，這是因為大家對人工智慧的期待過高，從無人車的角度，人腦是一個神經網路，是經過了很多年迭代的，就是說你生下來的時候是一個設計好的網路，這個網路叫做基因跟生物學上的大腦。
除此之外，比如說你長到 16 歲開始開車，其實你的大腦的感知已經訓練了 10 幾年了，你對這個世界的理解，不是說像無人車這樣，弄很多圖片，然後訓練，人的大腦的感知能力是非常強大，所以，人工智慧要真的能達到這個人的感知能力，還有很長的路要走。
人工智慧現在隨著計算機視覺發展，在感知和預測上都有顯而易見的應用，但是在決策規劃上，應用並沒有這麼直接，隨著人工智慧的發展，決策規劃也已經向有資料驅動的方向開始轉變。
通過採集人開車的資料，和機器開車資料的區別，來訓練我們的演算法。讓我們的演算法開車越來越像人的行為，這是人工智慧開始滲透到決策規劃的一個方向，未來有一天人工智慧也會成為決策規劃上一個主流的演算法。
各個城市關於無人駕駛的法規剛剛出臺，目前還沒有那麼健全，但這也是擁抱無人駕駛技術變化的一個很好的體現。另外在這些法規的督促下，更合法又有效去的去提高整個系統的穩定性和能力，然後把這個系統做的更好。
很多人將無人駕駛技術發展看作是技術與法律的博弈，其實這更像是一個互相發展、互相適應的過程。
▌Apollo 部分演算法
最後，作為假期的福利，營長為大家送上李力耘博士在大會上演講的部分內容PPT （附演算法）。
AI科技大本營現招聘AI記者和資深編譯，有意者請將簡歷投至：[email protected]，期待你的加入！
AI科技大本營讀者群（計算機視覺、機器學習、深度學習、NLP、Python、AI硬體、AI+金融、AI+PM方向）正在招募中，和你志同道合的小夥伴也在這裡！關注AI科技大本營微信公眾號，後臺回覆：讀者群，新增營長請務必備註姓名，研究方向。
☟☟☟點選 | 閱讀原文 | 檢視更多精彩內容
相關推薦
NVIDIA新作解讀：用GAN生成前所未有的高清影象（附PyTorch復現） | PaperDaily #15
在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背後的探索和思考。 在這個欄目裡，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。 點選本文底部的「閱讀
無人駕駛中的決策規劃控制技術
作者： 李力耘，劉少山 責編：何永燦，歡迎人工智慧領域技術投稿、約稿、給文章糾錯，請傳送郵件至[email protected] 本文為《程式設計師》原創文章，未經允許不得轉載，更多精彩文章請訂閱《程式設計師》 無人車作為一個複雜軟硬體結合系統
基於tensorflow的CNN和LSTM文字情感分析對比（附完整程式碼）
如今科技日益發展、網路技術不斷深入到大眾生活中，貼吧、網站、電子郵件，使用者評論等使得人們有更多的便捷方式在網路中發表自己的意見和看法。這些數量龐大的文字中的情感資訊有著極大的研究價值和實用價值。而如何能夠從眾多文字資訊和資料中準確而高效地分析出文字中所蘊含的情感，並判斷情感極性，對情感做出分類，是
13.2：拷貝控制和資源管理
turn 還要 pub class apt 動態內存 並且 但是 方法 兩種選擇： 類的行為像一個值：有自己的狀態，拷貝一個像值的對象時，副本和原對象是完全獨立的。改變副本不會改變原對象。 類的行為像一個指針：類是共享狀態，當拷貝這個對象時，原對象和副本對象使用相同的底層
無人駕駛入門1：無人駕駛概覽
融合 起點 分別是 tail load 機器人 intro rap 發送 最近給大家分享了《百度Apollo無人駕駛入門課程下載》，我也學習了一些，把我做的筆記分享給大家。 第一課：無人駕駛概覽 課程主要介紹了無人駕駛車的關鍵部分以及Apollo的架構，帶大家入門無人駕
無人駕駛入門2：高精度地圖
復雜 學習 地圖數據 規劃 進行 信息 智能手機 領導 思考 自從上次發布了《無人駕駛入門1：無人駕駛概覽》，就收到了不少的鼓勵和鞭策，包括前領導的肯定。那我們趕緊來學習第二課關於高精度地圖的課程吧。 第二課： 高精度地圖 課程簡介：了解高精度地圖的實現邏輯，這是 Apol
無人駕駛——2.MPC模型預測控制
源自：《無人駕駛無人駕駛車輛模型預測控制》——龔建偉 1.基本原理 已知（輸入）：一條期望參考軌跡；當前k時刻的測量值； 設計：預測模型 目標：預測未來一段時域內[k,k+Np]，系統的輸出 方法：對這段時域內施加一系列控制序列4（k+1時刻的值為實際控制量） &nbs
【20181218】releasemanager之老本行：版本控制和環境管理
繼續根據軟體業務價值流圖來學習總結，本篇我們接著上一次的需求管理&變更管理來關注與它們密切相關的版本控制。 版本控制可以說是我的老本行了，在華為的五年配置管理崗位都是圍繞著版本控制打轉，然而當時還沒有徹底理解版本控制的意義所在。如今將版本控制作為持續交付流水線的一部分來看待，反而能對其本
Android定製控制元件：帶圖示的TextView和可編輯文字框（附專案原始碼）
各位朋友，博主向大家問好啦！ 初次見面，多多關照。 博主正在學習移動開發，今天老師教授的是定製控制元件：帶圖示的TextView， 然後課後依葫蘆畫瓢，博主定製了一個帶圖示的可編輯文字框，其實原理都一樣！ 博主覺得該課題具有可鑑意義，特此分享給大家，幫助入門級開發人員，大蝦
製造一輛無人駕駛車輛 Part2：全力加速
本文是我們的系列中的第二篇部落格文章，旨在指導您製作 1/16 比例的無人駕駛車輛。您還可收聽我們的 Twitch 網路直播以回顧這些部落格文章中討論過的概念。在跟隨我們操作之後，您可以將您自己的車輛帶進 re:Invent Robocar Rally 2017 的賽道，也可以使用我們提供的
Robotics（1）：阻抗控制和導納控制淺析
===================================0. 前言===================================我儘可能把事情說的通俗一些，所以內容並不會非常嚴謹。而且這個領域的術語很亂，Impedance control, stiffness control, admi
OS上機實驗一：程序控制和通訊
碎碎念：難得自己耗費了很多時間去考慮，雖然都是什麼沒技術含量的粘程式碼和測試，但還是有一絲成就感的，作未來動力。 一：程序的建立和管道通訊 描述：使用系統呼叫pipe ( )建立一條管道，建立2個子程序，兩個子程序P1和P2分別向管道各寫一句話： Child 1 i
OpenGL藍寶書第七章：立體天空和紋理折射、雙紋理（下）
ever oot 可行性 VR char 都是 pipeline 差異 pac 對照了藍寶書，才知道紅寶書的長處。 reflect函數的原理在紅寶書中有說明，僅僅有
終極演算法：機器學習和人工智慧如何重塑世界筆記（轉）
終極演算法：機器學習和人工智慧如何重塑世界筆記 2017年08月17日 11:00:38 Notzuonotdied 閱讀數：4492 版權宣告：本文為博主原創文章，未經博主允許不得轉載。 https://blog.csdn.net/Notzuonotdied/artic
《程式設計珠璣》程式碼之路1：學習位操作的神器----點陣圖排序（附解決程式設計師心理問題的門路）
最近由於“閒書”讀太多，不少朋友以為我要轉當產品經理了，故想起來把最近讀的《程式設計珠璣》以及自己編寫的程式碼整理成部落格，用程式碼證明自己的清白。雖然自己比較菜不能和Google和ACM金牌大佬PK技術，作為一隻老年菜雞ACMer，經常一頓操作猛如虎，一看戰績0AC。 但相信對於剛入門的小夥伴
入門到精通：資深程式設計師規劃JAVA大資料學習路線（附視訊教程）
人類正在從IT時代走向DT（Data Technology）的時代。以網際網路、雲端計算、大資料和人工智慧為代表的技術革命正在滲透至各行各業，改變著我們的生活。 本文主要針對從事大資料開發的程式設計師們整理了整套的大資料學習相關的路線圖和知識材料，希望能幫助到大家。 很多初學者，對大資
hadoop平臺報錯：ATTEMPTING TO OPERATE ON HDFS NAMENODE AS ROOT（start-all.sh）啟動失敗解決方法
如果遇到 需要修改start-dfs.sh stop-dfs.sh start-yarn.sh
Go 語言的下一個大版本：Go 2.0 被安排上了（全面相容1.X，改進錯誤處理和泛型這兩大主題）
今年 8 月 Go 開發團隊公佈了 Go 2.0 的設計草案，包括錯誤處理和泛型這兩大主題。現在備受矚目的 Go 2.0 又有了新動向 —— 昨日 Go 開發團隊在其官方部落格表示，Go 2 已經被安排上了！目前 Go 2 已進入確定變更提案的階段，並公佈了提案評估流程。 廢話不多說，先
Go 語言的下一個大版本：Go 2.0 被安排上了（全面兼容1.X，改進錯誤處理和泛型這兩大主題）
.org leader utf8 驅動 cleanup 周期 一份 早期 下一個 今年 8 月 Go 開發團隊公布了 Go 2.0 的設計草案，包括錯誤處理和泛型這兩大主題。現在備受矚目的 Go 2.0 又有了新動向 —— 昨日 Go 開發團隊在其官