一文看懂无人驾驶：你想知道的都在这

　　通过实时共享汽车驾驶数据，在同一条道路上的汽车就能共享自己的实时位置以防止交通事故，交通信号设施也可以依据车辆的通行需求合理安排交通顺序，降低车辆的等待时间，而V2P 技术则能让行人和自行车骑行者也加入到这个V2X的环境中来，使用他们的手机来发送和接收警示信息，保证行人的安全通行。

　　更大胆的设想是，如果汽车之间可以互相通信，并且实现了完全的自动驾驶，那么红绿灯便没有理由继续存在了。没有了红绿灯后，交通设施将会需要智能的调度算法和对交叉路口极严密的监控，但相比于交通运输效率的提升，这些设施的成本就不是问题。

　　另外在一些情况下车辆能够提早的预判危险情况，如果一定会发生事故或是在车辆已经确认遭遇撞击后可以通过V2X系统广播信息求助，从而极大的提升车内人员被救治的效率。

　　根据美国交通部的数据，V2X技术能够降低 80% 的交通事故率。仅仅在美国，这就将每年减少 59.4 万次交通事故并拯救多达 1321 条人命。

　　除了上述对硬件的需求外，自动驾驶技术更离不开软件方面的突破。高精度地图是实现自动驾驶的基础资源，而机器学习与工程算法则是使高精度地图、传感器与V2X设施所获得的数据真正实现价值的手段。

　　自动驾驶汽车在软件方面的需求

　　1. 高精度预计算地图，垄断 vs 竞争

　　现在每个人出行都会用谷歌地图、苹果地图、百度地图及高德等产品，并且他们都有一个不错的准确度令我们在城市中可以便捷的通行。但令人类用户满意的地图精度距离满足自动驾驶汽车的需求还很远，因为他缺乏了路面上有几条车道、车道的边缘位置、隔离带与路障位置等极为具体的信息。

　　因此给自动驾驶汽车开发其专用的高精度地图便成为了必不可少的任务。国内外较大的地图提供商目前都已经在高清地图领域展开了积极的行动，意图尽快的占领自动驾驶汽车用地图市场更多的份额。

　　高清地图服务商一般先要使用类似于谷歌街景车的技术，用车顶上的高清相机、雷达等设备把周围环境全部扫描记录，再通过算法优化最终得到厘米级别的地图数据。

　　HERE生产高清地图的策略与Google类似，这两家公司目前都是一次性采集一整个街区的数据。HERE通过车顶安装的四个广角的24 兆像素摄像头、旋转式的激光雷达、陀螺仪以及GPS 系统，依靠自有算法能够生成高清地图。按照Here的预期，用于自动驾驶高清地图服务预计将在2020年能够上线。

　　国内的高德地图也已经在推进地图数据的高精度化，在未来高德希望能够利用高精地图数据支撑自动驾驶的发展，自动驾驶再产生新的数据，经过科学自动化的处理，变得更新更准，更能被机器电脑使用和学习的数据，最终形成高精地图数据的生产闭环。地图行业及自动驾驶领域的巨头百度也早有布局，目前高精度地图已经是百度最重要的战略性业务之一。

　　A16Z的合伙人担心高精度地图会存在垄断的机会，因为他认为在自动驾驶时代人们将不得不完全依赖于这些成本高昂地图，且这个目前没有法律所管辖的领域也急需监督。

　　星河研究院认为从我国情况来看这种担心有些多余，在国内资本充足的现状下，多家地图企业相互竞争才是比较现实的情况，而其高昂的成本多半要先由风险投资商承担，再到后期寻找合适的变现模式。目前高德已经宣布其高精度地图对自动驾驶汽车免费开放，而预计随着竞争的加剧，为了市场份额而争相免费的情况将不可避免。

　　2. 机器学习 vs 工程算法：

　　算法是支撑自动驾驶技术最关键的部分，目前主流自动驾驶公司都采用了机器学习与人工智能算法来实现。

　　而海量的数据是机器学习以及人工智能算法的基础，通过此前提到的传感器、V2X设施和高精度地图信息所获得的数据，以及收集到的驾驶行为、驾驶经验、驾驶规则、案例和周边环境的数据信息，不断优化的算法能够识别并最终规划路线、操纵驾驶。

　　现在面临的主要问题是相比于模型计算，真实行驶场景中的算法需要的数据过多且计算量超出了现有能力。目前已经有了不少对机器学习进行简化的尝试，例如OpenAI的Universe这一项目，未来这一问题或许能够通过近似简化以及计算能力的提高得到解决。

　　同时在机械以及路径规划方面较为优秀的工程算法也不应该被弃之不顾。这两者最主要的区别是工程算法依靠固定的逻辑及规则运行，而机器学习能够结合历史经验与数据计算出最优结果。

　　Boston Dynamics令人惊叹的机器人的算法中并没有使用机器学习技术，但依然拥有了令人印象深刻的成果。因此即使工程算法在执行效率上与基于深度学习算法的Alpha-Go并不在一个水平，但将两者的优点相结合依然能够有效的提升机器学习的最终效果。