驾驶「自动驾驶」车辆是怎样一种体验？第1页

youngfish42 网友的相关建议:

百闻不如一见，百闻不如一见呐

利益相关：

菜鸟司机、计算机视觉领域见习研究者、投身人工智能落地应用的宣传者、蹭了一顿午饭

半年前，听说百度在长沙发布了无人出租车，后面又听说上海滴滴和高德合作也推出了无人出租车，我还以为会在长沙或者上海早日体验到无人驾驶。

不想，上海到上海距离太远，但上海到苏州却能够距离很近，于是在机缘巧合之下，我来到了苏州，参与了无人驾驶汽车的试乘。

那一天，早上天气阴沉，天气预报有雨。

可惜整天都没有下雨，这是个小遗憾，后面会提到~

我来到苏州北，似乎是为了特意照顾像我这样的路痴，一出高铁站就看到了此行的目的地，苏州 Momenta。

然后在经过了参观展厅，两小时的午餐会谈后，终于有幸坐上了无人驾驶车，有了很棒的体验。

先放个 DEMO 吧~

上面的视频里面的内容，和我当时试乘现场看到的内容基本一致。

体验的整个路段位于苏州相城的城建频繁区域，沿途经过30多个红绿灯，也有施工工地和学校居民区、商业中心，很有苏州本地的特色。

让小鱼来简单解读一下，从上面的截图我们可以看到很多很多的细节：

首先，从左上的第二个小窗口可以看到车内驾驶舱的情况，车辆的方向盘没有被手抓着，坐在主驾驶位置的安全员将双手放到大腿上，处于一个特殊的将汽车交给自动驾驶系统管控的状态。

其次，这个车使用了可量产的多传感器融合的感知方案，有12个摄像头，分别有前面的主视角，左前和右前视角，还有两侧和后侧视角。

然后，右侧的汽车信息有许多小细节，我们从上至下，从左到右说明：

汽车当前行驶速度，车辆的刹车转向情况，道路信息，车辆方向盘和加油情况。

其中，道路信息非常有意思。不知道是否注意到，靠近画面最中心白色的是当前本车的标识，

然后可以看到深蓝色的方型盒子代表道路上其他机动车，浅蓝色的小人标识意味着步行的或者驾驶非机动车的行人，

如果看得再仔细一些的话，可以看到地面非常精细的道路标记，比如车道线虚实线、边缘线、路口的停止线、人行横道、红绿灯位置等。然后还能看到各个车辆和行人的预测轨迹，非本车的预测轨迹是蓝色窄条，本车的规划轨迹是紫色窄条显示。

城区十字路口基于摄像头技术的自动化建图结果

MSD 飞轮式L4 传感器分布

在车上的时候，同行的伙伴和我一直问个不停。很感谢苏苏姐的精心讲解，让我们从试乘过程中学到了很多知识。

不过稍有遗憾的是，那天是阴天，一直没有下雨。不然的话也可以好好试一下雨中自动驾驶的新奇体验了。

上面这个视频是官网的DEMO，与第一个视频不同的是，这个是量产自动驾驶产品，Momenta 将其命名为 Mpliot，包括不同的应用场景，比如 Highway、 Parking、Urban，目标是最大化连续自动驾驶的时长，和车企合作给车辆赋予车辆自动驾驶的能力。

有一个很明显的区别是，这个是不装载激光雷达的，能给车主节约一大笔钱。也许一台智能手机的价格，就能让汽车拥有自动驾驶的能力。这确实令我很震惊。

回到前面我亲身参与的试乘，时间过得飞快，不知不觉半个小时就过去了，整个乘坐过程在我看来，非常的平稳、智能和舒适。

我注意到，自动驾驶在处理道路上一些疑难复杂的情况时，比如有货车加塞、非机动车逆行，表现出来对车的操纵能力，要比我这个新手司机要好得多，也平稳得多。

此外，很多人应该听说过特斯拉在台的事故，有一个车倒在路中间，然后自动驾驶没有识别出这个障碍物。

我特别担心类似情况在这边出现，因为中国特色的道路上有很多异形的车辆，比如载货三轮、老年代步车、美团饿了么的送餐车等。

当时在路上的时候就恰好遇到了类似的情形，在一个红绿灯路口的时候，横向的车道有一个很长的拖车，上面载满了小汽车，我当时注意到这个情况马上看了一下车载屏幕，发现也能识别出大拖车。

同车的苏苏姐介绍说，实车道路上测试中，经常会遇到特殊障碍物，有时会遇到施工、桩桶，而 Momenta 的算法可以利用闭环自动化工具链不断迭代。当遇到算法不能检测到某个特殊障碍物时，人类司机的操作与自动驾驶的决策不同，Momenta 会从这种差异数据中挖掘出所需要的关键场景加入到算法迭代中，以不断提升感知各种特殊障碍物的能力。

试乘过程中，也遇到左转时车辆和行人很多的场景。我原本担心，如果算法过于谨慎，一直等待，乘坐起来会很憋屈。如果太激进，也会有风险。实践下来，发现我的担心是多余的，试乘体验很流畅，稳中有进。Momenta 提到，不同于行业常规的规则驱动，使用数据驱动的感知和预测算法在这种场景充分发挥了优势。通过收集大量的路口数据，将路口的地图信息与他车历史轨迹同时作为输入，采用数据驱动的深度学习算法，可以很好地预测路口车辆的意图与行动轨迹，从而指导后续算法作出正确的决策规划，运动更加自由。

怎么说呢，这次试乘让我切实感觉了，读万卷书要行万里路，平常在纸面上或者网络上看的资讯再多，也不如找个机会到现场试一试。

这次也感受到，无人驾驶要真正实现商业化，大规模应用，最大的挑战是要保证足够的安全性。这里最大的挑战，还是如何自动化解决大量复杂场景，优化算法。

这需要大量的数据来进行感知、预测、规划、建图等，可见，大量数据是深度学习问题中最核心一环。

现在自动驾驶行业收集数据，提的比较多的是“千亿公里”，Momenta 的观点是这其中还包含着至少百万个待解决的问题。

千亿公里比较抽象，Momenta CEO 曹旭东师兄之前做过一个类比我觉得比较贴切，这相当于地球到太阳系尽头行星距离的22倍。让自动驾驶车跑出“星际穿越”里程的数据，这对任何一家自动驾驶公司来说都是很大的挑战，而 Momenta 的应对策略就是为自动驾驶安装一个“飞轮”，这个后面会详细说下。千亿公里数据仅靠路测获得显然不现实，Momenta 的方案是 “量产数据驱动”，我对此的理解是众包模式，通过和车企客户合作的前装量产产品，车主在驾驶过程中提供源源不断的量产数据，让产品和技术不断升级（跟特斯拉很接近，他们的量产产品叫Mpilot，也看得出来跟特斯拉的AutoPilot异曲同工）。

而对于千亿公里中要解决的百万问题，这里要着重提一下我在很多篇文章中都看到的一个概念，就是旭东师兄一直在提的“架构师”的文化，用数据驱动（Data Driven）的方式做一名“架构师”，去架构自动化解决问题的系统。

其实量产数据、数据驱动的算法和自动化解决问题的工具，这三个元素就构成了上文所说的“飞轮”。这个飞轮也是 Momenta 对实现规模化无人驾驶的核心技术洞察。根据他们的介绍，现在这个飞轮才刚刚起转，当它飞速转动的时候，就是 Momenta 产品和商业爆发增长的那天，也是最终实现无人驾驶规模化落地的那天。

寒假在家的时候，我看到百度在长沙发布了无人出租车，写了一篇文章介绍了我的看法，当时把这篇文章给了我爸妈看，我妈当时就非常兴奋的认为，自动驾驶的实现指日可待，为此我还和我妈吵（辩）了一架。

我觉得，身处技术前沿的研究者，通常是较为悲观的，因为他每天处理的都是难以逾越的困难，他觉着这些问题很难在短时间内得到解决。（比如 @诸葛有鱼兄在去年的悲观判断，好在今年有了更正面的想法）

但很有意思的是，不了解技术细节的大众，反而对于科技的发展会很乐观，就正如现在对于 5G 的宣传一样，大众比研究人员会有更多的期待。

我觉得过于乐观或者过于悲观都是不必的，不过这次试乘经历也让我自己反复打脸。

我在了解和查阅信息的过程中，总觉得自动驾驶这个东西很难实现，没法在近几年的大街上看到，很悲观；

然而试乘之后，又充满了信心，觉得通勤路上解放双手的未来指日可待；

但看到相关法律法规的推进，又觉得灰心丧气；

又继续查资料，发现这个东西还是有可行性的。

总之不断循环，不断改变自己的认知。

最近成为了科技盐究员，为了追求科普，不仅需要介绍我的感受，知识讲解也是必备的。

对知识的追求和对应用落地的渴望，让我不断去找寻自动驾驶背后的技术以及商业模式的资料，也顺便分享出来吧~

既然这次是在 Momenta 试乘，那就主要以它为例。

自动驾驶——复杂系统问题

自动驾驶，这其实是一个非常难的复杂系统问题。要实现这个最终目标，在整个过程中需要解决无数的小问题。

自动驾驶是分级别的

要知道实现最终完全无人的自动驾驶前，有不同级别的目标和方案。（目前分级标准未有定论，但可以参考下面的资料）

自动驾驶中的[智商税]

简言之：L1不用脚，L2不用手，L3不用眼，L4不用脑，L5不用人。

自动驾驶攻破的难点在哪，何时能到 Level 5？

图片出处：LEVELS OF DRIVING AUTOMATION ARE DEFINED IN NEW SAE INTERNATIONAL STANDARD J3016

表格出处：《汽车驾驶自动化分级》推荐性国家标准报批公示

实现自动驾驶的路线

为了实现自动驾驶，工业界有两个有代表性的路线

特斯拉路线，是按照自动驾驶等级的划分，从低级往高级不断升维，通过量产汽车对场景、数据和算法的迭代，最终实现完全无人驾驶。

而且正是因为坚定量产路线，也为了最低门槛获取数据、场景和功能反馈，马斯克完全依靠摄像头方案、不使用价格昂贵的激光雷达。

想依靠低成本传感器方案不断升维，难且有道德挑战；但好处是数据“众包”，能在量产中获得现金流和数据流。

Waymo路线，认为只有从一开始L4才能实现 RoboTaxi。该路线中，人机共驾的高级辅助驾驶被认为有天然 Bug——既要机器辅助驾驶，又要人类在紧急时刻接管，显然不靠谱。

于是 Waymo 从2009年正式推动后，逐渐明确了实现方式：原型车、规模化路测、在丰富场景中不断迭代，区域内落地，终极场景是让无人车行驶运营在任何时间、任何地点和任何场景。

希望一己之力不断扩大无人车队规模，最终真正实现完全落地，险且依赖融资烧钱；来自 Morgan Stanley 的报告，Waymo 截止到2038年才能实现收支平衡，之前累积亏损为数千亿美金。而好处是安全性相较而言更可控，不用把车主当小白鼠。

但 Waymo 路线中，最难的是无穷无尽的“长尾”问题，现实中总会有出乎预料的新场景、特殊挑战，这就要求自动驾驶系统足够聪明、且学习迭代得足够快。

而 Momenta的技术路径和商业模式，更加有原创性，具体可以从下面这个文章内得到答案：

重新定义无人驾驶关键路径，Momenta打造飞轮式L4

Momenta的战略是量产自动驾驶（Mpilot）与完全无人驾驶（MSD）两条腿走路，通过量产数据、数据驱动算法和闭环自动化，推动自动驾驶技术落地量产，并最终实现无人驾驶。

自动驾驶不会剥夺驾驶的乐趣

实现自动驾驶有什么好处呢？自动驾驶会让人类失去驾驶的乐趣吗？

其实可以很明确的是，未来全面推广后的自动驾驶，一定要比人类驾驶更为安全（否则就不会得到广泛落地）。

此外，自动驾驶是分等级分类别的，当下特定场景下的自动驾驶所做的，就是将人们在对应情景下从枯燥的驾驶（比如早晚高峰期堵车，或者长途高速）中解放出来，可以休息或者干别的事情。

更详细的相关讨论，我推荐看看如下资料：

自动驾驶会让人类逐渐失去驾驶乐趣吗？

自动驾驶能治首堵病吗？

无人驾驶技术来临，出行是不是可以完全交给车来完成？

无人驾驶技术最先落地的场景必须要有较高的利益回报，这样才能够驱动资本长时间地投入。满足高利益回报这个条件的场景有两类，一种是以提供服务为目的的场景：无人驾驶出租车（Robotaxi）、高速无人物流车队、港口码头无人货物运送、矿区无人运送、园区无人观光车等；另一种是以销售汽车为目的的场景：L2级别的辅助驾驶、L3级别的高速、环路自动驾驶和L4级别的智能代客泊车。

在以上商业化的场景中跟出行相关性最高的场景有一下三种：