创业资讯：自动驾驶技术面临的挑战
无人驾驶今天还不能成为现实，实际是技术本身还在发展和进化当中。以下是小编J.L分享的自动驾驶技术面临的挑战，更多创业指导请您继续访问(www.oh100.com/chuangye)。
近日，一辆特斯拉Model S在美国发生事故致人死亡，不仅将特斯拉推到风头浪尖，同时也引爆了行业各方对自动驾驶的大讨论。
特斯拉官方博客解释称，当约书亚·布朗(Joshua Brown，事故亲历者)的汽车撞上卡车时，控制汽车的正是Autopilot技术，这门技术仍然处在“公开测试阶段”。
“不得不说，特斯拉在产品本身还未完全成熟时便推向市场，这个行为本身在这次事件中必会承担一定的责任。”长期根植于硅谷的TEEC天使基金管理合伙人张于庆表示，即使在对技术崇拜的硅谷，大家对这次事件的态度都十分敏感。
但理性的正视事件本身，才能避免日后类似事件发生，有助于自动驾驶技术与行业的长远健康发展。
自动驾驶技术是否已准备好商用，面临着什么样的挑战?当我们已遇见自动驾驶技术所带来的问题之后，是否可以看看硬币的另一面，自动驾驶领域伴随的创新机遇?
特斯拉Autopilot并不等于自动驾驶
“特斯拉致死事件首先要澄清下概念，特斯拉的Autopilot(自动驾驶仪)是辅助驾驶而不是完全的自动驾驶。” 一直关注自动驾驶技术发展的NewGen Capital创始合伙人张璐解释到，Autopilot是用户驾驶的一个辅助功能，可以帮助驾驶员在开车过程中进行更好的判断、更轻松的操作。
实际上特斯拉在对外宣传上，也表明Autopilot并不是完全独立自主的自动驾驶系统。但“对于用户而言，当特斯拉将这个功能开放出来后，用户在使用了一段时间后容易形成依赖感，而这样的依赖印象导致驾驶行为容易超过Autopilot这样一个辅助驾驶功能的可控范围，带来了潜在的危险。”张璐认为，换个角度看，其实人出错误的概率远大于汽车系统、软件系统，但这个概率并不是平均分布，可能一位驾驶员发生的概率是30%，另一位则是20%。而同样一套软件或机器系统，在不同用户身上发生的概率可能都是0，或都是90%，“这可能是比较可怕的一方面”。
其实特斯拉Autopilot其核心技术使用的是以色列Mobile eye技术，该技术除了特斯拉也被很多汽车厂商如奔驰等采用，但目前只有特斯拉开放给用户进行公测。特斯拉也承认现在Mobile eye还是一个 beta版本，而非终极版本。“特斯拉致死事件为业界带来了很大的负面影响，但核心仍是如何去理解Autopilot，并不应该因此对自动驾驶产生巨大的质疑，这是两个不同的功能。”张璐说道。
另一方面就目前调查，从事件本身来看，驾驶员一边利用改装设备看视频一边使用Autopilot，尽管Autopilot技术不成熟，但究竟驾驶方和车方就这次事件各占多少责任，也值得商榷。
自动驾驶技术的软、硬件挑战及机遇
张璐认为，目前对于自动驾驶技术，在软件层面临比较大的问题是基于图像的机器学习能力。理论上，基于图像的机器学习可以让汽车实现自动驾驶，但在实际技术发展方面，仍有很多问题无法解决。例如现在特斯拉的'辅助驾驶只能在高速公路上使用，因为在非高速路段，其无法自动识别停车等路标。所以只有当图像识别、判断，信息的分析、学习，得到深入发展，才可能真正解决自动驾驶面临的难题。
另外在硬件层面，图像采集也是难关。无论是各类摄像头还是传感器，其都是一个数据采集端。数据采集端采集的数据有完整性、反应时间与速度等，决定着提供数据的准确性。在这基础上，才是图像识别问题。
“在特斯拉致死事件中，因为卡车车身为白色，车内照相机可能误判，又恰好扫描雷达看到的是大卡车的空档，也漏测了。”张于庆表示，目前特斯拉汽车并没有安装能在200米内扫描成像，精确度到厘米级的激光雷达，而Google每辆self-driving车都有，他认为，“激光雷达应该是今后自动/自助驾驶的必要传感器之一。”
“所以无人驾驶今天还不能成为现实，实际是技术本身还在发展和进化当中。”张于庆说。
边角测试问题决定商用之路漫长
即使技术到位，在张于庆看来，特斯拉Autopilot技术在通常情况可以正常使用，但由于软件系统总存在隐藏的缺陷和漏洞(bug)以及真实驾车世界中无穷尽的边角问题(corner cases)，市场化就需要时间。而这些边角问题的发现是很难在短时间内检测到，而一旦引起计算机误判后果难以估计(如特斯拉致死事件)，这些问题的积累、发现、修正需要经过产品发布——发现bug——bug修正，这样循环往复的过程，所以才会有产品1.0版、2.0版不停的迭代。但在无人驾驶中，潜在的问题会导致人们的生命受到威胁，这个牺牲成本太高，也就促成对产品的要求会更高。
“一个产品误测率做到低于5%可能需要花 2年时间，但要做到小于1%，可能需要花3倍或更长的时间。毕竟涉及到生命威胁时，这个考核标准就应该被严苛考量了。”他表示，总的来说，自动驾驶无论是从技术需要时间进一步成熟，新技术包括激光雷达等引入等，还是在产品化过程中，都仍需要更多的时间才能真正投入市场。
同时，张璐表示，整体来看，现在自动驾驶所应用的计算机视觉(computer vision)技术发展非常快速，但人的眼睛经过了几百年的演进才达到现在的感知水平，并和人体一半的细胞相关联;对比计算机视觉，发展历程不过十几年尽管已有非凡成就，仍需要时间进一步变革。现在包括斯坦福人工智能实验室开发的计算机视觉技术已走在时代尖端。“但毕竟计算机视觉不是单个技术，而是一套技术的整合，从硬件层的信息采集、分析，到后端软件的图像识别，以及图像处理、深度学习，还需要很长的时间去进行调整、测试、学习、纠错等。”她说。
硅谷VC重点关注计算机视觉
一直在美国市场专注于新兴技术类初创公司的投资的张璐表示，现在硅谷对自动驾驶投资集中在图像识别、计算机视觉、深度学习等关键技术领域。
在硬件层面，也有不少VC关注雷达领域，如Google雷达精确度高但造价昂贵，同时也有公司进行3D雷达开发，以实现360度探测，获得更完整、全面的数据。“但新型硬件方面成本居高不下，短期不会成为最大热点。”
另外，在自动驾驶周边服务方面也存在大量的投资机会。例如已有公司开始开发不同于普通地图的3D地图，能详细到道路旁边的电线杆的位置，以及与下一个油桶、灯柱的距离。“对于自动驾驶的发展，这些周边的技术和系统同样扮演着非常重要的角色。”张璐说。
【创业资讯：自动驾驶技术面临的挑战】相关文章：