看四家技术代表如何演绎智能驾驶的“百家争鸣”！在智能化变革时代中我们看浪

在智能化变革时代中我们看浪涛滚滚，未能平息。显然这场被赋予「机器觉醒」的变革，如春秋步入战国时期，正值秦统一中原前各国百家争鸣、广纳百家的鼎盛时期。

文章图片

文章图片
前者有特斯拉技术路线为首的视觉路线，在视觉技术中「沉默」几年后开始迎来新的变革。而国内为代表兴起的智能驾驶路线也在近几年逐步锁定，多传感器融合与高精地图方案正奋力追赶。我们这一次就从四家特斯拉、小鹏、理想和蔚来汽车出发，一起讨论各家的技术演进、路线差异化。篇幅较长，为大家做了一个小目录供大家参考：

文章图片

文章图片
在这之前曾和大家分享了一个理论，也就是在视觉感知(检测)上，目前通过大量数据的积累，例如众包、训练等来实现「机器视觉从感知上超过人类」的路线是非常清晰。但完全凭借单纯的感知技术路线要达到完全接近人类的无人驾驶仍旧遥不可及。这里是因为：单纯的数据驱动必定会存在视觉系统“崩溃”(出现漏检、误检等)几率(例如我们看到最近频发的识别静止物体等事故) ，所以当前的目标是通过降低长尾场景(corner case)发生的概率，最终超过人类驾驶。1、三架马车如何让机器真正能够“跑起来” ，也就是在机器认知的学习中，我总结为三架马车：首先需要建立一套高效的系统「算法」，再利用「算力」不断捕捉、利用「数据驱动」，最终目的是让每一台车都具备学习的能力(路上有一百台车就有一百台车学习的能力) 。

文章图片

文章图片
而这反射到车企的技术方案中，也就是要有一个好的「地基」(计算平台)、在这上面建造自己的「房子」(架构) ，一个「硬装」(算力)、一个「软装」(自己的软件算法) ，利用车队与用户「数据」不断驱动运转。

文章图片

文章图片
这也就是我们今天的主题。2、一大难题但现阶段行业内出现一个共同存在的“难题” 。也就是深度学习现阶段如同一个“黑盒”(大家可以看看我们之前深度学习的观点：高算力(TOPS)到来之前我们该思考什么? ) ，机器学习并不知道学习背后的逻辑与知识，而是凭借权重比来做猜测，这就给自动驾驶的学习带来“不确定性” 。对于在未给机器赋予认知的能力前，例如人类的逻辑推理、举一反三的能力，系统也就缺乏了可靠性与实用性。3、两大路线当前主要有两种技术路线：第一个是 Robotaxi 无人车代表队。它们利用带有多种高端传感器的自测车以及高阶算法，在「特定区域内」进行商业化运行，对各类场景做「针对性」的收集与仿真训练。另一个是作为车企代表队。它们自带大规模车队，用户在各大开放道路中跑，但存在的难题是对场景数据量级太大、收集难度高，存在大量重叠场景。所以在例如类似标注、大量长尾场景的收集中，就需要有好的指令触发收集。「让机器知道我要收集哪些场景、接着如何做好解决」。而四大车企路线的发展到今天也有新的“分歧” ，回望这几年，市场也从特斯拉一家独大的技术之争演进到上演百家争鸣。首先是特斯拉为代表的视觉路线，其认为自动驾驶的发展和人类开车的逻辑类似，视觉能从一而终扮演一个主要角色。马斯克坚信利用摄像头来提取周遭的环境信息，在视觉计算处理后，系统经过深度学习模型来自我训练，以此呈现出一个渐进式的全场景认知能力，包括目标物的感知识别能力、地图构建、目标物的预测等。