汽車這種交通工具已經誕生130多年，就像對所有機器自動化的追求，能夠自行運轉行駛的汽車，始終是人們夢寐以求的。今天飛機、火車乃至地鐵都能夠一定程度地實現自動駕駛，大眾也期盼著道路交通中的自動駕駛車輛能夠問世。

據不完全統計，2018年全球自動駕駛投/融資總規模超過70億美元，其中中國內地的投/融資規模近12億美元。軟銀、本田相繼投資通用旗下的自動駕駛企業Cruise，總額高達50億美元；國內自動駕駛初創企業小馬智行也先后兩度完成融資，總額超過2.1億美元。

但同樣，自動駕駛事故的出現也為行業敲響警鐘。2018年3月，一輛Uber自動駕駛車輛在美國亞利桑那州與一名行人相撞并致其死亡，成為全球首例自動駕駛致行人死亡事故。而在國內，也同樣出現過特斯拉轎車因啟動自動駕駛模式而引發車禍的事件。

我們離自動駕駛還有多遠，近在咫尺，還是遙遙無期？

在AI Time第五期的辯論中，清華大學車輛學院院長楊殿閣教授、清華大學計算機系鄧志東教授，還有Pony.ai的CTO樓天城就一起論道了自動駕駛的相關問題。

從改善交通到促進產業轉型，無人駕駛的意義滲透社會方方面面

人類學研究告訴我們，超過90%的交通事故由人類駕駛員的失誤和錯誤造成。自動駕駛能夠消除這部分因素影響，也被人們賦予保障交通安全的重要使命。

除了改善交通安全，自動駕駛對于人類社會的方方面面都有重大意義。例如，節能減排、改善交通狀況、移動能力變得更強、促進產業的轉型等等。無論國內外，軍方、政府和企業都在嘗試或開展無人駕駛的研究。

國際上，最早的無人駕駛相關研究工作是從上個世紀80年代開始由美國的DARPA開展， DARPA擁有軍方背景，之后也有各種各樣的車企，互聯網企業，例如谷歌、Uber等等加入戰團。國內相對來講起步較晚，從上個世紀90年代開始相關的研究和進展，但是發展勢頭迅猛。

以百度、阿里、騰訊為代表的科技公司，正成為國內甚至全球自動駕駛行業研究的頭號玩家。2018年7月，百度和金龍客車合作打造的L4級自動駕駛巴士量產下線；9月，阿里發布其車路協同技術以及智能交通方案；11月，騰訊在其合作伙伴大會上展示了自動駕駛算法、仿真方面的全面布局。BAT因在自動駕駛上較為豐富的技術儲備，正成為車企們爭相合作的技術伙伴。

無人駕駛既是人工智能的研究問題，又是重要的應用場景

無人駕駛本身，既是一個人工智能的研究問題，同時又是人工智能的重要應用場景。所以它包含非常多的關鍵技術。

無人駕駛依靠感知系統，包括用攝像頭、激光雷達等等各式各樣的傳感器來獲取周邊的相關信息，來感知汽車周邊的環境。通過對以上信息的處理，作出相應的判斷，這些判斷的結果最后會通過控制執行子系統，來真正實現無人駕駛的相關操作。

無人駕駛在對周邊信息感知方面，有兩種非常典型的技術路線。

激光雷達

采用何種技術取決于應用場景，比如Waymo的無人駕駛，就是選取了激光雷達的路線。通過給汽車裝置非常精密精準的雷達，讓汽車眼睛更亮。即使是在黑暗環境下也能對周圍環境進行建模。

計算機視覺技術

不同觀點來自于特斯拉，馬斯克在今年初發表“傻子才用雷達”、“用雷達沒有前途”等觀點，他們更多地關注用傳統攝像頭獲取周邊的相關信息，去打磨獲得的視覺信號，捕捉重要的周邊信息。

融合在一起的技術路線可能更加先進

激光雷達距離非常遠，受環境光照影響低，但具有缺乏顏色和紋理、數據稀疏、成本高等缺點；攝像頭有顏色有紋理，成本低，但受環境光照影響大，且距離比較近。

鄧志東教授認為，雖然目前特斯拉等公司單目視覺技術已經有所突破并形成了壁壘，但是既可以測距，又有顏色紋理，還不受環境光照影響的固態激光雷達融合攝像頭會是未來的趨勢。

楊殿閣老師從產業角度分析，認為純視覺技術成本低，但無人駕駛需要對周圍環境做三維空間建模，相較于采用計算機視覺技術，用激光雷達建模則相對容易，而且也會使用到攝像頭。兩家公司技術路線不同和其業務不同是有關系的，谷歌做的是出租車等運營車輛的場景，需要考慮的是可靠性，成本占次要地位；特斯拉等公司做的是量產車，要賣給終端用戶，所以須考慮成本，而激光雷達成本太高。

而樓天城先生則認為，激光雷達路線還是計算機視覺路線，未必真的有答案。自動駕駛感知技術路線之爭并不是單一技術路線之爭，而是和整個系統有關。嚴格意義上講，世界上并沒有一家激光雷達公司和計算機視覺公司，標為激光雷達一派的Waymo其實也有27個攝像頭；同樣，特斯拉也至少有16個毫米波雷達。每一分傳感器的錢都能多帶來一個信息收入，這個性價比在于你花一塊錢，能夠獲得多少信息，這才是傳感器真正的價值。還有另外一點在于，“無人駕駛感知路線不是一個單一的問題，如果單純問自動駕駛感知路線，可能不是一個非常公平的問法，因為涉及了這種體系的很多個決策。路線不僅僅是感知，而是整體系統架構的考慮。”

自動駕駛系統落地實現方式：單車智能方式VS車路協同方式？

中國的主技術路線強調車路協同。因為中國的單車智能技術方面落后于美國，但中國有很好的道路和網絡條件，因此，單車智能和車路協同結合可以更好地落地。谷歌方案強調單車智能，比較符合美國的情況，因為在美國建立全網聯通的車車協同不太可能。所以并不是美國不想把車路協同加入自動駕駛的落地中，只是沒辦法落地。

車車通訊可以幫助汽車提前獲取更多的信息，比如大車遮擋了視線，但依然可以通過車輛之間的通訊獲取大車前面的路況信息。單車智能是根，車路協同作為輔助。所以二者應該是合作的關系，缺一不可。雙方可以共同保證自動駕駛安全落地。

乘坐無人車，更擔心還是更不擔心？

人類駕車兩種方式：正常駕車和違規駕駛，90%以上的交通事故都是違規駕駛導致的，正常駕駛一般不會出事故。無人駕駛汽車比違規駕車要強，比正常駕駛要弱，希望通過自動駕駛降低那90%的交通事故發生概率。至于會不會擔心，是一個心理問題，自動駕駛在車速等控制上比人精準，體驗會更好。但是自動駕駛在感知上還做不到比正常人可靠，這是瓶頸，有待突破。

中國接受自動駕駛的比例超過80%，這和中國人愿意接受新鮮事物有關，但是人類對自動駕駛的要求要高于人類駕駛。如果是純無人駕駛，還需要時間來進行技術突破，目前還不是足夠可靠。自動駕駛的目的是給行車安全帶來更多地保障。但自動駕駛還缺乏法律保障，事故責任劃分也需要進一步明確。無人駕駛真正上路還需要大家來適應，因為有人駕駛的車人是參與在整個駕駛的反饋過程中的，但無人駕駛的車輛人是不參與的，因此會覺得不可控，會擔心事故發生，需要時間來適應。

自動駕駛研發策略 ：從L2出發漸進推動VS直接攻關L4級？

如上圖所示，L2是指部分自動駕駛，而L4是指高度自動駕駛以及適用所有場景的完全自動駕駛。

樓天城先生表示，“L2和L4是從目標來定義的，不是兩個技術路線，L4的技術可以應用于L2，但L2的某些技術并不一定能應用于L4。一種技術是有天花板的，如果從漸近思想來看并不一定能達到最終的目標。L4也需要學習之前的很多知識才有可能達到最終的目標。”

因為L2和L4背后的市場主體不同，所以真正落地時需要結合他們背后的市場主體來看。車企在L1-L3時很注重成本問題，但在L4時，買家是運營方，所以對L4的成本問題相對不那么敏感。L2的發展會推動L4的發展，經過L2的發展，很多傳感器成本會更低，可以應用在L4，而L4的發展也會促進L2。但從落地來看，應該是L1、L2、L3、L4。

復雜交通場景：打磨技術利大于弊VS難度過大無法落地

眾所周知，中國的交通場景十分復雜，這些復雜交通場景無疑會給無人駕駛帶來落地難度，但是也提供了豐富的數據用于無人駕駛技術的打磨。

楊殿閣老師堅信自動駕駛在中國一定會落地，雖然中國復雜的交通場景會給技術帶來更大的挑戰，但復雜的交通場景肯定可以解決，而且會帶來更大的機遇。

樓天城先生認為，無人車落地如果是對于全局而言當然很困難，但如果從局部到全局，無人車落地機會還是很大的。復雜的交通場景帶來了更多的數據，在數據積累上中國有更多的優勢，所以復雜場景對技術的打磨利大于弊。

自動駕駛需要怎樣的人才？

計算機的奠基人是數學家，那么無人駕駛的奠基人會是哪些人才？最早的一批先驅是車輛工程出身，第二批是自動化人才，人工智能的人才第三批進入，但目前是三者相結合。

一方面需要復合型的人才，因為自動駕駛是非常復雜的系統；另一個方面需要的是專精的人才，因為涉及到的技術非常復雜。自動駕駛領域還不夠成熟，學習能力、解決問題的能力以及在混沌環境中找到前進道路的能力都是愿意投身自動駕駛的人才需要具備的。

AI Time由一群關注人工智能發展的青年人創辦，旨在發揚科學思辨精神，邀請各界人士對人工智能理論、算法、場景、應用的本質問題進行探索，展開辯論，碰撞思想，打造人工智能知識分享的策源地和聚集地。大數據文摘作為合作媒體將長期合作報道。