汽車行業一直有著一個宏偉目標，其重要性甚至遠超自動駕駛汽車的開發，那就是零死亡與零事故。整個行業都在朝這個目標努力。要實現這個目標，就需要將人為錯誤減少到最低程度，甚至使之完全杜絕，這反過來又說明，網聯全自動或半自動駕駛汽車必須能夠學習和分析當前的駕駛狀況和以前的駕駛行為。自適應機器學習應用有助于評估駕駛狀況，將這些狀況與之前發生過的狀況進行比較，并使行之有效的行為模式適應新的環境。

網聯汽車的自適應應用

自適應應用是指高精度 GNSS、轉向、制動、加速和減速之類的應用，這類應用可通過車載傳感器進行快速調整，從而控制車輛的位置或實現其他一些期望的結果。它們可以從傳感器數據中得出結論，以便對特定情況進行學習，然后在將來做出適當響應，這一過程就像駕校教練指導學員開車一樣，這樣一來，它們最終就可以自己做出決策而實現自動駕駛。

在自適應應用中，就像在工業市場中采用機器學習技術一樣，車輛會從高計算能力的資源豐富的后臺那里接收人工智能 (AI) 信息。當將這些數據與來自車輛傳感器的數據結合起來時，車輛就會學習如何快速適應并運轉。在這種情況下，網絡就好比是駕校教練，將知識傳授給車輛。如果車輛以后再遇到類似情況，它就會知道該怎樣做——例如，在接近道路施工位置時自動減速。根據這些經驗和后臺AI通信的支持，就可以構建起一個智能數據庫，并與其他車輛共享，這樣就可以改善駕駛員的人體反應時間，并使車輛迅速采取措施。

機器學習之所以重要，是因為車輛必須具有適應能力。它們不可能始終都對所有的傳感器數據進行監控和計算，然后將其用作預測的依據，因此駕駛行為和環境條件的變化有一部分必須從學習到的情況識別出來。

自適應應用的要求

如果要在網聯汽車的自適應應用中采用機器學習，那么有幾項要求就必須符合。最重要的就是通過遠程信息控制單元 (TCU) 發送衛星數據的高精度GNSS導航系統。換句話說，如果要使車輛能從其環境中進行學習，那它就需要知道自己的確切位置。盡管許多汽車都已經配備了導航系統，但是要運行各種新功能，例如車道保持輔助技術，那么這類系統中的大多數對未來的ADAS/AD應用來說都還不夠精確。例如，如果由于為建筑工程騰出空間而發生了變道，那么當前的GNSS系統不一定會將這一信息發送給車輛。

在全自動或半自動駕駛汽車中，這種不一致是不可接受的。將高精度GNSS或其他衛星的信息與IVN傳感器融合及后臺AI所提供的通知相結合，就可以讓汽車清楚地了解自己的位置，以及即將發生的情況。它必須要能測量另外兩輛車之間的確切距離，從而確定是否可以從它們之間安全通過，也就是說不僅要知道自己的位置，還要能確定別的車輛的位置。

因此，自適應應用還將在傳感器共享方面發揮重要作用，在這方面，汽車會學習從其他車輛獲取數據，然后使用“后臺”來得出自己的結論并做出預測。

后臺是網聯汽車的“外部大腦”

汽車本身不可能加入太多算力。由于它會獲得新知識，因此就必須讓它將這些知識通過TCU反饋給所謂的后臺，同時，這個后臺也會從許多別的汽車那里收集大量數據，這樣就能告訴汽車有諸如新的施工或交通規則變更之類的事情發生。

反過來，汽車則可以驗證或者拒絕此類信息，這本身就是一個學習的過程。谷歌地圖在一定程度上就已經在做這項工作了，那就是通過采集手機用戶的位置數據來識別交通擁堵狀況，然后實時地將這一信息添加到地圖中。汽車必須具有適應能力，它們并沒有充分的算力來持續不斷的監控并處理傳感器數據以及變化中的環境數據、從過去或者預測的場景中學習，然后再做出預測。反過來必須不斷適應轉向、制動和加減速上的變化。

為了從后臺獲得數據，車輛就需要經過安全認證的、快速而又可靠的數據連接，使其整合起車載的傳感器并根據這些傳感器提供的數據來驗證轉向運動。汽車以太網提供了充分的帶寬，在適當的時機將數據送達正確的位置。然而，對于是否只有汽車以太網才能勝任這項工作，目前尚不明了。大致說來，只要提供一條快速可靠的通信鏈路，類型不限，就可以讓系統來監控交通狀況并縮短延遲時間，這樣就可以根據需要來快速的傳輸數據。以太網配備了許多標準化的先進工具，可以做到這一點。

目前的每一家OEM都設置了自己的后臺，但以后制造商可能會相互合作，并與谷歌、亞馬遜和微軟之類的外部提供商一起來提供新的SaaS應用，帶來更好的駕駛體驗。企業的發展環境仍處于不斷變化之中，還需要數年的時間才會最終敲定下來。

改善人體的反應——一些范例

機器學習和自適應應用并不是什么科學幻想；現在的許多應用都可以增進駕駛員的安全性與舒適度（圖1）。

圖1可以采用自適應應用的應用范例：停放的卡車遮擋了其他道路使用者的視線。在這類情況下，防碰撞系統可以減輕人體反應時間上的局限。（圖片：莫仕）

這些應用可以執行一些簡單的任務，例如識別并避免發生事故及其他危險、提供備選路線，以及自動泊車。車道偏離預警技術之類更加先進的應用業已存在，但對于更快的速度、以及在雨雪和視線或視野 (FOV)受遮擋之類的眾多環境因素下，這些應用還未成熟或者精確到足以為駕駛員提供全面的保護。隨著我們不斷開發出更加精確并且可以識別的絕對定位數據，這種情況未來會發生改變。

高精度定位和車道保持技術在許多情況下都會發揮重要的作用。如果大雨或大雪使道路能見度降低，那么駕駛員或許就不能根據路標或其他環境因素來認路，而機器學習則會發揮重要的作用，幫助駕駛員正常行駛。以后，后臺以及網聯汽車傳感器提供的絕對定位數據將使汽車能夠分析并適應道路狀況、了解自身所在的具體位置，并且穩穩的保持好車道。

其他自適應應用還包括對道路標志的識別與學習。例如，車輛可以檢測到道路施工造成的限速的變化，然后加以回應。為了做到這一點，汽車必須懂得相應標志上數字的含義，以及如何對這些數字做出響應——也就是調整最大車速，或者從后臺獲得人工智能的預測信息，這類信息會告訴汽車限速已經發生變化，并且“記下”之前存在的限速。

自適應技術還可用于車輛的照明。駕駛員往往會忘記正確設置好大燈。此外，如果車燈并沒有正確的照亮路面，造成駕駛員難以看清迎面而來的車輛和其他物體，那么轉向也會存在問題，而且這也會使道路上的其他駕駛員暫時失明，或者產生其他與車燈有關的不利影響。

自適應應用可以確保始終根據變化中的環境狀況和車輛的物理條件，來相應的對大燈進行調整，而且車燈的光束也會一直指向車輛的運動方向，避免干擾到其他車輛以及導致道路照明不佳。這樣就提高了駕駛員的能見度，因而增進了安全性。

隨著車輛的自動化程度日益提高，我們正在探索的高級應用也會愈發的重要起來。當今全自動駕駛汽車的行駛速度相對較低，在提供了地理圍欄、車輛已經熟悉的區域中，最高車速要低于每小時56-73公里（35-45英里）。這當然需要進一步的提高，但是在高速行駛過程中，如同駕駛員一樣，軟件的反應時間也會縮短，而當前的響應速度并沒有快到足以保證安全。例如，目前在更高的車速下，IVN攝像頭的傳輸速度和相關數據的處理速度可能并不足夠保證安全。

車艙內傳感這種高級應用適合駕駛員遇到健康問題、身體疲勞或者精力不能夠集中的情況；傳感器激活后，汽車就可以限制駕駛員對方向盤或其他必要駕駛功能的操作。在較低級別的自動駕駛中（3級），駕駛員仍被看作是自動駕駛系統“可以依靠的選項”，因而這一功能意義重大。然而，駕駛員的分心卻會影響到安全性。這樣一來，傳感器就會阻止駕駛員接管方向盤及進行其他有關的駕駛操作。

自適應應用當前面臨的挑戰

在為網聯汽車及全自動或半自動駕駛汽車開發并集成自適應應用的過程中，成本是最大的問題。這些應用極為復雜，因而無法實現成本效益。即使是現有的應用也非常昂貴，所以，如果要使機器學習和自適應應用發揮作用，重要的一點就是要降低價格。

另一個挑戰在于缺少通信標準。DSRC、Wi-Fi、5G還是其他系統的組合——對于會有哪些國際頻帶來實現網聯汽車之間的通信，目前尚不明朗。這場競賽中還存在著許多的可能性，而新冠病毒病和日益惡化的經濟形勢也使大家對達成協議不那么重視了。

我們下一步走向何方？

對于包括OEM、供應商、駕駛員和乘客在內的每個相關方來說，安全性都至關重要。在實現零死亡與零事故這個目標的過程中，人人都要起到一定的作用，而且我們要盡快實現這一點。單單在德國，2019年就有3,059人死于道路交通事故，而在美國，同一年則有38,800人失去了生命。非常重要的一點就是要確定好我們對安全性、自適應應用和機器學習的重視程度。

在自動駕駛汽車上安裝這些系統代價不低，但卻物有所值。我們必須與其他行業部門合作，例如航空、物流、防務，甚至還有游戲和無人機的制造商，這樣才會有機會來相互學習，一起來分享經驗并分攤開發成本。為了實現共同的目標、采用技術來彌補人為錯誤并使道路事故和傷亡不再發生，OEM和供應商就必須跳出常規思維的桎梏，開展合作，或許在其他行業中也要做到這一點。

編輯：hfy