自動駕駛走向廣泛應用的下半場已然開啟。當前，國家和各地政府正在不斷加強對智能網聯、自動駕駛、智能公交車等智慧交通場景示范區的建設和投入，同時有序推動各類相關標準的制定和實施，積極鼓勵社會企業參與其中，為相關交通技術應用和場景落地營造了良好的氛圍。

近日，自動駕駛行業發生了兩件大事，引發行業人士的關注與討論。

12月7日，Uber宣布出售虧損已久的自動駕駛業務，Uber于2015年搭建的自動駕駛團隊ATG就此成為歷史，持續5年的自動駕駛研發也走到盡頭。

12月8日，百度在廣州舉辦Apollo生態大會，發布ANP（Apollo Navigation Pilot）領航輔助駕駛。Apollo Lite是基于L4級純視覺自動駕駛的城市道路閉環解決方案，將于明年搭載于量產車型上市。ANP聯合此前推出的AVP泊車方案，百度計劃在未來5年實現100萬輛車型的前裝。

自動駕駛配套系統化方案的推出，對于廣大汽車用戶來說是一個好消息。在自動駕駛相關應用落地的過程中，算法、云計算等所起到的作用日益突出。如今，機器學習算法正大規模地用于解決自動駕駛汽車產業日益增多的問題。結合ECU（電子控制單元）傳感器數據，人們必須加強對機器學習方法的利用以迎接新的挑戰。搭載了機器學習算法的潛在應用包括利用分布在車體內外的傳感器，例如雷達、攝像頭、激光探測。綜合各類數據之后，就可以應用于駕駛員駕駛狀況評估、駕駛路線策劃及避開障礙物等細分場景。

根據車輛導航系統的研究歷程，車輛路徑規劃算法整體分為靜態路徑規劃算法和動態路徑算法。靜態路徑規劃，是以物理地理信息和交通規則等條件為約束來尋求最短路徑，已日趨成熟，雖然相對簡單但對于實際的交通狀況來說其應用意義不大；動態路徑規劃，是在靜態路徑規劃的基礎上，結合實時的交通信息對預先規劃好的最優行車路線進行適時的調整，直至到達目的地得到最優路徑。算法融入動態路徑規劃，已經成為自動駕駛研究的一大分支。

在高級輔助駕駛系統（ADAS）中，利用感應器獲取的圖像包含多種多樣的環境數據。此時對圖像進行過濾變得十分必要，這樣可以剔除一些不相關的樣本得到用于分類的實例數據。而在分類前，關鍵步驟是在一個數據集上的模式識別，這類算法被稱為數據約簡算法。

由于應用場景的變化，重新定義軟件的架構，導致硬件架構的變化，核心就是人工智能的計算。其實，從CPU時代的邏輯計算為主到現在深度深耕網絡計算的智能計算，實際上使得硬件處理器的架構重新在被定義，這一點在智能汽車、自動駕駛出租車方面同樣適用。

有專家指出，自動駕駛汽車依靠雷達、監控裝置、視覺計算、人工智能和全球定位系統協同合作，讓電腦可以在沒有任何人類主動的操作下，自動安全地操作機動車輛。在自動駕駛的過程中，汽車需要通過感知、策劃、控制、決策等一系列過程，從而實現“人工智能”。簡單來說，自動駕駛系統根據從感知融合模塊得到的環境信息，如紅綠燈、行人、其他車輛等數據的反饋，才可做出停車、超車、變道等具體行為決策。

理論上講，由于自動駕駛汽車不像人類駕駛員那樣容易注意力分散或疲勞，它們其實具有減少路面交通事故的潛力。不過，人類在遇到新狀況時，能夠基于知識范疇和理性決策盡快做出反應。而現階段，人類尚無法訓練自動駕駛汽車熟悉所有可能的交通狀況，想要讓自動駕駛汽車實現“無事故軌跡”的運作還需要突破算法、技術、監管等多方面的瓶頸。

隨著算法的精進，以及物聯網、云計算、大數據等各類技術的不斷成熟，相信自動駕駛汽車的推廣應用之路會“跑”得更為順暢。
責任編輯:tzh