物體分析問題中的初步挑戰(zhàn)是物體探測，考慮到一天中不同的時間段、環(huán)境背景和任何可能的運(yùn)動，這項(xiàng)任務(wù)可能會變得很困難。此外，考慮到傳感器所采集的各數(shù)據(jù)類型(來自激光雷達(dá)的點(diǎn)云數(shù)據(jù)，來自雷達(dá)的對象列表以及來自相機(jī)圖像數(shù)據(jù))之間的差異，確認(rèn)物體的存在性及其類型所需的傳感器融合算法在技術(shù)上實(shí)現(xiàn)起來是極具挑戰(zhàn)性的。

　　第2個問題決策系統(tǒng)(Decision-Making Systems)的設(shè)計。為了模仿人類的決策，它們必須歷經(jīng)大量應(yīng)用情景并進(jìn)行密集且全面的“訓(xùn)練”。理解和標(biāo)注收集的不同的場景和收集到的圖像對于自動駕駛系統(tǒng)而言是一個運(yùn)用普通方法所難以解決的問題，創(chuàng)建全面的、能夠覆蓋到自動駕駛汽車所能遇到的所有場景的“if-then”規(guī)則庫是行不通的。但是，開發(fā)人員可以先構(gòu)建一個“if-then”的規(guī)則數(shù)據(jù)庫，然后在此基礎(chǔ)上利用機(jī)器學(xué)習(xí)引擎來對其進(jìn)行補(bǔ)充，因?yàn)楹笳吣軌蛟谔囟▓鼍爸羞M(jìn)行智能推理并采取相應(yīng)行動，而創(chuàng)建一個這樣的引擎是一項(xiàng)非常艱巨的任務(wù)，需要完成大量的開發(fā)、測試和驗(yàn)證工作。

　　最后，該系統(tǒng)還需要一個故障安全機(jī)制(Fail-Safe Mechanism)，該機(jī)制能確保在汽車發(fā)生故障時不會讓車上的乘客和周圍的人員陷于險地。目前尚無方法來檢查每一個可能的軟件狀態(tài)及其所造成的結(jié)果，建立防護(hù)措施以防止最壞結(jié)果的發(fā)生同時控制車輛以使其安全地停車仍是待解決的難題。因此，冗余設(shè)計和長時間的測試工作將是必須的。

　　在實(shí)現(xiàn)全自動駕駛的道路上披荊斬棘

　　隨著各企業(yè)推出軟件包(software envelope)來嘗試創(chuàng)建第一批全自動駕駛汽車，它們需要解決與圖2中所列因素相關(guān)聯(lián)的技術(shù)難題。

　　感知技術(shù)、定位技術(shù)以及測繪技術(shù)

　　為了完善自動駕駛汽車，參與該領(lǐng)域的企業(yè)正在用不同的技術(shù)路線來解決自動駕駛汽車在感知、測繪及定位等方面遇到的技術(shù)難題。

　　感知技術(shù)(Perception)：目標(biāo)是以最少的測試及驗(yàn)證里程來達(dá)到可靠的感知水平，目前存在兩種技術(shù)路線：

　　毫米波雷達(dá)+超聲波雷達(dá) +攝像頭(Radar, Sonar and Cameras)：為了感知環(huán)境中的車輛和其他物體，自動駕駛汽車將使用毫米波雷達(dá)、超聲波雷達(dá)及攝像系統(tǒng)，該技術(shù)路線并不能在特別高的精度水平上(on a deeply granular level)對環(huán)境進(jìn)行評估，但只需要較少的計算資源;

　　上述傳感器 +激光雷達(dá)(Lidar Augmentation)：第2種技術(shù)路線在毫米波雷達(dá)和攝像系統(tǒng)的基礎(chǔ)上，還使用了激光雷達(dá)。它要求配置更強(qiáng)大的計算能力，但在各種環(huán)境中的魯棒性更好，尤其是在擁擠且交通流量很大的環(huán)境。

　　專家們相信第2種技術(shù)路線將最終成為許多未來自動駕駛汽車產(chǎn)業(yè)參與者們所青睞的方法，這可以從許多汽車制造商、一級供應(yīng)商及科技公司目前所使用的測試車輛上得到間接驗(yàn)證，這些汽車大都配置了激光雷達(dá)。

　　測繪技術(shù)(Mapping)：目前自動駕駛汽車技術(shù)開發(fā)者們正在使用技術(shù)路線有以下兩種：

　　精細(xì)的高清地圖(Granular, High-Definition Maps)：為了構(gòu)建高精地圖，企業(yè)經(jīng)常使用配置有激光雷達(dá)和攝像頭的測繪車輛，它們沿著目標(biāo)路線行進(jìn)，以創(chuàng)建含有周圍環(huán)境360度信息(包括深度信息)的3D高精地圖;

　　特征測繪(Feature Mapping)：這種技術(shù)路線不一定需要配置激光雷達(dá)，而可以使用相機(jī)(通常與雷達(dá)相結(jié)合)僅繪制某些能夠幫助實(shí)現(xiàn)車輛導(dǎo)航的特定的道路特征。例如，捕捉車道線、道路及交通標(biāo)志、橋梁和其它相對靠近道路的物體。雖然這種技術(shù)路線只提供了較低的測繪精度，但處理和更新起來更容易。

　　捕獲的數(shù)據(jù)將被(手動地)進(jìn)行分析以產(chǎn)生語義數(shù)據(jù)，例如，具有時間限制的車速指示牌。通過使用有人駕駛或自動駕駛且每輛車都配置有連續(xù)收集與更新地圖所需的遙感器組件的車隊(duì)，地圖制造商可以改進(jìn)上述兩種技術(shù)路線。

　　定位技術(shù)(Localization)：通過識別出車輛在其環(huán)境中所處的確切位置，定位技術(shù)是自動駕駛汽車選定向哪里走并決定怎么走的關(guān)鍵先決條件，目前有下列幾類常見的技術(shù)路線：

　　高精地圖(HD Mapping)：該方法使用車載傳感器(包括GPS)來將自動駕駛汽車感知到的環(huán)境與相應(yīng)的已有的高精地圖進(jìn)行比對，提供了車輛可在高精度水平上確定其位置(包括車道信息)及正朝著哪個方向的參照點(diǎn)。

　　無高精地圖輔助的GPS定位(GPS Localization without HD Maps)：此種技術(shù)路線依賴于GPS進(jìn)行近似定位，然后使用自動駕駛汽車的傳感器來監(jiān)視其環(huán)境中的變化以改善其定位信息。例如，此類系統(tǒng)會將GPS的定位數(shù)據(jù)與車載攝像機(jī)捕獲的圖像進(jìn)行結(jié)合，通過逐幀的比對分析(frame-by-frame comparative analysis)來降低GPS信號的誤差范圍。GPS的在水平方向上定位的95%置信區(qū)間約為8米，相當(dāng)于正常路面的寬度。

　　需要指出的是，上述兩種技術(shù)路線還嚴(yán)重依賴于慣性導(dǎo)航系統(tǒng)(Inertial Navigation Systems，IHS)和測距數(shù)據(jù)(Odometry Data)。經(jīng)驗(yàn)表明，通常情況下第1種路線的魯棒性更好，能夠?qū)崿F(xiàn)更精確的定位，而第2種路線在操作上更容易實(shí)現(xiàn)，因?yàn)椴⒉恍枰呔貓D。鑒于兩者之間的在精度上差異，設(shè)計人員可以在車輛的精確定位信息對于導(dǎo)航并不是必須的場景下(例如，農(nóng)村和人口較少的道路)使用第2種方法。

　　決策

　　全自動駕駛汽車在行駛的每一英里路程中需要做出成千上萬個決定，而且它必須以非常高的準(zhǔn)確率長期可靠地運(yùn)行。目前，自動駕駛汽車的設(shè)計者們主要使用以下幾種方法來確保車輛行駛在正確的路線上：

　　神經(jīng)網(wǎng)絡(luò)(Neural Networks)：為了確定具體的場景并做出適當(dāng)?shù)臎Q策，今天自動駕駛汽車的決策系統(tǒng)主要采用神經(jīng)網(wǎng)絡(luò)，然而，這些網(wǎng)絡(luò)的復(fù)雜性質(zhì)可能使得難以理解系統(tǒng)做出某些決定的根本原因或邏輯。

　　基于規(guī)則的決策(Rule-based Decision Making)：工程師想出所有可能的“if-then規(guī)則”的組合，然后在用基于規(guī)則的技術(shù)路線對汽車的決策系統(tǒng)進(jìn)行編程，但此種路線需要花費(fèi)大量的時間和精力并且可能無法涵蓋到每一個潛在的場景，這些都使得它在實(shí)際應(yīng)用時并不可行。

　　混合路線(Hybrid Approach)：許多專家認(rèn)為將神經(jīng)網(wǎng)絡(luò)和基于規(guī)則的編程方法相結(jié)合的技術(shù)路線是最佳的解決方案，開發(fā)人員可以通過為每一個被中央集權(quán)式神經(jīng)網(wǎng)絡(luò)所連接的各獨(dú)立進(jìn)程引入特定的冗余神經(jīng)網(wǎng)絡(luò)來解決神經(jīng)網(wǎng)絡(luò)的固有復(fù)雜性(Developers can resolve the inherent complexity of neural networks by introducing redundancy—specific neural networks for individual processes connected by a centralized neural network)，此時“if-then規(guī)則”可以對其進(jìn)行優(yōu)勢互補(bǔ)。

　　目前，結(jié)合統(tǒng)計推理模型的混合路線是最流行的技術(shù)路線。

　　測試與驗(yàn)證

　　整個汽車行業(yè)在汽車測試與驗(yàn)證技術(shù)方面擁有豐富的經(jīng)驗(yàn)，以下是用于開發(fā)自動駕駛汽車的典型方法：

　　蠻力(Brute Force)：工程師讓汽車行駛數(shù)百萬英里，以確定所設(shè)計的系統(tǒng)是否安全并按預(yù)期運(yùn)行，該方法的困難在于所必須累積的測試?yán)锍虜?shù)，這可能需要花費(fèi)掉大量的時間。研究表明，自動駕駛汽車將需要大約2.75億英里的行駛里程來證明，在95%置信度的條件下，他們設(shè)計的自動駕駛汽車的故障率為每1億英里造成1.09起交通死亡事故，該數(shù)據(jù)相當(dāng)于2013年美國的由人為原因所造成的交通死亡率。當(dāng)然，為了表現(xiàn)出比人類更好的性能，自動駕駛汽車所需測試?yán)锍绦柽_(dá)到數(shù)十億英里。

　　據(jù)蘭德公司(RandCorporation)研究員尼迪-卡拉和蘇珊-帕多克估計，如果100輛自動駕駛汽車每天運(yùn)行24小時，每年運(yùn)行365天，以平均25英里/時(約合40公里/時)的速度行駛，則需要十多年時間才能積累2.75億英里測試?yán)锍虜?shù)。

　　軟件在環(huán)或模型在環(huán)的仿真(Software-In-the-Loop (SiL) or Model-in-the-Loop (MiL) Simulations)：另一種更可行的方法將現(xiàn)實(shí)世界的測試與仿真相結(jié)合，這可以大大減少汽車行業(yè)也已熟悉且必須完成的測試?yán)锍虜?shù)，在仿真所構(gòu)建的各種場景中，通過算法控制車輛進(jìn)行相應(yīng)的應(yīng)對來證明所設(shè)計的系統(tǒng)確實(shí)可以在各種場景下做出正確的決定。

　　硬件在環(huán)的仿真(hardware-in-the-Loop，HiL)：為了驗(yàn)證真實(shí)硬件的運(yùn)行情況，HiL仿真可以對其進(jìn)行測試，并將預(yù)先記錄的傳感器數(shù)據(jù)提供給系統(tǒng)，此種技術(shù)路線降低了車輛測試和驗(yàn)證的成本，并增加研發(fā)人員了對其設(shè)計的系統(tǒng)的信心。

　　最終，企業(yè)們可能會實(shí)施一種混合路線，應(yīng)用上述所有方法，以期在最短的時間內(nèi)實(shí)現(xiàn)所需的置信水平。

　　加速自動駕駛汽車的研發(fā)及部署進(jìn)程

　　綜上所示，雖然目前的評估表明，大規(guī)模引入全自動駕駛汽車可能還需要10多年的時間，整個行業(yè)的參與者仍然可以通過多種方法來壓縮這一時間框架。

　　首先，參與到自動駕駛汽車產(chǎn)業(yè)的科技公司(注：如Waymo、Apple及Uber)應(yīng)該認(rèn)識到，單個公司獨(dú)立開發(fā)自動駕駛汽車所需的整套軟件和硬件系統(tǒng)是極具挑戰(zhàn)性的。因此，它們需要更加擅長合作和形成產(chǎn)業(yè)合作伙伴關(guān)系。具體來說，它們可以與行業(yè)的傳統(tǒng)參與者(如技術(shù)創(chuàng)業(yè)公司、一級供應(yīng)商和汽車制造商)形成產(chǎn)業(yè)聯(lián)盟關(guān)系，在更細(xì)化的層面上，這意味著與對實(shí)現(xiàn)自動駕駛汽車非常重要的技術(shù)供應(yīng)商進(jìn)行合作，如激光雷達(dá)技術(shù)及地圖技術(shù)供應(yīng)商。

　　其次，為幾家企業(yè)所專有的解決方案(Proprietary Solution)開發(fā)和驗(yàn)證起來可能會過分地昂貴，因?yàn)樗鼈円筮@幾家參與企業(yè)承擔(dān)所有責(zé)任和風(fēng)險。開放的心態(tài)和商定的標(biāo)準(zhǔn)不僅會加速進(jìn)程，且能使正在開發(fā)的系統(tǒng)擁有更好的魯棒性。因此，以設(shè)計互通性部件(Interoperable Components)作為準(zhǔn)則的開發(fā)模式，將起到鼓勵采用模塊化、即插即用系統(tǒng)開發(fā)框架的作用。

　　此外，另一種加快這一進(jìn)程的方法是將致力于對組件的開發(fā)的行業(yè)風(fēng)氣逐步轉(zhuǎn)到對集成系統(tǒng)的開發(fā)(Integrated System Development)。不同于目前行業(yè)主流的只專注于開發(fā)擁有特定用途的組件，業(yè)界需要更多地關(guān)注開發(fā)實(shí)際系統(tǒng)(Actual Systems)，特別是考慮到自動駕駛汽車所面臨的艱巨的安全方面的難題。事實(shí)上，在車輛的整個生命周期中達(dá)到一定水平的可靠性和耐用性，將成為整個行業(yè)所必須完成的新的強(qiáng)制性任務(wù)，如同在航空業(yè)已經(jīng)要求的那樣，而強(qiáng)調(diào)在系統(tǒng)層面進(jìn)行開發(fā)可能是實(shí)現(xiàn)該目標(biāo)的最佳方法。

　　全自動駕駛汽車可能會在未來幾年內(nèi)實(shí)現(xiàn)，但是目前各家企業(yè)大都已在自動駕駛原型汽車最終將會如何呈現(xiàn)的賭局中投下了巨額賭注。自動駕駛汽車將會如何做出決策、感知周圍環(huán)境并保護(hù)其搭載的人員呢?想要掌控自動駕駛汽車產(chǎn)業(yè)戰(zhàn)略要素的傳統(tǒng)車企正面臨著一批技術(shù)上富有競爭力且資源雄厚的挑戰(zhàn)者，后者有能力給最優(yōu)秀的業(yè)內(nèi)人士(the best-positioned insider)提供難以拒絕的豐厚薪酬包。

　　鑒于自動駕駛汽車產(chǎn)業(yè)狂飆突進(jìn)的發(fā)展速度，企圖在該產(chǎn)業(yè)中討得一杯羹的企業(yè)在戰(zhàn)略層面給自己定位以便快速抓住此次產(chǎn)業(yè)機(jī)會。而對于監(jiān)管機(jī)構(gòu)而言，需要追蹤最新的技術(shù)發(fā)展動態(tài)，以便在不妨礙技術(shù)創(chuàng)新的前提下，確保公眾的安全。