麦肯锡专家指出自动驾驶主要挑战与发展方向

麦肯锡专家Kersten Heineke、Philipp Kampshoff、Armen Mkrtchyan和Emily Shao等人撰文讨论了自动驾驶面临的主要挑战与发展方向，主要内容如下：

自动驾驶汽车（AV）无疑开创了交通运输行业的新时代，但该行业仍然需要克服一些挑战，自动驾驶技术才能变得实用。高级辅助驾驶系统（Advanced Driver Assistance Systems，ADAS）解决方案已经能够减轻驾驶负担，让驾驶变得更安全。但在某些情况下，技术也会带来问题。其中一个就是，人类过度信任或依赖这些新系统。这并非一种新现象。安全气囊在二十世纪九十年代成为主流时，一些驾驶员和乘客将之视为可以不系安全带的信号，因为他们认为安全带现在是多余的。这种错觉导致了额外的伤亡。

与之类似，高级辅助驾驶系统会让驾驶员在超出此类解决方案能力范围的场景中仍然依赖于自动化技术。例如，自适应巡航控制在一辆汽车直接跟随另一辆时有出色的表现，但通常无法检测到静止的物体。遗憾的是，现实生活场景以及受控实验场景均表明，过度信赖自动化技术的驾驶员最终都会撞上静止不动的车辆或其他物体。目前，高级辅助驾驶系统的能力有限，但许多早期使用者没能理解到这一点。

这仍然是一个安全难题。2015年，美国因驾驶员注意力不集中而导致的传统车辆事故造成了近3500人死亡、39万人受伤，这还是在驾驶员主动控制车辆的情况下。遗憾的是，据专家预计，即使引入能够提供高水平自动化控制的自动驾驶汽车，撞车事故数量在一开始也不会大幅下降，因为这些自动驾驶汽车仍然需要驾驶员高度集中注意力，充当候补的角色，提供故障保险。

安全专家担心，半自动驾驶汽车的驾驶员可能会尝试阅读或发短信等活动，因而在要求接管汽车的控制权时会缺少所需的情景意识。随着驾驶员重新参与进来，他们必须立即评估周围环境、确定车辆所处位置、分析危险状况并决定安全的行动方案。以每小时65英里的速度行驶时，汽车只需不到四秒就能行驶足球场那么长的距离，而司机脱离驾驶状态的时间越长，重新参与驾驶所需的时间就越长。汽车公司必须开发出更好的人机界面来确保新技术能够拯救生命，而不是带来更多事故。

在其他情况下已经出现过类似的问题：2009年，因为飞机使用自动驾驶仪飞行时飞行员未参与驾驶，一架商业航班飞过了，比终点多飞了150英里。对于半自动驾驶汽车而言，“空域”（地面）更加拥挤，而“飞行员”（驾驶员）则远远称不上训练有素，因此，心不在焉的驾驶员长时间使用自动驾驶模式会更加危险。

1

全自动驾驶汽车可能需要十多年后才会问世

根据当前的发展趋势，全自动驾驶车辆在未来十年内不会成为现实。主要障碍在于所需软件的开发。虽然硬件创新能够提供所需的计算能力，且价格（特别是传感器价格）可能持续降低，但软件仍然是关键的瓶颈。

事实上，硬件能力已经接近经过高度优化的自动驾驶汽车软件流畅运行所需的水平。当前技术应该很快就能达到图形处理器（GPU）和中央处理器（CPU）所需的计算能力水平了。

摄像头传感器具有所需的范围、分辨率和视野，但在糟糕天气条件下受到诸多限制。雷达在技术上已经成熟，是天气和道路条件不佳情况下的最好选择。激光雷达系统提供最佳视野，能够以高粒度水平提供360度覆盖范围。尽管这些设备目前价格过高且体积过大，但在未来一两年内，会有多种具有商业可行性的小型廉价设备上市。多家高科技公司声称已将激光雷达的成本降至500美元以下。还有一家公司首次推出了能够以一万美元左右的成本（借助约十二个传感器）实现完全自动化的系统。从商业化的角度来看，公司需要了解五级（完全自动化）车辆所需的最佳传感器数量。

2

让人望而生畏的软件问题仍然存在

开发出能够完善自动驾驶汽车硬件并充分利用其潜能的软件仍然有很长的一段路要走。鉴于这个问题的复杂性及其以研究为主的性质，开发工作止步不前。

其中一个问题是，自动驾驶汽车必须学习如何处理涉及人类驾驶员和其他自动驾驶汽车的驾驶模式。使用易于出错的GPS传感器实现高度准确的车辆位置定位则是另一个需要解决的复杂问题。应对这些挑战不仅需要完成大量的前期研发工作，还要经历很长的测试和验证阶段。

有三类问题能够更具体地说明所存在的软件问题。第一个问题是物体分析，即检测物体并理解物体代表的含义，这对于自动驾驶汽车而言十分关键。例如，对于静止不动的摩托车和在街边骑自行车的人，系统应采用不同的应对方式，因而必须在物体分析阶段捕捉到关键的区别。

物体分析的首要挑战是检测，这个问题可能很难，取决于一天中所处的时间段、背景环境以及任何可能的移动。此外，要实现传感器融合去验证物体的存在和类型，这在技术上存在挑战，因为此类系统必须比较不同数据类型之间的差异：点云（来自激光雷达）、物体列表（来自雷达）以及图像（来自摄像头）。

第二个问题是决策系统。为了模仿人类的决策过程，这些系统必须处理大量场景并接受密集而全面的“训练”。对于自动驾驶系统而言，理解并标记所收集的不同场景和图像是一个重大课题，但要创建涵盖送客至家门（door-to-door）的自动驾驶所有可能场景的“如果-那么（if-then）”规则通常不可行。尽管如此，开发人员可以构建“如果-那么”规则的数据库，利用人工智能（AI）引擎对其进行补充。这种引擎能够做出智能推断，并且可在“如果-那么”规则没有涵盖的场景中进行决策。创建此类引擎是一项非常困难的任务，需要进行大量开发、测试和验证。

该系统还要有故障保险机制，以免出现故障的汽车让乘客和周围的行人处于危险之中。我们无法检查每个可能的软件状态和结果，而构建保障措施来确保不会出现最糟糕的结果并控制车辆使其能安全停下来，这是更艰巨的任务。需要冗余度和长时间测试。

3

开辟全自动驾驶的新道路

随着各家公司推出软件包（software envelope），尝试打造第一批全自动驾驶汽车，它们需要围绕多组因素解决问题。

表1：自动驾驶要素与相关技术

（1）感知、位置定位和地图构建

为了完善自动驾驶汽车，该领域各公司现正研究不同的方法，重点放在感知、地图构建和位置定位上。

感知。旨在使用最少的测试和验证英里数来实现可靠的感知水平。这方面目前有两种相互竞争的方法。

• 雷达、声纳和摄像头。为了感知环境中的车辆和其他物体，自动驾驶汽车会使用雷达、声纳和摄像头系统。此方法不会在较高的粒度水平去评估环境，但所需的处理能力也相应要少一些。
• 激光雷达叠加传感器。第二种方法在雷达+摄像头组合这类传统传感器系统的基础上使用激光雷达。这种方法需要更多的数据处理和计算能力，但在各种环境中更加可靠，特别是在拥挤且交通流量很大的环境中。

专家认为，第二种方法最终会成为许多未来自动驾驶汽车公司青睐的方法。它的重要性可从许多汽车制造商（OEM）、一级供应商以及正在开发自动驾驶汽车的科技公司目前所使用的测试车辆上得到印证。

地图构建（Mapping）。自动驾驶汽车开发人员正在使用两种地图构建方法。

• 高清粒度地图。为了构建高清（HD）地图，公司通常使用配备了激光雷达和摄像头的车辆。这些车辆沿目标道路行进，创建包含四周环境的360度信息（包括深度信息）的三维高清地图。
• 特征地图构建。该方法并不一定要求配置激光雷达，可使用摄像头（通常与雷达组合使用）来绘制特定道路特征，实现导航。例如，地图采集了车道标识、道路和交通标志、桥梁以及其他相对靠近道路的物体。虽然这种方法提供的粒度级别要低一些，但处理和更新更容易。

所采集的数据经过（手动）分析，生成语义数据，例如具有时间限制的速度标志。地图制作者可利用一队手动驾驶或自动驾驶的汽车来改进这两种方法，这种汽车要配备持续收集和更新地图所需的传感器组。

位置定位。位置定位可确定车辆在环境中所处的确切位置，是进行导航位置和导航方式有效决策的重要先决条件。位置定位有多种常见方法。

• 高清地图构建。该方法使用车载传感器（包括GPS）将自动驾驶汽车感知的环境与对应的高清地图进行对比。这一方法提供车辆可用的参照点，让车辆以非常精确的水平确定其具体位置（包括车道信息）和行驶方向。
• 无高清地图的GPS位置定位。另一种方法依赖GPS来得到大致定位，然后使用自动驾驶汽车传感器来监控环境变化，进而优化定位信息。例如，此类系统使用GPS位置数据和车载摄像头采集的图像。逐帧比较分析可缩小GPS信号的误差范围。GPS水平地理定位的95%置信区间约为8米，相当于沿正确车道或错误（相反）方向行驶的区别。

这两种方法都严重依赖惯性导航系统和测距数据（odometry data）。经验表明，第一种方法通常更可靠，能够实现更加精确的位置定位，而第二种方法则更容易实现，因为不需要高清地图。鉴于两者之间存在的准确度差异，在车辆的准确位置信息对于导航而言并不关键的区域（例如，农村和人口较少的道路），设计人员可使用第二种方法。

（2）决策

全自动驾驶汽车每行驶一英里的路程都需要做出数千个决策。它们需要持续正确地做出决策。目前，自动驾驶汽车设计人员主要使用以下几个方法来确保汽车在正确的道路上行驶。

• 神经网络。为了确定具体场景并做出适当决策，目前的决策系统主要采用神经网络。但是，这些网络的复杂特性使得它很难理解某些决策的根本原因或逻辑。
• 基于规则的决策。工程师想出所有可能的“如果-那么”规则组合后，采用基于规则的方法对车辆进行相应编程。由于需要大量时间和精力，并且可能无法涵盖每种可能的情况，所以这种方法不可行。
• 混合方法。许多专家认为结合了神经网络和基于规则的编程的混合方法是最佳解决方案。开发人员为每个由中央神经网络连接的单独进程引入具有冗余特异性的神经网络，从而解决神经网络固有的复杂性问题。然后，“如果-那么”规则可对这种方法进行补充。

混合方法是目前最常见的方法，特别是与统计推断模型结合使用。

（3）测试和验证

汽车行业在测试和验证技术方面拥有丰富经验。以下是用于开发自动驾驶汽车的典型方法。

• 蛮力（Brute force）。工程师让车辆行驶数百万英里，通过统计方法来确定系统是否安全并按预期运行。该方法面临的挑战是所需行驶的英里数，这可能需要花费大量时间进行累积。研究表明，自动驾驶汽车需要行驶约2.75亿英里才能以95%的置信度证明，它的故障率最多为每1亿英里发生1.09起致命事故，相当于2013年美国因人为原因造成的交通事故死亡率。为了证明自动驾驶汽车比人类驾驶员的表现更好，所需行驶的英里数可能需要达到数十亿英里。如果100辆自动驾驶汽车以25英里每小时的平均速度每天行驶24小时，每年行驶365天，那么需要超过十年才能累积2.75亿英里的行驶里程。
• 软件在环（software-in-the-loop）或模型在环(model-in-the loop)仿真。更加可行的方法是将现实世界测试与仿真结合，这样能大幅减少所需的测试英里数，并且汽车行业已熟知这种方法了。仿真通过算法在各种场景下运行车辆，以证明系统能够在各种情境中做出正确决策。
• 硬件在环（hardware-in-the-loop，HIL）仿真。为了验证实际硬件的运行状况，硬件在环仿真可对其进行测试，并将预先记录的传感器数据提供给系统。这种方法可降低测试和验证成本，增加结果的置信度。

最终，各公司可能会实施涉及上述所有方法的混合方法，以便在最短的时间内实现所需的置信水平。