自动驾驶汽车领域究竟在纠结些什么?

作者: 佚名 2021-05-31 10:46:16

从2015年特斯拉装车实现量产以来,自动驾驶(也称智能辅助驾驶)在短短五六年时间内成为汽车的重要配置。目前的市场行情是,价格在十万以上的汽车,无论是传统品牌还是造车新势力,如果不能搭载足够丰富的智能辅助驾驶配置,完全没有竞争优势。


车牌上的MFG代表这是加州政府颁发给汽车制造商的牌照。图源:INSIDEEVs官网

第三方金融分析机构东吴证券研究所今年5月发布了一份关于智能辅助驾驶的研报,统计分析了目前中国各类智能辅助驾驶功能在当前新能源汽车市场当中的实际占比。

这份报告选择29款售价十万元以上的热门新能源车型,涵盖传统自主品牌、合资品牌和造车新势力品牌,都是当前市场关注度较高的车型。

2020年Q1-2021年4月主流新能源车型,及智能辅助驾驶功能选装占比

这份报告的多组数据中,两组数据有价值:

  • 其一,造车新势力在智能驾驶配置上要明显领先传统汽车品牌,多项配置比例都接近100%;
  • 其二,配有智能自动驾驶功能的车型销量占比快速提升,短短一年时间内,从不足65%提升到85%。

这两组数据可以在一定程度上证明,智能辅助驾驶功能受到了车厂和市场的认可。

正常来说,自动驾驶受到认可,技术路线正常迭代,同样会受到市场认可。但这个报告中,造车新势力配置L3自动驾驶,及传统车企配置L2辅助驾驶的比例却并没有显著提升,甚至还有所下降。

这种数据与市场热度之间的反差原因何在?《财经》记者发现,自动驾驶的多条技术路线之争,算力领域的军备竞赛,以及权威评判标准的缺失是影响当前自动驾驶正常迭代发展的核心因素。

01。 微妙的L2和L3

自动驾驶中的L2,L3是何含义?辅助驾驶和自动驾驶究竟如何区分?关于这个问题,现在的通行标准是SAE国际汽车工程师学会所指定的分级标准。

国际汽车工程师学会在今年4月最新调整了SAE自动驾驶分级标准,图表中蓝色部分为辅助驾驶,绿色部分为自动驾驶。

其中最重要的调整就是L3当中出现的蓝色部分,即系统要求时,驾驶员必须接管车辆。这一点在标称拥有L3自动驾驶功能的车型上的确有所体现。

比如小鹏P7的NGP功能,在高精度地图所覆盖的高速公路上可以实现脱手脱脚的自动驾驶,但系统每15秒会提示驾驶员轻微晃动方向盘,如三次提醒驾驶员均未予理会,系统会强制降级到L2辅助驾驶,并在下次启动车辆之前无法恢复L3自动驾驶。

在即将驶出高精度地图覆盖区域的时候,系统也会频繁提示驾驶员接管车辆。

不过业内对于SAE的自动驾驶分级标准也存在争议。并不是说这套标准不严谨,而是这套标准对消费者来说难以理解。

资深汽车专家丁华杰博士对《财经》记者表示,目前市场上的确有不少厂商存在钻空子的成分,利用SAE分级标准的漏洞,标榜自己为高级别自动驾驶,误导消费者。

目前行业的共识是,当前市场上还没有任何一种可以真正实现L3自动驾驶的技术,顶多是在严格限定的特殊场景环境下实现的L3自动驾驶功能。

不过目前自动驾驶技术确实处于L2向L3跃升的关键时期,多家公司都宣称将在2023年-2025年间突破L3的商用门槛。但目前自动驾驶有多条技术路线,且技术角度看难分高下,所以派别之争就成了近年自动驾驶领域的主旋律。

02。 各派之间争什么?

近几年来,自动驾驶的各种技术路线孰优孰劣的争议就从没间断过。最热门的争论焦点主要有两个:一是激光雷达和视觉识别的争论;二是算法优先和算力优先的争论。

巧合的是这两个争论,都出现了一家企业对抗“全世界”的情形。

2021年是自动驾驶的激光雷达元年。主流造车新势力均在智能电动车上采用了激光雷达方案。上图整理了目前公布激光雷达装车计划的车型以及对应的激光雷达品牌和数量。传统车厂中,如奥迪、宝马、日产、丰田等也都宣布将应用激光雷达,但还未公布具体的时间表。

和大量车企集中上马激光雷达相反的是,特斯拉CEO马斯克不止一次公开表示,激光雷达是愚蠢的选择。

加州大学伯克利分校机械工程专业博士唐琛向《财经》记者表示,激光雷达是否先进,学术领域基本不存在争议。学术领域内,原则是,一个新方案如果能够提供更多、更准确的数据,那就是更好的方案。

相对于视觉识别方案,激光雷达提供了更强大的感知能力,在学术研究领域中,大家对激光雷达融合方案是一路绿灯。而且现阶段很多高精度地图的测绘也是通过激光雷达完成的,依赖高精度地图的自动驾驶方案选择激光雷达就更顺理成章。

特斯拉是全球主流车企中纯视觉派的唯一代表,为什么特斯拉要逆潮流而动?《财经》记者根据采访行业各学者、从业者,综合总结了三条理由。

最冠冕堂皇的理由是,特斯拉认为,人就是依靠两只眼睛来判断周围环境的,所以要想实现与人类似的驾驶行为,也需要依赖视觉,雷达终归是机器方案,很容易产生机械感。

现实的理由是,视觉识别是特斯拉的舒适区。特斯拉最早采用了视觉方案,而且快速将自动驾驶功能部署到了量产车型上,这为特斯拉带来了海量的数据,同时算法改进上也显著超过竞争对手,还为此研发了专门的芯片。数据、算法、芯片,特斯拉形成了多层的护城河,在视觉领域,有这些护城河的保护,已经基本无人可以撼动特斯拉的优势地位。

最有可能接近真相的理由是,最开始特斯拉没有选择激光雷达,完全是因为那个时候激光雷达又贵又不稳定。

丁华杰回忆,2015年,一颗激光雷达要80万元,寿命只有三个月,这样的成本和技术状态,是无论如何无法满足量产装车标准的。所以特斯拉在最早开发自动驾驶功能的时候,自然就把激光雷达方案首先抛弃了。

为什么说第三个理由最有可能接近真相呢?5月20日,美国媒体INSIDEEVs发布的一条消息,有人在加州街头拍摄到了安装激光雷达测试设备的特斯拉Model Y测试车,车辆悬挂的是汽车制造商专用牌照。

测试台架侧面的激光雷达清晰可见。图源:INSIDEEVs官网

这意味着特斯拉已经开始考虑激光雷达技术路线。

而且,这并非第一次在特斯拉的测试车上发现激光雷达,其实早在2016年、2017年、2019年、2020年,都曾经有人拍到装有激光雷达的特斯拉测试车。不过当时都是激光雷达与其他传感器同时出现在测试台架上,特斯拉官方当时也表示是使用激光雷达验证测试传感器的数据。这次是不一样的,出现在测试台架上的只有激光雷达。

另一个不同点是,之前数次特斯拉搭载的激光雷达均是当时的量产型号,而这次搭载的激光雷达,据INSIDEEVs咨询的激光雷达专家判断,是激光雷达制造商Luminar旗下专门用于研发与测试的型号Hydra。

在测试激光雷达的照片公开之后,特斯拉北美官网更新了Model 3和Model Y车型的自动驾驶功能的描述,远距离毫米波雷达的描述消失,取而代之的是250米超级视觉感知能力。放弃毫米波雷达,既可以解释为彻底转向纯视觉方案,同样也可以理解为激光雷达有可能取代毫米波雷达,成为特斯拉视觉方案的补充。

其实就算特斯拉放弃视觉路线,倒向激光雷达,也属情理之中。丁华杰认为,过去激光雷达80万元一颗,使用期限短,到了现在最便宜可以做到两三千元一颗。成本更低、感知更强。

视觉与激光的这场争论其实范围不大,只是因为特斯拉形成了视觉领域的多层护城河,加上销量领先,才有了争议。从大部分车企当前的选择来判断,激光雷达未来将占据主流地位,但由于当前技术方案还不够成熟,所以主流车企都在等待更成熟的方案面世。

和视觉与激光之争已有清晰答案不同,算法和算力,哪个对自动驾驶更为重要目前依然没有清晰的答案。

在算法与算力的争论当中,对弈双方是Mobileye对抗“全世界”。Mobileye可以说是自动驾驶商业化的鼻祖,2015年特斯拉装车的就是Mobileye的EyeQ3芯片及配套的自动驾驶系统。

Mobileye代表算法优先,而绝大多数自动驾驶研发业者都是算力优先派。这两者之间的分歧有多大呢?

Mobileye目前最新的芯片是EyeQ5,算力仅有24 TOPS(TOPS:算力单位,万亿次每秒),而使用这颗芯片可以实现L4级别的全自动驾驶。

与之相对应的是算力优先派最常用的自动驾驶芯片——英伟达。英伟达为L4级自动驾驶准备的芯片Orin,单颗算力高达254TOPS,而上个月最新发布的芯片Atlan,单颗算力更是达到了恐怖的1000 TOPS。

同样都是解决L4级别的自动驾驶,英伟达需要的算力是Mobileye的11倍-50倍。究竟是算法更强大,还是算力更有力?丁华杰评价,不少汽车厂商的CTO首席技术官也经常会问同样的问题。

丁华杰认为,这其实有一个理解上的偏差,Mobileye之所以能够用小算力解决大问题,是因为其软硬一体的设计,而且算法封闭,用户无法在其基础上进行修改,因此代码可以非常简洁高效。而以英伟达为代表的算力一派,则是将算法的研发开放给了各个汽车厂商,所以才需要更强大的算力来应对千差万别的代码。

打个比方,Mobileye在做自动驾驶这张考卷之前,已经提前划定了考试范围,所以自然可以用更少的精力来解决问题,但是不能超范围,一旦超出,就不会做了。当然Mobileye会不断划出新的考试范围,持续提升考试成绩。而算力派呢,没划范围,甭管考题多复杂,都由汽车厂商自己研发的算法分解成数量庞大的乘法运算,然后依靠算力解决。

目前来看,算法派和算力派短期内也很难分出胜负,大型汽车厂商更偏向算法派,因为开发成本更低,而且车型产量大,更庞大的数据可以将算法训练得越来越高效。比如丰田5月刚刚公布下一代自动驾驶方案将采用Mobileye与采埃孚联合开发的技术。

相对的,自研自动驾驶的汽车厂商则毫无疑问都会选择以英伟达为代表的算力一派,不过这也带来了另外一个严重的问题——算力军备竞赛。

03。 算力军备竞赛背后的真相

今年1月,蔚来创始人李斌在一个公开活动上表示“拼马力,更要拼算力”,智能电动车领域开启了一场无上限的算力军备竞赛。

今年,上汽智己的发布会上增加了兼容英伟达Orin芯片的表述,虽然量产车预装的芯片算力只有30TOPS,但在发布会上格外强调兼容算力500TOPS的自动驾驶平台。随后,威马在新车发布会上提出了云端自动驾驶平台一百万TOPS算力的夸张数字。

丁华杰判断,当下的算力军备竞赛更多是为了营销和广告。他说,蔚来确实为ET7准备了算力高达1016TOPS的NAD自动驾驶系统,和蔚来现款车型上算力仅有2.5TOPS的芯片相比,提升超过400倍。但是在算力飙升的背后,四块英伟达Orin芯片如何协同,如何使用?蔚来团队并没有对外公布详细方案。

更有甚者,一些车企目前连自动驾驶算法团队都没有,就要上高算力芯片。

算力究竟多少够?以3个前视摄像头+5个中视摄像头+4个环视摄像头+激光雷达和毫米波雷达的方案为例,丁华杰测算,这样一套顶级配置的自动驾驶系统需要60+TOPS算力就可以完成所有数据处理,而一颗100TOPS算力的芯片就足以应对整车的所有数据处理需要。

但这并不意味着高算力就完全没有价值,比如特斯拉和华为都在采用的影子模式,就是一种非常有价值的应用算力的方法。

影子模式就是让两套自动驾驶软件同时运行,或者是在人工驾驶的时候,后台一直有一套自动驾驶软件在运行,当两个软件决策不同,或者软件决策与人工决策不同的时候,系统记录下所有数据,以供算法升级优化使用。

但是现有的车企当中,有能力开发影子模式的凤毛麟角,绝大多数的高算力都处在闲置状态,车企多是用为未来的自动驾驶升级预留充足的余量作为挡箭牌,为自己的算力军备竞赛寻求借口。

为什么大家都对算力军备竞赛趋之若鹜,其实症结在于当前缺少权威的自动驾驶评判标准,车企只能依靠算力数字这个消费者简单易懂的指标来展现产品的智能水平。

这张图片出自Navigant Research Autonomous Leadership,每当有人说特斯拉自动驾驶不行的时候,这张图片就会出现。在这张图中,特斯拉的自动驾驶排名垫底。

研究自动驾驶的时候,还有一个重要指标——每百公里人工接管次数。不过这个数据也存在重大缺陷,容易被掺水。同样一万公里测试,一台车是城区复杂路况,一台车是几乎没车的高速公路,两者的接管次数怎么可能有可比性。

丁华杰认为,自动驾驶评判标准的现状就是“无论是国际还是国内,目前均没有一个权威的标准。”他认为,最终肯定能有统一标准,但也是胜者通吃,谁落地量产,真正大规模产业化了,那它的标准就是大家看齐的标准。

04。 道阻且长

2004年DRAPA(美国国防部高级研究计划局)举行第一次百万美金自动驾驶挑战赛,那是自动驾驶的起点。当时成绩最好的参赛队伍卡内基梅隆学院代表队,只让自己的自动驾驶车辆在沙漠里开出去了10公里。

时至今日,17年时间,自动驾驶技术已经“飞入寻常百姓家”。

多位接受《财经》记者采访的行业人士表示,在度过了当前这段高速发展的时期之后,自动驾驶将进入解决长尾问题的攻坚阶段。在这段攻坚阶段内,很可能会有明星公司倒在最后一公里。

例如,Google旗下的自动驾驶明星公司Waymo,在今年上半年完成了首次来自母公司Alphabet之外的融资,3月和5月连续两次融资总额超30亿美元。看似是个好消息,但考虑到这次融资给出的估值只有不到400亿美元,和曾经1750亿美元的估值高点比起来,资本市场已经对Waymo代表的自动驾驶前沿技术从狂热回归理性。

自动驾驶商业化还面临两大问题:个人消费领域,解决长尾问题周期漫长;Robotaxi(自动驾驶出租车)以及商用物流车领域,自动驾驶的商业化前景不明朗。

埋藏在整个自动驾驶背后的还有一个终极问题,类似人类驾驶的自动驾驶能否实现?感知、融合、定位、规划、控制所有环节全部在一起,用一套系统全部解决,Waymo曾经尝试过,碰了一鼻子灰,从此,和人一样的自动驾驶就成了一堵叹息之壁,挡住了每一个试图突破的研发者。

自动驾驶的高速发展,与尚未找到解决之道的终极问题,形成了乐观与焦虑纠缠不清的情形,道阻且长,只是刚刚走出了蛮荒时代而已。

自动驾驶 特斯拉 数据
上一篇:最快AI计算机开动,每秒4百亿亿浮点运算!正拼接最大宇宙3D地图 下一篇:谷歌推出新AI工具 可识别常见皮肤状况
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
可提高自动驾驶控制的实时性,腾讯公开新专利

5月13日消息,5月11日,腾讯科技(深圳)有限公司公开了基于人工智能的自动驾驶方法、装置、设备、介质及车辆,申请公布号为CN112784885A。

Yu ·  2021-05-31 15:07:01
CV内卷!心理学家学会人脸识别,训练600万视频区分世界各地表情

机器学习又跨界发Nature啦!美国东北大学的研究员将研究成果发表在Nature上,探究世界各地人类的表情有什么不一样?结果相关率只有30%。

佚名 ·  2021-05-31 13:19:55
最快AI计算机开动,每秒4百亿亿浮点运算!正拼接最大宇宙3D地图

近日,被誉为全球最快的人工智能工作负载超级计算机——Perlmutte宣布开启。这台新超级计算机以拥有6144个英伟达A100张量核心图形处理器,将负责拼接有史以来最大的可见宇宙3D地图。

佚名 ·  2021-05-31 09:48:10
清华唐杰团队造了个“中文ai设计师”,效果超Dall·E

最近清华大学唐杰团队打造了一个“中文版Dall·E”——CogView,它可以将中文文字转图像。

晓查 ·  2021-05-31 09:45:51
中国人开始反算法:不登录、不点赞、不关注、不评论

“算法不讲武德!”越来越多年轻人发觉,生活正在被算法控制。

深燃团队 ·  2021-05-31 09:03:12
最喜欢随机森林?TensorFlow开源决策森林库TF-DF

近日,TensorFlow 开源了 TensorFlow 决策森林 (TF-DF)。TF-DF 是用于训练、服务和解释决策森林模型(包括随机森林和梯度增强树)生产方面的 SOTA 算法集合。

机器之心 ·  2021-05-28 17:18:44
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载