無人駕駛汽車能夠代替人類駕駛員嗎？

你是需要一輛可以任何時間任何地點可以載你的智能汽車，還是一輛在暴風雨來襲時無法正常運作的汽車，亦或是一輛無法在晚間行駛的汽車？
對于眾多想要在無人駕駛汽車領域嶄露頭角的世界500強企業和初創公司，沒有什么比開發出全天候無人駕駛汽車更大的挑戰了。

數十億美元用于研究的投資發展至今已經僅僅是開始。我們擁有許多可以在“大部分時間”好好行駛的智能汽車，但沒有一輛可以在所有時間都做到良好行駛。

許多公司吹噓的其智能汽車在好天氣能安全行駛這一點確實十分誘人，但卻也很難回避一些真實存在的數據：例如，在美國超過20%的事故是由惡劣天氣造成的。

將目光放長遠一些，如果一家公司想獲得亞洲各地數十億客戶的支持，那它必須制造出即使在最嚴重的季風風暴下，也能安全攜帶乘客行駛的智能汽車。

其實智能汽車面臨的不僅僅是下雨，還有下雪、結冰、冰雹、霧、煙、塵土，大風、強光和炎熱都可能對行駛條件造成嚴重破壞。

時至今日，依舊是人類做的更好

我們人類大多時候可以在這些條件下安全駕駛，這是由于即使在暴風雨中，我們也可以很好地感知和理解周圍的世界。

時至今日，在極端天氣條件下駕駛車輛，人類做的依舊比人工智能好。（圖片來源：Flickr/Terence Lim）

我們可以做很多驚人的事，像是推斷出雪堆頂部微小的紅色或許是停車標志牌，并且迅速采取相應對策。我們可以從一灘水中辨認出另一輛車的倒影，減速行駛，而不是停車，因為我們清楚我們看見的是倒影，而不是真實的汽車，但同時我們又會減慢行駛速度因為我們正駛過一灘積水。

無人駕駛汽車兩個主要方法主要基于光譜的兩端。一種方法是“蠻力”方式，谷歌等公司使用的就是這種方式，其主要依靠已有的強大街道網絡實現偵查，并且還需要一批人在這些地圖上標注上所有對沿著這些街道行駛有用的實際信息。

另一種方式裝載可以感知數千公里以內的駕駛信息的車載雷達，激光和攝像頭，以及汽車控制界面，并讓其通過運算學習法學會“如何駕駛”。
近期再次興起的深度學習——依靠大量數據訓練的多層神經網絡——在這些學習算法中起到了核心作用。

這些方法，包括這兩種方法的組合，已經把我們帶到了這樣一個時代，汽車可以通過一系列通常較昂貴的安裝在汽車和房頂的傳感器自主行駛，每數個小時才會發一次錯誤，也才需要人為干預。

至少是在好的天氣下它們都能較長時間的安全駕駛。但在夜晚，或者是大雨、下雪或是霧霾的情況下，這些系統大多數是無用的。

“失明”的無人駕駛汽車

部分責任歸因于傳感器本身。許多激光器不能在大雨中看清四周，而照相機在低光照的夜晚不能很好工作。基于這些條件，汽車就完全變成了瞎子。

但這也不是唯一的原因。下次當你坐在一輛夜晚行駛在熱帶暴風雨或是暴風雪中的汽車時，觀察一下人類駕駛員到底又能看清什么。

更可能的是，駕駛員們不能看清車前幾十米以上的距離。由于雨刮器的來回掃動，加上車前空中落下的雨或是雪，能見度將大幅降低。

迎面而來的車燈會定期使駕駛員失明，并且車道標線將會幾乎不可區分。遠處的物體例如行人將會消失在雨中和夜色中。

智能汽車使用屋頂上安裝的激光器來計算車輛周圍120米內各個方向的單一物體與其的具體距離，并且其位置信息能精確到厘米精度，而人類駕駛員僅僅依靠自己的眼睛和直覺來判斷。

我們的視覺智能保證我們在這些環境駕駛，即使我們幾乎看不到，也不會偏離車道，撞上汽車或者行人。人類駕駛員可以在使當下任何智能汽車陷入停頓的艱巨情況下駕駛，這使那些研究無人駕駛汽車公司和研究人員既感到頭疼又感到潛力無限。

概念驗證已經證明我們是可以讓無人駕駛汽車做到這一點的，但還沒有認識到怎樣才可以實現這一目標。

第一家找到具體方法并將其用于制造無人駕駛汽車的公司會在這個萬億美元的競賽中奪冠，并且確保智能汽車可以隨時為我們所用，尤其當我們真正需要它們的時候。

原文來自科學美國人

翻譯：曾梓浩審校：海帶絲

注：所有文章均由中國數字科技館合作單位或個人授權發布，轉載請注明出處

0 條評論