AI牛逼地可以成为围棋冠军 可其算法却成了自动驾驶绊脚石

技术的车轮滚滚向前，每隔一段时间当前技术就会被新技术更新或迭代。2017年AlphaGo战胜冠军棋手柯洁，并横扫了整个围棋界选手，让人类为之震惊，也拉开了人工智能（AI）深度学习时代的序幕。然而自动驾驶也属于AI范畴，为什么迟迟不能落地呢？今天就围绕这个问题延伸下去。

感知、决策、控制是自动驾驶的三个技术环节，但真正的难点在哪呢？

感知既是对周围环境的了解，如同驾驶员的眼睛和耳朵。感知的设备无非是摄像头、声呐、各种各样的雷达，但客观的讲，摄像头三维空间效果差、雨雪恶略天气能见度低；毫米波雷达穿透能力弱；激光雷达无法识别颜色、文字且造价高昂，或多或少都存在缺陷。而多种感知设备组合则成为最优的解决方案，弥补了之间的不足，所以各个车厂的感知设备也大同小异，目前主要的难点是如何压缩成本。

自动驾驶汽车顶的激光雷达（图片来自www.cnbeta.com）

控制是对车辆的掌控，如同驾驶员的手脚。车辆的加速、刹车、转向等皆属于控制范畴，然而这些控制没有太高的技术要求，定速巡航、自动刹车、自适应巡航、自动泊车等功能已经在车辆控制方面积累了相当多的经验，所以自动驾驶的难点并不在控制。

特斯拉自动驾驶仪表显示（图片来自www.cnbeta.com）

决策是通过感知收到周围的信息，计算出最优的方案，把信号传送给控制机构，如同驾驶员的大脑。决策环节承上启下，是决定汽车行驶的关键，所以自动驾驶的重点和难点皆聚于此。

数据积累

围棋人机大战轰动一时，但AlphaGo在学习围棋技能时，通过大量数据分析了3000多万步职业棋手棋谱,并通过增强学习的方法自我博弈,寻找比更优的棋路，才取得了傲人的成绩。而自动驾驶汽车也需要海量里程的实际路测，2016年美国智库兰德公司给出了一个准确的答案：路测里程需达到110亿英里。大量的路测试验以及后期分类标定、数据处理，尚且存在着许多不确定因素。如果各个车厂能把自己的数据共享，可能会加速自动驾驶的落地，但很显然核心数据是保密的。

HERE地图上线云导航服务 加强自动驾驶（图片来自Yahoo）

逻辑难题

在现实生活中，路况千变万化非常复杂，自动驾驶稍有不慎就会造成人员伤亡。除了海量的数据分析及预设的决策依据，如果想要在非铺装路面或特殊环境保持高精度自动驾驶，还需要AI在自动驾驶领域的进一步发展与利用。

虽然交通法规日益健全，但全世界范围内依然存在着不遵守交通规则的人、自行车。有个很经典的事故假设：一辆快速行驶的自动驾驶汽车，但前方路口有多人违反信号灯横穿马路，仅有一人在路旁等候，这时就需要自动驾驶去决策，是直行刹车撞多人还是转向刹车撞一人。这不仅仅是交通法规、法律的范畴，还有道德、人性的因素包含其中，自动驾驶它能懂吗？

深度学习的概念源于人工神经网络的研究（图片来自http://www.sohu.com）

算法难题

在既定的决策范围内，更多的样本数据是通过深度学习去理解、分析的。深度学习的概念源于人工神经网络的研究，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习已经席卷了AI领域，但深度学习并不是万能的。深度学习没有分析能力，不知道原因也无法预测，它基本上取决与样本以及所要求输出的特征值。很显然，对于高精度自动驾驶来说，深度学习需要更理性的决策。