2004年3月，美國舉辦了第一屆無人駕駛比賽，即業(yè)內(nèi)大名鼎鼎的DARPA大獎賽。2004年的比賽場地選在沙漠地區(qū)，希望避開行人和居住區(qū)的干擾。不過，即便在這樣相對理想的駕駛環(huán)境下，仍然沒有一輛車完成賽程。但這次比賽激起了業(yè)內(nèi)、高校極大的熱情。比賽結(jié)束當天，組委會就宣布，18個月后再次比賽，獎金也從原先的100萬美元增加到200萬美元。

2005年10月，比賽繼續(xù)。最終有五個車隊分別獨立完成212公里的賽程。斯坦福大學獲得第一名，卡內(nèi)基梅隆大學獲得第二名。時隔兩年，2007年11月舉辦了第三屆DARPA大獎賽，以城市地區(qū)為主題，最終有六支隊伍完成比賽，獲得了獎金。

2005年，第二屆DARPA大獎賽，斯坦福隊和卡內(nèi)基梅隆隊分獲第一名和第二名。來源：https://newatlas.com/go/4720/

面向無人駕駛的DARPA大獎賽雖然只舉辦了三屆，但被公認為無人駕駛的里程碑事件。甚至有些人認為，這是現(xiàn)代無人駕駛技術的起點，與傳統(tǒng)無人駕駛技術進行了區(qū)隔。大學和廠商的結(jié)合，大幅推動了一些技術的發(fā)展，甚至還從中誕生了新技術——這些技術在今天的媒體上常被提到，譬如人工智能、機器視覺、深度學習、高清地圖，等等。

為什么要發(fā)展無人駕駛車輛？

DARPA大獎賽使無人駕駛車輛成為公眾談論的話題。其中有一個問題需要認真回答：為什么要發(fā)展無人駕駛車輛，到底有什么好處呢？

這是很實在的社會問題，也是商業(yè)問題，需要有清晰的答案，幫助無人駕駛車輛可持續(xù)發(fā)展，避免產(chǎn)生不切實際的期望。

這幾年，這個問題得到了準確的回答，一些最初的誤區(qū)也得以理清。

很多人認為，無人駕駛技術一旦成熟，會像現(xiàn)在的汽車一樣進入尋常家庭。其實，如果仔細測算下無人駕駛的成本，這樣的模式不會是其技術成熟后的主要商業(yè)模式。達到全自動的無人駕駛車輛，應該不會在你我的采購清單里，至少在看得見的未來是如此。

這幾年來，業(yè)界已形成共識。無人駕駛車輛分為兩大塊，一塊是傳統(tǒng)車輛組成的包（vehicle package），而另一塊是自動駕駛包（autonomous package）。傳統(tǒng)的車輛也許只要一二十萬元人民幣，但如果加上自動駕駛包，成本會飆升數(shù)倍，甚至達到上百萬。除此以外，自動駕駛包里的精密儀器需要經(jīng)常保養(yǎng)和調(diào)校。對連機油都不會加、輪胎不會換的私家車主來講，無人駕駛汽車日常的保養(yǎng)和調(diào)校費用恐怕無力承擔，也不劃算。

因此，全自動的無人駕駛車輛，其應用對象并不是私家車主，而是通常說的商用營運車輛。譬如物流公司、出租車公司等。近幾年，在運輸領域飛速發(fā)展的“出行即服務”（MaaS）及共享汽車概念，已經(jīng)逐步落地。對商用營運車輛來講，無人駕駛可以節(jié)省人工成本，足以攤銷自動駕駛包帶來的成本。這也是共享汽車企業(yè)，如Uber、Lyft，投入巨資研發(fā)無人駕駛車輛的原因。

而關于無人駕駛車輛的好處，Dr. Emilio Frazzoli給出了一串數(shù)據(jù)，以證明無人駕駛車輛將在安全、減少擁堵、改善健康、提高生產(chǎn)力、共享汽車五個方面帶來巨大好處。這些數(shù)據(jù)是以美國市場為例，每年能帶來的效益或市場大致如下：

?安全會有8710億美元的效益；

?減少擁堵大約有1000億美元；

?改善健康大約有500億美元；

?提高生產(chǎn)力大約有12000億美元；

?汽車共享達到了驚人的18000億美元。

這些數(shù)據(jù)足以回答為什么發(fā)展無人駕駛車輛的問題。雖然人們也有不同看法，但大多仍然贊同其結(jié)論，只是對其安全考量有異議。在一些研究者看來，其帶來的事故效益及對社會的貢獻，足以成為投資的理由，但提高生產(chǎn)力和共享汽車的效益，不能完全確定。

Dr. Emilio Frazzoli給出了一串數(shù)據(jù)。Self-Driving Cars and Artificial Intelligence，Dr. Emilio Frazzoli，2016。來源：http://peatix.com/event/188419/

無人駕駛的分類：輔助駕駛和自動駕駛

2013年，為推動無人駕駛車輛發(fā)展，美國道路交通安全管理局（NHTSA）為無人駕駛給出了分級方式，一共分為六級，L0-L5。不過，這樣的分類被國際汽車工程師聯(lián)合會（SAE）認為不專業(yè)。SAE在2014年推出了仍是L0-L5六級的更為專業(yè)的分類表，NHTSA于2016年接受了一分類法。這個分類法在2018年更新到了第三版——SAE J3016-2018。無人駕駛汽車企業(yè)在介紹自己的產(chǎn)品時，一般都會引用SAE的分類表來為產(chǎn)品定位。

很多國內(nèi)報道里，經(jīng)常會出現(xiàn)國際汽車工程師聯(lián)合會（SAE）的分類表，卻標為美國道路交通安全管理局（NHTSA），偶爾會被業(yè)內(nèi)笑話。

國際汽車工程師聯(lián)合會的無人駕駛分類表，SAE J3016-2018。來源：https://www.sae.org/

注：由于技術仍在發(fā)展，業(yè)界未有共識，本文不區(qū)分無人駕駛的一些名詞，如無人駕駛、自動駕駛，也不區(qū)分Autonomous Cars、Driverless Cars、Self Driving Cars等名詞。

不過，有個區(qū)別很重要，就是不同分級代表的司機責任問題。在這張分類表里，L0-L1是純粹的人工駕駛，意味著司機對駕駛負全責；L2-L3是機器輔助人工駕駛的車輛，仍是司機對駕駛負全主責，但有機器輔助，機器會承擔一部分責任，一般稱這個級別為輔助駕駛；L4-L5是自動駕駛，司機不用負責駕駛，而由車輛自行駕駛。L4和L5的區(qū)別是區(qū)域的區(qū)別，L4為有限范圍，譬如只在一些省市里，而L5則不限區(qū)域，全球通用。

目前市面上商用能達到的最高級別都沒有超過L3，至多幫助司機做些諸如跟車行駛、自動泊車的工作。稍有復雜的環(huán)境，輔助駕駛就難以控制車輛，必須由司機來接管。畢竟出了事故，機器不會承擔責任。

對普通人而言，如果搞不清輔助駕駛和自動駕駛的區(qū)別，只要記住這些責任區(qū)別就可以了。

也有媒體報道，輔助駕駛和自動駕駛的區(qū)別在于外部環(huán)境的支撐。沒法做到自動駕駛，是因為沒有智能網(wǎng)聯(lián)或智能運輸系統(tǒng)支撐，如果有支撐，就能做到自動駕駛。

其實，這是一種誤區(qū)。無論用什么樣的外部支撐，輔助駕駛都無法達到自動駕駛級別，L3到L4是個門檻，能否跨越這個門檻取決于車輛本身。自動駕駛的含義在于，獨立完成各種場景下的行駛，獨立是指沒有任何外部助力。

這和人類司機駕駛車輛一樣，領了駕駛證的司機，應該能自己一個人開車，需要教練的司機是不合格的司機。后面會介紹智能網(wǎng)聯(lián)或智能運輸系統(tǒng)與無人駕駛車輛的關系。

發(fā)展無人駕駛汽車的不同路徑

這幾年，全世界發(fā)展無人駕駛汽車的廠商很多，也形成了不同發(fā)展路徑。目前的發(fā)展路徑大致可歸為兩類。

一類是從L0到L1，再到L2。雖然有些車輛也會被納入無人駕駛車輛，但實質(zhì)上是輔助駕駛車輛，利用輔助駕駛設備給司機提供建議，或在簡單環(huán)境下實現(xiàn)明確的操作。

另一類是直接切入L4全自動駕駛階段，在這個階段逐步成熟。全自動駕駛的車輛是指那些乘客只要輸入目的地，就自動帶你到目的地的車輛。

無人駕駛兩條不同的發(fā)展路徑。圖中白圈是參考資料作者認為目前最為領先者現(xiàn)在所處的階段。來源：Deep Learning for Self-Driving Cars (2018 version)Dr. Emilio Frazzoli, CTO, nuTonomy

這兩條發(fā)展路徑和商業(yè)模式有關，也和初始投入有關。藍箭頭的路徑，其投入更大，需要的時間長，成本高，期間并無收入。而黃箭頭的路徑，則邊賣邊研發(fā)，成本壓力輕許多，也是現(xiàn)在汽車廠商喜歡的模式。不過，黃箭頭的發(fā)展路徑可能會面臨難以越過L4這個級別的障礙，停留在L2-L3層面。

截止目前，這兩類不同的發(fā)展路徑，都出現(xiàn)了足夠證明其可行性的實例。用兩個指標判斷，一個是行駛里程數(shù)，另一個是同時投放車輛數(shù)，幾家領先企業(yè)都已過了公認的及格線。

輔助駕駛車輛，以特斯拉為例，行駛里程數(shù)已超過10億公里，從深度學習技術的角度看，積累的數(shù)據(jù)相當豐富，投放的車輛數(shù)也達到了50萬輛，早已過了1萬輛的門檻。

而自動駕駛車輛，以谷歌相關的Waymo為例，行駛里程數(shù)已過1千萬公里的門檻，也有計劃要投放超過2萬輛。而同為L4自動駕駛級別的Uber，追趕速度非?？欤芸炀鸵竭^這些門檻。

因此，目前看來，這個行業(yè)的前景比較樂觀，可以繼續(xù)向前測試或商用。

而對看熱鬧的普通人來講，可以通過上面兩個指標來了解實際能力。對監(jiān)管部門來講，要比普通人多些觀察方式，譬如要求各家企業(yè)及時上報遇到的情況或意外，以觀察產(chǎn)品的能力。無人駕駛車輛的事先監(jiān)管難以做到，路上可能出現(xiàn)的場景過多，難以一一檢測，連主要場景也很難覆蓋，只能把監(jiān)管放在事中或事后了。

因此，無人駕駛車輛是否合格，并不能通過鑒定會或試驗場得出結(jié)論。監(jiān)管部門至多在邀請專家評測實地測試后，發(fā)個要求有限的測試資格，至于是否合格，只能套用俗話，是騾子是馬，拉出來溜溜，才能慢慢看清。如果在試驗場都會發(fā)生意外，或跑不完全程，這樣的無人駕駛車輛面臨的挑戰(zhàn)確實很大。

以上這些過程，仍有許多技術和法律上的細節(jié)，需要好好琢磨。

無人駕駛車輛如何了解路上的交通？

李飛飛在TED上講過，怎么教計算機理解圖片。其實這是無人駕駛車輛如何看懂道路和交通的一種方式。

計算機通過對標注過的照片進行大量學習，大致了解每種物體的含義，并理解這些物體之間的關系，這是人工智能的深度學習技術的大致做法。為什么要有1千萬公里的里程數(shù)和投放1萬輛這樣的指標，就是與訓練機器理解需要的場景數(shù)量有關。達不到這樣的指標，就無法訓練出基本及格的機器。

但是，道路上的場景、關系要比照片豐富得多。車輛除了要理解，還要做決策。譬如，在行人眾多的斑馬線前，人類司機會邊等待邊慢慢往前推進，形成與行人的相互博弈，但無人駕駛對這樣的博弈缺乏足夠的算法。在無序的環(huán)島也是如此，如果無人駕駛?cè)狈ψ銐虻牟┺哪芰Γ瑫L期等待，給環(huán)島添亂。

算法是理解的關鍵。這是目前所有企業(yè)都面臨的瓶頸。企業(yè)間的差距也主要在算法上。

復雜的斑馬線前，缺乏控制的環(huán)島。來源：Self-Driving Cars: State of the Art (2019)，Lex Fridman，MIT

算法和信息輸入有關，也就是如何獲得信息，而輔助駕駛和自動駕駛有很大區(qū)別。輔助駕駛采用的是視覺設備+深度學習為主體的組合方式，以較低的投入獲取最大的效益，但存在不精確和受環(huán)境約束大的缺點。而自動駕駛采用Lidar+自動駕駛地圖為主，視覺輔助+深度學習輔助的方式，來獲取高精度和全天候的能力，不過缺點是太貴，也太難維護。從搭載的設備看，輔助駕駛信息獲得的數(shù)量和能力要明顯弱于自動駕駛車輛的設備。因此，獲得信息的設備是制約輔助駕駛車輛跨越L3到L4之間的鴻溝，跨越會異常艱難。

當然，許多公司推出的無人駕駛車輛，搭載了自動駕駛信息獲取設備，卻只能做輔助駕駛的事兒，這應該是算法不過關造成的。

兩種駕駛模式采用的信息獲取方式。來源：Self-Driving Cars: State of the Art (2019)，Lex Fridman，MIT

無人駕駛車輛和網(wǎng)聯(lián)車、協(xié)同ITS是什么關系？

和無人駕駛車輛一樣，網(wǎng)聯(lián)車（Connected Cars）、協(xié)同智能運輸系統(tǒng)（Cooperative Intelligent Transport Systems，C-ITS）和出行即服務（Mobility as a Service，MaaS）也在迅猛發(fā)展。媒體經(jīng)常會混淆這些概念，以為是無人駕駛車輛的組成部分。其實，這些技術并不相同，建設主體不同，應用目的也不相同。

不過，未來這些技術會密切結(jié)合在一起，改變整個運輸系統(tǒng)，也改變城市的運營方式。在此簡單介紹下它們之間的關系。

無論在哪級，無人駕駛車輛都存在盲區(qū)，這和人開車一樣。Lidar用鐳射光立體掃描周邊環(huán)境來形成實時地圖，360度全景立體的地圖，把障礙物一個不漏地放進自動駕駛地圖里，這是比人類開車有優(yōu)勢的地方。但是，和人眼一樣，鐳射光會被物體遮擋而看不見，就有了盲區(qū)，比如看不見建筑物后的車輛，也看不見車輛背后的行人。

網(wǎng)聯(lián)車（Connected Cars）的技術可以解決上面的盲區(qū)問題。網(wǎng)聯(lián)車技術通過在路上設置各種檢測設備，將“看到”的信息告訴經(jīng)過當?shù)氐能囕v。如果安裝位置合適，可以“看到”路上所有的情況，一個不漏。無論人工駕駛還是自動駕駛的車輛，都可以用這些信息補足自己的盲區(qū)，判斷是否會碰到建筑物后的車輛或車輛背后的行人，做出合理決策。

而協(xié)同智能運輸系統(tǒng)的技術，是將各種先進交通系統(tǒng)得到的交通數(shù)據(jù)整合。協(xié)同就是跨平臺整理信息，分析數(shù)據(jù)，得出更全面的結(jié)論，譬如將信號燈的數(shù)據(jù)、幾公里以遠的交通情況、道路施工情況、事故情況、周邊的服務設施和服務能力，將諸如超視距、超能力（超能力指能預知前方是否會擁堵，靠交通控制系統(tǒng)來預測并告知自動駕駛車輛）的信息整合起來，告訴路上需要的車輛。

這些工具在無縫銜接后，將看得更多更遠，而無人駕駛車輛的豈不是倍增了？

小結(jié)

雖然業(yè)內(nèi)比較看好無人駕駛車輛的未來，但是，即便樂觀的觀察者也只能提出輔助駕駛明確的時間表，很難確定自動駕駛的時間表。道路上的場景過于豐富，使用者之間的意圖和關系也很難用算法描述，不同地區(qū)之間的文化背景和交通規(guī)則差異也很大，這些都成為無人駕駛車輛發(fā)展的制約因素。

不過，即便未來并不那么確定，技術投入仍然是值得的，在自動駕駛技術的發(fā)展過程中，形成的各項成果足以讓事故能一點點降下來，讓社會效率一點點升上去。這個過程，也是偉大的過程。

（本文部分內(nèi)容可能存在技術上的爭議或錯漏，望見諒，歡迎共同探討。）