與初期為路試資格欣喜若狂相比,,近年來主機廠及科技公司對于無人車路測工作習以為常,。隨著公開測試的大規(guī)模展開,,各家車隊的駕駛能力幾乎齊頭并進,。單憑駕駛能力遠不足以評判技術效果,,其仍舊沒有完全杜絕類似“Uber無人車致死”等事故的發(fā)生,。
為了最大程度上確保系統(tǒng)安全可靠,,從業(yè)者開始強調(diào)無人駕駛技術兼顧駕駛能力與魯棒性。所謂“魯棒性”,,可以簡單理解成無人駕駛系統(tǒng)的容錯能力,,以保證系統(tǒng)能夠在操作錯誤、超出常規(guī)頻率的發(fā)出指令,、網(wǎng)絡過載等極端情況中,,仍舊正常運作,,從而避免安全問題發(fā)生。因此,,技術魯棒性逐漸成為了這項未來技術后期能否實現(xiàn)大規(guī)模商業(yè)落地的重要指標,。
順著自動駕駛產(chǎn)業(yè)鏈來看,感知,、決策,、執(zhí)行層面均各自遭遇了“黑盒子”的困境。
感知:地圖原始數(shù)據(jù)與衍生信息受限
感知定位層面無需多言,。除了始終備受爭議的多種傳感器路線之外,,近期大熱的高精地圖同樣沒能避開上述難題。
圖商的商業(yè)模式大同小異:以測繪車隊收集的道路數(shù)據(jù)為基礎,,畫出一張厘米級精度的地圖,,將其使用權出售給主機廠客戶。換句話說,,車輛基本看不到地圖原始數(shù)據(jù),,更別提拿到其衍生信息。另一方面,,長期占據(jù)產(chǎn)業(yè)鏈主導位置的老牌車廠在拿到數(shù)據(jù)之后,,現(xiàn)階段恐怕不太可能對地圖廠商開放接口,以完成眾包進而實現(xiàn)實時更新,。
在這種情況下,,訓練系統(tǒng)、反復測試及模擬工作勢必會受到影響,。如何在核心數(shù)據(jù)量受限時突圍,,成了自動駕駛感知層打開“黑盒子”的關鍵。
決策:數(shù)據(jù)運算邏輯不可解釋
在自動駕駛與人工智能緊密綁定的當下,,深度學習成了行業(yè)中熱度最高的語匯,,而其主要應用在決策層,也就是人們口中的“自動駕駛大腦”,。
然而理論上,基于訓練數(shù)據(jù)集歸納的深度學習算法并不像人類一樣,,對所有開放環(huán)境均具備強認知功能,。技術不能處理完全陌生的場景,最終會陷入數(shù)據(jù)運算邏輯不可解釋的“黑盒子”中,,無法預估算法輸出結(jié)果,。
或許這恰好可以解釋,為何創(chuàng)業(yè)者們談及無人駕駛時間節(jié)點時,,往往信心十足又慎之又慎,。畢竟在算法“黑盒子”未被拆解之前,,誰也不敢拿運氣與性命對賭。
執(zhí)行:底層控制協(xié)議被國際Tier 1壟斷
當然,,自動駕駛絕不是拍腦袋決策,。脫離“四肢”談“大腦”的都是高位截癱,執(zhí)行控制層才是自動駕駛技術真正落地的基礎,。
有意思的是,,當真正涉及到車輛系統(tǒng)控制時,終于出現(xiàn)了一個具象的“黑盒子”:據(jù)悉,,目前來自Tier 1供應商的執(zhí)行控制產(chǎn)品都會做成一個黑盒子,,也就是全套自成體系的底盤控制系統(tǒng)。底層的執(zhí)行控制協(xié)議是付費公開的,,即便公開,,車廠對于接口開放程度也直接影響著汽車操控的可調(diào)程度。
對于如今直接面向主機廠的ADAS廠商而言,,這也是雙方溝通過程中最大的難點,。或許,,只有國內(nèi)企業(yè)真正打開跨國Tier 1巨頭手中的“黑盒子”,,才能搶奪到部分話語權,將自主品牌從長期被動的處境中拉出來,。