春节假期，忙里偷闲，在同学的微信群里问了一句，“你们怎么看无人驾驶？” 这下炸锅，七嘴八舌说了一个多小时，从聊天内容上看，五花八门，但最集中出现的词汇就是“靠谱吗？”

是啊，靠谱吗？无人驾驶的可靠性，一直是备受消费者质疑的关键点。Google，Uber都出现过事故，而最为激进的Tesla还出现过致死事件。

2016年1月京港澳高速特斯拉在自动驾驶状态下追尾致车主死亡

2016年5月加利福尼亚州特斯拉在驾驶状态下撞上卡车致车主死亡

我的回答是：靠谱！

无人驾驶城市畅想图

首先，通过他们的描述，发现其中有一个很大的误解，现在推出的自动驾驶并不是真正意义的无人驾驶，而是驾驶辅助系统，如自适应巡航控制（Adaptive cruise control，ACC）、车道保持辅助系统（Lane keeping assist system，LKAS）、主动刹车系统（Autonomous Emergency Brake，AEB）等。哥伦比亚大学人工智能实验室主任胡迪?利普森的《无人驾驶》一书中就有明确指出完全自动化驾驶所需的技术并不是当今驾驶员辅助技术的派生，而有独立的技术发展路径。

无人驾驶解放司机双手

那到底怎样才算是安全可靠呢？其实，只要无人驾驶汽车的安全驾驶记录超出人类驾驶员平均水平就可以了，如果还嫌不够，那就增加一倍。平均每20万英里，驾驶员会出现一次非致命性碰撞，增加一倍的安全系数，即只要保证无人驾驶汽车平均在40万英里才出现一次非致命性碰撞，那就能认为它是安全可靠的。

怎么才能实现呢，地图、通信、执行等功能模块暂且不说，最值得一提的我觉得应该是感知识别复杂环境的“眼睛”。这又不得不说一下鼎鼎有名的阿尔法狗，作为近年来深度学习的代表作，第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，刷新了人们对人工智能的认知，也突破了人工智能十年来发展缓慢的低迷状态。深度学习是机器学习中一种基于对数据进行表征学习的方法，作为非常重要的工具为我们的无人驾驶打开双眼，识别人、车、路组成的复杂交通环境，以摄像头巨头mobileye为例，这方面的工作大致可以分为三类：物体识别，可行驶区域检测，行驶路径识别。通过信息采集车路试采集到的大量信息数据，通过神经网络训练，能够实现来车的正面及侧面精准检测，从而估算出车的位置，行驶方向等重要信息，道路上物体的探测都可以用类似方法实现；道路场景的识别则可以使用scene understanding来完成，实现可行驶区域检测；路径的识别在车道线清晰、视线条件好的情况下，当然是易于实现的，但由于路况或者天气导致车道线难以探测到的情况是很普遍的，深度学习也能提供解决办法。当然无人驾驶会遇到的信息无法穷举，但我们可以通过不断采集到的海量的数据中循环训练，持续提升信息完整率，而当其高到可以实现上面说的每40万英里才出现一次非致命碰撞后，也许就是我们鼓足信心拥抱未来的时刻。（文/梁锋涛）

喜欢就请订阅吧