如果自動(dòng)駕駛標(biāo)準(zhǔn)是按照L5級(jí)別來要求的話，那確實(shí)還有很長的路要走，因?yàn)榻裉礻P(guān)于完全自動(dòng)駕駛汽車還存在許多爭議，不僅是技術(shù)上的，還包括法律、倫理等方面的界定。但羅馬不是一天建成，飯也不是一口吃大，如果我們適當(dāng)降低標(biāo)準(zhǔn)，以有限的自動(dòng)駕駛來看，比如L2-L3級(jí)別，那么我們已經(jīng)看到有很多公司在這樣做，而且已經(jīng)離我們很近了。

最近幾年，自動(dòng)駕駛車一直是傳統(tǒng)汽車廠商、一級(jí)零配件供應(yīng)商孜孜探索的領(lǐng)域，也是包括IT公司和互聯(lián)網(wǎng)公司在內(nèi)都很關(guān)注的風(fēng)口。

雖然大家一直都在討論這個(gè)熱點(diǎn)，但是關(guān)于“自動(dòng)駕駛何時(shí)能量產(chǎn)？全自動(dòng)駕駛什么時(shí)候?qū)崿F(xiàn)？”說了這么多年，似乎依然是個(gè)未知數(shù)。

有人說：“自動(dòng)駕駛汽車是活在夢里，不可能實(shí)現(xiàn)。”

如果說的這個(gè)人是按照L5級(jí)別來要求的話，那確實(shí)還有很長的路要走，因?yàn)榻裉礻P(guān)于完全自動(dòng)駕駛汽車還存在許多爭議，不僅是技術(shù)上的，還包括法律、倫理等方面的界定。

但羅馬不是一天建成，飯也不是一口吃大，如果我們適當(dāng)降低標(biāo)準(zhǔn)，以有限的自動(dòng)駕駛來看，比如L2-L3級(jí)別，那么我們已經(jīng)看到有很多公司在這樣做，而且已經(jīng)離我們很近了。

說到這兒，也許你還有點(diǎn)云里霧里：“L2、L5這些術(shù)語代表什么？”

為了方便您了解自動(dòng)駕駛汽車，我們先來一個(gè)簡單科普。

1、什么是自動(dòng)駕駛？

有關(guān)自動(dòng)駕駛，美國汽車工程師協(xié)會(huì)（SAE）已經(jīng)對(duì)其技術(shù)定義了六級(jí)自動(dòng)化級(jí)別。

從圖中可以看到，L2級(jí)和L3級(jí)之間有條分界線：L2級(jí)及以下，由駕駛員主導(dǎo)監(jiān)視環(huán)境；L3級(jí)及以上，由系統(tǒng)監(jiān)視環(huán)境。

所以，可以說L2級(jí)到L3級(jí)是一個(gè)明顯的分界點(diǎn)——從ADAS（高級(jí)輔助駕駛）向AD（自動(dòng)駕駛）過渡。

通俗來講，L3級(jí)以下和L3級(jí)以上最大區(qū)別就是，汽車能否像人一樣感知周圍環(huán)境并做出決策。

而在現(xiàn)階段，L5級(jí)存在著巨大爭議，盡管很多創(chuàng)業(yè)公司、IT公司以及車企都把L5視作終極目標(biāo)，但無論是法律、法規(guī)方面的阻礙，還是技術(shù)成熟度上的局限，都使人們意識(shí)到實(shí)現(xiàn)L5還需要很長時(shí)間。

所以在現(xiàn)階段的市場上，大多數(shù)傳統(tǒng)車企更著力于研發(fā)L2/L3級(jí)別的自動(dòng)駕駛技術(shù)，并行研究封閉場景內(nèi)的L4級(jí)自動(dòng)駕駛系統(tǒng)。

2、實(shí)現(xiàn)自動(dòng)駕駛的難點(diǎn)在哪？

那么，當(dāng)前階段實(shí)現(xiàn)自動(dòng)駕駛的難點(diǎn)在哪呢？

這里我們就要討論自動(dòng)駕駛的三大要素——感知層、決策層和執(zhí)行層。

感知層

相當(dāng)于駕駛員的眼睛和耳朵，由各種各樣的傳感器來完成對(duì)外部環(huán)境的判斷和識(shí)別。

考慮到復(fù)雜的外界場景，多傳感器的融合技術(shù)是一個(gè)趨勢。目前主流的有兩套傳感器系統(tǒng)，一套以雷達(dá)和攝像頭為主的感知系統(tǒng)，和一套以激光雷達(dá)為主的感知系統(tǒng)，兩套系統(tǒng)互為備份提供冗余性、覆蓋范圍和精度上的需求。

決策層

相當(dāng)于駕駛員的大腦，通過控制器對(duì)環(huán)境的認(rèn)知以及路徑規(guī)劃進(jìn)行決策判斷。

L2級(jí)別以下的ADAS系統(tǒng)，主要對(duì)傳感器收集的數(shù)據(jù)進(jìn)行篩選和分析；而L3級(jí)別以上，需要系統(tǒng)對(duì)環(huán)境進(jìn)行認(rèn)知，參與到路徑規(guī)劃和決策判斷中來。

在此場景下，深度學(xué)習(xí)算法、大量算力以及存儲(chǔ)海量數(shù)據(jù)的價(jià)值就凸顯出來了，決策層的關(guān)鍵點(diǎn)就在于車載芯片和算法。

執(zhí)行層

相當(dāng)于駕駛員的手和腳，來完成車輛制動(dòng)、轉(zhuǎn)向和驅(qū)動(dòng)。

自動(dòng)駕駛的算法和芯片依賴于機(jī)械特性強(qiáng)有力的執(zhí)行來完成決策層的指令，包括以電機(jī)為核心驅(qū)動(dòng)的電子轉(zhuǎn)向和電子制動(dòng)等核心部件。

在自動(dòng)駕駛場景下，有關(guān)制動(dòng)系統(tǒng)的要求會(huì)更高，自動(dòng)駕駛需要更快地線控車輛系統(tǒng)，包括電子油門、線控轉(zhuǎn)向以及電子機(jī)械制動(dòng)系統(tǒng)。

這三個(gè)要素中，每個(gè)要素都至關(guān)重要，缺一不可。

其中，核心決策層的研發(fā)尤為關(guān)鍵。

傳感器和執(zhí)行層，可以配置多套冗余系統(tǒng)進(jìn)行保護(hù)。但是決策層的核心算法如何保證可靠性和安全性，是自動(dòng)駕駛研發(fā)中最為關(guān)鍵的核心討論點(diǎn)。

很多IT跨國公司、車企、創(chuàng)業(yè)者都把目光聚焦到這個(gè)核心算法領(lǐng)域。

3、自動(dòng)駕駛行業(yè)格局

最近，資訊機(jī)構(gòu)Navigant Research公布了2019自動(dòng)駕駛領(lǐng)導(dǎo)力排行榜，谷歌母公司Alphabet旗下的Waymo公司拔得頭籌。

至于評(píng)判標(biāo)準(zhǔn)，是根據(jù)每家公司在「愿景」、「商業(yè)化策略」、「合作方」、「量產(chǎn)計(jì)劃」、「技術(shù)」以及「產(chǎn)品持久力」這幾個(gè)方面的綜合表現(xiàn)進(jìn)行打分排名。

來源：Navigant Research

Waymo從2018年的第七位一躍成為今年的第一，從去年開始的大規(guī)模商業(yè)化試運(yùn)營應(yīng)該是其領(lǐng)先的重要原因。

既然決策層對(duì)于自動(dòng)駕駛技術(shù)如此重要，難道一馬當(dāng)先的Waymo公司背后，都是算法工程師嗎？

數(shù)字媒體公司The Information對(duì)Waymo的組織架構(gòu)進(jìn)行了梳理。

在Waymo的950名員工中，工程研發(fā)團(tuán)隊(duì)一共610人，其中340人屬于軟件團(tuán)隊(duì)，260人屬于硬件工程團(tuán)隊(duì)。而在340人的軟件團(tuán)隊(duì)中，劃分是這樣的：

從軟件團(tuán)隊(duì)的人員結(jié)構(gòu)可以看出，Waymo最重視基礎(chǔ)架構(gòu)，研發(fā)自動(dòng)駕駛主要依靠的是基礎(chǔ)架構(gòu)設(shè)施。這是因?yàn)椋瑹o論是深度學(xué)習(xí)還是仿真驗(yàn)證，都需要大量的IT基礎(chǔ)架構(gòu)提供支持。

4、Waymo為何重視IT基礎(chǔ)架構(gòu)？

為什么基礎(chǔ)架構(gòu)設(shè)施這么關(guān)鍵呢？這就要從自動(dòng)駕駛研發(fā)平臺(tái)遇到的一些挑戰(zhàn)說起了。

.

ADAS研發(fā)基礎(chǔ)架構(gòu)挑戰(zhàn)之一：海量非結(jié)構(gòu)化數(shù)據(jù)

ADAS/AD的研發(fā)需要基礎(chǔ)架構(gòu)提供海量數(shù)據(jù)和高帶寬的性能。傳感器的數(shù)據(jù)大多是非結(jié)構(gòu)化數(shù)據(jù)，以圖像、視頻、點(diǎn)云文件、日志文件為主。面對(duì)不同的SAE級(jí)別，數(shù)據(jù)量的要求如下：

·L2級(jí)別的ADAS系統(tǒng)，需要4-10PB的數(shù)據(jù)和1,000-5,000核的計(jì)算資源；

·L3級(jí)別的ADAS系統(tǒng)，需要50-100PB的海量數(shù)據(jù)和5,000-25,000核的計(jì)算資源；

·到了L5級(jí)別實(shí)現(xiàn)完全自動(dòng)駕駛，需要超過2EB級(jí)別的數(shù)據(jù)量。如果按照1TB的硬盤來計(jì)算的話，2EB的數(shù)據(jù)量相當(dāng)于200萬個(gè)1TB的移動(dòng)硬盤。

5、為什么需要這么多數(shù)據(jù)？

因?yàn)橐?xùn)練和測試足夠多的復(fù)雜場景。

Waymo首席科學(xué)家Dargo Anguelov在MIT的深度學(xué)習(xí)課程中第一次分享了自動(dòng)駕駛研發(fā)遇到的一些挑戰(zhàn)和最佳實(shí)踐。

其中有幾個(gè)比較有趣的場景。

來源：Waymo

左圖一有幾個(gè)行人背著木板在行走，圖二是一個(gè)鏡面反射問題，圖三是一個(gè)人在騎馬。在這樣的場景下，深度學(xué)習(xí)如何更好地判斷周圍環(huán)境，不僅僅要求算法對(duì)物體進(jìn)行識(shí)別，更要求識(shí)別復(fù)雜場景的能力。

面對(duì)這樣的復(fù)雜場景，如何保證算法的可靠性呢？

使用大量標(biāo)注過的數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行監(jiān)督訓(xùn)練，使得物體感知甚至到對(duì)于復(fù)雜場景的識(shí)別成為可能，這些技術(shù)在Waymo自動(dòng)駕駛研發(fā)過程中得到了大規(guī)模的應(yīng)用。

Dargo也提出，隨著Waymo采集數(shù)據(jù)的場景增多，深度學(xué)習(xí)的算法也有了更頻繁的用處。

有了這么多數(shù)據(jù)，如何對(duì)其進(jìn)行管理？如何保證持續(xù)增長的數(shù)據(jù)量能夠被研發(fā)團(tuán)隊(duì)最高效地使用？

這就是IT技術(shù)架構(gòu)能為ADAS/AD提供的核心競爭力。

來源：Waymo

研發(fā)基礎(chǔ)架構(gòu)挑戰(zhàn)之二——高性能和高帶寬的要求

眾所周知，深度學(xué)習(xí)需要對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，而且是多次重復(fù)調(diào)參的訓(xùn)練。

要實(shí)現(xiàn)成熟的模型算法，僅有算法和數(shù)據(jù)是不夠的，更重要的要達(dá)到大量的算力性能要求，一個(gè)深度學(xué)習(xí)模型需要經(jīng)過多少次計(jì)算才能完成一次前饋啊！

除了大量GPU算力要求，我們還需要利用大量高帶寬性能讀取真實(shí)環(huán)境數(shù)據(jù)，以進(jìn)行仿真測試。Waymo研發(fā)部門每天會(huì)進(jìn)行大量的仿真測試，回放真實(shí)采集的環(huán)境數(shù)據(jù)，24×7地進(jìn)行仿真測試，驗(yàn)證算法的可靠性，確保系統(tǒng)的準(zhǔn)確性。

這些真實(shí)環(huán)境數(shù)據(jù)每天都會(huì)被分類成不同的場景，從存儲(chǔ)中高帶寬地讀取到HPC服務(wù)器上，進(jìn)行大量的仿真測試。

除了軟件在環(huán)（SiL），還有硬件在環(huán)的仿真測試。將真實(shí)的車載硬件設(shè)備加載算法，回放數(shù)據(jù)，進(jìn)行硬件在環(huán)的仿真測試。

硬件在環(huán)測試平臺(tái)（HiL）對(duì)于數(shù)據(jù)讀取的延遲要求非常高，需要在數(shù)百納秒和數(shù)微秒之間。如此小的延遲讓硬件在環(huán)仿真的實(shí)現(xiàn)變得非常具有挑戰(zhàn)性，也很難將仿真測試放到公有云上來實(shí)現(xiàn)。

在我們看到的仿真測試場景中，存儲(chǔ)帶寬要求竟高達(dá)800GB/s，這是因?yàn)檠邪l(fā)團(tuán)隊(duì)需要對(duì)數(shù)據(jù)進(jìn)行并發(fā)讀取和回寫，才能保證研發(fā)周期。