尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
鄧志東，清華大學教授、博士生導師，中國自動化學會智能自動化專業委員會主任，長期專注於神經網路與強化學習的研究。目前的主要研究方向包括人工智能，深度學習，計算神經科學以及無人車與先進機器人等。
鄧志東，清華大學教授，博士生導師
我今天跟大家報告的題目是「自動駕駛產業發展現狀及對法律、倫理與隱私的挑戰」，主要報告三個方面的內容：一個是全球自動駕駛產業的發展現狀；第二是人工智能如何助力自動駕駛產業落地；第三將討論自動駕駛產業快速發展對法律、倫理和數據隱私帶來的挑戰。
現在來掃描一下全球自動駕駛產業的發展現狀。首先來看跨界科技巨頭——Google的Waymo。從去年10月份到現在，Waymo已經在美國鳳凰城Chandler小鎮100平方英里的範圍之內，開始社會公測上面沒有任何駕駛員和安全員的L4水平的自動駕駛無人出租汽車，這無疑是無人駕駛計程車商業化落地的前奏。近期它與FCT（菲亞特-克萊斯勒）進行合作，將在年底之前擴大生產62000輛無人駕駛計程車，並將擴大共享無人駕駛計程車的社會公測範圍。因此在我們這個世界上，在特定的場景與特定的範圍內，事實上已經問世了無人駕駛計程車了。然後再看看傳統車企美國通用汽車，通過收購矽谷Cruise Automation人工智能初創企業，目前已推出第四代量產型無人駕駛汽車Cruise AV，已經完全拋棄了方向盤、制動和油門踏板，並向美國交通運輸部提交了安全申請，計劃投資1億美元，在明年做到量產，這是首台宣稱可以量產的L4+的自動駕駛汽車。豐田在CES 2018推出了Platform 3.0自動駕駛汽車，特斯拉推出了Autopilot 2.0硬件系統，這是在量產商用的車上做到的自動駕駛硬件系統，通過類似於WiFi的OTA（空中下載）進行軟件升級，就能逐步做到從L2到L4+的自動駕駛功能。預計今年8月份將會推出基於視覺深度神經網路的特斯拉Vision 9.0軟件版本。馬斯克說，由此將做到「完全自動駕駛」。從2016年9月開始，Uber在匹茲堡城區進行了大範圍的無人駕駛計程車免費試運行，目前已經有近兩年了，盡管它是L2和L3水平的（上面還有駕駛員或安全工程師），但商業模式卻是大範圍的城區，比Waymo公測的小鎮要大得多。
報告PPT節選
許多人認為2021年前後將是無人駕駛汽車的產業元年。Waymo、通用、福特、奧迪等等都宣稱2021年前後將是產業的開局之年，部分L4水平的無人車將會做到量產。去年7月發布的全世界第一款L3級別的自動駕駛量產汽車奧迪新A8，搭載了全球首款車規級的四線雷射雷達ScaLa，也配置有車規級的車載計算單元zFAS域控制器。今年年底或明年初，相信會有其他的主機廠跟進推出L3量產車。Waymo與捷豹路虎目前也有2萬台車的量產計劃，明年Waymo是否會進一步擴大量產與社會公測的規模，真正使無人駕駛計程車商業落地試運行？另外，「兩強」之一的通用Cruise，相信明年也會擴大量產。2021年是無人駕駛汽車產業元年的另一個客觀依據是，觀察自動駕駛產業生態上遊的第3代純固態雷射雷達，這是能夠做到低成本、車規級量產目標的核心零部件之一，從目前許多雷射雷達企業和Tier-1的車規級量產布局來看，都大致集中在2020年左右。供應鏈中的車規級自動駕駛晶片和車載計算機，也差不多出現在這個時間點上。凡此種種，可以大致看出自動駕駛產業從什麼時候開始能夠落地。
從國內的情況來看，除了無人駕駛計程車以外，無人貨運車有可能最早做到產業落地。從室內的AGV（自動導引車）到室外的無人貨車，無人駕駛貨車就是把AGV從室內搬到室外。AGV衍生了好幾代，第一代是磁條和磁標導引的，第二代是視覺導引的，第三代是用雷射導引的，我們現在只是把室內雷射導引的AGV移動機器人技術通過自動駕駛的雷射/視覺SLAM技術，把它從室內搬到室外。因為是運貨車上沒有人，速度也很慢，所以安全顧慮就大大地減輕了。從這個角度來講，末端最後一公里的無人配送就特別容易落地。我們看到京東的無人配送車已經開始試運行，包括北京在內的20多個城市，還有在泰國的曼谷等都已開始布局，已經投放了100多台，計劃明年投放上萬台。從AGV發展到無人物流配送，解決了最後1公里的問題，可以提供無人化的訂單式服務。另外一個是阿里菜鳥的無人物流車小G Plus已經在杭州試經營，預計未來三年達到十萬台。事實上，我們國內研發生產的AGV在移動機器人產業有一席之地，價格最低也可達到10萬元一台，比較便宜。
報告PPT節選
全球做自動駕駛汽車的企業有很多。傳統的車企，包括通用、福特、奧迪、大眾、戴姆勒、BMW、沃爾沃、日產、豐田等等，以及國內自主品牌的主機廠。還有像特斯拉之類的新造車勢力。另外就是強勢的Tier 1，例如博世、安波福、法雷奧、大陸等。還有就是跨界的GoogleWaymo、Uber、英特爾-Mobileye、蘋果、百度、騰訊、阿里、華為等等。初創企業就更多，中國至少有20多家，美國可能有30多家。這是2018年美國市場研究機構Navigant Research最新的自動駕駛企業的全球排名，包括主管者、競爭者、挑戰者和追隨者，都有一個排名。這是2017年美國科技網站The Information的排名，它分成好幾個維度，從技術的先進性，工程團隊以及商業模式三個角度進行排名。GoogleWaymo排名第一，技術是5分滿分，工程團隊4.5分，商業模式3.5分。
自動駕駛產業的發展需要跨界融合，需要科技企業與車企共同發力。科技企業的主要使命是進行智能化、無人化。傳統車企、新車企以及Tier 1的主要使命是發展信息化汽車平台。除電動化外，我們要數字化、軟件化汽車，通過OTA的方式進行軟件升級，內部要總線化，外部要網聯化，這些統稱為信息化，這是進行智能化的基礎和條件。車企的發力點包括開放線控，完成執行機構的冗餘，開發OTA空中下載以及雲平台。另外還有軟件定義升級（SDU），這個非常重要。
報告PPT節選
目前的一個明顯發展動態是，圍繞自動駕駛的產業生態正在快速形成之中。這是產業布局的鏈條，我們看到自動駕駛技術和自動駕駛汽車處在中遊位置。上遊是車規級的純固態雷射雷達、AI晶片及車載計算機、雲平台、大數據、高精地圖、V2X、5G和NB-IoT等等。下遊有遠程安全監控、測試基地、智能交通系統、智慧城市、共享無人貨運經營商、共享無人出行經營商，還有智能增值服務商。上遊關鍵零部件產業包括車規級的雷射雷達及多模態傳感器融合模組。我們知道，第一代雷射雷達是機械掃描的，第二代是混合固態雷達，第三代是純固態的雷射雷達。前兩代實際上是一種過渡，第三代的純固態雷射雷達容易做到車規，方便量產，批量低成本，目前已出現許多工程樣機甚至是車規級別的量產樣機，例如美國Quanergy公司的S3，Velodyne公司的Velarray，Luminar公司1550奈米波長的大功率雷射雷達，以色列Innoviz公司的InnovizOne。目前我們國內也有這樣的產品出現，比如深圳速騰聚創的RS-LiDAR-M1Pre，上海禾賽的Pandar GT等。另外就是車規級的人工智能/自動駕駛晶片及低功耗的車載計算機。主要有英偉達的PX系列，包括Nvidia DRIVE PX、PX2、Xavier和Pegasus，後者是它的第三代最新產品，去年發布，ASIL-D最高安全標準，但價格較貴。還有英特爾-Mobileye的低功耗EyeQ系列，預計2020年推出EyeQ 5，應該可以支持L4+自動駕駛的開發。國內華為海思的麒麟晶片發展很快，可能很快會發布新的人工智能通用加速晶片。此外，還有高通、地平線等的自動駕駛晶片。這是全球人工智能晶片的最新排名，排名第一位的是英偉達，第二位是英特爾，第三位是NXP（恩智浦）。前15位里面有兩家中國晶片企業，華為排名12，還有台灣的聯發科，排名第15位。上遊核心關聯產業還包含高精地圖、雲平台、大數據、V2X、5G、NB-IoT等。這些結合人工智能後，可望支撐自動駕駛產業落地。
下遊產業包括基於雲平台的遠程安全監控、測試基地、無人駕駛小鎮、智能交通系統、智慧城市等。智能交通系統非常重要，涉及面向無人駕駛的道路交通基礎設施的適應式改造。例如，在自動駕駛測試小鎮里可以建設無人駕駛專用車道，開展面向無人駕駛的智慧空間建設，以及共享無人駕駛大數據等，快速催生共享生態的建設。國內在這些方面具有明顯的相對優勢。下遊產業應用還包括無人共享出行經營商、無人貨運經營商等，類似於滴滴、Uber這樣的叫車軟件公司來進行共享出行或貨運網路的大規模商業經營。未來可能會變成這樣一種產業形態，即經營商+L4/L5自動駕駛技術提供商+OEM。現在的很多企業將來會變成其中之一。現在做自動駕駛汽車的企業最後會變成技術提供商。OEM主機廠也會進一步整合、優勝劣汰。三個合在一起，邁向智慧無人共享出行和共享物流網路，顛覆人類的出行、交通與物流方式。未來，自動駕駛汽車會變成放大版的智慧型手機，通過發展智能增值服務，10倍地放大無人駕駛的產業價值。
我們一直說人工智能助力自動駕駛的產業落地，原因是基於深度學習的計算機視覺方法，在大數據和超強計算能力的支撐下，相對於傳統計算機視覺有更加接近於人類的檢測、分割與識別能力。但是目前的大數據人工智能缺乏認知理解能力。我們人是在理解的前提下開車的，不僅有感知，還有認知，是憑借對道路、交通環境都有理解的情況下，主要靠兩只眼睛就可以開了，不再需要其他的東西，這是第一點。認知理解這個問題要在算法上做到突破，我們不知道什麼時候才能夠做到，也許3年也許300年，就有這麼大的不確定性。第二點，在開放環境下不存在完備大數據。各種公開評測數據集都是完備大數據，很多深度學習算法可以達到甚至超過人類水平。但是開放環境下的落地應用，是不可能存在完備大數據的。因此，在理論上它的感知能力是不可能達到人類水平的。根據大數據積累的多少，一定存在不同大小的差距。怎麼辦呢？靠前面所說的高精地圖（環境建模）、V2X車聯網、專門面向自動駕駛的智能交通系統等等來彌補它、解決它。另外，我們需要突破信息融合技術，進一步解決安全性問題。我們只靠視覺不行，還要靠雷射雷達等。最後一點是，需要發展自主導航技術，大幅降低精準導航設備的成本。如果我們現在都用60多萬的導航設備顯然是不可能的。此外，還要解決導航或精準定位的環境適應性問題。地下車庫能去，隧道也能穿越，高層建築附近也能去，什麼地方都能去。
由於基於深度學習的計算機視覺，能夠獲得更加接近於人類的感知能力，因此自動駕駛有可能是人工智能最早落地的垂直應用領域之一。考慮到它所具有的巨大產業價值，目前全球晶片巨頭與許多晶片初創企業都加入了自動駕駛的晶片大戰。深度學習源於真實大數據驅動，包括視頻數據、雷射點雲數據和毫米波雷達數據、目標數據、行為數據、軌跡數據等，其實時性正得到諸如GPU、TPU、ASIC、FPGA 和類腦晶片快速發展的支撐，可以說大數據人工智能已成為自動駕駛感知、決策與控制的基礎性技術。面向自動駕駛的人工智能主要涉及算法（包括深度神經網路、LSTM和深度強化學習等），大數據（包括目標大數據、行為意圖大數據、駕駛軌跡大數據），算力（包括移動端、雲端，還有離線訓練深度學習加速器），細分場景（包括目標檢測與行為意圖預測、認知地圖與導航、信息融合、自主決策、智能控制）以及垂直整合，一共5個維度。
報告PPT節選
自動駕駛算法需要解決四大核心問題：第一個是目標識別。對交通流較稠密的複雜城區，如何進行周邊障礙物、路標的檢測、識別和行為預測？第二個是自主導航。主要是雷射SLAM、視覺SLAM以及與低成本組合導航的再組合。第三個是信息融合。包括多傳感器如何進行信息融合。最後一個是自主學習，即如何基於深度強化學習進行駕駛決策的自主學習。無人駕駛汽車是否也有這樣的學習能力？剛開始不行，但隨著自主行駛里程數的增加，它的學習能力、處理極端和緊急情況的能力以及目標預測能力，會變得越來越好。
首先是人工智能在環境感知中的應用。基於深度學習的道路感知，通過與高精地圖結合，研究極端環境下的道路感知技術，具體包括可行駛路面的檢測、車道線的檢測、路緣的檢測以及對護欄的檢測等。對可行駛路面的檢測，毫無疑問這是一個基礎，否則對障礙物的檢測水平也是不高的。基於深度學習的障礙物檢測非常重要，因為這涉及安全問題。在環境感知中的應用還包括基於深度學習的行為意圖預測。其次是人工智能在自主導航技術中的應用。基於深度學習做多模態的自主導航，包括單目、雙目的SLAM，基於雷射雷達的SLAM以及與認知地圖的結合。第三，在自主行為決策中的應用。主要是基於深度強化學習做端到端的自主決策，做完決策還可以跟其他邏輯推理進行融合。第四，在學習控制中的應用。比如利用強化學習的Actor-Critic控制，做無模型的學習控制，包括對車輛的縱向和橫向的控制，效果是非常好的。在90年代，甚至是更早的70年代就有這樣的工作。剛開始可能有不好的控制性能，後面經過反復的獎勵、懲罰式試錯學習，則是越來越好控制。最後一個是在信息融合中的應用。基於深度學習進行信息融合，可與先驗模型結合。
自動駕駛產業的快速發展會帶來很多的社會問題。在我們參加的許多國際會議中，國外很早就開展這方面的公開討論了。這是Uber無人車出現致命性交通事故的畫面，其中暴露出的安全問題值得我們思考。其實我們對機器是很苛刻的，機器不能出現任何事，「機器自主殺人」是十分恐怖的。無人駕駛車輛一旦發生嚴重事故，對整個企業、產業，甚至行業都會帶來很大的負面影響，這就是對安全的挑戰。自主行駛安全還可細分為感知、決策方面的安全。數據安全包括高精地圖的測繪、構建、存儲和傳輸等，這里還涉及國家地理測繪安全的問題。車聯網在理論上會遭到黑客的攻擊，這是網路上的安全。此外，還有對法律法規的挑戰。現在很多地方發布了路測法規，交通事故責任主體的認定就是測試主體（企業）和測試人。未來甚至還有經營商、技術提供商和OEM的法律責任歸屬問題。還有保險的問題，責任是誰的，這涉及到相關法律的修改。目前國內法律界也在研究這些問題。這方面德國走在前面，他們已經出台了很多關於自動駕駛的法律法規。另外，高精地圖測繪這部分也需法律法規的明確規定，確保測繪與使用的資質以及大數據的隱私安全等。最後是倫理問題。我們知道一個很著名的倫理問題叫電車難題，還有機器人三定律。電車難題對自動駕駛可能是個偽命題。因為自動駕駛汽車可以比人看得更遠，看得更清，而且看得更加準確。如果處在L4水平的話，現在最新的純固態雷射雷達可以做到200米的測距範圍。我們至少能做到100多米，在100多米範圍之內就可以可靠地進行前方障礙物的感知和預測，只是我們現在的算法做得不好，目前傳感器也暫時跟不上。如果做得好可以看得更遠、更細節，在這種情況下完全可以避免電車難題。同時，無人駕駛可以把感知、決策與執行的反應時間，在超強計算能力的支撐下做得更短。但是自動駕駛產業的快速發展，確實也帶來了其他的社會問題，比如失業的問題。長途貨車司機、計程車司機、公車司機、4S店員工、保險員工、物流快遞員等職業，或會大大地減少，帶來很大的改變。
最後總結一下。車規級的安全性、低成本與量產目標是自動駕駛產業落地的關鍵。從「後裝」到「前裝」，通過標準化模塊化研發，提供軟硬件垂直整合的行業整體解決方案。必須聚焦大數據的海量積累，特別重視新一代人工智能技術的細分應用，以期有效提升面向環境感知與精準定位的計算機視覺與多傳感器的信息融合能力。鑒於目前的深度學習方法沒有語義理解能力，因此必須通過環境建模（高精地圖），基於5G通信的雲平台，利用NB-IoT的車聯網，對道路交通進行智慧空間適應式改造的智能交通系統以及智慧城市的合力支撐下，方能使L4+自動駕駛產業的落地實踐成為現實。從AGV到室外無人貨運，最後一公里的無人配送機器人與無人長途貨運卡車，有望成為最早落地的自動駕駛汽車產品。開放、高動態與不確定環境下自動駕駛研發所突破的感知與認知技術，是人工智能產業應用的核心賦能力量，可望推動其他的無人平台等未來顛覆性產品形態的發展。
來源：德先生
