【智能驾驶】清华大学教授邓志东：起底自动驾驶，从技术路线到产业化落地实践

2017 年 10 月 11 日 产业智能官 邓志东新智驾

“自动驾驶有可能是人工智能最具商业价值，而且最早落地的垂直领域。”7月10日，在由中国计算机学会（CCF）主办，雷锋网和香港中文大学（深圳）承办的CCF-GAIR全球人工智能与机器人大会压轴日的智能驾驶专场上，邓志东如是说。

邓志东现任清华大学计算机系教授、博士生导师。自2009年起，邓志东带领团队开发了三辆具有感知和自主决策功能的自动驾驶汽车，在该领域积累颇深。如今，随着人工智能技术的演进和发展，人工智能在L4（SAE）级别自动驾驶产业落地的进程中发挥着不可替代的推动作用。邓志东的主题演讲也是围绕这个话题展开，新智驾对演讲内容做了不改变原意的整理编辑。

*清华大学教授、博士生导师邓志东

一、限定区域是个坑

2016年9月20日，美国交通运输部最新发布自动驾驶联邦新规，已经明确无人驾驶汽车以SAE的6级作为分级标准（L0-L5）。现在大家普遍感兴趣的是L3和L4，L3即限定条件下的自动驾驶，L4即高度自动驾驶。

具体而言，自动驾驶的第一个阶段是辅助与半自动驾驶（L0和L1），第二个阶段是过渡期的无人驾驶（L2和L3），第三阶段是真正的无人驾驶（L4和L5）。

作为过渡期的第二阶段，也就是人进行辅助的人机共驾阶段，包括L2和L3。

L2是解放手脚，但人眼和人脑还要受累；
L3是解放人眼，解放人眼的关键是机器能够代替人对包括极端与紧急情况下的环境进行安全可靠的感知。

L4和L5是真正的无人驾驶阶段，最鲜明的特征就是自主行驶的安全性得到了充分的保证。

L4是解放人脑，但仍要限定区域和限定功能；
L5不需要进行任何限定，就跟人一样，人可以去的地方，车也可以去，人不能去的地方，车也不能去。

所以L2是解放了手脚，L3解放了人眼，L4和L5把人脑也解放了，对车辆的自主行驶完全可以放心。L5甚至都没有方向盘、踏板和后视镜了。

从L2到L4，要考虑的一个核心的问题就是限定区域和限定功能。

1、封闭区域的自动驾驶

如限定速度，考虑空旷可视、交通流稀疏等特定的应用场景，具体包括封闭场地的循迹自动驾驶、沿着固定车道的自动驾驶等。在这种情况下，我们可以采用轨迹跟踪或车道线视觉跟踪加上简单的障碍物检测技术，比较容易就实现到L3、L4级别的自动驾驶。只要能降低成本，就容易获得商业模式，这就是现在很多人搞的低速车商业落地，这是较容易实现的。

2、结构化道路与限定功能的自动驾驶

如限定行车功能的高速公路和在部分城市道路区域的自动驾驶。这种结构化和半结构化道路相对简单，再加上对自主行车功能的限制，如触发条件非常苛刻的自主变道超车等，可能仅需要利用高精度地图、障碍物检测加上行为预测技术等，也是相对比较容易实现L3到L4的自动驾驶能力。

3、复杂场景的自动驾驶

比如说更大城区范围乃至整个城市或各种路况的自动驾驶。Uber现在在匹兹堡市的自动驾驶免费出租车路测与试运行，就是真实城区范围的自动驾驶，这达到了很高级的阶段，因为需要考虑全路网高精度地图、障碍物检测、行为预测、复杂决策等，尽管目前车上还保留有两名安全工程师。这时要实现L3、L4比较困难，但是它的商业价值是巨大的，现在我们说的无人驾驶就是要走到这个高级阶段。

由此引申出百度的阿波罗计划，它的目的是什么呢？

简言之，百度在开放式软件平台方面与博世等Tier1（一级汽车零部件供应商）合作，是否希望成为一家自动驾驶人工智能算法公司？同时或希望将重点放在云端的数据服务平台，退到后方做包括高精度地图和大数据在内的服务市场？

二、环境感知与环境建模之争

1、完全基于环境建模的自动驾驶

相对封闭场地的循迹自动驾驶和全路网的固定线路自动驾驶，是一个完全基于环境建模的技术解决方案。

优点：使用RTK厘米级精度的轨迹跟踪，路面行驶可轻易实现高速高精度；
缺点：无环境适应性，缺乏自主性。采用的RTK高精度组合导航设备，受差分基站的通信范围、多径效应和收星数等影响，同时成本高昂。例如进口的DGPS/IMU最便宜的二十多万，贵一点的要五六十万，且仅仅适合于视野开阔的空旷与封闭场景。如果把组合导航设备的价格降低，它也可以实现商业模式。

进一步，可利用高精度地图来实现自动驾驶，即综合利用地图匹配导航来降低导航设备的硬件成本，同时也更有利于实现全路网的自动驾驶。

目前大多数的自动驾驶汽车都是属于这种类型的。

2、完全基于感知的自动驾驶

即沿固定车道或道路的自动驾驶。

优点：全路网自主行驶，具有高度自主性和环境适应性；仅依靠摄像头或激光雷达，无高精度地图，无RTK，成本低；
缺点：受车道线与路缘质量的影响较大，车速较低，可靠性差。

这种途径类似于人类的驾驶方式，完全靠感知进行，显然这种技术路线比较极端，对环境感知的要求非常之高，挑战极大，也会带来很多不确定性。

结论：环境感知必须与环境建模结合，以便同时获得高性能路面行驶能力与局部自主性等。

三、视觉主导还是激光雷达主导？

目前，自动驾驶环境感知的技术路线主要有两种：一种是以特斯拉为代表的视觉主导的多传感器融合方案，另一种以低成本激光雷达为主导，典型代表如谷歌Waymo。

1、视觉主导，以特斯拉为代表：摄像头+毫米波雷达+超声波雷达+低成本激光雷达。

摄像头视觉属于被动视觉，受环境光照的影响较大，目标检测与SLAM较不可靠，但成本低。目前，特斯拉已经在其量产车上列装了Autopilot 2.0固件，而且成本较低，只有7000美金左右，8个摄像头组成单目环视，有1个毫米波雷达和12个超声波雷达，希望从L2跳跃到L4。

经过半年的努力，特斯拉近期已经完成了将路测大数据从Mobileye单目视觉技术过渡到基于Nvidia Drive PX2计算硬件平台的特斯拉Vision软件系统上，并且在今年3月底发布了8.1软件版本，它用深度学习的方法在短期内基本达到了Mobileye的技术水平，这是以前很难想象的。特斯拉的自动驾驶技术究竟怎么样，一个重要的观察点就是看它能否在2017年年底，如期从洛杉矶开到纽约，实现全程4500公里且无人工干预的完全自主驾驶。

2、激光雷达主导，以Google Waymo为代表：低成本激光雷达+毫米波雷达+超声波传感器+摄像头。

激光雷达是主动视觉，它的目标检测与SLAM比较可靠，但是却丢失了颜色和纹理且成本高昂。目前谷歌Waymo自己组建团队研发激光雷达的硬件，把成本削减了90%以上，基本上是7000美金左右，同时他们已经开始在美国凤凰城地区对500辆L2级别的车进行社会公测，大大地推进了该类技术路线的落地实践。

激光雷达主导的解决方案未来可以沿如下两个方向继续推进商业化进程：

一个是发展摄像头与激光雷达的硬件模组，把两者结合起来，既有激光雷达，又有彩色摄像头，可以直接获得彩色激光点云数据。
另一个是进一步降低激光雷达的硬件成本，比如研发固态激光雷达并真正实现产业化，届时成本会下降到几百美金。

总之，现在自动驾驶领域有三大核心问题需要着力突破：即利用人工智能，尤其是利用深度学习进行目标识别、自主导航和信息融合，这三方面的技术成果是真正具有商业价值的。

目标识别：例如对交通流稠密的复杂城区，如何可靠地进行周边障碍物的检测与行为预测，特别是对极端与紧急情况的感知与预测。
自主导航：激光SLAM或视觉SLAM及其与低成本组合导航的精准融合；
信息融合：多传感器如何进行信息融合。

结论：自动驾驶应以信息化汽车作为底层平台，其中信息化包括数字化或软件化，也包括内部总线化和外部网联化，这是智能化的基础和条件。像线控、OTA（空中下载）、SDU（软件定义升级），应该成为底层平台的标配。

四、人工智能加速自动驾驶产业落地实践

自动驾驶可能是人工智能最具有商业价值，而且是最早落地的垂直领域。

自动驾驶是一个万亿美元级别的巨大市场。如果考虑到共享无人驾驶汽车更重要的是提供增值服务，若计入增值服务市场，那它的市场价值可以乘以10，也就是可以达到10万亿美元的级别。

自动驾驶汽车是一种非常特殊的产品形态，必须考虑绝对的安全性和低成本，还要有整体的解决方案，形成产业生态，最终去找到它的商业模式。

深度学习源于原始的真实大数据，它的实时性已得到GPU、TPU、FPGA、ASIC和类脑芯片快速发展的支撑，已经成为自动驾驶感知、决策与控制的基础技术。

深度学习是环境感知和自主决策的决定性技术，可望使自动驾驶汽车具有类似于人类司机的驾驶技能自主学习与改善能力，其中大数据技术与路测成为关键。我们人类开车是先去驾校进行有教师的监督学习，然后从驾校出来之后到拥有几十万公里的驾驶经验，这是我们通过试错式的强化训练实现的。是不是可以让机器也有同样的深度监督学习与深度强化学习能力，像AlphaoGo一样？

总之，深度卷积神经网络和深度强化学习可以广泛应用于自动驾驶的感知、决策、控制、分析和学习等各个关键环节。

1、环境感知与基于认知地图的精准自主导航

深度卷积神经网络近期的革命性进展，带来了人类水平的视觉检测与识别能力，再加上低成本激光雷达、高精度地图、5G通信、智能网联以及智能交通系统和智慧城市的合力支撑，极有可能使极端环境与紧急情况的可靠感知与低成本、高精度自主导航成为现实，助推自动驾驶从L2到L3的发展。

然而深度卷积神经网络有一个最大的缺陷，就是它目前还不能实现语义理解。在这样的困境下，我们可以通过其他支撑，例如高精度地图（包括栅格与认知地图），以及用5G通讯和NB-IoT移动物联网组成的车联网，还有ITS等形成合力，来解决这个挑战性问题。

2、具有自主学习能力的自主决策与智能控制

由AlphaGo强力推动的深度强化学习的最新进展，有可能使自动驾驶汽车拥有类似于人的自主学习能力，获得包括具有紧急情况预测在内的端到端的自主行为决策功能和数据驱动型智能控制系统，助推自动驾驶从L3跨越到L4。

3、人工智能有望使自动驾驶落地成为可能

在自动驾驶问题中，弱人工智能主要涉及算法（深度卷积神经网络与深度强化学习），数据（目标大数据，目标行为大数据、驾驶行为大数据等），计算（如移动端、云端、离线训练深度学习加速器），自动驾驶细分场景（目标与行为意图感知、认知地图与导航、信息融合、自主决策、智能控制等）和垂直整合等5个维度。

支撑自动驾驶落地的深度学习算法与开源代码框架

支撑自动驾驶发展的算法中，包括环境感知、障碍物检测、行为预测、自主导航、自主决策和智能控制等。

环境感知：主要是考虑一些极端情况，如路面有雨雪、存在高强度反光以及车道线或路缘严重缺失或存在大量遮挡等。
障碍物检测：目前可以用几百层的深度卷积神经网络来做像素水平的检测、分割和识别。
行为意图预测：障碍物的行为预测与障碍物检测同等重要。
自主导航：强调低成本、高精度和高环境适应性的方法，例如基于SLAM的解决方案，把成本降下来。
认知地图：人类开车时使用的就是认知地图，而非栅格地图。
自主决策和控制：自主决策即基于深度学习的端到端自主决策方式，输入一系列视频图像信息，然后输出一个自主决策而非直接是执行机构的控制量，后者也是一种极端的技术方案，实际上存在着严重的安全隐患。基于强化学习的控制算法从90年代发端，进一步可以研究基于数据驱动和知识驱动的无模型智能控制技术。

*深度学习的开源代码框架

支撑自动驾驶落地的大数据

大数据之于自动驾驶非常重要。目前，谷歌已累计拥有超过500万公里的路测大数据，2016年还有10亿英里的模拟大数据产生；特斯拉则积累了3.57亿公里的大数据。

如上图所示，截至目前，加州已经有36家企业被批准合法路测。全球范围内自动驾驶企业竞争激烈，目前产业竞争的焦点集中于以下两点：

自主行驶大数据里程数；
紧急情况的人工干预频率。

最新排名显示，从目前技术水平来看，谷歌Waymo做得最好，达到5分，它的研发团队或人才也是最好的，获4.5分。Uber的商业模式做得最好，因为它在匹兹堡市全城区进行无人驾驶出租车测试，它的商业模式评分得到了5分。特斯拉的技术评分为3.5，在技术的先进程度上全球排名第二。

深度学习方法采集与喂食的大数据越多，就越能获得更好的驾驶直觉，所以科技巨头都在疯狂追逐大数据。可以说，谁拥有与利用的自动驾驶大数据越多，谁的技术成熟度就越高，或者说离产业落地的距离就越近。

在深度卷积神经网络中使用大数据，必须要解决大数据的完备性问题。但实现完备性是很困难的，必须要将各种极端与紧急的情况都跑出来。中国的道路交通情况是全世界最为复杂的，很容易出现极端与紧急路况，所以我们具备可能是最好的路测环境与自动驾驶大数据。另外需要指出的是，为了将自动驾驶汽车的障碍物识别率从 99.999% 提高到 99.99999%，需要的是规模为指数级增长的大数据，因为有所谓的长尾效应，这需要极大的资源付出。

支撑自动驾驶落地的计算引擎

大规模的深度学习模型，高达数百层，可以利用超级GPU/TPU集群服务器进行离线训练。目前全球芯片巨头都在全面布局人工智能芯片，面向自动驾驶车载移动端与云端的深度学习芯片尤其成为兵家必争之地。现在看来，谷歌似乎也要利用其TPU加入全球AI芯片大战。

*英伟达芯片阵营

与汽车主机厂、与自动驾驶科技企业、与Tier1，各个芯片巨头目前都在布局自己的AI芯片产业生态或阵营，可谓纵横捭阖。目前英伟达芯片阵营最大，许多车企与互联网企业都在使用英伟达硬件平台，后者马上还要进行新一代Xavier平台开源。其他的AI芯片阵营，包括英特尔及其由英特尔收购的Mobileye所组成的Intel/Mobileye联盟以及围绕谷歌Waymo的AI芯片阵营等。

支撑自动驾驶落地的其他基础条件

在支撑自动驾驶落地的其他基础条件方面，高精度栅格地图和基于深度学习的高精度认知地图可能形成巨大的产业。数字化、网联化与智能化的交通基础设施会逐步建成。

此外，由于深度学习目前存在不能实现语义理解的缺陷，因此必须借助于5G和NB-IoT等作为基础的智能网联技术（支持云端和路测设备通信），智能交通系统和智慧城市等，形成合力，以便解决极端和紧急情况下的可靠感知问题。

最终目标，是实现共享化的无人驾驶和人工智能增值服务。

结语

限定区域是一个坑，什么都可以装进来。技术等级达到L3甚至L4并非多么不可思议的事情，关键是这个级别是针对哪个限定区域的，是港口、机场、园区的，还是高速公路、部分城区的，或者是整个城市的，甚至是全国的，因此一定要考虑区域，当然也要同时考虑对其行车功能的限定。反过来说，限定区域也是自动驾驶商业模式逐步演变过程的真实体现，即要从简单到复杂逐步推进。

环境感知必须与环境建模（高精度地图）相结合，在5G通信、NB-IoT、车联网以及ITS和智慧城市的支撑下形成合力，实现极端环境与紧急情况下的可靠感知，助推L2跨越到L3，为自动驾驶产业的落地实践，迈出最为重要的一步。

高可靠、低成本是视觉或激光雷达主导技术路线的共同要求，多传感器信息融合是必须要着力解决的共性核心技术。

深度学习是环境感知和自主决策的决定性技术，可望使自动驾驶汽车具有类人的自主驾驶学习能力，其中路测与大数据成为关键。

最后，人工智能的新一轮复兴必将加速L4及以上无人驾驶产业的商业落地。

延展阅读：新一代奥迪 A8 告诉你：L3 自动驾驶如何实现人机共驾

来源：张梦华 新智驾

2012 年，谷歌自动驾驶团队的工程师们遇到了一个问题。

在早期车辆测试中，驾驶员们一般都会遵照要求，在汽车行驶时保持留意车辆和道路情况，以应对突如其来的紧急状况。

但事实是，很多人实际驾驶时并不会这么自觉，而是想当然地任由车辆“自行行驶”。

在自动驾驶技术水平尚不完善的早期，其潜在风险可想而知。这也是后来我们经常讨论的手到底能不能离开方向盘：系统出现问题时，如何提醒正在车上打游戏或购物的驾驶员接管车辆？

当然，后事的发展我们已经看到，谷歌并没有找到合适的解决方案，它直接绕过了这个问题，把目标定在了实现 Level 4 （SAE）即完全自动行驶上。

接下来几年，其它几个研究自动驾驶的厂商，如福特、通用、沃尔沃，也不继续在这个问题上纠结打转了，而是紧随谷歌，将目光集中了在完全自动驾驶汽车上。这也是为什么，到了 2017 年的今天，我们离自动驾驶明显更近了更多。

机器是最理想的驾驶员，其它暂且不论，至少坐车时不会再有人在你耳边絮絮叨叨了。

这种情境听起来确实很梦幻，但现实好像骨感了许多。这些公司可能从根本上就搞错了人工智能在人类生活中应该扮演的角色。自动驾驶的初衷应该是提高交通安全率，但在其普及之前，可能会起到相反的作用。

首先，我们先想一下，自动驾驶汽车在哪儿应用的最多？

毫无疑问，是大城市，这里用户最多，市场空间最大。到 2030 年，每年仅无人驾驶出租车的利润就将达到几十亿。并且，在城市限定区域里，无人驾驶的技术难度也降低了很多。

但在美国，每年近 35000 例的交通死亡事故中，有一多半都不是在大城市道路发生的，而是在乡村街道和高速公路上。建筑规划混乱，路况差异大，这些道路到底适不适合自动驾驶还是个未知数。

汽车厂商要保证汽车行驶安全，就必须有人坐在方向盘后面，准备随时接管车辆。达到这一点确实不容易。

一辆需要驾驶员随时接管的车辆必须具备很多以往车辆没有的性能，比如要监督驾驶员是否在留意车辆行驶状况，而在他们安全接管方向盘之后，系统还要告诉其如何操作等。

所有这些命令，车辆都必须在几秒钟内完成。因此也就不难理解，谷歌为何选择避开这个问题。

不过，也有公司在努力攻克这个难题，奥迪就首先迈出了这一步。刚刚发布的最新版奥迪 A8 搭载了 L3 级别的自动驾驶功能，车辆在自动驾驶的同时还需要人的协作。

为了让车辆在高速公路上安全驾驶，和很多公司一样，奥迪的工程师和心理学家们已经耗费了很多年，不过他们的重心主要在人机交互界面上，这是驾驶员双手脱离方向盘的关键。

据新智驾了解，奥迪 A8 配备了一个识别人脸的摄像头，可以时刻观察驾驶员的动态。在车辆确定需要驾驶员接管或检测到驾驶员没有注意车辆和道路状况时，其视觉和听觉警报器就会发出警报提醒。

如果驾驶员仍没有做出相应反应，系统就会自动束紧安全带，并打开车门。

在最终确定这一系列步骤之前，奥迪曾对各洲成千上万的用户做过模拟器测试。有趣的是，这个系统在一些特定用户身上倒是充分发挥了效用，例如，比起听觉警告，中国驾驶员就更喜欢视觉警告。

如果就自动驾驶的最终目的来说，A8 并不能充分证明自己，因为奥迪卖出的行政级轿车远不足以使交通死亡率大大降低，但是这种以人为中心的操作方式倒可以为其它自动驾驶公司提供一个很好的样本。

据新智驾了解，一些公司也已经开始有所行动：

凯迪拉克的 Super Cruise 使用了摄像头，以保证驾驶员有接管车辆的充分准备；
IBM 的研究员最近申请了一个 AI 系统专利，它可以判断在任意场景下，由人还是系统来控制车辆；
特斯拉同样用了一系列传感器，帮助驾驶员监督 Autopilot 的状况。

对一辆完全自动驾驶汽车来说，驾驶员是否注意路况并没有太大关系，但是车辆必须了解乘客是不是足够舒适。即使人不再驾驶车辆，他们也仍是整部车中最重要的因素所在。

几十年后，若完全自动驾驶汽车普及，这些权宜之计可能就完全没必要了。但就目前的技术水平来看，这些因素却是不容忽视的。

即使减少交通事故率并不是自动驾驶的目标——虽然它应该是——发展智能驾驶还有一个重要好处在于，基于智能驾驶技术的推进，可以形成一个应对紧急问题的框架，即一个越来越智能的机器究竟该如何与人交互协作。

可以想象，能够思考和学习的机器将会渗入越来越多的领域，如健康、流行文化等。它们要促进人类更好的生活，而不仅仅是更有效率，就必须使其服务对象——人始终处于最佳状态。反过来，人对机器也是一样。

延展阅读：业内首款高速公路驾驶系统：凯迪拉克2018款CT6搭载的Super Cruise解放你的双手

来源：大壮旅 新智驾

新智驾按：在可预见的将来，消费级车辆搭载的自动驾驶功能会被限制在t特定的道路上，如高速公路。自动驾驶正是高速公路当下最为需要的功能，毕竟长途驾驶很容易让人疲劳、注意力不集中，而在高速行驶中，任何的小差错可能都是致命的。

在2018款CT6中，凯迪拉克就带来了“Super Cruise”（超级巡航）功能，这一功能支持车辆在美国任何高速公路实现自动驾驶。整套系统用到了摄像头和雷达，同时它还克服了此前自动驾驶让驾驶员分心的缺点，时刻让他们注意路况。

虽然听起来与业内畅想的高级自动驾驶还有差距，但凯迪拉克表示，这是“业内第一款能解放双手且专门针对高速公路的驾驶系统”。

从理论上来讲，凯迪拉克确实没有夸大其词，特斯拉（包括其他拥有高速自动驾驶功能的车型）依然明确表示司机需要用双手操控方向盘。

而凯迪拉克不同，他们用到了更为激进的技术来保证司机的注意力不会飞到九霄云外，而这正是 Level 2 级别的驾驶最为需要的：车辆可以自动驾驶，但需要司机时刻准备接手方向盘。

由于司机驾车时的表现各不相同，因此想让他们在自动驾驶时将精力集中在方向盘上并不容易。

据雷锋网新智驾了解，凯迪拉克的方式更有前瞻性，它们在方向盘区域设计了一个小摄像头，红外装置能帮摄像头追踪司机的视线，并判断司机的精神是否集中在道路上。一旦发现问题，车辆就会通过多种方式发出警告。

*方向盘上的绿色光条

举例来说，如果系统发现驾驶员注意力分散时间过长，它首先会提示驾驶员。如果驾驶员还是没反应，Super Cruise 会继续保持安全驾驶并通过方向盘上的光条（light bar）来提醒驾驶员。

如果以上这些方式都不奏效，凯迪拉克还在仪表盘上准备了相应的视觉提示。在必要时，车辆的座椅和蜂鸣器也会对司机提出警告。如果警告系统叫不“醒”司机，车辆会利用搭载的驾驶员辅助技术停在安全的位置，随后联系安吉星（通用的车联网服务）。

事实上，自动驾驶与司机集中注意力是“自相矛盾”的。如果司机一直集中注意力，还为什么还需要自动驾驶？

丰田研究所的 Gill Pratt 也在今年的 CES 上表示：“Level 2 级别的车辆自动驾驶能力越好，司机就越危险。”Pratt 认为，随着自动驾驶技术逐渐进步，需要人为干预的情况会越来越少，这就会造成司机过于相信技术。

有些人会说：“之前我就没遇到过需要介入的问题，现在不会，未来肯定也不需要我操心。”

虽然说需要人为干预的几率可能会降至 20 万英里一次，而普通人每 10 万英里可能就换车了，但一旦出现紧急情况，在自动驾驶时代过惯了“安乐生活”的驾驶员可能就会反应迟钝，而这可能是致命的。

因此自动驾驶技术越先进，我们对车辆过度相信的程度也就越高。

此外，我们还注意到一点：Super Cruise 是世界上“第一种用到了激光雷达扫描生成的地图数据加实时相机传感器与 GPS 辅助的辅助驾驶技术”。

相机、GPS 和雷达搜集到的数据对大多数辅助驾驶系统都至关重要。Super Cruise 这次就直接用上了未来自动驾驶车辆才会用到的先进技术：地图数据库。

Super Cruise 用到的这套精确的地图是专门开发的，工程师对美国和加拿大的高速公路进行了“地毯式”扫描，为车辆准备了细节满满的道路信息，搭配更为精确的 GPS，效果提高了一大截。

听起来很酷吧！但更令人惊讶的不是它，而是 CT6 根本就没搭载激光雷达（只有摄像头和雷达）。这就意味着，激光雷达定位、障碍探测、物体识别的功能 CT6 都用不到，它只是使用增强版 GPS 地图。

我们不清楚激光雷达扫描生成的地图数据到底比普通的 GPS 地图好在哪，但这套花费了大量精力开发的地图未来肯定能派得上用场。

Super Cruise 是否会在夜间和恶劣天气（雨、雪、雾、沙尘等）下遇到驾驶性能的问题？

从相关负责人的回答来看，Super Cruise 能够胜任夜间驾驶。但如果摄像头被雨、雪、雾、沙尘等遮蔽，系统就会失效。

这样的回答挺令人担心，因为摄像头在被遮蔽的情况可能突然就会发生，与你出门时看不看天气预报无关。

举例来说，如果雨天有人在高速上驾驶并超过一辆卡车时，它卷起的水雾可能就会直接让他车上的摄像头致盲，而司机就必须为这种情况做好准备。同时，如果有人在黄昏驾驶时突然将车头转向西方，那么光就会直射过来，而面对日升日落时的低角度光照，Super Cruise 系统也会失效。

当然，这些问题可不止凯迪拉克会遇到，所有研发自动驾驶的厂商都头疼不已，它们都在试图寻找激光雷达到底有何意义？Level 2 到底需要还什么保证安全？有没有必要给车辆装配 Level 3 级别的系统？

凯迪拉克“大撒把”式的探索确实有其领先之处，希望未来它能给我们带来更多惊喜。

延展阅读：英伟达推出Pegasus：搞无人驾驶出租车的公司，核弹又给你们准备好了

来源：雷锋网

你以为NVIDIA DRIVE PX Xavier已经是英伟达为自动驾驶推出的最强计算机了。在刚刚开幕的GTC Europe 2017上，黄仁勋又公布了——DRIVE PX Pegasus，专门针对L5无人驾驶出租车推出的，面向量产化的超级计算机。

回顾DRIVE PX的整个产品线，自从2015年推出以来，这个平台下已经陆续推出了：

DRIVE PX，第一代产品，最早用于自动驾驶测试的超级计算机；
DRIVE PX2，第二代产品，同DRIVE PX一样，PX2是一个迭代版的测试样机；
DRIVE PX2 for AutoCruise、DRIVE PX2 for AutoChauffeur，由DRIVE PX2衍生的面向量产化的版本；前者主要用于高速路段自动驾驶和高精地图绘制，后者用于点到点、相对特定场景的自动驾驶。值得一提的是，在Tesla的量产车型上，使用的也是Drive PX2的一个定制版；
DRIVE PX Xavier，面向L4自动驾驶的量产版本；
现在刚刚公布的DRIVE PX Pegasus，面向L5无人驾驶设计的量产版本；

黄仁勋在GTC Europe的keynote上提到，在NVIDIA DRIVE PX平台现有的225家合作伙伴中，至少有25家在开发无人驾驶出租车（Robo-Taxi）。

面向L5无人驾驶出租车的DRIVE PX Pegasus

相比L2、L3、L4的自动驾驶，无人驾驶出租车是一种最激进的自动驾驶技术形态。其中的典型代表比如Waymo和ZOOX，他们认为未来的无人驾驶出租车是没有方向盘、没有油门和刹车踏板的，当然也没有人驾驶，并且两家都在设计和制造这样的车型。

最激进的自动驾驶技术，Robo-Taxi上的计算需求

黄仁勋认为，因此无人驾驶出租车也给车载计算机提出了很高的挑战。

首先要有充分的计算冗余，即使一台计算机宕机了，无人车依然要把乘客安全带到目的地；同样也要有传感器的冗余，假如路上有车辆发生了磕碰，一部分传感器失效，剩下的传感器要保证能够继续完成驾驶任务。一台能够规模化部署上路的无人驾驶出租车，可能会有10个以上的摄像头，配合激光雷达、毫米波雷达等传感器，对车辆本身进行实时定位，并且感知车身周围到200米范围内的驾驶态势，感知获得的数据又要上传云端形成高精度地图的更新。

仅仅从参数来看，Pegasus计算性能是320 terflops，能耗是500瓦。相比Xavier性能30 terflops，功耗30瓦，性能上至少提高了10倍，但功耗也上升了10倍。

据雷锋网了解，在Pegasus的计算核心设计上，它会包含2颗Xavier SoC和2颗独立的下一代架构GPU。因为Xavier本身就是由1个Volta GPU和1个8核ARM处理器构成的，所以Pegasus最后会搭载2颗Volta GPU和2颗下一代架构的GPU，以及2个8核ARM处理器。

Pegasus的硬件尺寸看起来与现有的DRIVE PX2板子基本上差不多大小。黄仁勋在keynote上至少得意地展示了3次它躺在后备箱里的效果。

从底层计算硬件，到上层应用，黄教主都为你准备好了

除了发布Pegasus，英伟达在这次keynote上还透露，使用8台DGX-1超级计算机5个小时内可以模拟30万英里的道路驾驶。30万公里相当于是美国现有公路总里程的1/10。

也就是说，8台DGX-1只要2天时间就可以把全美的道路跑一遍。黄仁勋说，在内部英伟达就是这样一遍遍地模拟这些道路测试，不断寻找里面的极端情况。

在DRIVE PX2和Xavier上，英伟达已经和汽车一级零部件供应商ZF、Bosch分别达成量产车载超级计算机的合作。根据之前公布的时间表，英伟达会在今年Q4向一部分合作伙伴提供DRIVE PX Xavier的样机，然后会在2018年的下半年向合作伙伴提供DRIVE PX Pegasus的样机。

从底层计算平台到硬件，英伟达为自动驾驶设计和提供了4个层次的技术：

底层计算平台，从DRIVE PX2这样的测试平台，到Bosch AI Car Computer、ZF ProAI这样的量产车规级平台，到DRIVE PX Pegasus这样L5计算平台，到DGX-1的云端训练平台；
DRIVE OS，将传感器数据进行收集和处理的操作系统；
DRIVEWORKS，为自动驾驶提供的感知、定位、地图创建等SDK；
DRIVE AV，面向应用的技术，雷锋网理解成是面向应用的参考设计。

黄仁勋说，在内部，英伟达自己的测试车BB8在路上不断测试，DGX-1上每天运行数十万公里的模拟测试，这些技术都会开放提供给合作伙伴。根据今年1月份的统计，英伟达大约有10000名雇员，黄仁勋提到现在有数千人工作在自动驾驶相关的研发上。

目前使用DRIVE PX平台在开发无人驾驶出租车的公司有：Uber、Lyft、Waymo在美国各地测试，通用旗下的Cruise Automation在旧金山测试，福特旗下的Argo.ai在匹兹堡测试，Nutonomy在新加坡测试，Yandex在俄罗斯测试，等等。

黄仁勋这回告诉这批企业，核弹又给你们造好了。

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。