自動駕駛三種方案對比：誰將最終勝出？

　　最近，一大批新創公司蠢蠢欲動，它們準備只靠計算機視覺和雷達就搞定自動駕駛。這些公司包括 AutoX 以及 Comma.ai。此外，像特斯拉這樣的大公司也想甩掉激光雷達的包袱，輕裝上陣搞定自動駕駛。

　　當然，特斯拉選擇走這條路是因為 Elon Musk 打了小算盤：激光雷達現在價格較貴，產能也不夠，但 Musk 卻想直接讓現售車輛未來通過軟件升級實現全自動駕駛。

　　這些公司信心十足，是因為在解決計算機視覺問題上，機器學習的應用，尤其是卷積神經網絡最近有了長足的進步。人工智能，特別是模式匹配和計算機視覺技術突破不斷。

　　此外，對新創公司來說，這是個巨大的賭注。類似谷歌這樣的大公司，都在醉心于激光雷達的研究，因此它們放松了其他解決方案，而這給新創公司留了巨大的發展空間。

　　當然，這些公司可能最終一無所有，但一旦成功，就能賺的盆滿缽滿，而風投公司最愛投資這類公司。

　　對于這三項關鍵技術，如今的趨勢已經非常明顯：

　　1. 隨著時間的推進，激光雷達的價格會逐漸走低，性能會逐漸增強。最終，高端版本幾百美元就能搞定，而低端版則更加便宜;

　　2. 計算機視覺技術會不斷進化，最終可靠性達到使用要求。同時，與其搭配使用的高性能處理器和電源需要都會不斷走低;

　　3. 雷達的價格會降至兩位數(美元)，用于分析雷達數據的軟件也會越來越聰明。

　　除此之外，一些新技術未來的走向也不好預測，比如遠程長波紅外激光雷達、新型雷達或能直接把光子當無線電波處理的激光雷達替代品。

　　當然，即使新技術能按照預測的趨勢發展，未來的贏家也一定是那些可以把多項技術相結合的公司，現在的問題是這些技術到底怎樣結合才更有效。

　　現有的激光雷達有個問題，那就是它分辨率有些低，探測距離不夠遠且售價昂貴。當然，計算機視覺問題也不少，當下它還不夠可靠，需要外部照明輔助，而且對計算機能力要求較高(意味著貴)。雷達的問題也是分辨率較低，甚至還不如激光雷達。

　　下面，我們就來介紹幾種有效的技術結合方案：

　　方案一：高端激光雷達為主，計算機視覺為輔

　　受大多數團隊青睞的 32 線或 64 線激光雷達在探測道路障礙的能力上非常可靠，只要在探測范圍內，它們幾乎不可能出錯。不過，一旦距離稍遠，它們就很有可能分不清障礙物到底是什么。

　　如將皮卡錯看成普通汽車，將 3 位行人看成 2 位，同時它也無法識別面部表情和肢體語言。最重要的是，這家伙是“色盲”，它看不出紅綠燈信號。

　　如果有了計算機視覺的輔助，情況就不一樣了。激光雷達可以將障礙物的圖片從背景中“摳”出來，隨后計算機視覺很容易就能分清它到底是什么，而且計算機視覺無需 100% 可靠，它只負責提升最終效果就行。

　　如果自動駕駛汽車只需遵從“不要撞到路上的東西”這樣簡單的命令，激光雷達就完全夠用，但這樣的設定下自動駕駛汽車會頻繁剎車，影響乘坐舒適度。

　　方案二：低端雷達+更可靠的計算機視覺

　　眼下，只擁有 4 組掃描線的激光雷達價格相對較低廉。不過，這樣的配置探測能力一般，對于位置較高、較低或較小的物體有時會無能為力。

　　因此，現在的問題是，如今計算機視覺系統能填補這個窟窿嗎?答案是不太好解決。畢竟計算機視覺系統需要外部照明輔助，燈光打在車輛正前方還好，如果弄個 360 度照明，就會讓駕駛員分心，而且還會影響其他車輛的行車安全，但如果不這樣做，又無法獲得 360 度的完整視野。

　　有人提出可以用紅外線燈來解決，這樣就不會讓駕駛員分心了，但這種解決方案也有個問題，那就是它的熱功率不夠高。

　　低端激光雷達確實能解決一些非常危險的漏報問題，但它有可能帶來更多副作用(即錯報導致的無端剎車)。在自動駕駛車輛行駛中，漏報完全不能接受，但錯報如果太多，也會影響用戶的乘坐體驗。

　　這種方案成本較為低廉，不過需要用到較為先進的計算機視覺技術，而這種水平的計算機視覺現有技術還無法實現，但想實現這樣的技術并不是不可能。

　　其他方案

　　特斯拉一直在研究如何用雷達來協助車載攝像頭。雷達探測車輛前方的移動物體很有一手，許多新型號的產品對靜止物體探測效果也不錯，同時其分辨率也有提高。借助神經網絡等新技術，車輛就能實時分辨周圍物體到底是什么了。

　　雷達對車輛的探測效果很好，但探測行人卻很弱。不過，如果將雙目視覺與計算機視覺搭配使用，探測能力就能大幅提高。

　　當然，如果只跑高速公路，只需提高雷達的探測距離和對高速物體的辨識能力就信，畢竟路上不會出現行人。