為什么今天的L4無人駕駛無法達到終局？

　　其次，探索新的人工智能方法

　　為什么人能夠在駕校學習幾十個小時、上路開了幾千公里，就能夠達到“L5”?如何讓今天的弱人工智能去適應開放、動態、不確定的環境?如何提升人工智能對未知輸入和欺騙性輸入(或者更專業的“對抗輸入”)的魯棒性?要回答這些問題，必須在科技的前沿尋找思路。馭勢科技跟包括加州大學伯克利分校在內的國際國內多所頂尖大學展開了合作，短短1年中，我們對未來的道路看得更加清晰了。不妨摘錄一些加州大學伯克利分校的科研項目以饗讀者。

　　方向在這些標題里面，全新場景的處理，對不確定性的容忍度，自我學習提升，和跨領域的遷移學習(比如不同城市，或從仿真環境向真實場景遷移)。

　　最后，假設有新的算法被不斷研發出來，如何證明新算法是安全的呢?

　　有一段軼事，2016年5月的特斯拉致命車禍，導致了大眾對自動駕駛的信任危機。馬斯克頗為不忿，他指出Autopilot在此次事故之前安全行駛了1.3億英里，而美國人類駕駛員的平均水平是9000萬英里，已然超越了人類。他這個論證中有兩個謬誤。第一，是Autopilot是輔助駕駛，還有人類駕駛員在糾正Autopilot的錯誤，所以這個1.3億英里是有水分的。第二，這個數據的統計置信度是不夠的，因為里程樣本實在太小了，如果把先前在中國邯鄲發生的那起致命事故算上，其安全里程一下子從1.3億降到了1.3億除以二，6500萬英里。

　　那么，到底需要多少里程，才能有足夠的置信度做孰優孰劣的判斷呢。美國著名的智庫蘭德公司做了幾個數學模型，結論如下圖：

　　挑其中1個結論來說，如果要有95%的置信度判斷無人駕駛比人類水平(9000萬英里/致命事故)好20%，需要跑110億英里。如果說你有一個100輛車的車隊來跑，平均40公里的時速，需要連續不停跑500年。考慮到全世界最大的車隊Waymo去年也就600臺車，9年跑了400萬英里，這看起來是不可能實現的任務。況且，除了谷歌之外，常見的開放道路L4測試車在配全傳感器后，要好幾十萬美元，100臺車的車隊已經是天價。

　　那么，只剩下1條路了，想辦法把算法裝到至少100萬臺不那么昂貴的車上，讓每臺車跑1.1萬英里，110億英里就實現了。

　　首先，這些車必須是增量的車，不可能找現有的車改裝，因此算法公司必須與大車廠進行合作。

　　其次，這些車不可能無緣無故裝一些還在驗證的算法，必須是裝了成熟的、有用的智能駕駛功能，這樣才可能賣掉100萬臺。

　　再次，這個功能具備某些場景的智能駕駛能力，但在大量的場景仍然需要人來駕駛。那么，在有人駕駛狀態下，系統切換到“影子模式”，用來跑新型算法、對其進行驗證。算法在“影子”中持續做模擬決策，并且把決策與人的行為進行對比，如果兩者顯著不同，那么有兩種情況：一，如果算法有高置信度的把握人開錯了，將給予人警告(類似ADAS);二，算法判斷人做得更好，或場景數據在感知、定位方面也具有高價值，那么這些數據將自動傳回，后臺工程師判斷是否有利于提升算法。

　　這里的核心問題是，車上裝什么樣有用的系統?而這個系統如何能夠跑新型L4算法?在這一點上馭勢的嘗試是非常令人鼓舞的，上面我們展示的兩個視頻，自動代客泊車和L4城市開發道路都是基于同一個車型和系統配置，能夠在兩種模式之間切換。

　　今天多數L4系統采用昂貴的傳感器和計算資源(最近百度Apollo在轉向低成本方案)，而且只適配少數幾款車型(比如林肯MKZ加AutonomousStuff的線控)。我們從一開始選擇低成本思路，不使用高線數激光雷達、高端GPS和慣導系統，攻堅關鍵零部件和底層線控能力(雖然執行器性能難稱完美)，堅持機器視覺為主、其他傳感器為輔的思路，并且對算法和系統進行深度優化、使之能夠運行在普通計算資源上。這意味著我們多數的無人駕駛SKU具備“影子模式”跑開放道路的能力。

　　未來的3-5年，我們期待與主機廠合作，將自動代客泊車和L3系統裝在至少100萬臺車上，與此同時，下一代的駕駛智能算法將橫空出世，以“影子模式”的驗證方式快速迭代。

　　最后做個總結：

　　一，今天僅僅在大馬路上跑L4，無法商業化，而且在大概率上是到達不了終局的;

　　二，在很多特殊場景中訓練L4，不僅可以實現商業化，而且多種場景融合的泛化能力超預期，在開放道路L4上展現了巨大潛力;

　　三，需要研發適應開放、動態、不確定環境的新型L4算法;

　　四，新算法和商業化的算法(比如自動代客泊車和L3)必須能夠同時跑在同一套系統上，裝在至少100萬臺車上，通過“影子模式”實現高置信度的快速驗證。