自动驾驶走向广泛应用的下半场已然开启

自动驾驶走向广泛应用的下半场已然开启。当前，国家和各地政府正在不断加强对智能网联、自动驾驶、智能公交车等智慧交通场景示范区的建设和投入，同时有序推动各类相关标准的制定和实施，积极鼓励社会企业参与其中，为相关交通技术应用和场景落地营造了良好的氛围。

近日，自动驾驶行业发生了两件大事，引发行业人士的关注与讨论。

12月7日，Uber宣布出售亏损已久的自动驾驶业务，Uber于2015年搭建的自动驾驶团队ATG就此成为历史，持续5年的自动驾驶研发也走到尽头。

12月8日，百度在广州举办Apollo生态大会，发布ANP（Apollo Navigation Pilot）领航辅助驾驶。Apollo Lite是基于L4级纯视觉自动驾驶的城市道路闭环解决方案，将于明年搭载于量产车型上市。ANP联合此前推出的AVP泊车方案，百度计划在未来5年实现100万辆车型的前装。

自动驾驶配套系统化方案的推出，对于广大汽车用户来说是一个好消息。在自动驾驶相关应用落地的过程中，算法、云计算等所起到的作用日益突出。如今，机器学习算法正大规模地用于解决自动驾驶汽车产业日益增多的问题。结合ECU（电子控制单元）传感器数据，人们必须加强对机器学习方法的利用以迎接新的挑战。搭载了机器学习算法的潜在应用包括利用分布在车体内外的传感器，例如雷达、摄像头、激光探测。综合各类数据之后，就可以应用于驾驶员驾驶状况评估、驾驶路线策划及避开障碍物等细分场景。

根据车辆导航系统的研究历程，车辆路径规划算法整体分为静态路径规划算法和动态路径算法。静态路径规划，是以物理地理信息和交通规则等条件为约束来寻求最短路径，已日趋成熟，虽然相对简单但对于实际的交通状况来说其应用意义不大；动态路径规划，是在静态路径规划的基础上，结合实时的交通信息对预先规划好的最优行车路线进行适时的调整，直至到达目的地得到最优路径。算法融入动态路径规划，已经成为自动驾驶研究的一大分支。

在高级辅助驾驶系统（ADAS）中，利用感应器获取的图像包含多种多样的环境数据。此时对图像进行过滤变得十分必要，这样可以剔除一些不相关的样本得到用于分类的实例数据。而在分类前，关键步骤是在一个数据集上的模式识别，这类算法被称为数据约简算法。

由于应用场景的变化，重新定义软件的架构，导致硬件架构的变化，核心就是人工智能的计算。其实，从CPU时代的逻辑计算为主到现在深度深耕网络计算的智能计算，实际上使得硬件处理器的架构重新在被定义，这一点在智能汽车、自动驾驶出租车方面同样适用。

有专家指出，自动驾驶汽车依靠雷达、监控装置、视觉计算、人工智能和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。在自动驾驶的过程中，汽车需要通过感知、策划、控制、决策等一系列过程，从而实现“人工智能”。简单来说，自动驾驶系统根据从感知融合模块得到的环境信息，如红绿灯、行人、其他车辆等数据的反馈，才可做出停车、超车、变道等具体行为决策。

理论上讲，由于自动驾驶汽车不像人类驾驶员那样容易注意力分散或疲劳，它们其实具有减少路面交通事故的潜力。不过，人类在遇到新状况时，能够基于知识范畴和理性决策尽快做出反应。而现阶段，人类尚无法训练自动驾驶汽车熟悉所有可能的交通状况，想要让自动驾驶汽车实现“无事故轨迹”的运作还需要突破算法、技术、监管等多方面的瓶颈。

随着算法的精进，以及物联网、云计算、大数据等各类技术的不断成熟，相信自动驾驶汽车的推广应用之路会“跑”得更为顺畅。
责任编辑:tzh