无人驾驶
自动驾驶系列4：感知预测脱离瞬间完成
credit: 123RF
点击跳转前篇：
自动驾驶系列1：转角遇到AI
自动驾驶系列2：昔日友商，车攻马同
自动驾驶系列3：「无马驾驶」是怎样一种体验？
无人车通过各种各样的传感器来综合感知世界，其中包括摄像头、普通雷达和激光雷达，激光雷达类似于传统雷达，但它使用的是不可见光来生成周围区域的高分辨率3D地图。这三者各有优缺点。摄像头便宜，可以分辨交通标志；传统雷达可以测距和测速，但是分辨率低；激光雷达分辨率高，但价格昂贵且下雪会影响地图的生成。大多数的无人车从业者都认为需要同时配备这些传感器来确保无人车的安全和可靠。(特斯拉是一个明显的例外：它希望在不使用激光雷达的情况下实现完整的自动驾驶。)高配版的激光雷达目前售价数万美元，但相应的初创公司们正在设计新型的固态激光雷达，最终有望将激光雷达的价格降至几百美元。
在传感器传来了数据后，汽车需要利用数据去识别周围的物体，如车辆、行人、自行车、路标和红绿灯等。在识别东西上机器远不如人类擅长，机器必须要通过大量标记好的例子来进行识别训练。而想要获得标记好的例子，让人类帮忙是方法之一。位于西雅图的Mighty AI公司拥有一个拥有30万人的在线社区，他们为客户的无人车获得的图像进行精确的人工标记。“我们希望汽车拥有类似于人类的判断力，”Mighty AI的老板Daryn Nakhuda说，“因此无人车需要我们人类擅长部分的帮忙。”来自如“侠盗猎车手”等电脑游戏的场景资料也具有惊人的现实街景训练效果。由于游戏本身是知道自己显示的是什么东西，所以它可以完美地标记街景物品，并轻松用于机器学习。
Thrun先生说，识别里最难的部分在于一些很少见的东西，例如道路上的垃圾，或者高速路上的一个被风刮来的垃圾袋。他回忆说，在谷歌无人车的早期，车上的识别系统无分辨在车前面飞过的是个塑料袋还是一个小孩子。路上积水的坑坑洼洼也造成过不少困扰。然而通过结合多个传感器的数据是可以分析出道路上的物体是否是一个结实的障碍物的，汽车还可以将自身传感器数据跟其它路过这里的汽车收集到的数据进行比较，在人称“机群学习”的过程中学习彼此的经验。这就是无人车先行者的优势，他们手上有着数千英里甚至数百万英里的驾驶数据，但一些初创公司也另辟蹊径制作销售现成的高分辨率地图供无人车使用。
一旦无人车识别出周围的情况，它就需要进行预测，预测未来几秒钟周围会发生什么并据此来决定自己的行动。路标、信号灯、刹车灯和转向信号是非常有用的信息。但是无人车还比不上人类司机，人类司机擅长应对交通上的各种例外情况，如道路施工、抛锚的汽车、送货的大卡车、紧急车辆、倒下的树木或者是恶劣的天气。各种天气里，下雪天对于无人车来说是一个特殊的挑战，激光雷达系统必须对飘雪进行非常精密的信号过滤才能正常工作，而路上有积雪的话，激光雷达的高分辨率反而变成了缺点，积雪高低不平让生成的地图也是非常的坑坑洼洼。
虽然自动驾驶技术还在开发的过程中，但这不妨碍无人车在某些地区先行部署。凤凰城强迫症似的“井”字城市规划和终年的阳光普照让其成为无人车测试的热门城市，而天气恶劣的匹兹堡被认为是hard级别的副本。通用汽车旗下的一家初创汽车公司克鲁斯，他们的无人车在旧金山市中心错综复杂的街道鱼贯穿行令人印象深刻。克鲁斯的老总Kyle Vogt认为，在人口稠密的环境中进行测试意味着汽车会经常遇到异常情况，从而学得更快。
当无人车开着开着遇到特殊情况突然手足无措无法应对，或者做出错误的决定时，驾驶座上的安全工程师会接管驾驶权，这个过程被称为“脱离”，每1000英里脱离多少次是用来衡量无人车公司好坏的一个粗略的标准。脱离其实没必要视为无人驾驶系统的失败，而应该理解为无人驾驶系统的学习过程。优步自动驾驶部门安全负责人Noah Zych表示，在脱离前传感器数据可以用于分析脱离原因是什么。然后在模拟的环境中进Debug。Zych桑说：“我们可以在实验室里不断地给无人车重复输入这些数据，也可以对输入的数据进行微调模拟各种类似的情况，看无人车给出的驾驶方案分布如何。”实验室Debug后的自动驾驶系统将部署在真正的落地的无人车上。
点击跳转后篇：
自动驾驶系列5：电车难题与黑客攻击
