被吹上天的城市領航輔助駕駛,我勸你少用。

前一陣特斯拉自動駕駛造假的事情,各位都有所耳聞吧。

2016 年特斯拉公佈了一段視訊,裡頭的 Model X 搭載了 Autopilot 系統,全程無人駕駛開到終點,絲滑的一批。

結果呢,這些畫面被曝出都是剪輯拼接的,特斯拉只是想靠著它騙一波投資和股價罷了。

我說為什麼看著這麼科幻呢,原來真的是編的。

不過,這個在當時極其離譜的功能,放到現在卻並不難。不信?你看,這是某自主品牌自動駕駛系統的路試鏡頭:

這是另一個:

這是另一個

就連翻車的特斯拉,現在也能部分實現當時吹的牛逼了:

上面這些能夠實現點到點自動駕駛的功能,有個專門的名字叫NOA ( Navigate On Autopilot ),直譯過來就是「 導航輔助自動駕駛 」。

NOA 最近可是太火了。有多火呢,這麼說吧,幾乎所有新能源品牌,都宣稱會在今年 OTA 推送 NOA 功能,比如理想、小鵬、極氪等等。

從大趨勢看,

從大趨勢看,NOA 應該就是近幾年自動駕駛領域最炙手可熱的香餑餑了。因為 NOA 的落地,很可能是我們離所謂 「 自動駕駛 」 最近的一次。

所以,到底什麼是 NOA ?

NOA ,學名領航輔助行駛,是目前最符合 L3 級自動駕駛定義的功能。從直譯就能看出來,它跟導航和自動駕駛多少都沾點。簡單來說,有了 NOA ,我們只需在導航上定好起點和終點,車子就能自己開過去

而根據使用場景的不同, NOA 還被分成了兩個細分方向,一是高速 NOA ,二是城市 NOA

我們先來看高速 NOA 。顧名思義它的適用場景是高速行駛。打開以後,車子就可以自動完成超車、變道、跟車、上下匝道等操作。

就好比咱們放假開高速回家,往常的做法呢,是在出發前定好導航路線,然後一路聽著導航指示開。

說簡單也簡單,說累也是真的累。因為得時刻關注車道和路口怎麼走,要是下錯高速出口,還得繞一大圈遠路。

而在打開高速 NOA 以後,只要車子上了高速就可以讓它完全自己操作。走哪條道、從哪個出口高速 NOA 也能提前規劃好,走錯是不可能走錯的。

下了高速之後,城市 NOA 就該起作用了。

和高速 NOA 比起來,城市 NOA 能夠實現的操作要複雜許多,相對會更接近我們理解中的自動駕駛。

就比如晚高峰下班的時候,只需在上車以後定好從公司回家的路線,剩下的交給城市 NOA 就好。遇到堵車,它能讓車子在正確的車道上自動跟車、併線;遇到十字路口,它能根據紅綠燈的情況安全通過;甚至,在到家了以後,還能找到車位並停好。

計程車:我免費了!

不過,雖然 NOA 看著很美好,想要做好卻並不簡單。

拆開看,NOA 其實就是一些常用功能的組合。

比如高速 NOA ,就是自適應續航、車道保持和自動變道等功能的疊加。這些技術已經比較成熟,所以,它的實現難度並不高

但城市 NOA 則完全不是一個 LEVEL ,難度,超級大。因為城市 NOA 需要處理的場景不僅量大,還經常不按常理出牌。

就比如,路口,不一定是橫平豎直的,有可能是奇形怪狀的。行人也不是一直都在人行道上走,還有可能突然竄出來一隻狗什麼的…

這,大概就是亂紀元吧( 來自周文王的肯定 )…

這麼說可能不太直觀,我們來看看對比。這是高速 NOA 眼中的路況,簡單寬敞,輕鬆寫意

而這,是城市 NOA 眼中的路況,

而這,是城市 NOA 眼中的路況,肉眼可見的難度 Max :

肉眼可見的難度 Max

想要搞定這樣的環境,首先得保證儘可能 「 看清 」 周邊環境是個什麼情況,其次還得高效地處理分析裡面的資訊,然後才能告訴車輛應該怎麼操作。

所以呢,同樣是功能疊加,城市 NOA 需要的是高精度感知硬體當 「 眼睛 」 、高算力晶片當 「 大腦 」 以及合理的軟體演算法當 「 邏輯 」。三者一同發力,才能保證系統安全運行。

三者一同發力,才能保證系統安全運行。

這麼一看,如果說高速 NOA 是智慧駕駛的高考,那城市 NOA 絕對就是奧賽水平了。

而奧賽的最後一道大題,無疑就是資料收集。

既然是奧賽,那肯定就得備考。目前想要實現自動駕駛,需要通過 AI 學習的方式。也就是讓它了解人們的駕駛習慣,然後再上手操作。

其實就是先看書,再考試。NOA 背後也是這個道理。

但問題就在於,書上的知識從哪來

但問題就在於,書上的知識從哪來。

大部分廠家的做法呢,是

大部分廠家的做法呢,是先把AI放到模擬環境裡練上一段時間,類似於考駕照的時候會先讓學員在駕駛模擬器裡開上一會,而後再上路測試。

甚至,還有公司用那個遊戲來驗證自動駕駛的演算法。

就離譜

就離譜。

這樣做,也確實能在短時間內獲得相當多的模擬資料,儘快搭建起自動駕駛系統的基礎。

就比如美國的自動駕駛公司 Waymo ,截至目前就已經累積了接近 200 億公里的模擬訓練資料。

相比之下,現實道路的行駛僅有 1600 多萬公里,很明顯前者的效率要高得多

模擬測試乍一看挺合理,卻存在著一個非常致命的問題,那就是它無法完全再現現實世界的情況。

無法完全再現現實世界的情況

舉個例子,按理來說在開闊道路上,所有車都應該按車道前進。誒,但有時候就會有車突然變道給你來上個驚嚇↓

再比如,本應禁止行人通過的機動車道,有時候也會突然竄出人來↓

這類比較極端事件,被稱作Corner Case 長尾事件。它們極少出現,但一定會出現,還不知道會怎麼出現。對於照著書本答題的自動駕駛來說,這確實有點超綱。

最有代表性的例子,就是 2018 年 UBER 無人車的事故。

當時 UBER 無人車就是在開闊道路上正常行駛,但是當推著腳踏車的行人橫穿馬路時,由於沒有考慮到橫穿馬路的情況,系統並沒有將其識別為人,而是一個相對靜止的車輛,這才導致了事故的發生。

,這才導致了事故的發生

想要比較好地解決長尾場景,也只有一個土辦法:碰上了再說。這就意味著不管模擬多久,還是得儘可能多的上路測試。

但因為實際路測的效率較低,所以對於目前的自動駕駛而言,「 高效的辦法不合理,合理的方法不高效 」 是一個致命的死循環

所以,即使是像 NOA 這樣 「 有條件的自動駕駛 」 ,想要實現安全地讓車輛自主操作,也是一定需要經過長時間、大量的實際路測才能經歷儘可能多的極端情況。

說到底,這是個時間問題。

說到底,這是個時間問題

為了搞定資料問題,車企們自然也是各顯神通。

就比如特斯拉就用上了 「 人海戰術 」 ,每一臺車都配有「 影子模式 」,能在日常駕駛中收集資訊、學習駕駛習慣。

因為保有量巨大,特斯拉能夠在短時間內收集到大量的駕駛資料,訓練模型的迭代速度也能相對提升。

而在數量上不佔優勢的品牌,就會在效率上做文章。

比如蔚來的思路就是

比如蔚來的思路就是「 算得快 」,愣是往一臺車裡塞了四塊 256 TOPS 算力的英偉達 Orin 晶片,大幅提高了單車的資訊處理能力。

小鵬呢,則是用了 XNet 感知架構讓資料標註的速度大幅加快,聲稱能用 16.7 天就完成 2000 人的年標註量,也就是讓 AI「 學得快 」

但是這些方法,說到底還是讓自動駕駛這個時間問題中的時間,變得更短、更快一些。然而強如 Waymo 這樣的自動駕駛領軍公司,目前也沒有完全解決處更是路況下,自動駕駛可靠性與穩定性的難題。

而由於自動駕駛識別錯誤引發的事故,無時無刻也都在我們身邊上演。就比如,它們可能會把路面光線識別成車道線…

說白了,

說白了,NOA ,特別是城市 NOA ,是一個真正需要時間沉澱的技術。不光是因為它的複雜,更是因為它是最接近自動駕駛的技術。

自動駕駛的初衷,是幫助人們緩解駕駛的疲勞、提升出行的便利。而這,是以100% 的可靠與安全為基礎的。

脖子哥想說的是,無論宣傳話術多麼天花亂墜,不管所謂的解決方案多麼先進,廠商們如果無法保證長尾場景的全覆蓋,不能讓人們徹底放心地交出方向盤,那麼現階段的城市 NOA ,就只是一個不如不用的、不合格的功能。

著急忙慌追求落地,最終傷害的也只能是車主和品牌的利益。

99.99%=0 。安全的標準啊,就是這麼高。

撰文:致命空槍 編輯:脖子右擰 封面:楊總

圖片資料來源:

特斯拉自動駕駛宣傳實錘 「 大騙局 」 ,馬斯克親自帶隊造假!

Uber 無人車事故調查落幕:一場「 人為 」的慘劇

相關文章