CMU(Carnegie Mellon University，卡耐基梅隆大學(xué))擁有世界頂尖的計算機科學(xué)學(xué)院，而不為人所知的是，CMU也是當(dāng)代自動駕駛技術(shù)的發(fā)源地——1984年CMU校內(nèi)第一代Terregator的誕生，奠定了自動駕駛“自主識別和駕駛”的baseline，也開啟了CMU在此基礎(chǔ)上長達30余年的自動駕駛研究征程。在自動駕駛的影響力名錄上，CMU系學(xué)生和校友也占據(jù)著絕對份額：被譽為“自動駕駛之父”的Sebastian Thrun曾是CMU機器人學(xué)習(xí)實驗室的助理教授和主任;通用汽車視覺系統(tǒng)的BFO(BOM Family Owner)張文德曾是CMU 無人車團隊的主力成員之一;而放眼創(chuàng)業(yè)公司，CMU也是當(dāng)代自動駕駛技術(shù)的發(fā)源地“幾乎所有的自動駕駛汽車項目都與Pomerleau教授以及CMU的Nav lab有千絲萬縷的聯(lián)系”。
記者獨家對話CMU Argo Lab人工智能無人駕駛研究中心首席科學(xué)家John Dolan，從學(xué)者角度分析自動駕駛的技術(shù)難點和研究現(xiàn)狀，介紹自動駕駛的學(xué)界研究情況。
專訪內(nèi)容整理如下：
自動駕駛：“20年實現(xiàn)自動駕駛”的輝煌圖景
按照國際通用標(biāo)準(zhǔn)，根據(jù)智能化程度的不同，自動駕駛汽車可以被分為5個等級：L1-輔助駕駛、L2-部分自動駕駛、L3-有條件自動駕駛、L4-高度自動駕駛、L5-完全自動駕駛(無人駕駛)。通常所說的“自動駕駛”，一般指L3及以上的高等級自動駕駛汽車。
從全球范圍來看，L1/L2級別的自動駕駛汽車已經(jīng)實現(xiàn)了大規(guī)模量產(chǎn)。而踩在“自動駕駛”實現(xiàn)邊緣的L4級別自動駕駛汽車目前卻仍處于測試，或“在限定區(qū)域、限定人群”的小范圍應(yīng)用階段。
“很多公司在過去幾年中一直在向外發(fā)聲：‘我們距離自動駕駛很近了 (we are really close to auto-driving)’或者‘我們將在未來20年內(nèi)實現(xiàn)自動駕駛’，然而事實并非如此。”在John Dolan看來，真正意義上L5級別的“自動駕駛”，仍然非常遙遠。
問題來自兩方面：底層技術(shù)和真實應(yīng)用場景。
技術(shù)攻堅：“最后5%”的長尾問題
“學(xué)界的共識是，我們已經(jīng)在高速公路的場景中很接近“自動駕駛”，但我們距離在城市中實現(xiàn)自動駕駛還很遠(we are pretty far from having cars in cities)。”
在自動駕駛的討論中，當(dāng)前的自動駕駛在駕駛體驗中體現(xiàn)為：人們不再需要注意路障。然而這個簡單的需求，實際上需要一個整合的系統(tǒng)去滿足，而想要使用一個完整的計算機系統(tǒng)去處理所有實際場景中可能出現(xiàn)的問題，難度極大。
在John Dolan教授看來，2006-2007年，學(xué)界劃定的關(guān)于自動駕駛的研究已經(jīng)形成了相對完整的架構(gòu)，學(xué)界和產(chǎn)業(yè)界的理論架構(gòu)是：
高層：環(huán)境感知(mission planning)
中層：行為決策(behavior planning)
底層：運動控制(motion planning)
John Dolan教授指出：
完成這些不同層次的要求需要不同的技術(shù)和算法，并要求整體的技術(shù)架構(gòu)要在規(guī)模部署下完成系統(tǒng)功能，實現(xiàn)類似人類駕駛的行為。已漸完善的現(xiàn)有技術(shù)的發(fā)展確實拉高了技術(shù)的基礎(chǔ)線：如GPS提高了定位和路徑規(guī)劃的精準(zhǔn)度;深度學(xué)習(xí)，特別是計算機視覺的發(fā)展為自動駕駛提供了更強的支撐。物質(zhì)(material)的天花板正由制造業(yè)和車企一同打破，但自動駕駛作為一個整合的系統(tǒng)，還需要行業(yè)內(nèi)整體系統(tǒng)硬件的效率、算力和計算速度的發(fā)展。
自動駕駛作為與人緊密相關(guān)的日?；顒?，其整體的技術(shù)實現(xiàn)要求的不僅僅是算法和軟件的高效運行，還有交互系統(tǒng)的準(zhǔn)確運轉(zhuǎn)。在技術(shù)架構(gòu)的中層，決策系統(tǒng)已經(jīng)從狹義的車輛行為決策，到要求行車“不僅能根據(jù)感知層輸出的信息合理決策出當(dāng)前車輛的行為，還要了解和預(yù)測汽車行駛中的外界環(huán)境，預(yù)測突發(fā)事件”。人類行為，作為所有模型中的factor X，正在成為自動駕駛中最難攻克的艱深課題。
在自動駕駛中，底層架構(gòu)和大部分的技術(shù)問題已經(jīng)被解決，而剩下的5%的并未解決的問題，逐漸成為制約自動駕駛發(fā)展的決勝手。“最后5%”的長尾問題遍布于零碎的場景、特殊極端情況和永遠無法預(yù)測的人類行為，在算法、傳感器、計算平臺和法規(guī)的不同層面，困擾著學(xué)界和業(yè)界。
真實應(yīng)用場景：毫無價值的100%
為了更好的實現(xiàn)最后5%的跨越，許多公司選擇增加真實實驗。
然而在John Dolan看來，實驗室實驗和真實應(yīng)用場景的認知差異是巨大的：實驗室數(shù)據(jù)和模型的精準(zhǔn)度和可信度，在現(xiàn)實環(huán)境中可能毫無價值：實驗室環(huán)境的模擬(simulation)只能使得實驗環(huán)境盡量模擬真實環(huán)境，卻始終滿足真實(wild)場景的實驗環(huán)境設(shè)定;實驗室場景的算法和系統(tǒng)準(zhǔn)確度具有批判性(critical)：科學(xué)家們必須不斷優(yōu)化部署，使得算法的可靠性不斷提高，而真實情況往往是：即使是滿足了100%準(zhǔn)確率的實驗，在現(xiàn)實生活中也不一定可行。
除了實驗室與真實場景的差異，真實場景下也存在差異。“即使在某個城市進行了自動駕駛的成功試驗，也并不意味著我們可以在另一個城市復(fù)制成功經(jīng)驗。不同的社會、城市、駕駛環(huán)境和駕駛風(fēng)格(driving style)都會影響自動駕駛的運行情況。這也是為什么大多數(shù)企業(yè)始終在堅持在不同場景、不同城市下的進行真實實驗的原因。”
“只有在算法不精準(zhǔn)模擬的“最后5%的特殊情況”解決之后，我們才能判定：我們實現(xiàn)了L5級別的自動駕駛”。John Dolan介紹道。
可靠性：自動駕駛領(lǐng)域的核心問題
在自動駕駛領(lǐng)域，安全性和可靠性始終是核心問題。
在Uber無人車事故的一年后的今年，NTSB發(fā)布的一份新報告顯示：Uber自動駕駛測試車的硬件并沒有出現(xiàn)問題，設(shè)計存在缺陷的軟件導(dǎo)致了這起致死事故的發(fā)生。Uber的無人車事故警示了一眾無人駕駛公司：安全性問題需要在L5來臨之前得以解決。
目前，在當(dāng)前自動駕駛主要依靠的是學(xué)習(xí)機制。機器學(xué)習(xí)將作為其中的重要支撐，對于現(xiàn)實情況進行分析，但這部分的研究也才剛剛開始。
當(dāng)前的理論引入還包括：
形式化驗證(formal vertification)，即用數(shù)學(xué)工具進行定義、開發(fā)和驗證(specification, development and verification)。然而自動行駛的實際情況往往遠高于
臨時消息檢驗(adhoc message)，即通過及時采取的信息進行計算，并列入預(yù)測機制。
安全性和可靠性的推動為何如此急切?
因為自動駕駛的發(fā)展正在引起大眾的注意，吸引著來自外界的壓力。
政府是最重要的外部力量。高效的可信賴度(high-enough reliability)的問題正在被各地的政府強調(diào)，而政府部門控制著真實場景的試驗權(quán)利。
社會中的道德和心理問題也不容忽視。“全世界每年有124萬人死于交通事故，其中91%的死亡交通事故發(fā)生在低收入和中等收入國家。自動駕駛或許并不會改變交通事故的傷亡人數(shù)，但對于自動駕駛應(yīng)用后不變的傷亡結(jié)果，人們的心理卻大不相同。”John Dolan介紹道，“人們希望機器能比人犯更少的錯誤，雖然這類期望(Expectation)并不對。”
而在長途卡車運輸已經(jīng)成為自動駕駛的最佳舞臺的當(dāng)下，自動駕駛的安全性和可靠性也與運輸成本、運輸有效性掛勾 ：理想化的狀態(tài)是，自動駕駛的卡車能提高遠程運輸?shù)挠行?，并將貨物安全送至目的地，而不是因為事故造成大宗貨物損失。
這就涉及到強調(diào)自動駕駛可靠性和安全性的另一個維度：經(jīng)濟效應(yīng)。自動駕駛的影響是雙向的：當(dāng)自動駕駛深入街道，司機的生存和就業(yè)空間會受到影響;另一方面，自動駕駛的服務(wù)仍然是高價的，并非所有人都能支付該服務(wù)，自動駕駛的不穩(wěn)定性也會影響乘客的支付意愿——乘客會思考：一個并不穩(wěn)定或你安全的自動駕駛服務(wù)，是否值得我購買?
競爭：領(lǐng)先地位與后發(fā)優(yōu)勢
在自動駕駛方面，學(xué)界的重要性是不言自明的：學(xué)界為產(chǎn)業(yè)界輸送的不僅僅是技術(shù)研究，更多的是優(yōu)質(zhì)的人力資源。
作為“自動駕駛的黃埔軍校”，CMU的自動駕駛合作伙伴名單上既有Uber、Argo此類自動駕駛科技公司，也包括通用等大型車企。來自CMU的畢業(yè)生創(chuàng)業(yè)公司更占據(jù)了自動駕駛創(chuàng)業(yè)公司的半壁江山——John Dolan教授曾在2007 DARPA城市挑戰(zhàn)賽(DARPA Urban Challenge)中帶領(lǐng)CMU無人車團隊(Carnegie Mellon's Tartan Racing Team)，而僅該競賽隊里，就走出了多家自動駕駛獨角獸或新銳公司：包括Argo AI創(chuàng)始人Bryan Salesky、Aurora創(chuàng)始人Chris Urmson、Cruise的創(chuàng)始人Kyle Vogt和Zoox創(chuàng)始人Jesse Levinson。
在John Dolan看來，當(dāng)下的校企合作有利有弊：優(yōu)勢在于，學(xué)?？梢苑窒韺嶒灁?shù)據(jù)，但弊端在于，出于競爭性的考慮，大多數(shù)行業(yè)巨擘會保留部分實驗數(shù)據(jù)和結(jié)果，出于數(shù)據(jù)安全和商業(yè)機密的考慮。來自硅谷的大型企業(yè)往往雄心勃勃，他們具有極強的AI人才優(yōu)勢、大筆的融資和極強的算力支持，但這些硅谷的企業(yè)往往容易出于商業(yè)考慮，而忽視技術(shù)的穩(wěn)定性和可信度，這與實驗室內(nèi)科學(xué)家們的嚴謹精神實際上存在沖突。
“我們需要堅持我們的追求”，John Dolan笑道。
在自動駕駛的先發(fā)企業(yè)競速之外，中國市場正憑借巨大的市場潛能和雄厚的資本展現(xiàn)出后發(fā)優(yōu)勢。
而從John Dolan的學(xué)者角度看來，中國的很多自動駕駛的企業(yè)正在沖擊自動駕駛的格局：2019年9月，安波福(Aptiv)全球工程副總裁韋峻青宣布加入滴滴自動駕駛公司任CTO，向CEO張博匯報。韋峻青也是John Dolan的學(xué)生。而在36kr最新發(fā)布的2019 年「新經(jīng)濟之王」的榜單中，「小馬智行」、「文遠知行」榜上有名，其中，「小馬智行」的創(chuàng)始人張一萌、「文遠知行」技術(shù)SVP鐘華均為CMU校友。
而談及中國市場，John Dolan說：“我們認為向好的進步正在發(fā)生。中國的自動駕駛曾落后于美國，但巨頭驅(qū)動的中國市場無疑會迅速發(fā)展。”
據(jù)2018年麥肯錫未來出行研究中心發(fā)布的報告顯示，“中國未來可能成為全球最大的自動駕駛市場，直至2030年，自動駕駛相關(guān)的新車銷售及出行服務(wù)創(chuàng)收將超過5000億美元。”目前，大量的中國企業(yè)正著手開發(fā)自動駕駛技術(shù)架構(gòu)的核心構(gòu)成要素，包括激光雷達、攝像頭、處理器、軟件和地圖/基于位置的服務(wù)等。在2012至2017年間，約有70億美元的風(fēng)險投資投入到中國的自動駕駛技術(shù)企業(yè)，這一數(shù)額與在同期投資于美國初創(chuàng)企業(yè)的金額相當(dāng)。中國的平均交易規(guī)模是7200萬美元，是美國平均交易規(guī)模的兩倍。
