技術的車輪滾滾向前，每隔一段時間當前技術就會被新技術更新或迭代。2017年AlphaGo戰(zhàn)勝冠軍棋手柯潔，并橫掃了整個圍棋界選手，讓人類為之震驚，也拉開了人工智能（AI）深度學習時代的序幕。然而自動駕駛也屬于AI范疇，為什么遲遲不能落地呢？今天就圍繞這個問題延伸下去。

感知、決策、控制是自動駕駛的三個技術環(huán)節(jié)，但真正的難點在哪呢？

感知既是對周圍環(huán)境的了解，如同駕駛員的眼睛和耳朵。感知的設備無非是攝像頭、聲吶、各種各樣的雷達，但客觀的講，攝像頭三維空間效果差、雨雪惡略天氣能見度低；毫米波雷達穿透能力弱；激光雷達無法識別顏色、文字且造價高昂，或多或少都存在缺陷。而多種感知設備組合則成為最優(yōu)的解決方案，彌補了之間的不足，所以各個車廠的感知設備也大同小異，目前主要的難點是如何壓縮成本。

自動駕駛汽車頂?shù)募す饫走_（圖片來自www.cnbeta.com）

控制是對車輛的掌控，如同駕駛員的手腳。車輛的加速、剎車、轉向等皆屬于控制范疇，然而這些控制沒有太高的技術要求，定速巡航、自動剎車、自適應巡航、自動泊車等功能已經(jīng)在車輛控制方面積累了相當多的經(jīng)驗，所以自動駕駛的難點并不在控制。

特斯拉自動駕駛儀表顯示（圖片來自www.cnbeta.com）

決策是通過感知收到周圍的信息，計算出最優(yōu)的方案，把信號傳送給控制機構，如同駕駛員的大腦。決策環(huán)節(jié)承上啟下，是決定汽車行駛的關鍵，所以自動駕駛的重點和難點皆聚于此。

數(shù)據(jù)積累

圍棋人機大戰(zhàn)轟動一時，但AlphaGo在學習圍棋技能時，通過大量數(shù)據(jù)分析了3000多萬步職業(yè)棋手棋譜,并通過增強學習的方法自我博弈,尋找比更優(yōu)的棋路，才取得了傲人的成績。而自動駕駛汽車也需要海量里程的實際路測，2016年美國智庫蘭德公司給出了一個準確的答案：路測里程需達到110億英里。大量的路測試驗以及后期分類標定、數(shù)據(jù)處理，尚且存在著許多不確定因素。如果各個車廠能把自己的數(shù)據(jù)共享，可能會加速自動駕駛的落地，但很顯然核心數(shù)據(jù)是保密的。

HERE地圖上線云導航服務 加強自動駕駛（圖片來自Yahoo）

邏輯難題

在現(xiàn)實生活中，路況千變?nèi)f化非常復雜，自動駕駛稍有不慎就會造成人員傷亡。除了海量的數(shù)據(jù)分析及預設的決策依據(jù)，如果想要在非鋪裝路面或特殊環(huán)境保持高精度自動駕駛，還需要AI在自動駕駛領域的進一步發(fā)展與利用。

雖然交通法規(guī)日益健全，但全世界范圍內(nèi)依然存在著不遵守交通規(guī)則的人、自行車。有個很經(jīng)典的事故假設：一輛快速行駛的自動駕駛汽車，但前方路口有多人違反信號燈橫穿馬路，僅有一人在路旁等候，這時就需要自動駕駛去決策，是直行剎車撞多人還是轉向剎車撞一人。這不僅僅是交通法規(guī)、法律的范疇，還有道德、人性的因素包含其中，自動駕駛它能懂嗎？

深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究（圖片來自http://www.sohu.com）

算法難題

在既定的決策范圍內(nèi)，更多的樣本數(shù)據(jù)是通過深度學習去理解、分析的。深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，它通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學習已經(jīng)席卷了AI領域，但深度學習并不是萬能的。深度學習沒有分析能力，不知道原因也無法預測，它基本上取決與樣本以及所要求輸出的特征值。很顯然，對于高精度自動駕駛來說，深度學習需要更理性的決策。