如果自動駕駛標準是按照L5級別來要求的話，那確實還有很長的路要走，因為今天關(guān)于完全自動駕駛汽車還存在許多爭議，不僅是技術(shù)上的，還包括法律、倫理等方面的界定。但羅馬不是一天建成，飯也不是一口吃大，如果我們適當降低標準，以有限的自動駕駛來看，比如L2-L3級別，那么我們已經(jīng)看到有很多公司在這樣做，而且已經(jīng)離我們很近了。

最近幾年，自動駕駛車一直是傳統(tǒng)汽車廠商、一級零配件供應商孜孜探索的領(lǐng)域，也是包括IT公司和互聯(lián)網(wǎng)公司在內(nèi)都很關(guān)注的風口。

雖然大家一直都在討論這個熱點，但是關(guān)于“自動駕駛何時能量產(chǎn)？全自動駕駛什么時候?qū)崿F(xiàn)？”說了這么多年，似乎依然是個未知數(shù)。

有人說：“自動駕駛汽車是活在夢里，不可能實現(xiàn)。”

如果說的這個人是按照L5級別來要求的話，那確實還有很長的路要走，因為今天關(guān)于完全自動駕駛汽車還存在許多爭議，不僅是技術(shù)上的，還包括法律、倫理等方面的界定。

但羅馬不是一天建成，飯也不是一口吃大，如果我們適當降低標準，以有限的自動駕駛來看，比如L2-L3級別，那么我們已經(jīng)看到有很多公司在這樣做，而且已經(jīng)離我們很近了。

說到這兒，也許你還有點云里霧里：“L2、L5這些術(shù)語代表什么？”

為了方便您了解自動駕駛汽車，我們先來一個簡單科普。

1、什么是自動駕駛？

有關(guān)自動駕駛，美國汽車工程師協(xié)會（SAE）已經(jīng)對其技術(shù)定義了六級自動化級別。

從圖中可以看到，L2級和L3級之間有條分界線：L2級及以下，由駕駛員主導監(jiān)視環(huán)境；L3級及以上，由系統(tǒng)監(jiān)視環(huán)境。

所以，可以說L2級到L3級是一個明顯的分界點——從ADAS（高級輔助駕駛）向AD（自動駕駛）過渡。

通俗來講，L3級以下和L3級以上最大區(qū)別就是，汽車能否像人一樣感知周圍環(huán)境并做出決策。

而在現(xiàn)階段，L5級存在著巨大爭議，盡管很多創(chuàng)業(yè)公司、IT公司以及車企都把L5視作終極目標，但無論是法律、法規(guī)方面的阻礙，還是技術(shù)成熟度上的局限，都使人們意識到實現(xiàn)L5還需要很長時間。

所以在現(xiàn)階段的市場上，大多數(shù)傳統(tǒng)車企更著力于研發(fā)L2/L3級別的自動駕駛技術(shù)，并行研究封閉場景內(nèi)的L4級自動駕駛系統(tǒng)。

2、實現(xiàn)自動駕駛的難點在哪？

那么，當前階段實現(xiàn)自動駕駛的難點在哪呢？

這里我們就要討論自動駕駛的三大要素——感知層、決策層和執(zhí)行層。

感知層

相當于駕駛員的眼睛和耳朵，由各種各樣的傳感器來完成對外部環(huán)境的判斷和識別。

考慮到復雜的外界場景，多傳感器的融合技術(shù)是一個趨勢。目前主流的有兩套傳感器系統(tǒng)，一套以雷達和攝像頭為主的感知系統(tǒng)，和一套以激光雷達為主的感知系統(tǒng)，兩套系統(tǒng)互為備份提供冗余性、覆蓋范圍和精度上的需求。

決策層

相當于駕駛員的大腦，通過控制器對環(huán)境的認知以及路徑規(guī)劃進行決策判斷。

L2級別以下的ADAS系統(tǒng)，主要對傳感器收集的數(shù)據(jù)進行篩選和分析；而L3級別以上，需要系統(tǒng)對環(huán)境進行認知，參與到路徑規(guī)劃和決策判斷中來。

在此場景下，深度學習算法、大量算力以及存儲海量數(shù)據(jù)的價值就凸顯出來了，決策層的關(guān)鍵點就在于車載芯片和算法。

執(zhí)行層

相當于駕駛員的手和腳，來完成車輛制動、轉(zhuǎn)向和驅(qū)動。

自動駕駛的算法和芯片依賴于機械特性強有力的執(zhí)行來完成決策層的指令，包括以電機為核心驅(qū)動的電子轉(zhuǎn)向和電子制動等核心部件。

在自動駕駛場景下，有關(guān)制動系統(tǒng)的要求會更高，自動駕駛需要更快地線控車輛系統(tǒng)，包括電子油門、線控轉(zhuǎn)向以及電子機械制動系統(tǒng)。

這三個要素中，每個要素都至關(guān)重要，缺一不可。

其中，核心決策層的研發(fā)尤為關(guān)鍵。

傳感器和執(zhí)行層，可以配置多套冗余系統(tǒng)進行保護。但是決策層的核心算法如何保證可靠性和安全性，是自動駕駛研發(fā)中最為關(guān)鍵的核心討論點。

很多IT跨國公司、車企、創(chuàng)業(yè)者都把目光聚焦到這個核心算法領(lǐng)域。

3、自動駕駛行業(yè)格局

最近，資訊機構(gòu)Navigant Research公布了2019自動駕駛領(lǐng)導力排行榜，谷歌母公司Alphabet旗下的Waymo公司拔得頭籌。

至于評判標準，是根據(jù)每家公司在「愿景」、「商業(yè)化策略」、「合作方」、「量產(chǎn)計劃」、「技術(shù)」以及「產(chǎn)品持久力」這幾個方面的綜合表現(xiàn)進行打分排名。

來源：Navigant Research

Waymo從2018年的第七位一躍成為今年的第一，從去年開始的大規(guī)模商業(yè)化試運營應該是其領(lǐng)先的重要原因。

既然決策層對于自動駕駛技術(shù)如此重要，難道一馬當先的Waymo公司背后，都是算法工程師嗎？

數(shù)字媒體公司The Information對Waymo的組織架構(gòu)進行了梳理。

在Waymo的950名員工中，工程研發(fā)團隊一共610人，其中340人屬于軟件團隊，260人屬于硬件工程團隊。而在340人的軟件團隊中，劃分是這樣的：

從軟件團隊的人員結(jié)構(gòu)可以看出，Waymo最重視基礎(chǔ)架構(gòu)，研發(fā)自動駕駛主要依靠的是基礎(chǔ)架構(gòu)設(shè)施。這是因為，無論是深度學習還是仿真驗證，都需要大量的IT基礎(chǔ)架構(gòu)提供支持。

4、Waymo為何重視IT基礎(chǔ)架構(gòu)？

為什么基礎(chǔ)架構(gòu)設(shè)施這么關(guān)鍵呢？這就要從自動駕駛研發(fā)平臺遇到的一些挑戰(zhàn)說起了。

.

ADAS研發(fā)基礎(chǔ)架構(gòu)挑戰(zhàn)之一：海量非結(jié)構(gòu)化數(shù)據(jù)

ADAS/AD的研發(fā)需要基礎(chǔ)架構(gòu)提供海量數(shù)據(jù)和高帶寬的性能。傳感器的數(shù)據(jù)大多是非結(jié)構(gòu)化數(shù)據(jù)，以圖像、視頻、點云文件、日志文件為主。面對不同的SAE級別，數(shù)據(jù)量的要求如下：

·L2級別的ADAS系統(tǒng)，需要4-10PB的數(shù)據(jù)和1,000-5,000核的計算資源；

·L3級別的ADAS系統(tǒng)，需要50-100PB的海量數(shù)據(jù)和5,000-25,000核的計算資源；

·到了L5級別實現(xiàn)完全自動駕駛，需要超過2EB級別的數(shù)據(jù)量。如果按照1TB的硬盤來計算的話，2EB的數(shù)據(jù)量相當于200萬個1TB的移動硬盤。

5、為什么需要這么多數(shù)據(jù)？

因為要訓練和測試足夠多的復雜場景。

Waymo首席科學家Dargo Anguelov在MIT的深度學習課程中第一次分享了自動駕駛研發(fā)遇到的一些挑戰(zhàn)和最佳實踐。

其中有幾個比較有趣的場景。

來源：Waymo

左圖一有幾個行人背著木板在行走，圖二是一個鏡面反射問題，圖三是一個人在騎馬。在這樣的場景下，深度學習如何更好地判斷周圍環(huán)境，不僅僅要求算法對物體進行識別，更要求識別復雜場景的能力。

面對這樣的復雜場景，如何保證算法的可靠性呢？

使用大量標注過的數(shù)據(jù)對深度學習網(wǎng)絡進行監(jiān)督訓練，使得物體感知甚至到對于復雜場景的識別成為可能，這些技術(shù)在Waymo自動駕駛研發(fā)過程中得到了大規(guī)模的應用。

Dargo也提出，隨著Waymo采集數(shù)據(jù)的場景增多，深度學習的算法也有了更頻繁的用處。

有了這么多數(shù)據(jù)，如何對其進行管理？如何保證持續(xù)增長的數(shù)據(jù)量能夠被研發(fā)團隊最高效地使用？

這就是IT技術(shù)架構(gòu)能為ADAS/AD提供的核心競爭力。

來源：Waymo

研發(fā)基礎(chǔ)架構(gòu)挑戰(zhàn)之二——高性能和高帶寬的要求

眾所周知，深度學習需要對數(shù)據(jù)進行訓練，而且是多次重復調(diào)參的訓練。

要實現(xiàn)成熟的模型算法，僅有算法和數(shù)據(jù)是不夠的，更重要的要達到大量的算力性能要求，一個深度學習模型需要經(jīng)過多少次計算才能完成一次前饋啊！

除了大量GPU算力要求，我們還需要利用大量高帶寬性能讀取真實環(huán)境數(shù)據(jù)，以進行仿真測試。Waymo研發(fā)部門每天會進行大量的仿真測試，回放真實采集的環(huán)境數(shù)據(jù)，24×7地進行仿真測試，驗證算法的可靠性，確保系統(tǒng)的準確性。

這些真實環(huán)境數(shù)據(jù)每天都會被分類成不同的場景，從存儲中高帶寬地讀取到HPC服務器上，進行大量的仿真測試。

除了軟件在環(huán)（SiL），還有硬件在環(huán)的仿真測試。將真實的車載硬件設(shè)備加載算法，回放數(shù)據(jù)，進行硬件在環(huán)的仿真測試。

硬件在環(huán)測試平臺（HiL）對于數(shù)據(jù)讀取的延遲要求非常高，需要在數(shù)百納秒和數(shù)微秒之間。如此小的延遲讓硬件在環(huán)仿真的實現(xiàn)變得非常具有挑戰(zhàn)性，也很難將仿真測試放到公有云上來實現(xiàn)。

在我們看到的仿真測試場景中，存儲帶寬要求竟高達800GB/s，這是因為研發(fā)團隊需要對數(shù)據(jù)進行并發(fā)讀取和回寫，才能保證研發(fā)周期。