自動駕駛真正上路 還有10%的技術難題待解
市民在北京市海淀區稻香湖路的百度自動駕駛出租車指定上車點乘車。新華社記者 任超攝
自動駕駛在技術上已經解決了90%的問題，但剩下10%的問題如很多邊界化難題，卻可能要花費比過去更多的精力去解決。
10月21日，全國首個常態化運營的5G無人公交在蘇州落地。這個在蘇州高鐵新城亮相的無人公交是在開放的城市道路上運行，且速度可達20—50千米/時。這輛無人公交車除了具備避讓行人車輛、自動變道、自動轉向、紅綠燈識別等基本功能，還能應對各類城市複雜交通場景，例如穿行人車混雜的路口、應對後車加塞、“鬼探頭”等。
此前，10月12日，北京也開放了無人駕駛出租車試乘，可試乘區域包括海淀、亦莊等，12日當天北京地區的呼單量就突破了2600單。而早在今年4月，長沙已經全面開放了無人駕駛出租車服務。
自動駕駛服務陸續落地，是否意味着其商業化臨近？
商業化正迎來最佳時機
目前自動駕駛的落地情況如何？其發展到了一個什麼程度？
“2019年12月，國內首次提出了新基建的概念，掀起了一股新浪潮。新基建包括5G、物聯網、工業互聯網、衛星互聯網、人工智能、雲計算、區塊鏈七大板塊，其中有三大板塊是自動駕駛軟件的核心技術——5G、AI、大數據中心（雲計算）。”輕舟智航聯合創始人、CEO於騫在接受科技日報記者採訪時表示。
在於騫看來，自動駕駛處於這幾大領域的交匯點，是新基建的典型落地應用。加上近年來不斷完善的智慧城市、智慧交通相關政策，可以說，自動駕駛在國內的商業化落地正迎來最佳的時機。
“在整體落地方面，僅從近幾年無人駕駛行業的創業公司情況來看，以2018年爲分界點，無人駕駛領域確實是出現了兩個創業的黃金窗口。”於騫說。
第一個黃金窗口出現在2015年至2017年之間，在這段時間裡，出現了一批自動駕駛公司，在這個階段的融資主要是靠估算的產品規模以及團隊背景，當時市場對L4級別自動駕駛（全自動駕駛）產品落地的期望值很高，定下了不少比較樂觀的近期目標。
“在近期目標沒有實現時，市場感到了失望，並重新對落地時間樹立起了新的認知，這時又遇上了資本寒冬，所以自動駕駛創業公司的聲音少了許多。”於騫表示。
在2019年之後，人們對L4級別自動駕駛的預期開始迴歸理性，隨着技術的進一步成熟，市場的需求也呼喚無人駕駛產品落地。同時國家的各類政策先後推出，以及相應的法律法規逐漸完善，隨着硬件成本的顯著下降，L4級別自動駕駛的短期落地場景逐漸明確了。
於騫表示，目前，業內預計公共道路中低速載人場景的落地運營時間大概在1—3年，公共道路中低速載貨場景的落地運營時間則是在3—5年。雖然前幾年已經有各種物流車、擺渡車試運營，但這些試運營都只侷限在園區裡頭，這裡的落地，指的是在公開道路中的落地。
無人小巴更具落地可能性
部分應用落地是否意味着自動駕駛將很快投入商業化運行？自動駕駛的商業化道路還有多遠？
在於騫看來，自動駕駛能否商業化取決於不同自動駕駛級別和不同場景，例如L2級別自動駕駛（部分自動駕駛）的方案已經在許多量產車上落地。
“無人駕駛出租車作爲目前市場規模最大的、最有挑戰的部分，是城市複雜交通環境無人駕駛的終極目標，但無人駕駛出租車的落地週期比較長、速度快、非固定路線，落地難度會比較大。”於騫說。
目前業內更看好無人小巴在公開道路的商業化落地應用，無人小巴正在國內多個城市啓動常態化運營，可滿足城市中的地鐵接駁及微循環接駁需求。
如蘇州在2020年7月發佈了全球首條城市微循環無人小巴市民體驗線路，並隨後落地了全國首個常態化運營的城市公開道路無人小巴項目，部署多條無人小巴城市微循環線路。蘇州的無人公交項目將設置多條路線，覆蓋高鐵新城周邊9.8平方公里區域，解決居民出行“最後三公里”難題。這是目前國內覆蓋範圍最大的無人公交項目，也是唯一常態化運營的城市公開道路無人公交項目。
於騫表示，無人小巴這一應用場景具有三大優勢。第一，中低速場景，乘客對車速的預期可控，速度保持在20—50千米/時之間。第二，固定路線，車在同一條線路上反覆磨練，更能確保行駛安全，並可實現紅綠燈優先和預警。第三，滿足多人出行，具有社會效益，在公共道路上享受優先路權。
“無人小巴這一應用場景結合了固定路線中低速、多人出行路權優先、可部署基於5G的車路協同等優勢，或將成爲L4級別自動駕駛的最快實際落地場景。”於騫說。
已經解決90%的技術問題
有專家指出，目前困擾自動駕駛的主要難點在於其決策規劃和感知，並認爲目前並沒有看到這兩個難題的解決措施，此觀點獲得不少人的認同，現實情況是否如此？
於騫認爲，決策規劃和感知的問題都可以歸結爲自動駕駛的長尾問題。自動駕駛在技術上已經解決了90%的問題，但剩下的10%卻可能要花費同樣多甚至更多的精力去解決，這10%包括很多邊界化難題（Corner case），如在車輛遇上野鴨子之前，工程師甚至不知道會有野鴨子的問題。所以邊界化難題是需要去發現並解決的。
那麼邊界化難題怎樣去發現並解決呢？
“除了收集大量的數據，更重要的是建立自動化生產工廠，將源源不斷收集來的有效數據，通過自動化的工具，加工成可用的模型。以更快的速度、更高效的方式應對邊界化難題。”於騫表示。
於騫以上面野鴨子的場景爲例，如果需要專門針對這些場景去開發特殊的模型，那會有無窮無盡的場景需要處理。但藉助自動化的辦法，只要數據標註好了，下次系統更新時便可以更好處理這種情況，省下大量工程師的時間。
“以感知舉例是比較容易理解的，但其實規劃技術也一樣。要想讓車做出準確的規劃，最原始的方法是工程師寫規則——大量的工程師寫出大量的規則，但這種方式不易維護性還不能滿足最新需求；再進一步便是設計獎勵函數——設計獎勵函數比寫規則要簡單得多；再往後則是系統利用數據自動學習獎勵函數。這個過程便是往自動化方向發展的過程。”於騫說。（記者 馬愛平）