1
| 本文作者： 張偉 | 2017-10-25 15:54 |
雷鋒網(wǎng)新智駕按：第 19 屆亞太汽車工程年會 & 2017 中國汽車工程學(xué)會年會暨展覽會（APAC 19 & 2017 SAECCE）于10月24-26日在上海舉辦，本次論壇以“未來汽車與交通變革”為主題，逾 3000 位國內(nèi)外業(yè)界嘉賓共同探討汽車產(chǎn)業(yè)車廠與零部件協(xié)同創(chuàng)新和技術(shù)發(fā)展路徑。雷鋒網(wǎng)新智駕全程參與此次盛會的報道，并將博世底盤控制系統(tǒng)中國區(qū)總裁陳黎明在年會上的演講編輯整理如下：
如今，業(yè)界對于 AI 的投入非常大，像 Google、百度這種科技巨頭，投入的量級在 200-300 億美元，初創(chuàng)公司差不多在 60-90 億美元左右，同時還有很多私募基金也在往里面投，投的錢是2013年的3倍之多。
現(xiàn)在是AI的風(fēng)口浪尖。從整個世界的范圍來看，AI 浪潮主要還是集中在美國、中國、英國等國家，主要集中在 AI 的基礎(chǔ)研究、應(yīng)用以及人才儲備上，目前，美國排第一，中國排第二。AI 可以說是第四次工業(yè)革命的核心技術(shù)，將推動工業(yè)革命的進程。
中國也為發(fā)展 AI 制定了完整的技術(shù)路線：2020年要趕上世界領(lǐng)先者美國；2025年在一些基礎(chǔ)領(lǐng)域要有一些突破，同時把 AI 變成中國經(jīng)濟增長的推動力；2030年在 AI 基礎(chǔ)研究以及實際應(yīng)用上發(fā)力，助推中國成為經(jīng)濟大國。
下面給大家分享一些數(shù)據(jù)。
上圖左邊是 GFK 此前的一項研究報告，可以看到 AI 在醫(yī)療、教育、金融、安防、電子商業(yè)、交通等方面產(chǎn)生了巨大的推動作用。右邊是博世內(nèi)部的戰(zhàn)略公司做的調(diào)查報告，講的是 AI 在 5 年后對于各行業(yè)的影響程度，可以看到高的已經(jīng)達到 80%，在汽車工業(yè)、自動駕駛這一塊，AI 的影響程度大概從現(xiàn)在的 15% 增長到 5 年后的將近60%。
AI 將影響我們整個的經(jīng)濟、生活和技術(shù)發(fā)展。
再來看一下 AI 在自動駕駛領(lǐng)域的應(yīng)用，實際上自動駕駛就是要用機器取代人類駕駛員的眼睛、耳朵、大腦進行分析判斷，然后取代手腳，對車進行操控，最后安全的實現(xiàn)從 A 到 B 。
還有一個層面是實現(xiàn)層面（Realization），也就是上圖最下面這一行。你有再好的激光雷達、AI 技術(shù)，如果不能把它們集成在一起，也是白搭；同時在計算能力、失效保護、安全驗證方面不能按照車規(guī)的要求將其落地到市場上，也算不上真正實現(xiàn)自動駕駛。
上圖展示了一個比較簡單的駕駛場景，要做車道線識別，傳統(tǒng)的方法是使用 Rule-based 來做。它通過一些規(guī)則來描述物體，當(dāng)我們周邊的駕駛環(huán)境比較簡單的時候，那基于規(guī)則的傳統(tǒng)算法是精確、有效、快速且便宜的，足以滿足行車的需求。我們的駕駛員輔助系統(tǒng)以及L2、L3 的很多產(chǎn)品都用的是這種方法。
但隨著自動駕駛場景變得越來越復(fù)雜，傳統(tǒng)的 Rule-based 方法就碰到了天花板，特別是當(dāng)我們把駕駛權(quán)交給車、系統(tǒng)時，情況就有質(zhì)的區(qū)別，起碼我們對周邊環(huán)境的感知要求更高了。
這個時候我們需要更新算法、打造模型去模擬環(huán)境，AI 便提供了很好的解決方案。
下面介紹一下博世下一代攝像頭，引用了 AI 技術(shù)。
上圖展示的是一個太陽天的駕駛場景，人眼可以很清楚的看到車道線和其他車輛，但是攝像頭就不一定能看出來。
如果用傳統(tǒng)的邏輯和方法來做，車道線是看不出來的，但是通過深度學(xué)習(xí)的算法，攝像頭便能把整張圖片的語義讀出來：道路在什么地方、植被在什么地方、車在什么地方。AI 技術(shù)幫助我們在復(fù)雜的駕駛環(huán)境下，能夠更好地理解周邊的環(huán)境和語義，留出我們想要的東西。
下面再介紹一下博世穩(wěn)定的 360 度環(huán)境感知系統(tǒng)。
我們的下一代毫米波雷達的探測距離從 160 米增加到了 200 米，帶寬從 1G 延展至 1.5G，分辨率更高，視線更好；下一代的超聲波雷達，探測距離更寬，速度更快、精度更高；我們的激光雷達也在研發(fā)過程中。
在云端，我們也有一些不同的解決方案，我們的攝像頭、雷達以及其他傳感器可以事先進行訓(xùn)練和學(xué)習(xí)，在整個駕駛過程中，能力還可以繼續(xù)提升，甚至量產(chǎn)以后還是可以繼續(xù)學(xué)習(xí)、優(yōu)化。
所有的這些數(shù)據(jù)會回到云端，在云端繼續(xù)學(xué)習(xí)，之后可以 Update 到每個使用這些傳感器的車輛上，保證了所有的車都有同樣的智能程度去面對真實的駕駛情況。
另外，AI 可以在整個自動駕駛過程中有很大的應(yīng)用，包括感知、思考、決策、執(zhí)行，只不過用的方法不完全一樣，每一個神經(jīng)網(wǎng)絡(luò)都有它自己的優(yōu)勢和劣勢。對于感知來講，比較常用的就是深度學(xué)習(xí)（Deep Learning），針對規(guī)劃和執(zhí)行主要用的是增強學(xué)習(xí)（Reinforcement Learning）。
在具體應(yīng)用上，還有兩種不同的方向，一個是對環(huán)境進行建模，預(yù)測人和車的行為，這樣的方法針對規(guī)劃和決策來講更適合；另一個是端到端（End-to-end），直接從感知到?jīng)Q策，省去了中間的很多流程，一些 AI 公司都在做深度研究，但要真正變成產(chǎn)品，還有漫長的路要走。
AI 在自動駕駛的應(yīng)用也帶來了很多的挑戰(zhàn)。
對于傳統(tǒng) Rule-based 算法來講，出了問題可以一條一條的找程序，找到問題出在什么地方，但是當(dāng)神經(jīng)網(wǎng)絡(luò)出現(xiàn)問題的時候，我們可能很難找到問題到底出現(xiàn)在哪一個地方，是 Data 不夠？還是結(jié)構(gòu)的問題？這可能是大家共同擔(dān)心的問題。
此外，AI 引發(fā)了很大的計算量，盡管 Nvidia 目前推出的產(chǎn)品計算能力很強，推出了 Drive PX2 ，但它仍是很初級的計算，要達到 L4、L5 的要求還有很漫長的路要走。
最后就是怎樣保證系統(tǒng)的真正安全，同時將其投放到市場上去。
博世在攝像頭、雷達、超聲波、精確定位這些領(lǐng)域都有非常好的解決方案，我們也在研發(fā)激光雷達，同時博世在系統(tǒng)集成、軟件開發(fā)方面有幾十年的經(jīng)驗，這實際上都讓我們有能力提供一個可靠的系統(tǒng)基礎(chǔ)并在此基礎(chǔ)上提供一個很好的自動駕駛系統(tǒng)解決方案。
同時，我們也認為自動駕駛不是一步就能實現(xiàn)的。博世在高速公路自動駕駛、城市道路自動駕駛以及自動泊車方面都有研發(fā)、產(chǎn)品。所以我們提供一個系統(tǒng)的、全方位的解決方案。
雷鋒網(wǎng)新智駕推薦閱讀：《博世加速器15家企業(yè)上交成績單，博世高管透露中國自動駕駛市場布局》。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
