谷歌想打造无人驾驶专车平台？这个新专利让人「细思极恐」
从 2009 年到现在，谷歌的无人车项目已经进行了 8 年的时间。 经过这 8 年的技术积累，这个项目最近独立出来，成为名为 Waymo 的公司，正式开始推动商业化进程。目前，谷歌已经和克莱斯勒合作打造出了 100 辆 Pacifica 自动驾驶汽车，也和本田宣布达成了合作。 但是，现在所有搭载 Waymo 自动驾驶技术的车都是用来测试的，而非向普通用户提供服务。也就是说，还只停留在技术阶段。 那么商业化的事儿呢？最近被媒体曝光的一份专利证明，谷歌并非没有考虑无人驾驶商业化的问题。而这个专利的内容让人「 细思极恐」——很大程度上来看，谷歌想用无人驾驶「 颠覆」 掉 Uber、滴滴。 毕竟，把无人车投入商业运营，最典型的场景想必就是共享用车了。所以谷歌不能只提供感知和决策层面的技术，还要搞定运营/调度这件事。谷歌的这个专利，就是解决「 无人驾驶专车如何接上乘客」 这个问题的。 不难理解：打滴滴/Uber 的时候，人类司机都有可能找不到你，更别提无人车了。所以问题就来了：人类专车司机知道看地图然后前往目的地，无人车怎么办？ 从专利中的信息，我们可以大致了解谷歌解决无人车接客的逻辑。 和滴滴/Uber 一样，用户通过手机 App 呼叫车辆，手机定位即为出发点，目的地需要乘客手动输入。但是对于无人车来说，由于安全、技术等层面的原因，并不是所有的地点都适合上下客或等人。 比如，无人车不能像人类司机一样能够开到所有地方，毕竟电脑还是不如人类大脑灵活、聪明。另外，诸如建筑工地、消防局门口和快速路等地点根本不能停车等人。（这一点人类司机一「 眼」 便知，但是无人车不知道，得有人告诉它……）所以，谷歌的做法是在你叫车时，给你推荐定位附近的接驳点。关于谷歌无人车调度系统的地点推荐机制，可以看下面这张图，其中黑色圆圈是根据定位划定的范围，黑色的点代表可以停车的地方。 在这其中，一部分推荐的停车点来自于用户推荐，一部分来自谷歌地图。在整个无人车调度系统中，谷歌的高精度地图扮演着重要的角色，它可以提供道路、建筑、消防栓、工地和实时交通信息。这些信息的来源很多，其中包括政府机构、谷歌的合作伙伴、用户的反馈以及无人车采集到的道路信息。当然了，这样一来就需要一个云端来处理所有人和车辆的需求。 在这份专利中，谷歌给出了无人车手机 App 的雏形： 当你周围没有可用的停车点时，就不能呼叫无人车，比如这样的场景： 其实，「 推荐上车点」 这个设计，在 Uber、Lyft 里面被广泛使用，比如在拉斯维加斯，如果你在酒店叫车，系统会让你到某个大门去等车，而在 CES 场馆附近叫车，系统也会把你「 指引」 到停车场里——一个临时设立的专车接客点。当然，国内的专车 App 在某些特定场景下也有这个设计了。 接客位置设计看起来是很细节的问题，但是谷歌已经想到了，并且申请了专利，即使这不能说明他们想做无人驾驶版的 Uber，也能在一定程度上表明谷歌对于无人驾驶商业化的一些落地设想。 其实 Waymo 是车企的好朋友，反而要革的是 Uber 和 Lyft 的命。自动驾驶对于以专车为代表的共享用车将会具有革命性的影响，以 Uber 为代表的专车平台当然也意识到了这一点。所以 Uber 也早早在无人驾驶方面进行布局（当然没有谷歌早……），前一阵他们还在匹兹堡把基于沃尔沃 XC90 改造而来的自动驾驶车在加州进行了试运营，并且还闯了红灯，然后马上被加州政府叫停。至于 Lyft，有媒体说要他们和通用在 2017 年开始测试自动驾驶汽车，并且融合了 Cruise 公司的技术（一家通用收购的自动驾驶初创公司）。可能当他们未来遇到无人车 pickup 的问题时，发现谷歌已经早早申请了专利，要么花钱来买，要么想办法绕过这个专利。 但是目前来看，大家还是相亲相爱的。比如，得益于最近谷歌和 Uber 的合作，你在谷歌地图 App 里搜索某个兴趣点之后，可以直接呼叫一辆 Uber，而不用跳出 App。 可是谁能说得好，未来谷歌、Uber、Lyft 甚至滴滴之间会在无人车共享这个领域终有一战呢？ 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
详解 Mobileye CES 2017 演讲：自动驾驶行业能走向联合吗？
先来一段走心的话 在正文开始之前，我想先要对 Mobileye 公司及其创始人兼 CTO Shashua 博士表示感谢。对 GeekCar 来说，Shashua 每年 CES 期间的发布会演讲一定是整个 CES 当中，我们收获最大的一个小时。从 GeekCar 最早在国内体验 Mobileye 的后装产品开始，这家公司的一系列动作帮助我们加深了对 ADAS 乃至整个自动驾驶行业的了解。或许他们这十几年来对技术的追求与坚持，正是我们所倡导的极客精神。 走心的话说完，下面就该是硬货了。在今年 CES 的演讲上，Shashua 博士再次给我们上了一堂自动驾驶课。这次他除了讲了一些 Mobileye 的技术进展之外，还着重讲了一下自动驾驶行业发展背后的合作伙伴关系以及运作逻辑。 自动驾驶的三个部分 首先，Shashua 博士将自动驾驶分为了三个主要组成部分：Sensing, Mapping, Driving Policy Sensing：指车辆所搭载的一切感知设备，包括摄像头，激光雷达，毫米波雷达等等。所有这些传感器所收集到的信息，都将被传输到高性能电脑当中并加以分析，从而帮助车辆了解其所处的周边环境。 Mapping：指高精度地图，其意义在于帮助车辆在整个路径规划中精确定位。由于自动驾驶所要求的定位精度极高（10CM），GPS 系统已完全无法满足，且完全自动驾驶需要高精度地图覆盖尽可能多的地域并可以做到实时更新。所以，地图数据的收集与扩展就变得尤为重要。 Driving Policy：指驾驶逻辑或策略，此概念来源于机器人学，具体是指计算机在获得了周边环境的感知信息之后，如何对其做出应对。在驾驶环境中就是如何能够让计算机像人一样在面对不同路况时能够做出相应的判断。目前大热的人工智能与深度学习也是为了要更好地解决这个问题。 在这三个部分当中，Mobileye 目前都已经有所涉及。传感器方面，Mobileye 的 EyeQ 系统已经是摄像头领域的视觉处理标杆。截止目前，EyeQ 芯片的出货量已经达到了 1,500 万。 在地图方面，去年 CES 上，Mobileye 发布了其基于摄像头的地图定位技术 REM（Road Experience Management）——通过摄像头捕捉路面上的标识以辅助定位。由于目前大部分车辆都已经配备了前置摄像头，因此 REM 可以利用这些现有的摄像头辅助定位。更方便的是，REM 还可以通过这些车辆前置摄像头来获取更多全新的地图信息，并通过上传云端持续对地图数据库做出更新。 由于摄像头所捕捉到的地图数据为 2D，数据尺寸较 3D 高精度地图要小了很多（一般只有 10KB/KM），因此更利于向云端的传输。这就使得高精度地图的收集与普及变得更加便宜高效。在今年德尔福的自动驾驶演示车上，REM 技术也得到了应用，具体请查看我们之前的体验文章。到 2018 年前，REM 技术将开始陆续通过整合到现有的 EyeQ 芯片当中，届时将会有两百万上路车辆搭载 REM 技术，共同捕捉新的地图数据。 不过在这里，需要特别引入一个「 冗余」（Redundancy）的概念：目前对于主机厂和 Tier 1 来说，任何自动驾驶的感知与定位功能都不能够由单一传感器或者技术来完成，因为任何传感器都会有自己的局限性。当某一个传感器因为天气或者光线等特殊原因无法良好工作时，需要有其他的传感器或者备选方案来保证车辆行驶的安全。 因此尽管 REM 的技术有着成本低，普及容易，数据尺寸小等优点，在主机厂的实际产品中，它也不可能完全独揽定位的任务。出于「 冗余」 的考虑，激光雷达和 3D 高精度地图还是会被引入到解决方案当中，与 REM 共同配合完成定位。在之前我与 Shashua 博士的交谈当中，他自己也提到了这一点。 可以看出，合作才是推动地图与定位技术发展的关键。于是，Mobileye 也开始和其他图商走到了一起： Here：将 REM 算法整合到 Here 的 HD Live Map 系统当中，帮助 Here 完善并丰富其高精度地图数据。 Zenrin：共同组建覆盖全日本高速公路的高精度地图数据，在 2018 年之前与亚洲 OEM 合作完成 L3 级自动驾驶的研发。 Mobileye 在地图领域内的最终目标，是联合各大车厂、图商一起构建一个覆盖全球的高精度地图体系。与和单一整车厂的一般合作不同，这个体系需要多个整车厂、供应商、图商组成共同的联盟才能够达成。目前，Mobileye 正在和各方沟通组建世界地图的具体细节（包括技术，商业，数据归属等等层面）。 Shashua 博士认为，这个体系一旦达成，将会成为自动驾驶行业发展的转折点，因为这样的联盟能够避免竞争，最大化发挥资源及数据整合的优势。 Driving Policy：自动驾驶面临的最大挑战 我们日常的驾驶行为看似简单，实则不然，它是由多方控制者（Multi-agent）相互感应相互判断所产生的结果。当车辆对周边的驾驶环境做出感知和反应时，周边环境也会对车辆的行为产生相应的判断与反应。比如，我们在日常开车遇到行人过马路时，经常会遇到互相避让，最后导致双方都无法高效通过的情况。面对这样的问题时，目前的自动驾驶策略是极其保守的（比如选择减速，避让甚至是停车等等）。 这是出于安全的考虑，因为社会舆论是很难接受自动驾驶车辆在行驶过程中出现很多事故的（虽然绝大部分事故还是人为原因造成）。但在实际路面上只采用这种保守的驾驶策略却又很难融入到现有的驾驶环境当中，如果不解决这个问题的话，自动驾驶车辆将无法与其它人为控制的出行方式并存。如何能够让机器像人一样在不同的驾驶策略之间做出相应的调整，同时又能够确保安全，是目前行业所面临的巨大挑战。 为了演示这个挑战的复杂程度，Shashua 博士选取了一种双车道并线（Double lane Merge）的场景，请参看下面的视频： 在视频演示中，Shashua 博士对人为驾驶策略的判断给出了一个非常经典的定义：「 在驾驶行为中，我们人类对驾驶策略的判断并不是来自于与其他驾驶者之间的交谈，而是来自于我们的行为，我们的驾驶行为直接表现着我们的意图，例如哪些车我乐意让它并线，哪些车我就不乐意让它并线。」 用这个定义来形容全球司机都盛行的路怒症简直是在合适不过了。而这种驾驶行为所主导的驾驶策略，是机器非常难以模仿的。目前绝大部分上路的自动驾驶测试车辆都是按照严格的驾驶规则与保守的逻辑做出判断，一旦在面对这样复杂、规则不明确且不确定性很强的决策场景时，机器只能选择让人类驾驶者介入。在博士看来，这才是目前自动驾驶发展的最大阻碍。 目前行业中，能解决这个问题的方法是机器学习（Machine Learning），因为它可以通过观察和分析不同的数据来自行生成并调整决策逻辑。之前在围棋比赛中击败各路人类高手的人工智能 AlphaGo 正是通过机器学习当中的深度学习分支来学习下围棋的。 这其中有一个很重要的原则：机器学习是通过分析大量的数据来提升自己的表现，所以面对驾驶场景中，一些罕见的路况环境（数据不充足甚至是没有），机器学习将无法获得足够的学习素材以产生良好的判断。这也是为什么机器学习主导下的自动驾驶需要很长时间的数据积累。 不过，Shashua 在对机器学习提出了更深一层的解读：他认为，目前被大部分公司所宣传的机器学习技术更多的是对车辆当下所处场景的感知与反应，因此这种技术应该被称为「 深度监督式学习」（Deep Supervised Learning）。而获取更好的驾驶策略需要的是对未来场景的提前预判，因此其所需要的技术在机器人学中应当叫做「 强化学习」（Reinforcement Learning）这两种技术之间的主要区别来自于对待数据的方式，具体在于： 1. Deep … 继续阅读
VOL.176：去国外看展，是一种怎样的体验？
网易云音乐搜索歌单：GeekCar 叨逼叨 BGM。每期节目的背景音乐都能一次听到啦！还有，我们周四周日更新啊！记住了吗？！ 各位小伙伴大概都知道，我们的主力队员大尧同学，最近一直都在美国参加 CES~当然了，Sid 老师和 Jony 老师也都亲自上阵，一起去拉斯维加斯和底特律享受所谓「 纸醉金迷」 的生活了！ 在大尧老师回来修整之际，我们邀请到了 Sid 和 Jony 来聊聊到底在美国参加 CES 和北美车展到底是一种怎样的体验~和在国内参加车展究竟有哪些不同？又发生了哪些出乎意料的糗事儿？除此之外，我们也想和你们一起来从他们的角度，重新认识一下各个科技公司和汽车厂商，对于未来汽车科技的设想和规划~如果你也想知道到底什么才是汽车行业的整体发展趋势，记得好好听节目后半段的内容~ 我们仨真算的上是一个奇妙的组合，听到就是赚到！ 好啦，听节目记得点赞打赏和评论哦！憋忘啦！最后我要再说一遍~我们爱你！❤ 本期人物介绍： Jony——GeekCar 最严肃的内容官。思维活跃但极其内敛，热爱汽车但不热衷于逗逼。记住：千万别让他碰篮球，在篮球场上，他会突然化身为相声表演艺术家，防不胜防。 Sid——GeekCar 人气爆表的活动官。秒杀妹子的一枚利器，外形看起来 gaygay 的，但其实倍儿爷们儿。记住：他的副业是去夜店打碟，要是恰巧遇到了，请别问他要电话号码。 刘能叔叔——GeekCar 最不正经的铲屎官。虽然是个妹子，但非得给自己起个叔叔的艺名儿，而且自打公司来了三位猫爷，就变成了专注的铲屎官。记住：惹她可以，别说猫不好！别说！ GeekCar 有话说： GeekCar 叨逼叨是我们一次新的尝试，有任何意见和建议都可以直接留言告诉我们！你也可以表达你的观点你的态度，让你的声音也出现在我们的节目当中~欢迎吐槽欢迎么么哒~