在 CCF-GAIR 大会上，这些自动驾驶专家都说了什么？
很多人把 2016 年称作人工智能元年。虽然这个称谓没有得到任何官方认证，但从今年各种科技论坛、展会的刷脸频率来看，人工智能在一定程度上确实迎来了爆发。 对于汽车来说，无人驾驶一定是未来最关键的功能。基于无人驾驶延伸出来的应用场景，也给交通出行、用户带来了更多可能性。要实现无人驾驶，人工智能必须要达到一定的程度，能够控制车辆在任何情况下做出最适当的动作。 上周末，在深圳举行的 CCF-GAIR 人工智能峰会上，我见到了很多自动驾驶、人工智能方面的专家、从业者。听听他们是怎么说，又是怎么做的。 卡内基梅隆大学国家工程研究中心（NREC）研究主任 Alonzo Kelly 教授： 目前 NREC 主要是进行移动机器人的研究，无人驾驶汽车是其中的一部分。 在他看来，大学实际上并不直接进行这类技术的生产，而是帮助企业进行商业化。 这需要考虑两个方面的因素。第一个是项目可行性，第二是是持续性。 大公司在技术上有很大局限性，NREC 会帮助他们建一个完全的自动化系统，这其中包含模拟、控制、规划、巡航和其他部分。建一个自动化的系统需要很高的成本，所以他们会跟几个公司同时合作。另外，公司也愿意跟大学合作，因为这样就可以降低成本，减少政府资金的浪费。 NREC 30% 以上的项目都是由政府扶持的，因此他们也会帮企业去申请政府的资助。一般情况下在美国，大学直接进行研发，企业跟大学合作必须得到授权。对他们来讲，这样可以不需要直接去购买专利，成本更低，利润更高。而大学的获利来源，主要是授权费和版权费。 总之，大学和企业合作的成本确实更低，而企业也解决了一部分技术问题，这是一个双赢的过程。 神州租车首席信息官刘亚霄： 自动驾驶最终会实现商业化、平台化和联盟化，神州希望打造整体的出行平台。 但是，现在的自动驾驶还遇到了以下问题：无线网络和车载设备的计算力是否足够强大？驾驶领域真的有这么多数据？车联网目前实现了什么？汽车业的标准和道路交通标准是否和自动驾驶实现了完整的生态链？ 这需要以下三个条件成熟： 1. 处理能力极大的加强，云计算使得我们有足够的空间存储数据； 2. 物联网和互联网的普及使得数据极大的丰富，在这么大的数据下就有很好的手段来丰富你的训练级，举个例子，Deep Mind 也是在互联网上自己和自己下的无数盘棋，自己可以找到棋谱了； 3. 科研平台的普及，Deep Leaning 是所有人的贡献。 从目前的角度上来说，尽管深度学习在 IT 界取得了很大的成功，但是自动驾驶能够取得成功，中间有一个很巨大的鸿沟需要跨越。比如自动驾驶的平台是一辆车，需要维护、采购、运营、修理和管理它，自动驾驶体系和现有车辆体系似乎区别并不大。 清华大学教授孙富春： 主要介绍了国家自然科学基金委员会重大研究计划视听觉信息委员会的八年计划。 这个项目经过 8 年的论证到 2008 年才在国家自然基金委成立，是视听觉认知计算的重大立项。从 2008 年到 2017 年总共也是 8 年，目的是研究人类视听觉的认知机理，发展新的高效计算模型，提高计算机对与人视听觉感知相关的图象、语音和文本信息的理解能力和处理效率，是围绕认知过程的表达与计算的基本科学问题。 主要工作是研究人对视听觉的感知，这些信息在脑区是怎么编码的？脑区是怎么合作的进行信息的融合？他们想要把这些变成可计算的模型，这样就可以把听觉信息和视觉信息进行编码，通过可计算的模型进行处理来对环境进行感知和理解，并且把这种理解和人的理解进行比较，最终把这种技术用在无人驾驶方面。 从 2009 年开始，他们总共举办了 7 次无人车的挑战赛。目前来看，把自然语言理解和脑机接口集成到车的平台上，许多成果现在还停留在实验室。希望通过无人车平台取得的重大进展，进一步促进创新，引领无人车产业发展。 未来，他们希望实现以下目标：1、认知机理研究成果，如何形成可计算的模型，这个我们探索了很多的方法，还需要进一步地完善。2、在环境感知的拓扑结构信息如何在认知过程中表达与理解。3、探索新兴的多模态传感器，如把声音视频信息集成在一起。4、研究人机智能混合问题，这个也是刚刚国家提到的人工智能 2.0 版本，要研究人机混合的智能系统。 希望能通过无人车挑战赛个平台发表更多的关于认知科学方面的成果。 百度高级副总裁、自动驾驶事业部总经理王劲： 首先介绍了汽车领域发展三个趋势：『 1. 汽车新能源化，制造门槛降低； 2. 汽车共享化，高效淘汰低效； 3. 汽车智能化，自动驾驶大势所趋。 车企一般从低级的辅助驾驶开始，希望通过不断提升辅助驾驶的能力来达到未来完全的无人驾驶。他们的思路是注重成本，逐步提升安全。百度、谷歌的路径是买最昂贵的传感器。希望用最好的计算能力、传感器来保障无人驾驶的安全性。在未来的几年里，通过产业化的努力把传感器的价格降到大众可以接受的程度。 汽车智能是「云+端」的技术，当智能汽车跟交通进行实时交互，车和车之间进行实时交互之后，交通效率能大幅度提升。无人驾驶要产业化，成本会大大低于出租车的成本。无人驾驶要做得好，就会大幅度提升交通安全、交通效率和它的经济效益，让人们的出行成本更低。 百度的人工智能主要靠三个核心：算法，海量数据，优秀计算能力。百度去年 12 月推出的是第一个版本的无人驾驶汽车，如今已经提升到了 3.0 版本。 Velodyne COO Michael Jellen： 以前的传感器容易受强光刺激下或者恶劣天气的影响。在复杂的交叉路况上，传感器需要预测所有机动性质的物体运行。但是如果有激光雷达的话，就能很快发现这些状况。和超声波雷达和相机比，激光雷达最大的优势就是能随时传回高清的 3 维图片。不仅在光照条件好的环境下表现的好，在一些极端天气的情况下也有非常好的表现。随着产量的完全铺开，成本还能进一步下降。 我们用激光雷达来拍摄高清的 3D 照片，然后把这些照片合成 3D 高清图象，完全感知到路障、路况和建筑，而且和导航系统配合。全自动无人驾驶，首先会有一个高清度的地图，精准度应该是在毫米级。然后会有 3D 的架构，通过人来观察或者理解当地的路况，知道前方的交通状况来做出二次决定。通过这样的双重保险我们能够挽救更多生命，减少车祸。 宝马中国自动驾驶高级经理 Maximlian Doemling： 宝马研究无人驾驶是为了：提高驾驶的安全性；提供驾驶的舒适型和享受性；提高整个驾驶的效率。 Maximlian Doemling 对宝马自动驾驶之路做了一个简单的梳理： 第一阶段：2006 年开始做了一些关于赛道的训练的自动驾驶，主要是在高速公路上开车或者是停车等等这些比较基本的技能；第二阶段：2009 年训练自动驾驶进行紧急停车的辅助性的驾驶功能；第三阶段：2011 年第一次在德国的高速公路上去进行自动驾驶的公路的测试，比如让自动驾驶汽车去躲避障碍；2014 年设置了特别的赛道，在这个赛道上不管车如何开都能够测到极限情况下自动驾驶的情况；2015 年开启的全自动的远程停车系统，开发了一个技术让车进行 360 度的检测，能够防撞。 为此，宝马在道路模型的生成和算法上进行了深入研究。在掌握所有的数据之前，根据不同信息进行整合，把所有的信息进行分组，消除可能是位置的误差信息等等。 下一步会进行模型建立，形成道路形状。这中间包括道路上的阻碍，还有车辆，全部会输入到统计模型当中，生成实时的统计数据模型。不需要地图也可以呈现真实的路况。 另一个事情是搭建更加安全的系统。除了驾驶员的行为之外，还有是相关物的安全度。比如说我们有一个很好的安全系统，确保刹车、引擎、发动机等都是在良好的保养的环境和条件下，整合在一起协同工作。一旦有哪个功能变化或者是预警，整个的系统就会发生紧急操控键的激活，驾驶者会马上预警到这样的情况。 乐视超级汽车的智能驾驶副总裁倪凯： 倪凯认为，目前的人工智能并没有强大到可以在获取和人同等信息的情况下做到足够好的自动驾驶体验。解决这件事是提高自动驾驶的实用水平的一个关键。 针对这个问题，倪凯提出的解决方案分为软硬件两个方面： 硬件方面，一是把更多传感器的数据结合起来作为判断的依据。这样即使在其中的几个传感器失效的情况下，其他的传感器仍然能输出正确的数据。LiDAR 是一个很有潜力的解决方案。 二是更多的利用地图信息。地图可以视作附加的传感器，最好是使用一些高精度的地图信息，高精度不仅指准确度更高，还意味着其中有对驾驶有用的附加信息。 三是建立更高效的计算平台。实现更优良的自动驾驶性能需要更好的计算平台。 软件方面也有三大挑战。一是计算框架，由于自动驾驶的软件非常复杂，需要良好的计算框架。相对于传统的技术框架，现在有一种新型的框架：把输入的传感器的数据，通过深度学习的网络能够直接得出最后的控制量，跳过中间阶段的感知、规划。 这样种方法非常简洁的，但暂时还不能取代第一代网络。因为推出时间比较短，而且这种网络本身对于非常少量发生的场景的可能性变小，所以要求训练的数据量非常大，会有指数级的增长。现在的训练数据并没有达到非常满意，训练数据变得更加遥不可及，所以短期来看这种训练数据并不会成为主流，但长远来说会是非常有希望的软件架构。 二是由于汽车行业本身的要求，需要非常多的测试和验证。自动驾驶由于其技术特殊性，对于测试场景的多样性要求更高。这个要求要满足，很大的可能是未来利用模拟器，通过采集的数据在这个模拟器进行更多的验证。这可能是未来的一个挑战。 三是安全方面的挑战，包括稳定性、系统安全性等安全方面的考虑。 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）。
Uber 自动驾驶出租车终于要上路了，背后都经历了什么？
在自动驾驶这件事上，各种收购、投资和合作的新闻已经让人有点应接不暇了。 关于 Uber，这家公司的上一个大新闻还是 Uber 中国被滴滴收购。其实有各种证据表明，Uber 也正在研发自动驾驶技术，并且切入点是相对高级别的自动驾驶技术。 如今，Uber 终于宣布与沃尔沃达成合作，将在美国匹兹堡推出自动驾驶出租车。提供服务的车型是沃尔沃 XC90，其实这也意味着 Uber 和沃尔沃早就有实质性的合作了。 坐自动驾驶出租车得「 靠运气」 Uber 的自动驾驶出租车服务计划在下个月上线，服务范围是匹兹堡市区。 选址匹兹堡，主要是因为这里是卡耐基梅隆大学机器人部门的所在地，当年 Uber CEO 曾亲自来这里挖人。今年年初，Uber 宣布要在匹兹堡建造自动驾驶测试场，并设立一个研发中心。总之，匹兹堡对于 Uber 来说就是自动驾驶大本营。 了解完当地背景后，来看看这次合作细节。 Uber 和沃尔沃合作改装的 XC90，配备了激光雷达、摄像头、GPS 等一系列传感器。为了保证绝对的安全，Uber 在车内安排了两名工程师，一名工程师坐在驾驶位，双手还是会放在方向盘上「 假装」 在开车，另一名工程师坐在副驾驶，用笔记本电脑对车辆进行监控。 值得一提的是，并不是所有用户都有机会坐到这款车。Uber 会「 随机」 挑选叫车的用户，然后把自动驾驶版的 XC90 派过去，免费送你到目的地。在后座有一个平板，可以让乘客弄明白一切是怎么回事。 Uber 不建议大家上车后和工程师交流，因为这样可以营造出「 无人驾驶汽车」 的氛围。按照 Uber 的风格，或许这是为了保密，怕工程师走漏了风声… 在未来几个月，双方会逐渐扩大车队规模，在年底争取达到 100 辆车。Uber 和沃尔沃的最终目标，是在 2021 年推出全自动驾驶汽车，双方还签署了一份合同，将会共同投资 3 亿美元用于研发工作。（但是未公布投资比例）Uber 的自动驾驶之路 一家专车公司，怎么就做着做着就成了自动驾驶技术公司？其实，做自动驾驶完全可以看做是 Uber 早期的计划，专车服务只是他们的一部分。 在 2014 年末，Uber 创始人 Travis Kalanick 特地飞了一趟匹兹堡，就是为了招募自动驾驶技术专家。 当时，John Bares 是一个在卡耐基梅隆大学国家机器人工程中心工作了 13 年的资深工程师。在拒绝了 Kalanick 三次的邀请后，他终于被 Kalanick 说服，加入 Uber。 在 2016 年初，Uber 总共招募到了上百名工程师、机器人专家，还有一些汽车机械师。今年 2 月，Uber 宣布在匹兹堡设立自动驾驶测试基地，还要建立研发中心。当时他们的目标很明确：以最快的速度，把 Uber 公司下的 100 万名司机替换为机器人。 对于这个看似疯狂的计划，Kalanick 是这么说的：「 我们就是为了商用，这不仅是和科学有关的事。」 2016 年 7 月，Uber 收购 Otto，后者是一家为卡车提供自动驾驶「 改装包」 的公司，有 91 名员工。根据知情人透露，为了收购 Otto 公司，Uber 花了 6.8 亿美金，并且未来 Uber 的自动驾驶卡车业务的利润要给 Otto 的员工们分 20%。 2016 年 8 月初，有外媒报道 Uber 计划投资 5 亿美金，用于建立全球范围内的自有地图服务。长远来看，高精地图对无人驾驶技术的重要性不言而喻。为了搞定地图这件事，Uber 曾收购地图软件公司 deCarta、购买微软的绘图技术、和 DigitalGlobe 签署高分辨率地图使用协议。 随后的事情大家都知道了，Uber 又和沃尔沃勾搭上了。这起合作达成的原因很简单：Uber 没有造车的基础，等不及从零开始造一辆自动驾驶汽车，所以 Uber 选择了沃尔沃。 沃尔沃同样是一家热衷于自动驾驶技术的公司，和 Uber 合作后，可以加速他们的自动驾驶技术落地。有意思的是，去年 10 月沃尔沃还说要在「2020 年」 推出自动驾驶汽车，和 Uber 合作后，这个时间点变成了「2021 年」。 在这个技术待发展，法规不完善，目标都很清晰的阶段，其实「 站队」 已经开始了，未来还会有更多类似的合作。 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： … 继续阅读
「GeekCar Daily」8.19：博世成大众「排放门」主角；格力 130 亿收购珠海银隆
博世成大众「 排放门」 主角 昨天，有律师提交法庭文件称，博世在大众的排放门事件中起到了至关重要的作用，并且从中获得了丰厚的利润。法院调查了博世、大众和美国监管机构的通信记录和文件，其中 2011 年的邮件显示博世知道怎样做可以帮助大众获得排放许可。大众也说有证据表明，博世不仅参与了尾气造假设备研究，还参与制定妨碍美国汽车管理方了解此设备真正用途的方案。 所有跟博世有类似合作的车厂，你们是不是都有问题？ 凯迪拉克将发布概念车 Escala 在即将要举行的美国圆石滩车展上，凯迪拉克会正式发布概念车 Escala。这个概念车会展示凯迪拉克对未来设计和科技的理解。它的亮点在于 OLED 技术的使用，不仅仅是车灯，中控台和仪表板也会采用由 LG 提供的两块 OLED 曲面屏。另外，它的车身使用复合材料制成，配备 4.2 升双涡轮增压 V8 发动机。 现在还有概念车不是电动版？ 江淮汽车新能源项目完成 45 亿元募集 最近，江淮向 9 个特定对象非公开发行了 4.3 亿多股股票，筹集了约 45 亿元资金。这轮融资主要用于江淮核心产品相关的新能源车的开发。江淮纯电动上半年累计产量为 10031 辆，销售 9720 辆，同比分别增长了 303.66% 和 261.07%。 做新能源车，砸钱是一种态度。 Uber 收购卡车自动驾驶技术公司 Otto 昨天，Uber 收购了给卡车做「 自动驾驶改装包」 的技术公司 Otto，交易价格大约是 6.8 亿美元。Otto 说，「 加入 Uber 能改变货运业的发展，我们的自动驾驶技术允许司机开车的时候休息，而且我们的平台还能帮助司机获得货运订单和合理的价格。」 可问题是等自动驾驶完全实现后，司机不也就失业了嘛~ 格力将用 130 亿元全资收购珠海银隆 昨天，格力宣布用 130 亿人民币全资收购珠海银隆新能源。另外，格力还会融资约 100 亿元，全部用于银隆的建设。这些项目包括：年产 14.62 亿安时的锂电池生产线，年产 20 万千瓦时储能模组的生产基地和年产 3.2 万辆的电动车改装基地等。 以后车顶会不会都是格力的空调外机… 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）。
记一次汽车白帽黑客的「线下面基」
对于很多人来说，「 白帽子」 黑客们往往只是存在于网络中的「 谜一样的人」。我们大多只能从曝光的各种安全新闻中了解到他们的光辉事迹。 因此，很多安全性质的会议就成了他们不多的露面机会。在刚刚结束的 Hackpwn 安全极客狂欢节上，我就见到了不少汽车安全领域的大神。比如浙江大学的徐文渊和 360 汽车信息安全实验室负责人刘健皓，他们不久前在美国 Defcon 黑客大会上演示了 针对特斯拉自动驾驶功能的破解 。 有哪些「 黑客」 技术？ 「 黑客们」 的线下面基，技术交流肯定是不变的主旋律。在现场，徐文渊和刘健皓再次向我们展示了对特斯拉自动驾驶系统的破解。这种通过「 欺骗」 传感器实现的破解，在现场所有展示中显得有些「 高大上」，毕竟不是谁都有一辆能够半自动驾驶的特斯拉。 不过，现场的另一些破解手段离我们日常生活更近一些。 比如，现场的汽车破解比赛，就邀请了四组团队同时通过 CAN 总线、OBD 接口，读取车辆的动作数据（例如开关车门、亮灯等等），之后反向模拟出同样的信号，控制对应功能。这个比赛考验的其实是团队能否尽可能快且多的完成对车辆各种功能的反向控制。 当然，这种破解方式在实际生活中的可操作性不高。毕竟首先这需要和汽车总线有物理接触、并且车辆本身的网关也会有一定的防护能力。主办方也表示，这次比赛的更大意义在于游戏性质，想让更多人参与进来。 不过现场展示的另一种车辆漏洞，危害性可能更大一些。由于我不是专业技术出身，所以不能详细说明其中的技术细节。简单说，这利用了遥控钥匙本身传输信号时的漏洞，破解滚动码之后进行复制。对于很多车辆来说，这类漏洞都是存在的，甚至在某宝上也有不少类似的破解工具。 有意思的是，在 Hackpwn 现场展示的几种破解方式，分别代表了不同的技术路线。 这三种方式的突破点，分别是传感器、钥匙、汽车总线。显然，无论是从实施难度、危害范围、影响力等方面考虑，这三种方式的危害程度都不在同一水平线上。当然，我们也不用过分担心，毕竟这些技术只是掌握在少数人手中，展示出来只是为了技术交流。从车厂的角度看，他们也在不断增强对汽车安全的防护。 更「 温和」 的气氛 还记得去年，GeekCar 也参加了 Hackpwn 的活动。在那次活动上，360 的技术团队「明目张胆」的挑战了一把某车厂的云服务漏洞。最终，这家车厂选择直接关闭云服务，「化解」了这次攻击。虽然单个品牌的反应不能代表所有车厂，但也说明车厂对安全问题还是相对谨慎的。 虽然从出发点看，这些安全团队「 破解」 汽车是为了增强车厂的安全意识，顺便赚取一些咨询和顾问费用，但是从车厂一直以来略显保守的处事方式看，显然不能一时半会儿就轻易接受外人建议并且改进。 不过一年之后，这种情况出现了明显的变化。和去年相比，今年 Hackpwn 的最大变化体现在一个细节——现场展示的被破解车型，都被遮挡了所有的品牌露出和车标。一直以来弥漫在攻防双方之间的「 火药味」，也随着这样的行为显得不明显了。 虽然这么做对于品牌遮挡没有实际作用，但背后的意义绝对巨大。这表明，攻防双方的关系进入了一个相对缓和的阶段。安全团队不再激进打脸车厂，反而主动示好。事实上，这是因为他们意识到，汽车安全这件事，背后的主要推动者还是车厂和供应商。因此，把关系搞得太僵显然对双方都没好处。 双方的合作比去年也有了明显的进展。不久前，360 汽车信息安全实验室就和某个品牌达成了关于汽车安全方面的合作。随着汽车联网、智能化、自动化程度的加深，这类合作也会越来越多，越来越深入。并且，车厂在未来很有可能会建设自己的安全团队。从这个角度看，Hackpwn 上的汽车破解比赛，也能让很多技术团队、个人有更多机会把自己的技术展示出来，增加双方合作的可能。 总之，在汽车安全这件事上，安全团队和车厂正在逐渐靠拢，这对双方以及消费者来说，其实是个三赢的局面。 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）。