技术难题|自动驾驶真正上路还有10%的技术难题待解自动|上路|于骞|

_原题为 自动驾驶真正上路还有10%的技术难题待解
自动驾驶真正上路还有10%的技术难题待解
【技术难题|自动驾驶真正上路还有10%的技术难题待解】自动驾驶在技术上已经解决了90%的问题，但剩下10%的问题如很多边界化难题，却可能要花费比过去更多的精力去解决。
10月21日，全国首个常态化运营的5G无人公交在苏州落地。这个在苏州高铁新城亮相的无人公交是在开放的城市道路上运行，且速度可达20—50千米/时。这辆无人公交车除了具备避让行人车辆、自动变道、自动转向、红绿灯识别等基本功能，还能应对各类城市复杂交通场景，例如穿行人车混杂的路口、应对后车加塞、“鬼探头”等。
此前， 10月12日，北京也开放了无人驾驶出租车试乘，可试乘区域包括海淀、亦庄等， 12日当天北京地区的呼单量就突破了2600单。而早在今年4月，长沙已经全面开放了无人驾驶出租车服务。
自动驾驶服务陆续落地，是否意味着其商业化临近？
商业化正迎来最佳时机
目前自动驾驶的落地情况如何？其发展到了一个什么程度？
“2019年12月，国内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、物联网、工业互联网、卫星互联网、人工智能、云计算、区块链七大板块，其中有三大板块是自动驾驶软件的核心技术——5G、AI、大数据中心(云计算) 。 ”轻舟智航联合创始人、CEO于骞在接受科技日报采访人员采访时表示。
在于骞看来，自动驾驶处于这几大领域的交汇点，是新基建的典型落地应用。加上近年来不断完善的智慧城市、智慧交通相关政策，可以说，自动驾驶在国内的商业化落地正迎来最佳的时机。
“在整体落地方面，仅从近几年无人驾驶行业的创业公司情况来看，以2018年为分界点，无人驾驶领域确实是出现了两个创业的黄金窗口。 ”于骞说。
第一个黄金窗口出现在2015年至2017年之间，在这段时间里，出现了一批自动驾驶公司，在这个阶段的融资主要是靠估算的产品规模以及团队背景，当时市场对L4级别自动驾驶(全自动驾驶)产品落地的期望值很高，定下了不少比较乐观的近期目标。
“在近期目标没有实现时，市场感到了失望，并重新对落地时间树立起了新的认知，这时又遇上了资本寒冬，所以自动驾驶创业公司的声音少了许多。 ”于骞表示。
在2019年之后，人们对L4级别自动驾驶的预期开始回归理性，随着技术的进一步成熟，市场的需求也呼唤无人驾驶产品落地。同时国家的各类政策先后推出，以及相应的法律法规逐渐完善，随着硬件成本的显著下降， L4级别自动驾驶的短期落地场景逐渐明确了。
于骞表示，目前，业内预计公共道路中低速载人场景的落地运营时间大概在1—3年，公共道路中低速载货场景的落地运营时间则是在3—5年。虽然前几年已经有各种物流车、摆渡车试运营，但这些试运营都只局限在园区里头，这里的落地，指的是在公开道路中的落地。
无人小巴更具落地可能性
部分应用落地是否意味着自动驾驶将很快投入商业化运行？自动驾驶的商业化道路还有多远？
在于骞看来，自动驾驶能否商业化取决于不同自动驾驶级别和不同场景，例如L2级别自动驾驶(部分自动驾驶)的方案已经在许多量产车上落地。
“无人驾驶出租车作为目前市场规模最大的、最有挑战的部分，是城市复杂交通环境无人驾驶的终极目标，但无人驾驶出租车的落地周期比较长、速度快、非固定路线，落地难度会比较大。 ”于骞说。
目前业内更看好无人小巴在公开道路的商业化落地应用，无人小巴正在国内多个城市启动常态化运营，可满足城市中的地铁接驳及微循环接驳需求。
如苏州在2020年7月发布了全球首条城市微循环无人小巴市民体验线路，并随后落地了全国首个常态化运营的城市公开道路无人小巴项目，部署多条无人小巴城市微循环线路。苏州的无人公交项目将设置多条路线，覆盖高铁新城周边9.8平方公里区域，解决居民出行“最后三公里”难题。这是目前国内覆盖范围最大的无人公交项目，也是唯一常态化运营的城市公开道路无人公交项目。
于骞表示，无人小巴这一应用场景具有三大优势。第一，中低速场景，乘客对车速的预期可控，速度保持在20—50千米/时之间。第二，固定路线，车在同一条线路上反复磨练，更能确保行驶安全，并可实现红绿灯优先和预警。第三，满足多人出行，具有社会效益，在公共道路上享受优先路权。
“无人小巴这一应用场景结合了固定路线中低速、多人出行路权优先、可部署基于5G的车路协同等优势，或将成为L4级别自动驾驶的最快实际落地场景。 ”于骞说。
已经解决90%的技术问题
有专家指出，目前困扰自动驾驶的主要难点在于其决策规划和感知，并认为目前并没有看到这两个难题的解决措施，此观点获得不少人的认同，现实情况是否如此？
于骞认为，决策规划和感知的问题都可以归结为自动驾驶的长尾问题。自动驾驶在技术上已经解决了90%的问题，但剩下的10%却可能要花费同样多甚至更多的精力去解决，这10%包括很多边界化难题(Cornercase) ，如在车辆遇上野鸭子之前，工程师甚至不知道会有野鸭子的问题。所以边界化难题是需要去发现并解决的。分页标题
那么边界化难题怎样去发现并解决呢？
“除了收集大量的数据，更重要的是建立自动化生产工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。 ”于骞表示。
于骞以上面野鸭子的场景为例，如果需要专门针对这些场景去开发特殊的模型，那会有无穷无尽的场景需要处理。但借助自动化的办法，只要数据标注好了，下次系统更新时便可以更好处理这种情况，省下大量工程师的时间。
“以感知举例是比较容易理解的，但其实规划技术也一样。要想让车做出准确的规划，最原始的方法是工程师写规则——大量的工程师写出大量的规则，但这种方式不易维护性还不能满足最新需求；再进一步便是设计奖励函数——设计奖励函数比写规则要简单得多；再往后则是系统利用数据自动学习奖励函数。这个过程便是往自动化方向发展的过程。 ”于骞说。
声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。

技术难题|自动驾驶真正上路 还有10%的技术难题待解

技术难题|自动驾驶真正上路还有10%的技术难题待解