实现无人驾驶的难点在哪?

如果自动驾驶标准是按照L5级别来要求的话，那确实还有很长的路要走，因为今天关于完全自动驾驶汽车还存在许多争议，不仅是技术上的，还包括法律、伦理等方面的界定。但罗马不是一天建成，饭也不是一口吃大，如果我们适当降低标准，以有限的自动驾驶来看，比如L2-L3级别，那么我们已经看到有很多公司在这样做，而且已经离我们很近了。

最近几年，自动驾驶车一直是传统汽车厂商、一级零配件供应商孜孜探索的领域，也是包括IT公司和互联网公司在内都很关注的风口。

虽然大家一直都在讨论这个热点，但是关于“自动驾驶何时能量产？全自动驾驶什么时候实现？”说了这么多年，似乎依然是个未知数。 

有人说：“自动驾驶汽车是活在梦里，不可能实现。”

如果说的这个人是按照L5级别来要求的话，那确实还有很长的路要走，因为今天关于完全自动驾驶汽车还存在许多争议，不仅是技术上的，还包括法律、伦理等方面的界定。

但罗马不是一天建成，饭也不是一口吃大，如果我们适当降低标准，以有限的自动驾驶来看，比如L2-L3级别，那么我们已经看到有很多公司在这样做，而且已经离我们很近了。

说到这儿，也许你还有点云里雾里：“L2、L5这些术语代表什么？”

为了方便您了解自动驾驶汽车，我们先来一个简单科普。

1、什么是自动驾驶？

有关自动驾驶，美国汽车工程师协会（SAE）已经对其技术定义了六级自动化级别。

从图中可以看到，L2级和L3级之间有条分界线：L2级及以下，由驾驶员主导监视环境；L3级及以上，由系统监视环境。

所以，可以说L2级到L3级是一个明显的分界点——从ADAS（高级辅助驾驶）向AD（自动驾驶）过渡。

通俗来讲，L3级以下和L3级以上最大区别就是，汽车能否像人一样感知周围环境并做出决策。

而在现阶段，L5级存在着巨大争议，尽管很多创业公司、IT公司以及车企都把L5视作终极目标，但无论是法律、法规方面的阻碍，还是技术成熟度上的局限，都使人们意识到实现L5还需要很长时间。

所以在现阶段的市场上，大多数传统车企更着力于研发L2/L3级别的自动驾驶技术，并行研究封闭场景内的L4级自动驾驶系统。

2、实现自动驾驶的难点在哪？

那么，当前阶段实现自动驾驶的难点在哪呢？

这里我们就要讨论自动驾驶的三大要素——感知层、决策层和执行层。

感知层

相当于驾驶员的眼睛和耳朵，由各种各样的传感器来完成对外部环境的判断和识别。

考虑到复杂的外界场景，多传感器的融合技术是一个趋势。目前主流的有两套传感器系统，一套以雷达和摄像头为主的感知系统，和一套以激光雷达为主的感知系统，两套系统互为备份提供冗余性、覆盖范围和精度上的需求。

决策层

相当于驾驶员的大脑，通过控制器对环境的认知以及路径规划进行决策判断。

L2级别以下的ADAS系统，主要对传感器收集的数据进行筛选和分析；而L3级别以上，需要系统对环境进行认知，参与到路径规划和决策判断中来。

在此场景下，深度学习算法、大量算力以及存储海量数据的价值就凸显出来了，决策层的关键点就在于车载芯片和算法。

执行层

相当于驾驶员的手和脚，来完成车辆制动、转向和驱动。

自动驾驶的算法和芯片依赖于机械特性强有力的执行来完成决策层的指令，包括以电机为核心驱动的电子转向和电子制动等核心部件。

在自动驾驶场景下，有关制动系统的要求会更高，自动驾驶需要更快地线控车辆系统，包括电子油门、线控转向以及电子机械制动系统。

这三个要素中，每个要素都至关重要，缺一不可。

其中，核心决策层的研发尤为关键。

传感器和执行层，可以配置多套冗余系统进行保护。但是决策层的核心算法如何保证可靠性和安全性，是自动驾驶研发中最为关键的核心讨论点。

很多IT跨国公司、车企、创业者都把目光聚焦到这个核心算法领域。

3、自动驾驶行业格局

最近，资讯机构Navigant Research公布了2019自动驾驶领导力排行榜，谷歌母公司Alphabet旗下的Waymo公司拔得头筹。

至于评判标准，是根据每家公司在「愿景」、「商业化策略」、「合作方」、「量产计划」、「技术」以及「产品持久力」这几个方面的综合表现进行打分排名。

来源：Navigant Research

Waymo从2018年的第七位一跃成为今年的第一，从去年开始的大规模商业化试运营应该是其领先的重要原因。

既然决策层对于自动驾驶技术如此重要，难道一马当先的Waymo公司背后，都是算法工程师吗？

数字媒体公司The Information对Waymo的组织架构进行了梳理。

在Waymo的950名员工中，工程研发团队一共610人，其中340人属于软件团队，260人属于硬件工程团队。而在340人的软件团队中，划分是这样的：

从软件团队的人员结构可以看出，Waymo最重视基础架构，研发自动驾驶主要依靠的是基础架构设施。这是因为，无论是深度学习还是仿真验证，都需要大量的IT基础架构提供支持。

4、Waymo为何重视IT基础架构？

为什么基础架构设施这么关键呢？这就要从自动驾驶研发平台遇到的一些挑战说起了。

.

ADAS研发基础架构挑战之一：海量非结构化数据

ADAS/AD的研发需要基础架构提供海量数据和高带宽的性能。传感器的数据大多是非结构化数据，以图像、视频、点云文件、日志文件为主。面对不同的SAE级别，数据量的要求如下：

· L2级别的ADAS系统，需要4-10PB的数据和1,000-5,000核的计算资源；

· L3级别的ADAS系统，需要50-100PB的海量数据和5,000-25,000核的计算资源；

· 到了L5级别实现完全自动驾驶，需要超过2EB级别的数据量。如果按照1TB的硬盘来计算的话，2EB的数据量相当于200万个1TB的移动硬盘。

5、为什么需要这么多数据？

因为要训练和测试足够多的复杂场景。

Waymo首席科学家Dargo Anguelov在MIT的深度学习课程中第一次分享了自动驾驶研发遇到的一些挑战和最佳实践。

其中有几个比较有趣的场景。

来源：Waymo

左图一有几个行人背着木板在行走，图二是一个镜面反射问题，图三是一个人在骑马。在这样的场景下，深度学习如何更好地判断周围环境，不仅仅要求算法对物体进行识别，更要求识别复杂场景的能力。

面对这样的复杂场景，如何保证算法的可靠性呢？

使用大量标注过的数据对深度学习网络进行监督训练，使得物体感知甚至到对于复杂场景的识别成为可能，这些技术在Waymo自动驾驶研发过程中得到了大规模的应用。

Dargo也提出，随着Waymo采集数据的场景增多，深度学习的算法也有了更频繁的用处。

有了这么多数据，如何对其进行管理？如何保证持续增长的数据量能够被研发团队最高效地使用？

这就是IT技术架构能为ADAS/AD提供的核心竞争力。

来源：Waymo

研发基础架构挑战之二——高性能和高带宽的要求

众所周知，深度学习需要对数据进行训练，而且是多次重复调参的训练。

要实现成熟的模型算法，仅有算法和数据是不够的，更重要的要达到大量的算力性能要求，一个深度学习模型需要经过多少次计算才能完成一次前馈啊！

除了大量GPU算力要求，我们还需要利用大量高带宽性能读取真实环境数据，以进行仿真测试。Waymo研发部门每天会进行大量的仿真测试，回放真实采集的环境数据，24×7地进行仿真测试，验证算法的可靠性，确保系统的准确性。

这些真实环境数据每天都会被分类成不同的场景，从存储中高带宽地读取到HPC服务器上，进行大量的仿真测试。

除了软件在环（SiL），还有硬件在环的仿真测试。将真实的车载硬件设备加载算法，回放数据，进行硬件在环的仿真测试。

硬件在环测试平台（HiL）对于数据读取的延迟要求非常高，需要在数百纳秒和数微秒之间。如此小的延迟让硬件在环仿真的实现变得非常具有挑战性，也很难将仿真测试放到公有云上来实现。

在我们看到的仿真测试场景中，存储带宽要求竟高达800GB/s，这是因为研发团队需要对数据进行并发读取和回写，才能保证研发周期。