究竟还要等多久才能坐上真正的无人驾驶汽车?

李杉 安妮 发自 凹非寺
量子位 报道 | 公众号 QbitAI


无人驾驶技术距离我们还有多远?消费者和投资人什么时候才能看到无人驾驶汽车面市?

这个难以回答的问题的答案取决于你所谓的“无人驾驶”、“消费者”和“面市”究竟是什么意思。

“无人驾驶”是什么意思——要看级别。

在跟无人驾驶有关的文章里,经常可以看到“L4”或“L5”这样的说法。这些级别由国际自动机工程师学会(SAE International)制定,已经获得全球广泛接受。简单来说:

L2系统是一种先进的驾驶员辅助系统,可以在特定环境下控制方向盘和刹车,但算不上无人驾驶。

L3系统确实可以驾驶汽车,但只能在有限的情况下发挥作用,需要有司机随时接过汽车的控制权。

L4系统是“高度自动化的系统”。在实践中,它可以完成人类司机能够完成的多数任务,但只在有限的地理区域有效——即地图绘制完善的区域。

L5系统是成熟的无人驾驶系统,可以自动开到任何地方,驾驶技术堪比经验丰富的老司机。

需要主要的是,目前自动驾驶汽车的级别是由系统厂商设定的,还没有第三方机构对其进行评估。

那么,这些不同级别的汽车将于何时面市?以何种姿态面市?

L2和L3:已经出现

通用汽车的Super Cruise和特斯拉最新的Autopilot都是临界的L3系统。

Super Cruise这套系统由前端摄像机、后台地图数据库和Trimble研发的高精度GPS组成,能够在误差两米内确定汽车位置。特斯拉的Autopilot 2.0系统拥有8个摄像头、12个超声波传感器和增强版的前向毫米波雷达,能在雨、雪、大雾、扬尘等恶劣天气下工作。

此外,特斯拉还会为车辆配置车载电脑处理传感器中收集的数据,计算能力是Autopilot 1.0的40倍。

这两种系统都只能在特定系统下驾驶汽车,但也都需要人类司机随时获得控制权。

通用汽车和特斯拉都不愿给自己的系统打上L3标签,因为L3颇具争议,这是第一个表示汽车能够自动驾驶的级别。L3系统会引发一个重要问题:一旦发生紧急情况,精力分散的人类能够在多短的时间内夺过汽车的控制权。正因如此,福特和沃尔沃等公司表示将跳过L3,直接开发L4系统。

奥迪在新一代A8中引入了高速自动驾驶系统,名为“奥迪AI交通拥堵驾驶系统”(Audi traffic jam pilot)。奥迪称车速60km/h以内,车辆可完全自动驾驶,并将于2018年进入中国。

在传感器阵列上,车身搭载了雷达、前视摄像头、毫米波雷达以及首款可量产、符合车规级的4线激光雷达。此外,还有一个中央驾驶辅助控制系统(zFAS),zFAS由奥迪和德尔福、英伟达、TTTech、Mobileye合作完成,搭载有英伟达的GPU、Mobileye的EyeQ系列视觉芯片,以及通信模块,是A8的计算中枢。

奥迪A8是否比Autopilot或Super Cruise更先进?很难说:但说实话,从字面上看,它跟Super Cruise非常相似。但如果达到标准,奥迪还是愿意称之为L3系统。

 奥迪A8是全球首款搭载L3级自动驾驶的量产车

L4:近在咫尺

目前,通用、福特、丰田、沃尔沃都在开发L4系统,丰田计划在2020年投放L4量产车,通用、福特、沃尔沃表示2021年量产。值得注意的是,德尔福与Mobileye、英特尔联手,将合作开发L4中“中央传感定位与规划(CSLP)自动驾驶系统”,预计将于2019年投产。使用该系统的汽车可能在一两年内上路。

有的可能还会更快上路。通用汽车的首辆L4自动驾驶汽车即将做好投产准备,但通用汽车不准备向消费者销售。相反,他们将服役于Lyft这样的专车公司。你或许可以率先通过专车服务乘坐L4无人驾驶汽车,几年后才能自己买到一辆。

其他可能率先投入市场的包括特斯拉和戴姆勒,前者将在2020年底之前推出L4系统,后者拥有奔驰品牌和重型卡车。但多数消费者可能都要等到2021或2022年才能买到L4无人驾驶汽车,届时,这类系统将以选装件的形式出现在普通的汽车和卡车上。

 特斯拉Autopilot系统

对了,还有谷歌旗下的无人车公司Waymo。在谷歌10月13日发布的《通往完全自动驾驶之路》的报告中,Waymo表示目前在解决我在哪,周围有什么,接下来要发生什么,该怎么办这四个问题,也就是在做L4自动驾驶相关研究。

Waymo以菲亚特-克莱斯勒Pacifica车型为例,介绍所用的传感器,这些传感器赋予了无人车360度视野,最远能“看清”300米外的物体,有三个橄榄球场那么远。此外,车身还配置了Waymo花了8年时间开发的软件,并通过数十亿英里的模拟驾驶和超过350万英里的路测对软件进行了训练。

 Waymo传感器分布图

L5:重大挑战

Bryan Salesky是福特参股的无人驾驶软件公司Argo AI的CEO,已经是谷歌无人驾驶汽车项目的老兵了(现在是Alphabet旗下子公司Waymo)。

他最近发表在Medium的一篇帖子里发表了一些清醒的思考,希望能够尽快看到全自动汽车广泛普及:

“在把无人驾驶汽车变成现实的过程中,我们仍处于初期。那些认为无人驾驶汽车现在或几年内就能全面普及的人,并没有充分了解技术现状,或者没有全面考虑这项技术部署时的安全性。对于那些长期从事这项技术开发的人来说,我们会告诉你这个问题仍然很困难,因为系统非常复杂。”

目前,大众等在开发L5无人驾驶技术,计划在2021年实现L5级无人车。英伟达也开放的自动驾驶端到端平台NVIDIA DRIVE,想帮助车厂10年内实现L5级自动驾驶

但无论我们何时与专家沟通,他们的答案都与Salesky相同:L4无人驾驶汽车可以在天气良好的时候,在拥有完善地图数据的地方自动驾驶,这可以在短期内实现。但除非有人取得重大突破,否则L5自动驾驶汽车仍然很遥远。

总结:无人驾驶汽车究竟还有多远?

无人驾驶离我们有多远?将上面的内容总结,我们可以梳理出以下时间线:

2018年:L3的奥迪A8在车速60km/h以内实现自动驾驶,可以通过Lyft等专车服务在大城市乘坐L4无人驾驶汽车。

2020年:丰田投放L4的量产车,特斯拉在此之前将推出L4系统。

2021年:L4的通用、福特、沃尔沃开始投放量产车,起初可能是仅限于豪华车的昂贵选装件。

2024年左右:L4无人驾驶汽车可能广泛普及,至少可以作为很多主流汽车的选装件。到那时,L4车的区域局限或许不再值得担忧,因为3D地图已经覆盖了多数发达地区。但该系统可能仍然无法在极端天气中有上佳表现。

N年后:第一辆真正的L5无人驾驶汽车将会出现。

长话短说:L4无人驾驶汽车的确很快就会出现,但一段时间内还要面临局限,而能像人类司机一样随意驾驶的汽车可能还很遥远。

加入社群

量子位AI社群11群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot4入群;


此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。


进群请加小助手微信号qbitbot4,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态


内容概要:该PPT详细介绍了企业架构设计的方法论,涵盖业务架构、数据架构、应用架构和技术架构四大核心模块。首先分析了企业架构现状,包括业务、数据、应用和技术四大架构的内容和关系,明确了企业架构设计的重要性。接着,阐述了新版企业架构总体框架(CSG-EAF 2.0)的形成过程,强调其融合了传统架构设计(TOGAF)和领域驱动设计(DDD)的优势,以适应数字化转型需求。业务架构部分通过梳理企业级和专业级价值流,细化业务能力、流程和对象,确保业务战略的有效落地。数据架构部分则遵循五大原则,确保数据的准确、一致和高效使用。应用架构方面,提出了分层解耦和服务化的设计原则,以提高灵活性和响应速度。最后,技术架构部分围绕技术框架、组件、平台和部署节点进行了详细设计,确保技术架构的稳定性和扩展性。 适合人群:适用于具有一定企业架构设计经验的IT架构师、项目经理和业务分析师,特别是那些希望深入了解如何将企业架构设计与数字化转型相结合的专业人士。 使用场景及目标:①帮助企业和组织梳理业务流程,优化业务能力,实现战略目标;②指导数据管理和应用开发,确保数据的一致性和应用的高效性;③为技术选型和系统部署提供科学依据,确保技术架构的稳定性和扩展性。 阅读建议:此资源内容详尽,涵盖企业架构设计的各个方面。建议读者在学习过程中,结合实际案例进行理解和实践,重点关注各架构模块之间的关联和协同,以便更好地应用于实际工作中。
资 源 简 介 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系, 详 情 说 明 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。 本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系,在此基础上重点分析了一种快速ICA实现算法一FastICA。物质的非线性荧光谱信号可以看成是由多个相互独立的源信号组合成的混合信号,而这些独立的源信号可以看成是光谱的特征信号。为了更好的了解光谱信号的特征,本文利用独立分量分析的思想和方法,提出了利用FastICA算法提取光谱信号的特征的方案,并进行了详细的仿真实验。 此外,我们还进行了进一步的研究,探索了其他可能的ICA应用领域,如音乐信号处理、图像处理以及金融数据分析等。通过在这些领域中的实验和应用,我们发现ICA在提取信号特征、降噪和信号分离等方面具有广泛的潜力和应用前景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值