自動駕駛走向廣泛應用的下半場已然開啟。當前，國家和各地政府正在不斷加強對智能網聯(lián)、自動駕駛、智能公交車等智慧交通場景示范區(qū)的建設和投入，同時有序推動各類相關標準的制定和實施，積極鼓勵社會企業(yè)參與其中，為相關交通技術應用和場景落地營造了良好的氛圍。

近日，自動駕駛行業(yè)發(fā)生了兩件大事，引發(fā)行業(yè)人士的關注與討論。

12月7日，Uber宣布出售虧損已久的自動駕駛業(yè)務，Uber于2015年搭建的自動駕駛團隊ATG就此成為歷史，持續(xù)5年的自動駕駛研發(fā)也走到盡頭。

12月8日，百度在廣州舉辦Apollo生態(tài)大會，發(fā)布ANP（Apollo Navigation Pilot）領航輔助駕駛。Apollo Lite是基于L4級純視覺自動駕駛的城市道路閉環(huán)解決方案，將于明年搭載于量產車型上市。ANP聯(lián)合此前推出的AVP泊車方案，百度計劃在未來5年實現(xiàn)100萬輛車型的前裝。

自動駕駛配套系統(tǒng)化方案的推出，對于廣大汽車用戶來說是一個好消息。在自動駕駛相關應用落地的過程中，算法、云計算等所起到的作用日益突出。如今，機器學習算法正大規(guī)模地用于解決自動駕駛汽車產業(yè)日益增多的問題。結合ECU（電子控制單元）傳感器數據，人們必須加強對機器學習方法的利用以迎接新的挑戰(zhàn)。搭載了機器學習算法的潛在應用包括利用分布在車體內外的傳感器，例如雷達、攝像頭、激光探測。綜合各類數據之后，就可以應用于駕駛員駕駛狀況評估、駕駛路線策劃及避開障礙物等細分場景。

根據車輛導航系統(tǒng)的研究歷程，車輛路徑規(guī)劃算法整體分為靜態(tài)路徑規(guī)劃算法和動態(tài)路徑算法。靜態(tài)路徑規(guī)劃，是以物理地理信息和交通規(guī)則等條件為約束來尋求最短路徑，已日趨成熟，雖然相對簡單但對于實際的交通狀況來說其應用意義不大；動態(tài)路徑規(guī)劃，是在靜態(tài)路徑規(guī)劃的基礎上，結合實時的交通信息對預先規(guī)劃好的最優(yōu)行車路線進行適時的調整，直至到達目的地得到最優(yōu)路徑。算法融入動態(tài)路徑規(guī)劃，已經成為自動駕駛研究的一大分支。

在高級輔助駕駛系統(tǒng)（ADAS）中，利用感應器獲取的圖像包含多種多樣的環(huán)境數據。此時對圖像進行過濾變得十分必要，這樣可以剔除一些不相關的樣本得到用于分類的實例數據。而在分類前，關鍵步驟是在一個數據集上的模式識別，這類算法被稱為數據約簡算法。

由于應用場景的變化，重新定義軟件的架構，導致硬件架構的變化，核心就是人工智能的計算。其實，從CPU時代的邏輯計算為主到現(xiàn)在深度深耕網絡計算的智能計算，實際上使得硬件處理器的架構重新在被定義，這一點在智能汽車、自動駕駛出租車方面同樣適用。

有專家指出，自動駕駛汽車依靠雷達、監(jiān)控裝置、視覺計算、人工智能和全球定位系統(tǒng)協(xié)同合作，讓電腦可以在沒有任何人類主動的操作下，自動安全地操作機動車輛。在自動駕駛的過程中，汽車需要通過感知、策劃、控制、決策等一系列過程，從而實現(xiàn)“人工智能”。簡單來說，自動駕駛系統(tǒng)根據從感知融合模塊得到的環(huán)境信息，如紅綠燈、行人、其他車輛等數據的反饋，才可做出停車、超車、變道等具體行為決策。

理論上講，由于自動駕駛汽車不像人類駕駛員那樣容易注意力分散或疲勞，它們其實具有減少路面交通事故的潛力。不過，人類在遇到新狀況時，能夠基于知識范疇和理性決策盡快做出反應。而現(xiàn)階段，人類尚無法訓練自動駕駛汽車熟悉所有可能的交通狀況，想要讓自動駕駛汽車實現(xiàn)“無事故軌跡”的運作還需要突破算法、技術、監(jiān)管等多方面的瓶頸。

隨著算法的精進，以及物聯(lián)網、云計算、大數據等各類技術的不斷成熟，相信自動駕駛汽車的推廣應用之路會“跑”得更為順暢。
責任編輯:tzh