? ? ?既定發展路線

　　關于部署在自動駕駛車的AI技術，Sandu 直言：“我們對于深度學習的興趣不大。我們有自己的既定發展途徑，能讓政府交通部門更輕松地認證自動駕駛車。”

　　美國卡耐基梅隆大學（Carnegie Mellon University）教授 Philip Koopman 曾經在接受《EETimes》的專訪時表示，自動駕駛車面臨的最大挑戰在于克服潛藏于機器學習中的基本測試問題——這個問題困擾科學/工程界已經很久了。Koopman 說：“想讓以機器學習為基礎的系統達到傳統安全標準可不容易。因為訓練資料集并不符合軟件要求與設計的傳期待。”

　　AutoKab認為，商用的自動駕駛車要想通過認證，汽車制造商必須打造出能為市政府監管部門提供安全保證的解決方案。Parent 強調，“自動駕駛車必須像現在的火車、公車和飛機一樣取得認證。”

　　機器人隨機夾取的問題

　　Parent可說是一名“久經沙場”的機器人專家，目前的自動駕駛車讓他想起機器人產業長久面對的“箱中取物問題”（bin picking problems）。

　　去年，機器人產業協會在一篇報導中到了產業面對著兩難的問題。“雖然技術不斷進步，但機器人箱中取物的能力依然有限，我們還是沒能達到最后的神圣目標——讓機器人擁有隨機取放的能力。不過，我們依然有所嶄獲，在先進的視覺技術、軟體和取放方案的輔助下，機器人正前進至一個從未達到的領域。”

　　“那么，為什么讓機器人學會隨機取放如此困難？答案就在于準確度。雖然機器人重復能力超強，但在一片混亂中隨機取放依然需要很高的精準度。機器人必須在環境開放的可用空間定位一個不斷更換位置和方向的元件。這就意味著機器人必須均衡各種靈敏度、機器視覺、軟體和運算能力，以便即時處理所有的資料并得出最佳的取放方案。這樣的要求雖然很高，但絕非無法實現。”

　　目前，機器人和自動駕駛產業解決這一問題主要都靠提升運算能力。但是，Parent解釋，“解決這個相同問題的方法是整齊地依序在托盤上擺放元件，讓機器人更迅速地取放元件。”換句話說，在發布R2D2機器人之前，得先解決掉混亂的情況。

　　Parent 認為，將類似的思維應用在自動駕駛計程車和自動駕駛接駁車上，就能減少基礎設施的混亂，從而更有效率地解決都市交通問題。

　　以下為 AutoKab 博物館中的幾款自動駕駛汽車，它們是過去 20 年來自動駕駛行業的縮影。

　　Cycab

　　這輛高爾夫球車造型的小車誕生于 1995 年，它由 INRIA-IMARA/RITS 團隊研發，1996 年正式進場量產，并在多個城市承擔了自動駕駛交通服務的開發和測試工作，2011 年它還在意大利服役呢。

　　雅馬哈自動駕駛導引車

　　雅馬哈自動駕駛導引車由 INRIA 和雅馬哈聯合開發，2000 年正式面世，隨后在 AutoCab 總部所在地和挪威、意大利等國進行尋回展示。

　　拉羅謝爾的自動駕駛汽車

　　這些車也是用在技術開發和交通服務展示上，先是在法國拉羅謝爾港上路，隨后部署到了法國昂蒂布和意大利卡拉布里亞。

　　別說如果無人駕駛實現了會如何如何，存在于想象當中的那種完美的無人駕駛場景究竟何時才能夠實現？2020年？還是2030年？亦或是2050年？這并不是一個扯淡的問題，就如同什么定時沖水馬桶、定時開窗簾這種所謂的“智能家裝”，真的有需要嗎？