查看原文
其他

被吹上天的城市领航辅助驾驶,我劝你少用。

脖子哥 差评 2023-03-23



前一阵特斯拉自动驾驶造假的事情,各位都有所耳闻吧。


2016 年特斯拉公布了一段视频,里头的 Model X 搭载了 Autopilot 系统,全程无人驾驶开到终点,丝滑的一批。


结果呢,这些画面被曝出都是剪辑拼接的,特斯拉只是想靠着它骗一波投资和股价罢了。


我说为啥看着这么科幻呢,原来真的是编的。


不过,这个在当时极其离谱的功能,放到现在却并不难。不信?你看,这是某自主品牌自动驾驶系统的路试镜头:


这是另一个:


就连翻车的特斯拉,现在也能部分实现当时吹的牛逼了:


上面这些能够实现点到点自动驾驶的功能,有个专门的名字叫 NOA ( Navigate On Autopilot ),直译过来就是 “ 导航辅助自动驾驶 ” 


NOA 最近可是太火了。有多火呢,这么说吧,几乎所有新能源品牌,都宣称会在今年 OTA 推送 NOA 功能,比如理想、小鹏、极氪等等。


从大趋势看,NOA 应该就是近几年自动驾驶领域最炙手可热的香饽饽了。因为 NOA 的落地,很可能是我们离所谓 “ 自动驾驶 ” 最近的一次。


所以,到底啥是 NOA ?


NOA ,学名领航辅助行驶,是目前最符合 L3 级自动驾驶定义的功能。从直译就能看出来,它跟导航和自动驾驶多少都沾点。简单来说,有了 NOA ,我们只需在导航上定好起点和终点,车子就能自己开过去


而根据使用场景的不同, NOA 还被分成了两个细分方向,一是高速 NOA ,二是城市 NOA 


我们先来看高速 NOA 。顾名思义它的适用场景是高速行驶。打开以后,车子就可以自动完成超车、变道、跟车、上下匝道等操作。


就好比咱们放假开高速回家,往常的做法呢,是在出发前定好导航路线,然后一路听着导航指示开。


说简单也简单,说累也是真的累。因为得时刻关注车道和路口怎么走,要是下错高速出口,还得绕一大圈远路。


而在打开高速 NOA 以后,只要车子上了高速就可以让它完全自己操作。走哪条道、从哪个出口高速 NOA 也能提前规划好,走错是不可能走错的。


下了高速之后,城市 NOA 就该起作用了。


和高速 NOA 比起来,城市 NOA 能够实现的操作要复杂许多,相对会更接近我们理解中的自动驾驶。


就比如晚高峰下班的时候,只需在上车以后定好从公司回家的路线,剩下的交给城市 NOA 就好。遇到堵车,它能让车子在正确的车道上自动跟车、并线;遇到十字路口,它能根据红绿灯的情况安全通过;甚至,在到家了以后,还能找到车位并停好。


出租车:我免费了!


不过,虽然 NOA 看着很美好,想要做好却并不简单。


拆开看,NOA 其实就是一些常用功能的组合。


比如高速 NOA ,就是自适应续航、车道保持和自动变道等功能的叠加。这些技术已经比较成熟,所以,它的实现难度并不高


但城市 NOA 则完全不是一个 LEVEL ,难度,超级大。因为城市 NOA 需要处理的场景不仅量大,还经常不按常理出牌。


就比如,路口,不一定是横平竖直的,有可能是奇形怪状的。行人也不是一直都在人行道上走,还有可能突然窜出来一只狗啥的...


这,大概就是乱纪元吧( 来自周文王的肯定 )... 


这么说可能不太直观,我们来看看对比。这是高速 NOA 眼中的路况,简单宽敞,轻松写意


而这,是城市 NOA 眼中的路况,肉眼可见的难度 Max :


想要搞定这样的环境,首先得保证尽可能 “ 看清 ” 周边环境是个啥情况,其次还得高效地处理分析里面的信息,然后才能告诉车辆应该怎么操作。


所以呢,同样是功能叠加,城市 NOA 需要的是高精度感知硬件当 “ 眼睛 ” 、高算力芯片当 “ 大脑 ” 以及合理的软件算法当 “ 逻辑 ” 。三者一同发力,才能保证系统安全运行。


这么一看,如果说高速 NOA 是智能驾驶的高考,那城市 NOA 绝对就是奥赛水平了。


而奥赛的最后一道大题,无疑就是数据收集。


既然是奥赛,那肯定就得备考。目前想要实现自动驾驶,需要通过 AI 学习的方式。也就是让它了解人们的驾驶习惯,然后再上手操作。


其实就是先看书,再考试。NOA 背后也是这个道理。


但问题就在于,书上的知识从哪来。


大部分厂家的做法呢,是先把AI 放到模拟环境里练上一段时间,类似于考驾照的时候会先让学员在驾驶模拟器里开上一会,而后再上路测试。


甚至,还有公司用那个游戏来验证自动驾驶的算法。


就离谱。


这样做,也确实能在短时间内获得相当多的模拟数据,尽快搭建起自动驾驶系统的基础。


就比如美国的自动驾驶公司 Waymo ,截至目前就已经累积了接近 200 亿公里的模拟训练数据。


相比之下,现实道路的行驶仅有 1600 多万公里,很明显前者的效率要高得多


模拟测试乍一看挺合理,却存在着一个非常致命的问题,那就是它无法完全再现现实世界的情况。


举个例子,按理来说在开阔道路上,所有车都应该按车道前进。诶,但有时候就会有车突然变道给你来上个惊吓↓


再比如,本应禁止行人通过的机动车道,有时候也会突然窜出人来↓


这类比较极端事件,被称作Corner Case 长尾事件。它们极少出现,但一定会出现,还不知道会怎么出现。对于照着书本答题的自动驾驶来说,这确实有点超纲。


最有代表性的例子,就是 2018 年 UBER 无人车的事故。


当时 UBER 无人车就是在开阔道路上正常行驶,但是当推着自行车的行人横穿马路时,由于没有考虑到横穿马路的情况,系统并没有将其识别为人,而是一个相对静止的车辆,这才导致了事故的发生。


想要比较好地解决长尾场景,也只有一个土办法:碰上了再说。这就意味着不管模拟多久,还是得尽可能多的上路测试。


但因为实际路测的效率较低,所以对于目前的自动驾驶而言, “ 高效的办法不合理,合理的方法不高效 ” 是一个致命的死循环


所以,即使是像 NOA 这样 “ 有条件的自动驾驶 ” ,想要实现安全地让车辆自主操作,也是一定需要经过长时间、大量的实际路测才能经历尽可能多的极端情况。


说到底,这是个时间问题。


为了搞定数据问题,车企们自然也是各显神通。


就比如特斯拉就用上了 “ 人海战术 ” ,每一台车都配有 “ 影子模式 ” ,能在日常驾驶中收集信息、学习驾驶习惯。


因为保有量巨大,特斯拉能够在短时间内收集到大量的驾驶数据,训练模型的迭代速度也能相对提升。


而在数量上不占优势的品牌,就会在效率上做文章。


比如蔚来的思路就是 “ 算得快 ” ,愣是往一台车里塞了四块 256 TOPS 算力的英伟达 Orin 芯片,大幅提高了单车的信息处理能力。


小鹏呢,则是用了 XNet 感知架构让数据标注的速度大幅加快,声称能用 16.7 天就完成 2000 人的年标注量,也就是让 AI  “ 学得快 ” 


但是这些方法,说到底还是让自动驾驶这个时间问题中的时间,变得更短、更快一些。然而强如 Waymo 这样的自动驾驶领军公司,目前也没有完全解决处更是路况下,自动驾驶可靠性与稳定性的难题。


而由于自动驾驶识别错误引发的事故,无时无刻也都在我们身边上演。就比如,它们可能会把路面光线识别成车道线...


说白了,NOA ,特别是城市 NOA ,是一个真正需要时间沉淀的技术。不光是因为它的复杂,更是因为它是最接近自动驾驶的技术。


自动驾驶的初衷,是帮助人们缓解驾驶的疲劳、提升出行的便利。而这,是以100% 的可靠与安全为基础的。


脖子哥想说的是,无论宣传话术多么天花乱坠,不管所谓的解决方案多么先进,厂商们如果无法保证长尾场景的全覆盖,不能让人们彻底放心地交出方向盘,


那么现阶段的城市 NOA ,就只是一个不如不用的、不合格的功能。


着急忙慌追求落地,最终伤害的也只能是车主和品牌的利益。


99.99%=0 。安全的标准啊,就是这么高。


撰文:致命空枪   编辑:脖子右拧   封面:杨总


图片资料来源:

特斯拉自动驾驶宣传实锤 “ 大骗局 ” ,马斯克亲自带队造假!

Uber 无人车事故调查落幕:一场「 人为 」的惨剧



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存