為了更好地區分不同層級的自動駕駛技術,國際汽車工程師學會(SAEInternational)于2014年發布了自動駕駛的六級分類體系,美國國家公路交通安全管理局(NHTSA)原本有自己的一套分類體系,但在2016年9月轉為使用SAE的分類標準。今天絕大多數主流自動駕駛研究者已將SAE標準當作通行的分類原則。
SAE標準將自動駕駛技術分為0級、1級、2級、3級、4級、5級,共六個級別。
0級自動駕駛人類駕駛員負責動態駕駛任務的所有環節。動態駕駛任務是指控制車輛所采取的行為,可能有些系統會為司機提供幫助,如自動緊急制動系統,甚至在特定情況下進行干預。但是,由于這些系統沒有持續參與完成動態駕駛任務,因此它們還不能稱為自動化系統。
現在路上我們已經很少能看到0級的汽車了,因為0級意味著連ABS防抱死這種最基本的安全配置都沒有。
1級自動駕駛是輔助駕駛系統,能持續提供轉向或加速和制動控制,但只在限制條件和特定情況下提供。自適應巡航控制系統被認為屬于1級自動駕駛:該系統可控制加速和制動,從而使汽車在公路上與前方車輛保持一定距離,但人類駕駛員仍然需要負責駕駛中的所有其他方面。
生活中1級是我們最常見的,比如最基本的ABS,以及在ABS基礎上升級而來的ESP,還有高速路段常用的定速巡航、ACC自適應巡航功能及LKA車道保持輔助,或多或少都是屬于SAE規定的1級。
2級自動駕駛也是輔助駕駛系統,但既提供轉向,也提供加速和制動控制,同樣是在限制條件下提供。由于人類駕駛員需要定時干預,該級別的自動駕駛程度仍然不高。2級和1級最明顯的區別是系統能否同時在車輛橫向和縱向上進行控制。
1級——2級的難點
單獨的橫向控制(車道保持)或縱向控制(ACC等)技術已經十分成熟,那么兩者同時控制時,如何將舒適性做到最優,是該級別遇到的挑戰。
2級別不具備較高級別的自動駕駛功能,需要駕駛員實時監控并做好接管的準備。如何友好的和恰當的交互方式通知駕駛員接管車輛,而不影響到駕駛員的心情,是該級別另一挑戰。
現在能達到2級的車型已經很多了,各大品牌的中高端車型,例如JEEP自由光、沃爾沃等等,當然也包括大名鼎鼎的Tesla,因為2級并沒那么神奇。
3級自動駕駛是真正開始進入實際自動駕駛的級別。該級別的自動駕駛是“有條件的自動駕駛”,這意味著只有在一定條件下自動駕駛系統才能運行。但一旦開始運行,汽車就完全自動駕駛。目前,奧迪A8L就屬于3級自動駕駛。
3級與2級自動駕駛的差異在于自動駕駛的程度:系統運行時,人類駕駛員通常無需進行干預,但仍需在一定程度上保持警惕,以在系統提示需要人類接管時介入,這對于自動駕駛技術來說是一個很大的跨越。
2級——3級“從無到有”的挑戰
特斯拉曾因為傳感器的硬件缺陷,導致車輛與卡車相撞,當時Auto Pilot 1.0的硬件配置很難處理特殊路況,比如交叉路口。正是因為傳感器感知缺陷這種因素的存在,整車廠做自動駕駛時就顯得尤為保守,要么增加傳感器以加強感知能力,比如全新奧迪A8加的四線激光雷達;要么就通過監視駕駛員的面部狀態,確保駕駛員實時觀測著前方路況,比如凱迪拉克CT6。
4級自動駕駛屬于高度自動駕駛。一般來說,我們使用4級自動駕駛來描述完全自動駕駛的系統。除了某些特殊情況,一般無需人類干預。依靠特殊地圖工作的自動駕駛汽車屬于4級自動駕駛:只要是有地圖的地方,這類汽車都能實現完全自動駕駛,而無需人類干預,但并非在任何地方都能自動駕駛。
3級——4級“不全面到全面”的挑戰
高精度地圖采集在國外并不是難事,但在國內因為國防等因素不是一般的難辦。除了大家耳熟能詳的BAT有地圖測繪資質外,國內有測繪資質的圖商寥寥無幾。
激光雷達的成本短期內還降不下來,這也是4級自動駕駛汽車還未普及的重要原因之一。Waymo在去年宣布將激光雷達成本降低90%,激光雷達廠商Velodyne在今年年初也宣布,16線激光雷達從大約7999美元的售價降至3999美元,雖然價格仍然不菲,但低成本是未來普及自動駕駛汽車的必然趨勢。
4級自動駕駛技術對算法的準確性和精確性要求更高,甚至超過人類的認知水平,這就需要的是極具魯棒性的算法和穩定的計算平臺,只有這樣才能確保自動駕駛汽車即使遇到突發情況也能較好應對。
法律法規問題從自動駕駛概念出來以后就一直討論不休,到目前也只有少數地區允許自動駕駛汽車上路行駛,并規定駕駛員必須保留車輛的控制權。如果要實現完全自動駕駛,這一法規就必須修正,并且對自動駕駛車輛出現的事故責任做好劃分,明確不同場景下交通參與者的相關責任,如果僅僅簡單的將責任從駕駛員轉移到生產廠商,怕是大多數企業都會保守應對。
5級自動駕駛屬于完全自動駕駛,只要是人類能夠駕駛的地方,該類型汽車都能駕駛。只要有可通行的道路,這種車能去任何地方,任何時候都無需人類駕駛員干預。
4級——5級“不完美到完美”的挑戰
五級難度首先來自于感知,雖然有多種傳感器,但這些傳感器輸出大量原始數據。普通人看攝像頭和激光雷達的數據很容易識別出里面的內容,但電腦就很困難。普通的模式識別識別率會很快達到瓶頸,這時候就需要深度學習,需要大量的數據進行訓練,而當今深度學習以及人工智能并沒有給識別工作帶來質的飛躍。很多顯而易見的場景,電腦就是認不出來。同時當數據量增多時,計算的時間也會延長,系統響應變慢,這就導致這些無人車只能低速行駛。
另一大難題是決策控制,主流方式是專家系統,把所有的經驗進行總結,歸納為代碼。但現實中的駕駛場景變化莫測,遇到沒見過的場景可能就無響應了。人工智能成為解決問題的唯一希望,但純靠人工智能進行決策控制還不太現實,因為需要大量數據進行訓練。最佳的方式是專家系統與人工智能結合,但如果結合是目前的難點。
五級的自動駕駛汽車是不需要方向盤的,如果現在讓你去乘坐一輛沒有方向盤的汽車,而且不能接管操作,我相信大家心里多少都會感覺不安。因此人類的接納程度也是自動駕駛普及的一個大難點,需要時間建立信任。
自動駕駛技術十分依賴高精度電子地圖,所用到的電子地圖一定要確保實時且易于更新。未來每一輛在路上行駛的自動駕駛車,不僅是用于正常通勤,同時也是地圖信息的采集車,實時將當前地圖信息反饋至云端供其他自動駕駛汽車使用。
總結:綜上所述要實現自動駕駛量產與更高級別的程度可謂是困難重重,但各方參與者都已經開始行動,大量的公司加大對自動駕駛技術的研究,政府部門開始推行部分區域自動駕駛測試和示范區,保險公司和法律相關人士也開始研究責任劃分問題,由此可見自動駕駛的前景還是可以期待的。
評論