．自動駕駛面臨的最大挑戰，竟然是它……

Go for a Ride in Uber's Autonomous Car

康橋科技 —— 白光攝影機專業廠商！

leiphone 作者：思佳

配備「千里眼」和「最強大腦」，自動駕駛汽車毫無疑問，已經初具無障礙行駛的能力了。

據瞭解，目前，主流自動駕駛汽車對車輛、行人或是動物的辨識準確率日漸提升，這得益於它們裝備的，不同的傳感設備和算法系統。但多數人沒想到的是，道路上那些最輕、最安靜、最靈活的小車，可能成為自動駕駛在未來的最大挑戰。

背景：「小」麻煩

「自行車可能成為自動駕駛系統面臨的，最艱難的檢測難題」，來自加州大學伯克利分校的研究工程師Steven Shladover如是說。

加州大學的視覺計算專家Nuno Vasconcelos也表達了類似的觀點，他認為自行車正因相對小巧、靈活並且結構特殊，可能會使自動駕駛汽車面臨一種複雜的計算難題。

「汽車就像一個’龐然大物’，但自行車的質量就小得多，而且它們的外形各不相同——比如不同形狀、不同顏色、不同掛飾等等。」

這也解釋了一個問題，就是為什麼近年來自動駕駛車，對汽車的檢測正確率已經超過了自行車。當然，其中也包括一些算法訓練的原因。目前自動駕駛汽車的路況檢測算法，一大部分是基於圖像的深度學習，而主要的「學習」對象是汽車特徵，自行車則相對較少。

轉機：算法顛覆

話說到這兒，就要祭出一個近期剛剛發佈的神秘算法了。這個「神秘」更多不在於算法本身，而是其頗為有趣的研究團隊陣容。小編瞭解到，去年年底，這幾位研究人員發佈了他們名為「Deep3DBox」的算法論文。

從上圖就看得出，論文由三人合力完成，其中一人來自喬治‧梅森大學，而另外兩位，則來自極盡低調之能，卻被炒得聲名在外的，無人駕駛汽車創業公司Zoox。

瞭解這一領域的人，應該對Zoox多少有所耳聞，這家座落美國矽谷的初創公司，致力於無人駕駛汽車研發。去年10月，一筆高達5000萬融資過後，Zoox身價已經一躍達到了10億美元。雖然Zoox可能壓根兒沒有「外宣」部門，但它的技術員工陣容十分強大，一些資料顯示，部分員工曾供職於谷歌、蘋果、特斯拉等公司。

回到三人共同研發的最新算法「Deep3DBox」，用頗為外行的話解釋，就是這種算法獨創了一種方式，能夠從2D照片中提取3D的目標檢測和姿態估計。測試數據顯示，Deep3DBox能夠辨識89%的車輛，而之前這一記錄保持者（學術方向）的成績是70%。

美國商用數學軟體MATLB中，對上圖提到的「boundingbox」（邊界框）一詞做過定義，即「get the properties of region」，意思是用來度量圖像區域屬性的函數。在許多基於2D圖像的資訊辨識中，都用到過這個函數，例如車牌辨識等等。

在這個背景下，我們就能更直觀地理解圖像辨識中，2D boundingbox 和3D boundingbox的區別。比如，機器人在圖像中用2D boundingbox抓取到一輛汽車，就等於用一個正方形圈出了它，但 3D boundingbox 圈出的卻是一個「立方體」，在空間幾何尺度，3D boundingbox能夠計算出更多的資訊。

現在，Deep3DBox正試圖攻破一個更大的挑戰：那就是依託他們的算法，將目標車輛周圍的2D圖像中的障礙物三維化，以預測車輛的行進路線。

喬治‧梅森大學的電腦科學家 Jana Košecká 解釋說，「深度學習通常，只適用於像素模式下的檢測和辨識，但我們找到了一種方法，能使用類似的手段，評估出幾何層面上的量級。」Košecká 還有一個特殊的身份，那就是Deep3DBox項目的投資人。

瓶頸：自行車難題

Deep3DBox已經較原來的深度學習方式，有了很大改進，但自行車辨識，依然是他們的難題。

團隊發現，每當算法涉及到為自行車定位和定向時，其辨識性能會顯著下降。在基準測試中，算法的目標辨識率僅為74%，即便這已經算得上，同類算法中的最好成績了，但對於自動駕駛汽車的完美運行卻遠遠不夠。

定向測試中，Deep3DBox判斷對車輛判斷的準確率達88%，但針對自行車的成績僅為59%。

Košecka指出，相對而言，商業化的自動駕駛系統，其辨識的準確率會更高，因為它們獲取到了足夠多的道路數據，來訓練它們的系統。

與此同時，大多數路測汽車除了視覺算法，還裝配了如雷射雷達（LiDAR）等傳感器，這些設備雖然無法預測，自行車的行進方向，但也可以幫助自動駕駛汽車辨識它們，並計算相對位置。

之後，高精度地圖又為自動駕駛系統，帶來了更大的便捷。譬如Mobileye野心勃勃的道路管理系統（Road Experience Management，REM），他們試圖打造一種非常精確、非常即時的龐大地圖，同時在每輛車上配備，可以上傳和下載即時地圖數據的軟體，從而達到一種理想狀態——使汽車僅僅依賴導航，就完成自動駕駛。

這非常類似於SLAM（即時定位於地圖構建）的變種，但又遠遠沒有那麼簡單。

上面介紹的地圖，能夠先一步將自行車辨識為道路異常，而後或許再由視覺算法處理。去年，福特汽車聯合5家公司，投資高精度地圖初創公司Civil Maps，研發用於自動駕駛汽車的3D地圖。福特方面已經透露，今年開展路測的自動駕駛汽車，將裝配「高精度3D地圖」。

將上述的技術有機結合，就能夠獲得更加理想的結果，例如谷歌去年剛發佈的「自行車辨識」技術。在新版本的技術中，谷歌提升了無人車對自行車的辨識水準，並加入了自行車車主手勢（表達變換車道、轉向）辨識等新算法，這正是為了避免，其過去無法正確辨識自行車行進情況的問題。

在剛剛落幕不久的2017底特律車展上，谷歌進一步升級了自行車辨識算法，並推出了專門針對自行車的傳感器技術。

商用：忌操之過急

加州大學視覺計算專家Vasconcelos，依然對當下的傳感和自動化技術，能否取代人類保有質疑，但他相信，目前的技術已經能夠幫助人類司機，避免一些事故的發生。

未來，自行車自動檢測和辨識，面向商用化的第一步，很可能就是用於傳統車輛的自動緊急剎車系統（AEB）。目前，AEB系統的功能，已經從單純的車輛檢測，延伸到行人、自行車檢測等更大範疇。

2013年，沃爾沃開始提供第一款，支持自行車檢測的AEB系統，系統搭載了攝影機和雷達等設備，用於潛在的碰撞預警。今年歐洲的公共巴士中，也裝備了類似功能，值得一提的是，歐盟早在四五年前，就發佈規定，要求新車配備AEB系統。

如今，越來越多的車企也在追隨「歐洲模式」，期望將自行車檢測功能加入AEB系統的性能評級中。

也就是說，AEB系統未來的要應對的問題就更複雜了，甚至是和自動駕駛車研發人員面臨相同的挑戰。而這個挑戰，就是「預測障礙物的行進」。

而其中最最嚴苛的要求，莫過於對自行車進行檢測預警的AEB系統，負責歐洲自行車-AEB系統基準測試的高級顧問Op den Camp指出，自行車的移動，幾乎是最難被預測的。

Košecká也同意這個觀點，「自行車的可預測性，比汽車低很多，因為它們很容易突然轉向，或消失在視野中」。

這些觀點都意味著，將自行車排除在人為事故風險之外（美國管理機構數據，94%的交通事故由人為失誤造成）尚需日時。

舊金山自行車聯盟的執行董事Brian Wiedenmeier說，「每個騎自行車的人都在期盼這項技術的到來」，但他也同時表示，應靜待自動化技術成熟再投入使用。

據瞭解，去年12月，Uber曾在加州某試點，測試自動駕駛計程車服務，Wiedenmeier那時就對Uber發出過警告。他指出，這些汽車無視當地專為自行車劃定的車道線，這違背了加州保護自行車騎行者安全的相關法規。

去年底，Uber一路與加州監管部門死扛，加州希望Uber獲得DMV（美國車輛管理局）許可後上路，但Uber無視繼續路測，之後這種行為遭到禁止。

目前，Uber的自動駕駛汽車，仍在亞利桑那州和匹茲堡進行路測，而就在不久前，加州街頭也重現一些Uber路測車的身影，不過消息顯示，這些車輛只被允許收集舊金山街道的測繪地圖數據，並必須保證有人類駕駛員在車內。