美国斯坦福大学计算机科学系终身教授、Google Cloud首席科学家李飞飞在TED上有一期演讲，名为《如何教计算机理解图片》How we are teaching computers to understand picutres，其中介绍了计算机理解图片的方式，其实这也是无人驾驶车辆“看懂”道路和交通的一种方式。

　　1、算法是关键

　　人工智能深度学习技术的大致做法是这样的：计算机通过对标注过的照片的大量学习来大致了解每种物体的含义及其彼此之间的关系。那么，为什么要有1千万公里里程数和1万辆投放数这样的指标呢?因为这与训练机器理解需要的场景数量有关，达不到这样的指标，就无法训练出基本及格的机器。

　　然而，道路上的场景、关系要比照片丰富得多，车辆除了要理解，还要做决策，譬如，在行人众多、缺乏控制的斑马线前，驾驶人会在等待一段时间后慢慢往前推进，形成与行人的相互博弈，但无人驾驶车辆对这样的博弈缺乏足够的算法。在无序的环岛也是如此，如果无人驾驶车辆缺乏足够的博弈能力，会在原地长期等待，反而使得环岛更为混乱。

　　算法是理解的关键，这是目前所有企业都面临的瓶颈，企业间的差距也主要在算法上。

　　2、无人驾驶如何获取信息?

　　算法和信息输入有关，也就是算法获取信息的方式。在信息获取方式方面，辅助驾驶和自动驾驶有很大区别。辅助驾驶采用的是“视觉设备深度学习”为主体的信息获取方式，以较低投入获取最大效益，但存在不精确和受环境约束大的缺点;自动驾驶采用“Lidar自动驾驶地图”为主，视觉辅助深度学习辅助的方式来获取高精度和全天候的信息，不过缺点是昂贵且难以维护。从搭载设备看，辅助驾驶车辆的信息获得数量和能力要明显弱于自动驾驶车辆。因此信息获取设备是辅助驾驶车辆跨越L3到L4级之间鸿沟的制约因素，这个跨越过程将会异常艰难。

　　当然，许多公司推出的无人驾驶车辆虽然搭载了自动驾驶信息获取设备，但只能做辅助驾驶的工作，这应该是算法不过关造成的。

　　二、无人驾驶车辆和网联车等技术是什么关系?

　　和无人驾驶车辆一样，网联车Connected Cars、协同智能运输系统Cooperative Intelligent Transport Systems, C-ITS和出行即服务Mobility as a Service, MaaS也在迅猛发展。媒体经常会混淆这些概念，以为是无人驾驶车辆的组成部分，其实这些技术并不相同，不仅建设主体不同，应用目的也不同。

　　不过，未来这些技术会密切结合在一起，从而改变整个运输系统，甚至改变城市的运营方式。在此简单介绍下它们之间的关系。

　　无论在哪级，无人驾驶车辆都存在盲区，这和人开车一样。Lidar用镭射光立体扫描周边环境来形成实时地图和360度全景立体的地图，把障碍物一个不漏地放进自动驾驶地图，这是比人类开车有优势的地方，但是，和人眼一样，镭射光会被物体遮挡而看不见，从而形成盲区，比如，镭射光看不见建筑物后的车辆和车辆背后的行人。

　　网联车Connected Cars技术可以解决盲区问题。网联车技术通过在路上设置的各种检测设备，将“看到”的信息告诉途经道路车辆。如果安装位置合适，可以“看到”路上所有的情况，一个不漏。无论人工驾驶还是自动驾驶的车辆，都可以用这些信息补足自己的盲区，判断是否会碰到建筑物后的车辆或车辆背后的行人，做出合理决策。

　　协同智能运输系统技术是将各种先进交通系统得到的交通数据整合的技术。协同就是跨平台整理信息、分析数据，得出更全面的结论，譬如将信号灯数据、几公里以外交通情况、道路施工情况、事故情况、周边服务设施和服务能力等诸如此类的“超视距”、“超能力”超能力指能预知前方是否会拥堵，靠交通控制系统来预测并告知自动驾驶车辆的能力信息整合起来告知道路上的车辆。

　　这些工具在与无人驾驶车辆无缝衔接后，将使其看得更多、更远，能力倍增。

　　三、无人驾驶车辆发展前景预计

　　虽然业内比较看好无人驾驶车辆的未来，但即便乐观的观察者也只能提出辅助驾驶的明确时间表，很难确定自动驾驶的时间表。真实道路上的场景过于丰富，使用者之间的意图和关系很难用算法描述，且不同地区之间的文化背景和交通规则差异也很大，都成为了制约无人驾驶车辆发展的不利因素。

　　不过，即便未来并不那么确定，技术投入仍然是值得的，在自动驾驶技术发展过程中产生的各项成果足以让事故一点点降下来，让社会效率一点点升上去。这个过程本身就是一个伟大的过程。

　　我国目前正在大力推动由企业主导的无人驾驶车辆研发。只要经过实事求是的努力，这些国产无人驾驶车辆会很快从试验场地走向现实道路，达到行驶1千万公里里程数和同时运营1万辆车的及格线。