自动驾驶行业里一个主流的假设是“一切移动工具都将能够自主移动”，说的不仅是汽车，还包括路上跑的卡车、天上飞的无人机、购物车、甚至玩具车都将变成自动驾驶的车辆，直到人类对驾驶的插手成为初级、无必要、甚至非法的动作。
美国汽车工程师协会提出了自动驾驶的6个等级的分类系统：
Level 0：完全无自动
这层很好理解，就是驾驶人需要完全掌控车辆。
Level 1：驾驶辅助
今天的汽车基本上都处于这一级别，驾驶辅助汽车是指装有防抱死刹车和定速巡航装置等的汽车，这些装置可以接管驾驶中一些非关键性的操作。
Level 2：部分自动化
自动驾驶系统可以在特定的情形下接管控制汽车，但驾驶人需要随时监控着系统。这种情况适用于高速公路，汽车可以在高速公路上自动驾驶，驾驶人只需坐在旁边看着。
Level 3：有条件自动化
这一等级的自动驾驶意味着驾驶人不必一直监视系统，但要处于随时能够接管操作系统的状态。也就是说，驾驶人不需要一直把手放在方向盘上，但是在系统识别到紧急情况并发出警报时，人类驾驶员需要马上接管。
Level 4：高度自动化
当汽车能够自动停车就到达 Level 4了。这一等级的自动驾驶汽车在特定的使用情形或旅途的某一段路上，完全不需要驾驶人操作。
Level 5：完全自动化
这一等级的自动驾驶汽车，系统能在整个旅程中自动处理所有的情况，完全不需要人的介入，这也意味着坐在车上的人并没有选择的余地。
下一个问题是哪些硬件能让我们到达 Level 5，是需要新的传感器，还是在现有的基础上进行改进？
像 Google 这样的公司都依赖 LIDAR 技术，即激光雷达，是一种使用脉冲激光测量与周围目标的距离（可变距离）的光学遥感技术。
3D 激光地图与摄像头和智能软件相结合，已经足以让汽车在不需要人类驾驶员的情况下在道路上自主行驶。
目前实现的是 Waymo 把激光雷达的成本降至 7500 美元，激光雷达的高昂价格一直是自动驾驶技术在工业上大规模推广的主要障碍。不过也有一些固态激光雷达成本最终能低至 250 美元。
那么，能够计算 3D 空间的立体相机（stereo camera）如何呢？这种相机能够让人们避免互相互相碰撞，利用到车上面，几乎具有 LIDAR 所能提供的所有好处，而成本并没有 LIDAR 那么高。
人人都使用的谷歌地图、Apple 地图等已经有非常高的分辨率，能让人们无障碍地在城市道路上穿行。但对于自动驾驶汽车来说，这样的分辨率仍然是不够的。
这些地图可能缺失的信息包括：
-
哪里是拐弯处
-
哪里有路障
-
什么时候需要打远光灯
普通的地图也丢失了其他所有类型的微分辨率细节。因为我们人类不关心这些，当前的这些地图是为人类而非机器设计的。
那么，我们需要特意为自主车辆设计单独的预计算地图（precomputed maps）吗？答案显然是肯定的，但谁来做，做的成本是多少？以及在这个空间是否有垄断的机会？这是个还没有人问过的有趣问题。因为在不远的将来我们就可能到达 Level 5，到那时你已经没有选择，没法选择自己去驾驶车辆——你不得不完全依赖驱动自动驾驶汽车的基础架构。
我们会看到预计算地图的成本降低？这将允许自动驾驶汽车以一定的低速度、维持一定的安全水平自主驾驶。
那么，谁将管理这个有潜在危险的灰色地带？
这也有能耗的影响，因为你不得不依赖后备箱里的超级计算机来处理这些复杂的、数以百万计的参数预计算高精地图，而这会消耗大量的能耗。
深度学习很热，但机器人以及路径搜索（path finding）等其他领域也有一些成就，不应该被忽视。这些方法之间主要的区别是系统是从以前的经验/数据集学习，还是仅基于硬线逻辑（hardwired logic）或规则进行决策。
实际上，波士顿动力机器人也没有使用任何的机器学习，但仍让人们深感震撼。
尽管那些直接编程的规则可能无法击败利用深度学习算法的 AlphaGo，但它们可以与机器学习的最新进展相结合，提供更好的结果。
机器学习需要用非常大量的数据集来学习，这些数据集包含以前的经验、正确驾驶行为的例子以及环境数据。
这里的问题是，在真实道路上行驶的真实汽车的数据与从模拟环境中得来的数据之间存在差距。实际上，已经有一些使用模拟环境（例如Open AI的Universe平台）来简化这种学习过程的尝试。
那么，我们能确保使用模拟环境训练的算法得到与真实世界中相同的预测吗？使用虚拟世界的平台可以模拟更多的情况，但考虑到预计算地图的精度和颗粒度，这些模拟的情况有多少是准确的呢？
V2X是一种能让车辆与交通系统中周围的移动物进行通信的技术。V2V技术，也就是 vehicle to vehicle，是让车辆与它周围的车辆通信的技术。
V2X的使用情形包括：当周围没有其他汽车，而你的车在红绿灯前等了超过5分钟，这时自动驾驶系统就可以与红绿灯通信；又如在更危险的情况下，车辆之间需要紧急传递前方车祸之类的紧急情况。
最近有一则关于特斯拉的高级辅助驾驶系统避开一起车祸的视频，让V2X这项技术特别令人关注。时间在去年12月27日，车主开着特斯拉的 Model X 行驶在高速公路上。视频显示，车辆突然发出警报并全力刹车，在警报声响起约1秒后，前方一辆红车猛烈追尾更前方的一台黑色车辆，红车翻倒在路边，黑车严重损毁停在路上，而 Model X 已经在后边安全停下。车主称在警报响起的同时，自己还没反应过来车辆已经自动刹车，从而避免了事故。
想象一下，假如道路上的所有车辆都能够和周围环境在有需要时进行通信，可以避免多少事故。
这里主要的问题是协议兼容性和通信的效率，因为这样的决策往往是在毫秒内进行的，并没有时间由于通信中“语言”的不同进行额外的运算。
这是一种实现美好未来的技术，不过没有计划将其作为第一代的完全自动驾驶车辆。
十字路口的交通信号灯十分恼人，假如汽车之间能够相互通信了，而且实现了完全自动驾驶，那么为什么不能取消交通灯呢？可能一开始会显得十分无序，不过，互联网数据包不也是以这样的方式移动的嘛？
这可能会造成需要为交叉路口设计智能的排列算法和严格的监控，但这完全是值得的，因为它将带来交通效率的极大提升。
每个城市都有不同的驾驶文化，所以自动驾驶汽车应该怎样处理各种不同的行驶路况呢？比如说，在印度班加罗尔是很安全的驾驶方式，到了美国波士顿可能会引发交通瘫痪。
“本地化”（localization）是一个计算机科学的术语，意思是软件以某种方式为不同的执行环境做好准备。那么用到自动驾驶领域，可以采用哪些形式进行本地化呢？有专为各个不同城市设计的不同类型的算法吗？我们会有适应各个城市的不同驾驶习惯的算法，比如波士顿版、班加罗尔版，等等？还是有一个通用的算法，只要花更多的时间熟悉路况，就能适应任何环境？
这就涉及到完全是另外一个领域的研究了，涉及通过观察周围的人和物的行为，创建新的学习规则。通过学习社会习俗和典型的人类行为，自动驾驶汽车应该能够表现得更好。
这里提出的一个主要假设是，现在的大车厂拥有最容易成功的方法，因为它们已经在造车，具有所有必要的基础设施。
这些汽车制造商纷纷在硅谷设立办公室，积极搜罗人才以更快地推动创新，因为他们知道自动驾驶汽车的实现主要还是软件的问题。但硅谷本地的汽车公司也有机会，例如特斯拉。中国的很多汽车制造商以及百度等技术公司也都非常积极地在推动这个领域，值得关注。
假如我们作为消费者，将从汽车制造商那里购买汽车的习惯转变为从 Uber、Lyft 这些公司购买出行服务，那么整个出行市场的方向将会发生完全的转变。
这会使得汽车行业变得更像航空业，你不会去选要乘哪架飞机，而是选择哪一家航空公司。
这将导致车企转型为B2B，而不是B2C的企业，汽车制造商的客户会变成 Uber 这些服务提供商。
假如所有汽车都变成完全自动驾驶汽车，事故率将变成0。因为大多数的交通事故都是人为原因，25起事故中24起都是人为错误引起的，比如超速、疲劳驾驶、醉驾、闯红灯，等等。
但假如是自主汽车和普通汽车一半一半的混合状态会是怎样？由于仍然有一部分汽车是人操作的，可能会导致的意外事故是我们从未经历过的。
假如从统计学上来说，算法真的比人类司机更好，那么就不应该让人类开车。但还是会有很多人喜欢开车，开车可能变成一个有趣的娱乐活动，但我们可不希望人类开的车行驶在路上。
有一个观点是，通勤将变得需要更长时间，因为不管通勤需要多长时间对人们来说无关紧要了。到了所有汽车都完全自主的时候，没有交通灯，不会发生事故，在通勤路上人们可以做任何事情。
甚至可以在通勤路上睡觉，就像在火车或者飞机上可以睡觉一样。通勤的过程肯定会变得更加舒适。
另一方面，这也会释放更多的空间（停车场、汽车修理店），因此人们会住到离工作地点更近的地方，通勤的距离会缩短。
自动驾驶将带来非常多的效应，但现在是不可能预测的。可以确定的是，它肯定将改变我们的社会，并创造前所未有的获利机会。
自动驾驶技术将会改变的一个行业是保险业。现在车险的价格是用一个函数计算的，会考虑你的人口统计学数据，你的车的价格，以及你的居住地等等。但到了新的自动驾驶的时代，保险公司需要考虑的是哪些因素呢？算法的效率会成为核心的指标吗？会考虑汽车经理？汽车制造商？还是继续考虑购买或租赁汽车的车主？
以及，维修成本如何算？因为自动驾驶一定会使事故减少，可是修理汽车的激光系统、预计算地图、超级计算机分析器，以及其他的昂贵硬件，会有多复杂？
一些在造自动驾驶汽车的参与者预测说完全自主的汽车将出现在 2020~2040年。我们将在有生之年见到这个美好世界，问题是我们需要做好充分的准备。
文章转自新智元公众号，原文链接
