智能駕駛三大層級 別再傻傻分不清

當我們談論無人駕駛時，經常會將“無人駕駛”、“自動駕駛”與“駕駛輔助”混淆，認為三者之間是可替代的關系。其實不然，它們分別代表了不同級別的自動駕駛技術。

駕駛輔助

駕駛輔助包括不少功能，其中比較有代表性的比如自適應定速巡航（也就是ACC），是用于定速跟車前進；又比如車道保持，能夠將車輛保持在車道內行駛。這兩者相結合就是最新的堵車駕駛輔助系統，在堵車的情況下，能夠控制車輛的方向和走停。

而自動駕駛除了實現駕駛輔助的基本所有功能外，還可以允許駕駛員將注意力從交通情況和控制車輛中解放出來做其它事情。但是，駕駛員仍需要坐在車里，在自動駕駛系統尚未啟動或者退出時控制車輛。而無人駕駛則可以沒有駕駛員，完全的車輛自主駕駛。

自動駕駛

自動駕駛相比于駕駛輔助，對技術和車輛性能要求更嚴格，主要體現在以下兩個方面。

一方面是需要更好的目標識別算法。駕駛輔助（ADAS）主要作用在于被動式報警，它有一個很重要的衡量指標，就是“誤報率”。“誤報率”如果太高，駕駛員就可能把這一套系統關掉了。

“誤報率”是衡量自動駕駛技術的重要考量，比如，自動駕駛里有一個AFB（自主緊急制動），如果總是誤剎，會對車輛的安全造成威脅。相對于誤報率，漏報率可能并不是駕駛輔助（ADAS）中最重要的一個指標，但當系統從“駕駛輔助”變成“自動駕駛”，漏報率就會降低為零。因為出現一起漏報，可能就會車毀人亡。因此，這些都需要有更好的目標識別算法和多傳感器的融合。

另一方面，視覺和雷達的融合要進一步提升。不久前，特斯拉的輔助駕駛撞上了一輛橫著的拖車。出現這種情況，就說明了視覺和雷達的重要性。首先，特斯拉Autopilot用的車輛識別技術還比較原始，它基本上只能能看到本車道或相鄰車道的車尾，并且，由于車尾下有陰影和車燈，這些特征使得在夜晚也能比較清晰的識別出來。但是在這次事故中，特斯拉撞上了一輛橫著的車，這個車的色彩很難跟背景區分開來。因此，視覺這一方面是需要進一步提升的。

在這起車禍中，為什么雷達沒有探測到那輛拖車呢？特斯拉方面的回應是，雷達確實探測到了這輛車，但是把它歸類成為了橫跨馬路的道路標志。從普通的雷達算法的角度上說，是希望在靠近的時候能夠做出更準確的判斷。但是，這個拖車的底盤非常高，而雷達安裝的位置比較低，所以靠近的時候并沒有被發現。實際上更早的時候也出現過特斯拉的雷達沒有判斷出前面較高底盤的車的情況。所以，雷達和視覺方面也需要提升，才能更好的去做自動駕駛。

隨著硬件和算法的發展，上述問題正在逐一得到改善。深度學習的目標識別算法能夠大大提升目標識別的精確度，但是，目前，深度學習的識別中，前車需要露出1/3才能夠識別出來。因此，自動駕駛的視覺雷達就能夠填補它的缺點，但是，如果深度學習和視覺雷達相結合，自動駕駛就能發揮更好的效果。

無人駕駛

無人駕駛技術等級處于最高級，無人駕駛相當于完全的自動駕駛，也就是說在無人駕駛的技術等級下，開車這活完全交給了無人駕駛系統。無人駕駛車輛中或許只有1個啟動/關閉按鈕，當我們每天上車，點擊“啟動”按鈕，將目的地告訴系統，那么車子就會載著你到達你想要的目的地。至于中間行駛過程，怎么走，開多快，都是車說了算，你只需要安心在車內睡覺或者思考問題。

當前，谷歌的無人駕駛車沒有方向盤，也沒有油門，就一個啟動和關閉按鈕，是真正意義上的無人駕駛車。百度的無人駕駛車，嚴格意義上來說是一輛具備高級自動駕駛功能的汽車。

在目前技術水平下，實現無人駕駛技術，還有許多工作要做，主要包括：高精度的地圖定位、強大的認知算法以及軟件架構的安全性保障，任意一個問題都是相當棘手的。按照目前的技術發展，2020年后，限定場景的無人駕駛汽車會量產，但要實現全天候全區域的無人駕駛，起碼十五年以后。

鏈接

輔助駕駛系統的出現比自動駕駛要早得多，輔助駕駛是為了幫助駕駛員對一些特定的緊急情況進行處理；無人駕駛和自動駕駛一定程度上可以劃等號，但這兩者設計的最終目并不是要做到完全不需要人，而是通過改變人與車、人與道路、車與道路之間的關系，使三者彼此之間形成一種信息交互，從而發展為智能網聯汽車，實現車聯網，并且汽車可以進行雷達探測，收集來自道路狀況的反饋，及時作出適當的調整，和駕駛員一起面對復雜的路況。裝有自動駕駛系統的汽車還可以通過云端與其他車輛或者設備進行交互，提供高精準度的地圖，使車輛保持原車道行駛，避免駛入錯誤車道。