目前汽車行業正在經歷著一場巨大的變革，隨著技術的發展，未來10年的變化將超過過去50年的發展。其中最大的一個改變就是半自動和全自動車輛，也就是我們常說的自動駕駛汽車。變革的程度仍然取決于每個人認識的程度，自動駕駛汽車會是汽車行業的最大破壞者嗎？還是汽車行業變革過程中一個關鍵的節點？

自動駕駛汽車的發展是循序漸進的，我們需要不斷達到各種階段或者里程碑。但是目前我們可以預測到這個發展軌跡是2016年的輔助駕駛、2021年自動駕駛、2025年全自動汽車的出現。

我們為什么需要自動駕駛汽車？

一個重要的問題就是我們為什么要轉向自動駕駛汽車？當然我們能夠列舉出非常多的關鍵原因。依我來看最重要的原因就是城市化的增長所帶來的擁堵，需要降低車輛事故以及相關代價，不斷增加的污染，居民汽車擁有率的變化。下面讓我們詳細了解一下各個方面。

交通擁堵

交通擁堵的經濟發展的巨大阻礙，就以美國為例每年人均花費在交通擁堵的時間超過43小時，這些時間明顯可以用于其他的事情。在很多大型城市，人們出行的速度被大大降低了，在某些城市甚至還不如一百年前人們采用馬和馬車的出行方式。而且研究還發現在城市里超過30%的行駛是用來尋找停車位，這個過程可以用自動化的方式或者無人駕駛汽車來緩解。未來的自動駕駛汽車能夠讓乘客下車，然后搭載新的乘客，這樣就能夠在任何時間降低道路上汽車的數量，同時減少對停車位的需求。

交通事故死亡率

目前全世界范圍內因為交通事故死亡的人數接近120萬。根據不同的國家，清理道路事故的成本占GDP的2%到20%。歐盟已經制定了一個目標，即2025年之前將歐洲大陸因交通事故死亡的人數降低50%。這會給GDP帶來非常好的影響，這樣更多的資金可以用于升級道路網路以及安裝智能基礎設施。波士頓咨詢集團最新研究表明一些先進的技術如ADAS（高級駕駛輔助系統）如果被廣泛采用，那么每年能夠挽救數千條生命且節省2510億美元。

污染問題

空氣污染是全世界范圍內導致死亡的重大誘因之一，尤其在低收入經濟的國家。我們可以看到像北京、上海和德里這樣的城市正在實施非常嚴厲的措施來限制污染——比如在奇數天才可以使用汽車、通過給車主補償淘汰老舊汽車。柴油汽車正日益被取締，因為它的尾氣排放會導致嚴重的呼吸問題。因此中國正在優先推廣新能源汽車來嚴格控制市中心的污染水平。

美國智能交通協會的一份研究報告指出隨著自動化和聯網汽車這些技術不斷的滲入市場，在未來十年內每年會使石油的消耗和相關溫室氣體的排放降低2%到4%。事實上交通運輸系統降低碳排放的唯一方式就是采用低碳能源或者全部采用電驅動的汽車。然而在那一天到來之前，自動化和聯網汽車會在一定程度上幫助我們降低污染水平。

汽車擁有率

未來城市的汽車擁有率也會有所降低，人們也不會那么看重擁有汽車除了某些新興的市場。如果汽車使用能夠被分析，那么我們就會發現汽車每天的使用時間少于一個小時。也就是說每天23小時的汽車保險、折舊和成本都浪費在駕駛之外或者停車場內。一些新型公司已經開始介入這部分市場，例如Uber、BlaBlaCar和Lyft公司開始提供低成本的汽車出行服務。

所有這些問題的解決都需要政府層面的支持，通過自動駕駛汽車，我們完全可以找到可行的解決方案。

自動駕駛汽車有哪些幫助？

首先我們先明確自動化程度的定義（如下圖所示）。Level 0就是我們現在所處的階段，Level 1集成了一些ADAS（高級駕駛輔助系統）功能，除此之外Level 2實現了自動緊急制動功能。當然我們很快會過渡到Level 4和Level 5，2021年隨著很多汽車生產商的第一批Level 4/Level 5車型的上市，它們會大肆宣傳可能會廣泛應用于城市內的自動出租車。

我們預測直到2025年大眾用戶才能夠購買全自動汽車。然而，汽車行業是一個非常多邊的市場，自動駕駛汽車的巨大效益會帶動很多方面，因此這個時間節點可能會提前。

政府方面的法律法規、合法性的審批時間以及大眾的接受程度對于自動駕駛汽車市場都是至關重要的。同時我們也要對大眾增加更多的指導能夠讓他們接受自動駕駛汽車這個新興的產品，并且愿意使用它。

關鍵的一步就是自動出租車，如果大眾接受了自動出租車，完全靠機器來駕駛，那么他們很可能會有擁有一輛的想法并且在日常生活中使用——最終他們會認識到自動駕駛汽車是安全可行的。

圖：自動駕駛汽車分級

推動自動駕駛汽車發展的一個關鍵技術是人工智能的一個分支，即我們熟悉的計算機視覺。自動駕駛汽車的主要傳感器是前置攝像頭和激光雷達系統，然而，提取出的巨大有用信息則是通過攝像機子系統來實現的。

視覺處理對于自動駕駛汽車的重要性

視覺處理多年來一直存在于卷積神經網絡的應用中，這些算法能夠從傳感器的輸入的數據提取有用的信息。對于場景的分析CNN是非常高效的，能夠分辨出很多對象如汽車、人、動物、道路標志、道路交叉點、路邊標志（物體），能夠確定場景中的相關現實對象。所有這些操作都是實時的，只要傳感器部分設置完成后，后續的融合/決策操作就會發生。無論是一個還是所有傳感器（LIDAR（激光探測與測量）、雷達、攝像頭、紅外傳感器）的輸入數據有所改變，系統就會立刻做出最佳的決策。比如剎車的場景（遠超過駕駛員的反應時間），汽車自動駕駛系統會立刻分析距離、感應速度，做出剎車操作的反應時間是任何人為操作所不能及的。

CNN的網絡部分是由很多“層”來組成的，將圖像識別的問題進行分解——從邊沿、角落、圓圈的查找逐漸能夠辨別道路標志，進而能夠識別道路標志的意思。為了能夠讓這個網絡正常工作需要經歷一系列的訓練階段，輸入大量相關圖像的數據集，這樣CNN才能夠學習辨別各種物體。通過數據集的學習這個網絡會設置不同的權重。訓練過程屬于計算密集型操作，可能會持續數個小時或者幾天。

即使這個網絡系統部署在汽車上了，它也是會不斷的進行訓練推理，這樣能夠讓網絡學習不同的實時場景，更新權重系數，提供更加精確的決策。通過訓練掌握了大量的標志識別，CNN能夠提取出有用的信息并反饋給決策層，這樣從LIDAR、雷達和攝像頭輸入的傳感器數據能夠實現融合和場景分析，最后讓汽車做出正確的反應。

這一列的決策可以顯示在汽車的顯示屏上或者對汽車操作進行實際的干預，比如剎車或者變道。

展望未來

汽車應用中CNN技術的使用會迅速促進基于攝像頭的自動駕駛方案的發展，建立新的自動駕駛規范。未來更少更高效的出行將會使得交通事故更少、更低的交通事故死亡率和更少的環境污染，與此同時減少交通擁堵，汽車共享，通過車與車之間的互聯通信使得交通系統更加的高效，這一切都預示著全球社會將擁有一個更加光明的未來。