被吹入地的城市领航辅佐驾驶，我劝你少用。

bohezi

原标题：被吹入地的城市领航辅佐驾驶，我劝你少用。  
前一阵特斯拉自动驾驶造假的事件，各位都有所耳闻吧。   
2016 年特斯拉发布了一段视频，外头的 Model X 搭载了 Autopilot 零碎， 全程无人驾驶开到起点，丝滑的一批。   


后果呢，这些画面被曝出都是 剪辑拼接的，特斯拉只是想靠着它 骗一波投资和股价而已。   
我说为啥看着这么科幻呢，原来真的是编的。   
不外，这个在过后极为离谱的功用， 放到当初却其实不难。不信？你看，这是某自主品牌自动驾驶零碎的路试镜头：   


这是另外一个：  


     就连翻车的特斯拉，当初也能部份完成过后吹的牛逼了：   


下面这些可以完成点到点自动驾驶的功用，有个专门的名字叫 NOA （ Navigate On Autopilot ），直译过去就是 “ 导航辅佐自动驾驶 ” 。  
NOA 比来可是太火了。有多火呢，这么说吧， 简直一切新动力品牌，都声称会在往年 OTA 推送 NOA 功用，好比现实、小鹏、极氪等等。   


从大趋向看， NOA 应该就是近几年自动驾驶畛域最煊赫一时的香饽饽了。由于 NOA 的落地，极可能是咱们离所谓 “ 自动驾驶 ” 比来的一次。   
所以，究竟啥是 NOA ？   
NOA ，学名领航辅佐行驶，是目前最合乎 L3 级自动驾驶定义的功用。从直译就可以看出来，它跟导航和自动驾驶多少都沾点。简略来讲，有了 NOA ，咱们只需 在导航上定好终点和起点，车子就可以本人开过来。   


而按照使用场景的不同， NOA 还被分红了两个细分标的目的， 一是高速 NOA ，二是城市 NOA 。   
咱们先来看高速 NOA 。望文生义它的 合用场景是高速行驶。关上当前，车子就能自动实现超车、变道、跟车、上下匝道等操作。   


就比如我们放假开高速回家，平常的做法呢，是在登程前定好导航线路，而后一路听着导航唆使开。   
说简略也简略，说累也是真的累。由于得时辰关注车道和路口怎么走，要是下错高速出口，还得绕一大圈远路。  
而在关上高速 NOA 当前， 只有车子上了高速就能让它彻底本人操作。走哪条道、从哪一个出口高速 NOA 也能提前布局好，走错是不成能走错的。   
下了高速之后，城市 NOA 就该起作用了。  


和高速 NOA 比起来，城市 NOA 可以完成的操作要繁杂许多，相对于会更接近咱们了解中的自动驾驶。   
就好比晚顶峰上班的时分，只需在上车当前定好从公司回家的线路，剩下的交给城市 NOA 就好。遇到堵车，它能让车子在正确的车道上自动跟车、并线；遇到十字路口，它能按照红绿灯的状况平安经过；乃至，在到家了当前，还能找到车位并停好。  
出租车：我收费了！  
不外，虽然 NOA 看着很美妙，想要做好却其实不简略。  
拆开看， NOA 其实就是一些罕用功用的组合。  
好比高速 NOA ，就是自顺应续航、车道放弃和自动变道等功用的叠加。这些技术曾经对比成熟，所以，它的 完成难度其实不高。   


但城市 NOA 则彻底不是一个 LEVEL ，难度，超级大。 由于 城市 NOA 需求处置的场景不只量大，还常常不按常理出牌。  
就好比，路口，纷歧定是横平竖直的，有多是奇形怪状的。行人也不是始终都在人行道上走，还有可能忽然窜出来一只狗啥的...  
这，大略就是乱纪元吧（ 来自周文王的确定 ）...   
这么说可能不太直观，咱们来看看比较。这是高速 NOA 眼中的路况， 简略宽敞，轻松工笔：   


而这，是城市 NOA 眼中的路况， 肉眼可见的难度 Max ：  


想要搞定这样的环境，首先得包管尽量 “ 看清 ” 周边环境是个啥状况，其次还得高效地处置剖析外面的信息，而后能力告知车辆应该怎么操作。  
所以呢，一样是功用叠加，城市 NOA 需求的是 高精度感知硬件当 “ 眼睛 ” 、高算力芯片当 “ 大脑 ” 以及公道的软件算法当 “ 逻辑 ” 。三者一起发力，能力包管零碎平安运转。   


这么一看，假如说高速 NOA 是智能驾驶的高考，那城市 NOA 绝对就是奥赛程度了。  
而奥赛的最初一道大题，无疑就是数据采集。  
既然是奥赛，那确定就得备考。目前想要完成自动驾驶，需求经过 AI 学习的形式。也就是让它理解人们的驾驶习气，而后再上手操作。   
其实就是 先看书，再考试。NOA 面前也是这个情理。   
但问题就在于，书上的常识从哪来。   


大部份厂家的做法呢，是 先把AI 放到摹拟环境里练上一段时间，相似于考驾照的时分会先让学员在驾驶摹拟器里开上一会，然后再上路测试。   
乃至，还有公司用 阿谁游戏来验证自动驾驶的算法。   


就离谱。   
这样做，也的确能在短期内获取至关多的摹拟数据，尽快搭建起自动驾驶零碎的根底。  
就好比美国的自动驾驶公司 Waymo ，截至目前就曾经累积了接近 200 亿千米的摹拟训练数据。  
比拟之下，理想路途的行驶仅有 1600 多万千米，很显著 前者的效力要高很多。   
摹拟测试乍一看挺公道，却存在着一个十分致命的问题，那就是它 无奈彻底再现理想世界的状况。  
举个例子，按理来讲在宽阔路途上，一切车都应该按车道后退。诶，但有时分就会有车忽然变道给你来上个惊吓↓   


再好比，本应阻止行人经过的机动车道，有时分也会忽然窜出人来↓  


这种对比极端事情，被称作 Corner Case 长尾事情。它们极少泛起，但一定会泛起，还不知道会怎么泛起。关于照着书本答题的自动驾驶来讲，这的确有点超纲。   
最有代表性的例子，就是 2018 年 UBER 无人车的变乱。  




想要对比好地解决长尾场景，也只要一个土方法：碰上了再说。这就象征着不论摹拟多久，仍是得尽量多的上路测试。   
但由于实际路测的效力较低，所以关于目前的自动驾驶而言， “ 高效的方法分歧理，公道的办法不高效 ” 是一个致命的死循环。   
所以，即便是像 NOA 这样 “ 有前提的自动驾驶 ” ，想要完成平安地让车辆自主操作，也是一定需求通过长期、少量的实际路测能力阅历尽量多的极端状况。  
说究竟，这是个时间问题。  


为了搞定数据问题，车企们天然也是各显神通。   


就好比特斯拉就用上了 “ 人海战术 ” ，每一个台车都配有 “ 影子模式 ” ，能在日常驾驶中采集信息、学习驾驶习气。   
由于保有量微小，特斯拉可以在短期内采集到少量的驾驶数据，训练模型的迭代速度也能相对于晋升。  
而在数量上不占劣势的品牌，就会在效力上做文章。   


好比蔚来的思绪就是 “ 算得快 ” ，愣是往一台车里塞了四块 256 TOPS 算力的英伟达 Orin 芯片，大幅进步了单车的信息处置才能。   
小鹏呢，则是用了 XNet 感知架构让数据标注的速度大幅放慢，宣称能用 16.7 天就实现 2000 人的年标注量，也就是让 AI “ 学得快 ” 。   
然而这些办法，说究竟仍是让自动驾驶这个时间问题中的时间，变得更短、更快一些。但是强如 Waymo 这样的自动驾驶领军公司， 目前也没有彻底解决处更是路况下，自动驾驶牢靠性与不乱性的困难。  


说白了， NOA ，特别是城市 NOA ，是一个真正需求时间积淀的技术。不光是由于它的繁杂，更是由于它是最接近自动驾驶的技术。   
自动驾驶的初衷，是帮忙人们减缓驾驶的疲劳、晋升出行的方便。而这，是以 100% 的牢靠与平安为根底的。   
脖子哥想说的是，无论鼓吹话术如许天花乱坠，不论所谓的解决计划如许先进， 厂商们假如无奈包管长尾场景的全掩盖，不克不及让人们完全安心地交出标的目的盘，  
那末现阶段的城市 NOA ，就只是一个不如不必的、分歧格的功用。  
焦急忙慌寻求落地，终究挫伤的也只能是车主和品牌的利益。  
99.99%=0 。 平安的规范啊，就是这么高。   
撰文：致命空枪 编纂：脖子右拧 封面：杨总  
图片材料来源：  
特斯拉自动驾驶鼓吹实锤 “ 大骗局 ” ，马斯克亲身带队造假！  
Uber 无人车变乱考察闭幕：一场「 报酬 」的悲剧