棋類模擬

我們不妨來做個模擬,把城市道路做虛擬的網(wǎng)格化處理,那么其勾連出來的交通網(wǎng)就如同棋盤一般,道路之上正在行進中的全自動駕駛車輛,則是棋子。

不妨我們再把道路上行駛的各種型號的無人駕駛汽車的加權(quán)屬性抹掉,抽象為一個個的點,那么這個局面就很像下圍棋了。

這種模擬下圍棋的算法應(yīng)用到全自動駕駛行業(yè)中,會給人以無限的樂觀感,因為3年前圍棋界的人工智能AlphaGo通過價值網(wǎng)絡(luò)的精確估值,避免了海量終局模擬和窮舉法,實現(xiàn)了吊打一切人類高手的突破。

與圍棋人工智能類似的是,現(xiàn)實世界的全自動人工駕駛模擬,是建立在一個“準(zhǔn)虛擬空間”中的,目前還無法實現(xiàn)全方位的現(xiàn)實模擬,有高度精確的地圖指引,相對健全和經(jīng)過優(yōu)化的路標(biāo)路面,以及較為同質(zhì)化的行駛規(guī)則為前提,某一段精選的高速公路或者園區(qū)路況成為國內(nèi)外測試無人駕駛技術(shù)的主要試驗田。

在美版知乎quora上一個高贊無人駕駛的用戶體驗:當(dāng)綠燈亮起,車需要右轉(zhuǎn)的時候,右側(cè)的行人和無人駕駛車輛出現(xiàn)了同時等待對方發(fā)出指令的情況,雙方都需要對方的反應(yīng)才能做出走或者停的判斷,一下子尬住了。

但由于不同車輛潛在的造成交通事故的概率而論,我們不能像圍棋那樣對子力做平均化的模塊化處理,而是必須采用“圍棋+象棋”的推演模式:對不同子力進行加權(quán)評估。

2019年上半年,上�！皟煽鸵晃！避嚲�事故率0．32起,萬車死亡率達21．4人,是家用小轎車的4倍左右,那么,一旦發(fā)生擁堵,當(dāng)然無人駕駛汽車前面的若是一輛渣土車,那么系統(tǒng)評估下來危險系數(shù)起評分乘以4,應(yīng)該并不過分。所以,無人駕駛技術(shù)所依靠的傳感器、雷達等必須要有精準(zhǔn)識別“路障”的功能。

安全第一,但安全并不是終極目的

對于剛學(xué)會開車的新手來說,安全第一是一條黃金法則,但老司機們會對通行效率有深刻體會,他們會在保持安全,并且在豐富的預(yù)判危險的經(jīng)驗基礎(chǔ)上盡可能提升通行效率。

車距感、后視鏡的寬度,如果遇到路面上不經(jīng)意出現(xiàn)的石子、樹枝,采取何種時速選擇碾壓還是避讓,危險來臨之時,到底加速避讓還是剎車避讓……這一系列的精準(zhǔn)判斷,都建立在長時間對復(fù)雜路況實操的基礎(chǔ)上。

小黑之前報道過,前一段時間,特斯拉無人駕駛車在臺灣發(fā)生了交通事故,傳感器未能及時識別路障,剎車時已經(jīng)晚了

最后,小黑還需自我辯解一下,本文絕無抨擊大貨車和電動車扯了城市交通后腿的意思,他們是城市交通中“乘風(fēng)破浪的姐姐”,生命力極其頑強,本文只是想借此對一線城市路況復(fù)雜度做一個切片式的樣本分析。

總之,全自動駕駛技術(shù)若想從農(nóng)機產(chǎn)品應(yīng)用(其應(yīng)用原理和無人駕駛軌道交通很類似)或者某些特定商用中走出來,朝著有真正煙火氣的方向前進,必須要從“識車而不識路”的窠臼中走出來。