现如今，人工智能的发展是如火如荼，那么，在这一背景下，自动驾驶技术与产业又是怎样的一番光景呢？在6月21日下午举行的雷克大会之人工智能产业创新峰会上，清华大学智能技术与系统国家重点实验室教授、博导邓志东结合自动驾驶技术的现状，系统地阐述了人工智能加速自动驾驶技术与产业的发展。
回顾自动驾驶汽车的发展历程，从早期美国DARPA的Grand Challenge (2004, 2005)和Urban Challenge (2007)，到谷歌的无人驾驶汽车，再到德国的MIG无人驾驶汽车和意大利帕尔玛大学的BRAiVE自主车，经过10多年的不断演进，自动驾驶技术的发展已经日渐成熟。我国的自动驾驶技术，始自20世纪80年代末，在国家“863”计划的支持下，启动了具有遥控驾驶功能的室外防核化侦察车的研制。从“八五”到“十五”，我国先后研制了三代“半自主”地面测试样车，缩短了与国外同期先进水平的技术差距。自2009年开始，国家自然科学基金委员会正式启动了“视听觉信息的认知计算”重大研究计划，特别是连续举办了八届“中国智能车未来挑战赛”，极大地提升了中国自动驾驶汽车的研发水平。随着技术路径的走通和人工智能等前沿技术的发展，由科研主导的、不计成本的自动驾驶的第一幕已经开始谢幕，而以市场为主导、以企业为主体的、追求量产和商业模式的第二幕已开始精彩上演。
目前，世界范围内致力于自动驾驶产品研发的企业主要包括：
一是老车企：例如福特、雷诺-日产、戴姆勒-梅赛德斯、大众、宝马等；国内如长安、奇瑞、长城、北汽、广汽、上汽和比亚迪等；二是新车企：比如特斯拉、蔚来、奇点、小鹏、乐视、车和家等； 除了新老车企之外，第三类就是跨界科技企业：（巨头）谷歌Waymo，Uber，Apple，百度，腾讯，华为；（初创企业）驭势科技、智行者、地平线、图森、商汤科技等。这些都是在自动驾驶领域表现非常优秀的IT企业。
此外，在汽车行业，电动化、信息化、智能化和共享化的趋势非常明显。首先是电动化，德国政府已宣布2030年后将禁止燃油汽车上路，而在我国，2016年10月8日国务院常务会议决定，原则上不再核准新建传统燃油汽车生产企业。汽车的信息化包括数字化/软件化和网联化/总线化，这是智能化的基础和条件。目前采用OTA（空中下载技术）和软件定义升级的趋势已经非常明显。最后，共享无人驾驶与智能增值服务已经成为终极目标，而共享无人驾驶汽车作为智能移动终端，或成为智能网联的节点，必将推动共享经济和智慧城市的发展。
交通事故、交通拥堵、环境污染和能源危机一直是汽车社会的四大公害。而无人驾驶汽车的到来可使安全、共享、绿色和节能发挥到最大化。
随着深度学习、大数据和云计算技术等的飞速发展，自动驾驶的产业化步伐也在不断加快。2016年10月，特斯拉创始人兼CEO马斯克（Elon Musk）宣布，特斯拉所有新车都将安装“具有完全自动驾驶功能”的硬件系统Autopilot 2.0，并可通过OTA进行ECU软件升级，自动驾驶功能从L2直接跳越到L4及其以上，且2017年年底之前以完全自动驾驶模式从洛杉矶开往纽约，全程4500公里无人工干预。此外，nuTonomy 在2016年8月25日在新加坡推出全球首台无人驾驶出租车免费载客服务，但限定在2.5平方英里的商业住宅区内。还有优步于2016年9月14日在美国匹兹堡市推出了城区大范围无人驾驶出租车免费载客服务并试运行。这些无人驾驶的落地进展，似乎都在宣告着无人驾驶时代的到来。因此，很多人认为2021年将会是无人驾驶汽车的产业元年。
而在这种落地实践的大背景下，产业竞争的指标主要有两点：一个是基于自主行驶大数据的里程数，另一个是基于人工干预频率。例如谷歌Waymo目前的自主行驶大数据达300万英里，人工干预次数为0.2次/千英里，即1.25次/万公里。目前在美国加州路测的企业已达到34家：在这些具有路测资质的公司中，非传统车企达到21家以上，超过60%，包括谷歌Waymo，特斯拉，优步，英伟达，百度，苹果，Zoox，Drive.ai，法拉第未来，蔚来汽车，AutoX，Plus.ai，Nuro，Pony.ai，图森和景驰等。
在无人驾驶领域中，除了传统汽车企业，还活跃着大量的人工智能初创企业，诸如美国的Zoox，drive.ai，Argo AI（福特收购），Cruise Automation（通用汽车收购），Comma.ai；日本的Preferred Networks, ZMP 等。虽然是汽车行业的“新贵”，但他们都希望专注于人工智能在无人驾驶领域中的应用，其大展身手的雄心并不可小觑。
另外就是雄心勃勃的新车企。例如，特斯拉经过半年的努力，近期已顺利完成了将路测数据从Mobileye技术过渡到运行于英伟达Drive PX2上的Tesla Vision软件系统上，已于今年3月底发布了Autopilot 8.1软件升级。但能否如期在今年年底实现从洛杉矶到纽约4500公里的自动驾驶？这是一个很重要的观察点。
当然，实力不容忽视的还有跨界科技巨头。比如谷歌。据最新报道，谷歌Waymo 自行组织研发团队，将激光雷达的成本削减了90%以上，仅7000美金，已开始在美国凤凰城地区对500辆克莱斯勒Pacifica MPV插电式混合动力无人驾驶汽车进行社会公测，而这可以看做是Waymo商业化落地的前奏。此外还有百度的阿波罗（Apollo）计划，即公开自动驾驶开源代码框架。特别是英伟达的Xavier开源计划，即提供DLA自动驾驶平台等，通过与丰田合作，英伟达计划今年7月开放Xavier平台入口，9月实现完全开源。这些都无一例外地彰显着这些跨界科技巨头在无人驾驶领域的加速发力。
应该说，传统车企仍具优势。例如福特（Argo AI）、通用（Cruise Automation）、雷诺-日产、戴姆勒-梅赛德斯、大众和宝马等传统车企都在加速自动驾驶汽车产品的研发与测试，可以说也都走在了技术的前列；国内诸如长安、奇瑞、长城、北汽、广汽、上汽和比亚迪等，也都在开发与测试自己的自动驾驶汽车技术。
关于自动驾驶的分级，美国汽车工程师协会（SAE）的分级目前已成为事实上的标准。它包括L0到L5，如下图所示。
真正的无人驾驶主要是L4和L5级别。而想要达到真正的无人驾驶阶段，先要经历如下两个过渡阶段：
第一个阶段是辅助与半自动驾驶阶段，包括L0和L1。L0是告警式开环ADAS，如LDW，FCW，BSD等。L1是单项闭环ADAS，就是半自主，如ACC，AEB，LKS，IPAS等。包括主动安全，例如在人驾驶过程中遇障碍物会主动紧急制动，比如在车辆前方突然有人，它会自动紧急刹车。
第二个阶段是过渡期的无人驾驶，包括L2和L3。在L2级别，安全工程师作为监控人员坐在司机的位置，不做任何操作。只是在极端环境和紧急情况下进行人为干预，否则的话，不做任何事情。因此，这个级别可以称之为部分的自动驾驶。在我国L2早已实现。在L3级别中，司机的位置是没有人的，但有安全工程师在车上或车下，手握无线急停装置，以便在出现紧急情况时，由人进行认知判别干预，即此时感知问题已得到解决，但需要人参与对紧急情况的判别决策，并进行急停干预。因此这个级别称之为有条件的自动驾驶。
从L2过渡到L3非常关键的，一旦这个问题得以突破，后面的问题便变得容易得多。解决了这个问题，第三阶段的无人驾驶便可以非常稳妥地落地。
第三阶段是真正的无人驾驶，包括L4和L5。L4级别中，不存在任何人类安全工程师的干预，但必须限定区域或功能。换句话说，即使是在极端环境与紧急情况下，也都不存在人的接管或干预，这可以称之为高度自动驾驶。而到了最高的L5级别，这时的无人驾驶情况与人类驾驶无异，涵盖全区域和全功能。也就是说，即使是在极端环境与紧急情况下，均不存在人的接管或干预；同时汽车应是没有方向盘、踏板和后视镜的，因为已经完全不需要了。这个级别称之为完全自动驾驶。
那产业落地的困难和挑战有哪些呢？首先是L2怎样过渡到L3？即如何利用深度卷积神经网络替代人进行极端环境的可靠感知？其次是L3怎样跨越到L4？即如何利用深度强化学习替代人进行紧急情况的自主决策？这些都是L2向L4跨越的核心关键技术，其本质都是如何解决安全性问题。可以说，保证自动驾驶的绝对安全性是商业落地的关键，这是汽车行业一个很重要的特色。那么在保证绝对安全性的前提下怎样尽可能地降低成本？而这又是否会导致技术路线的根本改变？这些关键问题该怎样解决？自动驾驶产业又该怎样落地实践呢？人工智能似乎可以给这些问题一个很好的选择。
自2012年以来，新一轮的人工智能复兴方兴未艾。自动驾驶被认为是人工智能最具商业价值且极可能是最早落地的垂直领域之一。可以说，自动驾驶是要颠覆整个传统汽车行业的，要做到这一点，即实现产业落地，就要突破技术瓶颈，解决产品的形态、产业的生态和商业模式等问题。绝对的安全性和低成本，是商业落地无法回避的问题。同时要让以后的无人驾驶汽车具有自主学习改善驾驶性能的能力。作为成熟的产品，当然也需要整体的解决方案，还要产业生态的支撑与拓广。面对这些自动驾驶产业落地路上的“拦路虎”，人工智能的发展可以说是恰逢其时。目前作为这一轮人工智能的核心，包括深度卷积神经网络和深度强化学习在内的深度学习方法，源于原始的真实大数据的驱动，其实时性也正在得到诸如GPU、TPU、FPGA、ASIC 和类脑芯片快速发展的支撑，现已成为自动驾驶感知、决策与控制的基础技术。
环境感知与基于认知地图的精准导航：深度卷积神经网络近期的革命性进展，再加上低成本激光雷达、高精（栅格）地图、5G 通信、智能网联以及智能交通系统和智慧城市的合力支撑，极有可能使极端行车环境的可靠感知与低成本高可靠的精准导航成为现实，助推自动驾驶从L2跨越到L3。
具有自主学习能力的智能决策与智能控制：由AlphaGo强力推动的深度强化学习的最新进展，有可能使自动驾驶汽车拥有类似人的自主学习能力，获得包括具有紧急情况预测在内的端到端的自主行为决策能力和数据驱动型智能控制系统，助推自动驾驶从L3跨越到L4。
支撑自动驾驶落地的深度学习算法与开源代码框架
基于深度卷积神经网络的环视单目视觉环境感知，再加上精准导航，低成本激光雷达（以后很快还会有更低成本的固态激光雷达），同时加上厘米水平的高精栅格地图（其对环境的先验知识已高于人类）；此外5G通信会很快在我国商业化落地，这也是我国发展无人驾驶的优势之一；再加上智能网联、智能交通系统等；就是说，不能仅仅依靠深度卷积神经网络或深度学习，而是将所有要素结合在一起，形成合力，克服目前深度学习算法的缺陷，从而解决极端环境的可靠感知，进而实现从L2到L3的跨越，这是非常关键的一步。事实上，深度学习技术虽然具有非常强大的视觉检测与识别能力，但要做到像人类驾驶员一样的环境理解，目前尚有障碍。人类的环境理解能力是非常可靠的，里面有既有感知，也有认知，还有推理泛化能力。因此人在开车的时候，可以完全依靠眼睛来可靠感知周边环境，包括极端环境。目前人工智能还没有这样的本领，这就要依靠其他方面来弥补，比如前面说的高精地图、5G、V2X等，这样就有可能了。
关于决策部分，即让无人驾驶汽车具有自主学习能力，这也是要依靠深度强化学习来获得。通过深度强化学习，有可能使无人驾驶汽车拥有像人类那样的包括驾驶技巧与紧急情况预测在内的自主学习能力，能够通过长期的驾驶试错实践，实现安全平稳的驾驶技巧或获得对紧急情况的预测能力，从而助推自动驾驶从L3跨越到L4。其中最关键的一点，就是它能够对各种紧急情况进行预测，这是体现它水平的关键地方。
目前为止主要涉及的就是深度卷积神经网络和深度强化学习，而这两种算法能够发挥作用的前提之一是要有海量大数据的支撑。
大数据的4V基本特征：
1.VOLUME：数据体量巨大，从TB级别上升到PB级别；
2.VARIETY：数据类型众多，可能同时具有结构化、半结构化、非结构化数据，且数据多源、非标与非平稳。自动驾驶中包括图像数据，视频数据，高精栅格地图数据，激光雷达点云数据，导航数据等；
3.VALUE：价值密度低，但商业价值高，以自动驾驶中的高精栅格地图为例，有用的数据可能仅有百万分之一；
4.VELOCITY：处理速度快，要求实时性。
大数据的其他主要特征：
