配備“千里眼”和“最強大腦”，自動駕駛汽車毫無疑問已經(jīng)初具無障礙行駛的能力了。

據(jù)了解，目前，主流自動駕駛汽車對車輛、行人或是動物的識別準確率日漸提升，這得益于它們裝備的不同的傳感設(shè)備和算法系統(tǒng)。但多數(shù)人沒想到的是，道路上那些最輕、最安靜、最靈活的小車，可能成為自動駕駛在未來的最大挑戰(zhàn)。

背景：“小”麻煩

“自行車可能成為自動駕駛系統(tǒng)面臨的，最艱難的檢測難題”，來自加州大學(xué)伯克利分校的研究工程師Steven Shladover如是說。

加州大學(xué)的視覺計算專家Nuno Vasconcelos也表達了類似的觀點，他認為自行車正因相對小巧、靈活并且結(jié)構(gòu)特殊，可能會使自動駕駛汽車面臨一種復(fù)雜的計算難題。“汽車就像一個‘龐然大物’，但自行車的質(zhì)量就小得多，而且它們的外形各不相同——比如不同形狀、不同顏色、不同掛飾等等。”

這也解釋了一個問題，就是為什么近年來自動駕駛車對汽車的檢測正確率已經(jīng)超過了自行車。當(dāng)然，其中也包括一些算法訓(xùn)練的原因。目前自動駕駛汽車的路況檢測算法，一大部分是基于圖像的深度學(xué)習(xí)，而主要的“學(xué)習(xí)”對象是汽車特征，自行車則相對較少。

轉(zhuǎn)機：算法顛覆

話說到這兒，就要祭出一個近期剛剛發(fā)布的神秘算法了。這個“神秘”更多不在于算法本身，而是其頗為有趣的研究團隊陣容。我們了解到，去年年底，這幾位研究人員發(fā)布了他們名為“Deep3DBox”的算法論文。

從上圖就看得出，論文由三人合力完成，其中一人來自喬治?梅森大學(xué)，而另外兩位，則來自極盡低調(diào)之能卻被炒得聲名在外的，無人駕駛汽車創(chuàng)業(yè)公司Zoox。

了解這一領(lǐng)域的人應(yīng)該對Zoox多少有所耳聞，這家坐標(biāo)美國硅谷的初創(chuàng)公司致力于無人駕駛汽車研發(fā)。去年10月，一筆高達5000萬融資過后，Zoox身價已經(jīng)一躍達到了10億美元。雖然Zoox可能壓根兒沒有“外宣”部門，但它的技術(shù)員工陣容十分強大，一些資料顯示，部分員工曾供職于谷歌、蘋果、特斯拉等公司。

回到三人共同研發(fā)的最新算法“Deep3DBox”，用頗為外行的話解釋，就是這種算法獨創(chuàng)了一種方式，能夠從2D照片中提取3D的目標(biāo)檢測和姿態(tài)估計。測試數(shù)據(jù)顯示，Deep3DBox能夠識別89%的車輛，而之前這一記錄保持者(學(xué)術(shù)方向)的成績是70%。

美國商用數(shù)學(xué)軟件MATLB中對上圖提到的“boundingbox”(邊界框)一詞做過定義，即“get the properties of region”，意思是用來度量圖像區(qū)域?qū)傩缘暮瘮?shù)。在許多基于2D圖像的信息識別中，都用到過這個函數(shù)，例如車牌識別等等。

在這個背景下，我們就能更直觀地理解圖像識別中，2D boundingbox 和3D boundingbox的區(qū)別。比如，機器人在圖像中用2D boundingbox抓取到一輛汽車，就等于用一個正方形圈出了它，但 3D boundingbox 圈出的卻是一個“立方體”，在空間幾何尺度，3D boundingbox能夠計算出更多的信息。

現(xiàn)在，Deep3DBox正試圖攻破一個更大的挑戰(zhàn)：那就是依托他們的算法，將目標(biāo)車輛周圍的2D圖像中的障礙物三維化，以預(yù)測車輛的行進路線。

喬治?梅森大學(xué)的計算機科學(xué)家 Jana Ko?ecká 解釋說，“深度學(xué)習(xí)通常只適用于像素模式下的檢測和識別，但我們找到了一種方法，能使用類似的手段評估出幾何層面上的量級。”Ko?ecká 還有一個特殊的身份，那就是Deep3DBox項目的投資人。

瓶頸：自行車難題

Deep3DBox已經(jīng)較原來的深度學(xué)習(xí)方式有了很大改進，但自行車識別依然是他們的難題。

團隊發(fā)現(xiàn)，每當(dāng)算法涉及到為自行車定位和定向時，其識別性能會顯著下降。在基準測試中，算法的目標(biāo)識別率僅為74%，即便這已經(jīng)算得上同類算法中的最好成績了，但對于自動駕駛汽車的完美運行卻遠遠不夠。

定向測試中，Deep3DBox判斷對車輛判斷的準確率達88%，但針對自行車的成績僅為59%。

Ko?ecka指出，相對而言，商業(yè)化的自動駕駛系統(tǒng)，其識別的準確率會更高，因為它們獲取到了足夠多的道路數(shù)據(jù)來訓(xùn)練它們的系統(tǒng)。與此同時，大多數(shù)路測汽車除了視覺算法，還裝配了如激光雷達(LiDAR)等傳感器，這些設(shè)備雖然無法預(yù)測自行車的行進方向，但也可以幫助自動駕駛汽車識別它們并計算相對位置。

之后，高精度地圖又為自動駕駛系統(tǒng)帶來了更大的便捷。譬如Mobileye野心勃勃的道路管理系統(tǒng)(Road Experience Management，REM)，他們試圖打造一種非常精確、非常實時的龐大地圖，同時在每輛車上配備可以上傳和下載實時地圖數(shù)據(jù)的軟件，從而達到一種理想狀態(tài)——使汽車僅僅依賴導(dǎo)航就完成自動駕駛。這非常類似于SLAM(即時定位于地圖構(gòu)建)的變種，但又遠遠沒有那么簡單。

上面介紹的地圖，能夠先一步將自行車識別為道路異常，而后或許再由視覺算法處理。去年，福特汽車聯(lián)合5家公司投資高精度地圖初創(chuàng)公司Civil Maps，研發(fā)用于自動駕駛汽車的3D地圖。福特方面已經(jīng)透露，今年開展路測的自動駕駛汽車將裝配“高精度3D地圖”。

將上述的技術(shù)有機結(jié)合，就能夠獲得更加理想的結(jié)果，例如谷歌去年剛發(fā)布的“自行車識別”技術(shù)。在新版本的技術(shù)中，谷歌提升了無人車對自行車的識別水平，并加入了自行車車主手勢(表達變換車道、轉(zhuǎn)向)識別等新算法，這正是為了避免其過去無法正確識別自行車行進情況的問題。

在剛剛落幕不久的2017底特律車展上，谷歌進一步升級了自行車識別算法，并推出了專門針對自行車的傳感器技術(shù)。

商用：忌操之過急

加州大學(xué)視覺計算專家Vasconcelos依然對當(dāng)下的傳感和自動化技術(shù)能否取代人類保有質(zhì)疑，但他相信，目前的技術(shù)已經(jīng)能夠幫助人類司機避免一些事故的發(fā)生。

未來，自行車自動檢測和識別面向商用化的第一步，很可能就是用于傳統(tǒng)車輛的自動緊急剎車系統(tǒng)(AEB)。目前，AEB系統(tǒng)的功能已經(jīng)從單純的車輛檢測延伸到行人、自行車檢測等更大范疇。

2013年，沃爾沃開始提供第一款支持自行車檢測的AEB系統(tǒng)，系統(tǒng)搭載了攝像頭和雷達等設(shè)備，用于潛在的碰撞預(yù)警。今年歐洲的公共巴士中也裝備了類似功能，值得一提的是，歐盟早在四五年前，就發(fā)布規(guī)定，要求新車配備AEB系統(tǒng)。

如今，越來越多的車企也在追隨“歐洲模式”，期望將自行車檢測功能加入AEB系統(tǒng)的性能評級中。

也就是說，AEB系統(tǒng)未來的要應(yīng)對的問題就更復(fù)雜了，甚至是和自動駕駛車研發(fā)人員面臨相同的挑戰(zhàn)。而這個挑戰(zhàn)，就是“預(yù)測障礙物的行進”。而其中最最嚴苛的要求，莫過于對自行車進行檢測預(yù)警的AEB系統(tǒng)，負責(zé)歐洲自行車-AEB系統(tǒng)基準測試的高級顧問Op den Camp指出，自行車的移動幾乎是最難被預(yù)測的。

Ko?ecká也同意這個觀點，“自行車的可預(yù)測性比汽車低很多，因為它們很容易突然轉(zhuǎn)向或消失在視野中”。

這些觀點都意味著，將自行車排除在人為事故風(fēng)險之外(美國管理機構(gòu)數(shù)據(jù)，94%的交通事故由人為失誤造成)尚需日時。舊金山自行車聯(lián)盟的執(zhí)行董事Brian Wiedenmeier說，“每個騎自行車的人都在期盼這項技術(shù)的到來”，但他也同時表示，應(yīng)靜待自動化技術(shù)成熟再投入使用。

據(jù)了解，去年12月，Uber曾在加州某試點測試自動駕駛出租車服務(wù)，Wiedenmeier那時就對Uber發(fā)出過警告。他指出，這些汽車無視當(dāng)?shù)貙樽孕熊噭澏ǖ能嚨谰€，這違背了加州保護自行車騎行者安全的相關(guān)法規(guī)。

去年底，Uber一路與加州監(jiān)管部門死扛，加州希望Uber獲得DMV(美國車輛管理局)許可后上路，但Uber無視繼續(xù)路測，之后這種行為遭到禁止。

目前，Uber的自動駕駛汽車仍在亞利桑那州和匹茲堡進行路測，而就在不久前，加州街頭也重現(xiàn)一些Uber路測車的身影，不過消息顯示，這些車輛只被允許收集舊金山街道的測繪地圖數(shù)據(jù)，并必須保證有人類駕駛員在車內(nèi)。

Wiedenmeier說，Uber對市場的“急功近利”行為是錯誤的。“任何新技術(shù)都需要審慎地測試和檢驗。