英特爾（中國）有限公司政府與政策部技術政策總監田忠：關于智能汽車自動駕駛的看法
圖為英特爾（中國）有限公司政府與政策部技術政策總監田忠發表主題演講
了解更多內容，請點擊直播專題：中國電動汽車百人會論壇（2018）
在中國電動汽車百人會論壇（2018）的“全球智能汽車峰會”主題論壇上，英特爾（中國）有限公司政府與政策部技術政策總監田忠發表主題演講。
以下為演講實錄：
楊殿閣：非常感謝田總關于中興車載計算平臺的分享，讓我們拭目以待，看看在中興的“寒冰床”計劃下，能培養出多少個楊過。
下面有請英特爾（中國）有限公司政府與政策部技術政策總監田忠跟大家分享英特爾公司關于智能汽車自動駕駛的一些看法。
田忠：各位嘉賓下午好，非常感謝百人會高峰論壇，使我們有機會跟大家介紹一下英特爾對下一代自動駕駛車輛的思考。
英特爾認為自動駕駛成功的兩個非常重要的因素：安全、經濟性。
英特爾會把自動駕駛分三個部分：
1.車輛本身各種前端技術和以車輛為主的計算平臺。
2.中間部分是網絡互聯，尤其是馬上就要到來的第五代移動通信技術，為車聯網和自動駕駛提供了非常好的技術支撐。
3.右邊會基于數據中心和云計算。
這是一個整體架構平臺，英特爾可以在這三個方面提供技術支持。這不僅僅是技術平臺，同時也產生出一些新的業務和服務模式，這也是非常創新之處。
自從2015年開始，英特爾在人工智能和自動駕駛方面加大了投資，投資了一系列公司，其中包括在ADAS方面業界比較領先的Mobileye公司。
在技術方面，如果考慮自動駕駛車輛經濟性的話，有三個支柱：感知、地圖（定位）、駕駛策略。
感知。車里裝了非常多的傳感器，有攝像頭、激光雷達、毫米波等技術。以攝像頭為例，充分利用了計算機視覺，把路徑上的所有障礙物，包括行為、車輛、道路標線、信號燈、建筑物進行處理，首先識別行駛的空間，其次規劃出一個可行進的路徑。
高精地圖。現在普通用的手機軟件導航地圖誤差在米級，如果要達到自動駕駛應用的話，至少要達到厘米級的精度。（動圖）根據車輛車載的攝像頭可以實時識別出道路的分界線和旁邊非常簡單的道路標線、標志及信號燈，右邊是Google earth地圖，做了非常精確的匹配。
英特爾旗Mobileye公司推出一個新的技術，這個技術解決高精地圖更新比較復雜、比較費時費力，因為高精地圖的采集是靠采集車，把定位信息輸入到高精地圖里，但如果路面發生了變化，比如重修路面或交通標志進行一些變化的話，要更新沒有別的辦法，只能靠采集車重新跑一遍，這是非常頭疼的問題。可以用眾包方式，利用已經裝載在汽車前端的攝像頭和其他傳感器，獲取實時路面信息的變化，把這些變化傳到云端，可以把這些數據實時更新到電子地圖，這樣所有其他車輛都可以獲得更新的地圖。這是一個非常經濟、有效的高精地圖更新的方式。
駕駛策略。
（動圖）巴黎街頭拍攝場景，其他國家大城市里面都有機動車、摩托車和行人混行的狀況，其中相當一段時間里也會出現自動駕駛的車輛和人駕駛車輛共存的情況。在這個環境下，如何定義駕駛的策略，在后面會舉兩個例子。
例1，雙Y路口，規則是紅色車輛會從右邊出去，白色車輛會從左邊出去，在入口時是隨機放置的。這是比較典型的交通車輛匯集的情況。問題在于假如左行的話，很多車在左邊快行線里保持相對高的速度，往右并線才會出來，對別的車產生干擾，同樣左邊也是，這種情況下大概用了十萬次模擬，最后達到99.95%的精確度，遠遠高于人類駕駛的情況。
例2，環島例子。左邊圖里用人工智能做機器學習時，并沒有辦法發現綠色車輛和藍色車輛行為特征，剛開始進環島時經常和其他車輛進行碰撞。經過多次運算和迭代以后，會發現一些特征，即藍色車駕駛員比較激進，不會讓它，綠色車會讓它，所以會在綠色車的前面進入環島。
安全。
Mobileye公司創始人、英特爾市場部總經理、以色列希伯來大學教授阿姆農·沙舒瓦，他在2017年年底，在業界發表了一篇論文，提到“責任敏感的安全”。要想達到安全，不可或缺的路徑是靠測試，即通過業界的分析，要想實現完全的安全性或公眾信任，測試的時間要超過上億個小時，測試的公里數或英里數要上億，如果進行上億小時、上億英里測試，會使自動駕駛真正被商業化的時間點大大推后。
他提出一個思路，做一個假設，如果道路上所有參與者、所有駕駛員都是遵紀守法的駕駛員，沒有酒駕、醉駕、不闖紅燈、不超速、禮讓行人、不隨便變道等，交通事故率會極大下降。因為自動駕駛車輛行為準則可以通過工程師的編程進行定義。同時把美國高速公路交通安全管理局所做的接近50萬個事故案例和場景都一一作出了一些數學描述。
如，經常碰到的情況是行人橫穿馬路，車輛與行人發生碰撞，最簡單的情況下，行人以勻速方式橫穿馬路，車輛離他有一個距離，可以通過傳感來看到距離和車速，包括可以預測他通過馬路的時間來避免進行碰撞。其他還有一些復雜因素，行人可能因為恐慌會停止不動或掉頭往回走，這些情況都會用一些數學描述進行編程，放在自動駕駛里來應付這些場景。
換句話說，如果自動駕駛的車輛是完全按照正確的行為準則進行操作，出了碰撞交通事故，應該有豁免權，不承擔事故的責任。
這篇論文引起業界熱烈反響，絕大部分持非常贊成的態度。至少有一點，技術公司或在自動駕駛方面有投資的公司都不愿意觸及安全和責任方面，因為這可能會引起政府和其他相關單位的顧慮，對整個產業界會有負面影響。但是不解決這個根本問題，也沒有辦法讓自動駕駛技術真正變成商用。從這個角度來講，這是非常大的一個突破。根據大量測試來保證安全性，是可以并行的另外一條路徑，希望能夠跟政府多多進行交流，在汽車免責方面提出創新性的思想，大家可以進一步落實其可行性。
駕駛策略。大家都認為安全性是計算機完全學習的過程，是否能夠滿足相應的安全性？
例，ALphaGo下圍棋，2016年3月份擊敗了當時世界上最強的韓國的李世石九段，當時它的第一個版本，包括2017年出的Master版本強了三個子以上，但是這兩個版本都是借鑒了非常多的人類對圍棋的理解，即輸入所有人類有名的棋譜，再加上計算機有一個高度自我學習和自我對戰的方式。但是去年底，發布了最新版本——ALphaGo Zero，即不告訴它任何人類的知識，只告訴它規則，圍棋如何下，如何判斷輸贏，哪些子不能下，然后它完全自主學習。第一盤，跟三四歲小朋友下圍棋一樣，胡亂下。都是計算機對戰計算機，大概到了第六盤、第七盤時，逐步發現人類的定式（即某個局部雙方最佳的一些變化），學到120個小時時，可以百分之百擊敗以前所有的版本。人工智能發展迭代的速度遠遠超過人類對它的預期。
2016年3月份ALphaGo和李世石下棋時，整個圍棋圈里沒有人認為ALphaGo會贏，認為最好的結果是1：4，因為當時要下5盤棋，但實際結果是因為它出了一點Bug，是4：1贏了李世石。去年跟柯潔下的時候，3：0，沒有機會，到現在ALphaGo Zero，人類與它差太遠，不可能跟它再去下棋，也就是說李世石九段可能是最后一個擊敗人工智能的圍棋選手。
所以這里會牽涉到大量人工智能、機器學習、深度學習的技術，也可以把非常多交通的自動駕駛里安全的一些算法集成到里面，然后達到一個非常好的經濟方面的可擴展性。
REM（路面經驗管理），其實解決了實時的高精地圖更新的難題，這是非常重要的技術，也希望與各業界同仁，包括政府機構進行溝通。它是利用眾包方式，是眾人拾柴火焰高，不是只靠高精地圖廠家一家之力，是應用所有安裝在其他地方的攝像頭和傳感器，大家一起去工作，可以實時更新整個地圖。
交通安全法規規定了各種違章行為，要避免違章行為，翻譯成正確的指令，存儲在自動駕駛車輛處理器里，去引導車輛按正確方式行駛。同時也會有一些靈活性，不是說百分之百必須按照法律執行。
例，如果大家開車到一個紅綠燈道口，從綠燈馬上變成黃燈時，要做一個急剎車。同時，一個老司機的經驗是要看后視鏡，后面是否有車離你很近，如果急剎車停在紅燈之前會導致追尾事故。建議你帶著剎車，如果后面跟得很緊的話，寧肯部分車輪超過白線，保證前面沒有碰撞可能性，避免自己被撞上，類似這樣一些事情也要放在計算機系統里面來做。
今天就匯報到這里，非常感謝大家！
相關閱讀：
驗證碼：
