Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

Medium、Wired、卫报参考信源

自动驾驶最受争议人物归来: 新公司拒绝激光雷达与高精地图

Levandowski 在谷歌与 Uber 诉讼结束后沉默了许久 ,终于带来了一家新无人车公司。

毫无疑问,Anthony Levandowski 曾是一个让 Google 与 Uber 最抓狂的人物。

2017 年,他因涉嫌窃取谷歌商业机密并随后加入 Uber,而卷入了一场轰动一时的美国自动驾驶汽车法律之争。

在被 Uber 开除后,他又很快在今年 7 月被 Techcrunch 披露——又成立了一家完全由自己掌控的名为 Kache.ai 的无人驾驶卡车公司。但这一消息并未被官方证实。

现在,Levandowski 主动带着这家更名为 Pronto AI 的新公司重新回到聚光灯下。

他在今天宣布,Pronto AI 正在为半挂式卡车开发售价约 5000 美元的后装自动驾驶辅助系统,该系统可以「掌控」卡车在高速公路上行驶时的方向盘、油门和刹车。

为了证明这种方法的有效性,Levandowski 用这套新软件装在了自己的丰田普锐斯上,并跑遍了全国各地。

据他透露,在今年 10 月时这辆车就在多数时间开着自动驾驶模式下行驶了大约 3099 英里,从旧金山向东一路行至纽约。

除了要处理非高速公路的路况(包括休息与加油),他表示从来没有把控制权从电脑上移走。

「我们在没有任何人为干预的情况下驾驶一辆汽车从西海岸到达东海岸,这是在今年完成的一个技术里程碑。」

但是 Levandowski 也强调,距离一辆可自行穿梭于大江南北的自动驾驶汽车出现还相当遥远。

「我们的产品仅仅是一个具备高性能的 L2 级系统,并不意味着更多。」

诉讼后的回归

Levandowski 将这次「归来」的宣言写在了 Medium 上的博客里:

「我知道你们有些人可能在这样想:『他这是要回来?』」

「是的,我回来了。」

显然,这是 Levandowski 对此前自己因诉讼陷入长时间被动与沉默的一个回应。

自 2017 年 2 月 Waymo 对 Uber 提起「以窃取商业机密为核心」的诉讼以来,Levandowski 几乎再也没有公开发布过任何信息。

作为谷歌无人驾驶团队的创始成员之一,他在 2016 年 1 月离开公司,并创办了一家名为 Otto 的自动驾驶卡车运输公司 Otto。

短短三个月,Uber 就收购了 Otto,并在 7 月展开了一场声势浩大的媒体宣传,并让 Levandowski 继续自主领导 Otto 团队,可见后者在 Uber 自动驾驶业务中举足轻重的地位。

然而不长一段时间后,Waymo 就向 Uber 发起了诉讼。

诉讼中明确写道,Levandowski 在离职时从谷歌窃取了数千份技术文件(其中主要的是一种特殊激光传感器的设计图),并利用这些文件帮 Uber 大大加快了自主研发的步伐。

虽然 Levandowski 没有被列为被告,但在宣誓作证时援引了宪法第五修正案中设定的权利——反对强迫自我归罪。

与此同时,在 2017 年 5 月他被 Uber 解雇后,两家公司在 2018 年 2 月庭审开始几天后,就马上和解了。

而现在,2018 年快要过去,诉讼的影响似乎也将消失匿迹,Levandowski 归来的时间似乎选的恰到好处。

拒绝激光雷达,走商业化最快的路

自从离开 Waymo 与 Uber,Levandowski 就再也没相信过「完全自动驾驶系统」。

这一次,他拿出了一款与特斯拉的自动驾驶辅助系统很像的产品——Copilot。

这款面向卡车出售的 ADAS 方案,仍然要依靠驾驶员来监控驾驶并在需要时随时被他接管。

换言之,这是一个 L2 级的辅助系统,旨在提高驾驶操作安全,同时提高货运效率。

同时,为了确保驾驶员持续保持警惕,这个系统配置了内部摄像头——如果他们看向别处,就会发出警报。

不过,虽然 Levandowski 在炫耀自己的丰田普锐斯装了系统后能完成跨州旅行这件事,但是作为第一家披露这家新公司的媒体,《卫报》得到的消息是,Levandowski 其实对这场跨州旅行做了多次尝试,其中一次还在犹他州发生了系统脱离的意外状况。

而每一次发生失误,Levandowski 就会再从旧金山重新开始。

此外,一个比较有趣的情况是,与 Waymo 现在正在商业运营的无人出租车一样,记者在试乘时发现 Levandowski 的车也很难自主插入主道合流,一定需要驾驶员的接管。

而 Levandowski 也没有否认系统的局限性,因为他在博客上一开始就强调,这一次他要做的不是「完美」,而是「实用」:

「首先,尽管整个行业已经投入了大量的资金和时间来开发和推广自动驾驶汽车,但目前还没有真正的自动驾驶汽车。对于虚无的很多美好愿景,只有越来越复杂和昂贵的设备可以证明。

第二,真正的 L 4 级或 L 5 级车辆将在很多年里都不会出现。

第三,为什么没有车能达到真正 L4 或 L5 水平的功能,是因为现在的软件不够好,无法预测未来。它仍然无法与人类驾驶员的本能相匹配,而人类驾驶员的本能是道路安全中最重要的因素。

第四,传统的自动驾驶系统试图通过日益复杂的硬件来弥补其软件的预测性缺陷。

特别是激光雷达和高清地图,两者提供了惊人的感知与定位功能,但这种精确性却付出了巨大的代价 (在安全性、可伸缩性和稳健性方面),而在预测能力方面的收效却是有限的。」

简而言之,他指出了当下无人驾驶汽车行业的两个关键问题:

「一方面,行业一直盲目聚焦于『如何实现从手动车辆操作直接进化至全自动驾驶阶段』;

另一方面,人们总是想依靠『拐杖技术』来追逐这个错误的梦想。」

这里的「拐杖技术」是对激光雷达、高精地图等自动驾驶软硬件的统称。而反对激光雷达的马斯克也曾把这款硬件描述为「拐杖」。

尽管这两种特殊的软硬件对发现道路障碍物有非常重要重要的作用,甚至已经被行业人士默认为「实现自动驾驶不可或缺的部分」。但 Levandowski 却站在了「反对」的立场:

「虽然这些技术可以为车辆提供感知和定位能力,但他们也存在严重的妥协性——商业大规模部署自动驾驶汽车所需的车辆预测能力,他们产生不了。」

然而,早在几年前在 Waymo 时,Levandowski 还是激光雷达的坚定倡导者,甚至还是著名激光雷达制造商 Velodyne 的「第一个产品推销员」。

不过,尽管在过去的十年里激光雷达大幅度提高了自己的探测能力,但如今探测范围仍然有限,价格依然不菲,固态激光雷达研发也仍然阻力重重。

以上也许是忙于商业化的 Levandowski 改变了自己看法的重要原因。

这一次,Pronto 的系统产品拒绝使用激光雷达。取而代之的是六个用来监视道路的摄像头。

与此同时,一对神经网络能够不断分析摄像头传输过来的图像并持续做出驾驶决策。

「相比激光雷达,摄像头可以看得更远,分辨率也更高,但是这也需要非常聪明的软件来解析这些设备『吐』出的海量 2D 像素。

当然,理解激光雷达的 3D 点云反馈可能要容易得多。但是,鉴于机器学习张量处理硬件的不断发展,摄像头方案也在不断取得进步。

这是一条与众不同的,从终点来看更有希望解决自动驾驶挑战的道路。」

这是安装了 Copilot 系统的普锐斯在过隧道时的视频截图,大家可以去 youtube 看视频

选择了一条更难的路?

莱万多夫斯基并不是唯一一个相信摄像机可以胜过激光雷达的人。

就像前面说的,马斯克从 2016 年就开始 diss 激光雷达,其特斯拉自动驾驶汽车也只配置了摄像头与普通毫米波雷达。

此外,自动驾驶卡车公司 TuSimple 也是个典型的例子。

这家公司虽然一直在强调激光雷达的重要性,但其感知路径规划系统的大部分能力都是基于摄像机数据完成的,这也证明了完成高速公路自动驾驶,依靠密集摄像头处理是可行的。

但对于 Pronto 来说,这一次的最大问题也许不是实现高速公路自动驾驶的技术问题,而是需要多少时间和金钱才能让 Levandowski 及其团队快速进行商业化部署。

此外,另一个不得不考虑的问题是,Levandowski 此前有点糟糕的声誉是否会影响公司的招聘和融资。但是出于早已闻名全球的技术实力,也许融资不是一个难题。

是的,Levandowski 有很多超出人们预期的历史成绩,也有着被硅谷认同的鬼马品质。

  • 他开创性地用一辆自动驾驶摩托车参加了美国国防部高级研究计划局的自动驾驶挑战赛。

  • 在谷歌没成立自动驾驶项目之前,就让一辆无人驾驶的丰田普锐斯横穿旧金山海湾大桥。

现在,他重新打翻了几年前关于无人驾驶的所有论证(譬如不再相信「开发完全无人驾驶汽车」这种直通路径),预备走一条看起来稳妥但无疑竞争会更加激烈的路径,这对自动驾驶市场也许是一件有推动作用的好事。

「我发现,监管机构、投资者以及大众都意识到了一点:

自动驾驶汽车领域的竞赛中,没有人能够保持领先。因为真正的比拼是一场尚未开始的马拉松。」他在 Medium 上这样写道:

「过去 15 年,我们基本上都是在起跑线上无所事事。

虽然我为自己在这些年技术进步中扮演了重要角色感到自豪。但与此同时,我承认,对于该行业无法兑现承诺,我已经感到沮丧——有时甚至失去耐心。

我们现在不是在为消费者提供可用的产品,而是在令人作呕地谈论『愿景』或『移动的未来』。

我们并没有把技术取得的进步进一步民主化,而是通过极其狭窄和不具代表性的各种 demo 示范,或『概念证明』(就是 PPT 吧),以及各种光鲜亮丽却陈词滥调的宣传资料,对市场进行误导。

而事实上,这些『示范』或『证明』几乎没有希望以商业上可行的方式扩大规模。」

对于市面上「令人作呕的愿景描述」,我们与 Levandowski 一样反感;而对于 Levandowski 能否先人一步实现商业化目标,我们只能表示祝福。

祝你成功,Levandowski。

产业自动驾驶Uber
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

路径规划技术

路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成,连接起点位置和终点位置的序列点或曲线被称为路径,构成路径的策略则被称为路径规划。路径规划在很多领域都具有广泛的应用,如机器人的自主无碰行动;无人机的避障突防飞行等。

推荐文章
暂无评论
暂无评论~