自动驾驶深度分析：决策算法成竞争焦点，呼唤新计算平台

地平线机器人技术主攻嵌入式人工智能方向，致力于提供面向自动驾驶的高性能、低功耗、低成本的嵌入式人工智能解决方案。2017 年 CES，地平线联合英特尔推出了一款基于单目摄像头和 FPGA 的 ADAS 产品原型系统，其优越性受到众多国际国内知名 Teri1 及 OEMs 的认可。

决策算法成为竞争焦点

从技术角度讲，自动驾驶由三大主要技术构成：感知、决策和控制。那现在自动驾驶技术真正的门槛在哪里？

如果你去 CES 参观各家公司的自动驾驶样车，你会发现一个趋势：各家公司的传感器配置越来越趋同化：前视多目摄像头，77GHz 长距/短距雷达、环视摄像头、加上十个以上的超声波雷达，豪华一点的再配上几个低线束的激光雷达，这些传感器的供应商也差不多。

在感知层面，随着 ADAS 的大量部署和长时间的技术开发，已经相当成熟，可以说感知技术已经不是主要的瓶颈。而控制则是传统车厂和 Tier 1 非常擅长的领域，做了很多年，积累了大量的经验。

自动驾驶在技术上的竞争，主要聚焦于决策环节。事实上，区分一个系统是 ADAS 还是自动驾驶，也主要是看该系统是否有决策部分。无论是谷歌，还是特斯拉，他们的核心竞争力，都还是体现在其决策算法方面。

传统汽车界的研发是基于功能安全的设计方法学建立的，渗透到开发流程的每一个环节，并且在过去一个世纪，将汽车的安全性提高到了极高的水准。

如今，顶尖的公司已经可以确保汽车发动机能使用一百万公里！但是面对汹涌而至的机器学习热潮，传统汽车界突然发现自己严重缺乏技术储备，面对特斯拉和谷歌激进的策略，显得力不从心。

这已经成为制约传统车厂开发自动驾驶的最大短板，目前，传统车厂或者大肆收购机器学习公司，或者与其合作，他们需要尽快补上这块短板。

传统车厂出身的克拉富西克显然深知这一点，在他出任 Waymo CEO 之后，谷歌一改之前模棱两可的商业策略，明确表示向车厂提供解决方案，并迅速宣布和本田合作，事实上是将自己定位在 Tier 1 的角色。

此前谷歌虽然在技术积累上处于领先位置，但一直没有确定可行的商业模式，克拉富西克的到来，让谷歌对于商业化的态度更接地气，也更精准。在该解决方案中，硬件基本也是外购的，显然无法成为谷歌的竞争壁垒，最有价值的，还是一整套经过验证的软件，尤其是其中的决策算法。可以想象的是，谷歌将会向业界提供软件授权，就像它之前在安卓系统上所做的一样。

理性决策是必然趋势

决策算法面临的最大挑战，就是如何达到自动驾驶所需要的极高的安全性和可靠性。自动驾驶决策的结果会输出到控制器，根据 ISO 26262 已有的功能安全的规定，这会反过来要求决策系统也需要达到 ASIL-D 的标准。

目前，ISO 组织对专门针对自动驾驶的功能安全标准正还在制定中，有可能会用一种新的标准进行考量，但功能安全的基本原则依然有效。

端到端的 AI 方法有隐患

这意味着，我们必须严肃地思考，如何才能满足功能安全的要求？对于谷歌、百度以及许多初创公司，这些非传统车厂出身的玩家来说，是一个全新的命题。

目前，很多创新公司都在使用深度学习加增强学习做端到端的训练，也就是说，从传感器的输入直接导出控制器（刹车、油门、转向等）的输出。但深度学习的问题在于它失去了透明性，仅仅依赖于概率推理，也就是相关性，而非因果推理，而这两者是有本质不同的。

相关并不意味着因果。举个例子，统计发现，手指头越黄的人，得肺癌的比例越大。但事实上，手指的颜色和得肺癌的几率之间显然没有直接的因果联系。那么为什么统计数据会显示出相关性呢？这是因为手指黄和肺癌都是由吸烟造成的，由此造成了这两者之间产生了虚假的相关性。

深度学习就像一个黑盒子，无法进行分析，出了事情你不知道原因到底是什么，也没有办法预测下一次会出什么状况。

有一个很搞笑的例子，用深度学习训练一个系统，来分辨哈士奇和爱斯基摩狗，初步测试效果非常好，但进一步的测试表明，这个系统其实是通过区分背景，而不是狗本身来判定其种类的，因为训练所使用的样本中，爱斯基摩狗几乎总是伴随者雪地的背景，而哈士奇则没有，想想看，如果这样的系统应用到自动驾驶，是多大的隐患！

深度学习的实际表现，基本上取决于训练的样本以及你所要求输出的特征值，但如果你的样本比较单一，输出特征值又比较简单，则很容易训练出你并不想要的结果来。就自动驾驶而言，这是无法接受的，它需要高度的理性决策。

如今，深度学习的热潮席卷了整个业界，很多人不再对基础算法进行钻研，而是疯狂加大数据，堆机器进行训练，以期更快地出成绩，结果看上去还不错，但这样的非理性态度其实是给自动驾驶埋下了隐患。我们需要的是对于事实逻辑的深入分析，以及不同方法论的结合，从这个意义上讲，如果用小数据可以达到好的效果，更能说明我们对机器学习技术的理解能力。

基于规则的专家系统不灵活

传统的主机厂和 Tier 1 面临的则是另外的问题。如果接触各大 Tier 1 的 ADAS 产品，无论是 AEB，还是 ACC，LKA，你会发现都是基于规则的专家系统。这种系统精确可分析，但专家系统的问题在于，在场景非常多变时，创建的规则就无法保证足够的覆盖面。

结果，当添加更多新的规则时，就必须撤消或者重写旧的规则，这使得这个系统变得非常脆弱。并且，各个功能都有自己单独的规则，组合到一起，其可能性就非常多，甚至还存在矛盾，这使得 ADAS 向自动驾驶过渡之路变得更加艰难。

我曾经跟一家主机厂在交流他们的决策系统时曾询问过这个问题，得到的答案是：这种基于专家系统的规则经过组合，能产生一万种可能！你甚至很难对这个系统进行完整的测试。

新的决策机制：因果推理

因此，我们需要在自动驾驶领域引入新的决策机制。自动驾驶决策技术路线的一个重大趋势，就是从相关推理到因果推理。这样的人工智能框架是 Judea Pearl 在八十年代建立的，他也因此拿到了图灵奖。

上世纪 80 年代初，Judea Pearl 为代表的学术界出现了一种新的思路：从基于规则的系统转变为贝叶斯网络。

贝叶斯网络是一个概率推理系统，贝叶斯网络在数据处理方面，针对事件发生的概率以及事件可信度分析上具有良好的分类效果。它具有两个决定性的优势：模块化和透明性。

模块化的优势非常重要，例如，假如任务是更新汽车的变速箱，当变速箱被更换的时候，你不必重写整个传动系统，只需要修改为变速箱建模的子系统，其余的都可以保持不变。

因此，我们可以把深度学习的系统作为一个子模块融入到其中，专家系统可以是另一个子模块，也融入其中，这意味着我们有了多重的冗余路径选择，这种冗余构成了贝叶斯网络的子节点，将有效强化输出结果的可靠性，避免一些低级错误的发生。

透明性是贝叶斯网络的另一个主要优势。对于自动驾驶而言，这尤为关键，因为你可以对整个决策的过程进行分析，了解出错的哪一个部分。

可以说贝叶斯网络是理性决策的极佳实现，适合用于设计整个决策的顶层框架。

因果推理的另一个典型范例就是基于增强学习的决策框架，它把一个决策问题看作是一个决策系统跟它所处环境的一个博弈，这个系统需要连续做决策，就像开车一样。优化的是长期总的收益，而不是眼前收益。这有点像巴菲特的价值投资，优化的目标不是明天的收益，而是明年或者十年以后的长期总收益。

谷歌把这样的框架用在下围棋上，取得了革命性的成功。自动驾驶的场景也非常适合应用这样的决策系统。比如说要构建价值网络，评估当前的驾驶环境风险，评估的是从现在时间到未来时间的整体风险；然后利用策略网络输出本车的控制决策，选择最优的驾驶路径和动力学输出。

同时，我们还可以构建一个基于模拟路况的仿真环境，通过增强学习去做虚拟运行，获得最优的决策模型，并且还将产生大量的模拟数据，这对决策算法的成熟至关重要。

可以说，向因果推理型决策模型转化是自动驾驶技术迈向成熟的重大标志。

目前的硬件效能达不到实用要求

对于自动驾驶这样的复杂任务，在设计软件的同时，还必须考虑与之匹配的硬件效能，这里包括性能、功耗和功能安全。

为了保证自动驾驶的实时性要求，我们需要保证软件响应的最大延迟在可接受的范围内，对于计算资源的要求也因此变得极高，目前，自动驾驶软件的计算量达到了 10 个 TOPS（每秒万亿次操作）的级别，这使得我们不得不重新思考对应的计算架构。

图灵奖获得者 Alan Kay，他有一句话是乔布斯一直信仰的：如果你严肃地思考你的软件，你就必须要做你自己的硬件。

事实上，整个数字半导体和计算产业的产业驱动力，正在从手机转向自动驾驶，后者所需要的计算量比手机要大两个数量级。

 福特第二代 Fusion 自动驾驶原型车后备箱中鼓鼓囊囊地塞满了计算设备

今天，打开任何一家主机厂的无人车的后备箱，都是一堆计算设备，不但没有地方放行李，而且还要解决它的整个系统稳定性问题。之前在乌镇举行的世界互联网大会，记者在实际体验百度的无人车时，提到非常有趣的一点：「这辆无人车平稳地行驶了起来，但位于后备箱的车载计算机噪音较大，可以听到风扇在运行的声音。」

为什么呢？因为它使用的是 CPU + GPU + FPGA 的计算平台，计算所需要的功率非常大，GPU 尤其恐怖，如果没有强力风扇来散热的话，夏天很容易烧坏机器。坐在这样的车里，就别讲究体验了。

功能安全是另一个巨大的挑战，这里面其实包含了多个方面的要求：处理器要符合至少 ASIL-B 等级的要求，可靠性需要能够保证在至少十年的使用期内不出问题。

高通在手机领域有非常强的实力，而且向汽车电子进军的努力也从未停止，但去年高通依然决定花 370 亿美元重金收购了汽车电子老大 NXP，这从另一个侧面折射出汽车电子的门槛之高。