如果說 2016 年上半年 VR 還可以算得上一項備受追捧的新興技術，在 2016 年的下半年，VR 退燒後無人駕駛徹底紅了。年初的特斯拉駕駛輔助致死事故將普通人的關注度吸引到自動駕駛這裡，越來越多的傳統車廠、製造商和新造車運動中的網路公司紛紛公布自家在自動駕駛領域的進展。
但究竟是什麼是自動駕駛？自動駕駛是透過怎樣的原理和技術實現的？為什麼說自動駕駛要全面使用，人們所要發展的不只是單獨的無人車技術？下面這些文字試圖用最簡單的方式來解答這些問題。
什麼是自動駕駛？
人們對於自動駕駛最早的誤解，其實源於一些媒體的誤讀。很多媒體把 Autopilot 這一詞簡單簡單拆解為「自動」和「飛行員」兩個詞彙，並將中文意思曲解為自動駕駛。
▲ 需要人類做出關鍵決策的特斯拉駕駛輔助系統。
然而其實 Autopilot 這個詞源於飛機、火車、輪船領域的輔助駕駛系統。維基百科也給這個詞做了明確的定義：
An autopilot is a system used to control the trajectory of a vehicle without constant ‘hands-on’ control by a human operator being required.
駕駛輔助是一個用來控制載具軌道而無需人工一直干預的系統。
這句話裡面的關鍵詞其實是「constant」持續的。也就是說，Autopilot 所代表的駕駛輔助系統是不需要人類持續干預的，但是仍然需要人類做出某些干預，比如關鍵性的決策等，機器只是在一旁輔助。
▲ 不需要人類駕駛員做出決策的 Uber 全自動駕駛車。
而關於我們大眾所認可的自動駕駛，或者說全自動駕駛，在維基百科中同樣也有相關的定義。我們所認可的無人駕駛車，準確的說應該叫做「Autonomous car」。
而這一概念的定義是：
An autonomous car (driverless car, self-driving car, robotic car) is a vehicle that is capable of sensing its environment and navigating without human input.
自動駕駛車（自動駕駛車、自駕駛車、機器人車）是能自動感應周圍環境並且無需人干預而自動導航的載具。
與對駕駛輔助的定義類似，無人駕駛車概念的關鍵支持在於無需人類干涉，也就是說機器會自動感知，自動做出決策並且自動駕駛。
▲ Google 自動駕駛車。
所以這樣來說，自動駕駛究竟是什麼的定義問題就變得格外簡單了。駕駛輔助和自動駕駛，最主要的區別在於人的參與度，前者需要人參與，而後者完全不需要人參與。
如果我們只談人的參與度的問題，就會出現界定技術是否屬於自動駕駛的禿頭悖論（究竟拔掉多少根頭髮才會禿頭）。所以為了更清楚地做出界定，美國汽車工程師協會（SAE）和美國高速公路安全局（NHTSA）對自動駕駛做了分級。為了讓自動駕駛的分級更加直觀，愛范兒整理了這樣一張圖表：
從圖表中我們可以看出，我們所期望的全自動駕駛車輛其實在分級上屬於 SAE 的 4-5 級，NHTSA 的 4 級車型，是基本不需要人類做任何駕駛決策的。
了解究竟什麼才是自動駕駛，我們再來看看自動駕駛是透過什麼技術實現的。
自動駕駛是如何實現的？難點在哪兒？
其實單純從硬體技術層面來看，自動駕駛的原理並不執行特別複雜。用最簡單的話說，找一輛車子來改裝一下（電動車比較好改一點且性能可控性更好），加幾個感測器，再塞一套開源的自動駕駛計算平台，好，這就搞定了。
感測器
感測器是自動駕駛車的眼睛，用於收集汽車周圍的資訊。歸納來看，目前主流的自動駕駛車其實也就是使用 3 種感測器：LiDAR 光學雷達、鏡頭和傳統雷達。
▲ Velodyne 雷射雷達
3 種感測器各有各的優勢，早就運用在車輛倒車雷達上的傳統雷達成本相對較低，穿透性較強且不受雨塵等環境的影響，但弱點在於覆蓋範圍較小，且難以對周圍物體做出精準的判斷。LiDAR 光學雷達的優勢在於可以透過旋轉的雷射射線束，構造出車輛周圍的 3D 影像圖，但缺點是由於雷射的特性，容易受到雨、塵埃、霧的影響。由於光學雷達加工難度比較高、產量小，所以售價最貴。一顆 64 線光學雷達的售價就得 4、50 萬人民幣。
鏡頭同樣也是自動駕駛車所必備的感測器，與兩種雷達不同，鏡頭沒有任何穿透力及需要光線，用於自動駕駛的數據是透過對鏡頭的圖樣辨識得出的。不過鏡頭也是最容易受到干擾的一種自動駕駛感測器，且一旦獲得的圖像有誤差，對最終的辨識結果就會產生極大的影響。唯一的好處在於成本低，且目前視覺辨識的方案，做無人駕駛汽車可用的也比較多。
資料處理
自動駕駛車上搭載的感測器收集到的數據，都會被傳輸到車載電腦中進行分析和處理，最終做出決策。對於車載電腦的技術部分我們不必多說，因為自動駕駛汽車單純從原理上真的不算是什麼「黑科技」，畢竟規劃路線、躲避障礙的功能目前很多掃地機器人和無人機都有，所以還是把關注的重心聚焦在達成自動駕駛的困難點上。
自動駕駛汽車需要收集汽車周圍數據，對資訊進行處理並最終做出決策，這整個過程與真人駕駛所要完成的過程幾乎毫無差異。所以訓練自動駕駛汽車的過程，其實就是個從新手到老駕駛的過程。
在人工智慧技術的訓練上，試錯（Trial and error）是極為重要的方式之一，人工智慧透過不斷的試錯與糾正得到進步。但這一方式換到了自動駕駛上卻幾乎不可行。行車時出現的事故往往是我們不能接受的，只要出了意外，輕則損失數千元，重則導致人命傷亡。自始至終，自動駕駛汽車的關鍵絕非「能否做到」，而是「能否做好」；所以目前的自動駕駛技術，大部分都是用來減低犯錯機率的。
然而少量的測試則隱藏著巨大的安全隱憂，根據 Google 最近的資料，他們的 58 輛無人駕駛汽車合計跑了 223 萬英里（約 338 萬公里）才犯了一點小錯，看上去出錯的機率微乎其微，但乘上一個極大的基數，出現事故的數量仍然是我們不能承受的。
還有一個重要的問題是，自動駕駛若是想要覆蓋更多地方，則要求收集和處理的資料就會越來越多，不同的路況會給車載電腦帶來不同的處理變數。而當人類駕駛和自動駕駛車同時行駛在路上時，不確定性就更高了，自動駕駛車做出決策的難度也會大大增加。
儘管目前自動駕駛技術仍然還在發展，但已經給了人一個夠美好的希望，那就是經過訓練的自動駕駛車的駕駛技巧比人類更好、更符合規定、反應更快。很多目前交通系統上存在的頑疾也可能因為自動駕駛的到來迎刃而解。
自動駕駛能減少交通事故嗎？這需要整個交通生態的改變
我們可以把交通事故的問題與交通擁堵的問題放在一起來看，理論上來講，這兩個問題的起因在於人類駕駛員的失誤。如果駕駛技巧更高的自動駕駛汽車介入交通系統當中，可以避免那些人類可能出現的失誤，可能出現的交通事故也會減少了。
然而事情並沒有像理論上看上去那麼簡單。我們可以做個類比，地鐵這種軌道交通，其實可以算得上是一個系統封閉、不容易受到干擾、高度自動化僅有少部分依賴人類駕駛的交通方式，然而由於各種因素的干擾，比如有乘客卡在門裡或突然某一節車廂出現故障，整個地鐵系統仍然有可能被打亂，陷入癱瘓的境地，更不用說是現在還沒有上路的自動駕駛汽車了。
現在已有不少廠商公布了自家的無人車計畫，幾乎都是計劃在 5、6 年之後讓自動駕駛車正式上路，先從商用做起，再逐步民用。所有這些來看，自動駕駛汽車完全替代人類駕駛員之前，一共會先經歷這樣兩種階段：「商用自動駕駛專車」、「少量民用自動駕駛車及商用自動駕駛專車」。當然，自動駕駛車是否真的會徹底取代人類駕駛是另一個層面的問題，畢竟人們可能不會放棄傳統汽車的駕駛樂趣，就像我們現在即使習慣開車，仍然有不少人喜歡騎馬，只是不會正式上路。
目前各家廠商所公布的基本都是自家單獨的自動駕駛汽車產品。然而對於整個交通系統來說，車輛僅僅是很小的一部分。目前來看，自動駕駛技術不只是傳統汽車的一項升級，更應該是一項大工程。這包含了汽車改造、社會基礎設施建立、法律法規推動，甚至還有交通人的責任認定變遷，駕駛人行為習慣的改變等。這些不是無法克服的困難，但也需要一個逐漸接受的過程。未來自動駕駛將會是出遊方式，更是整個交通產業的升級。
就像我們現在的道路交通系統基本上就是為各種機動或者非機動的「帶輪子的」的車所設計，原本留給馬車的道路就是被取代了；如果想要自動駕駛系統真正進入普通人的生活，真正要改變的遠遠不只是汽車技術單獨一項。
單獨的汽車運算能力再強，反應再快，本質上也只是人類駕駛能力的延伸。真正能讓自動駕駛引發交通革命的，其實是物聯網技術。當整個交通系統聯結在一起，而不是像現在由一個單獨的運算個體（包括人類）組成，整個交通的效率將會有革命性的提高。
至於未來交通的樣子究竟會是什麼樣？其實可以想像出這樣一種場景：
每一輛自動駕駛汽車都知道相互的位置與速度，不會因為變道干擾到其他車輛，自動駕駛車也會即時讀取出發點到目的地的道路壅堵狀況，即時選擇最佳路線以及避免過多紅燈，車輛也會感知到行人的位置，避免出現車禍。只有達到了這樣的高效率運作，自動駕駛才會真正有效避免壅堵和交通事故。
只不過到那個時候，恐怕人們要擔心的就不是交通事故與壅堵，而是保障整個交通系統聯網的絕對安全，避免網路被駭客干擾。
