孟立秋

慕尼黑工業(yè)大學(xué)制圖和可視分析系，德國(guó) 慕尼黑 80333

1 無(wú)人駕駛技術(shù)的演化背景

人類關(guān)于無(wú)人駕駛的夢(mèng)想已有近百年的歷史。20世紀(jì)20年代美國(guó)的街頭出現(xiàn)過(guò)無(wú)人駕駛的“幽靈汽車”[1]，其方向盤、剎車和鳴笛功能由緊隨其后的車?yán)锏娜送ㄟ^(guò)敲擊電報(bào)鍵遙控激活。無(wú)人駕駛的實(shí)質(zhì)性研究始于20世紀(jì)80年代，主要依靠計(jì)算機(jī)視覺和全球定位技術(shù)實(shí)現(xiàn)環(huán)境感知和安全導(dǎo)航。美國(guó)卡內(nèi)基梅隆大學(xué)率先研制概念車系列Navlab，其中的Navlab 5在1995年從匹茲堡開往圣地亞哥4587 km的路程中，以大約97 km的平均時(shí)速自主導(dǎo)航，98%以上的距離無(wú)須人類接管。同一時(shí)期，德國(guó)慕尼黑聯(lián)邦軍大學(xué)和奔馳集團(tuán)啟動(dòng)了“普羅米修斯”(PROMETHEUS)項(xiàng)目，其概念車VaMP于1995年從慕尼黑開往丹麥的歐登塞，1758 km的行程中95%的時(shí)間里自主導(dǎo)航，在德國(guó)高速公路上達(dá)到175 km以上的時(shí)速。在既無(wú)物聯(lián)網(wǎng)也缺乏自動(dòng)駕駛交通法規(guī)的情況下，Navlab 5和VaMP這兩款無(wú)人駕駛先驅(qū)車由于計(jì)算成本過(guò)于昂貴而無(wú)法量產(chǎn)，但它們向世人展示了夢(mèng)想成真的可行性途徑。

近10余年，傳感器技術(shù)和機(jī)器學(xué)習(xí)算法的不斷進(jìn)步以及訓(xùn)練數(shù)據(jù)的激增將無(wú)人駕駛的研究推向了一個(gè)新的高潮。從人類駕駛到無(wú)人駕駛的轉(zhuǎn)變過(guò)程中，圍繞汽車內(nèi)燃機(jī)技術(shù)的競(jìng)爭(zhēng)變成了圍繞數(shù)據(jù)和人工智能技術(shù)的競(jìng)爭(zhēng)。起主導(dǎo)作用的不再是傳統(tǒng)車商，而是以谷歌、特斯拉和優(yōu)步等為代表的硅谷車商。無(wú)人駕駛車更像是一臺(tái)帶輪子的超級(jí)計(jì)算機(jī)，每分鐘可以產(chǎn)生超過(guò)一千兆字節(jié)的數(shù)據(jù)流，數(shù)據(jù)處理軟件決定著無(wú)人駕駛車的核心價(jià)值。在數(shù)據(jù)驅(qū)動(dòng)軟件，軟件驅(qū)動(dòng)輪子的過(guò)程中，自主導(dǎo)航地圖扮演著不可或缺的指揮員角色。

2 自主導(dǎo)航地圖

2.1 概 念

無(wú)人駕駛車的自主導(dǎo)航地圖稱為HD map(high definition map)。正如高清電視HDTV(high definition television)比標(biāo)準(zhǔn)電視SDTV(standard definition television)呈現(xiàn)更清晰流暢的圖像一樣，HD map比普通導(dǎo)航地圖具有更高的時(shí)空分辨率。根據(jù)目前的發(fā)展現(xiàn)狀，HD map譯為高精地圖較妥。

事實(shí)上，高精地圖是普通導(dǎo)航地圖的顛覆性升級(jí)。高精地圖的制作和使用同步并且實(shí)時(shí)進(jìn)行；高精地圖的內(nèi)容以“此時(shí)此地”的動(dòng)態(tài)駕駛環(huán)境為重點(diǎn)，但同時(shí)與“彼時(shí)彼地”的數(shù)據(jù)保持著互聯(lián)；高精地圖的詳細(xì)程度接近1∶1的地面真實(shí)模型，是駕駛環(huán)境的一個(gè)不折不扣的數(shù)字孿生體；高精地圖的制作者和使用者都是機(jī)器而不是人類；最后也是最重要的是，高精地圖為無(wú)人駕駛車提供的服務(wù)不僅僅是導(dǎo)航支持，而是導(dǎo)航?jīng)Q策本身。

2.2 高精地圖的內(nèi)容構(gòu)成和數(shù)據(jù)來(lái)源

高精地圖在邏輯上由“此時(shí)此地”駕駛環(huán)境的動(dòng)態(tài)導(dǎo)航地圖層和“彼時(shí)彼地”的先驗(yàn)導(dǎo)航地圖層集成而來(lái)。動(dòng)態(tài)圖層如同一個(gè)約為2×2 km2的移動(dòng)窗口，而支撐這個(gè)移動(dòng)窗口的先驗(yàn)圖層則如同一個(gè)突破時(shí)空限制的超級(jí)傳感器，代表著車聯(lián)網(wǎng)的共同記憶和知識(shí)，其內(nèi)容包括相對(duì)靜態(tài)的三維機(jī)動(dòng)車輛路網(wǎng)信息，路面或路側(cè)交通標(biāo)記和地標(biāo)的位置和語(yǔ)義屬性，交通統(tǒng)計(jì)信息和路段交通規(guī)則。圖1比較了機(jī)動(dòng)車路網(wǎng)和通過(guò)融合交通信息和規(guī)則生成的導(dǎo)航地圖。歐洲開放地理空間聯(lián)盟的三維城市模型標(biāo)準(zhǔn)CityGML對(duì)路網(wǎng)有車道級(jí)的詳細(xì)定義，如圖2所示。

圖1 機(jī)動(dòng)車路網(wǎng)和導(dǎo)航地圖[2]

圖2 CityGML對(duì)車道級(jí)路網(wǎng)的標(biāo)準(zhǔn)定義(來(lái)源: Rheinmetall Defence Electronics)[3]

動(dòng)態(tài)圖層的數(shù)據(jù)主要來(lái)自車載傳感器的實(shí)時(shí)觀測(cè)信號(hào)。車身外圍配備的測(cè)繪傳感器包括攝像頭、激光雷達(dá)、超聲波、全球?qū)Ш叫l(wèi)星系統(tǒng)接收器和慣性測(cè)量單元等，它們以互補(bǔ)和部分冗余的方式記錄三維移動(dòng)場(chǎng)景的360°視圖及相對(duì)和絕對(duì)位置。傳感器的輸出以點(diǎn)云和影像為主，它們經(jīng)過(guò)融合、同步定位與制圖等處理生成駕駛場(chǎng)景的三維模型，包括車輛的行駛軌跡、路面及路上邊長(zhǎng)精確到大約5 cm的二維和三維矢量對(duì)象。這些矢量對(duì)象通過(guò)計(jì)算機(jī)視覺、統(tǒng)計(jì)分級(jí)分類、啟發(fā)式算法等機(jī)器學(xué)習(xí)方法進(jìn)一步轉(zhuǎn)化成為駕駛環(huán)境中各類有意義的地物要素，如車道邊界線、路標(biāo)、行人和其他車輛等。此外，路端或車聯(lián)網(wǎng)中其他固定的和移動(dòng)的傳感器(如圖3所示)通過(guò)云服務(wù)平臺(tái)實(shí)時(shí)發(fā)送當(dāng)前和未來(lái)一段時(shí)間內(nèi)的交通場(chǎng)景和安全移動(dòng)信息，比如：擁堵情況、施工區(qū)域、滑坡風(fēng)險(xiǎn)以及天氣變化造成的路面能見度和摩擦系數(shù)的變化等，這些語(yǔ)義信息有助于機(jī)器更有效地學(xué)習(xí)和提取與安全駕駛有關(guān)的地標(biāo)和障礙物信息。先驗(yàn)圖層對(duì)動(dòng)態(tài)圖層的構(gòu)建也起著交叉驗(yàn)證、縮小傳感器盲區(qū)的作用，為機(jī)器學(xué)習(xí)提供標(biāo)記信息和路徑規(guī)劃等服務(wù)，圖4所示為TomTom的云端和先驗(yàn)圖層的信息。

圖3 固定和移動(dòng)的傳感器(來(lái)源：亮道智能公司)

圖4 TomTom的云端和先驗(yàn)圖層信息(來(lái)源：www.tomtom.com/products/virtual-horizon)

動(dòng)態(tài)圖層的內(nèi)容可以根據(jù)時(shí)空精度、對(duì)安全駕駛的重要性、是否需要與其他車輛共享等要求進(jìn)一步細(xì)分成多個(gè)邏輯層。場(chǎng)景驅(qū)動(dòng)的交通規(guī)則位于頂層，用于生成導(dǎo)航指令，如加速、車道切換、超車、剎車等。

3 高精制圖流程的主要模塊

采集和更新覆蓋大區(qū)域乃至全球路網(wǎng)的高精地圖數(shù)據(jù)是個(gè)代價(jià)昂貴且無(wú)法一勞永逸的任務(wù)。為此互聯(lián)網(wǎng)平臺(tái)企業(yè)、車企、導(dǎo)航地圖生產(chǎn)商、人工智能研究機(jī)構(gòu)和IT公司根據(jù)各自的優(yōu)勢(shì)和特點(diǎn)圍繞4個(gè)主要模塊展開了形式多樣的競(jìng)爭(zhēng)和合作——先驗(yàn)圖層的數(shù)據(jù)采集和更新，動(dòng)態(tài)圖層的實(shí)時(shí)構(gòu)建，邊緣計(jì)算，數(shù)據(jù)壓縮和標(biāo)準(zhǔn)化服務(wù)。

3.1 先驗(yàn)圖層的數(shù)據(jù)采集和更新

電子導(dǎo)航地圖商，比如，TomTom、HERE、四維圖新、高德、百度等，擁有豐富的普通導(dǎo)航地圖數(shù)據(jù)和跨境合作的先發(fā)優(yōu)勢(shì)，有實(shí)力組織專業(yè)測(cè)繪車隊(duì)，構(gòu)建和更新覆蓋大區(qū)域，特別是高速公路和城市快速路的先驗(yàn)圖層。大型車企則具有量產(chǎn)車的優(yōu)勢(shì)，每一輛新車都可裝配高端或普通傳感器，用作為數(shù)據(jù)采集車，以專業(yè)測(cè)繪和眾包相結(jié)合的方式在全球范圍內(nèi)采集和共享路網(wǎng)的變化數(shù)據(jù)。因此，導(dǎo)航地圖商和大型車企的強(qiáng)強(qiáng)合作很常見。比如，2015年被奔馳、寶馬、奧迪聯(lián)合收購(gòu)的HERE把來(lái)自資源衛(wèi)星、飛機(jī)和無(wú)人機(jī)等的對(duì)地觀測(cè)數(shù)據(jù)和來(lái)自量產(chǎn)車輛和手機(jī)等的眾包數(shù)據(jù)相結(jié)合，建立全球覆蓋的先驗(yàn)圖層。HERE倡議創(chuàng)建了OneMap聯(lián)盟和全球開放平臺(tái)，旨在為無(wú)人駕駛車提供跨區(qū)域的、標(biāo)準(zhǔn)化的并不斷“自我修復(fù)”的高精地圖產(chǎn)品和服務(wù)[4]。TomTom則與沃爾沃和大眾集團(tuán)等合作，利用車載的多個(gè)激光掃描儀、攝像頭、雷達(dá)和定位天線等獲取路況信息，也利用已有的導(dǎo)航地圖數(shù)據(jù)進(jìn)行交叉驗(yàn)證，從而更新和豐富高精地圖先驗(yàn)圖層與安全導(dǎo)航相關(guān)的語(yǔ)義信息[5]。

互補(bǔ)合作的方式更常見，比如豐田集團(tuán)通過(guò)安裝有攝像頭的測(cè)繪車輛收集諸如東京市和紐約市的復(fù)雜城市道路圖像和視頻，其并購(gòu)的高精地圖公司CARMERA則負(fù)責(zé)實(shí)時(shí)處理原始數(shù)據(jù)，和已有的導(dǎo)航地圖數(shù)據(jù)及衛(wèi)星圖像進(jìn)行對(duì)比，提取幾何誤差50 cm以下的路況變化數(shù)據(jù)[6]。人工智能計(jì)算公司Nvidia利用車載傳感器眾包收集駕駛數(shù)據(jù)，其收購(gòu)的高精制圖公司DeepMap則根據(jù)這些數(shù)據(jù)開發(fā)適合高速公路和城市道路上大多數(shù)駕駛場(chǎng)景的圖層。寶馬集團(tuán)的測(cè)繪車隊(duì)和客戶車隊(duì)在慕尼黑和上海的測(cè)試區(qū)采集了數(shù)億千米的駕駛數(shù)據(jù)，其合作伙伴DXC技術(shù)公司則利用深度學(xué)習(xí)方法快速分析和識(shí)別有意義的駕駛場(chǎng)景，從中提取安全導(dǎo)航規(guī)則。同理，大眾集團(tuán)與微軟合作，利用量產(chǎn)車隊(duì)獲取的駕駛數(shù)據(jù)加強(qiáng)對(duì)機(jī)器算法的訓(xùn)練[7]。四維圖新除了用專業(yè)測(cè)繪車采集數(shù)據(jù)外，也實(shí)時(shí)收集和融合眾包和車商的多源傳感器數(shù)據(jù)，使高速公路及城市快速路的絕對(duì)和相對(duì)幾何誤差分別達(dá)到了50 cm和10 cm以內(nèi)。百度地圖收購(gòu)長(zhǎng)地萬(wàn)方，利用圖像識(shí)別和文字識(shí)別等方法處理路況數(shù)據(jù)，其先驗(yàn)圖層包括相對(duì)誤差10 cm內(nèi)的車道位置，路口表達(dá)和停車位等語(yǔ)義信息[8]。

一些企業(yè)利用專長(zhǎng)滿足市場(chǎng)的特殊需求，比如，Atlatec公司使用立體相機(jī)、全球定位接收器和慣性測(cè)量單元在復(fù)雜路網(wǎng)的每條車道上反復(fù)行駛，從多個(gè)軌跡中自動(dòng)提取車道位置。該公司在全球數(shù)千千米的車道軌跡中，95%實(shí)現(xiàn)了誤差小于3 cm的整體精度[9]。寬凳科技也利用攝像頭相對(duì)于激光雷達(dá)的成本優(yōu)勢(shì)，通過(guò)人工智能技術(shù)提高數(shù)據(jù)處理速度和數(shù)據(jù)的更新頻率，從而帶動(dòng)空間精度，將幾何誤差控制在20 cm以內(nèi)[10]。亮道智能公司則以車載激光雷達(dá)為核心傳感器，發(fā)揮硬件和軟件的組合優(yōu)勢(shì)，開發(fā)全棧式路側(cè)感知、數(shù)據(jù)融合和駕駛場(chǎng)景自動(dòng)識(shí)別系統(tǒng)(www.liangdao.ai)。

3.2 動(dòng)態(tài)圖層的實(shí)時(shí)構(gòu)建

動(dòng)態(tài)圖層的數(shù)據(jù)采集和融合需要強(qiáng)大的計(jì)算功能和數(shù)據(jù)傳輸效率。比如，特斯拉利用多個(gè)攝像頭和車身雷達(dá)獲取駕駛場(chǎng)景內(nèi)的圖像和距離數(shù)據(jù)，上傳給本公司的Dojo超級(jí)計(jì)算機(jī)，在數(shù)據(jù)流的持續(xù)訓(xùn)練下使人工智能算法得到升級(jí)，實(shí)現(xiàn)對(duì)三維場(chǎng)景實(shí)時(shí)建模和地物識(shí)別，降低對(duì)先驗(yàn)圖層的依賴作用[11]。Mobileye將其攝像頭系統(tǒng)安裝在多種車型上，遍布不同國(guó)家和地區(qū)的大多數(shù)主干道，主要采集路面和路標(biāo)數(shù)據(jù)，以每千米不到1萬(wàn)字節(jié)的小數(shù)據(jù)打包上傳給云端，利用軟件將大量次精數(shù)據(jù)融合成高精數(shù)據(jù)，用于持續(xù)更新和擴(kuò)展先驗(yàn)圖層，使任何路段不僅實(shí)現(xiàn)10 cm級(jí)的相對(duì)幾何精度，還含有司機(jī)的動(dòng)態(tài)駕駛行為及當(dāng)?shù)亟煌ㄒ?guī)則等信息(www.mobileye.com/our-technology/rem)，這種低成本硬件和高性能軟件相結(jié)合的方式已成為構(gòu)建動(dòng)態(tài)圖層的最佳實(shí)踐。

3.3 邊緣計(jì)算

無(wú)人駕駛車置身于動(dòng)態(tài)圖層的中心，同時(shí)也是車聯(lián)網(wǎng)中的一個(gè)邊緣節(jié)點(diǎn)，如同戍邊的戰(zhàn)士直面各種風(fēng)險(xiǎn)，車內(nèi)具備一定的邊緣計(jì)算能力，以便在網(wǎng)絡(luò)信號(hào)不暢的情況下仍具備基本的導(dǎo)航功能。比如，Civil Maps公司在一個(gè)基于傳感器實(shí)時(shí)融合、6個(gè)自由度實(shí)時(shí)定位等邊緣計(jì)算的平臺(tái)上，開發(fā)了輕量化手跡底圖(fingerprint base map)，絕對(duì)和相對(duì)精度誤差分別達(dá)到15～20 cm和1～5 cm以內(nèi)[12]。手跡底圖利用前后兩輛車生成，第一輛作為參考車生成基于體素的手跡基準(zhǔn)圖(圖5(a)所示的綠色網(wǎng)格及菱形點(diǎn))，每一個(gè)體素對(duì)應(yīng)于駕駛場(chǎng)景中有意義的地物或地標(biāo)特征點(diǎn)，相比傳感器生成的點(diǎn)云(圖5(b))，手跡底圖上的體素稀疏得多，每千米的數(shù)據(jù)量只有10～30萬(wàn)字節(jié)，既便于存入云端，也便于通過(guò)普通的3G和4G網(wǎng)絡(luò)迅速下載。第二輛作為查詢車在行駛中用同樣的方法生成駕駛場(chǎng)景的體素(圖5(c)所示的藍(lán)色菱形點(diǎn))，利用邊緣計(jì)算和基準(zhǔn)圖中的體素進(jìn)行實(shí)時(shí)匹配(圖5(d))，當(dāng)有足夠多的體素匹配成功時(shí)(圖5(c)所示的橙色菱形點(diǎn))，綠色和藍(lán)色網(wǎng)格之間實(shí)現(xiàn)配準(zhǔn)，從而實(shí)現(xiàn)查詢車的定位，手跡底圖內(nèi)容也可得到相應(yīng)的更新。

圖5 手跡底圖(來(lái)源：https:∥youtu.be/JOLzVoYq7cE)

3.4 數(shù)據(jù)標(biāo)準(zhǔn)化和壓縮服務(wù)

高精制圖流程始終面臨兩個(gè)壓力：一是如何提高數(shù)據(jù)的共享效率；二是如何提高數(shù)據(jù)的存儲(chǔ)、計(jì)算和傳輸效率。除了對(duì)計(jì)算設(shè)備和網(wǎng)絡(luò)基礎(chǔ)設(shè)施進(jìn)行系統(tǒng)升級(jí)外，提供數(shù)據(jù)的標(biāo)準(zhǔn)化和壓縮服務(wù)也是緩解壓力的有效途徑。企業(yè)為了保持競(jìng)爭(zhēng)優(yōu)勢(shì)，對(duì)于共享數(shù)據(jù)有所保留，但統(tǒng)一高精地圖的存儲(chǔ)格式和數(shù)據(jù)模型已成為共識(shí)，這有助于降低專業(yè)測(cè)繪和眾包測(cè)繪的成本，為實(shí)現(xiàn)未來(lái)跨品牌車輛的大規(guī)模數(shù)據(jù)共享和維護(hù)奠定基礎(chǔ)。

德國(guó)的導(dǎo)航數(shù)據(jù)標(biāo)準(zhǔn)協(xié)會(huì)(Navigation Data Standard Association)為高精地圖制定了包括導(dǎo)航數(shù)據(jù)模型、存儲(chǔ)格式、接口和協(xié)議的標(biāo)準(zhǔn)規(guī)范NDS，并與3個(gè)主要操作系統(tǒng)Windows、macOS、Linux兼容。NDS確保了高精地圖在全球范圍內(nèi)以統(tǒng)一的數(shù)據(jù)格式存儲(chǔ)訪問(wèn)、互操作和更新。導(dǎo)航數(shù)據(jù)標(biāo)準(zhǔn)協(xié)會(huì)的成員包括車企、地圖商和導(dǎo)航設(shè)備生產(chǎn)商。不同的國(guó)家和地區(qū)也可對(duì)NDS進(jìn)行調(diào)整，以符合當(dāng)?shù)氐囊?guī)定。

德國(guó)的自動(dòng)化和測(cè)量系統(tǒng)標(biāo)準(zhǔn)化協(xié)會(huì)ASAM(The Association for Standardization of Automation and Measuring Systems)，則發(fā)布了一系列開放標(biāo)準(zhǔn)，包括靜態(tài)道路網(wǎng)描述OpenDRIVE，靜態(tài)路面描述OpenCRG和動(dòng)態(tài)場(chǎng)景描述OpenSCENARIO。這些ASAM標(biāo)準(zhǔn)是基于其他公共標(biāo)準(zhǔn)，如UML、XML和CORBA建立的，因此獨(dú)立于特定的信息技術(shù)和平臺(tái)，不僅方便車商、供應(yīng)商和工程服務(wù)商之間相互驗(yàn)證無(wú)人駕駛功能，還允許用戶根據(jù)地區(qū)特點(diǎn)和政策特點(diǎn)作必要的調(diào)整和優(yōu)化。

德國(guó)卡爾斯魯厄理工學(xué)院主導(dǎo)啟動(dòng)了“KIsSME”研究項(xiàng)目，采用人工智能方法從無(wú)人駕駛測(cè)試場(chǎng)地的數(shù)據(jù)以及模擬數(shù)據(jù)中自動(dòng)剔除無(wú)關(guān)的數(shù)據(jù)，提取有重要意義的駕駛場(chǎng)景，用ASAM標(biāo)準(zhǔn)格式存儲(chǔ)，并提供場(chǎng)景選擇工具(kissme-projekt.de)。Bertrandt集團(tuán)也致力于將紛雜的大數(shù)據(jù)轉(zhuǎn)化為智能小數(shù)據(jù)，采用數(shù)據(jù)挖掘方法，從傳感數(shù)據(jù)中自動(dòng)識(shí)別和標(biāo)記對(duì)安全駕駛相關(guān)程度最高的移動(dòng)對(duì)象，用ASAM標(biāo)準(zhǔn)格式存儲(chǔ)相應(yīng)的駕駛場(chǎng)景，并提供自動(dòng)標(biāo)簽工具“Bertrandt Data Labeler”(www.bertrandt.com/#gref)。

4 高精制圖技術(shù)面臨的疑難問(wèn)題

將所有交通規(guī)則集成在高精地圖中還遠(yuǎn)遠(yuǎn)不能滿足自主導(dǎo)航的安全性要求。數(shù)量有限的交通規(guī)則在不斷變化的駕駛場(chǎng)景中可以產(chǎn)生出不計(jì)其數(shù)的組合方式。每一個(gè)具體場(chǎng)景都是無(wú)人駕駛車和其他交通對(duì)象之間互動(dòng)的社會(huì)技術(shù)系統(tǒng)。交通對(duì)象的種類越多，互動(dòng)關(guān)系就越復(fù)雜。在沒(méi)有交通標(biāo)志的路口，人類除了交通規(guī)則以外，往往依靠司機(jī)之間，司機(jī)和行人之間的各種眼神和手勢(shì)溝通各自的意圖，達(dá)成默契，自組織地安全通行。相比之下，高精地圖只能依賴已有的交通規(guī)則生成導(dǎo)航指令，使無(wú)人駕駛車的行為有點(diǎn)像新手，缺乏隨機(jī)應(yīng)變能力，比如剎車過(guò)于突然，從而造成被其他車輛追尾的事故。高精地圖的安全導(dǎo)航?jīng)Q策面臨4個(gè)方面的疑難問(wèn)題：①?gòu)?fù)雜駕駛環(huán)境的自動(dòng)建模；②邊角案例的數(shù)據(jù)獲取；③倫理困境中的導(dǎo)航?jīng)Q策；④無(wú)人駕駛技術(shù)的安全性能評(píng)估。下面依次介紹和總結(jié)研究現(xiàn)狀。

4.1 復(fù)雜駕駛環(huán)境的自動(dòng)建模

復(fù)雜駕駛環(huán)境可以視為無(wú)人駕駛車、人類駕駛車和車外行人這三大類交通對(duì)象的共享空間，目前流行的方法是把它分解成3個(gè)相對(duì)簡(jiǎn)單的子空間分別建模：①無(wú)人駕駛車的專用空間；②無(wú)人駕駛車和人類駕駛車的共享空間；③無(wú)人駕駛車和行人的共享空間。

4.1.1 無(wú)人駕駛車之間的交互

無(wú)人駕駛車在準(zhǔn)入公共道路之前需要經(jīng)過(guò)特殊場(chǎng)地的測(cè)試，但小規(guī)?；蚴褂脮r(shí)間有限的測(cè)試場(chǎng)地往往只能展示少量的場(chǎng)景，難以遍歷自動(dòng)駕駛功能。為此，美國(guó)密歇根州正在籌建世界上第一條大規(guī)模無(wú)人駕駛車專用廊道，長(zhǎng)約65 km。該道路的物理基礎(chǔ)設(shè)施將配置便于機(jī)器迅速識(shí)別的導(dǎo)航標(biāo)記，并且對(duì)應(yīng)一個(gè)互聯(lián)的數(shù)字走廊[13]。建設(shè)這樣的廊道盡管代價(jià)昂貴，但研究者可以深入了解無(wú)人駕駛車在各種場(chǎng)景里的交互行為和學(xué)習(xí)能力，為未來(lái)擴(kuò)建無(wú)人駕駛友好型道路基礎(chǔ)設(shè)施提供寶貴的經(jīng)驗(yàn)。

4.1.2 無(wú)人駕駛車和人類駕駛車的交互

無(wú)人駕駛車和人類駕駛車共享的子空間主要是高速公路和各種封閉式快速道。無(wú)人駕駛車在這個(gè)子空間的操作，如車道切換、變速、高速路進(jìn)出、切入等，都可描述為一個(gè)受交通規(guī)則約束的事件模型，每一個(gè)事件由一個(gè)或多個(gè)原因引發(fā)，造成車輛間相對(duì)位置和拓?fù)潢P(guān)系的變化，事件結(jié)束后，車輛間達(dá)到新的動(dòng)態(tài)平衡。深度學(xué)習(xí)方法和知識(shí)圖譜已廣泛應(yīng)用于識(shí)別和描述車輛軌跡數(shù)據(jù)中的交通事件及其前因后果，經(jīng)過(guò)大數(shù)據(jù)訓(xùn)練的事件模型可進(jìn)一步用來(lái)預(yù)測(cè)駕駛場(chǎng)景中每一輛車下一個(gè)時(shí)刻的移動(dòng)行為。比如，Woven Planet Level 5建立了一個(gè)基于代理的行為預(yù)測(cè)平臺(tái)并提供一系列開放軌跡數(shù)據(jù)，便于用戶分析不同場(chǎng)景下車輛的運(yùn)動(dòng)規(guī)律(https:∥level-5.global/data/prediction)。

4.1.3 無(wú)人駕駛車和行人的交互

無(wú)人駕駛車和行人的共享子空間可進(jìn)一步分為車道上的共享空間(比如馬路上的人行橫道)和非車道上的共享空間(比如允許送貨車輛進(jìn)入的步行區(qū))。無(wú)人駕駛車和行人安全互動(dòng)的研究尚處探索階段，面臨兩個(gè)挑戰(zhàn)：一是這類互動(dòng)模型必須在感知、識(shí)別和軌跡跟蹤的初級(jí)模型基礎(chǔ)上增加心理和社會(huì)理解模型；二是有實(shí)用意義的車輛和行人的互動(dòng)模型往往針對(duì)相對(duì)擁擠的城市駕駛環(huán)境。目前，從這種環(huán)境采集的原始數(shù)據(jù)，特別是帶有標(biāo)記的訓(xùn)練數(shù)據(jù)既不充足，也不均衡。

歐盟地平線2020框架計(jì)劃下的interACT項(xiàng)目綜合介紹和分析了行人行為預(yù)測(cè)模型的基礎(chǔ)研究現(xiàn)狀和發(fā)展趨勢(shì)[14]。目前已有的理論模型包括：行人的行為特征模型(比如注意力集中程度，過(guò)馬路的步態(tài)和速度)；行人的類別特征模型(比如上班族，殘疾人，性別，年齡等)；目的地已知或未知情況下的單個(gè)行人的軌跡預(yù)測(cè)模型(比如過(guò)馬路的意圖)；基于速度、加速度、步態(tài)等變量的行人之間的時(shí)空相關(guān)性和互動(dòng)決策模型(比如疏散行為)；基于交通信號(hào)燈的變化次序、車輛狀態(tài)、人群的密度、速度和方向等變量的群體行為預(yù)測(cè)模型(比如過(guò)馬路的行人數(shù)量，人群在不同的時(shí)間空隙里過(guò)馬路的概率等)；無(wú)人駕駛車和行人之間基于博弈論(game theory)、空間行為理論(proxemics)及信號(hào)交互理論(signalling interaction)的互動(dòng)行為和預(yù)測(cè)模型。

不少人際交流方法可以移植到無(wú)人駕駛車和行人之間的交流。例如，行人頭部朝向并注視車輛是預(yù)測(cè)行人意圖的一個(gè)關(guān)鍵線索，行人也可通過(guò)外部人機(jī)交互界面eHMI(external human-machine interface)向車輛發(fā)出明確的行動(dòng)信號(hào)。同理，無(wú)人駕駛車在確認(rèn)行人狀態(tài)的情況下也可利用顯示屏或燈條以文字、動(dòng)畫或圖標(biāo)等方式向行人傳達(dá)行動(dòng)意圖。隨著技術(shù)的深化，人車之間將形成標(biāo)準(zhǔn)化交流“手勢(shì)”并納入高精地圖。

理論模型的實(shí)踐檢驗(yàn)離不開行人數(shù)據(jù)和模擬平臺(tái)。目前公開的最大和最多樣化的帶有標(biāo)記的駕駛視頻數(shù)據(jù)集是伯克利深度駕駛視頻BDD100K(http:∥bdd-data.berkeley.edu)，包括了1萬(wàn)多小時(shí)的世界各地的駕駛視頻。與此同時(shí)，用于觀察行人之間以及行人和車輛之間互動(dòng)關(guān)系的開源模擬器也日益增多。

4.2 邊角案例的數(shù)據(jù)獲取

邊角案例，即高風(fēng)險(xiǎn)和傷亡事故案例，很少出現(xiàn)在普通的駕駛環(huán)境中，因此無(wú)法在公共路網(wǎng)的大規(guī)模試駕中獲取。目前可以通過(guò)三種互補(bǔ)的途徑——實(shí)測(cè)場(chǎng)地，虛擬仿真和眾包平臺(tái)來(lái)收集邊角案例，用于訓(xùn)練機(jī)器學(xué)習(xí)的極限應(yīng)變能力。

4.2.1 實(shí)測(cè)場(chǎng)地

建設(shè)足夠規(guī)模的物理試驗(yàn)環(huán)境來(lái)制造邊角案例是研究機(jī)構(gòu)和企業(yè)的首選手段。比如，美國(guó)密歇根大學(xué)主導(dǎo)建設(shè)的試驗(yàn)場(chǎng)MCity可供多家企業(yè)測(cè)試高風(fēng)險(xiǎn)駕駛場(chǎng)景。如圖6所示，該試驗(yàn)場(chǎng)不僅呈現(xiàn)城市和郊區(qū)環(huán)境中常見的路面、交通標(biāo)記、交叉口類型、建筑立面、車庫(kù)、地上地下進(jìn)出口坡道等靜態(tài)基礎(chǔ)設(shè)施，也模擬城市和郊區(qū)的日常生活，比如叫車服務(wù)、搬家、垃圾運(yùn)輸?shù)?。另一個(gè)供多家車企共享使用的大型測(cè)試場(chǎng)地是美國(guó)加州Contra Costa交通管理局負(fù)責(zé)運(yùn)營(yíng)的GoMentum Station，該場(chǎng)地?fù)碛?1.5 km的公路網(wǎng)及智能基礎(chǔ)設(shè)施，其中一條11 km長(zhǎng)的道路用于生成高速駕駛場(chǎng)景，一對(duì)430 m長(zhǎng)的隧道則用于生成傳感器信號(hào)發(fā)生變化的駕駛場(chǎng)景。為了鼓勵(lì)更多的研究機(jī)構(gòu)參與測(cè)試，積累和共享邊角案例，美國(guó)交通運(yùn)輸部于2017年公布了10個(gè)實(shí)測(cè)場(chǎng)地(www.transportation.gov/briefing-room/dot1717)。

圖6 MCity測(cè)試場(chǎng)地平面圖(來(lái)源：https:∥mcity.umich.edu/our-work/mcity-test-facility)

一些車企為了保持某些方面的競(jìng)爭(zhēng)優(yōu)勢(shì)，單獨(dú)建設(shè)試驗(yàn)場(chǎng)地，比如Waymo在美國(guó)加州的試驗(yàn)場(chǎng)地Castle，重點(diǎn)構(gòu)建車輛與行人的互動(dòng)場(chǎng)景，目前已經(jīng)積累了4萬(wàn)多個(gè)場(chǎng)景。優(yōu)步在美國(guó)匹茲堡附近的測(cè)試場(chǎng)地Almono則利用各種模仿建筑物、移動(dòng)車輛和行人的道具，在復(fù)雜路口制造無(wú)人駕駛車難以應(yīng)對(duì)的邊角案例，比如用道具建筑物擋住視線，道具車輛突然加速，道具人群突然橫穿馬路等。

4.2.2 虛擬仿真

虛擬仿真環(huán)境比實(shí)測(cè)場(chǎng)地更便于構(gòu)建罕見的邊角案例，特別是傷亡事故案例。微軟推出了一個(gè)用于模擬復(fù)雜駕駛場(chǎng)景的開放平臺(tái)CausalCity，使用者通過(guò)交互操作，可以詳細(xì)了解交通事故中的各種因果關(guān)系，也可以利用平臺(tái)提供的工具生成新的邊角案例[15]。模擬的邊角案例也可用于獲取用戶的認(rèn)知信息，比如在邊角場(chǎng)景里的關(guān)注點(diǎn)和行動(dòng)意圖。模擬環(huán)境還可用作為培訓(xùn)工具，向用戶透明地展示邊角場(chǎng)景驅(qū)動(dòng)下的導(dǎo)航?jīng)Q策過(guò)程。圖7所示為人類駕駛員在一個(gè)路口場(chǎng)景的眼動(dòng)軌跡，持續(xù)時(shí)間為1.2 s，眼動(dòng)軌跡顯示出在四個(gè)時(shí)間點(diǎn)t0-t3依次被關(guān)注的內(nèi)容：一位過(guò)街的人(t0)，右側(cè)的交通標(biāo)志(t1)，再次關(guān)注過(guò)街的人(t2)和另一位過(guò)街的人(t3)。人類駕駛員的眼動(dòng)軌跡除了可用于識(shí)別疲勞駕駛的風(fēng)險(xiǎn)外，也可用于識(shí)別邊角場(chǎng)景中人類的導(dǎo)航?jīng)Q策特點(diǎn)。

圖7 眼動(dòng)軌跡所示的4個(gè)時(shí)間點(diǎn)t0-t3被人類駕駛員關(guān)注的交通對(duì)象[16]

4.2.3 眾包收集

眾包收集是對(duì)實(shí)測(cè)場(chǎng)地的另一個(gè)有效補(bǔ)充。英國(guó)城市創(chuàng)新公司DG Cities和倫敦帝國(guó)學(xué)院等聯(lián)合啟動(dòng)的項(xiàng)目D-Risk，利用來(lái)自交通攝像頭、事故報(bào)告和志愿者目睹或親歷的事件構(gòu)建了全球最大的邊角案例庫(kù)(www.drisk-project.org/edge-cases)。這些邊角案例都是機(jī)器難以應(yīng)對(duì)的小概率事件及奇特組合，比如，車道上突然出現(xiàn)動(dòng)物的同時(shí)，有物體從高速公路橋上掉下來(lái)；萬(wàn)圣節(jié)打扮成交通燈的孩子站在街上；地下水管工從路面的井蓋里露出身體。目前這個(gè)案例庫(kù)已從世界各地收集到數(shù)百萬(wàn)起交通事故或險(xiǎn)情的描述，其中六萬(wàn)多起是由天氣驟變?cè)斐傻?，一萬(wàn)多起涉及動(dòng)物或其他非機(jī)動(dòng)車，數(shù)千起和無(wú)人駕駛技術(shù)有關(guān)。絕大部分涉及行人的險(xiǎn)情描述不曾記錄在交通事故報(bào)告中。研究者將這些從現(xiàn)實(shí)生活中收集的邊角案例組織成知識(shí)圖譜，一方面幫助人們更好地了解駕駛風(fēng)險(xiǎn)空間，另一方面還將案例進(jìn)一步合成數(shù)十萬(wàn)億種事故和險(xiǎn)情場(chǎng)景，用于訓(xùn)練機(jī)器學(xué)習(xí)算法，豐富高精地圖場(chǎng)景驅(qū)動(dòng)下的導(dǎo)航規(guī)則。

4.3 倫理困境中的導(dǎo)航?jīng)Q策

在大多數(shù)駕駛場(chǎng)景里，交通規(guī)則和倫理規(guī)范有很高的一致性，然而，危及人身安全的邊角場(chǎng)景里卻會(huì)出現(xiàn)兩相矛盾的道德困境。人類駕駛員善于根據(jù)安全第一的指導(dǎo)原則和倫理規(guī)范作出判斷并采取行動(dòng)，以違反交通規(guī)則的代價(jià)從困境里突圍。目前的高精地圖尚無(wú)能力應(yīng)對(duì)交通規(guī)則和倫理規(guī)范發(fā)生沖突的情況。為了填補(bǔ)這個(gè)空白，德國(guó)馬克斯·普朗克協(xié)會(huì)和美國(guó)麻省理工學(xué)院等聯(lián)合創(chuàng)建了一個(gè)叫“道德機(jī)器”的開放平臺(tái)，將無(wú)人駕駛車在邊角場(chǎng)景中面臨的各種倫理困境公布于眾，來(lái)自不同地區(qū)和不同社會(huì)文化環(huán)境的用戶可以對(duì)每一種倫理困境進(jìn)行個(gè)人評(píng)判，提出具體建議，并討論那些建議會(huì)造成哪些道德后果(www.moralmachine.net)。通過(guò)“道德機(jī)器”收集的眾包決策意向有助于訓(xùn)練機(jī)器算法，提取倫理困境中的導(dǎo)航?jīng)Q策。

企業(yè)選擇在實(shí)踐中逐步完善邊角場(chǎng)景驅(qū)動(dòng)下的安全導(dǎo)航規(guī)則。比如，NVIDIA發(fā)布了一個(gè)叫“安全力場(chǎng)”的開放平臺(tái)(www.nvidia.com/sff)，以確保車輛和行人不發(fā)生碰撞為底線，利用傳感器數(shù)據(jù)以及對(duì)高速公路和城市駕駛場(chǎng)景的模擬，重點(diǎn)研究無(wú)人駕駛車的剎車和轉(zhuǎn)向等動(dòng)作的安全駕駛規(guī)則。Aptiv公司則從大量高風(fēng)險(xiǎn)場(chǎng)景的駕駛行為數(shù)據(jù)中提取了數(shù)百條規(guī)則，并根據(jù)它們對(duì)安全性的重要程度進(jìn)行排序，形成無(wú)人駕駛車輛共享的“規(guī)則手冊(cè)”。排在頂層的是關(guān)于保證人類安全的規(guī)則，底層的是關(guān)于舒適性的規(guī)則。其余的規(guī)則和優(yōu)先級(jí)可以根據(jù)具體的任務(wù)適當(dāng)調(diào)整[17]。

Mobileye提出了一個(gè)叫“責(zé)任-敏感性安全”的數(shù)學(xué)模型(RSS)(www.mobileye.com/responsibility-sensitive-safety)。通常，高精地圖的導(dǎo)航?jīng)Q策依賴啟發(fā)式算法提供“預(yù)測(cè)”，需要消耗大量的計(jì)算資源，RSS結(jié)合人類的常識(shí)，用“意圖”取代預(yù)測(cè)，從而只需要一小部分的計(jì)算能力。RSS的規(guī)則中不僅明確定義在各種高風(fēng)險(xiǎn)場(chǎng)景，特別是其他道路使用者違反交通規(guī)則時(shí)無(wú)人駕駛車應(yīng)有的正確反應(yīng)。更重要的是，當(dāng)突發(fā)危險(xiǎn)情況時(shí)允許無(wú)人駕駛車違反一條或多條交通規(guī)則，以避免事故發(fā)生。例如，如果一個(gè)物體突然出現(xiàn)在車道上，高精地圖就指揮無(wú)人駕駛車立即換車道來(lái)避免直接碰撞或連鎖碰撞，盡管這個(gè)決策有可能違反有關(guān)車道線或路肩等的交通規(guī)則。

4.4 無(wú)人駕駛的安全性能評(píng)估

高精度地圖的導(dǎo)航?jīng)Q策能力體現(xiàn)在無(wú)人駕駛技術(shù)的成熟度上。其中，安全性能的公眾關(guān)注度最高，并直接影響著無(wú)人駕駛車的準(zhǔn)入門檻。每一起致命事故的發(fā)生，即使原因很快被查明，都會(huì)對(duì)公眾產(chǎn)生持久的消極效應(yīng)。因此，如何建立一個(gè)令公眾信服的安全性能評(píng)估體系已成為一個(gè)研究熱點(diǎn)。

4.4.1 基于定量屬性的評(píng)估方法

無(wú)人駕駛技術(shù)的安全性被視為可定量的屬性。目前普遍采用的指標(biāo)包括免提行駛的里程數(shù)，單位里程中人類駕駛員的接管次數(shù)和時(shí)長(zhǎng)。這種方法的優(yōu)點(diǎn)是直觀易懂，車企定期公布業(yè)績(jī)數(shù)據(jù)有利于提高透明度，使公眾及時(shí)了解無(wú)人駕駛技術(shù)的進(jìn)步。定量屬性也可以用作為研發(fā)目標(biāo)，鼓勵(lì)競(jìng)爭(zhēng)。一個(gè)叫“零事故愿景網(wǎng)絡(luò)”(https:∥visionzeronetwork.org)的公益合作項(xiàng)目致力于推進(jìn)安全和健康行駛，避免一切可以避免的重大交通事故，同時(shí)增加所有人的安全、健康、公平的流動(dòng)性。零傷亡愿景于20世紀(jì)90年代在瑞典首次實(shí)施，在歐洲和美國(guó)得到了廣泛的支持和認(rèn)同。2016年，美國(guó)推出了“零事故”重點(diǎn)城市計(jì)劃，2022年初，美國(guó)交通部將“零事故”擴(kuò)展到零排放愿景。

然而，基于定量屬性的評(píng)估方法并不現(xiàn)實(shí)。為了在統(tǒng)計(jì)顯著性上說(shuō)明比人類駕駛安全兩倍，無(wú)人駕駛車需要在實(shí)際的公路上達(dá)到62億千米以上的免提行駛距離，并以每百萬(wàn)千米的傷亡人數(shù)來(lái)和人類駕駛的業(yè)績(jī)相比較[18]。這樣的指標(biāo)不僅難以監(jiān)管，還會(huì)延緩甚至阻礙創(chuàng)新開發(fā)。即使在很多年后滿足了指標(biāo)要求，只要依然存在傷亡事故，公眾仍未必完全信任無(wú)人駕駛技術(shù)。

4.4.2 基于系統(tǒng)設(shè)計(jì)的評(píng)估方法

無(wú)人駕駛技術(shù)的安全性被視為一個(gè)系統(tǒng)的安全設(shè)計(jì)原則，涉及比車輛本身更多的相關(guān)組件，包括社會(huì)因素、道路基礎(chǔ)設(shè)施和通信網(wǎng)絡(luò)在內(nèi)。歐盟公布的和公共道德價(jià)值觀有關(guān)的倫理原則，涵蓋了安全設(shè)計(jì)、新的交通規(guī)則、算法決策的透明度、道路使用者的信息隱私和知情權(quán)、數(shù)據(jù)集的公共和開放的基礎(chǔ)設(shè)施資源、審計(jì)算法、問(wèn)責(zé)等多項(xiàng)規(guī)定[19]。系統(tǒng)安全性實(shí)際上是約束條件下的求解問(wèn)題，可能有多種解法。比如對(duì)車輛進(jìn)行“地理圍欄”，以防它們?cè)趯?shí)際交通中誤入不可預(yù)測(cè)的空間，或者改變系統(tǒng)設(shè)置，限制其他道路參與者的行動(dòng)或?qū)Φ缆坊A(chǔ)設(shè)施進(jìn)行升級(jí)改造[20]。

無(wú)人駕駛系統(tǒng)的安全設(shè)計(jì)也包括網(wǎng)絡(luò)安全測(cè)試，主要體現(xiàn)在定位通信和遠(yuǎn)程控制兩個(gè)方面。高精地圖的導(dǎo)航?jīng)Q策對(duì)衛(wèi)星定位信息有很高的依賴性，使黑客攻擊有了可乘之機(jī)。軟件技術(shù)公司Regulus Cyber的研究人員模仿潛在黑客，用無(wú)線電設(shè)備干擾定位衛(wèi)星的組合，偽造定位信號(hào)并導(dǎo)出欺詐坐標(biāo)。面臨來(lái)自“定位接收器”和其他傳感器互相矛盾的信號(hào)，導(dǎo)航規(guī)則中如果對(duì)“定位接收器”的信號(hào)設(shè)置了過(guò)高的權(quán)重，往往會(huì)導(dǎo)致測(cè)試車把錯(cuò)誤的位置當(dāng)作高速路出口，執(zhí)行錯(cuò)誤的限速指令，甚至駛?cè)肽嫘械繹21]。遠(yuǎn)程控制技術(shù)也面臨同樣的網(wǎng)絡(luò)安全隱患。相比遠(yuǎn)程操縱的工業(yè)自動(dòng)車，比如挖土機(jī)、采礦車、貨物裝卸車等，無(wú)人駕駛車行駛在開放的公共場(chǎng)合，遇到故障的時(shí)候，需要借助通信網(wǎng)絡(luò)獲得可靠的遠(yuǎn)程指導(dǎo)。芬蘭阿爾托大學(xué)研發(fā)了A!ex概念，重點(diǎn)研究無(wú)人駕駛車在5G網(wǎng)絡(luò)里與其他車輛和交通基礎(chǔ)設(shè)施進(jìn)行通信的意外情況，比如遠(yuǎn)程控制器使無(wú)人駕駛車在地球的另一端踩下油門的時(shí)刻網(wǎng)絡(luò)中斷，遠(yuǎn)程控制器和無(wú)人駕駛車的邊緣計(jì)算能力之間的責(zé)任劃分等[22]。

德國(guó)經(jīng)濟(jì)能源部支持的PEGASUS項(xiàng)目組提出了一個(gè)對(duì)無(wú)人駕駛車進(jìn)行安全性能系統(tǒng)測(cè)試和驗(yàn)收的方案，先以高速公路基礎(chǔ)設(shè)施作為試驗(yàn)區(qū)[23]。研究人員首先利用機(jī)器學(xué)習(xí)方法，從大量傳感數(shù)據(jù)以及德國(guó)的動(dòng)態(tài)交通事故數(shù)據(jù)庫(kù)等多種數(shù)據(jù)源中識(shí)別高速公路上出現(xiàn)的高風(fēng)險(xiǎn)場(chǎng)景的各種特征及取值，并用ASAM的標(biāo)準(zhǔn)格式加以描述。當(dāng)場(chǎng)景數(shù)量足夠大的時(shí)候，它們可以形成一個(gè)連續(xù)分布的場(chǎng)景空間。因此，機(jī)器學(xué)習(xí)的結(jié)果不再是具體的高風(fēng)險(xiǎn)場(chǎng)景列表，而是一個(gè)可供測(cè)試的邏輯場(chǎng)景空間，空間內(nèi)任意一個(gè)點(diǎn)都對(duì)應(yīng)一個(gè)有若干特征參數(shù)值組合而成的高風(fēng)險(xiǎn)場(chǎng)景。在此基礎(chǔ)上，研究者們進(jìn)一步開發(fā)模擬器，系統(tǒng)地分析整個(gè)邏輯場(chǎng)景空間里無(wú)人駕駛車的安全性責(zé)任以及必須達(dá)到的指標(biāo)，并在實(shí)測(cè)場(chǎng)地或虛擬仿真環(huán)境里反復(fù)驗(yàn)證。如果一輛無(wú)人駕駛車能夠通過(guò)隨機(jī)抽取的高風(fēng)險(xiǎn)場(chǎng)景的安全性能檢驗(yàn)，就被認(rèn)為是合格的，換句話說(shuō)，其高精地圖的導(dǎo)航智能達(dá)到了安全性要求。

5 展 望

無(wú)人駕駛是對(duì)高精地圖導(dǎo)航智能的極限挑戰(zhàn)，需要立法機(jī)構(gòu)、研究機(jī)構(gòu)、企業(yè)和公眾在全球范圍內(nèi)協(xié)同合作，共享數(shù)據(jù)和知識(shí)，才能在任何駕駛場(chǎng)景達(dá)到法律和道德框架內(nèi)都無(wú)須人類接管的要求。以安全為導(dǎo)向的無(wú)人駕駛是現(xiàn)階段的研究重點(diǎn)，隨著對(duì)安全駕駛有意義的數(shù)據(jù)和知識(shí)的日益增多，人工智能算法將得到更加完備的訓(xùn)練，為高精地圖補(bǔ)充越來(lái)越多場(chǎng)景驅(qū)動(dòng)并且符合倫理準(zhǔn)則的安全導(dǎo)航規(guī)則。

現(xiàn)階段的高精地圖主要服務(wù)于無(wú)人駕駛車。在機(jī)器的“眼”里，高精地圖是關(guān)于路網(wǎng)和駕駛場(chǎng)景中和安全導(dǎo)航相關(guān)的幾何對(duì)象、語(yǔ)義屬性、互動(dòng)關(guān)系、交通規(guī)則、倫理規(guī)范等的結(jié)構(gòu)化數(shù)碼，地圖的視覺設(shè)計(jì)元素可有可無(wú)。隨著無(wú)人駕駛技術(shù)的不斷完善，安全第一將逐漸擴(kuò)展成兼顧安全、環(huán)保節(jié)能和身心愉悅度的移動(dòng)體驗(yàn)。

不斷追求技術(shù)進(jìn)步的人類將駕駛控制權(quán)全部交給機(jī)器，欣喜之余也有失落感。手握方向盤安全且快速地在道路上穿梭的過(guò)程不全是迫不得已的趕路或周而復(fù)始的上下班交通程序，而是生活樂(lè)趣的一部分。失去這部分樂(lè)趣，就意味著需要通過(guò)其他方式找到另一種樂(lè)趣。無(wú)人駕駛環(huán)境里的人類不再是監(jiān)護(hù)者，而是機(jī)器的平等對(duì)話者、用戶體驗(yàn)數(shù)據(jù)的貢獻(xiàn)者、駕駛場(chǎng)景的目擊者和車載信息娛樂(lè)系統(tǒng)的欣賞者。移動(dòng)車輛中的乘客仍將繼續(xù)本能地關(guān)注高風(fēng)險(xiǎn)場(chǎng)景，無(wú)人駕駛車也會(huì)及時(shí)感知到車內(nèi)乘客和車外行人的手勢(shì)、表情和意圖。人和車輛之間的自然交流不僅能夠提升移動(dòng)體驗(yàn)的愉悅度，也是對(duì)邊緣計(jì)算以及安全導(dǎo)航的有效補(bǔ)充。但人類在移動(dòng)世界的新角色離不開清晰易懂的駕駛場(chǎng)景地圖。高精地圖的結(jié)構(gòu)化數(shù)碼除了服務(wù)于無(wú)人駕駛車以外，也將作為數(shù)字社會(huì)的知識(shí)載體服務(wù)于更廣泛的科技、教育和文化傳媒領(lǐng)域，衍生出多樣化的適合人眼閱讀的高清地圖。如何充分發(fā)揮自主導(dǎo)航地圖數(shù)據(jù)的價(jià)值，實(shí)時(shí)生成高精地圖和高清地圖，同時(shí)為機(jī)器和人類提供最優(yōu)服務(wù)，將成為新的研究熱點(diǎn)。

高清地圖不像一幅世界全圖那樣靜美和超脫，它是一個(gè)個(gè)平?；蛘咔рx一發(fā)的移動(dòng)窗口。未來(lái)的HD Map既是高精地圖，也是高清地圖，并且還由于承載著安全駕駛的倫理規(guī)范而成為名副其實(shí)的高德地圖。無(wú)人駕駛的發(fā)展趨勢(shì)是用數(shù)據(jù)之真，地圖之美，為人類創(chuàng)造移動(dòng)服務(wù)之善。