棋类模拟
我们不妨来做个模拟,把城市道路做虚拟的网格化处理,那么其勾连出来的交通网就如同棋盘一般,道路之上正在行进中的全自动驾驶车辆,则是棋子。
不妨我们再把道路上行驶的各种型号的无人驾驶汽车的加权属性抹掉,抽象为一个个的点,那么这个局面就很像下围棋了。
这种模拟下围棋的算法应用到全自动驾驶行业中,会给人以无限的乐观感,因为3年前围棋界的人工智能AlphaGo通过价值网络的精确估值,避免了海量终局模拟和穷举法,实现了吊打一切人类高手的突破。
与围棋人工智能类似的是,现实世界的全自动人工驾驶模拟,是建立在一个“准虚拟空间”中的,目前还无法实现全方位的现实模拟,有高度精确的地图指引,相对健全和经过优化的路标路面,以及较为同质化的行驶规则为前提,某一段精选的高速公路或者园区路况成为国内外测试无人驾驶技术的主要试验田。
在美版知乎quora上一个高赞无人驾驶的用户体验:当绿灯亮起,车需要右转的时候,右侧的行人和无人驾驶车辆出现了同时等待对方发出指令的情况,双方都需要对方的反应才能做出走或者停的判断,一下子尬住了。
但由于不同车辆潜在的造成交通事故的概率而论,我们不能像围棋那样对子力做平均化的模块化处理,而是必须采用“围棋+象棋”的推演模式:对不同子力进行加权评估。
2019年上半年,上海“两客一危”车均事故率0．32起,万车死亡率达21．4人,是家用小轿车的4倍左右,那么,一旦发生拥堵,当然无人驾驶汽车前面的若是一辆渣土车,那么系统评估下来危险系数起评分乘以4,应该并不过分。所以,无人驾驶技术所依靠的传感器、雷达等必须要有精准识别“路障”的功能。
安全第一,但安全并不是终极目的
对于刚学会开车的新手来说,安全第一是一条黄金法则,但老司机们会对通行效率有深刻体会,他们会在保持安全,并且在丰富的预判危险的经验基础上尽可能提升通行效率。
车距感、后视镜的宽度,如果遇到路面上不经意出现的石子、树枝,采取何种时速选择碾压还是避让,危险来临之时,到底加速避让还是刹车避让……这一系列的精准判断,都建立在长时间对复杂路况实操的基础上。
小黑之前报道过,前一段时间,特斯拉无人驾驶车在台湾发生了交通事故,传感器未能及时识别路障,刹车时已经晚了
最后,小黑还需自我辩解一下,本文绝无抨击大货车和电动车扯了城市交通后腿的意思,他们是城市交通中“乘风破浪的姐姐”,生命力极其顽强,本文只是想借此对一线城市路况复杂度做一个切片式的样本分析。
总之,全自动驾驶技术若想从农机产品应用(其应用原理和无人驾驶轨道交通很类似)或者某些特定商用中走出来,朝着有真正烟火气的方向前进,必须要从“识车而不识路”的窠臼中走出来。
