棋類模擬

我們不妨來做個模擬,把城市道路做虛擬的網格化處理,那么其勾連出來的交通網就如同棋盤一般,道路之上正在行進中的全自動駕駛車輛,則是棋子。

不妨我們再把道路上行駛的各種型號的無人駕駛汽車的加權屬性抹掉,抽象為一個個的點,那么這個局面就很像下圍棋了。

這種模擬下圍棋的算法應用到全自動駕駛行業中,會給人以無限的樂觀感,因為3年前圍棋界的人工智能AlphaGo通過價值網絡的精確估值,避免了海量終局模擬和窮舉法,實現了吊打一切人類高手的突破。

與圍棋人工智能類似的是,現實世界的全自動人工駕駛模擬,是建立在一個“準虛擬空間”中的,目前還無法實現全方位的現實模擬,有高度精確的地圖指引,相對健全和經過優化的路標路面,以及較為同質化的行駛規則為前提,某一段精選的高速公路或者園區路況成為國內外測試無人駕駛技術的主要試驗田。

在美版知乎quora上一個高贊無人駕駛的用戶體驗:當綠燈亮起,車需要右轉的時候,右側的行人和無人駕駛車輛出現了同時等待對方發出指令的情況,雙方都需要對方的反應才能做出走或者停的判斷,一下子尬住了。

但由于不同車輛潛在的造成交通事故的概率而論,我們不能像圍棋那樣對子力做平均化的模塊化處理,而是必須采用“圍棋+象棋”的推演模式:對不同子力進行加權評估。

2019年上半年,上海“兩客一危”車均事故率0．32起,萬車死亡率達21．4人,是家用小轎車的4倍左右,那么,一旦發生擁堵,當然無人駕駛汽車前面的若是一輛渣土車,那么系統評估下來危險系數起評分乘以4,應該并不過分。所以,無人駕駛技術所依靠的傳感器、雷達等必須要有精準識別“路障”的功能。

安全第一,但安全并不是終極目的

對于剛學會開車的新手來說,安全第一是一條黃金法則,但老司機們會對通行效率有深刻體會,他們會在保持安全,并且在豐富的預判危險的經驗基礎上盡可能提升通行效率。

車距感、后視鏡的寬度,如果遇到路面上不經意出現的石子、樹枝,采取何種時速選擇碾壓還是避讓,危險來臨之時,到底加速避讓還是剎車避讓……這一系列的精準判斷,都建立在長時間對復雜路況實操的基礎上。

小黑之前報道過,前一段時間,特斯拉無人駕駛車在臺灣發生了交通事故,傳感器未能及時識別路障,剎車時已經晚了

最后,小黑還需自我辯解一下,本文絕無抨擊大貨車和電動車扯了城市交通后腿的意思,他們是城市交通中“乘風破浪的姐姐”,生命力極其頑強,本文只是想借此對一線城市路況復雜度做一個切片式的樣本分析。

總之,全自動駕駛技術若想從農機產品應用(其應用原理和無人駕駛軌道交通很類似)或者某些特定商用中走出來,朝著有真正煙火氣的方向前進,必須要從“識車而不識路”的窠臼中走出來。