主页 > 病友问答 > 正文

成都怎样治疗甲亢病

2017-03-27 07:15 来源:中科甲状腺医院

成都中科甲状腺医院,集诊疗、预防、保健、康复为一体,是全国甲状腺重点临床科研、教学基地的大型现代化专科医院。免费咨询电话:17711376859。QQ:2242395437

[导读]随着行业内最为激进将无人驾驶能力商用化的Tesla爆出几次严重的交通事故,使得人们开始怀疑无人驾驶的可靠性。到底应该如何正确拥抱无人驾驶?

童济仁汽车评论 专栏作者丨Manishi汗

从Tesla的无人驾驶风风火火走四方,到Volvo宣布要推出最可靠安全的无人驾驶技术;从Google Alphabet 将自动驾驶汽车项目分拆为独立公司Waymo(A new way forward in mobility),到百度将智能汽车事业部(L3),自动驾驶事业部(L4)和车联网事业部整合成立智能驾驶视野群组(IDG);还有Uber于2016年9月14日,在美国东部宾夕法尼亚匹兹堡市推出无人驾驶汽车载客服务等等。

无论是新进晋汽车行业玩家,或是传统老牌制造商,或是互联网新兴巨头,似乎都将未来的一大部分押注于无人驾驶,加之不断涌现的新型创业团队获得巨额投资或行业巨头的疯抢,一时间,似乎无人驾驶很快就会普及。

然而,随着行业内最为激进将无人驾驶(实际上准确的定义应该是高级辅助驾驶)能力商用化的Tesla爆出几次严重的交通事故,使得人们开始怀疑,如何能够正确的拥抱无人驾驶的到来?无人驾驶真的可靠么?

▎场景:无人驾驶实施的重要门槛?

以目前的实际状况来看,虽然无人驾驶的话题越来越火,但是在商业化市场上的挑战仍然很大。就一个普通人类驾驶员而言,寻常道路的驾驶尚且分熟手和新手,遇到路况特殊,更需要老司机加持,对自动驾驶的场景理解自然也不可一概而论。

按照SAE (美国Society of Automotive Engineers, 美国机动车工程师学会)对自动驾驶的分类中,多次提到了按照场景的不同,自动驾驶有着不同的实现路径和可行性。比如说针对矿山、码头这种场景来说,可限定的范围或不存在高精度的要求,例如:特殊的工程机械在各种辅助定位设施的协助下,是较为容易实现全自动无人驾驶的。

再如在高速公路上的大型卡车长途驾驶以及编队行驶,由于路况相对简单以及卡车上相对简便的传感器布局,也能实现在这样路段下的无人驾驶能力。例如:由前谷歌无人驾驶汽车团队前工程师安东尼 莱万多夫斯基自立门户合伙创办的OTTO公司(目前已经以6.8亿美元作价并入Uber),就致力于研发无人驾驶卡车工具,对于美国占据总工作人口数量1%的160万卡车司机市场而言,在经常遭遇疲劳驾驶,且卡车司机短缺的市场里,前景非常乐观。

而当我们来到安全性要求更高,行驶场景更复杂的乘用车领域,无人驾驶场景就会变的更具挑战性。这一点,在中国尤其明显!

那么问题来了,在中国,二级高级辅助驾驶(L2)的前景如何?

实际上,从多项综合因素来看,针对中国的整体交通环境来看,可以确定5年之内最靠谱的高级辅助驾驶实现场景:在相对封闭的部分场景,全面开始实施高级辅助驾驶(L2)!

L2就是:在高速公路路段(不包括公路过度段)、城市快速路、城市标准车行道以及部分标准停车场内实现不打方向盘,不踩油门刹车,但驾驶员仍然需要高度关注路面状况的高级辅助驾驶辅助形式。

▎为什么得出这样的判断?

关于高级辅助驾驶有三个核心环节:感知、决策和执行。其具体内容可以另开话题进行展开。简单的理解就是车辆需要通过各种传感器来获取外界时刻变化的信息和信号,并在车辆电脑上进行实时运算并进行行驶状态的控制。这其中,感知和决策,涉及到大量软件和硬件能力的提升与重构。

第一,硬件感知精度和适应能力的缺口

这包括对位置精度和地图精度的感知能力,人类驾驶者的敏锐度,是行车安全中密不可分的一部分。

目前行业中大力推崇的毫米波雷达和激光雷达,就是为了提升感知精度而引入行业的高精度传感器。激光雷达具有对环境分辨率高的特点,但成本昂贵且对于恶劣天气适应能力差。毫米波雷达具有中远距的探测能力,虽然分辨率略低于激光雷达,但距离更远,且恶劣天气适应能力更佳。

目前大量前装、后装市场上所使用的纯摄像头解决方案,其应用虽然简便,但环境分辨率差,响应速度较慢以及容易收到天气影响。这些硬件的感知能力都尚在提升过程中,且由于成本原因,要进一步进入到普通商用产品内,从成熟到成本下降,仍需要3到5年左右的成熟期。

目前应用较广的如AEB(Automatic Emergency Brake), LKS (Lane Keeping Assist), ACC (Adaptive Cruise Control)在利用有限传感器(摄像头,超声波传感器,毫米波雷达)的情况下能够实现进一步的功能体验方面的提升,但基本上仅限于封闭道路内最高达LV2的辅助驾驶能力。

但致命的是,这些传感器无法支持进一步的让驾驶者完全无忧放手的能力。况且,即使这些技术的普及到大众产品,仍需要不断降低成本来实现车企的财务平衡 。

第二,传感器数据的融合难度?

在此之前,人类驾驶者的眼观四路,耳听八方能力,可以避免独立数据的计算出错。

2016年5月7日,一辆特斯拉Model S在美国佛罗里达州北部高速公路上发生了严重事故,驾驶员和车辆装备的Autopilot系统都未能识别出正在左转的大货车,Model S在没有任何减速的测试下,钻入了大货车下方,驾驶员不幸遇难。

究其原因,其前置摄像头致盲或误将车身当成白云,而安装过低的前置毫米波雷达穿透了卡车底盘而未能识别卡车。两个独立工作的传感器都感知到了一部分数据,但其综合判断却未能得出正确的制动判断,原因是传感器之间的数据尚未进行融合。

虽然特斯拉官方回应称,这是其自动驾驶行驶超过1.3亿英里(合2.08亿公里)依赖发生的第一次已知导致死亡的车祸,并随后快速升级了其同时具备摄像头和毫米波雷达的Auto?pilot 2.0系统,可是从其官网上来看,真正实现Auto Pilot 2.0功能,可能也需要经过数年的大量测试,才可能成熟完善。

另外,从目前主流的Bosch,Conti的能力来看,其综合融合算法还在成长期,进入商用和成熟预计要在2018年以后。同时,以特斯拉和Volvo XC90为例,不同的传感器配置方案以及安全策略,使得辅助驾驶在各个场景下的介入和退出程度大相径庭,在有限的传感器布置下,在封闭道路上的能力上趋近度更接近。

但如果是要进入商用化,采用安全性更高的驾驶辅助策略应该是每个厂商的考量,经历过数次严重事故的Tesla也不会不考虑其企业和产品商誉的问题。

第三:在中国复杂的环境下,算法离成熟尚远?

从现有的算法来看,由于各类高精度传感器的发展尚处于成长期,算法本身基于传感器数据,自然也在不断完善的过程。人类驾驶者的判断能力机器尚不可及。

从中国的路况来看,人车混杂的道路状况是欧美国家的道路状况所不可比拟的,算法上需要解决对行人和两轮交通设备的识别和处理能力,是一个巨大的挑战。

中国另一大世界领先的道路状况:连接全国的高速公路虽然路况极佳,可是越来越多的交错变化的过渡连接路以及随处可见的收费处却成了算法的一大挑战。因为目前的算法高度依赖于对地面路径以及前车状态的识别能力。

开过中国高速公路的连接环的人都知道,道路的曲率非常大,各类算法在这种路况上很容易丢失路径从而脱离辅助控制状态,这一个问题的解决方案十分复杂,涉及到人类所独特拥有的对于“未见路径”的推测能力,而对于现有算法来说,可以依靠自建道路路径或依赖高精度地图来实现,但这两项内容的成熟度都远远未达标。

对于中国特色“收费站”也是同样的问题,现在的地图有能力告知驾驶者“前方即将到达收费站”,但如何能够准确识别那一个道口是ETC,如何自动通过,这些都是目前的国际算法中尚未重点突破的领域。

另外,中国各种狭小而不规则的地下或小区停车库,这些场景都有欧美重点实施无人驾驶国家所不具备的复杂性,针对中国的特殊路况特性,如狭窄道路通行等,还有很大的算法提升空间。

反观目前的封闭式道路场景,如高速公路直行路段,封闭的高架道路和隧道桥梁,在各国的情况都比较类似,且有Tesla已然具备的在此类场景内的辅助能力来看,各家制造商在接下去的几年内提供类似体验不再是大挑战,只是时间布局早晚问题和体验程度的差异。

第四,决策能力的核心是算法,算法更依赖计算机芯片!

在没有足够计算能力前,人类智慧无可替代。

虽然如Intel,英飞凌、高通、Mobileye、Nvidia等芯片巨头都纷纷杀入到汽车自动驾驶领域,如高通835A,Mobileye EQ4,Nvidia PX2等芯片,但其高企的价格、复杂的架构,都对商用化快速铺开的能力有巨大挑战,开发团队、理解新的传感器架构以及提升整车平台控制能力,都要对整车架构进行巨大的修改和提升,而一般整车平台的更新换代都在5到7年时间。

这意味着,即使这些合作工作早在2015年开始,等这些芯片在2017年成熟投入市场并逐渐优化,其时间也有待提升。且初期进入的都是欧美市场,在中国市场中投入具备这些计算能力的产品,并针对中国市场进行调整并提升体验能力,也需要大量的时间。最简单的方法便是先在高度类似的封闭场景内投入应用。抢占市场先机。

第五:现有车辆结构设计,无法实现“机车合一”

如汽车行业内一个永恒的话题:油门迟滞。是传统燃油车发动机、变速箱、制动器对整体决策的执行延迟。人类驾驶者常常会采用早踩半脚油的方式,但这种模糊式的控制能力对于要求高度精确的辅助驾驶就变的非常困难,体验很难获得本质的提升。

只有在场景反应要求相对较低的封闭道路上,辅助驾驶才有可能留出足够的余量,对体验预期进行最低能力管理。这一点,随着整车底部执行机构的全面电气化,将可以获得提升。可是从目前燃油车的角度来看,要想全面电气化,仍然有待时日。

▎法规的束缚:车企为何普遍选择跳过L3?

除了这些技术层面的问题,法规层面的束缚,也不容易忽视:比如国内的法律法规和商业环境尚未成熟,包括如车企对于责任的判定边界余量过高,在过多场景内会随时退出或需要过多的人工介入,法律对于责任判定尚不明确,在公开道路上进行高级辅助驾驶的事故判定缺乏鼓励性的政策推动。

在此之前,饱受法律法规紧箍咒的车企,自然仅愿意在游戏规则里争夺市场。从丰田刹车门召回痛失全球第一,到通用汽车点火开关10亿美金赔偿,再到仍在不断扩散的大众柴油机排放门,近年来由于触到法规底线而陷百年基业于险境的案例屡见不鲜。

同时,除AEB功能正在成为全球下一轮NCAP的整车评分判定分值项外,其它大部分的功能还只是车企提供竞争力需求而非满足法规需求的配备项。满足“具备竞争优势即可”的思路,使得车企不愿意过早进行市场培育而丧失价格优势。在这一点特斯拉是绝对表率,但这家公司长期赤字的财务报表,是任何一家传统车企的掌门人难以承受的挑战。

所幸是,包括如美国交通部颁布的联邦自动驾驶汽车政策所提到的安全评估,州政策样板以及监管工具等,已经是政府意识到了这一点并开始建立法律法规来定义责任判定,监管和确保新技术的应用安全性。

国际方面,《维也纳交通公约》也已经与2016年3月通过了修正案,允许驾驶员将车辆的控制权交给自动驾驶系统。同时,根据这个要求,按照普遍对于L3等级或以上的自动驾驶,车企,也就是自动驾驶的提供方,将是事故的责任方。

如果按照2017年2月在美国众议院下述委员会的关于“自动驾驶汽车的部署之路”听证会中,沃尔沃代表明确表示不考虑SAE L3等级而将直接进入到L4自动驾驶等级。其原因是L3仍然会将某些“危险”场景遗留给驾驶员处理,这样在紧急时刻里留给驾驶员的反应时间极为有限。

这也意味着,为规避灾难性的风险,车企需要更长的时间将技术直接演进至全无人驾驶,在那之前,将技术控制在封闭场景内,并要求驾驶员时刻为自己的生命负责(L2辅助驾驶)的方式,应该是接下去5年内,大部分车企的主流选择!

作者:Manishi汗

汽车产品专家,《童济仁汽车评论》专栏作者。

如果您对此文的观点,有任何想法,欢迎留言探讨!

想要了解更及时、更全面的车市消息,立刻关注微信公众号:AutoTong

[db:内容1]
阅读()
分享: