为什么今天的L4无人驾驶无法达到终局?

中国防水涂料网

2018-07-16

为什么今天的L4无人驾驶无法达到终局?

  2018/1/1215:36:23其在人们日常生活中扮演的角色也越来越重要,甚至可以说,一部手机基本就可以搞定生活中的大小事物。80%以上的Note用户十分喜爱自己的三星GalaxyNote手机,以用户需求为核心,不断为用户提供更先进、更可靠的产品,用实际行动让用户满意。2018/1/1215:36:23其在人们日常生活中扮演的角色也越来越重要,甚至可以说,一部手机基本就可以搞定生活中的大小事物。

  本报告通过深入的调查、分析,投资者能够充分把握行业目前所处的全球和国内宏观经济形势,具体分析该产品所在的细分市场,对火麻茶行业总体市场的供求趋势及行业前景做出判断;明确目标市场、分析竞争对手,了解市场定位,把握市场特征,发掘价格规律,创新营销手段,提出火麻茶行业市场进入和市场开拓策略,对行业未来发展提出可行性建议。

  虽然其在昨日(8月10日)盘中略有下跌,但与5月底相比,涨幅也已接近40%。信达期货分析师韩飞则对记者表示,“当前黑色系品种整体拉涨情绪也带动了矿石价格上涨。当前近月合约已接近平水现货,持仓过大是主要问题,后期涨跌仍要看螺纹钢价和主力持仓意向。

作为21世纪海上丝绸之路**区、自由贸易试验区等五区叠加政策利好于一身的马尾,又迎来了新一轮机遇,这成为了陈先生选择正荣铺的主要理由。(本段信息来源于福州新闻网)

  为有针对性地加强对此类犯罪行为的打击,《解释》专门规定,对此种情形应当以污染环境罪的共同犯罪追究有关单位、个人的刑事责任。

  1915年11月21日,全国各省区的国民代表就国体问题进行公决。1993张选票都赞成君主立宪,没有一张反对票或废票。之后,各省区分别发出一份45字推戴书,内容相同,一字不差:“谨以国民公意,恭戴今大总统袁世凯为中华帝国,并以国家最上完全主权奉之于皇帝,承天建极,传之万世。”新帝国以“洪宪”为国号,袁世凯的解释是,他要创建一个“伟大的宪章时代”。

很多场合,“智能驾驶”和“无人驾驶”被混为一谈,而后者显然更为大众所喜闻乐见。 更加专业的群众,愿意用“L4”、“L5”来说事。 “L5”的车就像变形金刚汽车人,降落到世界任何一个地方,马上能熟练地汇入滚滚车流,这显然仍是遥远的传奇。

于是“L4”成了圈子里所有人的寄托。 当然,每个圈子里都有所谓的鄙视链,比如这个圈子里:L4的看不起L3,殊不知L3的极限能力与L4相差无几,从L3出现意外状况、到驾驶员接管前的10几秒,需要无人状态的failoperation(比如减速靠边、停到安全区域),这种能力已经非常接近L4。 在大马路上练的L4,看不起各种特殊场景的L4。 这里也有几个误解:第一,如果跑来跑去只在几条大马路上,那几条大马路也与“限定场景”无异(机器学习里叫overfit)。 你马上挑出几条新的马路来,估计谷歌Waymo也够呛。 第二,很多特殊场景也是开放环境。

比如大商场的停车场有社会车辆、出没不定的行人和拥挤的十字路口,与大马路相比,主体算法的难度是类似的,差别只是在于训练数据和反应速度(这又取决于传感器的工作距离、分辨率和计算芯片的处理速度)。

第三,很多特殊场景是需要A照司机的,这些场景需要“C照马路小白”所不具备的驾驶技巧。

第四,很多人看好的大马路L4,却是在3、5年内很难真正无人驾驶的(需要坐安全测试员),而很多特殊场景的L4,却是在1、2年内可以商业化的。

更要命的是,今天的L4算法(包括大马路和特殊场景),很可能都无法到达终局。

换言之,满城尽跑无人车时,他们大概率是不同的物种,跑不同的人工智能算法。 最后一点似乎是故作惊人之语,这里不妨科学论证一下。

且看这张图。 图中X轴是需要干预或出现事故的平均里程数。 Waymo在2017年的水平是每自动驾驶5596英里(9006公里)才有1次人的干预,遥遥领先于其他选手。

然而再推敲下去,细思极恐。 第一,Waymo的水平离美国人类驾驶员的平均水平,差距巨大。 后者是每万英里出一次普通事故,每9000万英里才出一次致命事故。 这个数据是基于加州城郊公路的30多万英里,交通场景总体不算特别难。 第二,Waymo的提升速度在减缓。

其2015年的水准是1300英里一次干预,到2016年提升了近3倍,但2017年相较去年只提升了10%出头。 再看月度的数据,2017年除了年底出现了令人惊异的增长,其他月度还是起伏不定。 年底出现跃升,前年也有过,也许跟假期车少有关?无论怎样,2018年是否能有显著增长,还不好说。

第三,Waymo的算法(以及今天几乎所有L4的算法)都是数据驱动的,见过的大概率会,没见过的大概率不会,所以Waymo领先主要是领先在数据积累,去年底的时候已经有640万公里的实测数据。 然而,对Waymo来说,通过路测方法收集数据已经变得异常昂贵:2017年的63次干预中大致有2/3是因为算法问题,而针对每个问题,要花1万多公里的油费和测试驾驶员人工费用,才能获得1个高价值数据。