近日，穿行在加州伯克利大學中的網紅送餐無人小車-Kiwibot在經歷被綁架、自燃和被學生點蠟燭悼念後又攤上事了。

根據人們的調查，這種看起來非常科幻的外賣機器人，實際上並沒有我們想象的那麼高度自動化——它們都是由真人進行遠程操控的。不過這些操作員遠在南美的哥倫比亞，他們每人最多可以控制三臺機器人，這些員工每小時的工資僅 2 美元。

自AlphaGo一戰成名以來，AI開始成爲最熱詞彙，也成爲媒體、資本和技術創新的寵兒。在人工智能技術快速發展的今天，各類 AI 創業公司正如雨後春筍般湧現，於是熱潮之下，魚龍混雜難免，泡沫也就難免。

今年以來，也有不少打着AI幌子融資發展的公司被扒皮，前不久，使用印度碼農冒充 AI 的創業公司 Engineer.ai就被《華爾街日報》曝光。

但另一方面，也開始有越來越多人意識到了技術落地的階段性，對於“人工智能”這樣滿懷未來感的新技術，之前更多人可能有“科幻”的臆想，總覺得可以一步到位。

比如自動駕駛，就是可以一輛全智能的汽車，想去哪兒去哪兒，全知全能，完全自動駕駛。

然而實際上，即便是自動駕駛落地，也會經歷一個“限定”到“非限定”的落地過程。

爲了更好地區分不同層級的自動駕駛技術，國際汽車工程師學會（SAEInternational）於2014年發佈了自動駕駛的六級分類體系，美國國家公路交通安全管理局（NHTSA）原本有自己的一套分類體系，但在2016年9月轉爲使用SAE的分類標準。今天絕大多數主流自動駕駛研究者已將SAE標準當作通行的分類原則。

SAE 標準將自動駕駛技術分爲 0 級、1 級、2 級、3 級、4 級、5 級，共六個級別。具體的級別劃分和描述如下頁圖表所示：

再來一張各大車企自動駕駛技術的分級圖，大家可以大致瞭解一下目前已經量產的自動駕駛技術哪家強。

SAE Level 0：

No Automation（無自動化）

Level 0是自動駕駛人類駕駛員負責動態駕駛任務的所有環節。動態駕駛任務是指控制車輛所採取的行爲，可能有些系統會爲司機提供幫助，如自動緊急制動系統，甚至在特定情況下進行干預。但是，由於這些系統沒有持續參與完成動態駕駛任務，因此它們還不能稱爲自動化系統。

現在路上我們已經很少能看到 Level 0的汽車了，因爲 Level 0意味着連ABS防抱死這種最基本的安全配置都沒有，要麼早已報廢，要麼法規都禁止其上路了。極端一點，你可以認爲Level 0的車就是四個輪子加一個沙發。

SAE Level 1：

Driver Assistance（駕駛員輔助）

生活中常見的車基本都屬於Level 1。Level 1 稱爲駕駛員輔助系統，所有在駕駛員行駛過程中，能持續提供轉向或加速和制動控制，但只在限制條件和特定情況下提供，都屬於Level 1。

自適應巡航控制系統被認爲屬於1級自動駕駛：該系統可控制加速和制動，從而使汽車在公路上與前方車輛保持一定距離，但人類駕駛員仍然需要負責駕駛中的所有其他方面。

生活中1級是我們最常見的，比如最基本的ABS，以及在ABS基礎上升級而來的ESP，還有高速路段常用的定速巡航、ACC自適應巡航功能及LKA車道保持輔助，或多或少都是屬於SAE 規定的Level 1。

SAE Level 2：

Partial Automation（部分自動化）

Level 2既提供轉向，也提供加速和制動控制，同樣是在限制條件下提供。由於人類駕駛員需要定時干預，該級別的自動駕駛程度仍然不高。Level 2和 Level 1最明顯的區別是系統能否同時在車輛橫向和縱向上進行控制。

SAE Level 3：

Conditional Automation（有條件自動駕駛）

Level 3自動駕駛是真正開始進入實際自動駕駛的級別。該級別的自動駕駛是“有條件的自動駕駛”，這意味着只有在一定條件下自動駕駛系統才能運行。但一旦開始運行，汽車就完全自動駕駛。目前，奧迪A8L就屬於 Level 3自動駕駛。

Level 3與Level 2自動駕駛的差異在於自動駕駛的程度：系統運行時，人類駕駛員通常無需進行干預，但仍需在一定程度上保持警惕，以在系統提示需要人類接管時介入，這對於自動駕駛技術來說是一個很大的跨越。

SAE Level 4：

High Automation（高度自動駕駛）

Level 4自動駕駛屬於高度自動駕駛。一般來說，我們使用Level 4自動駕駛來描述完全自動駕駛的系統。除了某些特殊情況，一般無需人類干預。依靠特殊地圖工作的自動駕駛汽車屬於Level 4自動駕駛：只要是有地圖的地方，這類汽車都能實現完全自動駕駛，而無需人類干預，但並非在任何地方都能自動駕駛。

SAE Level 5：

Full Automation（完全自動駕駛）

Level 5自動駕駛屬於完全自動駕駛，只要是人類能夠駕駛的地方，該類型汽車都能駕駛。只要有可通行的道路，這種車能去任何地方，任何時候都無需人類駕駛員干預。

自動駕駛可以說是人工智能應用最大、最典型的場景，然而爲何自動駕駛汽車的發展卻一波三折，自動駕駛攻破的難點在哪？

首先是感知層的挑戰

感知層，其實是要解決汽車“我在哪裏”的問題。目前，一般採用攝像頭、毫米波雷達、激光雷達、GPS、IMU（慣性測量單元）等來實現。攝像頭是當前應用人工智能算法的核心零部件，攝像頭主要有四大任務：圖像分類、目標的定位、目標的檢測和語義分割。

目前所採用的主流方法是深度學習神經網絡來完成上述任務，理論上沒有問題，但在實際應用中問題比較大。一方面，當汽車需要去識別更多的車輛、行人、自行車以及道路標誌等目標的時候，無論是人工智能的訓練深度還是推斷能力都有所欠缺。例如，神經網絡需要大量的數據標註，1500萬張圖片需要5萬多名工程師耗費2年時間才能完成，但這才標註了20多種類型，而道路環境需求卻遠超這個數據。這還不包括激光雷達、毫米波雷達等傳感器所需要標註的數據，況且除了數據標註工作外，還要加上安全性和準確性等方面的要求。

此外，實際駕駛場景中還有惡意樣本的欺騙性。原來是熊貓的樣本圖片中加入百分之一的“噪聲”，系統就將其識別成了金絲猴。而這樣的“噪聲”干擾在現實中太多了，神經網絡在對抗惡意樣本的時候能力會變得非常脆弱。

然後是決策層的挑戰

決策，在狹義上其實是指自動駕駛的“大腦”根據汽車“看到”的環境信息，給出汽車的駕駛策略。目前，在園區等簡單的封閉場景下，自動駕駛系統決策比較“完美”，但在城市工況下卻不盡然。

檢驗自動駕駛汽車決策是否完美最直接的方式就是，“讓一輛自動駕駛汽車從清華大學校門口跑到五道口，如果不出問題，那就算過關了，這是最好的測試場景。”

不過，自動駕駛汽車在現實中很難通過十字路口，這就需要更加先進的人工智能決策和控制系統。李升波稱，現今在“乾淨”的場景下做決策沒問題，但是像中國道路狀況的複雜性就太高了，行人的隨機性太強，還有碰瓷的問題又該如何解決呢。

另外一類是跟駕駛員相關，98%的駕駛員在駕車時其駕駛行爲集中在4種模式：急行、超車、跟車、換道。但從研究的角度來說，駕駛行爲有幾百種，雖然前面4種駕駛模式覆蓋了所有駕駛行爲的98%，但剩下的2%卻同樣跟安全密切相關。人在駕駛時是不斷改進的，但當前決策模塊卻達不到這樣的水平。可以看出，人工智能還需要不斷進化才能應用在汽車領域。

最後是執行層的挑戰

排在感知、決策之後，就是執行的問題，也就是汽車的運動問題。狹義上來說，自動駕駛汽車需要解決方向盤（轉向）、油門/剎車（制動）兩個問題，能夠實現縱向和橫向的同時控制，這也就基本達到了L3級自動駕駛（Level 3與Level 2最根本的區別在於L3實現了縱向和橫向的控制）。

一方面是，傳感器有“噪聲”、執行器有誤差、變速車輪非線形。在普通的路況較好的道路上運動控制是沒有問題的，但是在極限狀態下還達不到。

近年來工業界對學界的大幅資金投入，無人車的研究項目對於理解移動機器人在動態和不確定性環境中的感知，決策，與控制問題起到了顯著的推動作用。不管短時間內可靠的可以大範圍商業化的無人車能否被研發出來，可以預見相關的理論成果很快可以推廣到相對簡單和安全的環境中，如需要在人羣中運動的無人機，速度比較低的服務/運輸機器人等。由此可見自動駕駛的前景還是可以期待的。

以後誰還敢亂停車？違章停車將納入個人徵信

室內定位導航技術已成風口，下一個千億行業正在崛起

談一談 智慧停車的智慧之處

停車行業的國民級產品還要等多久？

智慧停車的興起爲何就能破解城市堵車難題

旅遊景區安全事故頻發，景區如何做好安全管理！

馬化騰與王健林一起逛街的首家智慧廣場究竟長什麼樣？

五一假期旅遊大數據出爐，智慧旅遊已是大勢所趨！

四個方法，讓景區輕鬆玩轉新媒體營銷！

已經倒下的(錘子、美圖)和即將掙扎的(小米、O/v)究竟錯在哪兒?