人工智能正以前所未有的速度，滲透、改造著各行各業。而加速這場變革的力量之一，正是深度學習技術。短短十年，深度學習技術顛覆了語音識別、圖像分類、文本理解等眾多領域的算法設計思路。

許多技術方向的同學對人工智能既愛又畏懼，一方面覺得這是未來，另一方面又覺得很難而不敢觸碰。懂工程的同學做算法時有很大的畏懼感，而專注算法的同學又常常容易陷入某個算法而缺乏工程落地能力。這次筆者以一個從業者角度來與大家聊一下如何入門無人駕駛／機器人行業，在實戰中成長為算法，工程，產品貫通的 AI 全棧人才。

為什么需要無人駕駛

首先我們探討下無人駕駛能如何提高人類社會的效率。

第一是無人駕駛對環境的影響：每輛傳統車每年平均排放5噸的二氧化碳，以美國為例有2.5億臺車，每年二氧化碳排放就有12.5億噸。而如果使用中央調度的無人新能源車，那么總排放量可以被降低到0.6億噸，效果十分驚人。

然后我們看看無人駕駛對安全的影響：人類駕駛員每駕駛100萬英里的里程，平均會發生4.2次意外，全球每年會產生大約1300萬次事故。如果我們能把無人駕駛每100萬英里的事故率控制在1次以內，那么總事故數會被控制在300萬左右。現在每年全球車禍死亡人數超過百萬，所以無人駕駛的普及可以每年在全球挽救幾十萬甚至上百萬的生命。

最后我們了解下無人駕駛對經濟的影響：由于減少碳排放，無人駕駛普及每年可減少3000億美金的經濟損失。另外，每次車禍帶來的經濟損失平均為3000美金，那么如果通過無人駕駛實現每100萬英里的車禍率在1次以內的安全目標，每年也可以減少3000億美金的經濟損失。兩者相加，無人駕駛普及后每年至少可以減少6000億美金的經濟損失，這基本相當于瑞士的GDP，如果按全球國家GDP排行榜可以排進前20左右。

在手機平臺上實現無人駕駛

假設你是一位ANDROID手機開發者，想投身無人駕駛行業，你需要的最重要的條件不是熟悉某個技術點，而是要有足夠的好奇心去探索了解新的技術與克服困難的勇氣。 一年前我們探索過一個好玩的課題，如果用一個手機平臺，是否可以支撐起無人駕駛的作業？于是我們使用了ANDROID手機平臺，實現了一些比較簡單的無人駕駛功能，主要是用視覺來做。

我們深入聊下無人駕駛的技術，無人駕駛并不是單點的技術，而是多個技術的整合。 無人駕駛的整體技術架構，大概可以分為三大模塊：算法、系統以及云平臺。

在車輛端，上層是算法模塊，包括傳感（如何更好的獲取環境數據）、感知（如何更好的理解車輛周圍環境，包括定位，物體識別，物體追蹤）以及決策（在了解環境后如何更好的做出決策，包括路徑規劃，行為預測和障礙物躲避等）三個部分；下層則是操作系統和硬件平臺。而在云端，則有一個無人駕駛的云平臺，其上囊括了高精地圖、模型訓練、模擬計算以及數據存儲等幾塊內容。

另外，有三個點是無人駕駛落地核心：

1、感知技術突破是關鍵

如果將無人駕駛汽車比作人，可以如此理解它的關鍵模塊——感知模塊為眼睛，汽車依靠由攝像頭、雷達、GPS等一系列部件組成的感知模塊去感知路況；中央決策模塊如大腦，包括路徑規劃、導航、信息融合和路徑跟蹤等，通過對由感知模塊搜集的信息進行整合、分析，作出自主駕駛、避障、超車等決策；底層控制模塊似手腳，控制車輛行駛速度、角度，按照決策的路線安全行駛。

可見，與人手動駕駛汽車一樣，無人駕駛汽車所有關于路況信息的收集、路徑分析規劃、操控決策的制定，全部依賴于感知模塊這雙“眼睛”的視力。

2、成本

成本直接關系到車輛的銷售價格，雷達是感知模塊中必不可少的部件之一。據稱，谷歌無人汽車目前使用的激光雷達售價高達8萬美元。

毫米波雷達比激光雷達精度低、可視范圍的角度小，但毫米波雷達的成本遠低于激光雷達。激光雷達能夠依靠激光遇到障礙后的折返時間計算出物體與車體之間的相對距離，生成物體的3D輪廓，構建汽車周圍環境的高精度地圖，并可對周圍環境進行360度的掃描。目前在純無人駕駛領域，激光雷達使用較多，輔助駕駛領域則更多使用毫米波雷達。

3、法規

根據法規草案，廠商需要展示無人駕駛是如何執行的，在失敗時如何應對；這些汽車如何被測試，所有研發無人駕駛的企業需要公開汽車表現評估，并讓執法部門和其他公司一起評估。

一些細節也有要求，如車主隱私方面，用車數據被搜集，制造商需告知車主，而車主有權拒絕；系統安全方面，無人駕駛車輛在軟件無法運作，將發生車禍等情況下如何回應；數據安全方面，廠商需保護系統安全，免于被黑客干擾；人為介入方面，制造商需考慮讓無人駕駛車具有與行人和其他路上車輛溝通的能力；偵測和回應方面，廠商需展示無人駕駛汽車如何應對倒下的樹木，或任何突然發生的意外事件等。該草案還要求提供消費者教育。