自动驾驶车(Automated Vehicles；AV)正成为时下最时髦的关键词，几乎每周都有相关新闻发生。本月初，Waymo和Navya分别发布自家的自动驾驶计程车(robo-taxi)计划，紧接着又发生了自动驾驶巴士试营运的意外事故。

Navya的无人驾驶接驳车才刚在美国赌城拉斯维加斯(Las Vegas)展开试营运服务的第一天，就发生了与货车轻微擦撞的一场「小车祸」。

媒体以及大众(包括工程师社群)都在鼓噪自动驾驶将会跟司机抢饭碗的简单看法。许多工程师推崇人工智慧(AI)带来的超强运算能力，以及云端运算强化连网世界的潜力。

普遍的看法对于宣传自动驾驶都成了一些一成不变的陈腔滥调：高度自动化驾驶将会让行车更安全，而且也有助于提升我们(乘客)的生活或工作效率。同时，自动驾驶带来共乘共享的机制还能让车辆减少，都市的塞车和污染问题就能因此迎刃而解。

事实上，对于这些乌托邦的看法并未存在多少佐证或资料分析支持。技术产业一向对于促进更强大、更快速且更智慧的技术不遗余力，而媒体则以拉拉队之姿助阵。

关于一项技术是否较另一项技术更优越，这当然存在大量的看法。但是，在发表各种评论之前，很少有人会先思考这些论点的前提，或什至问问早就该问的问题：为什么需要自动驾驶车？它到底有什么用处？

为汽车和巴士打造的自动化套件

AutoKab 致力于安全和资料分析两方面的技术开发，同时还与许多都市合作，联手打造更有效率的大众运输系统。

AutoKab 的名称来自于‘Automation Kits for Autos and Buses’(专为汽车和巴士设计的自动化套件)的缩写。当然，它也有硬体开发的能力。该公司技术长Cristian Sandu表示，AutoKab 的自动化套件的设计可安装在任何车辆上，包括大量的感测器，如雷达、光达、视觉系统和运算处理器(来自英特尔和Nvidia等供应商)等，以实现安全驾驶。不过，Sandu指出，要将这个套件完美地安装到车子上得费一番功夫，包括软体校正。但以随插即用的念来看，这款自动化套件「可以透过CAN汇流排或FlexRay连接车体，根据车子的需求进行安装或卸载。」AutoKab 打造该套件并不是因为对于销售硬体感兴趣，而是由于该套件对于想要降低自动驾驶车成本的人来说至关重要。然而，Holguin 强调，AutoKab 对卖硬体没兴趣。相反地，它更看重与各大都市的合作，共同发展出能让交通运输业者更有率地执行「最后一哩」服务的计划。而AutoKab则是从城市中自动驾驶车行驶哩程取得利润。

两种不同途径

对外行人来说，Waymo的自动驾驶车可能相当酷炫。至于Navya的无人驾驶接驳车呢？可能就相形见绌了。在美国，人们并不信任政府交通部门或政客对于投资都市基础设施的承诺，普遍都认为这些承诺很难兑现。如果人们不相信市政府官方愿意花钱架设支援V2X通讯技术的交通号志，如果他们信不过任何人打造自动驾驶专用的高速公路，那么，唯一的选择就是相信Google、Nvidia厶汲Intel/Mobileye了。这些巨擘正积极地打造够智慧的自动驾驶技术，以便能侦测路况、察觉路上的障碍物，以及建立即时的3D地图，而不必改变现有的道路基础设施。

欧洲(EC)的情况正好相反，类似 CityMobil2 的EC投资计划需要自动驾驶车成为自动道路交通系统(ARTS)的一部份。如同EC计划中所解释的：「ARTS 是基于全自动驾驶车(无驾驶座也未配置方向盘)的道路交通运输系统，对于所要使用的基础设施具有先验知识。即使未配置自动驾驶功能的ARTS车辆，也会由控制中心的人类操作员持续进行远端监督和管理。」因此，欧洲和美国技术产业对于自动驾驶上路的看法完全不同。在欧洲的计划中，关键字包括对于自动驾驶「基础设施的先验知识」和「认证」。

既定发展路线

关于部署在自动驾驶车的AI技术，Sandu 直言：「我们对于深度学习的兴趣不大。我们有自己的既定发展途径，能让政府交通部门更轻松地认证自动驾驶车。」

美国卡耐基梅隆大学(Carnegie Mellon University)教授Philip Koopman 曾经在接受《EETimes》的专访时表示，自动驾驶车面临的最大挑战在于克服潜藏于机器学习中的基本测试问题——这个问题困扰科学/工程界已经很久了。 Koopman 说：「想让以机器学习为基础的系统达到传统安全标准可不容易。因为训练资料集并不符合软体要求与设计的传期待。」

AutoKab认为，商用的自动驾驶车要想通过认证，汽车制造商必须打造出能为市政府监管部门提供安全保证的解决方案。 Parent 强调，「自动驾驶车必须像现在的火车、公车和飞机一样取得认证。」

机器人随机夹取的问题

Parent可说是一名「久经沙场」的机器人专家，目前的自动驾驶车让他想起机器人产业长久面对的「箱中取物问题」(bin picking problems)。

去年，机器人产业协会在一篇报导中到了产业面对着两难的问题。 「虽然技术不断进步，但机器人箱中取物的能力依然有限，我们还是没能达到最后的神圣目标——让机器人拥有随机取放的能力。不过，我们依然有所崭获，在先进的视觉技术、软体和取放方案的辅助下，机器人正前进至一个从未达到的领域。」

「那么，为什么让机器人学会随机取放如此困难？答案就在于准确度。虽然机器人重复能力超强，但在一片混乱中随机取放依然需要很高的精准度。机器人必须在环境开放的可用空间定位一个不断更换位置和方向的元件。这就意味着机器人必须均衡各种灵敏度、机器视觉、软体和运算能力，以便即时处理所有的资料并得出最佳的取放方案。这样的要求虽然很高，但绝非无法实现。」

目前，机器人和自动驾驶产业解决这一问题主要都靠提升运算能力。但是，Parent解释，「解决这个相同问题的方法是整齐地依序在托盘上摆放元件，让机器人更迅速地取放元件。」换句话说，在发布R2D2机器人之前，得先解决掉混乱的情况。

Parent 认为，将类似的思维应用在自动驾驶计程车和自动驾驶接驳车上，就能减少基础设施的混乱，从而更有效率地解决都市交通问题。

以下是AutoKab「博物馆」中放置的几款自动驾驶车，它们可说是过去 20 年来自动驾驶产业的缩影。我们先从AutoKab今年推出的最新自动驾驶车开始。

参考原文：It's Time to Ask: What Are Robo-cars For?，by Junko Yoshida