想要实现自动驾驶，首先要解决“横行”的小车

配备“千里眼”和“最强大脑”，自动驾驶汽车毫无疑问已经初具无障碍行驶的能力了。

据了解，目前，主流自动驾驶汽车对车辆、行人或是动物的识别准确率日渐提升，这得益于它们装备的不同的传感设备和算法系统。但多数人没想到的是，道路上那些最轻、最安静、最灵活的小车，可能成为自动驾驶在未来的最大挑战。

背景：“小”麻烦

“自行车可能成为自动驾驶系统面临的，最艰难的检测难题”，来自加州大学伯克利分校的研究工程师Steven Shladover如是说。

加州大学的视觉计算专家Nuno Vasconcelos也表达了类似的观点，他认为自行车正因相对小巧、灵活并且结构特殊，可能会使自动驾驶汽车面临一种复杂的计算难题。“汽车就像一个‘庞然大物’，但自行车的质量就小得多，而且它们的外形各不相同——比如不同形状、不同颜色、不同挂饰等等。”

这也解释了一个问题，就是为什么近年来自动驾驶车对汽车的检测正确率已经超过了自行车。当然，其中也包括一些算法训练的原因。目前自动驾驶汽车的路况检测算法，一大部分是基于图像的深度学习，而主要的“学习”对象是汽车特征，自行车则相对较少。

转机：算法颠覆

话说到这儿，就要祭出一个近期刚刚发布的神秘算法了。这个“神秘”更多不在于算法本身，而是其颇为有趣的研究团队阵容。我们了解到，去年年底，这几位研究人员发布了他们名为“Deep3DBox”的算法论文。

从上图就看得出，论文由三人合力完成，其中一人来自乔治?梅森大学，而另外两位，则来自极尽低调之能却被炒得声名在外的，无人驾驶汽车创业公司Zoox。

了解这一领域的人应该对Zoox多少有所耳闻，这家坐标美国硅谷的初创公司致力于无人驾驶汽车研发。去年10月，一笔高达5000万融资过后，Zoox身价已经一跃达到了10亿美元。虽然Zoox可能压根儿没有“外宣”部门，但它的技术员工阵容十分强大，一些资料显示，部分员工曾供职于谷歌、苹果、特斯拉等公司。

回到三人共同研发的最新算法“Deep3DBox”，用颇为外行的话解释，就是这种算法独创了一种方式，能够从2D照片中提取3D的目标检测和姿态估计。测试数据显示，Deep3DBox能够识别89%的车辆，而之前这一记录保持者(学术方向)的成绩是70%。

美国商用数学软件MATLB中对上图提到的“boundingbox”(边界框)一词做过定义，即“get the properties of region”，意思是用来度量图像区域属性的函数。在许多基于2D图像的信息识别中，都用到过这个函数，例如车牌识别等等。

在这个背景下，我们就能更直观地理解图像识别中，2D boundingbox 和3D boundingbox的区别。比如，机器人在图像中用2D boundingbox抓取到一辆汽车，就等于用一个正方形圈出了它，但 3D boundingbox 圈出的却是一个“立方体”，在空间几何尺度，3D boundingbox能够计算出更多的信息。

现在，Deep3DBox正试图攻破一个更大的挑战：那就是依托他们的算法，将目标车辆周围的2D图像中的障碍物三维化，以预测车辆的行进路线。

乔治?梅森大学的计算机科学家 Jana Ko?ecká 解释说，“深度学习通常只适用于像素模式下的检测和识别，但我们找到了一种方法，能使用类似的手段评估出几何层面上的量级。”Ko?ecká 还有一个特殊的身份，那就是Deep3DBox项目的投资人。

瓶颈：自行车难题

Deep3DBox已经较原来的深度学习方式有了很大改进，但自行车识别依然是他们的难题。

团队发现，每当算法涉及到为自行车定位和定向时，其识别性能会显著下降。在基准测试中，算法的目标识别率仅为74%，即便这已经算得上同类算法中的最好成绩了，但对于自动驾驶汽车的完美运行却远远不够。

定向测试中，Deep3DBox判断对车辆判断的准确率达88%，但针对自行车的成绩仅为59%。

Ko?ecka指出，相对而言，商业化的自动驾驶系统，其识别的准确率会更高，因为它们获取到了足够多的道路数据来训练它们的系统。与此同时，大多数路测汽车除了视觉算法，还装配了如激光雷达(LiDAR)等传感器，这些设备虽然无法预测自行车的行进方向，但也可以帮助自动驾驶汽车识别它们并计算相对位置。

之后，高精度地图又为自动驾驶系统带来了更大的便捷。譬如Mobileye野心勃勃的道路管理系统(Road Experience Management，REM)，他们试图打造一种非常精确、非常实时的庞大地图，同时在每辆车上配备可以上传和下载实时地图数据的软件，从而达到一种理想状态——使汽车仅仅依赖导航就完成自动驾驶。这非常类似于SLAM(即时定位于地图构建)的变种，但又远远没有那么简单。

上面介绍的地图，能够先一步将自行车识别为道路异常，而后或许再由视觉算法处理。去年，福特汽车联合5家公司投资高精度地图初创公司Civil Maps，研发用于自动驾驶汽车的3D地图。福特方面已经透露，今年开展路测的自动驾驶汽车将装配“高精度3D地图”。

将上述的技术有机结合，就能够获得更加理想的结果，例如谷歌去年刚发布的“自行车识别”技术。在新版本的技术中，谷歌提升了无人车对自行车的识别水平，并加入了自行车车主手势(表达变换车道、转向)识别等新算法，这正是为了避免其过去无法正确识别自行车行进情况的问题。

在刚刚落幕不久的2017底特律车展上，谷歌进一步升级了自行车识别算法，并推出了专门针对自行车的传感器技术。

商用：忌操之过急

加州大学视觉计算专家Vasconcelos依然对当下的传感和自动化技术能否取代人类保有质疑，但他相信，目前的技术已经能够帮助人类司机避免一些事故的发生。

未来，自行车自动检测和识别面向商用化的第一步，很可能就是用于传统车辆的自动紧急刹车系统(AEB)。目前，AEB系统的功能已经从单纯的车辆检测延伸到行人、自行车检测等更大范畴。

2013年，沃尔沃开始提供第一款支持自行车检测的AEB系统，系统搭载了摄像头和雷达等设备，用于潜在的碰撞预警。今年欧洲的公共巴士中也装备了类似功能，值得一提的是，欧盟早在四五年前，就发布规定，要求新车配备AEB系统。

如今，越来越多的车企也在追随“欧洲模式”，期望将自行车检测功能加入AEB系统的性能评级中。

也就是说，AEB系统未来的要应对的问题就更复杂了，甚至是和自动驾驶车研发人员面临相同的挑战。而这个挑战，就是“预测障碍物的行进”。而其中最最严苛的要求，莫过于对自行车进行检测预警的AEB系统，负责欧洲自行车-AEB系统基准测试的高级顾问Op den Camp指出，自行车的移动几乎是最难被预测的。

Ko?ecká也同意这个观点，“自行车的可预测性比汽车低很多，因为它们很容易突然转向或消失在视野中”。

这些观点都意味着，将自行车排除在人为事故风险之外(美国管理机构数据，94%的交通事故由人为失误造成)尚需日时。旧金山自行车联盟的执行董事Brian Wiedenmeier说，“每个骑自行车的人都在期盼这项技术的到来”，但他也同时表示，应静待自动化技术成熟再投入使用。

据了解，去年12月，Uber曾在加州某试点测试自动驾驶出租车服务，Wiedenmeier那时就对Uber发出过警告。他指出，这些汽车无视当地专为自行车划定的车道线，这违背了加州保护自行车骑行者安全的相关法规。

去年底，Uber一路与加州监管部门死扛，加州希望Uber获得DMV(美国车辆管理局)许可后上路，但Uber无视继续路测，之后这种行为遭到禁止。

目前，Uber的自动驾驶汽车仍在亚利桑那州和匹兹堡进行路测，而就在不久前，加州街头也重现一些Uber路测车的身影，不过消息显示，这些车辆只被允许收集旧金山街道的测绘地图数据，并必须保证有人类驾驶员在车内。

Wiedenmeier说，Uber对市场的“急功近利”行为是错误的。“任何新技术都需要审慎地测试和检验。