扔开地图，只用摄像头和传感器给自己导航的才是真自动驾驶

    编者按：关于自动驾驶另外一个让车云菌很难理解的地方在于，经常会听到这样一种宣讲：我们的产品能够收集数据，数据可以上传到云端，并通过云端进行共享，让车辆对其他地方发生的事情同样心知肚明，从而确保自动驾驶安全实现的可能。这个逻辑本身并没有错，问题在于，最最开始的时候，产品装机量小的时候，用来共享的数据量从而何来？

    而且，车云菌总是免不了担心网络不畅通或者断网情况的出现，免不了担心地图数据不够全怎么办。能够在没有网络，没有地图指引，只是用摄像头和传感器当眼睛给自己导航的，或许才是真正意义的自动驾驶。

    现代，Veloster，自动驾驶，频频迷路，而后数次在技术人员的“劝诫”下迷途知返。这不是科幻电影，而是现代汽车韩国本部举办的自动驾驶系统比赛上，KAIST团队的智能车在暴雨之后遇到的一点小麻烦。在前文中，车云菌曾条分缕析雨后日光和湿滑路面对KAIST造成的可能影响，以及这种对人类驾驶者看似毫无压力的天气变化给自动驾驶系统带来的挑战。

    所幸KAIST项目主管David Hyunchul Shim站出来，就之前的视频解释了雨天造成的困扰，以及KAIST本身所坚持的开发理念在应对天气突变时的压力。如果您未曾阅读上一篇文章，尤其是干/湿天气中KAIST截然不同的驾驶能力 。

    如前所述，整个比赛包含了数个测试项，包括行人检测，前车跟随，路牌服从等。任何一项失败，会造成2分钟罚时，而需要人工干预的情况则增加3分钟罚时。熟练的人类驾驶员普遍可以在4分多钟完成所有比赛项目，冠军团队（汉阳大学）的机器人驾驶员用时5分30秒，而KAIST智能车的完美圈耗时6分钟多一点。

    那么，这30多秒的差距出在哪儿呢？仔细分析的话，KAIST与对手的设计理念可谓是天差地别。如果一个机器人驾驶员始终“手持”所在地区高精度校准之GPS路线图，并与传感器所见随时对比，可以想见，这种“双保险”将使其无往而不利；Google的自动驾驶车，以及本次大赛冠军，汉阳大学，都采用了这种设计。

    而KAIST团队，明知投机可以取巧，却不愿盲从这种开发理念，因为他们坚信预设的高精度地图并不会将真的自动驾驶汽车带到千家万户。Shim毫不掩饰的说：“如果我们的车子无法开进地图上没有标识的区域，那一定是我们的系统设计有问题。”因此，KAIST坚持让机器人驾驶员趋同于人类的驾驶方式，依靠传感器获得周围信息，根据驾驶知识（算法）和道路规范（限制）来决策，以此保障其在任何路面，任何时间乃至任何地点的驾驶能力。

    同样的原理性差异可以追溯到美国的DARPA智能车大挑战，冠军斯坦福大学把决定权完全交给机器人（车云菌按：难道斯坦福Machine Learning的奇迹，安猪大神，不该现身以主角光环为自家车子加buff么），而亚军卡内基梅隆大学则以数千个手工标记的GPS路点及限速值来控制整个赛程。此间看来，对赢家斯坦福而言，所谓将在外君命有所不受，因地制宜，从而旗开得胜，并不意外。

    除了系统设计理念，KAIST直接面对的考验则是湿滑路面，以及传感器针对环境变化的应对能力。Shim老兄继续分析：“第二天我们出发前，那场突如其来的大雨才真正坑爹。对于车道探测，我们使用了雷达+摄像头的复合系统，而一旦遇到路面积水反光，遭遇“晃眼”的探头就会返回夸张的数值。俺们并非浪得虚名，赛前几天本队曾针对雨天调整过传感器的预设（只是当时雨没这么大），因此比赛当天KAIST的表现其实比预想还好些。然而，车道探测的阈值在雨天会设置的更高（相对晴天），当传感器读数大幅降低时，想认清车道及障碍就有点拼了。”

    简单来说，KAIST需要做的就是告知其光学探测系统忽视掉大量数据，因为这些数据多数来源于湿滑路面所造成的反光。如果阈值被降的太低，哪怕仅仅是低了一点点，光学系统就极有可能直接忽视分道线和障碍物，这也就是KAIST家的小黄多次迷路的主要原因。

    此外，雨后初晴本是外出游览的好天气，而KAIST在执行路牌和行人检测时也是醉了。对视频中02:50的故障，Shim兄解释如下：“行人检测失败并不意外，当时摄像头工作在“多云”状态。然而，当小黄途经此地，所谓天公作美，巧遇云开雾散，日光直射如入无人之境……当我们检查探头保存的影像资料，不必说，此时几乎一片煞白。”这种短时失明同时也影响了停车测试的结果。

    如同Shim反复提到“让无人驾驶系统在多变天气中行驶自如还是蛮拼的”，车云菌深表赞同，因为雷达和摄像头并不像人类驾驶员般拥有足够的智商和应变能力。无论谷歌，特斯拉还是其他车企，在量产车型上推广自动驾驶之前，均有责任妥妥地搞定其“水土不服”的毛病。

车云小结：