《无人驾驶》前四章学习笔记（内容皆来自胡迪?利普森 和 梅尔芭?库曼著的《无人驾驶》）

第一章 无人驾驶的世界 A driverless World
1.便利的个人移动性
2.淡化停车位的作用
寻找停车位花费大量时间、停在路边的车阻塞交通、停泊状态下的汽车所消耗的面积小时，远超使用中的汽车、停车场面积占用大量市区面积、可能会影响城市健康发展。
无人驾驶汽车会减少停车场的需求，但他们的便利性会降低那些因停车产生的收益（餐饮、步行街），高效出行就会产生隐形成本—失去人们因徒步出行而给城市街道带来的活力与收益。
3.更短的通勤时间和更小的花费
城市人口扩张，市政府需要对空间利用做更明确规划，无人驾驶技术促使人们转变居所，降低城市居民和小镇居民的平均出行费用。
4.社交和孤独感
人们感到孤独感的一个原因在于他们没有“第三空间”来相处，人们为出行便利所付出的代价就是失去传统公共交通中的第三空间。事有两面，无人驾驶汽车对社交活动的促进方式是它可以变得更具智能化和数据深度化，如无人移动舱添加“结交朋友”选项，匹配某些特征相似的乘客。
第二章 终极的移动设备 The Ultimate Mobility Device
汽车企业两个选择：探索研发自己的软件系统和与提供汽车操作系统的科技公司建立合作伙伴关系，自身只负责制造汽车机体。
1.汽车和代码
影响未来汽车行业发展的最大疑问在于是否可以研发出一套完善的智能操作系统，企业成功标志在于摘下人工智能研究领域的桂冠，拥有准确的人工识别能力。
驾驶员辅助系统不属于无人驾驶，无人驾驶汽车与生产线上的机器人也不是同类。
2.大动荡
如果谷歌研发的全自动化汽车先在一些特定的环境中实现商业化运营，那么微软的模式将再次胜利，汽车软件将成为最重要的特征，车身车架只不过是后续插曲，那么软件公司将成为一个产品总控中心，而汽车公司的地位将被降级至“代工厂商（OEM）“。
3.以人类为主导
渐进式的演变—即汽车搭载的“驾驶员辅助”软件只是临时接管驾驶，一旦出现情况就得立即将驾驶权交给人类驾驶员，并不是无人驾驶汽车最好的发展路线，人类和机器人不应该轮流掌握方向盘。
实际上，只有当人和软件的责任界定清晰并保持规范一致的情况下，人的决策才有可能在无人驾驶汽车上发挥作用，而汽车行业人员和联邦运输部人员提出的模型里并没有在人和软件之前的责任上作出清晰的设定。
渐进式演变策略核心在于，当有突发情况出现时，应有警示或震动提醒驾驶员需立刻坐回驾驶位以处理情况。机器与人在某些情况可以有效合作，但是驾驶并不属于这种情况，因为驾驶非常单调，人们十分乐意转交机器执行，会急切地放弃责任。
优秀管理的核心原则之一，就是不要讲一个关键性任务分给两个人去做，这是一种被称为“责任分散”的典型管理失误，责任分散导致的结果是，当人们被鼓励交出驾驶权去享受轻松时，他们很难再投入驾驶任务中了。谷歌公司认为人和机器不应该共同掌握方向盘。
第三章 独立思维 A Mind Of Its Own
1.无人驾驶汽车的操作系统
所需的三大核心能力：实时反馈、99.999%的可靠性、以及超越人类水平的感知能力。可靠性方面要求无人驾驶汽车的操作系统不仅需要防范黑客攻击，还必须进行保险设计，使其在出现硬件或软件问题后迅速重启。最后，机器人的操作系统必须足够聪明，能够迅速感知周围的环境并作出有针对性的应对。
2.机器人研发的艺术
3.运动中的人工智能
4.驾驶的控制权：混合人工智能
无人驾驶汽车的操作系统横跨了两个存在差异的研究领域。其一是控制工程学，专门解决机械零部件运行的一个工程学分支；其二则是人工智能研究。
人工智能技术中的内容大致分为两派：自上而下和自下而上，或称为符号型人工智能（symbolic AI）和数据驱动型人工智能（data-driven AI）.
符号型人工智能会将复杂的情境或认为分解成若干标准的指令或规则条目，然后程序员将这些规则写进软件代码，使计算机能够依据理论推理和查找功能执行这套逻辑规则。
数据驱动人工智能（或者说机器学习）会应用各种算法对大量数据进行处理，然候利用统计学技术分类、排序，最终再解析这些数据。
5.底层控制系统：加速、刹车和转向
无人驾驶汽车底层控制的核心工作是将系统稳定在最佳设定值上。
底层控制方案有其他叫法：控制方案、滤波器、反馈控制。
预测算法通常基于底层控制，以确保机器人行进过程中的流畅性。预测算法可以提升汽车的情景识别能力，方法就是始终留意数字地图的变化，以便精准计算引擎的燃料注入量。
想要实现汽油发动机的稳定运行，所需应对的重大难题之一就是时间延迟，或者称为“滞后时间”，至少有两种方式减少它对自动驾驶汽车的影响，一是在底层控制中投入更多的计算能力，减弱燃油喷射器所带来的延迟问题，并为汽油发动机的匀速运行和精准计时提供更高的准确度，最终达到较高的平衡状态，二是更换发动机，相比较电动式引擎更加容易管理调节，只要它配置好特定的电压电位，引擎就始终能即使产生对应程度的力矩，推动汽车前进。
6.上层控制系统：路径规划和道路导航
路径规划和导航需要通过搜索算法的应用来实现，搜索算法是基于规则的符号型人工智能的典型应用，为了规划路径，无人驾驶汽车要利用搜索算法罗列出两地之间所有可能的备选路线，并按照优劣等级进行排序。
搜索算法中最为常用的一个是A*算法，是由尼尔斯 尼尔森及其同事于1968年发明。它之所以能提升搜索速度，就在于它使用的代价函数将已经检索路径占用的成本与达到目标位置还需要付出的乐观预计成本相结合，即得出最终需要支付的代价。
莫拉维克悖论：看似简单的移动和感知过程，其实十分难以自动化。
第四章 创建人工识别 Creating Artificial Perception
特斯拉CEO埃隆?马斯克在与黑客乔治?霍兹在2015年的争论中说，当需要人们对软件托付生命时，让它的准确率从99%提升到99.9999%才是质的飞跃，这也恰恰体现了人工识别软件的价值所在—无人驾驶汽车目前还缺失的核心组件。
在书中，作者将为汽车提供人工识别和智能反应的各种软件工具用“中层控制软件”来代替，中层控制软件使得汽车的操作系统能识别传感器数据，感知车辆周围环境的实体布局，并针对周围事物或事件做出最佳反应方案。
1.物体识别的条件
基于规则编写的人工智能软件的核心问题在于，如果没有一个概括性的方法将汽车可能遇到的一切情况进行分类，那么也就无法编写出知道汽车作出反应的全面规则。
不变性识别（Invariant Representation）：我们的大脑具备辨认同一图像、声音或感觉得能力，即使在陌生的环境遇到它们或者从一个新的角度体验它们。
2.中层控制系统
中层控制系统有四个组成模块：
第一个模块：占据栅格。占据栅格是一种软件工具，针对汽车外部环境进行实时、持续更新的三维数字建模。类似于一个包含了数字记录的后端数据库，占据栅格是一个存储了汽车周围实体对象信息数字存储库。它既可以与中层控制软件的其他模块相配合，也能作为程序员的视觉参照模型。占据栅格只是为后续路线规划服务的空间模型，为了解读环境场景，需要第二个软件模块来标记汽车传感器导入的原始数据。
第二个模块是一个软件程序，用于识别并标记流入占据栅格的原始数据。第二个模块借助深度学习软件对汽车附近的物体进行分类，这样一来占据栅格就可以存储这些信息，以供汽车其余模块使用。
第三个模块使用预测性的人工智能软件对障碍物用不确定性锥（Cones of Uncertainty）做替代。“不确定性锥”工具用于预测汽车附近物体的位置和移动速度，它为无人驾驶汽车提供了人工智能版的场景理解能力。
中层控制软件按照如下方法创建圆锥体：首先，想象下在纸上画出一个物体，在物体周围画一个小圆圈，我们称它为“当前活动圈（current circle）”；然后，再画一个大圆圈，标记出未来十秒后物体可能会到达的所有位置，我们叫它“未来活动圈”。最后，用两条先把小圈和大圈的边缘连接起来。这就是不确定性锥。
第四个模块短期轨迹规划器（Short-term Trajectory Planner），负责引导汽车绕过感知到的障碍，同时保证遵守相应的交通规则。
3.绝对安全可靠
教导机器人如何思考的一大优势在于它们有“蜂巢思维（Hive Mind）”。如果一个机器人学会了某件事，那个软件就可以复制到几十个机器人身上，那些机器人就可以用这些知识进一步的学习。无人驾驶技术的一大优势是，汽车可以以幂次方效率快速学习
4.比人类驾驶安全两倍
为了获得整个社会和法律的认可，无人驾驶汽车仍需要一套透明的可靠性标准，一个定义明确的公共标准—规定了安全的和可接受的平均故障间隔距离。无人驾驶汽车的平均故障间隔距离应用人类安全水平来测量。
政府对无人驾驶汽车进行管理时，应有一套合理而透明的机制来权衡并量化机器人驾驶员的能力。无人驾驶汽车需要高度模块化和冗余设计（Redundant）的操作系统。故障防护也很重要，汽车的自动驾驶软件应包含强大的监督软件模块，无人驾驶的线缆和车载电脑硬隔离人体，避免乘客无意间的触碰或恶意劫车者有意破坏。