向自动驾驶汽车过渡需要多长时间？

我最近参加了在美国举行的第一届 AutoSens 会议。 AutoSens 不仅提供了高质量的会议，而且提供了引人入胜的体验。底特律被选为此次活动的举办地，作为最后一次移动革命的历史先驱——通过装配线大规模生产汽车。此外，底特律现在正在引领下一次复兴——​​大规模生产的自动驾驶汽车。

会议的亮点之一是 M1 Concourse 赛道形式的场地，它本质上是一个面向汽车爱好者的乡村俱乐部，配有私人车库和最先进的 1.5 英里性能赛道。会议还包括由专注于无人驾驶汽车的公司Dataspeed提供的自动试驾。

为了进一步巩固经验，在亨利福特格林菲尔德村举办了一场晚宴，这是对福特、爱迪生和莱特兄弟等伟大发明家的历史性致敬，仅举几例。展出并与 Dataspeed 自动驾驶汽车共享道路的是一辆真正的、功能齐全的福特 T 型车，这是第一辆流水线汽车，它彻底改变了汽车，并使它们成为当今个人交通工具的主要形式。看到这辆精致的汽车与自动驾驶汽车并排，让我思考了从马车到汽车的转变，以及从人力车到自动驾驶汽车的转变过程中必然发生的相似之处和挑战。

惊天动地的汽车革命
一个世纪前，当普通的马车由马牵引时，没有马牵引的汽车的概念被认为是一种激进的新奇事物。像大多数革命性的发明一样，汽车并不是张开双臂接受的。它被认为是危险的、气势磅礴的，并且对马来说是一种滋扰，而马是主要的交通工具。汽车取代马路、马车、马车和货车的道路既不快速也不简单。这个热闹的视频描述了一项法律，要求机动车司机在每个路口下车，通过发出巨大的噪音来宣布他们的存在。

法律规定了这应该如何执行，包括发射枪支或其他形式的爆炸物，以及其他有趣的方法。这将对今天的高峰时段交通造成严重问题！

谨慎的投资者也反对汽车合资企业。根据 AmericanAutoHistory.com 的这篇文章，1903 年，密歇根储蓄银行行长建议不要投资福特汽车公司，理由是“马会留下来，但汽车只是一种新奇——一种时尚。” 我想我们都希望我们的财务顾问能提供更好的见解。

从今天的角度来看，在未来的一个世纪里，人们很容易对这种怀疑态度嗤之以鼻。然而，当时不愿接受机动车辆与今天对自动驾驶汽车的犹豫没有太大区别。未来，目前在监管自动驾驶汽车方面的谨慎和缓慢进展可能会被视为过度谨慎。

最终，您可能已经注意到，汽车确实占据了主导地位，道路上没有马就证明了这一点，我预计自动驾驶汽车也将遵循类似的路径。以汽车与马的时间线为指导，逐渐增加的自动驾驶汽车将很快成为个人交通工具的主要形式，尤其是在城市和人口稠密地区。此外，我们应该期望看到手动驾驶的汽车在大约 30 年内被淘汰，除了爱好和休闲，就像马的情况。正如我的同事 Gunn 有趣地描述的那样，即使是赛车也可能被自动驾驶汽车取代。

自动驾驶汽车是下一个重大变化；量产是关键
汽车在 Model T 出现之前已经存在了很长一段时间，但只有上层阶级才能获得。尽管许多富人拥有汽车，但由于缺乏基础设施和有限的法律，他们对汽车无能为力。一旦装配线完善，汽车数量显着增加，就只能相应地铺路和调节交通。

要发动下一场革命，还有一大步。自动驾驶汽车成为了很多头条新闻，但它们还没有威胁要更换道路上的所有车辆。为此，自动驾驶汽车将受益于大规模生产和具有竞争力的价格。随着自动驾驶汽车成本的提高，为更多人使用自动驾驶交通工具的可用性也在提高。

你能相信人工智能会带你四处走动吗？
如果我继续我的类比，一个世纪前对汽车的怀疑在今天被一个事实补充，即自动驾驶汽车将由另一种人们也持怀疑态度的技术——人工智能 (AI) 提供动力。除了机器人总有一天会接管世界的先入为主的想法之外，汽车制造商还必须克服人类不信任自主技术的本能。万一坏了怎么办？如果它坏了怎么办？不及时反应怎么办？这些都是合理的担忧，无论是关于可信赖的骏马与第一辆汽车，还是关于可信赖的汽车与自动原型车。今天，任何人都清楚机动车辆比马更安全、更有效。到达那里需要一段时间，需要道路、交通信号灯和标志，但现在人们在他们的汽车中如此舒适，以至于问题变成了专注于驾驶任务。

那么，人工智能呢？深度学习和其他形式的机器智能在移动和嵌入式设备、语音界面以及我们生活的许多其他方面变得无处不在。这些技术不断改进，并在越来越多的领域超越人类成就——从围棋游戏到图像识别——它们肯定会导致安全的自动驾驶汽车。

装配线使汽车制造变得高效； DSP 使 AI 变得高效
自动驾驶汽车革命的主要挑战之一将是将这些超级人类的大脑有效地打包到嵌入式系统中，而不是需要在房间里装满服务器，并配备过热的 CPU 和 GPU。必须仔细审查尺寸、成本和功耗，以创建高效且有效的解决方案，使生产成本适合大规模消费。

例如，基于视觉和成像处理器的高效嵌入式系统（例如 CEVA-XM6）可以实现超低功耗和精确的计算机视觉。还可以使用 CDNN 深度学习工具包来简化开发。您可以通过观看我们的点播网络研讨会，详细了解如何释放这些平台的潜力：基于视觉的自动驾驶的挑战和嵌入式神经网络平台的便利化 .