配備“千里眼”和“最強大腦”，自動駕駛汽車毫無疑問已經初具無障礙行駛的能力了。
據了解，目前，主流自動駕駛汽車對車輛、行人或是動物的識別準確率日漸提升，這得益于它們裝備的不同的傳感設備和算法系統。但多數人沒想到的是，道路上那些最輕、最安靜、最靈活的小車，可能成為自動駕駛在未來的最大挑戰。
背景：“小”麻煩
“自行車可能成為自動駕駛系統面臨的，最艱難的檢測難題”，來自加州大學伯克利分校的研究工程師Steven Shladover如是說。
加州大學的視覺計算專家Nuno Vasconcelos也表達了類似的觀點，他認為自行車正因相對小巧、靈活并且結構特殊，可能會使自動駕駛汽車面臨一種復雜的計算難題。“汽車就像一個‘龐然大物’，但自行車的質量就小得多，而且它們的外形各不相同——比如不同形狀、不同顏色、不同掛飾等等。”
這也解釋了一個問題，就是為什么近年來自動駕駛車對汽車的檢測正確率已經超過了自行車。當然，其中也包括一些算法訓練的原因。目前自動駕駛汽車的路況檢測算法，一大部分是基于圖像的深度學習，而主要的“學習”對象是汽車特征，自行車則相對較少。
轉機：算法顛覆
話說到這兒，就要祭出一個近期剛剛發布的神秘算法了。這個“神秘”更多不在于算法本身，而是其頗為有趣的研究團隊陣容。我們了解到，去年年底，這幾位研究人員發布了他們名為“Deep3DBox”的算法論文。
從上圖就看得出，論文由三人合力完成，其中一人來自喬治?梅森大學，而另外兩位，則來自極盡低調之能卻被炒得聲名在外的，無人駕駛汽車創業公司Zoox。
了解這一領域的人應該對Zoox多少有所耳聞，這家坐標美國硅谷的初創公司致力于無人駕駛汽車研發。去年10月，一筆高達5000萬融資過后，Zoox身價已經一躍達到了10億美元。雖然Zoox可能壓根兒沒有“外宣”部門，但它的技術員工陣容十分強大，一些資料顯示，部分員工曾供職于谷歌、蘋果、特斯拉等公司。
回到三人共同研發的最新算法“Deep3DBox”，用頗為外行的話解釋，就是這種算法獨創了一種方式，能夠從2D照片中提取3D的目標檢測和姿態估計。測試數據顯示，Deep3DBox能夠識別89%的車輛，而之前這一記錄保持者(學術方向)的成績是70%。
美國商用數學軟件MATLB中對上圖提到的“boundingbox”(邊界框)一詞做過定義，即“get the properties of region”，意思是用來度量圖像區域屬性的函數。在許多基于2D圖像的信息識別中，都用到過這個函數，例如車牌識別等等。
在這個背景下，我們就能更直觀地理解圖像識別中，2D boundingbox 和3D boundingbox的區別。比如，機器人在圖像中用2D boundingbox抓取到一輛汽車，就等于用一個正方形圈出了它，但 3D boundingbox 圈出的卻是一個“立方體”，在空間幾何尺度，3D boundingbox能夠計算出更多的信息。
現在，Deep3DBox正試圖攻破一個更大的挑戰：那就是依托他們的算法，將目標車輛周圍的2D圖像中的障礙物三維化，以預測車輛的行進路線。
喬治·梅森大學的計算機科學家 Jana Koecká 解釋說，“深度學習通常只適用于像素模式下的檢測和識別，但我們找到了一種方法，能使用類似的手段評估出幾何層面上的量級。”Koecká 還有一個特殊的身份，那就是Deep3DBox項目的投資人。
瓶頸：自行車難題
Deep3DBox已經較原來的深度學習方式有了很大改進，但自行車識別依然是他們的難題。
團隊發現，每當算法涉及到為自行車定位和定向時，其識別性能會顯著下降。在基準測試中，算法的目標識別率僅為74%，即便這已經算得上同類算法中的最好成績了，但對于自動駕駛汽車的完美運行卻遠遠不夠。
定向測試中，Deep3DBox判斷對車輛判斷的準確率達88%，但針對自行車的成績僅為59%。
Ko?ecka指出，相對而言，商業化的自動駕駛系統，其識別的準確率會更高，因為它們獲取到了足夠多的道路數據來訓練它們的系統。與此同時，大多數路測汽車除了視覺算法，還裝配了如激光雷達(LiDAR)等傳感器，這些設備雖然無法預測自行車的行進方向，但也可以幫助自動駕駛汽車識別它們并計算相對位置。
之后，高精度地圖又為自動駕駛系統帶來了更大的便捷。譬如Mobileye野心勃勃的道路管理系統(Road Experience Management，REM)，他們試圖打造一種非常精確、非常實時的龐大地圖，同時在每輛車上配備可以上傳和下載實時地圖數據的軟件，從而達到一種理想狀態——使汽車僅僅依賴導航就完成自動駕駛。這非常類似于SLAM(即時定位于地圖構建)的變種，但又遠遠沒有那么簡單。
上面介紹的地圖，能夠先一步將自行車識別為道路異常，而后或許再由視覺算法處理。去年，福特汽車聯合5家公司投資高精度地圖初創公司Civil Maps，研發用于自動駕駛汽車的3D地圖。福特方面已經透露，今年開展路測的自動駕駛汽車將裝配“高精度3D地圖”。
將上述的技術有機結合，就能夠獲得更加理想的結果，例如谷歌去年剛發布的“自行車識別”技術。在新版本的技術中，谷歌提升了無人車對自行車的識別水平，并加入了自行車車主手勢(表達變換車道、轉向)識別等新算法，這正是為了避免其過去無法正確識別自行車行進情況的問題。
在剛剛落幕不久的2017底特律車展上，谷歌進一步升級了自行車識別算法，并推出了專門針對自行車的傳感器技術。
商用：忌操之過急
加州大學視覺計算專家Vasconcelos依然對當下的傳感和自動化技術能否取代人類保有質疑，但他相信，目前的技術已經能夠幫助人類司機避免一些事故的發生。
未來，自行車自動檢測和識別面向商用化的第一步，很可能就是用于傳統車輛的自動緊急剎車系統(AEB)。目前，AEB系統的功能已經從單純的車輛檢測延伸到行人、自行車檢測等更大范疇。
2013年，沃爾沃開始提供第一款支持自行車檢測的AEB系統，系統搭載了攝像頭和雷達等設備，用于潛在的碰撞預警。今年歐洲的公共巴士中也裝備了類似功能，值得一提的是，歐盟早在四五年前，就發布規定，要求新車配備AEB系統。
如今，越來越多的車企也在追隨“歐洲模式”，期望將自行車檢測功能加入AEB系統的性能評級中。
也就是說，AEB系統未來的要應對的問題就更復雜了，甚至是和自動駕駛車研發人員面臨相同的挑戰。而這個挑戰，就是“預測障礙物的行進”。而其中最最嚴苛的要求，莫過于對自行車進行檢測預警的AEB系統，負責歐洲自行車-AEB系統基準測試的高級顧問Op den Camp指出，自行車的移動幾乎是最難被預測的。
Koecká也同意這個觀點，“自行車的可預測性比汽車低很多，因為它們很容易突然轉向或消失在視野中”。
這些觀點都意味著，將自行車排除在人為事故風險之外(美國管理機構數據，94%的交通事故由人為失誤造成)尚需日時。舊金山自行車聯盟的執行董事Brian Wiedenmeier說，“每個騎自行車的人都在期盼這項技術的到來”，但他也同時表示，應靜待自動化技術成熟再投入使用。
據了解，去年12月，Uber曾在加州某試點測試自動駕駛出租車服務，Wiedenmeier那時就對Uber 發出過警告。他指出，這些汽車無視當地專為自行車劃定的車道線，這違背了加州保護自行車騎行者安全的相關法規。
去年底，Uber一路與加州監管部門死扛，加州希望Uber獲得DMV(美國車輛管理局)許可后上路，但Uber無視繼續路測，之后這種行為遭到禁止。
目前，Uber的自動駕駛汽車仍在亞利桑那州和匹茲堡進行路測，而就在不久前，加州街頭也重現一些Uber路測車的身影，不過消息顯示，這些車輛只被允許收集舊金山街道的測繪地圖數據，并必須保證有人類駕駛員在車內。
Wiedenmeier說，Uber對市場的“急功近利”行為是錯誤的。“任何新技術都需要審慎地測試和檢驗。