AI 應用在汽車產業：自動駕駛
近期在社群媒體上看到下圖，好奇一下就開始研究中國的蘿蔔快跑。
近期蘿蔔快跑除了在社群媒體曝光外，也出在傳統新聞媒體，下文取自 2024/07/14 中央社報導：
「蘿蔔快跑」廣受市場歡迎，因為它的價格比一般網約車（網路叫車）和傳統計程車便宜不少。它主打「價格僅要網約車的1/3」。根據陸媒報導，「蘿蔔快跑」在武漢市內每10公里目前折扣價約在人民幣4元到16元之間（約新台幣18元到70元），而傳統計程車、網約車的價格則在18元到30元之間。
既然蘿蔔快跑的成本如此低，加上看起來是將 AI 應用在電動車領域，就讓人聯想到特斯拉，甚至伊隆・馬斯克才在五月底獲得Valor、a16z 和紅杉資本的資本挹注研究 xAI 的應用等。
然而馬斯克就在近期(7/16)宣布將 Robotaxi 延後發表，對外公開的時間有從原本的 8 月改成 10 月。
自動駕駛的技術發展
回到上方社群出現的圖片，網路上有各種技術大神在說明這並非笑話，反而是一種確保安全性的做法，就像 AI 客服一樣，可能多數訊息可以交給 AI，然而有些細膩的情緒處理，可能還是得交給真人回覆等。
另外，也有網友反應蘿蔔快跑速度太慢、太守規矩，對比開車又猛又快的武漢人，「蘿蔔快跑」顯得異常老實，這其中的原因可能就是他們有很多透過規則基礎（Rule-based）來去設計一些安全駕駛的參數，但還沒調教到太完整。
所以我就請 ChatGPT 稍微來幫我分析整理一下，自動駕駛技術的進程：
規則基礎（Rule-based）
規則基礎系統是基於明確的規則和邏輯來決策和控制自動駕駛汽車的。讓系統基於簡單的邏輯運算和條件判斷，來去決定駕駛方向，這種方法的優勢在於其可解釋性和預測性。
缺點：
- 無法應對所有可能的駕駛情況，特別是那些未被明確規則涵蓋的情況。
- 需要大量的人工干預來更新和維護規則。
模型基礎（Model-based）
模型基礎系統使用基於物理或數學模型的技術來模擬和控制汽車的行為。這種方法通常包括狀態估計、軌跡規劃和控制算法。
優點：
- 可以提供較高的精度和穩定性，特別是在已知環境和特定條件下。
- 易於進行理論分析和性能保證。
缺點：
- 需要詳細的系統建模和參數識別，這在複雜和動態變化的環境中可能非常困難。
- 模型的準確性直接影響系統的性能。
端到端（End-to-end）
端到端系統使用深度學習等人工智能技術，從原始數據（如攝像頭圖像、激光雷達數據）直接輸出駕駛控制命令。通過大量數據訓練神經網絡，直接從感知到控制進行映射。
優點：
- 能夠處理高度複雜和非線性的駕駛情況。
- 隨著數據量的增加，性能可以不斷提升。
缺點：
- 缺乏可解釋性，難以理解和調試系統的內部決策過程。
- 需要大量高質量的訓練數據，並且數據標註成本高昂。
這三種方法各有其優勢和劣勢，通常在實際應用中會結合使用。例如，一個自動駕駛系統可能會使用規則基礎的方法進行基本的行為決策，使用模型基礎的方法進行精確的控制，並使用端到端的方法來處理複雜的感知任務。這樣可以最大限度地發揮各種技術的優勢，實現更加可靠和智能的自動駕駛系統。
這也是蘿蔔快跑、Robotaxi 可能會比較有競爭差異點的地方，就如我們前幾篇討論到的：AI 訓練會需要大量的資料，以自動駕駛來說需要圖資、語音命令等，假設 xAI 真的把大量社群加入後，又搭配特斯拉的圖資蒐集等，是否能讓 Robotaxi 的效果比蘿蔔快跑好，挺讓人期待的。
參考資料：
1. 2024/07/12 蕭上農臉書
2. 2024/07/14 中國無人駕駛計程車崛起時機糟 百萬司機陷失業焦慮
3. 2024/05/26 Elon Musk’s xAI raises $6B from Valor, a16z and Sequoia
4. 2024/07/16 特斯拉全新車款確定延後發表，Robotaxi 自駕計程車可能十月才會現身
