1700045979
高清地图的生产和维护成本很高，但这正是其市场价值所在，也正是许多想跻身该行业的公司要跨过的门槛。然而长期来看，数字地图将会成为常见商品。两股力量将导致这样的转变：
1700045980
1700045981
第一，数码相机和深度学习软件性能提升，汽车操作系统的可靠性就从地图数据存储转移到实时场景识别。实际上，当汽车具备视觉智能后，车载地图反而将变得不那么重要。
1700045982
1700045983
令人始料不及的是，第二股力量竟然是“自动化”。一旦汽车能自主驾驶，它们就能自动更新并维护车载数字地图的信息。不计人力成本以后，曾经居高不下的地图制作成本将遭遇滑铁卢。庞大的无人驾驶汽车队伍将会成为首屈一指的地图制造者，因为机器人有着过人的精力、耐性和稳定的情绪。
1700045984
1700045985
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 [:1700043830]
1700045986
机器人的自我管理
1700045987
1700045988
深度学习软件应用在驾驶上产生了一种秒不可言的边际效应。导航软件一开始效率不高，不过只要达到某个临界点之后，导航软件的性能就会持续加速提升。换言之，无人驾驶系统收集的数据越多，它们的驾驶技术就越高明。总结这种良性循环，我们会发现这与机器学习软件的训练数据多少有关。消耗的数据越多，软件的性能就越好，从而推动系统越发积极采集数据。
1700045989
1700045990
该良性循环是这样展开的：起初，需要有人类司机来训练汽车学习软件。积累到了一定程度，到达一定临界点后，深度学习软件开始自主导航行驶，同时收集新的训练数据，形成稳定的数据流。新数据用于训练深度学习软件，以提高物体识别的准确率，进一步改进性能。当导航软件的能力提升后，就可以派遣更多的车辆在街道上行驶。当无人驾驶汽车以车队的形式集体工作时，其增长速度会开始以幂次方速度进行增长。车队装配有相机和深度学习软件，将会记录每棵树、每堵墙、每个垃圾桶、每道风景的特色。一天下来，车辆把数据上传到中央数据库，这样别的车辆也能利用这些数据。有了这上千甚至上百万辆无人驾驶汽车贡献自己采集的数据至丰富又鲜活的数据池，深度学习软件的性能才能飞速增长。
1700045991
1700045992
车队学习还会以另一种方式加速无人驾驶汽车性能的提高。若是几辆汽车记录了相同的视觉环境，重叠部分将会被交叉检查。由于错误检测软件需要检查多辆汽车，实现数据交叉检查，以确保数据的准确性。假如有1000辆汽车都报告看见一棵树倒在路旁，并且目击时间一致，观察角度各异，那么确实有一棵树倒在路旁的概率就很高。
1700045993
1700045994
深度学习软件的能力最终是由软件自己来提高的，这让人联想到一个有趣的场景，那就是移动机器人有能力提升车载地图的准确率。这个地图构建过程被称为“即时定位与地图构建（simultaneous localization and mapping, SLAM）”。发明这个方法的同学最初命名为“即时地图构建与定位”，字母缩写为SMAL（幸运的是他的导师建议重新调换单词次序，于是一个与著名篮球杂志《SLAM》相同的，响亮的字母缩写SLAM诞生了）。
1700045995
1700045996
SLAM本质上是把Bootstrap——一个被广泛应用的Web前端框架——采用在地图上的过程。在这个过程中，移动机器人能很快构建起新的认知环境，以其中一个点作为初始视野点，并由此扩散开来。该过程以机器人选择起点作为开端，接着，它开启视觉传感器记录下该位置所能看到的一切物体，所捕捉到的原始数据被录入空白的原始地图。接来下，机器人逐步推进，并重复扫描，在第二个视野点描绘出周围场景的第二幅地图。先前位置上观察到的大部分物体在当前的视野中也能看到。根据两幅地图的重叠部分，机器人能进行校对，整理成一幅更大型、更精确的地图。对这幅新融合而成的地图进行三角测算处理，根据所看到的物体推断出机器人所在地点以及确定下一步探索的未知地图边界。
1700045997
1700045998
由于机器人不断进行即时定位与地图构建过程，它马上就能完整而精确地构建出该区域的局部地图。我们曾看见研究中的机器人使用SLAM方法快速对建筑物周围环境进行学习：机器人以一张空白的地图开始，经过几个小时的游荡，成功生产出一张大型地图。
1700045999
1700046000
1700046001
1700046002
1700046003
图10.1 使用即时定位与地图构建（SLAM）技术得出的3D地图
1700046004
1700046005
来源：Jakob Engel, Jorg Stuckler和Daniel Cremers合著的论文《立体相机的大规模直接SLAM技术》（Large-Scale Direct SLAM with Stereo Cameras），2015年国际智能机器人和系统大会，1935~1942页。
1700046006
1700046007
Andreas Geiger，Philip Lenz和Raquel Urtasun合著的论文《自动驾驶，我们准备好了吗？KITTI视觉基准测试套件》（Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite），2012年国际计算机视觉与模式识别会议，3354~3361页
1700046008
1700046009
SLAM技术赋予机器人自主提升地图准确性的能力。由于移动机器人使用SLAM技术来收集传感信息，机器人储存的地图质量不断攀升。良性循环开始了。当机器人存储的地图精确度与详尽程度提升到了一个新高度，机器人就成了一个更好的导航者，从而能更好地出发，去收集更多的数据来更新地图。
1700046010
1700046011
如今，移动机器人把SLAM技术应用在各个领域，从军事领域到家用扫地机器人。与车队学习相类似，也出现了团队型SLAM。在这个过程中，几名机器人通力合作，把视觉数据进行汇合。SLAM另一个分支技术是3D SLAM，这项技术可以使自动潜水艇绘制出海底地图，使空中无人机描绘出探测过的洞穴的内部情况。
1700046012
1700046013
如果有无人驾驶车队使用Booststrap框架来提升高清地图和深度学习的准确性，它们将会采用类似团体型SLAM和3D SLAM的工作过程，反复拍摄每个街景，仔细查看每个路面上的裂痕、颠簸之处和道路标志。当无人驾驶车队获取的图片信息形成平稳的即时数据流并输入软件，就能形成一个不断成长和更新的数据模型，内容将覆盖路上行人的举止行为和该地区路面街道的详细情况。当车队把它们各自驾驶的经验都汇集成机器人认知的合集时，综合起来的经历将等同于一个人类司机几千年积累的驾驶经验。
1700046014
1700046015
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 [:1700043831]
1700046016
预测交通情况
1700046017
1700046018
当无人驾驶汽车进一步地开展其地图业务，它们的位置、速度和选择路径会生成非常实用的副产品：交通数据。今天我们使用路径规划软件来提供有限的导航来避开交通拥挤。几乎每个人手机上都有一款APP是用来指导我们到达特定的目的地，这些APP较为先进的版本会把交通信息也加入到运算当中。
1700046019
1700046020
无人驾驶汽车将包含复杂的交通预测软件，它使用机器学习软件从实时以及历史交通数据中学习。经过学习此前数小时、几周甚至几年的交通模型，机器学习软件将学会识别造成交通拥挤的原因，例如交通事故或是道路维修。其他影响因素包括节假日、学校放学、举行运动会和大型社会活动；天气和冬季的积雪是另一个破坏性极大的因素。
1700046021
1700046022
交通预测和计划软件的性能提升曲线与深度学习软件的类似。可用的交通数据越多，交通预测的机器学习模型将变得越准确。一辆车行驶时间越长，它就越了解交通状况——就像经验丰富的老司机遇上交通拥堵时会选择其他路线——交通预测软件的性能越好，就越容易找到最佳路径。
1700046023
1700046024
从今往后的几十年内，交通预测软件能够达到我们今天梦寐以求的高水平。当无人驾驶汽车对好几年的交通数据进行分析，我们会发现预测软件揭示了看起来毫不相干的交通状况之间的关系。城市规划者将发现一个交通状况将会间接引起了另一个交通状况，这就是我们熟悉的“蝴蝶效应”。一起不起眼的交通封锁会引起几条相距甚远的道路发生10小时的交通延误。
1700046025
1700046026
道路规划与交通预测软件所能做的，远远不止路线规划和指引车辆绕行交通拥堵区域。这种软件将拥有整个城市的交通模式的全景图。然而在某些状况中会用到微观地图，在这种情况下需要在短时间规划出较短路径，规划出到达附近目的地的最佳路线。当无人驾驶汽车综合考虑效率最高的路线时，它能创造出一系列的短期预测模型。例如，如果你在一辆前往杂货店的无人驾驶汽车上，没有指定去哪里购物，这时汽车将会综合附近的交通模式，将你送到能最快抵达的杂货店。
1700046027
1700046028
交通系统是科学家口中的典型的“非线性系统（Nonlinear System）”。它是一种由多种相互依赖和制约的因素，用难以预测的方式作用于彼此的系统。对于许多学科的科学家和工程师来说，在非线性系统中分析这些微妙而复杂的共存关系是一个非常热门的研究领域。股市是另一个复杂系统，很多情况下受到人类投资者的影响，其平衡性会不断偏离中心；热带雨林中的生态系统出现物种波动时也是类型的例子，其中包含了上百种独立或非独立的关系，分别以难以预计的方式彼此影响。