如果推薦一本關於無人駕駛的入門讀物，那麼這本《無人駕駛》無疑是最佳讀物。
這本書全面並通俗的介紹了無人駕駛，暢想了無人駕駛的世界，比較全面的介紹了自動駕駛的技術，並在最後思考了無人駕駛對人類的影響。
不管是從場景想象、技術科普還是未來社會問題分析，這本書都值得一讀，不僅適合產品設計、研發、支持人員，同樣適合駕駛相關人員，如車險從業者、物流管理者等。
看完介紹是否很想立即閱讀？但又擔心沒時間讀完全書？現在，呈上《無人駕駛》閱讀筆記，全文6500+字，提取了全書精華，看完筆記也就基本讀完了整本書。
如果，你不想看文字？那也沒關係，再附上聽書音頻，下載下來空閒的時候聽聽。
關注“羅孚傳說”公衆號，輸入“無人駕駛聽書”獲取音頻文件。
以下，是《無人駕駛》聽書全文。
在近一個世紀，汽車已經改變了我們的生活，大街小巷都遍佈着汽車編制的移動網，它不僅給我們帶來了出行的便利，也創造了無數的工作崗位和社交機會。
但是如此便捷的移動出行也給人類帶來了困擾，比如說交通事故，道路擁擠，空氣污染等等，這些影響着每一個人。
你是否想過有一天人類駕駛的汽車將退出歷史舞臺，被無人駕駛汽車所替代，你擁有的第一個智能機器人，很可能是你的汽車，你會把自己的性命交給他。聽上去是不是很遙遠？其實所有的科技巨頭，包括Google、Uber、Tesla、Baidu等公司，都已經早早的加入了無人駕駛汽車的大戰當中，並且已經取得了一定的成果，你很有可能即將見證這具有顛覆性的科技誕生。
那麼這一波無人駕駛的浪潮爲什麼會興起？實現它的難點在哪？它又會對世界產生怎麼樣的改變？看完無人駕駛這本書，你會對這些問題有所瞭解。
《無人駕駛》這本書是由哥倫比亞大學人工智能實驗室主任胡迪利普森和人工智能專家梅爾巴庫曼合著的。
洛杉磯時報評價說，如果有人想要找一本關於無人駕駛汽車的書，智能廣泛運用的，非教科書的，適合大衆讀者的，那麼利普森教授的書將是很好的選擇。
本書的中文版共有25萬字，我們將分成三個方面來爲你解讀。
第一是無人駕駛的世界是怎麼樣的？
第二是無人駕駛用到哪些技術，又存在什麼樣的難點。
第三是如果真的實現了，無人駕駛會給我們帶來哪些影響？
第一部分，暢想無人駕駛的世界。
在未來街道上會充滿成羣的有序的無人駕駛車輛，組成一個無人駕駛移動網，就像深海里的魚羣一樣，遇到障礙物自動分開，又迅速合併，高速前進，卻又不發生碰撞。
如果你想要乘車，只需要打開手機，按下按鍵，一輛車會自動的行駛到你的身邊，把你帶到任何想去的地方。
如果說你想拼車分攤費用，可能車廂裏邊會有一個兩個跟你同路的乘客，便利的移動性帶來的是出行時間的降低，因爲通勤時間大大縮短，人們呢可以在更遠的郊區買房，因爲車輛可以自己開到安全的地方停泊，等待下一次召喚。
我們也不需要再爲停車找車位而煩惱，同時出行成本也會降低，因爲更柔和的剎車和加速可以讓燃料使用減少15%-20%，而成羣結隊的車隊可以減少風阻進一步節約能源。
那麼這樣的世界會在什麼時候到來呢？其實它的到來並不會是突然的，而是循序漸進的，根據分析師預計，第一代民用的無人駕駛汽車會在2025年上市，到2035年全球銷售的新車當中會有10%的無人駕駛汽車，到2050年這個數字則是上升至80%，但是由於之前的人類駕駛汽車體量過於龐大，在路上行駛的車輛當中仍有百分之40-60%車是人類駕駛的。
可以確定的是，在長達幾十年的時間當中，人類和機器人會共同掌管道路，對於這樣一個無人駕駛的世界，大衆普遍存在兩個擔憂：
第一個擔憂無人駕駛汽車不安全。
其實機器駕駛是否安全，要看你怎麼定義安全這個詞，如果說要達到百分之百零事故，那麼不用說現在的技術不完善，以後技術再發達也是不可能實現的。
但是如果跟人類駕駛員相比，機器駕駛肯定更爲安全。
在人類駕駛當中導致車禍的首要因素都是本可以避免的人爲因素，包括醉酒、吸毒、瞌睡、走神等等，而無人駕駛就可以完全避免這一類車禍，並且機器具有蜂巢思維的優勢。
就是說如果說一個機器人學會了一件事兒，其他的機器人可以快速複製，這是人類駕駛員無可比擬的優勢。
儘管現在的無人駕駛還處在初級發展階段，但是機器的學習效率可以是以指數級速度增長的。
第二個擔憂是無人駕駛的發展需要在基礎設施上進行大量的投資。
這個誤解來自幾十年前美國運輸部的無人駕駛方案，他們爲了提高汽車的視覺識別能力，在道路上安裝了許多無線發射器來實現數據共享。
這就像寓言故事當中，國王爲了讓自己走路不割腳，下令全國的道路上都要鋪上牛皮一樣，耗資巨大，最終故事裏的解決方法，是在腳上包牛皮，變成了皮鞋，達到同樣的效果。
而無人駕駛的發展方向也是按照這個思路，將視覺識別技術放到汽車裏，而不是道路上，這樣所需要的基礎設施投資就非常少了。
早在1939年，通用汽車就開發出了世界上第一臺無人駕駛汽車，在此之後的幾十年，人類沒有放棄過，對無人駕駛地探索，各種方案層出不窮，人們的熱情也是隨之起伏。
但是經過幾十年的發展，爲什麼直至最近幾年無人駕駛的技術才真正的步入正軌？
第二個部分，無人駕駛涉及哪些技術，又存在哪些難點？
想象人類駕駛的過程，首先需要眼睛耳朵這樣的器官，收集外界環境的信息，也就是感知，然後需要大腦對信息作出處理，並且發出命令，這也就是決策。
最後由身體實現對車的控制，也就是執行，所以無人駕駛也需要三個系統，感知、決策和執行。
感知系統稱爲中層控制系統，負責感知周圍的環境，並且作出識別和分析。
決策系統稱爲上層控制系統，負責路徑規劃和導航。
執行系統稱爲底層控制系統，負責汽車的加速剎車和轉向。
中層控制系統
在生物學的領域有一個有趣的理論，叫做光開關理論，他認爲在寒武紀生命大爆發時，是因爲有了感光細胞的出現，才使得簡單的有機體發展出複雜的生命形態。
同樣在機器駕駛的領域，眼睛的誕生也至關重要。
無人駕駛汽車的眼睛，包括數碼相機、激光雷達、微波雷達等，這些傳感器收集周圍的信息，包括車輛的速度和方向、在十字路口等綠燈的行人、路標上的限速和指示等等，爲感知系統提供全面的環境數據。
數碼相機是目前最便宜也是最常用的傳感器，相對於雷達而言，它最大的優點就是可以分辨顏色，因此也成爲場景解讀的最佳工具。
比如說限速牌的數字、紅綠燈的顏色都是靠數碼相機的圖像來識別完成，但是它的缺點也很明顯，首先就是沒有立體視覺，沒有辦法判斷物體和相機之間的距離，另外它對光線過於敏感，過強或者是過暗的光線都可能影響它的成效。
2016年一輛特斯拉汽車在自動駕駛模式下與卡車相撞導致車內司機死亡，就是因爲當時的光線太強，系統把白色的車身與天空的白雲相混淆，導致車輛沒有減速，直接駛入卡車底部，造成了悲劇。
目前大多數汽車攝像頭在碰到這樣的特殊場景時，總是無法準確捕捉畫面，所以會影響系統作出判斷。
而數碼相機的缺點正好可以被激光雷達和微波雷達所彌補。
激光雷達就是用激光來進行探測和測量，它的原理是向周圍發射脈衝激光，遇到物體之後反射回來，通過來回的時間差計算出距離，從而對周圍環境建立起三維建模。
因爲激光的波長短，所以可以探測到非常微小的目標，並且探測距離很長。
激光雷達的測量精度和雷達線束的多少有關，線數越多，在同一時間可以探測到的物體就越多，這就像是用刷子刷牆一樣，刷子的數量越多，同一時間覆蓋到的牆面積就越大。
目前大多數無人駕駛的試驗車上使用的都是64線激光雷達，它由64個激光發射器組成，每個激光發射器每秒可以旋轉十次，從而實現無死角的視野覆蓋。
這樣的激光雷達雖然說造價昂貴，售價高達幾萬美元，但是目前來說，是無人駕駛汽車不可缺少的視覺傳感器，所以成爲雷達製造廠商的必爭之地。
再來說一說微波雷達原理，和激光雷達類似，不過它發射的是無線電波，而不是激光。
微波雷達比較成熟，高速公路上的測速儀器、車上的防撞提醒用的都是這一技術。
它雖然說精度不如激光雷達，但是勝在價格低體積小，同時精度低，反過來又是它的優點，因爲可以穿透霧菸灰塵等障礙，在惡劣天氣下作用顯着。
數碼相機和雷達測量在感知環境中相輔相成，共同爲無人駕駛車輛提供完整準確的外部信息。
有了眼睛接收信息，接下來就要解決識別的問題。
舉例來說，傳感器拍攝到了前面站立着一個物體，那麼就需要判斷站着的到底是一個靜止行人還是一個路標，它接下來有沒有移動的可能？系統要怎麼做？
從紛繁複雜的信息當中識別出有用的信息，這就要求機器像人類一樣對收到的信息做識別和處理。
這實際上就是最近幾年非常火的人工智能領域，在很長的一段時間，人工智能的解決方法都是自上而下的，就是科學家們編寫一套程序，用很多如果怎麼樣怎麼樣就怎麼樣怎麼樣的語句，來定義機器在什麼樣的情況下應該做出什麼樣的判斷，這樣做有很大的侷限性。
首先這就意味着機器人不可能聰明過人，因爲所有的情景都是由程序員定義好的，機器的水平高低取決於編寫他的人的水平高低。
其次現實的場景實際上是一個無限狀態空間，有限的程序無法覆蓋無限的場景，這就意味着必定有機器識別不了的情況。
而事情的轉機出現在2012年，這一年在ImageNet圖像識別大賽上，以深度學習爲基礎，構建的學習網絡，以碾壓第二名的優勢奪冠。
而2016年的AlphaGo，AlphaGo以4:1戰勝了李世石，進一步讓深度學習走進大衆的視野！
與傳統的編程方式不同，深度學習採用的是自下而上的模式，程序員用大量的數據餵養系統，讓機器自動學習到數據的特徵。
例如說深度學習軟件，通過學習大量貓的圖片，識別出貓身上的特徵，你不知道他學到了什麼樣的特徵，可能是尖耳朵長鬍須，也可能是體態和毛髮，但是它就是通過這些特徵識別出不同場景下的貓。
那麼深度學習是怎麼樣進行學習的？這就要歸功於大名鼎鼎的機器學習方法，人工神經網絡。
停車場入口的自動車牌識別，iPhone X的人臉識別都是人工神經網絡的功勞。
神經網絡指的就是生物的神經系統，外層的神經元細胞受到外界刺激，就會放電給下一層細胞，下一層細胞再放電，給下一層細胞，最終電流會傳遞到大腦。
比如說你的手指被針戳了一下，感覺到疼，這就是一個神經系統傳導電流的過程。對於神經細胞而言，最重要的問題就是我該不該放電，以及我應該放多少電。
人工神經網絡模擬這個原理，將一層一層人工神經元細胞連接在一起，組成一個計算網絡。這些人工神經元細胞在算法當中其實是一個個節點，通過調整節點之間的加權參數，來解決該不該放電和該放多少電這樣的問題。
比如說識別貓的例子，把一張圖片輸入到神經網絡的首層，首層通過加權計算，把信號傳給第二層，第二層再通過加權計算把信號傳給第三層，以此類推，最後到達輸出層，輸出層只有一個神經元，它用0到1之間的數字來回答一個問題。這是一張貓的圖片嗎？1代表是，0代表否，0.5就代表無法確定。
如果說回答錯誤，節點之間的參數就會被調整，再進行下一次學習，通過不斷重複的判斷和調整來實現人工神經網絡的學習。通過這個深度學習過程自動駕駛汽車，就能夠判斷是有一隻貓在橫穿馬路，還是說前面的卡車上面掉落了一個紙箱。
這次我們可以看到中層控制系統是以傳感器爲基礎，深度學習爲靈魂的系統，它爲無人駕駛提供了必要的外界環境信息。
上層控制系統
在信號燈面前是停下來還是加速前進，在路口是向東走還是向西走？前邊是條河，要不要繞路呢？這都是上層控制系統要解決的問題，而它的核心就是路徑規劃和導航。
那麼說到導航，你會想到出門常用的導航軟件，但其實無人駕駛汽車用的並不是普通的導航地圖，而是高清數字地圖，它和普通地圖最大的區別就是精確度和信息量。
普通地圖比較粗糙，與真實的距離有着幾米的誤差，因爲人類駕駛員生來就有極強的視覺識別能力，所以說無傷大雅，但是對於缺乏識別和分析的機器駕駛員而言，這樣的誤差是不能夠接受的！
因此，高清數字地圖的精確度一般是在釐米級，並且是立體三維的，包含車道線周圍設施等各種物體的座標位置。
除了更爲精確的絕對座標信息，高清地圖也包含更爲豐富的道路交通信息。車道線是虛線還是實線？道路是上坡還是下坡？隔離帶是植物還是欄杆？這些信息都需要被定義。
可以說高清數字地圖是包含數百萬個地形細節的龐大數據庫，地圖的信息越詳細，車輛安全係數就會越高，這樣龐大的數據庫製作需要耗費大量的人力和物力，所以說到目前爲止，只有少數財力雄厚的企業掌握高精度地圖。
但是我們從長期來看，卻有着另外的可能。
首先隨着傳感器和深度學習的技術提升，中層控制系統的實時場景識別可能變得更爲可靠，反而不需要高精度的地圖數據來作爲輔助了。
其次，一旦汽車能夠自動駕駛，他們就能夠自動收集並且維護地圖信息，地圖的製作成本將大幅降低。
還有另外一個技術支持，路徑規劃的技術就是V2X技術。所謂V2X，英文是vehicle to everything。什麼意思呢？意思是將車和環境形成一個物聯網，它包括車對車、車對基礎設施以及車對行人等一系列通訊系統。
想象一下，如果車輛能夠得到信號燈的信息，就能夠保證絕對不闖紅燈。如果說能夠知道周圍車輛的意圖，就能夠很大程度地避免事故的發生，這或許比激光雷達等傳感器更加有效。
當然既然是網絡連接，它也存在着一定的網絡安全問題。因此接入的及時性、傳輸的可靠性、信息的安全性都是V2X的重點和難點。
有了高精度數字地圖和V2X通訊網絡系統，就可以應用搜索算法，評估各種駕駛行爲所花費的成本，包括信號燈等待時間，道路擁堵情況，路面維修情況等等，以此來得到最佳的行駛路徑。
執行系統
講完了無人駕駛汽車是如何實現感知，作出決策的最後一步，就需要一個強有力的執行系統，將指令轉化爲實際的操作。
如果將上層控制系統比喻爲高級心智活動，那麼底層控制系統就類似於條件反射活動，它需要做的就是實時控制油門和方向盤。
工程師們通過特製的線控裝置，控制方向盤和油門，來取代人類司機的手和腳，在汽車裏配置多個處理器組成的子系統，以此來穩定準確地控制汽車的機械系統。
這些子系統包括ECU引擎控制單元、ABS制動防抱死系統、自動變速箱控制系統等等，他們通過一個總線來進行內部通訊，在汽車當中稱作CAN總線。
它的控制原理其實非常簡單，就拿定速巡航系統來舉例，車速過低的時候，控制器會主動地注入更多的汽油來提升車速，如果說車速過高就減少汽油。
那麼執行系統的難點在哪？對於無人駕駛汽車來說，精準的控制和快速的響應至關重要。
這就意味着首先要提高總線的傳輸速度，這對於需要處理龐大數據的無人駕駛系統來說，有着非常高的挑戰。
其次，控制的平滑性也影響着乘客的體驗。
如果底層控制執行的足夠好，車上的乘客不會察覺到任何速度的變化，而相反就會好像是坐了一輛過山車。
另外作爲一個網絡數據傳輸的安全性，也不容忽視，如果說黑客成功攻擊了CAN總線，那麼就能夠對汽車進行控制，這樣電影速度與激情當中的汽車發瘋那一幕，就可能在現實生活當中上演。
我們來小結一下，在第二個部分當中，我們從感知決策執行三個方面講述了無人駕駛技術的發展和難點。
無論是傳感器、高清地圖，還是CAN總線，都依賴於芯片性能的指數級增長，這也就解釋了爲什麼是現在才能夠發展無人駕駛。
隨着芯片的進一步提升，技術的發展也會越來越快，實現無人駕駛的那一天也就指日可待。
第三部分，無人駕駛會帶來哪些影響？
先來說一說好的一面。
第一點，也是最顯著的好處，無人駕駛節約時間。
如果說你是司機，那麼你就不用再被方向盤束縛了，比如說不必早起送孩子上學，也不必接送妻子上下班，因爲無人駕駛汽車都會爲你代勞了。
假如說你是乘客，那麼你的乘坐時間將減少，因爲道路規劃與預算系統可以有效的指引車輛，避免擁堵，使車輛更快地到達目的地。
第二個好處就是更爲便捷舒適的乘車體驗！
你可以隨時隨地的召喚車輛，不用擔心沒有空車，也不用擔心遇到心術不正的司機，同時汽車的設計也會更爲貼心，方向盤會消失，儀表盤會更爲靈活，車輛裏邊會有更多的娛樂設施，這樣的便利性和舒適性可以更好地幫助老年人殘疾人等弱勢羣體。
第三，車禍的數量也會大幅降低。
研究預計，如果說公路上90%的車變成無人駕駛汽車，每年將減少80%的車禍，數百萬人免於車禍死亡。
第四，除了挽救人的生命，無人駕駛汽車還能夠挽救地球。
在加速和制動等方面的優化處理，提高了燃油效率，也能夠減少溫室氣體排放。
無人駕駛的世界看上去無比美好，那麼這一天到來之後，真的就高枕無憂了嗎？
接下來我們就來思考一下無人駕駛背後的危機。
首當其衝的，解放雙手雙腳的無人駕駛汽車，解放了你我，同時也是剝奪了司機的工作機會。
貨車司機、出租車司機，這份穩定的藍領工作曾經抵禦了自動化技術互聯網技術的衝擊，但是在無人駕駛汽車面前卻毫無還手之力。
同時汽車保險業也會受到影響，因爲更爲安全的機器駕駛保費會降低甚至取消！
每年幾千億產值的汽車保險業必定會受到不小的打擊，也許最壞的結果就是無人駕駛技術最終會毀滅多個行業，加劇正在不斷擴大的貧富差距。
還有另外一個需要認真考慮的問題，就是信息安全問題。
試想一下，未來無人駕駛汽車真的普及之後，你的身份信息，你何時何地去了哪兒，你和誰一起去了哪兒，都會被詳細記錄，當然生活在天眼之下，沒有人敢做壞事，可是卻也再沒有任何的隱私可言。
最後要說到的危機是比較社會學的問題，就是社交的孤獨感。
便利性爲我們節約了時間，確實也減少了我們在交通工具上與人交流的機會。設想這樣的情況，你開車送孩子上下學，可能是每天與孩子獨處談心的唯一機會。現在無人駕駛汽車幫你做了這件事，你連這唯一的機會也被剝奪了。便捷的個人出行可能會讓我們變得更爲孤獨，也許有一天無人移動倉會有結交朋友這一選項，這個選項將乘客的某些特徵進行匹配，而讓我們走上移動出行社交的道路。
正如本書的作者所言，無人駕駛汽車很可能成爲我們有生之年接觸到的最具有顛覆性的機器之一，與其抗拒他，不如儘早地擁抱他，也許他會給你的生活帶來翻天覆地的變化，而我們衷心的希望，那將是好的變化。