如果推荐一本关于无人驾驶的入门读物，那么这本《无人驾驶》无疑是最佳读物。
(点击上图进入京东购买)
这本书全面并通俗的介绍了无人驾驶，畅想了无人驾驶的世界，比较全面的介绍了自动驾驶的技术，并在最后思考了无人驾驶对人类的影响。
不管是从场景想象、技术科普还是未来社会问题分析，这本书都值得一读，不仅适合产品设计、研发、支持人员，同样适合驾驶相关人员，如车险从业者、物流管理者等。
看完介绍是否很想立即阅读？但又担心没时间读完全书？现在，呈上《无人驾驶》阅读笔记，全文6500+字，提取了全书精华，看完笔记也就基本读完了整本书。
如果，你不想看文字？那也没关系，再附上听书音频，下载下来空闲的时候听听。
关注“罗孚传说”公众号，输入“无人驾驶听书”获取音频文件。
以下，是《无人驾驶》听书全文。
在近一个世纪，汽车已经改变了我们的生活，大街小巷都遍布着汽车编制的移动网，它不仅给我们带来了出行的便利，也创造了无数的工作岗位和社交机会。
但是如此便捷的移动出行也给人类带来了困扰，比如说交通事故，道路拥挤，空气污染等等，这些影响着每一个人。
你是否想过有一天人类驾驶的汽车将退出历史舞台，被无人驾驶汽车所替代，你拥有的第一个智能机器人，很可能是你的汽车，你会把自己的性命交给他。听上去是不是很遥远？其实所有的科技巨头，包括Google、Uber、Tesla、Baidu等公司，都已经早早的加入了无人驾驶汽车的大战当中，并且已经取得了一定的成果，你很有可能即将见证这具有颠覆性的科技诞生。
那么这一波无人驾驶的浪潮为什么会兴起？实现它的难点在哪？它又会对世界产生怎么样的改变？看完无人驾驶这本书，你会对这些问题有所了解。
《无人驾驶》这本书是由哥伦比亚大学人工智能实验室主任胡迪利普森和人工智能专家梅尔巴库曼合著的。
洛杉矶时报评价说，如果有人想要找一本关于无人驾驶汽车的书，智能广泛运用的，非教科书的，适合大众读者的，那么利普森教授的书将是很好的选择。
本书的中文版共有25万字，我们将分成三个方面来为你解读。
第一是无人驾驶的世界是怎么样的？
第二是无人驾驶用到哪些技术，又存在什么样的难点。
第三是如果真的实现了，无人驾驶会给我们带来哪些影响？
第一部分，畅想无人驾驶的世界。
在未来街道上会充满成群的有序的无人驾驶车辆，组成一个无人驾驶移动网，就像深海里的鱼群一样，遇到障碍物自动分开，又迅速合并，高速前进，却又不发生碰撞。
如果你想要乘车，只需要打开手机，按下按键，一辆车会自动的行驶到你的身边，把你带到任何想去的地方。
如果说你想拼车分摊费用，可能车厢里边会有一个两个跟你同路的乘客，便利的移动性带来的是出行时间的降低，因为通勤时间大大缩短，人们呢可以在更远的郊区买房，因为车辆可以自己开到安全的地方停泊，等待下一次召唤。
我们也不需要再为停车找车位而烦恼，同时出行成本也会降低，因为更柔和的刹车和加速可以让燃料使用减少15%-20%，而成群结队的车队可以减少风阻进一步节约能源。
那么这样的世界会在什么时候到来呢？其实它的到来并不会是突然的，而是循序渐进的，根据分析师预计，第一代民用的无人驾驶汽车会在2025年上市，到2035年全球销售的新车当中会有10%的无人驾驶汽车，到2050年这个数字则是上升至80%，但是由于之前的人类驾驶汽车体量过于庞大，在路上行驶的车辆当中仍有百分之40-60%车是人类驾驶的。
可以确定的是，在长达几十年的时间当中，人类和机器人会共同掌管道路，对于这样一个无人驾驶的世界，大众普遍存在两个担忧：
第一个担忧无人驾驶汽车不安全。
其实机器驾驶是否安全，要看你怎么定义安全这个词，如果说要达到百分之百零事故，那么不用说现在的技术不完善，以后技术再发达也是不可能实现的。
但是如果跟人类驾驶员相比，机器驾驶肯定更为安全。
在人类驾驶当中导致车祸的首要因素都是本可以避免的人为因素，包括醉酒、吸毒、瞌睡、走神等等，而无人驾驶就可以完全避免这一类车祸，并且机器具有蜂巢思维的优势。
就是说如果说一个机器人学会了一件事儿，其他的机器人可以快速复制，这是人类驾驶员无可比拟的优势。
尽管现在的无人驾驶还处在初级发展阶段，但是机器的学习效率可以是以指数级速度增长的。
第二个担忧是无人驾驶的发展需要在基础设施上进行大量的投资。
这个误解来自几十年前美国运输部的无人驾驶方案，他们为了提高汽车的视觉识别能力，在道路上安装了许多无线发射器来实现数据共享。
这就像寓言故事当中，国王为了让自己走路不割脚，下令全国的道路上都要铺上牛皮一样，耗资巨大，最终故事里的解决方法，是在脚上包牛皮，变成了皮鞋，达到同样的效果。
而无人驾驶的发展方向也是按照这个思路，将视觉识别技术放到汽车里，而不是道路上，这样所需要的基础设施投资就非常少了。
早在1939年，通用汽车就开发出了世界上第一台无人驾驶汽车，在此之后的几十年，人类没有放弃过，对无人驾驶地探索，各种方案层出不穷，人们的热情也是随之起伏。
但是经过几十年的发展，为什么直至最近几年无人驾驶的技术才真正的步入正轨？
第二个部分，无人驾驶涉及哪些技术，又存在哪些难点？
想象人类驾驶的过程，首先需要眼睛耳朵这样的器官，收集外界环境的信息，也就是感知，然后需要大脑对信息作出处理，并且发出命令，这也就是决策。
最后由身体实现对车的控制，也就是执行，所以无人驾驶也需要三个系统，感知、决策和执行。
感知系统称为中层控制系统，负责感知周围的环境，并且作出识别和分析。
决策系统称为上层控制系统，负责路径规划和导航。
执行系统称为底层控制系统，负责汽车的加速刹车和转向。
中层控制系统
在生物学的领域有一个有趣的理论，叫做光开关理论，他认为在寒武纪生命大爆发时，是因为有了感光细胞的出现，才使得简单的有机体发展出复杂的生命形态。
同样在机器驾驶的领域，眼睛的诞生也至关重要。
无人驾驶汽车的眼睛，包括数码相机、激光雷达、微波雷达等，这些传感器收集周围的信息，包括车辆的速度和方向、在十字路口等绿灯的行人、路标上的限速和指示等等，为感知系统提供全面的环境数据。
数码相机是目前最便宜也是最常用的传感器，相对于雷达而言，它最大的优点就是可以分辨颜色，因此也成为场景解读的最佳工具。
比如说限速牌的数字、红绿灯的颜色都是靠数码相机的图像来识别完成，但是它的缺点也很明显，首先就是没有立体视觉，没有办法判断物体和相机之间的距离，另外它对光线过于敏感，过强或者是过暗的光线都可能影响它的成效。
2016年一辆特斯拉汽车在自动驾驶模式下与卡车相撞导致车内司机死亡，就是因为当时的光线太强，系统把白色的车身与天空的白云相混淆，导致车辆没有减速，直接驶入卡车底部，造成了悲剧。
目前大多数汽车摄像头在碰到这样的特殊场景时，总是无法准确捕捉画面，所以会影响系统作出判断。
而数码相机的缺点正好可以被激光雷达和微波雷达所弥补。
激光雷达就是用激光来进行探测和测量，它的原理是向周围发射脉冲激光，遇到物体之后反射回来，通过来回的时间差计算出距离，从而对周围环境建立起三维建模。
因为激光的波长短，所以可以探测到非常微小的目标，并且探测距离很长。
激光雷达的测量精度和雷达线束的多少有关，线数越多，在同一时间可以探测到的物体就越多，这就像是用刷子刷墙一样，刷子的数量越多，同一时间覆盖到的墙面积就越大。
目前大多数无人驾驶的试验车上使用的都是64线激光雷达，它由64个激光发射器组成，每个激光发射器每秒可以旋转十次，从而实现无死角的视野覆盖。
这样的激光雷达虽然说造价昂贵，售价高达几万美元，但是目前来说，是无人驾驶汽车不可缺少的视觉传感器，所以成为雷达制造厂商的必争之地。
再来说一说微波雷达原理，和激光雷达类似，不过它发射的是无线电波，而不是激光。
微波雷达比较成熟，高速公路上的测速仪器、车上的防撞提醒用的都是这一技术。
它虽然说精度不如激光雷达，但是胜在价格低体积小，同时精度低，反过来又是它的优点，因为可以穿透雾烟灰尘等障碍，在恶劣天气下作用显着。
数码相机和雷达测量在感知环境中相辅相成，共同为无人驾驶车辆提供完整准确的外部信息。
有了眼睛接收信息，接下来就要解决识别的问题。
举例来说，传感器拍摄到了前面站立着一个物体，那么就需要判断站着的到底是一个静止行人还是一个路标，它接下来有没有移动的可能？系统要怎么做？
从纷繁复杂的信息当中识别出有用的信息，这就要求机器像人类一样对收到的信息做识别和处理。
这实际上就是最近几年非常火的人工智能领域，在很长的一段时间，人工智能的解决方法都是自上而下的，就是科学家们编写一套程序，用很多如果怎么样怎么样就怎么样怎么样的语句，来定义机器在什么样的情况下应该做出什么样的判断，这样做有很大的局限性。
首先这就意味着机器人不可能聪明过人，因为所有的情景都是由程序员定义好的，机器的水平高低取决于编写他的人的水平高低。
其次现实的场景实际上是一个无限状态空间，有限的程序无法覆盖无限的场景，这就意味着必定有机器识别不了的情况。
而事情的转机出现在2012年，这一年在ImageNet图像识别大赛上，以深度学习为基础，构建的学习网络，以碾压第二名的优势夺冠。
而2016年的AlphaGo，AlphaGo以4:1战胜了李世石，进一步让深度学习走进大众的视野！
与传统的编程方式不同，深度学习采用的是自下而上的模式，程序员用大量的数据喂养系统，让机器自动学习到数据的特征。
例如说深度学习软件，通过学习大量猫的图片，识别出猫身上的特征，你不知道他学到了什么样的特征，可能是尖耳朵长胡须，也可能是体态和毛发，但是它就是通过这些特征识别出不同场景下的猫。
那么深度学习是怎么样进行学习的？这就要归功于大名鼎鼎的机器学习方法，人工神经网络。
停车场入口的自动车牌识别，iPhone X的人脸识别都是人工神经网络的功劳。
神经网络指的就是生物的神经系统，外层的神经元细胞受到外界刺激，就会放电给下一层细胞，下一层细胞再放电，给下一层细胞，最终电流会传递到大脑。
比如说你的手指被针戳了一下，感觉到疼，这就是一个神经系统传导电流的过程。对于神经细胞而言，最重要的问题就是我该不该放电，以及我应该放多少电。
人工神经网络模拟这个原理，将一层一层人工神经元细胞连接在一起，组成一个计算网络。这些人工神经元细胞在算法当中其实是一个个节点，通过调整节点之间的加权参数，来解决该不该放电和该放多少电这样的问题。
比如说识别猫的例子，把一张图片输入到神经网络的首层，首层通过加权计算，把信号传给第二层，第二层再通过加权计算把信号传给第三层，以此类推，最后到达输出层，输出层只有一个神经元，它用0到1之间的数字来回答一个问题。这是一张猫的图片吗？1代表是，0代表否，0.5就代表无法确定。
如果说回答错误，节点之间的参数就会被调整，再进行下一次学习，通过不断重复的判断和调整来实现人工神经网络的学习。通过这个深度学习过程自动驾驶汽车，就能够判断是有一只猫在横穿马路，还是说前面的卡车上面掉落了一个纸箱。
这次我们可以看到中层控制系统是以传感器为基础，深度学习为灵魂的系统，它为无人驾驶提供了必要的外界环境信息。
上层控制系统
在信号灯面前是停下来还是加速前进，在路口是向东走还是向西走？前边是条河，要不要绕路呢？这都是上层控制系统要解决的问题，而它的核心就是路径规划和导航。
那么说到导航，你会想到出门常用的导航软件，但其实无人驾驶汽车用的并不是普通的导航地图，而是高清数字地图，它和普通地图最大的区别就是精确度和信息量。
普通地图比较粗糙，与真实的距离有着几米的误差，因为人类驾驶员生来就有极强的视觉识别能力，所以说无伤大雅，但是对于缺乏识别和分析的机器驾驶员而言，这样的误差是不能够接受的！
因此，高清数字地图的精确度一般是在厘米级，并且是立体三维的，包含车道线周围设施等各种物体的坐标位置。
除了更为精确的绝对坐标信息，高清地图也包含更为丰富的道路交通信息。车道线是虚线还是实线？道路是上坡还是下坡？隔离带是植物还是栏杆？这些信息都需要被定义。
可以说高清数字地图是包含数百万个地形细节的庞大数据库，地图的信息越详细，车辆安全系数就会越高，这样庞大的数据库制作需要耗费大量的人力和物力，所以说到目前为止，只有少数财力雄厚的企业掌握高精度地图。
但是我们从长期来看，却有着另外的可能。
首先随着传感器和深度学习的技术提升，中层控制系统的实时场景识别可能变得更为可靠，反而不需要高精度的地图数据来作为辅助了。
其次，一旦汽车能够自动驾驶，他们就能够自动收集并且维护地图信息，地图的制作成本将大幅降低。
还有另外一个技术支持，路径规划的技术就是V2X技术。所谓V2X，英文是vehicle to everything。什么意思呢？意思是将车和环境形成一个物联网，它包括车对车、车对基础设施以及车对行人等一系列通讯系统。
想象一下，如果车辆能够得到信号灯的信息，就能够保证绝对不闯红灯。如果说能够知道周围车辆的意图，就能够很大程度地避免事故的发生，这或许比激光雷达等传感器更加有效。
当然既然是网络连接，它也存在着一定的网络安全问题。因此接入的及时性、传输的可靠性、信息的安全性都是V2X的重点和难点。
有了高精度数字地图和V2X通讯网络系统，就可以应用搜索算法，评估各种驾驶行为所花费的成本，包括信号灯等待时间，道路拥堵情况，路面维修情况等等，以此来得到最佳的行驶路径。
执行系统
讲完了无人驾驶汽车是如何实现感知，作出决策的最后一步，就需要一个强有力的执行系统，将指令转化为实际的操作。
如果将上层控制系统比喻为高级心智活动，那么底层控制系统就类似于条件反射活动，它需要做的就是实时控制油门和方向盘。
工程师们通过特制的线控装置，控制方向盘和油门，来取代人类司机的手和脚，在汽车里配置多个处理器组成的子系统，以此来稳定准确地控制汽车的机械系统。
这些子系统包括ECU引擎控制单元、ABS制动防抱死系统、自动变速箱控制系统等等，他们通过一个总线来进行内部通讯，在汽车当中称作CAN总线。
它的控制原理其实非常简单，就拿定速巡航系统来举例，车速过低的时候，控制器会主动地注入更多的汽油来提升车速，如果说车速过高就减少汽油。
那么执行系统的难点在哪？对于无人驾驶汽车来说，精准的控制和快速的响应至关重要。
这就意味着首先要提高总线的传输速度，这对于需要处理庞大数据的无人驾驶系统来说，有着非常高的挑战。
其次，控制的平滑性也影响着乘客的体验。
如果底层控制执行的足够好，车上的乘客不会察觉到任何速度的变化，而相反就会好像是坐了一辆过山车。
另外作为一个网络数据传输的安全性，也不容忽视，如果说黑客成功攻击了CAN总线，那么就能够对汽车进行控制，这样电影速度与激情当中的汽车发疯那一幕，就可能在现实生活当中上演。
我们来小结一下，在第二个部分当中，我们从感知决策执行三个方面讲述了无人驾驶技术的发展和难点。
无论是传感器、高清地图，还是CAN总线，都依赖于芯片性能的指数级增长，这也就解释了为什么是现在才能够发展无人驾驶。
随着芯片的进一步提升，技术的发展也会越来越快，实现无人驾驶的那一天也就指日可待。
第三部分，无人驾驶会带来哪些影响？
先来说一说好的一面。
第一点，也是最显著的好处，无人驾驶节约时间。
如果说你是司机，那么你就不用再被方向盘束缚了，比如说不必早起送孩子上学，也不必接送妻子上下班，因为无人驾驶汽车都会为你代劳了。
假如说你是乘客，那么你的乘坐时间将减少，因为道路规划与预算系统可以有效的指引车辆，避免拥堵，使车辆更快地到达目的地。
第二个好处就是更为便捷舒适的乘车体验！
你可以随时随地的召唤车辆，不用担心没有空车，也不用担心遇到心术不正的司机，同时汽车的设计也会更为贴心，方向盘会消失，仪表盘会更为灵活，车辆里边会有更多的娱乐设施，这样的便利性和舒适性可以更好地帮助老年人残疾人等弱势群体。
第三，车祸的数量也会大幅降低。
研究预计，如果说公路上90%的车变成无人驾驶汽车，每年将减少80%的车祸，数百万人免于车祸死亡。
第四，除了挽救人的生命，无人驾驶汽车还能够挽救地球。
在加速和制动等方面的优化处理，提高了燃油效率，也能够减少温室气体排放。
无人驾驶的世界看上去无比美好，那么这一天到来之后，真的就高枕无忧了吗？
接下来我们就来思考一下无人驾驶背后的危机。
首当其冲的，解放双手双脚的无人驾驶汽车，解放了你我，同时也是剥夺了司机的工作机会。
货车司机、出租车司机，这份稳定的蓝领工作曾经抵御了自动化技术互联网技术的冲击，但是在无人驾驶汽车面前却毫无还手之力。
同时汽车保险业也会受到影响，因为更为安全的机器驾驶保费会降低甚至取消！
每年几千亿产值的汽车保险业必定会受到不小的打击，也许最坏的结果就是无人驾驶技术最终会毁灭多个行业，加剧正在不断扩大的贫富差距。
还有另外一个需要认真考虑的问题，就是信息安全问题。
试想一下，未来无人驾驶汽车真的普及之后，你的身份信息，你何时何地去了哪儿，你和谁一起去了哪儿，都会被详细记录，当然生活在天眼之下，没有人敢做坏事，可是却也再没有任何的隐私可言。
最后要说到的危机是比较社会学的问题，就是社交的孤独感。
便利性为我们节约了时间，确实也减少了我们在交通工具上与人交流的机会。设想这样的情况，你开车送孩子上下学，可能是每天与孩子独处谈心的唯一机会。现在无人驾驶汽车帮你做了这件事，你连这唯一的机会也被剥夺了。便捷的个人出行可能会让我们变得更为孤独，也许有一天无人移动仓会有结交朋友这一选项，这个选项将乘客的某些特征进行匹配，而让我们走上移动出行社交的道路。
正如本书的作者所言，无人驾驶汽车很可能成为我们有生之年接触到的最具有颠覆性的机器之一，与其抗拒他，不如尽早地拥抱他，也许他会给你的生活带来翻天覆地的变化，而我们衷心的希望，那将是好的变化。