前言

從最初的L0級應(yīng)急輔助階段，到現(xiàn)在各大車企陸續(xù)面世的L2/L3級新車，老百姓實際可以體驗到的最多只是支持有條件的車輛半接管輔助功能，那些更高級別的自動駕駛技術(shù)仍然只還停留在測試場內(nèi)。到今天為止，全世界對自動駕駛技術(shù)的探索已經(jīng)走過了三分之一個世紀。

無人駕駛規(guī)模落地的漫漫長路，面臨的不僅是對感知設(shè)備、算法決策和車輛執(zhí)行技術(shù)的嚴格考驗，同時也有更多需要社會經(jīng)濟討論、個例分析、政策支持、甚至倫理道德方面的問題。
算法演進的巨額時間和金錢投入

目前，世界上主流的自動駕駛技術(shù)演進路線有兩種。

一種以算法系統(tǒng)為核心。由攝像頭主導，搭配毫米波雷達，使用先進的計算機視覺算法去實現(xiàn)高級別自動駕駛，典型代表有特斯拉、Moblieye以及百度Apollo Lite。另一種則以感知系統(tǒng)為核心。由激光雷達主導，同時搭載毫米波雷達、超聲波傳感器和攝像頭，遠距離全方位探測能力強，但成本相對較高，典型代表為谷歌Waymo、百度Apollo、文遠知行等主流無人駕駛企業(yè)。
無論選擇哪條路線，要實現(xiàn)高級別自動駕駛，甚至全無人駕駛，都需要強大到近乎完美的算法做支撐。算法是輔助駕駛和自動駕駛技術(shù)的大腦，需要反復循環(huán)訓練才能使其在應(yīng)用階段有效處理數(shù)據(jù)，充分識別交通環(huán)境，進而完成路徑規(guī)劃和決策。通常來說，算法的訓練路徑包括實際路測和虛擬路測兩個部分。實際路測是指搭載自動駕駛解決方案的車輛，在真實的交通環(huán)境下行駛并進行測試，主要針對日常的道路使用場景。而虛擬路測是指自動駕駛解決方案在虛擬環(huán)境下進行低頻、危險系數(shù)高的場景測試。這兩部分測試缺一不可，最大限度的預見了道路使用者可能遇到的情況。

根據(jù)權(quán)威機構(gòu)測算，自動駕駛算法想要達到人類駕駛員水平，至少需要累計177億公里的駕駛數(shù)據(jù)來完善算法。

然而巨額的時間和金錢投入是自動駕駛算法演進面臨的重要問題。截止目前，在各大自動駕駛公司公布的2021年測試里程中可以看到，Waymo作為全球頭部的自動駕駛公司，以374.3萬公里的測試總里程占據(jù)首位。Waymo的測試里程之長要歸功于其龐大的車隊，在2021年共有693輛汽車進行自動駕駛測試，這其中的人力財力投入不言而喻。在我國的自動駕駛企業(yè)中，小馬智行的2021年路測總里程約為50.64萬公里，已經(jīng)穩(wěn)登中國自動駕駛公司測試里程榜的第一。但這些漂亮的數(shù)據(jù)，背后卻是無底洞一般的時間和資本投入，即便現(xiàn)在越來越多的開始運用仿真測試來及減少實車里程，這一條“完美算法”的演進之路仍然可以理解為一條“燒錢之路”，各大企業(yè)除了社會融資外，都在探索更多可能的商業(yè)模式。

商業(yè)驅(qū)動還是市場需求？

自動駕駛的市場需求本質(zhì)上取決于自動駕駛替代人工成本的實際ROI（投資回報率）。目前一輛L4級自動駕駛單車改造成本動輒百萬，相比之下，可節(jié)省的司機成本可以忽略不計。然而不少業(yè)內(nèi)專家認為，只有在日本、北歐這些人力成本較高的地方，商用運營類無人駕駛才可能更快打開市場。而在勞動密集型國家，假若大規(guī)模落地運營類無人駕駛車輛，如無人公交車、無人出租車、無人物流車、無人環(huán)衛(wèi)車等，將會造成一大批勞動者失業(yè)。他們一般沒有其他技能可以謀生，如果不妥善安置，替這個群體想出另一條生存之路，這將成為社會很大的不穩(wěn)定因素。討論一個多方共贏的無人駕駛商用模式，不單純被資本和技術(shù)驅(qū)動，是這個“快時代”不該忽略的一項課題。

如何平衡通行效率、駕乘體驗、安全冗余？

為了保證較好的駕乘體驗，自動駕駛系統(tǒng)有時會選擇性“失明”。就目前的常見的L2來說，ADAS系統(tǒng)的核心車載感知設(shè)備是毫米波雷達，而為了平衡駕駛體驗，在系統(tǒng)“敏感”和“遲鈍”的天平中尋找一個支點，通常會從算法上忽略低速和靜止的物體。 

這些年屢見不鮮一些私家車由于對道路狀況識別不足造成的車禍，比如特斯拉徑直撞向已經(jīng)側(cè)翻在路上的白色貨車，或者去年那起追尾高速公路彎道內(nèi)側(cè)低速養(yǎng)護車輛的慘劇……

“對毫米波雷達來說，主要是受目標對電磁波反射敏感度影響，有些橡膠類靜態(tài)物反射不好，識別會困難。此外，雷達幾乎無法區(qū)分龍門架、道路側(cè)面的金屬標牌或道路上停放的靜止汽車，因為雷達的空間分辨率很差，在算法上只能通常忽略相對于路面不移動的雷達回波。否則，每次經(jīng)過路標等靜物時，汽車都會驚慌失措。”——顧劍民，法雷奧中國首席技術(shù)官

如何恰到好處的保障核心安全冗余，又不至于讓車輛時刻處于驚慌失措的狀況下，頻繁的繞行甚至剎車，允許車輛有條件的采用稍加激進的駕駛行為，提升整體交通效率和駕乘體驗。似乎是自動駕駛算法中一個非常敏感的閥值。

用80%的精力去解決20%的Corner Case 

我們前文提到了自動駕駛車輛需要完成非常大量的實際路測，但在實際應(yīng)用中，永遠都有很多超出想象的情況發(fā)生，我們稱這些場景為Corner Case，是自動駕駛演進道路上的長尾問題，并且逐漸成了制約自動駕駛發(fā)展的關(guān)鍵。這就可能導致車輛雖然積累了很大的測試里程數(shù)，碰到罕見的情況依然不能處理。人的生命只有一次，高速路上任何corner case 處理不好都有可能發(fā)生車毀人亡的嚴重事故。

有這樣幾個例子，如下圖：

• 前車上的錐桶

自動駕駛車輛識別到放置在行駛中的前車上的警示錐桶，自動繞行或剎車。

• 高速路上的塑料袋

一個人駕駛著他的Model 3，在FSD系統(tǒng)（FSD Beta 6）開啟的情況下，在高速公路上發(fā)出并線信號。就在車輛開始并線動作，它發(fā)現(xiàn)一個塑料袋在地面上飄動，所以它自動轉(zhuǎn)向到右邊，等這個“具有威脅”的塑料袋被清除，特斯拉恢復了并線動作。在本次事件中，幸好旁邊沒車，如果有的的話，系統(tǒng)認為繞開塑料袋意味著撞上其他車輛，那么它應(yīng)該不會轉(zhuǎn)向，也許它會選擇剎車…….

任何感知設(shè)備都有自己的“能”與“不能”。

相機往往很難區(qū)分障礙物的材質(zhì)。在現(xiàn)實世界中，材質(zhì)軟的物體可以呈現(xiàn)出任意形狀，如果完全依靠視覺訓練，通過把所有可能的外觀排列組合來找到合適的類別，但是遇到太陽眩光、陰影或夜間行駛等條件下，也會對性能造成影響。另外，由于塑料袋不含金屬，無法反射無線電波，所以雷達不能識別塑料袋。

• 跨過一個界限，突然變成靠左行駛

深圳灣大橋連接深圳市南山區(qū)和香港元朗區(qū)，跨過大橋后會突然改成右舵駕駛的交通規(guī)則。從歐洲開車去英國也是這種情況。

這些零散的、突發(fā)的、無規(guī)律性的狀況是困擾學界的重要問題，往往需要投入更多的精力去解決。隨著仿真技術(shù)水平的提高和應(yīng)用的普及，行業(yè)旨在達到99.9%測試量均通過仿真平臺完成，封閉測試完成0.09%，最后0.01%實路測試，使自動駕駛研發(fā)更高效、經(jīng)濟。但是模擬真實的人類行為和各種違規(guī)情況，還是極為困難。

“實驗室實驗和真實應(yīng)用場景的認知差異是巨大的：實驗室數(shù)據(jù)和模型的精準度和可信度，在現(xiàn)實環(huán)境中可能毫無價值：實驗室環(huán)境的模擬只能使得實驗環(huán)境盡量模擬真實環(huán)境，卻始終滿足真實（wild）場景的實驗環(huán)境設(shè)定；實驗室場景的算法和系統(tǒng)準確度具有批判性：科學家們必須不斷優(yōu)化部署，使得算法的可靠性不斷提高，而真實情況往往是：即使是滿足了100%準確率的實驗，在現(xiàn)實生活中也不一定可行。除了實驗室與真實場景的差異，真實場景下也存在差異。即使在某個城市進行了自動駕駛的成功試驗，也并不意味著我們可以在另一個城市復制成功經(jīng)驗。不同的社會、城市、駕駛環(huán)境和駕駛風格都會影響自動駕駛的運行情況。這也是為什么大多數(shù)企業(yè)始終在堅持在不同場景、不同城市下的進行真實實驗的原因。”    ——CMU Argo Lab首席科學家John Dolan

極端情況下的道德難題

自動駕駛汽車要面臨一種選擇，即電車難題：如果5名無辜的人被綁在電車軌道上，一輛失控的電車朝他們駛來，片刻后就要碾壓到他們。幸運的是，你可以拉一個拉桿，讓電車開到另一條軌道上。但是在那另一條軌道上也綁了一個人。因此，你有兩個選擇：不拉桿，5人死亡；拉桿，一人死亡。你會怎么做？

一旦自動駕駛汽車上路，必然面臨這種倫理難題，并且，人工智能的設(shè)計可能會陷入無盡的矛盾中。例如，如果是以死人的多少來設(shè)計人工智能的操作程序，那么接下來是否還會根據(jù)年齡、性別、地位的高低來選擇事故中的拉桿。例如，面對一位孕婦和一位老人，汽車出事前該撞向誰。如果這樣的話，是否也把人變成三六九等，這不是違背生命面前人人平等的原則嗎？

麻省理工學院收集了 233 個國家和地區(qū)用戶對于自動駕駛道德困境的意見，約 4000 萬個答案中有著一致傾向，例如：當發(fā)生事故時，所有人都一致地表現(xiàn)出更偏向救人類而非動物、救更多的人、救兒童而非成年人……
無人車的倫理問題在各國立法尚不完善，各大公司不可避免地在算法中寫入偏好，基于此的爭議和討論一直是行業(yè)不可回避的話題。

在達到L5之前，消費者存在過度信任問題

當下，太多人總是打著擦邊球來賣車，譬如展示“自己有做L3、L4技術(shù)的能力”，或者對外宣傳時使用“自動駕駛系統(tǒng)”這樣的字眼。自動駕駛等級劃分是有嚴格定義的，L0~L2是輔助駕駛，需要駕駛員在全程集中注意力，并且只有在L2級車輛上才有稍微可以松開方向盤的場景。L3以上才可以被稱為是自動駕駛，而現(xiàn)在極少有車企敢真正證明自己的量產(chǎn)車型實現(xiàn)了L3功能，因為真正達到L3以后，駕駛主體將轉(zhuǎn)變?yōu)檐囕v的自動駕駛系統(tǒng)，人類駕駛員只在必要時接管。甚至還有技術(shù)公司和車企甚至推出過L2.5級自動駕駛和L2.99級自動駕駛概念。L3是一個有關(guān)安全責任歸屬的臨界點，往下級走，責任在司機；往上級走，責任在汽車。

當那句“自動駕駛”說出口的時候，就是在跟玩消費者不負責任的文字游戲。

曾在微博上見過這樣一個事：在高速公路上，一位車主放倒座椅，躺在主駕上，雙手拿著漢堡和可樂，任由輔助駕駛系統(tǒng)掌控車輛，還興奮的拍視頻發(fā)到網(wǎng)上。

這種情況，如果發(fā)生了事故，且不說司機肯定會被認定為違規(guī)駕駛而負全責，更嚴重的是會車毀人亡。當然，在購車時沒有認真了解車輛的功能和局限性，草率的過度信任，是對自己的不負責。

無論是車企、經(jīng)銷商還是消費者，都應(yīng)該更加嚴謹?shù)膶Υ录夹g(shù)的發(fā)展過程，盡量減少產(chǎn)業(yè)亂象的產(chǎn)生。

小結(jié)

解決上述問題，攻克一個又一個技術(shù)難關(guān)，是自動駕駛演進道路的必由之徑。由于起步較晚，技術(shù)實踐積累相對較弱，我國的自動駕駛發(fā)展相對于國外來看仍由一大段差距。為了實現(xiàn)彎道超車，發(fā)展出更適合中國實際國情的“原生自動駕駛技術(shù)”，我國已經(jīng)決定走“網(wǎng)聯(lián)賦能自動駕駛”路線，即“自動駕駛?cè)诤宪嚶?lián)網(wǎng)V2X技術(shù)”。 

• 如單純依靠大量堆積各種高端感知設(shè)備來實現(xiàn)“無死角感知”，整車成本將會非常驚人，這樣的配置將無法下探到中低端車型，無人駕駛車輛會脫離它本身的商品屬性。V2X技術(shù)路線是將高昂的感知設(shè)備移到路側(cè)，通過車路通信傳遞交通信息，大幅度降低了車載感知設(shè)備的投入。

• 在實際交通環(huán)境中，尤其是中國這樣復雜的道路環(huán)境，快遞外賣車頻頻違章，行人橫穿馬路甚至闖紅燈屢禁不止，時常發(fā)生“鬼探頭”這樣的情況。單車智能的感知設(shè)備無法傳統(tǒng)實體，易被遮擋，存在很多的視覺盲區(qū)。V2X技術(shù)可以從“上帝視角”掌握全面的道路狀況，車與車之間還可進行感知共享，從根本上避免了由于盲區(qū)造成的事故。

• 網(wǎng)聯(lián)賦能自動駕駛，還可以從交通全局的角度為道路使用者分配路權(quán)，從整體交通角度來看，更加高效、節(jié)能、環(huán)保。

未來的車聯(lián)網(wǎng)C-V2X將會成為高級別自動駕駛系統(tǒng)中一項重要的感知源，解決目前自動駕駛演進過程中遇到的很多瓶頸問題，加速自動駕駛落地進程。