自動駕駛上路，還有“四個問題”需要解決

/ 導讀 /

隨著科技的不斷發展，自動駕駛技術正在成為汽車行業的一個熱門話題。這項技術的目標是讓車輛不再需要人類駕駛員的操控，從而提高交通安全性、減少交通擁堵并節省時間。但是，隨著這項技術的不斷發展，也出現了許多問題，在目前已經量產的輔助駕駛功能的車上，往往需要駕駛員打起十二分的精神，因為冷不丁地自動駕駛模式就退出需要駕駛員的及時接管，這樣一來自動駕駛也就失去了其存在的最大意義，反而成為了駕駛員的負擔、雞肋。

那么真正的自動駕駛何時才能上路，最為核心的一點就是，當技術達到何種水平時，才能夠放心地使消費者進行使用，而要想無人駕駛車能夠安心上路，還有哪些問題亟待解決呢？

競爭焦點聚集L4及以上

自動駕駛的功能效果可以分為6個等級，從L0到L5。目前主要是集中在從L3向L4等級邁進，競爭的焦點就是L4。所謂L3，指的是有條件自動駕駛。例如在外部環境比較穩定的高速公路，駕駛員可以完全放開方向盤。但L3需要人類駕駛員在必要時主動接管，所以依然需要人類駕駛員在駕駛室。而L4屬于高度自動駕駛，可以認為是限定區域內的無人駕駛，在自動駕駛感知信息來源比較充分的區域，可以沒有司機，汽車可以自動運行，甚至不再需要裝方向盤。L5屬于完全自動駕駛，在所有路段均可以完全無人駕駛。

L3是自動駕駛，但L3有個大難題：需要人類駕駛員在必要時候主動接管。那么，什么時候是必要時候？由于現實道路路況復雜，人類司機對于L3存在過度信賴和完全不信賴兩種極端分化的心態。完全不信賴讓L3技術毫無意義，而過度信賴L3又會導致大量交通事故的發生。L3當前所有交通事故，依然需要人類駕駛員自己承擔。所以實際上L3只是一個過渡性玩具，它不能真正解放人類駕駛員。

而L4是在限定區域內實現無人駕駛技術，由此，自動駕駛未來數年的應用限定在幾個領域：出租車、公交車、干線物流（高速無人卡車）、末端配送（無人配送車）、園區景區（低速游覽車）、礦區（無人特種車）、港口（港口無人車輛）、環衛安防（清潔車）、機場（無人引導車）等。所有的應用本質上都在限定區域。

自動駕駛實現的三條路徑

在各家競爭聚焦的L4技術上，目前來看形成了三種不同的技術路徑：

其一，無人、封閉區域運行。園區景區低速游覽車、工業物流園區、礦區、港口、機場等，這些場景實現L4較為簡單，自動駕駛可以在軌道車和傳送帶的基礎上優化實現，當前物流領域的無人倉儲已經非常成熟。

其二，單車智能。視覺神經網絡下的弱智能+包含激光雷達的強感知+高精地圖。同樣是單車智能，特斯拉屬于異類，想要打造強智能的視覺神經網絡，不肯用激光雷達和高精地圖，實踐證明特斯拉的自動駕駛水平停留在L3階段。最樂觀的看法，也需要10年才能碰到L4的門檻。但特斯拉并非盲目，訓練一個和人眼同樣強大的AI視覺，成功了確實是跨越式發展，哪怕失敗了，以新能源汽車起家的特斯拉也耗得起。

其三，車路協同輔助下的自動駕駛。單車智能整套系統很昂貴，但也僅僅是掃描周邊環境，并不能了解100米外的情況，于是就有了車路協同系統，通過通信基站，在一些道路布置專網通信，車與人、車與車、車與路通信。車路協同下的自動駕駛將車輛內部昂貴的感知系統放到了道路兩側，讓車輛可以更加充分接受環境信息，的確使得自動駕駛實現的難度降低，但這多少類似于“沒有軌道的軌道交通”。在未來，車路協同可能是城市智慧交通升級的一部分，是基建，但對于自動駕駛的作用主要還是輔助，因為單車智能未來價值更高。當前單車智能的確是蹣跚學步階段，但如AI視覺神經網絡，哪怕10年或者20年內成熟，其技術本身就極具意義。車路協同下，自動駕駛如果只有車路協同，那么很可能只是能用，不能讓技術產生額外的價值。

事實上目前可以看到，當前的自動駕駛主要的技術方向是單車智能為主，車路協同為輔，這也成為了行業內頭部玩家的統一共識。

自動駕駛真正上路的“四個問題”

在自動駕駛技術如此飛速發展的今天，無論外界炒得如何火熱，但行業內部都對自動駕駛的未來保留著謹慎的樂觀，想要迎來無人駕駛真正上路的那天，目前來看需要解決如下四個問題：

第一，技術的可靠性和安全性。自動駕駛技術最重要的問題之一就是安全性。雖然自動駕駛車輛的技術在過去的幾年里已經有了巨大的進展，但是對于許多人來說，他們仍然對這項技術的可靠性和安全性有所擔憂。因此，車輛制造商需要證明自動駕駛技術的可靠性和安全性，以便消除公眾的顧慮。美國加州有各家公司的自動駕駛路測，路測中有一個每10萬公里安全員干預次數指標。至今，依然沒有0次干預的自動駕駛技術，安全員干預的問題包括：高精地圖問題、視覺感知障礙、軟件穩定性問題、感知系統問題導致緊急剎車、運動軌跡需要優化、未正確識別紅綠燈、車道錯誤、誤識別等。

第二，法律和監管框架的制定。隨著自動駕駛車輛的出現，還需要相應的法律和監管框架。盡管目前已經有一些法律和規定針對自動駕駛車輛的使用進行了制定，但是還需要更多的規定來確保這項技術能夠安全地在公共道路上行駛。需要制定的法律和監管框架包括對自動駕駛車輛的道路測試和上路的規定、車輛的保險要求、生產標準和技術要求、道路基礎設施的更新等。同時，還需要對自動駕駛技術的隱私和數據安全進行保護，以確保車主和車輛的信息不被濫用。

第三，仿真路測和現實路測。在技術上，各地應通過路測數據來發放運行許可，路測數據應該由官方確定。理論上說，自動駕駛需要上百億公里的路測數據才能達到安全門檻。許多公司，現實路測里程不足，則仿真模擬里程來湊。仿真里程，說到底還是在一個虛擬環境中的駕駛數據。由于自動駕駛的核心是單車智能中的AI視覺神經網絡，而深度學習神經網絡是AI機器學習的一種，所以自動駕駛的發展依賴于行駛數據的積累，當前自動駕駛企業都以仿真路測來代替現實路測，體現出自動駕駛企業急躁的心態，但對于自動駕駛技術來說，這并不能增強可靠性。仿真虛擬環境，還是不能替代現實路測，因為現實遠比仿真環境更不可測，問題更多。

第四，測試環境和開放環境并不相同。量產的自動駕駛面臨的環境更加復雜，用戶并非專業人士，他們不知道何時要去接管自動駕駛車輛，也不會去維護系統，保持系統穩定性。工業上有個詞，叫魯棒性，指在異常和危險情況下系統生存的能力。測試往往在穩定環境中運行，而現實不存在穩定環境。在開放環境下，我們不能要求人人都規范地和AI交流，這也將導致一些未曾料到的問題。

總結

自動駕駛技術是汽車行業的一個重要趨勢，但是在將自動駕駛車輛投入到公共道路上之前，還需要解決許多問題。目前的自動駕駛，正在趨于完善，但真的到能夠量產和全面鋪開的地步了嗎？在自動駕駛真正上路之前，我們首先需要有一套自動駕駛系統能力的評測體系，各地需要開展路測來驗證各家自動駕駛技術的成熟度，這樣才能讓新的技術穩定安全地走進日常生活中來。

- End -