目前國內無人駕駛達到什麼水準？美國到底領先中國多少？國內又有哪些值得關注的無人駕駛技術呢？
現在許多車上已經配備了所謂的半自動駕駛技術，那我們離真正的無人駕駛還有多遠距離？美國已經逐漸將區域化試運行無人駕駛，似乎美國無論在技術還是政策方面都已經走在這個領域的前面，那中國在無人駕駛方面有哪些值得關注的無人駕駛技術呢？和美國之間的差異和差距又是什麼？
剛看完一篇國外媒體的報道，頓時凌亂了...
外媒：無人駕駛汽車競賽 中國將會超過美國
本題已加入知乎圓桌 ?看車展 · 看未來，更多「車展」討論歡迎關注。
我認為，自動駕駛是早晚的事，現在看來，自動駕駛的普及速度比預想的還要快。
自動駕駛一旦大規模普及，很多功能將會成為現實，比如：車輛可以像動車一樣編組運行以實現同步高速度的交通，車與車之間的通訊和交互可以實現高效的通行效率和極低的事故率，甚至不需要紅綠燈及各種複雜的交通標誌標線系統，總體的交通效率和安全性將大大提高，是革命性的。用不了多久，就會有人說：「開車這麼危險的事情，以前竟然讓人去做，這簡直太嚇人了，不可想像。」，當然「女司機」這個說法可能也要退出歷史舞台了。很多朋友擔心交通基礎設施以及法律責任等問題，我覺得這點不用太擔心，自動駕駛普及的過程，也是相關的交通技術設施和法律不斷完善的過程。今天主要分析一下自動駕駛的技術層面，其他相關的道路設施及法律責任等問題在這裡不討論了。首先簡單說一下自動駕駛的原理。所有的控制系統都是由感測器、控制器和執行器組成的，從這個角度上講，自動駕駛原理其實和人工駕駛是一樣的，我們用眼睛觀察路況，而自動駕駛則是使用激光雷達、超聲波雷達、攝像頭、GPS等感測器來觀察路況確定位置。我們用大腦做判斷，自動駕駛當然就是用電腦作為控制器來判斷。然後我們通過手腳控制車輛方向盤、加速和剎車，自動駕駛也是根據電腦的輸出直接去控制車輛。看上去很簡單，但是要深入分析的話，特別是汽車這麼危險的東西，要想保證自動駕駛的可靠性的話，其實非常複雜。
從圖中可以看出車身的各種感測器可以檢測到最遠達兩個足球場那樣範圍內的物體，包括人員，車輛，建築區，鳥類，自行車等，這輛車可以看到其他的車輛，這些車輛在圖裡用紫色的圖形來表示，騎自行車的人會用紅色標出，左上角轉角的地方會用橙色的圓錐來表示。它甚至可以識別交警的手勢，這是非常了不起的，也是谷歌強大的軟體演算法能力的體現。雖然谷歌的自動駕駛汽車可以根據收集到的數據來預測很多事情，比國內的強大許多倍，但是仍然會出現以前從來沒有發生過的情況。有一次，一輛測試中的自動駕駛汽車正行駛在山景城地帶，出現了一個坐著電動輪椅的女人在路上轉圈圈地追趕一隻鴨子，但是這輛車卻只能不斷試探並且降速來躲避這個女人。
特斯拉強大在別人還在研究試驗的時候，它已經量產並大規模投入使用了。
一線奮戰無人駕駛也有些年頭了，切身的體會，幾年前還會天馬行空的暢想，這些年開始嚴肅對待這個問題。這個問題的回答有個基本思路，必須從商業邏輯-&>研發戰略-&>核心供應鏈-&>關鍵演算法的順序來討論。（作為一個程序員，演算法還是最有意思，^_^）。還是老規矩先說結論：大量核心供應鏈部件和演算法很長一段時間還是國外領先。但無人車不是手機，不會是零部件的堆砌，肯定會受到國內政策，交通環境，生態體系的影響。國內企業只要牢牢守住生態陣地，總有反超機會。占坑第一，做強第二!
一、商業邏輯
首先是大家基本達成一致的邏輯（國內外基本都在一個起跑線上）：
共識一："電車理論"這種問題不該是問題
所謂的「電車難題」是倫理學領域最為知名的思想實驗之一，其內容大致是：一個瘋子把五個無辜的人綁在電車軌道上。一輛失控的電車朝他們駛來，並且片刻後就要碾壓到他們。幸運的是，你可以拉一個拉杆，讓電車開到另一條軌道上。然而問題在於，那個瘋子在另一個電車軌道上也綁了一個人。考慮以上狀況，你是否應拉杆？自動駕駛汽車也會遇到類似的倫理問題，在危急情況下，是保乘客棄行人還是保行人棄乘客？
大家對於電車理論的共識就是那麼幾點
- 自動駕駛汽車不應該陷入這種兩難困境：設計這麼多邏輯，裝那麼多感測器，甚至超出人類認知的V2X，地圖，激光雷達，積累大數據的駕駛經驗都是為了這些尷尬不出現。
- 車輛兩難的本能反應必須是預先設定經過認可的：不能排除這種兩難情況的出現，但是基本的價值觀必須預先設定，而設定價值觀的可以是人，機器只用把過程進行完整的記錄。
- 這個鍋我背哈！真的出問題了怎麼辦，很多企業已經做了不錯的表率（沃爾沃）。
共識二：增量式駕駛員輔助系統不會進化成自動駕駛系統
之前看到過這樣的路線劃分
當今自動駕駛行業最大的激辯就是到底要走特斯拉路線，還是谷歌路線。前者的處理方案是不斷改進的增量系統，期望有一天這套系統能直接驅動自動駕駛汽車。谷歌則否定這條道路，認為我們該應用不同的技術。
我深感莫名其妙，特斯拉和谷歌我認為就是一致的認知。特斯拉遞增的是軟體版本，不是功能增量，而其收集感知數據的商業模式，將是谷歌路徑商業化的必由之路。
實際上的區別是整車廠和科技公司的區別，之前某位國外知名主機廠高管曾說過，自動駕駛對他們來說就是分分鐘的事情，因為在他看來縱向控制就是「ACC+CC+AEB」，集成現有成熟技術就可以了。ACC/CC/AEB三者之間存在繁瑣的IF-THEN切換規則，並且每一種策略都不符合人類駕駛的基本邏輯，現實交通的複雜性會直接導致這種策略的崩潰。TRUST ME 整車廠也不會這麼想了！
基於人車路的概率分布，運行態勢，行為意圖基本上是所有企業主流的做法。
共識三：自動駕駛行市場巨大
據美國市場統計：3 萬億英里的行駛里程x每英里 0.1 美元的成本 = 每年 3000 億美元的營收，在共享運輸這樣的背景下，類似Uber、Lyft 和滴滴這樣的先行者，總計估值已經高達 1100 億美元，基本相當於美國汽車三巨頭通用、福特和克萊斯勒的市值之和。
共識四：城市發展將會在遠期支撐自動駕駛
未來 20 年內大量的交通基礎設施都將支持自動駕駛。什麼專用道路標識，V2X，5G,高精度地圖，邊緣計算設備等等等等。也許現在的設施差了些，未來為了安全一定會改變。
共識五：誰強誰弱不重要，滿足市場需求才是最重要的。
這是一個最重要的問題，回答這個問題我認為實際上是兩種劃分：
1.所有權劃分
未來消費者到底會將汽車看做是私人物品還是服務供應商，這關乎一個商業模式的問題。
2. 使用空間劃分
是開放道路，半封閉道路，還是封閉道路（這種不應該算作自動駕駛領域），開放和半封閉道路的參與者有很大區別
（睡覺，明天繼續。。。。）
關於題主提到的無人駕駛技術美國領先中國多少，正值美國領導人換屆以及CES2017消費電子展召開在即，無人駕駛無疑是一個熱門話題。中美企業將會藉此機會爭相展現各自開發實力。那在此之前，小星先和大家聊聊，算是暖個場。照例先說觀點，後面多圖細細聊。個人覺得中美無人駕駛技術確存差距。美國基於其政策推動具有很深的技術積澱，領先於中國。但此差距並不存在代差。中國只要加強政策力度，依託互聯網大潮，仍有加速追趕的機會。畢竟中國能夠自主開發戰鬥機並追趕美國的相關技術，相比汽車技術要更具挑戰。但是汽車技術的特性就是需要以可接受的成本提供安全可靠的性能並大量量產。這就是其特有的技術難點。後面基於無人駕駛的三大技術進行詳細分析：汽車感知感測器技術（也就是下圖裡的Robotics機器人技術），
人工智慧AI，
互聯技術V2X（也就是下圖裡的Cloud雲技術）。
而CES2016發布的來自Quanergy的「固態」激光掃描儀S3更是首次引入了全固態激光掃描儀的概念。讓我們來通過Quanergy在CES上的演講和其相關的專利說明來詳細探討一下它的創新之處吧。簡單的說，這是一款全「固態」的激光雷達，或者稱光學相控陣激光掃描儀。其目標量產成本為250美元。首先如下圖一所示，其滿足了激光掃描儀小型化的大趨勢，整個尺寸只有90mm x
60mm x 60mm。如圖二的產品工作原理展示中可以看到內部機構不存在任何的機械旋轉部件。所有的激光探測水平和垂直視角都是通過電子方式實現的。因此其名副其實的是全「固態」激光掃描儀產品。
美國政府影響至今仍在持續
除了以上對於激光掃描儀成本優化的固態化趨勢，DARPA正主導繼續與加州Berkeley以及麻省理工MIT進行下一代頻率調製連續波FMCW 激光掃描儀晶元的開發。將進一步降低激光掃描儀的成本。
實際上美軍方DARPA主導的項目小組，以加利福尼亞大學為核心已經基本完成了原型半導體晶元的開發，並且在IEEE國際電子工程師協會上發布了正式的論文。如果需要從事相關的激光感測器開發或者對激光感測器小型化感興趣的朋友，可以搜索相關的論文進行進一步的研究。如下是論文原型晶元的示意圖，用來給感興趣的朋友一個大概的總覽。下圖一為原型晶元的組成示意圖，包括左上角的MEMS tunable VCSEL微機械可調諧垂直腔面發射激光器作為發射源和右上角及下方的兩組光敏二極體作為接收器件。下圖二所示由晶元組成的閉環可控光學頻率調製連續波FMCW控制電路。電路顯示由三大類的器件組成。該三大類的器件分別分布在三種半導體層上。紅色表示的器件為三五價III-IV半導體層。典型代表為砷化鎵GaAs或者磷化銦InP半導體工藝。三五價半導體是直接能帶半導體，更夠發出更強的光，適合製作光學晶元。因此原型晶元的激光發射源和光敏二極體接收單元均由該類型的半導體完成。藍色部分硅光電子層Silicon Photonics（又稱SiP），是基於硅基工藝製作的光學半導體。因此耦合器Coupler和相位測量干擾儀Interferometer由該半導體層製作。黑色部分為傳統硅基CMOS層，其他傳統的控制單元都有該半導體層製作。下圖三為具體的三種類型半導體層的分布情況。
↑原型晶元的組成示意圖
神奇的是，此概念提出一年以後原型樣片真的被做出來並進行了相關的測試。其產學研的扶植力度可見一斑。這也是其深厚技術積澱的一種體現。
以上，汽車感知感測器技術方面，受美國政府持續扶植影響，美國的技術優勢最明顯。
不過由於全球供應鏈一體化的影響，加上中國是最大的汽車銷售市場，相應的技術還是逐漸應用到了國內的無人駕駛概念車上，比如上汽、長安等車廠。而且國內院校比如同濟大學和清華大學也參與了相關技術研究。因此中國加速追趕並不是不可能的。
2.人工智慧AI
該技術方向又分成兩大塊，分別是硬體和軟體。
硬體方面由於美國長期的計算機技術的領先地位，其優勢依然十分明顯。
人工智慧AI所需的硬體目前呈現三足鼎立的狀態。分別被NVIDIA、INTEL和IBM所引領。
NVIDIA作為GPU的領先供應商，正將其主營業務從圖形處理以及遊戲產業轉向基於GPU的人工智慧AI的深度學習計算平台
而INTEL在其傳統計算機/伺服器行業的增速放緩後，戰略性的收購了FPGA領導者ALTERA和AI架構的創新初創公司Nervana。並且迅速融合其優勢，並向無人駕駛人工智慧AI技術方向迅速發展。更是與寶馬BMW以及Moblieye組成了戰略同盟，進行無人汽車的開發
而最低調最不為人知的可以說是IBM。藍色巨人悄然進行著人工智慧AI神經網路晶元的開發，並已在汽車外的多個行業開花結果
軟體方面則以谷歌最為突出，但中國企業如百度仍然可以走出中國特色的發展路線進行追趕。
不管是搜索引擎還是無人駕駛在實現方法上，「科班出身」的谷歌更依賴於基礎技術本身，而「中國特色」的百度則更多在基礎技術上針對中國市場進行人工優化。換句話說，谷歌的設計思路是不相信人工調整。所有的錯誤結果都應該從某種程度上通過優化基礎演算法自動發現並糾正。即花大量的精力和資源在前端技術優化上，使其可以適應於不同的使用環境。而百度的設計思路是在某種程度上技術總會出錯，這個時候就應該透過人工優化來進行糾正。即花更多的精力和資源在後端應用優化上，讓其更適應於終端使用環境。這就好比開發一款車。一方專註車型平台的優化。最終可以將這個平台用於A級車，拉長以後變成B級車，墊高後變成SUV，拉長拉高加兩個座位就成了MPV。車型可以用於亞洲、歐洲、美洲等多個市場。但是可能對中國市場並不是最優化的。而另一方針對市場需求花大量精力優化一款A級車，結果可能針對中國市場更優化。
谷歌提出的AI First人工智慧為先戰略已在圖像識別、機器翻譯等多個領域獲得進展
那麼「科班出身」的谷歌對基礎技術有多專註呢？我們之前介紹過美軍方牽頭的DARPA無人駕駛挑戰賽，谷歌一步一步進行了各種感測器的集成並創造了特有的量產版無人駕駛汽車。而另一方面，軟體演算法方面谷歌領導了相關深度學習Deep Learning和谷歌大腦Google Brain技術開發，進行了大量的基礎研究。因此谷歌在無人駕駛汽車領域可謂不管硬體還是軟體，各方面都親力親為。下圖為之前提到的谷歌大腦項目中檢測到的人臉、人體和貓。
而百度無人駕駛汽車一下子登上了央視《新聞聯播》，在2015年的尾巴給國人一個大大的驚喜。12月10號路試成功，14號成立無人駕駛事業部，16號參加烏鎮互聯網大會進行宣講。一切都來得這麼突如其來，卻井然有序。層層推進，步步為營。中國也一下子有了真正在路上跑的無人駕駛技術。
「中國特色」的百度在戰略性地和傳統整車廠寶馬合作。其無人駕駛汽車由寶馬3系GT車型改裝而來。原3系GT車型已經配備了如自適應巡航和行人車道識別等先進駕駛輔助ADAS系統。和谷歌的無人駕駛概念車一樣，百度在改裝的過程中在車頂加裝了64波束的激光掃描儀。從而獲得更多的路況信息。由於硬體方面有了寶馬的合作，百度可將更多的精力傾注於軟體演算法方面的開發。和谷歌一樣其核心演算法也基於深度學習技術，這種技術讓無人駕駛汽車可以通過演算法和大量基礎數據識別各種障礙物並自行做出判斷。然而中國的路況是充滿了挑戰的。車輛、非機動車、行人的隨機插入一直都是各方討論的熱點。這方面相信百度較谷歌有更多的資源進行基於路況的人工優化，特別是基於中國的高速和地面道路進行大量的路試和調整。下圖為百度無人駕駛汽車，由寶馬3系GT車頂加裝激光掃描儀改裝而來。
3.互聯技術V2X
這是三大核心技術當中，個人認為中美技術差距最小的方面。
因為互聯技術，特別是車車通信V2X的標準一直沒有統一。美國在這方面走過許多彎路。
最早的DSRC專用近距通訊技術IEEE802.11p與4G LTE技術之爭。DSRC一直以200m內點對點通訊1秒的通訊實時性，壓得4G LTE 6~7秒的通訊延遲死死喘不過氣來。
不過隨著5G LTE或者稱LTE-V2X的發展，徹底解決了實時性問題。業界也逐漸統一了觀點。而通訊又是中國企業的強項。因此差距並不大。
華為在與高通的相關競爭當中並不落下風。華為還率先與多家國內外整車廠展開了合作和實車測試。
綜上所述，在無人駕駛三大核心技術-汽車感知感測器技術、人工智慧AI和互聯技術V2X上，在政策的扶植下，美國確實領先中國。但是中國只要加強政策力度，依託互聯網大潮，仍有加速追趕的機會。
如下的加州無人駕駛測試許可也說明了這一點。中國車廠的數量不輸於美國。其中互聯網車企（百度、樂視汽車、蔚來汽車）扮演者舉足輕重的角色。
100中的ESC控制器，真空泵，真空助力器三個部件合而為一。大大簡化了系統的複雜程度。
那麼博世iBooster在國內的一個最早的成功案例就是目前比亞迪E6所用的剎車系統。該電子線控剎車系統可以靈活的在電機能量回收制動和機械剎車片摩擦制動之間進行分配。並且當純電機能量回收制動的時候為了給駕駛者一個合理的剎車踏板力回饋，剎車助力電機還能夠反向給出一個阻力力矩。讓駕駛者感覺到合理的阻尼感受。同時電子線控剎車系統還能夠提供可選擇的剎車響應模式。比如運動模式下剎車就一踩就有，響應靈敏。而舒適模式下，剎車就顯得柔和線性，相較運動模式沒有那麼緊繃。和駕駛輔助系統結合以後，當檢測到可能的碰撞時則可以加快制動響應或者直接增加制動壓力。使得車輛能夠在更短的距離內停止下來。
說到電子線控剎車系統的安全性，更偏向一個系統級的安全方案。電子線控剎車系統中的電子剎車助力器和傳統的電子穩定系統ESC以及電子轉向助力系統EPS三者互為備份。三者中的任何一個模塊出現故障，另兩個模塊都能夠部分覆蓋故障模塊的功能。比如電子剎車助力器出現故障，電子穩定系統ESC將能建立制動液壓壓力，配合EPS將車輛安全剎停在車道內。相反如果電子穩定系統ESC出現故障，電子剎車助力器可自行建立制動液壓，配合EPS將車輛剎停在車道內。當電子助力轉向EPS失效時，電子穩定系統ESC將通過對不同側的車輪施加不同剎車力產生扭矩矢量，將車輛保持在車道的中心位置。
b. 電子線控轉向（Steering By Wire）相信大家目前接觸到的車輛都是帶轉向助力的。轉向助力主要分兩大類，一類是液壓轉向助力，另一類是電子轉向助力。液壓轉向助力的一個弊端就是不管是否轉向，液壓系統都要通過發動機傳輸過來的動力位置助力油壓。因此系統複雜，且耗油。而電子轉向助力通過電機在需要轉向的時候提供助力，而不需轉向時是不耗油的。而且系統較液壓助力系統簡單很多。如下即是電子助力轉向系統的示意圖和系統構架圖。
目前電子線控轉向系統還沒有全面市場化，僅在少數車型上出現。其中主要原因是前面提到的轉向特性智能調節和自動車道保持等功能在某種程度上仍可以使用傳統的電子助力轉向系統實現。那麼電子線控轉向系統的真正意義是將來系統成熟以後可以完全斷開機械連接。從而為將來的無人駕駛汽車服務。如下圖的無人駕駛概念車，車內的乘員可以直接控制方向也可以交給自動駕駛而分別躺下。方向盤位置可以靈活移動，無疑為空間的利用將更加高效。而這就需要電子線控轉向系統的支持。
雲技術Cloud
既然原文未涉及到高精度地圖部分，如下補充一些基於雲技術的相關技術。
由於國內對於地圖測繪的管控，因此國內高精度地圖還是掌握在國內企業手中的，比如四維圖新。因此這方面並沒有明顯的中美差距。特別最近國內企業收購高精度地圖供應商HERE的股份，更是縮小了技術差距。
那麼如下主要提一下比較新的基於雲技術的地圖採集優化技術
地圖數據眾包採集concocting
Crowd-Sourced Mapping Data技術
通用汽車將把Bolt最為一個平台Platform來不斷對其軟體進行升級學習。從而向最終的全自動駕駛目標而演進。在CES2016的演講中瑪麗貝拉（通用汽車CEO）透露了通用汽車正在和駕駛輔助系統的領導供應商Mobileye進行合作開發自動駕駛項目。其傳統自動駕駛功能主要應用於良好的高速公路，必須有規範化的車道線和指示信號燈或路牌。而通用汽車和Mobileye開發的系統則可以基於每輛裝備安吉星OnStar 4GLTE技術的通用品牌汽車將各個路段的車道線和指示信號燈或路牌圖像信息通過移動網路上傳到雲進行統一計算。這樣具備這種技術的自動駕駛汽車就可以基於雲數據快速學習多變複雜的道路，最終實現良好的自動駕駛體驗。下圖為通用汽車和Mobileye開發的地圖數據眾包採集自動駕駛系統概念圖。
現狀是，在無人駕駛技術領域，是美國全面領先於中國；未來是，但相較於汽車製造領域的差距，中國在無人駕駛領域的趕超美國可能性還大一些。
多數答主剖析了無人駕駛技術體系 @辣筆小星 @朱玉龍 ，分享了體驗無人駕駛技術的感受 @xinhe sun ，闡述了無人駕駛技術發展路徑上的難點 @葉建偉 ，我從中也學習到很多。
但是，大家似乎均沒有直面回答一個問題，「美國領先 中國多少，中國有沒有希望超越？」，這個問題換個說法就是：「給你1萬塊錢押寶無人駕駛，你押10年後是中國贏還是美國贏？」
在此，我假設真有人給我1萬塊錢去押寶，我試著儘可能做出有利的選擇。
%%%%%%%此回答基本上每兩個贊同就有一個反對，果然涇渭分明的回答就是不太討好啊%%%%%%%首先，推薦很好的文章《頭條 | 競逐無人駕駛黃金十年：特斯拉、谷歌、Uber、Lyft 和蘋果，誰會贏？》，並引用其中三條結論：
假設1. 最早進入市場的無人駕駛汽車，多數是企業所有的無人駕駛車隊(類似於租車公司)，而不是消費者所有。原因在於，問世之初無人駕駛車售價不菲，對消費者而言無論是實用還是用來裝逼，使用率偏低，不划算。
假設2. 無人駕駛不會直接進入真正的無人狀態，而必然要 過「司機+無人車」的混搭模式。原因有多種，請參見原文。
假設3. 硬體，包括車體、感測器、處理器，均不會成為瓶頸。原文解釋得並不透徹。我諮詢過數位行業資深人員，得到的答案均是，硬體不是簡單的事情，但都沒有難到像發動機那樣造不出來。除非中美爆發戰爭，美國不賣給中國晶元了，否則目前來看硬體不會成為某個企業稱霸行業的技術護城河。
在以上兩條假設下，在無人駕駛領域能夠領跑勝出的企業，需要有以下特徵：
1. 巨額的資金。用於車隊建設、持續不斷的研發。這很好理解，像特斯拉這樣的企業，短時間看健康、時尚、先進，但盈利能力不足，現金儲備為負，在以十年計的技術競爭長跑中，難免會有什麼閃失。對比之下，萎靡不振數年的Intel，依然能一下子掏出150多億美金買買買，家底雄厚才好進行長跑競爭。
2. 人車匹配與路徑選擇能力。基於假設1，早期無人駕駛必然是以車隊的形式，那就需要像uber、滴滴一樣具備強大的人車匹配與路徑選擇能力。
3. 高精度地圖。這幾乎是一個默認選項。至少在可預見的將來，無人駕駛技術都離不開高精度地圖。
4. 演算法。硬體保證了信息的輸入，但如何理解這些信息？那就是演算法問題了。人工智慧技術的進步 加速無人駕駛技術進步的速度。
5. 獲取數據的途徑：驅動演算法的燃料。如果人工智慧從來沒碰到過迎面飛來一個臭皮鞋的情境，那它第一次遇到這種情境時也會很難做出正確判斷。所以，實境學習對於無人駕駛技術是非常重要的。Intel願意出153億美元，不僅是想買演算法，也是要買數據——否則，即使未來每一個無人駕駛車都用intel晶元，intel依然沒有獲取數據的能力。
用以上5個特徵來考察典型玩家：
1. 傳統汽車製造商： 有巨額的資金，推出無人駕駛版本的汽車後，可以獲得數據。但是沒有地圖、沒有演算法、沒有人車匹配。很可能不是主要玩家，就不做對比了。
2. 軟體/IT巨頭：美國有谷歌，已經在人工智慧方面做出了努力，並用AlphaGo擊敗了人類圍棋世界冠軍；中國有百度，計劃將賣醫療廣告的努力移到人工智慧上，還上了最強大腦欄目(好吧，我確實是在調侃)。這類玩家有巨額資金、有地圖、有演算法，谷歌還有數據，實力強大。
3. TaaS公司：美國有uber，中國有滴滴。在人車匹配能力已建立壟斷，在無人駕駛初期，由於必須要建立車隊，這類玩家也將必然獲得大量數據，天然具備優勢。
4. 零部件公司：收購Mobileye的Intel、收購NXP的高通，虎視耽耽的NAVIA。但總體上來說，這類公司還是希望佔據硬體市場——只賣CPU也可以很開心嘛。當然也不排除以某種形式進入解決方案領域的可能性。
5. 尚未入場的強大公司：蘋果，華為、阿里、騰訊……無人駕駛的這場競爭太長，未來的起起伏伏，還難講。具備創新基因的常青樹公司，說不定也會以合適的契機入場。
綜上，目前來看，有望領跑無人駕駛技術的是兩類公司：
1. TaaS公司：美國uber，中國滴滴。
2. 軟體/IT巨頭：美國谷歌，中國百度。
很欣慰的一點是，在滴滴與uber中國大戰中，是滴滴取得了最終的勝利，否則在未來的無人駕駛競爭中，中國又少了一位大將。
讓人不太欣慰的一點是，和美國谷歌對標的中國公司是百度。谷歌的強大不必多說。而百度，儘管Robin反思、陸奇挂帥，讓人似乎看到百度東山再起的決心 ，但對於無人駕駛技術而言，百度還是讓人憂慮：
1. 百度在人工智慧方面與谷歌有差距。
2. 百度的企業文化有問題。
爆個料，在2016年初，百度無人駕駛號稱通過了ISO26262的認證《TUV萊茵為百度無人駕駛項目頒發功能安全ISO26262認證_車訊網chexun.com》，還上了新聞聯播。我寫了篇文章，發在了某個公眾號上，認為以現有的技術水平，不可能有任何公司的無人駕駛技術通過ISO26262，TUV萊茵應該是「為無人駕駛項目成員經過培訓具備了建設ISO26262體系的資質頒發了證書」，而並非「為無人駕駛技術通過了ISO26262頒發了證書」 —— 混淆視聽的題目，顯示出百度是多麼的好大喜功啊！！
大概一個小時後此文就感受到壓力被刪除了。
3. 百度的用人制度有問題。如果百度重金聘請了無人駕駛的科學家、工程師們，但不能提供良好的科研環境，那相當於中國中國無人駕駛技術的倒退。參見《我看百度的問題》。
儘管現狀是中國較美國還有不小差距，我仍然將假想中的1萬塊錢押寶在中國：賭10年後中國的無人駕駛技術不輸於美國，我賭的是：
1. 滴滴能夠保持創業之初的那種殺氣，順利地從運營型公司轉型為科技型公司，成為一個真正偉大的公司。
2. 百度能夠在5年內真正地改變自己，從頭到腳。
3. 華為、阿里、騰訊等健康的巨頭公司，能在某個契機進入無人駕駛行業。
4. 中國的這一代人工智慧科學家、工程師、創業者們，能夠實現像兩彈一星那樣的偉業，在不利的條件下戰勝強大的敵人（也希望他們不要被北京的房價問題所干擾、分心）
首先，表達個人關於自動駕駛的基本看法，自動駕駛技術的帶來的產業化前景是非常美好的，但是完全自動駕駛的汽車離大規模的民用推廣應用還有很長的一段路要走，這其中不僅僅是技術完善的問題，還涉及到相關受眾的接受程度，相關責任的法律界定以及安全問題的敏感性問題等等。（這裡個人更傾向於使用自動駕駛這個釋義，而非無人駕駛。一方面出於大多數的官方文件以及論文中均使用Autonomous Vehicle/Automated Driving，另一方面出於自動駕駛技術本身是一個基於車輛自動化程度的分層級的概念。詳見SAE International分級說明。）
接下來，回答題主所提到的幾個問題。自動駕駛技術現在是否已經成熟？（或者自動駕駛技術發展到了什麼程度？）國內外的差距又在哪些發麵？國內在這方面做的比較好的有哪些？
1. 自動駕駛技術發展到什麼程度？
顯然，這個問題並不能一概而論。因為個人認為，脫離實際應用場景去討論一個應用寬泛的技術是沒有意義的。而自動駕駛技術的應用場景，主要分為三類：
- 高速公路環境 在這一環境下，道路結構化條件較好，交通標識完善，技術上可以較為容易地實現車輛的全自動駕駛。同時，也能將駕駛員從遠距離，單一且枯燥的駕駛環境中解放出來。（愛好高速飆車黨除外）這一類的技術如ACC（自適應巡航系統）、FCW（前方碰撞預警系統）、LDW（車道偏離預警系統）等，都已經相對成熟，並在不少中高端量產車上廣泛應用。
- 城市複雜工況 城市環境下的自動駕駛可以說是最難實現的。複雜的城市交通道路條件以及大量的流動人群（不少地區還存在行人不遵守交通規則的現象），給自動駕駛汽車的感知、決策以及控制都提出了很高的要求。目前的研究重點也主要集中在這一方面。如AEB（自動緊急制動系統）、PDS（行人檢測系統）、PA（泊車輔助系統）等。
- 特殊環境工況 這裡主要指的是軍事方面以及在特殊複雜工況下作業（如礦區運輸等）的車輛的自動駕駛。這一類應用環境下研究的最早，已經相對較為成熟。無論是國內國外都已經到達了一個較為成熟的水平（這裡指的是針對使用需求）。因為軍用車輛更多注重車輛的操縱穩定性以及通過性，而乘用車要求較高的平順性則不作太高要求。車輛控制的魯棒性通常很高。
因此，可以說，目前的自動駕駛技術，在應對環境較為簡單或者作業區域較為局限且固定的情況，相關技術已經較為成熟；在應對環境複雜多變的環境的情況下，技術方面還有待進一步研究。
2. 國內外的差距又在哪些方面？
在自動駕駛的技術研發和政策推動方面，國內起步時間相對落後，缺乏足夠的測試驗證，同時，產業群體沒有形成上下游供應的集聚效應，大多數公司似乎都在做著一樣的事情，自動駕駛的應用範圍應該比我們想像的還要更廣，相關的研發資源應該得到合理的分配。以上個人愚見，僅供討論。
- 技術研發方面
美國從上世紀八十年代早期就開始了圍繞地面無人作戰平台的計劃展開相應的研究；又通過DARPA發起的智能車挑戰賽，吸引了卡耐基梅隆大學、斯坦福大學等高校加入，在這一期間，各高校的競賽車已經達到了相當高的技術水平；另外，在民用推廣方面，Google的自動駕駛測試車型自2011年起已經進行了大量的道路測試，進行了相對完善的技術驗證和地圖數據採集。在剛剛過去的2016年，特斯拉推出autopolit系列車，並在年底向部分用戶推送了8.1版本的系統，並表示之後出廠的車型均將配備滿足L5的硬體。（這裡就不討論特斯拉尷尬的產能問題啦。。。）
德國和日本方面，幾大OEM廠商（從ABB到日產豐田等）先後也都推出了其自動駕駛試驗車型，並且在其中高端車上配備各家的ADAS系統；另外，一向主推安全性和舒適性的Volvo所推出的量產車型XC90和S90所配備的駕駛輔助系統是個人比較看好的。
此外，國外相應的供應商體系已經較為完善，上下游聯繫較為緊密。
國內從上世紀80年代開始由軍用無人車推動相關研究，國防科大等高校的試驗車型的重點還是放在環境感知和決策系統方面，2015年宇通無人客車路測，百度的無人駕駛汽車也進行了路測，2016年，長安汽車的自動駕駛試驗車也完成了一次遠距離的路測。
- 政策推動方面
美國通過法規由各州決定是否開放自動駕駛汽車測試許可權，從內華達開始已有數州通過法規開放了測試，此外NHTSA也頒布了指導相關企業進行自動駕駛汽車研究需要遵循的相關規定；歐盟通過框架計劃先後開發了Cyber Car系列和City Mobil系列；日本的國土交通省定期主持領導自動駕駛車輛研討會，促進日企和高校之間的科研合作。
國內在制定節能與新能源汽車技術路線圖中，也主張在大力發展純電動車的基礎上實現車輛的智能化。（所以，國內的自動駕駛汽車技術研究更多傾向於電動車的自動駕駛控制，而燃油車的自動駕駛技術難度較大，目前的核心技術掌握在豐田等日企手中。）這也是國內希望電動車以及智能車上彎道超車的一個出發點。
3. 國內有哪些在這方面做的比較好的企業？
個人所了解的有馭勢科技，Momenta，上海縱目科技，北京中科慧眼，北京圖森互聯，深圳Minieye，蘇州智華等， 國內大多數創業公司主要集中在攝像頭、毫米波雷達的感測器類的模塊供應以及決策演算法的設計研究，工業級的系統解決方案仍然被國際巨頭（如BOSCH，大陸，TRW，Valeo等）壟斷。
最後
通過最新的CES2017上的展會，大家或許可以對2017年的自動駕駛發展有個大概的了解。
2017年1月10日更新
搞自動駕駛，其實沒有人願意犧牲，更不願意給機器或者演算法給犧牲掉了。那這個核心問題就變成了，一旦出了事故，整個過程中發生了什麼，為什麼會導致事故，需要有個清晰的記錄和回放的過程，在測試驗證乃至後續路試的過程中，出現的每個事都可以在一定範圍內回溯。所以這並不是阻止自動駕駛發展的主要困境，所以我們還是回到這個NHTSA Federal Automated Vehicles
Policy，「 Accelerating the Next Revolution In Roadway Safety」裡面涉及的框架
圖1車輛性能指南的總體框架
這裡的第一條，就是自動駕駛和車輛，數據記錄和共享
1） 整個運行中需要具有完備的記錄機制：應擁有一個文檔記錄的程序，可以對測試、檢驗、發生碰撞等事故時的數據等信息進行收集和存儲，這樣可以了解到系統故障或失靈的發生情況，建立事故發生原因的資料庫
2） 遇到問題的時候通過這些數據可以還原：至少記錄發生事故時，事故環境和系統性能方面的全部信息，使得通過後續調查記錄可以還原事故發生的情況
·
事故發生時自動駕駛系統的狀態
·
自動系統或者駕駛員在當時是否可以控制車輛
圖2 整個系統記錄信息
這個裡面，我們可以看到我們需要
·
記錄整個系統的輸入信息，主要把整個方向上能夠獲取的環境信息都記錄下來，基於視覺、激光雷達和毫米波雷達、還有其他車內（GPS位置和感測器信息）的信息，作為一個大的輸入組，來了解外部發生的情況和車的運行情況
·
為了讓整個實驗人員可以完整的了解一切，比如遇到車輛不完善的時候，就需要顯示當前整個視覺信息還有整個環境識別和處理結果信息。這部分在測試工程車裡面還是很有必要的，如果給人坐，這裡面就沒有那麼大的必要
·
這些原始的和非原始信息，本地進行存儲；另一部分則可以通過直接的T-box或者其他的方式傳回網路後台
o
這裡比較爭議的多線的Lidar信息，是不是需要全部給存下來傳回去
假設我每天做實驗，在某個地區來做自動駕駛的測試，可以讓車開一圈，讓駕駛員開一圈；在可對比場景下進行對比，特別是在駕駛員開的時候，可以讓程序記錄和作出判斷，分析人和程序之間對外部的反應差距；
在CES上面，Nissan借鑒NASA遠程虛擬探索視覺環境（VERVE）裡面對車輛遇到困境的時候，進行執行操作，裡面只是提及的更多的還是遇到問題之後的反應，實際在工程車的後台，遇到沒遇到問題，整個系統都在記錄和保存整個情況，理論上企業在工程和測試車輛裡面，是挺容易知道自己是不是犯了錯誤的。
圖3 Nissan SAM 平台
光記錄視覺信息，會存在很多的問題，如果再簡潔一些，通過一個黑盒子來抽取運營車輛的外部環境信息和整個駕駛執行信息，可能有一些用，但是與研究對象還是有一些差距。從視覺層面的演算法來看是一個切入的點，但對於整個判斷環境而言，需要除視覺以外的信息來評估和探測整個決策的合理性。
圖4 系統視覺的記錄信息
由於有了以上的系統記錄，在出現事故，出現人員傷亡的時候，就有了可以判斷和審視的材料：
·
目前確實沒有道德標準來衡量：自動駕駛系統基於不同的程序設置或機器學習程序，在面臨同一個涉及倫理道德問題的交通事故時會做出不同的選擇；甚至在某些情況下，並沒有先例可循或者沒有明確的道德標準。
·
處理交通事故時合理的目標是保證安全性、可移動性和合法性；有些情況下，三者之間或某一目標本身就存在衝突。駕駛者下意識的反應首先考慮的自身的安全性出發；在面對兩輛車的車上人員安全的選擇時，可能就需要選擇在對其中一人傷害最小的情況下保護另一個人的安全。
·
目前這個難題主要是由政府來監管：這是個循序漸進積累的事情，不能可以製造一些問題，而伴隨問題的發生去共同解決這類問題，來確保自動駕駛系統有意識地做出符合倫理的判斷和選擇。自動駕駛系統中所設計得解決這些困境的演算法應當對監管者、駕駛員等保證透明。
最後，我想各個車企組建自動駕駛測試車隊，也是為了更全面的了解可能出現的問題和積累數據，我們傳統的從系統出發看問題，面臨要處理的問題已經超出了我們一開始預先定義的那部分了。所以在我們傳統的開發模式之前，把有部分內容有個平行的在走，可能這是汽車系統開發裡面最大的挑戰。這也是這些車，不能賣給私人去用的一個非常大的原因所在。
2017年1月6日更新
我把OEM目前的車隊情況更新下
CES2017的一些概覽
我們中的大多數人可能不相信自動駕駛汽車將在很近的未來（10～15年）成為現實，汽車廠商和Tie 1供應商都在一個個的整合資源，在各個層面布局，本文也是想要從全局，從落地的角度來討論下這個自動駕駛是怎麼樣滲透到我們的實際生活中。從驅動因素的考慮，主要是基於道路安全出發，如美國在2015年有35,092人死於車禍；94%的事故與駕駛員的決策和操作失誤有關。從交通安全管理，到汽車製造企業和技術供應商，還有高科技企業都從中看到了機會。
第一部分自動駕駛系統技術
自動駕駛系統需要進行分級從細節上去考慮，目前美國形成了統一以SAE International關於自動化層級的定義為準，如下：
?
0
級：駕駛員完全掌控車輛；
?
1
級：自動系統有時能夠輔助駕駛員完成某些駕駛任務；
?
2
級：自動系統能夠完成某些駕駛任務，駕駛員需要監控駕駛環境，完成剩餘部分； L2 ：駕駛者需要對外部的環境進行監視，出現問題，隨時進行接管。這裡的要求，使得L2變成一個舒適系統，感知和判斷錯誤有駕駛員隨時糾正，所以大多數車企都能提供這個系統.L2可以通過速度和環境分割成不同的使用場景，環路低速堵車、高速路上的快速行車和駕駛員在車內的自動泊車
?
3
級：自動系統既能完成某些駕駛任務也能在某些情況下監控駕駛環境，但駕駛員必須準備好重新取得駕駛控制權（自動系統發出請求時）； L3 ：嚴格意義上來說，駕駛者無法進行睡覺或者深度的休息，還需要在自動駕駛系統出現問題的時候，在很短時間內進行接管。所以在L2完成以後，車企的研究領域是從這裡延伸的.由於L3的特殊性，目前看到比較有意義的部署是在高速L2上面做升級
?
4
級：自動系統在某些環境和特定條件下，能夠完成駕駛任務並監控駕駛環境；L4的部署，目前來看多數是基於城市的使用，可以是全自動的代客泊車，也可以是直接結合打車服務來做。L4：在自動駕駛可以運行的範圍內，駕駛相關的所有任務和駕乘人已經沒關係了，感知外界責任全在自動駕駛系統，這裡就存在者不同的設計和部署思路了
?
5
級：自動系統在所有條件下都能完成的所有駕駛任務。我們所說的自動駕駛系統，通常是在3～5層級，隨著層級的提高，對系統的要求也隨之提高。由於目前自動駕駛的分級，特別是L3和L4處在還沒有大規模應用在實際生活之中，我們對待這個需求就存在著一些認知上的爭議。
分類方法：以DDT、DDT的任務支援和設計運行範圍來卻分
· 動態駕駛任務（DDT）：是指在道路上駕駛車輛需要做的操作和決策類的行為，
車輛執行：包括通過方向盤來對車輛進行橫向運動操作 、通過加速和減速來
感知和判斷（OEDR）：對車輛縱向運動方向操作、通過對物體和事件檢測、認知歸類和後續響應，達到對車輛周圍環境的監測和執行對應操作、車輛運動的計劃還有對外的傳遞信息。
動態駕駛任務支援（DDT Fallback）：自動駕駛在設計時候，需要考慮系統性的失效（導致系統不工作的故障）發生或者出現超過系統原有的運行設計範圍之外的情況，設計者就需要考慮當這兩者發生的時候，需要定義怎麼樣給出最小化風險的路徑。
設計運行範圍（ODD）就是一組參數，把我們知道的天氣環境、道路情況（直路、彎路的半徑）、車速、車流量等信息作出測定，以確保系統的能力在安全的環境之內。
圖1設計適用範圍的對比
自動駕駛等級2 組合駕駛
駕駛員和汽車來分享控制權，系統同時具有縱向和側向的自動控制，且具備兩項以上。在整個開啟的過程中，駕駛員可以不操作方向盤、油門和剎車（放棄主要控制權），但需要觀察周圍情況，並提供安全操作 。
· 駕駛員必須隨時待命，在系統退出和系統出錯的情況下隨時接上。
·自動駕駛系統：我們從控制和感知進行分解
對執行器的要求可以看出來，是需要對縱向的動力總成和剎車系統，橫向的轉向系統進行融合控制。
解析L2的感知需求，是需要把整個場景考慮清楚
· 低速自動泊車場景：感知車位物體的行人、車輛
· 低速環路堵車輔助場景：識別車輛、摩托車，識別車道線
· 高速封閉道路場景：識別車輛，識別車道線
我們在現實中看到的L2系統，既有單個攝像頭實現的TJA，也有很多差異化。這裡由於有著駕駛員隨時看著這條要求區分，車企可以選擇做得少也可以選擇做的多一些，因為不管是感知還是駕駛決策，完全依照車企對L2自動駕駛的需求不同來調整。
·
既有拿一個LRR、5個SRR、2個Camera來做的，也有拿單攝像頭來進行處理的低成本方案。
·
既可以僅靠車道識別來進行車輛居中保持，也可以依靠高精度定位和有限高速道路地圖來實現高速道路的匹配和居中提高橫向控制特性。
這裡的核心區別，就是對以下的內容進行限制
· 對不同的道路基礎設施的可容忍性
· 車速的運行範圍
· 對感知錯誤（誤識別率）的容忍性
· 對自動駕駛系統在不同流量環境下的改進可行性，往L3進化可能性
· 對車主的使用的判研以評估綜合風險性
我們在把這些拿出來討論的時候，其實是可以考慮做一份工程的規範，然後根據各個車企的配置情況來進行測試和對標的。所以總的來說，這個L2是所有車企在積累和提高特性的必爭之地。
等級3
有限度的自動駕駛
在某些環境允許的條件下，駕駛員可以完全放棄操控，交給自動化系統進行操控，如果系統出現問題，是不能完全自主進入安全狀態的，需要駕駛人員來接管，但這個時間一般在較短的時間內。雖然這個看上去不大使用，但是確實是德國三家豪車企業目前在自身系統演進過程中比較看重的點。這些發表的研究性的配置，都是基於L2的演進來考慮的。如圖5所示
· 沒了駕駛員的確認，整個感知的要求高了很多
o
準確度要求高了，不能出錯，這裡一定有融合對比
o
感知範圍距離要求高了，需要給自動駕駛決策時間
o
對環境耐受性要求高，突然下冰雹和暴雨也需要時間來切換
· 即使系統發生錯誤的時候，整個轉換的退出還需要時間
o
感知系統要有冗餘性要求，既有融合情況，也有單個感知單元失效診斷之後fail-operational的要求，也要獨立能運行
圖3 L3的系統情況
因為L3沒有進入產品化，所以這些研究階段的配置可能會進一步進行調整，可以看出，L3階段是之前L2頂級配置性能上面再進行演化。由於在運行中失去了駕駛員的監控，任何運行中的感知錯誤都是不能接受的（沒看到車就會產生錯誤決策，就會出現問題）。
等級4
全自動駕駛
在福特明確提出要做L4的自動駕駛和自動駕駛服務之前，沒有哪個車企這麼敢來做，因為這裡一旦啟動，已經對駕駛者沒有要求。在之前看到的更多的，還是基於機場小型低速擺渡車、市區低速巴士之類的有限制的運行。
· 系統100%負責感知的準確性
· 系統100%要在設定的範圍內完成所有駕駛員要做的事情，沒有後備
· 系統在自身出問題和外界環境變化的時候，要考慮冗餘的策略，保證車內和車外安全
o
自身感知、處理和執行段的所有故障診斷
o
自身感知、處理和執行段的Fail-Operational
圖4 L4的運行情況
現階段，L4的設計考慮還配置個安全駕駛員，這裡的情況比較微妙，先做性能，再做冗餘，下個階段就完全考慮實現L4，到了這裡就不打折扣了。
第二部分各個發展階段
· 1970年以前：一些車企使用射頻和磁釘的方式來導引車輛實現自動駕駛。
· 1977～2000年：日本、歐洲和美國的一些高校進行了一些實驗和開放項目，主要提供給高校和研究院所進行的開放項目，如EUREKA Prometheus、CMU NAVLAB、AHS Demo
· 2004和2006年：分別進行DARPA的一些比賽，鼓勵各個高校組織實際的車輛相互競爭參與比賽。
· 2007年：DARPA城市挑戰賽，這個選擇了城市道路這項有很高難度的項目來給各個高校空間，這裡Carnegie Mellon和Stanford這兩個車隊比賽成績很接近。
· 2007年之後，以Google為代表成立自動駕駛實驗室，造樣車然後進入試驗階段。
圖5 自動駕駛技術的發展
目前對於自動駕駛的分化和考慮：
· 系統服務企業： 基於服務端的IT公司，為主百度、Google、Urber都是考慮在營運端拿來做服務，規劃要在3年內實現部分商用；而Tesla就拋出了硬體（無冗餘）先行跟進軟體的策略
o 有個大的轉變是Google專門成立了公司，開始與車企合作進行，以後的商業模式值得進一步考慮
o 測試段和真正運營還是有些差距的，主要體現在投放的範圍和控制的力度
· 車企運營端的投入：受整個環境的驅策，各個車企現在對於面向消費者的服務端有不少的投入，下一步把試車場裡面比較成熟的產品拿出來進行運營級別的測試運行，就是一個比較務實的決定。這些車輛可以分為兩部分
o車輛段：可以考慮冗餘度，在涉及關鍵安全控制端（EPS、ESP兩塊可以單獨把冗餘的部分應用上去）；而整個感知端和計算平台端可以採取先從性能端調試，再加入決策投票確認的冗餘機制
o監控端：整個後台運行需要有完整的數據記錄機制，也有個後台團隊，來處理道路上遇到的各種行為（類似緊急的彈出和道路意外）。
§ 這裡既需要有單獨的存儲和發送機制，把整個感知的數據進行備份和傳輸（新的傳輸Tbox2），在雲端可以做一些復現和記錄，也可以把原有的記錄層（T-box1）來記錄之前的運行結果。這個提高的路徑就是現有軟體和後台虛擬運行之間的對比，進化的邏輯就是抓取多台車之前的軟體版本運行數據和原始數據虛擬運行對比
§ 後台的競爭而言，是各個IT公司有天然的優勢；不管這個事情最終如何，車企不大可能單獨去構建一個非常龐大的後台
· 自動駕駛車企零售模式：單獨把L4的車輛賣給普通消費者，天然就蘊含很多的風險因素。所以我們可以把這個行為，當作是運營之後的一小步，發售給部分發燒票友來嘗試的。這應該只佔到非常小的部分。
圖6 各家公司對L4的商業化計劃
圖7L4的車型和部署與打車服務是很難分離的
第三部分 自動駕駛產業情況
根據參考文獻2的整理，大概有如下的產業格局，如圖8所示（這是一個基本的概覽，在裡面的角色可以進一步定位），我們可以進一步根據整個細分類做一個劃分。原來的單一分法，主要有：
· 汽車廠家：生產、設計、測試和/或計劃售汽車
·
汽車系統和部件供應商：向汽車廠家出售部件或者系統，主要負責這些零件/系統的生產、設計和測試包括
o
感知層：我們可以逐個細分成攝像頭、激光雷達和毫米波雷達，這些主要是以傳統汽車電子廠家為主，或者從其他工業行業轉過來的供應商
o
網路連接：主要是V2X的模塊和服務供應商：
o
還有其他如計算處理、地圖和定位、網路安全和系統安全、處理演算法提供商
·
新的玩家
·
自動駕駛系統供應商：由於自動駕駛系統的特殊性，出現了整個系統方案提供商，通過已經有的車輛基礎上，來生產、設計、供應、高度自動駕駛系統，來測試、銷售、運營或者應用整個產品
·
自動駕駛系統使用者：潛在的包括運輸公司、車隊經營者、計程車公司等機構，其有著應用平台，將原有駕駛員的工作給部分或者全部代替程自動駕駛車輛
從整個產業來看，由於系統比之前有過之而不及，從系統的底層往下走，需要保持高度的信息透明，才能準確的應用系統；出現認知的誤差，或者系統安全上面的疏忽，將會導致系統的濫用，也會造成安全事故，整個自動駕駛的鏈條是需要挺多的時間，包括監管層面的梳理才能慢慢運作出來，原有的汽車廠家一方，是很難獨立完成這個任務的。
圖8 自動駕駛 產業概覽
第四部分 自動駕駛在中國
前期軍工高校獨立研發，校企合作
2008 啟動「視聽覺信息的認知計算」重大研究計劃，項目每年持續推動無人車及其關 鍵技術的研究
2009 自2009 年起每年舉辦「中國智能車未來挑戰賽」，通過集成創新研發無人駕駛汽 車，促進研發交流及產業化應用。中國智能車未來挑戰賽國家自然科學基金(NSFC)設立了與智能汽車技術有關的「視聽覺
信息的認知計算」重大研究計劃。自2009年起共舉辦了五屆比賽。
2013 發布《汽車無人駕駛技術體系》等汽車安全技術的四個工作組徵求意見稿，推動 汽車信息化與智能化發展
研究項目概覽
·
國防科技大學1992年成功研製出中國第一輛真正意義上的無人駕駛汽車。
·
2005年，首輛城市無人駕駛汽車在上海交通大學研製成功。
·
上海交通大學Shanghai
Jiaotong University 與歐盟合作研發的「CyberC3」
項目，2007年亮相東方綠舟。
·
2011年7月，由一汽集團與國防科技大學共同研製的紅旗HQ3無人駕駛汽車完成了286公里的高速全程無人駕駛試驗，人工干預的距離僅佔總里程的0.78％。
·
2012年，軍事交通學院的「軍交猛獅Ⅲ號」以無人駕駛狀態行駛114公里，最高時速105公里／小時。
·
2015年12月初，百度無人駕駛汽車在北京進行全程自動駕駛測跑，實現多次跟車減速、變道、超車、上下匝道、調頭等複雜駕駛動作，完成了進入高速到駛出高速不同道路場景的切換，最高時速達100公里／小時
·
2016年4月12日，兩輛長安無人駕駛汽車，從重慶出發，沿高速公路前往北京
這些成果主要體現在各個無人駕駛的比賽中，隨著國外的投入，國內的各個主要公司也在投入
·
阿里、騰訊和百度三家都進入了這個領域：他們特點是布局產業鏈，商業模式清晰投入也會很大
·
各個部件層面有著很多的創業公司：在晶元、部件層面都湧現出很多的企業。
o
這麼也涵蓋了演算法提供商：如地平線
·
系統層面如馭勢也有了自己的定位：一開始作為整合者來出現的。
圖9 中國目前的情況
參考文件：
1.
OEM和供應商一致認為自動駕駛離我們並不遙遠 Bill Visnic SAE International
2.
Segmenting
the Autonomous Vehicle Value Chain: A Look at Who is in the 「Driverless"
Seat
3.
Federal
Automated Vehicles Policy Accelerating the Next Revolution In Roadway Safety
這個問題剛好趕在CES展開始之前，作為一年一度的全球最重大的科技行業盛會，每年的 1 月初，CES都會如期而至，在一年之初就帶我們大開眼界，給接下來一整年甚至未來兩三年的消費電子、汽車科技領域定調，屆時各個廠家還會展出一大波新的自動駕駛技術。既然朱老師在第一個回答里就把玉亮出來了，我兜里這塊磚也不好意思往外拿了。就隨便寫寫吧。國內整車廠方面，北汽和長安的自動駕駛車展出了好幾次了，2016 年 9 月的百度世界大會上，北汽和百度合作的無人車就有過展示，當時那輛車是基於一輛 EU260 打造的，可以達到 L4 級別的無人駕駛。
百度算是體量很大的一個，就像前面說的，他們這次的重點也是自動駕駛，除此之外還有「智能駕駛」，前者是和整車廠合作，後者據我們所知，側重點可能是那些車載智能硬體以及 ADAS 等。
除此之外，國內公司的聚焦點其實仍然是自動駕駛和無人駕駛，這其中又有很多創業公司參與，並且都有「大腿」。比如縱目科技會和高通聯合展示基於 820A 處理器的 ADAS 原型產品，地平線機器人會和英特爾聯合展示 ADAS 原型產品。另外，自動駕駛創業公司馭勢科技也是一個看點，他們可能會發布自己的自動駕駛原型車。
至於差距很不好說，國外的全產業鏈比較全是一個優勢，無論是演算法還是雷達或者整個解決方案都有合適的供應商，數據的累積也要好於國內，上文有提到，特斯拉在這方面累積了很多數據。
國內還是有點亂糟糟的，大家都忙著布局，畢竟現在剛起步，過五年再看看吧。
大家大部分從技術層面分析了中國與美國之間的差距，那我就從專利布局這塊說一下吧：美國已經在無人駕駛領域深耕布局多年，同時日本、德國在這塊布局也不少，連平時看不上的高麗棒子在這塊布局也不容小覷，下面我從專利布局的角度來分析一下中國與他們之間的差距。
2015年德溫特資料庫收錄的世界無人駕駛汽車的專利數量隨專利發表時間的變化情況。從圖中可以看到，從1968年至2003年，無人駕駛汽車的專利數量總體呈現上升趨勢，在2004年至2006年有一次較小的回落，到2008年年專利數已經超過1000件，之後4年又有所回落，但專利數量也都維持在1000件以上。2013年至2015年，專利數量又一次快速增加，連續三年超過1500件，並在2015年專利數量超過了2000件。這表明無人駕駛汽車的技術越來越被大家所重視和研究。
從專利學科分布圖可以看出，無人駕駛汽車專利技術主要是分布在7個領域，在工程技術、儀器與儀錶和交通運輸3個方面專利數量分別達到或超過總數的20%。
從餅狀圖中可以清楚地看出，在前100名專利權人中，日本的研究機構或企業佔到了43所，而美國緊隨其後也佔有23所，德國、韓國和中國的研究機構也佔了一部分。因此，可以看出在無人駕駛汽車這個新興領域，日美德韓佔有領先優勢，這也和原本其汽車產業和高科技產業發展較快有著密不可分的聯繫。
從圖中可以發現，在無人駕駛汽車領域，日美德韓分別都有企業擠入前15，申請人主要是由汽車公司和汽車零部件製造商組成。其中，日本的豐田汽車、德國的汽車零部件製造商博世和韓國的現代汽車的專利數量排在前三位，專利數分別為536件、482件和372件。雖然谷歌公司是讓無人駕駛汽車第一個展示在世界面前的公司，它的專利數量並不是排名第一的，但是谷歌公司也是前15名中，唯一的一個互聯網公司。
通過對以上專利記錄數據的簡單處理和分析，可以基本確定無人駕駛汽車的產業鏈結構，分為三個主要產業：汽車零部件、配件及塗料的製作商和供應商，汽車整車製造商和供應商和高科技新興企業（包括互聯網公司和IT企業）。
我們將無人駕駛汽車產業的上游端又細分為汽車零部件、汽車大型配件（如發動機、變速箱）和塗漆及玻璃3個方向，由此更清晰地梳理在每個分支的龍頭企業和研究重點。產業鏈上游專利權人分布及數量表，在上游產業不同子類中，有不同的企業處於領先地位，博世公司以482件專利成為無人駕駛汽車零部件製造子類中的優勢企業。同理，日本愛信精機公司和德國拜耳公司分別在生產發動機設備和新型塗料子類中擁有優勢。無人駕駛汽車的中游產業主要涉及產品設計和製造技術，也就是汽車品牌公司和汽車整車製造商。
以專利數量作為衡量標準列出專利數量前十名的公。在表中，擁有無人駕駛汽車專利數量最多的是日本豐田汽車公司。它不僅是在中游產業專利數量最多的企業，同樣也是全部專利權人中的第一名。由此看出，豐田公司在無人駕駛汽車上的研究比較深入，掌握的專利技術也最多。除豐田汽車之外，現代汽車、本田汽車、日產汽車、通用汽車、福特汽車和大眾汽車等汽車公司在中游產業中的專利數量也都超過100件。這些品牌汽車為何能長期受到消費者的青睞，其中一個原因是這些汽車公司在新技術上的研發從不落後。例如重視無人駕駛技術的研發，通過類似輔助駕駛或自動巡航的技術來提升汽車的功能性和舒適度，從而維持自身原有的競爭力。
在無人駕駛汽車行業中，可以將下游產業理解為在原有汽車上增加某些產品，使之可以增值，提高無人駕駛汽車的智能化，所涉及的企業主要是新興互聯網公司和最終汽車配件製造商，例如車載音響或照相機巡航儀等，藉助互聯網和系統來協助車主的駕駛。從圖中可以清楚地看出，被人熟知的谷歌公司到本研究檢索申請了專利技術161件，是同類型公司中的榜首。第二名是美國的Marvell科技公司，該公司是擁有從存儲、物聯網、雲基礎設施、數字娛樂到家庭內容交付的多元化產品，也在車聯網的研究上帶來突破。LG和索尼公司則是在成品配件（照相機、音響）上擁有獨特的產品和專利。不同於中游產業的汽車公司以日本佔主導優勢，在下游產業企業中，美國公司成為車與網路連接的專利主力軍。
看到這些你是不是想說怎麼沒有看到一家中國企業？中國現在無人駕駛領域的創業公司也很多，他們在這一塊也有一定的技術布局。我想說的是這些專利布局數據都是基於2015年以前檢索整理的，2015年以前在這塊布局的中國企業你能想到的可能也只有百度。通過我的回復也可以看出在這塊布局基本上都是實力雄厚的外資主機廠、優秀的零部件廠商、領先的科技公司，這一塊中國的企業在這塊的布局都很薄弱，與無人駕駛相關的電控系統：發動機電控基本被博世（聯電）、德爾福壟斷，自動變速箱被愛信、采埃孚等壟斷，制動系統被博世、天合、大陸等壟斷，轉向系統被天合、博世、歐姆龍、提森克虜伯等壟斷。國產供應商開發的相關係統大部分功能還不夠完善，只能應用於國內低端車型，滿足傳統制動、轉向等功能。
總之，還是那句話：經濟基礎決定上層建築，傳統的製造產業（從零部件到整車）不夠強勁，想要通過設計頂層設計--無人駕駛，實現「彎道超車」，難度很大，為什麼呢？在賽車場如果兩個車性能差不多，在直線加速很難分伯仲，彎道是超車的最佳時機，但是也很容易翻車，中國的無人駕駛水平在「直線上」已經被甩的很遠，成功彎道超越的概率就更低啦。國內的無人駕駛創業公司經常吹噓自己的東西比mobileye、特斯拉公司做的要好，你信嗎？在某一種工況或者某一項功能我相信有可能超越，那整體表現呢？車企、零部件公司、創業公司還是靜下心來好好研究技術，少一點套路（PPT造車、PPT技術），多一點實際技術，這比什麼都重要。
以目前的情況看，除非基礎理論和材料發生革命性的改變，否則真正的無人駕駛無法實現。
無論如何炫酷，目前的自動駕駛最多也就是「駕駛輔助」，其基礎理論提出是在30年前。
目前的技術水平和十年前並沒有本質區別。
在可見的將來，自動駕駛還無法實現。
前面幾位名人也說了，目前兩個問題無法根本解決。
第一個就是雷達信號誤判——對切向速度不敏感，雷達這玩意兒從二戰就開始玩兒，已經很成熟了，這個問題就是解決不了。雷達的補充方案1——多加雷達，然而數據融合問題無法解決。補充方案2——視頻識別，目前的技術，數據分析完全做不到。特斯拉的事故就是犯了以上兩點，這都是硬傷，是現有技術，基礎理論和基礎設備無法解決的。
uber在美國部分地區強行開展無人車試點，基本也是等著出事的節奏。
另外，美國的路況和我國可以說有本質的區別，經得住中國道路的考驗才能說成功。Google的無人駕駛團隊的核心成員走了一大票自己開公司了，Uber收購的Otto就是其中之一。只要有錢，就能買一兩個這樣的公司，中國公司從BAT到滴滴都做得到。這個事件的直接影響就是演算法部分會在幾年間迅速白菜化。
演算法白菜化以後，接下來一步拼的就是數據了。這裡面特斯拉走在最前，每天有幾百萬英里的數據，一年就是好幾億英里。Google這種長時間下來也積累了幾百萬英里，是特斯拉的百分之一。再往下的新玩家數據量大概要比這個還低一個數量級。
為什麼數據重要呢，其實我也不知道到底多重要，可能沒人確切知道。但是數據的成本是很大的。特斯拉年產十萬台車，每台裝8000美金的sensor，就是八億美金。所以Elon Musk是覺得數據值這個錢。特斯拉還有個優勢是大約一半的特粉會買單支付sensor的錢。Google如果也想搞幾億英里的數據，估計代價會更高，因為必須和車廠合作，肯定比自家車裝裝貴多了。國內的玩家要搞，估計也只能和車廠合作。
具體數據的用處，最直觀的是訓練深度學習網路就需要大量的數據，越多越好。另外，比如你要檢驗一下演算法的可靠性，幾萬幾十萬英里是測不出事故率的。美國高速是大約每一億英里一起死亡事故。所以如果沒有上億英里的數據，根本沒法檢驗並上市。當然，如果中國政府強推，用圖154類似的方法推進四個現代化，那麼不檢驗直接上也不是沒有可能。
-------------------更新---------------------
特斯拉2016Q4 delivery報告中提到由於第二代sensor的生產難度導致Q4的交付低於Q3，也未完成全年目標。可見tesla為了預裝sensor採集數據是非常拼的。-------------------更新2---------------------今天看到a16z VC的合伙人總結的無人車16大問題，可以參考一下。這裡面很多討論的問題已經超出傳統學術圈的一般認知。https://medium.com/self-driving-cars/frank-chens-16-questions-about-self-driving-car-3c663987965b#.389b428my1. 直接到全自動還是逐步實現2. 用LiDAR還是不用3. 預先測量好的高清地圖還是一邊跑一邊測4. 怎樣搭配計算技術5. 需要多少道路實測和模擬測試6. V2X是否重要 ( @辣筆小星的三大支柱之一，別人其實在討論是否重要。個人覺得這個可以沒有)7. 是否能取消紅綠燈和stop標誌8. 汽車製造商應該怎樣本地化他們的車9. 事故率會是怎樣的趨勢 (這裡可以看到一個很有趣的事故率歷史曲線，40年代事死亡故率大概是現在的10倍)10. 什麼時候駕駛會變成非法行為11. 汽車保險會怎樣變革12. 誰會贏，矽谷，中國，還是大汽車製造商13. 人們會買車還是使用打車服務14. 上下班時間會變長還是變短15. 城市會怎樣變化16. 這個革命會什麼時候開始，什麼時候實現完全無人駕駛已有答案中不乏業內的專家老師，大家也從不同層面和角度闡述了對問題的認識。小弟再發表些拙見，補充一些自己的看法。
1）無人駕駛與自動駕駛概念對比
部分回答里對於無人駕駛和自動駕駛的概念使用有混疊，朱校長已經很清晰地解釋了自動駕駛的定義，我再談談我的認識。
自動駕駛：
依然是圍繞駕駛員為核心，通過環境感知+規劃控制，提供LKS、自動換道等功能，並在必要的時候將車輛控制權交回駕駛員。自動駕駛是一種典型人機共駕模式，其目的是優化駕駛員的駕乘體驗、增加駕駛的安全性，可以看做是「增強駕駛」，其本質依然是基於傳統汽車的駕駛功能增強。由於存在控制權的流動和轉移，自動駕駛對系統的要求相比無人駕駛有明顯的區別。這體現在：
- 允許系統在感知和場景理解的錯誤、定位的錯誤等；
- 進行決策規劃也可以簡單認定所有場景理解和定位數據是正確的，對感知數據的不確定性可以簡單處理；
- 地圖數據精度要求低，定位精度要求低；
- 對場景的預測可以不考慮（即時性反應的輪式機器人），或者僅在小範圍和短時段下考慮；
- 人機交互方式可簡單；
- 全局重規劃不必要，可交由駕駛員完成處理。
基於以上，自動駕駛研究中除了基本功能的實現之外，更為重要的一大重點是如何實現和諧的人機共駕，其核心問題包括：
- 相關技術的邊界條件（技術的可適用範圍，通常通過大量測試獲取，目的是確定第2點）；
- 對系統功能是否失效的判定（可由1）提供支持，或利用地圖數據提供指導）；
- 合適的人機交互方式，提醒駕駛員及時接管。
其中，如何合適地將控制權交回駕駛員，尤其是根據當前場景判斷應該預留給駕駛員的反應時間（包括接受到提醒、接管控制權、注意力轉回到駕駛任務、理解當前場景、並作出合理的安全駕駛行駛等）是一個極其重要的工作。過早的、頻繁的提醒會導致用戶體驗下降，而不及時的提醒更會帶來潛在的安全隱患。
無人駕駛：
與自動駕駛不同，由於將駕駛員從駕駛任務中解放出來，因此無人駕駛更關心的是無人車與有人車輛、道路設施的「和諧」。控制權的徹底交出，使得傳統的油門、踏板等不再必要，其直接帶來的是「車」的概念發生變化，這些變化涵蓋了功能、配置、外型等等。對乘客而言，無人車的駕駛移動功能將退化為附加價值，其核心價值體現在無人車作為移動空間帶來的各種生活和商業可能性。無人駕駛將重新定義車的概念，適用於無人駕駛的車輛需要專門針對無人駕駛進行設計的，其本質可以看做是基於智能移動空間的駕駛功能替代。目前靠譜的無人駕駛一定是在固定路線上的無人駕駛，所謂的全天候全工況的無人駕駛，本質上一個偽命題。
作為對比，無人駕駛則包括如下幾個需待解決或重視的問題：
- 進一步提高對場景理解和定位的精度和穩定性；
- 決策需提高對感知和定位的容錯能力，以及在部分觀測下的決策能力；
- 專門針對無人駕駛的高精度地圖，以及基於地圖實現的高精度定位；
- 決策需對自身、交通場景內其他車輛、行人實現長時間大範圍預測；
- 複雜完備的人機交互形式；
- 對異常突髮狀況的及時處理、完備的全局重規劃能力；
- 類人的駕駛行為以實現與有人車輛的和諧共處。
由於無人駕駛需要實現上述功能，其研究重點不僅包括個體智能的提升，也包括群體智能的提升（這裡的群體智能主要包括車、交通設施和配套服務等），其面臨的是整個無人駕駛生態的形成問題。具體來說，包括：
- 要提高對場景理解的精度和穩定性，多感測融合（視覺、激光、毫米波、紅外、地圖等）是不可缺少的，而不同異構感測器在感測器數據的物理屬性、時空尺度等的不同，帶來了感測融合的難題和龐大的計算開銷，同時為了保證系統穩定性，也需要進行多系統備份，如何實現有限功耗和體積下的高性能計算是一個要解決的問題，這需要有專門的團隊來做；
- 定位問題的提升包括了在線局部定位能力的提高，和全局參考定位的進一步優化，前者需要感知層面做支撐，後者需要如GPS、北斗等基礎設施的進一步搭建和完善；
- 面向無人駕駛的高精地圖構建，其難點包括地圖數據的標準化（標準化後才能讓更多力量規範化參與進來，加快地圖數據的覆蓋）和更新（及時反映路況變化，為無人車的大範圍長時間決策提供支撐）；
- 交通設施的改建，主要包括V2V和V2X，為無人車提供超出其感知能力的實時場景數據（同樣為無人車的大範圍長時間決策提供支撐），需要政府參與和支持。
除去一些明顯的不同，自動駕駛和無人駕駛都面臨著一些共性的問題，如場景理解能力的不足、定位能力的不足、人機交互方式的不完備、相關政策法規的不足等等，都亟待推進。
2）中國可能的無人（自動）駕駛之路
無人（自動）駕駛的形成依賴於整個生態的構建，其形成需要一定的時間，並非短期即可實現。因此我認為中國未來十年的大致局面是：以無人駕駛技術作為先頭兵進行技術展示，刺激民眾對自動駕駛技術的使用，帶動整體生態的進一步發展，為再下一個十年的無人駕駛技術應用做準備。具體理由和思考包括：
- 無人駕駛應屬於未來城市公交系統的重要構成部分，我國絕大多數地區的公交系統仍不完備，與無人駕駛技術結合尚早；
- 1）的存在，使得在中國大量擁有私家車的狀況依然會持續一段時間，而直接體驗開車的過程和功能也依然是普通家庭購車的一個重要原因，短期內不會變化，因此自動駕駛帶來的增強就變得更加可貴和適用；
- 無人駕駛技術為保證絕對安全而採用的冗餘感測配置，使得成本較高，短期內也不存在感測器成本驟減的可能性，可以通過在對成本相對不敏感的B端推廣無人駕駛技術，通過示範運行、技術展示等，讓C端的普通民眾免費或以極低成本體驗無人駕駛技術的便利，轉而去付費使用成本更低的自動駕駛技術。
3）中國無人（自動）駕駛目前的問題
與歐美國家相比，我國目前存在如下的幾個問題：
- 軟體層面：（基礎理論、演算法設計等）與國外有差距，正在努力追趕和接近中；需要進一步加大真實路況下的大量測試，積累足夠的場景數據。
- 硬體層面：核心零部件（如激光雷達、毫米波雷達等）大多依賴進口（有部分小批量生產），缺乏自主研發生產能力，反映出我國在工業製造加工等基礎領域仍與國外有明顯的差距。
- 法律法規：國外相關法律法規較為健全，對於無人車的測試、安全標準等較為明確的規定；國內缺乏相關法律法規支持，無人車路測、試驗等困難重重，需要從國家立法層面積極推動專項法規的制定實施。
4）我所看好的國內的無人（自動）駕駛公司
結合前面所講，以及個人的接觸了解情況，下面幾家在無人（自動）駕駛領域大力投入的公司未來值得期待。
百度：
百度是國內進行無人（自動）駕駛研究最早的公司之一，經過幾年時間，已經形成了L3和L4並駕齊驅的局面。百度依賴於自身多年在地圖方面的積累，將極有實力主導我國高精地圖的標準制定，形成穩定的技術優勢。未來高精地圖的數據使用會免費，而地圖數據的實時更新將成為地圖行業的重要增長點，而百度作為互聯網公司在大數據實時處理更新能力方面的優勢將得到展示和發揮。另外以百度的體量，是為數不多的可以直接推進我國無人（自動）駕駛立法的公司，目前百度的幾個測試示範區可見一斑。
馭勢科技：
馭勢科技在今年CES上將展出他們的第二代低速無人駕駛概念車。從已知的車的外型來看，馭勢科技已經在做重新定義「車」的事情了，這在創業公司里是極為難得的；更為難得的是，馭勢同時在進行無人駕駛和自動駕駛的研發，而我也有幸乘坐過馭勢的高速自動駕駛車。在正常車流中穩定舒適的乘坐體驗讓人印象深刻。與國內計算機視覺創業公司格靈深瞳的技術合作，保證了馭勢在場景理解方面的優勢；而以創始人吳甘沙為代表的來自Intel的大批從事高性能計算的工程師，使馭勢能夠壓縮感測硬體成本、而利用高性能計算、通過軟體性能提升要獲得良好的功能實現。目前馭勢也已經在北京房山區開始了無人駕駛低速車的示範運行，在創業公司裡面也走在了前面。
地平線：
CES上地平線將聯合Intel展出一款基於單目攝像頭和FPGA的ADAS產品原型系統。地平線一直強調嵌入式人工智慧，要涵蓋具有人工智慧演算法的晶元、系統和軟硬體平台，讓世界上所有的設備（例如家居、汽車、玩具和服務機器人），具有從感知、交互、理解到決策的智能。所謂「萬物智能」，這體現了地平線團隊對人工智慧生態的雄心壯志，相信無人（自動）駕駛是他們看中的最為重要的切入點。
以上拙見，請各位專家同行批評指正。
個人於2016年5月總結過國內外無人（自動）駕駛對比，如有興趣，可與我聯繫。
歡迎訪問我的個人網站 http://www.dixiaocui.com 獲取更多與無人駕駛、智能車、吉他、搖滾樂和演出相關的信息；歡迎關注個人微信公眾號，知乎專欄 http://zhuanlan.zhihu.com/dixiaocui ，所有原創內容與網站同步更新。
http://weixin.qq.com/r/cjv64jjE8GWPrXyB925g (二維碼自動識別)
無人駕駛汽車，中國比美國差，不止差一點，從總體的解決方案方案上講目前大體上可分為兩種思路一個是以眾科技公司為代表的深度學習的思路，典型的當然有google、特斯拉、uber、百度當然還有英偉達的end2end（演算法有論文可查，其目的當然還是主要為了賣晶元），由於他們在搞人工智慧方面輕車熟路所以認為無人駕駛也是可以通過人工智慧進行訓練的；另一種就是以傳統汽車主機廠為代表的基於傳統的控制論的思路，之前07年的darpa無人駕駛汽車比賽都是基於這個思路，當然各個主機廠基本也是這個思路，個人認為他們之所以這樣也與他們有大量的ADAS開發經驗和資源脫不了干係（當然目前各個廠商的ADAS系統基本上是由博世、德爾福等幾個零部件供應商直接提供）。這兩種思路也就導致了兩條路線，一個是直接實現LV5，另一個則是先從LV3到LV3+到LV4、LV5慢慢過渡。
由於本人主要研究第二種思路，所以大體講講第二種思路，說白了就那麼幾塊，分別是定位、感知、決策、跟隨或控制。定位大家想到的首先想到的是我們的手機定位，其實無人駕駛裡面的定位跟手機裡面的定位是一樣的也都是通過GNSS(GPS/北斗等)定位經緯度，當然由於只是GNSS精度有限，大家會用DGPS、加上慣導、輪速儀進行航跡推算補償，當然精度更高的會用RTK基站，這個精度會到厘米級的，可是試想一下我們為什麼要用這麼高的精度進行定位呢，我認為如果不是用於從高精度地圖中獲得電子視野信息，沒必要需要那麼高的精度，因為感測回來的數據的坐標系是本車坐標系，可能你要說導航要用，可是我們平時開車的時候導航只是起個引導作用，無需這麼高的精度。感測，目前用的無非就是攝像頭、毫米波雷達、激光雷達，對於攝像頭當前領先的當然是被intel收購的mobileye，不過如果不是直接用供應商提供的現成的也有開發的現在主流的演算法是通過機器學習的方式，激光雷達傳統的有ibeo的雷達可以直接提供目標，還有velodyne的64/32線激光雷達需要自己處理結果，一般傳統的思路都會是藉助各個感測器供應商對於感測器的處理直接輸出對象，毫米波雷達，最早用於adas系統目前開發比較成熟如德爾福、博世均有成品。決策，目前我認為國內各家決策基本上用的還是07年美國DARPA拉力賽的架構與演算法，用的比較多的像CMU的三層架構（任務層、行為層、規劃層）。跟隨與控制現在由於ADAS系統發展這麼多年我認為已經不是什麼難題。接下來聊聊測試，測試是無人駕駛特別重要的環節，大家都知道，美國可以在密歇根州上路進行無人駕駛測試，當然還有MCity，各個先進的研究單位均在密歇根進行測試，眾所周知，谷歌無人駕駛汽車以及上路測試很久很久了，中國國內目前大家也在積極投入測試試驗場（城）的建設中，可是真正上路測試的又有多少呢。因此我認為，從感測、決策乃至測試，國內無人駕駛，相較於美國有很大的差距。
試一下在上海老弄堂自動駕駛，行人和電瓶車別到你動彈不能。除非人工智慧還會自動拉下車窗罵髒話
行勝於言！
該視頻為谷歌下屬的無人駕駛初創公司Waymo，與克萊斯勒合作，在其大捷龍的基礎上搭載了Waymo無人駕駛硬體。
2015年，Waymo成為第一家將無人駕駛汽車引入現實道路上的公司。
今年10月，該公司成為首個在沒有安全駕駛員的情況下將全自動無人駕駛汽車投入公共道路的公司。
Waymo首席執行官約翰·科拉菲克對汽車愛好者、分析師和投資者們表示：
「我們已經接近說出這樣的話，你願意來一場沒有測試司機的出行嗎？我們Waymo的目標是打造世界上自動駕駛汽車最有經驗的司機。」
在23個不同城市的公共道路上，Waymo完成了超過了400萬英里的現實世界中的無人駕駛。（Waymo的400萬英里無人駕駛里程，按照美國人平均的開車速度，相當於普通一名美國人約333年的駕駛距離。）
在虛擬世界裡，25000輛Waymo汽車正在行駛，在過去12個月里，它們在模擬環境中行駛了25億英里。
Waymo希望將機器學習和人工智慧結合在一起，變革汽車交通出行行業。
如果最終是Waymo率先突破了無人駕駛技術的商業量產，我認為這將比Andorid平台的出現更加偉大。
谷歌的市值將至少翻倍。
傳統汽車OEM可能會大量淪為谷歌、微軟這些矽谷巨頭的代工廠，就像現在智能手機、PC、平板行業發生過的一樣。
更多@一苒的回答：
- 為什麼雷克薩斯在知乎上評價這麼高？
- 長城汽車年利潤超過百億，為何不拿錢出來做研發？
- 奇瑞到底是一家怎樣的公司，能否成為中國的本田？
- 如何看待五菱宏光上央視專題？
- 豐田在國內為什麼不銷售一款20萬的 MPV？
- 為什麼 WEY 銷量越來越好，寶沃銷量越來越差？
- 為什麼說電動車淘汰內燃機是大勢所趨？
- 一台車的毛利潤如何計算？
- 買一輛二手車是一種怎樣的體驗？
- 如何看待 SpaceX 獵鷹火箭將搭載特斯拉（Tesla Motors）跑車上太空並待上 10 億年？
- 為什麼 SpaceX 的成就大都被輿論歸為馬斯克的個人成果而不是 SpaceX 全體工程師的成就？
- 如果中國完全放開房價，自由競爭，後果會有多嚴重？
- 2018年房價會漲嗎？
- 淘寶為什麼把「雙十一」的紅包規則定得那麼複雜難懂，是流程設計有問題，還是故意為之？
我的知乎live：
1、特斯拉算不算是汽車界的蘋果？
2、汽車這門生意是怎樣運轉的？
3、車造好了，是怎樣賣出去的？
知乎專欄：一苒說
先挖坑，等忙完手頭上的事情再慢慢填坑。
-----------------2017-03-28說起自動駕駛，很多人第一反應就是Google實驗了多年的無人駕駛車。而後，Tesla的帶有誤導傾向的AutoPilot功能發生事故又把Tesla推到了風口浪尖。由於和Tesla分手，以色列科技公司Mobileye也從二線供貨商變成熱點話題，最近更是被Intel收購，股價從和Tesla分手時的30多美金竄到了60美金。做GPU的晶元公司Nvidia通過2年多的努力也變成CES大展上自動駕駛技術的領導者之一。矽谷熱點公司Uber也已經開始測試自己的無人駕駛技術。一個又一個的美國科技巨頭公司接二連三地成為無人駕駛汽車這個關鍵詞的關注熱點。中國科技公司在無人駕駛技術上的存在感相對低了很多。百度曾經和BMW合作並路試過，還投資了激光雷達技術的主要領導公司。滴滴辦了一屆無人駕駛演算法大賽，第二屆剛剛開始。但總體來說還是給人一種矽谷幹什麼他們就跟著幹什麼的感覺。反正自動駕駛離不開地圖，中國地圖只能掌握在中國人的手中。有這一層國家安全的保護傘在，不怕比矽谷科技公司落後，只要在國內領先就可以吃得腦滿腸肥。
這樣一分析，得出中國公司在自動駕駛技術上不如美國公司的觀點也不奇怪。但我們生活的地球上除了美國和中國以外還有很多其他的國家。精益求精的德國，細緻入微的日本，瘦死駱駝比馬大的英國，BUG一般存在的瑞典和其他北歐國家，以及經常被人忽視的奧地利，美國的夥伴以色列，等等。正是由於位於以上這些國家的不那麼經常被新聞媒體提及的公司的存在，讓無人駕駛汽車技術留給中國公司各種彎道超車的可能性。
------------具體細節有時間再補充，我先去遛趟狗。自動遛狗機器人也很有市場嘛。：）------------2017-03-29Tesla的股票一天漲了7塊多美金，上漲的原因之一是騰訊收了5%的Tesla股票。真的可以彎道超車的。矽谷做無人駕駛汽車的公司雖然多，目前普通消費者能體驗到的「無人駕駛」技術就是幾個大汽車廠商提供的高級輔助駕駛功能，ADAS和自動剎車類的主動安全功能。
沃爾沃汽車還依然福特集團的時候，率先在S60上配備了City Safety功能，防止城市交通環境下的追尾。之後這個功能不斷升級，感測器從簡單的Lidar到雷達加攝像頭的組合，在標識完整的高速公路上已經可以感受一會兒未來自動駕駛的雛型了。值得注意的是，這套完整的ADAS技術是從沃爾沃屬於福特集團的時候就開始研發的，整套知識產權歸福特所有。沃爾沃開發的功能，福特可以用，也可以拿來賣給馬自達用。3家共用。沃爾沃汽車被吉利收購之後，用自己的技術再從頭開發新一代的ADAS功能，吉利可以拿來用。又實現了彎道超車。
2008經濟危機的時候所有的汽車廠商都不好過，唯獨中國有很多錢找不到地方投，紛紛扎進了汽車行業。直到現在造成的項目依然可以斂到不少錢。德國、英國、瑞典之類的汽車行業技術諮詢公司誰手上沒幾個中國客戶，還真沒臉出來混。通過技術諮詢，國內汽車企業能夠迅速獲取新技術。這簡直就是直道超車。
-------2017-04-24上周百度公布了阿波羅計劃，計劃向合作夥伴開源無人駕駛的能力。具體細節6月份才會公布，但可以肯定的是，百度給出的不是能裝在車上就能無人駕駛的ECU，而是避免從頭做起的一些基礎性的東西。想從百度的阿波羅計劃彎道超車還不太現實。類似的問題回答過好多次了。
無人駕駛最大的難點不在車上，而是在整個路網配套工程上！而在這一點上，美國暫時先邁出了一步。以下內容可能有不準確的地方。
國內水平：
demo上李彥宏已經跑5環了；產品落地的話，目前大概是在特定的園區能做一些無人駕駛觀光車。和美國差距：
技術上，雖說百度一直被黑，但是在無人駕駛這個事情上，百度確實做了不少工作。Apollo2.0宣稱具備在城市街道駕駛的能力，但是具備能力到穩定還有距離。美國現在什麼水平不敢說，谷歌的waymo已經能在沒有駕駛員的情況下讓汽車跑了。這和有駕駛員，不碰方向盤是本質區別。當然waymo的測試環境也比較友好，放到中國城市環境里不見得有勇氣這麼玩。政策層面，感覺中國政府扶持力度很大啊，所以絕對不算落後吧。值得關注的點：首先肯定是感測器技術，比如激光雷達的成本！這個能做好，肯定是賺得盆滿缽滿。亦或者雷達和攝像頭的融合，生產專門用於無人駕駛的感測器。軟體這邊：定位+感知+決策。定位基本是差分GPS配合激光慣導融合定位這樣的路線；感知包括激光和攝像頭對行人車輛障礙物的檢測，這邊的話深度學習做的效果很好；決策的話，有端到端的深度學習的方案，這個一般用於跑車道保持這樣的單一場景。大範圍場景下，用狀態機+路徑規劃的較多。最後有一個感測器和軟體融合的方案。這個感覺很好，傳統的感測器，是輸出測量信息，讓用戶自己用演算法處理，提取信息。現在的思路是直接把演算法搞進去，給用戶輸出的直接就是他想要的結果。比如激光直接輸出檢測的行人和車輛的結果。這個將來的市場需求量應該會比較大，如果做的好的話。民航飛行自動化程度那麼高，我相信絕大部分人知道駕駛員絕大多數時間只是監視飛機自己飛的話，是不敢坐的。
自動駕駛最大的問題在於和普通人的距離，在汽車上，這個距離太近了，這就會成為普及的最大障礙。
作為一個不想買車不想開車沒學駕照的人，我希望儘早出現一輛只有start和stop按鈕的無人駕駛汽車。我實在受不了人種不可靠智能直接控制高速設備。什麼時候地鐵高鐵全部自動駕駛了再說吧。有軌道的車輛，乘客進出都有高度規範的交通工具，都遠遠達不到無人駕駛，汽車這種靈活性很高的就不要想了，無異於捨近求遠
自動駕駛所依賴的感測器：攝像頭，毫米波雷達，激光雷達等，目前沒有一款是國內能夠量產的。
推薦閱讀：
※汽車輕量化的前景？有可能的方式？在國內是鋁的大量使用還是其他材料使這一問題得到實現呢
※為何飛度的1.5L發動機被神化，而參數相當的標緻1.2T發動機則沒有什麼影響力？
※別克GL8在國內高檔商務車（MPV）市場的霸主地位是怎麼實現的？
※雷克薩斯的車好開嗎，適合女生嗎？
※渦輪增壓發動機為何仍要匹配 VVT 技術？