實現「全自動無人駕駛」的癥結和難點分析

來源：上海汽車報、軍民融合科技創新資訊平台，作者：藍海長青智庫

傳統車企正在面臨一場主要由科技公司主導的以自動駕駛技術為核心的產業革命。但仔細審視一下實現高級別自動駕駛（SAE Level 4及以上）所需的技術，你就會了解到，真正實現並推廣該類汽車需要花上比預期更長的時間，或許是5年，或許是10年。

如何區分自動駕駛和無人駕駛？業界比較流行的解釋是來自美國國家公路交通安全管理局（NHTSA）給出的評級（SAE Level），其將自動駕駛功能分為5個級別（0-4級)。

0級：沒有任何程度的自動駕駛功能，司機對汽車的所有功能有絕對的控制權。目前，這種車在市面上已經不多見了。

1級：向司機提供基本的技術性幫助，例如電子穩定性控制或預充點剎車。目前，幾乎所有汽車都能達到這個標準。

2級：組合功能自動化，實現多種功能的自動控制。例如，自動巡航控制、車道保持、前車跟跑保持車距等。現在已經有少部分新車支持這一功能。

3級：在有限的情況下實現自動控制，比如特斯拉的高速自動駕駛。這一級別的關鍵在於，車輛雖然可以進行一定程度的自動駕駛，但是司機仍要對車輛進行接管，從而應對緊急情況。

4級：完全自動駕駛，無需司機干預，車輛可以在無人協助的情況下行駛。

對實現自動駕駛汽車的初步嘗試主要集中在高級駕駛員輔助系統（ADAS）領域，緊急制動、倒車攝像頭、自適應巡航控制等技術一開始最先應用在豪華車上。最終，汽車產業的監管機構開始要求在每輛汽車中都配置部分ADAS功能，這加速了其對大眾市場的滲透。

截至2016年，ADAS技術已經形成了一個規模大約為150億美元的市場。在全球範圍內，ADAS系統的需求量從2014年的9000萬套增加到了2016年的約1.4億套。僅僅過了兩年時間，其規模就增長了50%。

雖然ADAS已經取得長足的進展，但整個行業還沒有確定半自動駕駛（如SAE Level 3）的最佳技術原型，因此目前仍處於測試-改進模式。到目前為止，整個行業共出現了三種技術路線：以攝像頭為主，毫米波雷達為輔；以毫米波雷達為主，攝像頭為輔；混合路線，即把激光雷達、毫米波雷達、攝像頭等硬體以及感測器融合演算法互相結合，以實現對環境更細緻的理解。

實現上述技術路線的成本各不相同。其中，「混合路線」最為昂貴。截至目前，上述三種技術路線之間尚未決出勝負，每個系統都有其優缺點。例如，「以毫米波雷達為主」的方法可以在高速公路場景下良好運行，該場景中的交通流量相對而言較易預測，並且對環境進行測繪的精度要求並不高。另外，「混合路線」的方法在人口稠密的城市地區能夠更好地開展工作。

2軟體仍是關鍵技術瓶頸

隨著各企業推出軟體包來嘗試打造第一批全自動駕駛汽車，他們正在用不同的技術路線來解決自動駕駛汽車在感知、定位、決策等方面遇到的技術難題。

目前，攝像頭已經能夠滿足測試距離、解析度和視場等方面的性能要求，但在惡劣天氣條件下也存在顯著的局限性。毫米波雷達在技術上已經準備就緒，它是惡劣天氣及複雜路況條件下進行探測的最佳選項。提供最佳視場的是激光雷達，它可以極高的精度探測車輛周圍360度範圍內的環境狀況。目前，市場上出售的激光雷達的價格還很昂貴。從商業化的角度來看，企業需要了解完全自動駕駛汽車所需的最佳感測器數量，以控制整車成本。

事實上，不論是圖形處理器還是中央處理器，汽車內硬體的性能已經接近或達到使高度優化後的自動駕駛汽車軟體順暢運行所需的水平。目前的技術應該能夠很快達到自動駕駛汽車所需的計算能力，但軟體仍將是關鍵的技術瓶頸。

開發出與自動駕駛汽車硬體相匹配的軟體仍然需要較長時間。關鍵的問題是，自動駕駛汽車必須在道路上（有其他自動駕駛汽車以及人類駕駛員的情形下）學習如何與之協商駕駛，這是一個令人頭痛的博弈難題。此外，對車輛進行高精度定位是另一個有待解決的複雜問題。解決上述難題不僅需要大量的前期研發，而且需要經過長時間的測試和驗證。三種類型的問題更具體地說明了軟體瓶頸。

首先是物體分析，即探測到物體並理解它們所代表的含義，這對自動駕駛汽車至關重要。例如：該系統應該以不同的方式處理靜止停放的摩托車和在路邊騎自行車的人。因此，人們必須在物體分析階段就捕捉到兩者之間關鍵性的差異。物體分析問題中的初步挑戰是物體探測，考慮到一天中不同的時間段、環境背景和任何可能出現的運動，這項任務可能會變得很困難。此外，考慮到感測器所採集的各數據類型（來自激光雷達的點雲數據、來自雷達的對象列表以及來自相機的圖像數據）之間的差異，確認物體的存在性及其類型所需的感測器融合演算法在技術上要想實現是極具挑戰性的。

其次是決策系統的設計。為了模仿人類的決策，它們必須歷經大量應用情景並進行密集且全面的「訓練」。理解和標註不同的場景和圖像對於自動駕駛系統而言是一個運用普通方法所難以解決的問題，開發人員可以先構建一個「if-then」的規則資料庫，然後在此基礎上利用機器學習引擎來對其進行補充，這樣能夠在特定場景中進行智能推理並採取相應行動，而創建一個這樣的引擎是一項非常艱巨的任務，需要完成大量的開發、測試和驗證工作。

最後，該系統還需要一個故障安全機制，該機制能確保在汽車發生故障時不會讓車內的乘客和周圍的人員陷於危險。目前尚無任何方法來檢查每一個可能出現的軟體狀態及其所造成的結果，建立防護措施以防止最壞結果發生的同時，控制車輛安全地停車仍是有待解決的難題。因此，冗餘設計和長時間的測試工作仍是必須的。

3研發要「抱團」迎接挑戰

雖然目前的評估表明，大規模引入完全自動駕駛技術還需要10多年的時間，可行業參與者們仍在嘗試通過多種方法壓縮這一時間進程。

首先，參與到自動駕駛汽車產業的科技公司應該認識到，單個公司獨立開發自動駕駛汽車所需的整套軟體和硬體系統是極具挑戰性的。因此，他們更加需要擅長合作和形成產業合作夥伴關係。具體來說，他們可以與行業中的傳統參與者形成產業聯盟關係；與技術供應商進行合作，如激光雷達技術及地圖技術供應商。

其次，為幾家企業所專有的解決方案開發和驗證可能會非常昂貴，因為他們要求這幾家參與企業承擔所有責任和風險。開放的心態和商定的標準不僅會加速進程，而且能使正在開發的系統擁有更好的魯棒性。因此，以設計互通性部件作為準則的開發模式將起到鼓勵採用模塊化、即插即用系統開發框架的作用。

此外，另一種加快這一進程的方法是將致力於對組件進行開發的行業風氣逐步轉到對集成系統的開發上。不同於目前行業主流的只專註於開發擁有特定用途的組件，業界需要更多地關注開發實際系統，特別是考慮到自動駕駛汽車所面臨的安全方面的難題。事實上，在車輛的整個生命周期中達到一定水平的可靠性和耐用性，將成為整個行業所必須完成的新的強制性任務，而強調在系統層面進行開發可能是實現該目標的最佳方法。

完全自動駕駛汽車可能會在未來5-10年，甚至更久實現，但是目前各家企業大都已在自動駕駛的賭局中投下了巨額賭注。自動駕駛汽車將會如何做出決策、感知周圍環境並保護駕乘人員？想要掌控自動駕駛汽車產業戰略要素的傳統車企正面對著一批在技術上富有競爭力且資源雄厚的挑戰者。

鑒於自動駕駛汽車產業狂飆突進的發展速度，企圖在該產業中討得一杯羹的企業在戰略層面給自己定位，以便快速抓住此次產業機會。而對於監管機構而言，其需要追蹤最新的技術發展動態，以便在不妨礙技術創新的前提下，確保公眾的安全。

你的讚賞是我堅持原創的動力