自动驾驶落地之路——道阻且长，而行之将至

前言

从最初的L0级应急辅助阶段，到现在各大车企陆续面世的L2/L3级新车，老百姓实际可以体验到的最多只是支持有条件的车辆半接管辅助功能，那些更高级别的自动驾驶技术仍然只还停留在测试场内。到今天为止，全世界对自动驾驶技术的探索已经走过了三分之一个世纪。

无人驾驶规模落地的漫漫长路，面临的不仅是对感知设备、算法决策和车辆执行技术的严格考验，同时也有更多需要社会经济讨论、个例分析、政策支持、甚至伦理道德方面的问题。
算法演进的巨额时间和金钱投入

目前，世界上主流的自动驾驶技术演进路线有两种。

一种以算法系统为核心。由摄像头主导，搭配毫米波雷达，使用先进的计算机视觉算法去实现高级别自动驾驶，典型代表有特斯拉、Moblieye以及百度Apollo Lite。另一种则以感知系统为核心。由激光雷达主导，同时搭载毫米波雷达、超声波传感器和摄像头，远距离全方位探测能力强，但成本相对较高，典型代表为谷歌Waymo、百度Apollo、文远知行等主流无人驾驶企业。
无论选择哪条路线，要实现高级别自动驾驶，甚至全无人驾驶，都需要强大到近乎完美的算法做支撑。算法是辅助驾驶和自动驾驶技术的大脑，需要反复循环训练才能使其在应用阶段有效处理数据，充分识别交通环境，进而完成路径规划和决策。通常来说，算法的训练路径包括实际路测和虚拟路测两个部分。实际路测是指搭载自动驾驶解决方案的车辆，在真实的交通环境下行驶并进行测试，主要针对日常的道路使用场景。而虚拟路测是指自动驾驶解决方案在虚拟环境下进行低频、危险系数高的场景测试。这两部分测试缺一不可，最大限度的预见了道路使用者可能遇到的情况。

根据权威机构测算，自动驾驶算法想要达到人类驾驶员水平，至少需要累计177亿公里的驾驶数据来完善算法。

然而巨额的时间和金钱投入是自动驾驶算法演进面临的重要问题。截止目前，在各大自动驾驶公司公布的2021年测试里程中可以看到，Waymo作为全球头部的自动驾驶公司，以374.3万公里的测试总里程占据首位。Waymo的测试里程之长要归功于其庞大的车队，在2021年共有693辆汽车进行自动驾驶测试，这其中的人力财力投入不言而喻。在我国的自动驾驶企业中，小马智行的2021年路测总里程约为50.64万公里，已经稳登中国自动驾驶公司测试里程榜的第一。但这些漂亮的数据，背后却是无底洞一般的时间和资本投入，即便现在越来越多的开始运用仿真测试来及减少实车里程，这一条“完美算法”的演进之路仍然可以理解为一条“烧钱之路”，各大企业除了社会融资外，都在探索更多可能的商业模式。

商业驱动还是市场需求？

自动驾驶的市场需求本质上取决于自动驾驶替代人工成本的实际ROI（投资回报率）。目前一辆L4级自动驾驶单车改造成本动辄百万，相比之下，可节省的司机成本可以忽略不计。然而不少业内专家认为，只有在日本、北欧这些人力成本较高的地方，商用运营类无人驾驶才可能更快打开市场。而在劳动密集型国家，假若大规模落地运营类无人驾驶车辆，如无人公交车、无人出租车、无人物流车、无人环卫车等，将会造成一大批劳动者失业。他们一般没有其他技能可以谋生，如果不妥善安置，替这个群体想出另一条生存之路，这将成为社会很大的不稳定因素。讨论一个多方共赢的无人驾驶商用模式，不单纯被资本和技术驱动，是这个“快时代”不该忽略的一项课题。

如何平衡通行效率、驾乘体验、安全冗余？

为了保证较好的驾乘体验，自动驾驶系统有时会选择性“失明”。就目前的常见的L2来说，ADAS系统的核心车载感知设备是毫米波雷达，而为了平衡驾驶体验，在系统“敏感”和“迟钝”的天平中寻找一个支点，通常会从算法上忽略低速和静止的物体。 

这些年屡见不鲜一些私家车由于对道路状况识别不足造成的车祸，比如特斯拉径直撞向已经侧翻在路上的白色货车，或者去年那起追尾高速公路弯道内侧低速养护车辆的惨剧……

“对毫米波雷达来说，主要是受目标对电磁波反射敏感度影响，有些橡胶类静态物反射不好，识别会困难。此外，雷达几乎无法区分龙门架、道路侧面的金属标牌或道路上停放的静止汽车，因为雷达的空间分辨率很差，在算法上只能通常忽略相对于路面不移动的雷达回波。否则，每次经过路标等静物时，汽车都会惊慌失措。”——顾剑民，法雷奥中国首席技术官

如何恰到好处的保障核心安全冗余，又不至于让车辆时刻处于惊慌失措的状况下，频繁的绕行甚至刹车，允许车辆有条件的采用稍加激进的驾驶行为，提升整体交通效率和驾乘体验。似乎是自动驾驶算法中一个非常敏感的阀值。

用80%的精力去解决20%的Corner Case 

我们前文提到了自动驾驶车辆需要完成非常大量的实际路测，但在实际应用中，永远都有很多超出想象的情况发生，我们称这些场景为Corner Case，是自动驾驶演进道路上的长尾问题，并且逐渐成了制约自动驾驶发展的关键。这就可能导致车辆虽然积累了很大的测试里程数，碰到罕见的情况依然不能处理。人的生命只有一次，高速路上任何corner case 处理不好都有可能发生车毁人亡的严重事故。

有这样几个例子，如下图：

• 前车上的锥桶

自动驾驶车辆识别到放置在行驶中的前车上的警示锥桶，自动绕行或刹车。

• 高速路上的塑料袋

一个人驾驶着他的Model 3，在FSD系统（FSD Beta 6）开启的情况下，在高速公路上发出并线信号。就在车辆开始并线动作，它发现一个塑料袋在地面上飘动，所以它自动转向到右边，等这个“具有威胁”的塑料袋被清除，特斯拉恢复了并线动作。在本次事件中，幸好旁边没车，如果有的的话，系统认为绕开塑料袋意味着撞上其他车辆，那么它应该不会转向，也许它会选择刹车…….

任何感知设备都有自己的“能”与“不能”。

相机往往很难区分障碍物的材质。在现实世界中，材质软的物体可以呈现出任意形状，如果完全依靠视觉训练，通过把所有可能的外观排列组合来找到合适的类别，但是遇到太阳眩光、阴影或夜间行驶等条件下，也会对性能造成影响。另外，由于塑料袋不含金属，无法反射无线电波，所以雷达不能识别塑料袋。

• 跨过一个界限，突然变成靠左行驶

深圳湾大桥连接深圳市南山区和香港元朗区，跨过大桥后会突然改成右舵驾驶的交通规则。从欧洲开车去英国也是这种情况。

这些零散的、突发的、无规律性的状况是困扰学界的重要问题，往往需要投入更多的精力去解决。随着仿真技术水平的提高和应用的普及，行业旨在达到99.9%测试量均通过仿真平台完成，封闭测试完成0.09%，最后0.01%实路测试，使自动驾驶研发更高效、经济。但是模拟真实的人类行为和各种违规情况，还是极为困难。

“实验室实验和真实应用场景的认知差异是巨大的：实验室数据和模型的精准度和可信度，在现实环境中可能毫无价值：实验室环境的模拟只能使得实验环境尽量模拟真实环境，却始终满足真实（wild）场景的实验环境设定；实验室场景的算法和系统准确度具有批判性：科学家们必须不断优化部署，使得算法的可靠性不断提高，而真实情况往往是：即使是满足了100%准确率的实验，在现实生活中也不一定可行。除了实验室与真实场景的差异，真实场景下也存在差异。即使在某个城市进行了自动驾驶的成功试验，也并不意味着我们可以在另一个城市复制成功经验。不同的社会、城市、驾驶环境和驾驶风格都会影响自动驾驶的运行情况。这也是为什么大多数企业始终在坚持在不同场景、不同城市下的进行真实实验的原因。”    ——CMU Argo Lab首席科学家John Dolan

极端情况下的道德难题

自动驾驶汽车要面临一种选择，即电车难题：如果5名无辜的人被绑在电车轨道上，一辆失控的电车朝他们驶来，片刻后就要碾压到他们。幸运的是，你可以拉一个拉杆，让电车开到另一条轨道上。但是在那另一条轨道上也绑了一个人。因此，你有两个选择：不拉杆，5人死亡；拉杆，一人死亡。你会怎么做？

一旦自动驾驶汽车上路，必然面临这种伦理难题，并且，人工智能的设计可能会陷入无尽的矛盾中。例如，如果是以死人的多少来设计人工智能的操作程序，那么接下来是否还会根据年龄、性别、地位的高低来选择事故中的拉杆。例如，面对一位孕妇和一位老人，汽车出事前该撞向谁。如果这样的话，是否也把人变成三六九等，这不是违背生命面前人人平等的原则吗？

麻省理工学院收集了 233 个国家和地区用户对于自动驾驶道德困境的意见，约 4000 万个答案中有着一致倾向，例如：当发生事故时，所有人都一致地表现出更偏向救人类而非动物、救更多的人、救儿童而非成年人……
无人车的伦理问题在各国立法尚不完善，各大公司不可避免地在算法中写入偏好，基于此的争议和讨论一直是行业不可回避的话题。

在达到L5之前，消费者存在过度信任问题

当下，太多人总是打着擦边球来卖车，譬如展示“自己有做L3、L4技术的能力”，或者对外宣传时使用“自动驾驶系统”这样的字眼。自动驾驶等级划分是有严格定义的，L0~L2是辅助驾驶，需要驾驶员在全程集中注意力，并且只有在L2级车辆上才有稍微可以松开方向盘的场景。L3以上才可以被称为是自动驾驶，而现在极少有车企敢真正证明自己的量产车型实现了L3功能，因为真正达到L3以后，驾驶主体将转变为车辆的自动驾驶系统，人类驾驶员只在必要时接管。甚至还有技术公司和车企甚至推出过L2.5级自动驾驶和L2.99级自动驾驶概念。L3是一个有关安全责任归属的临界点，往下级走，责任在司机；往上级走，责任在汽车。

当那句“自动驾驶”说出口的时候，就是在跟玩消费者不负责任的文字游戏。

曾在微博上见过这样一个事：在高速公路上，一位车主放倒座椅，躺在主驾上，双手拿着汉堡和可乐，任由辅助驾驶系统掌控车辆，还兴奋的拍视频发到网上。

这种情况，如果发生了事故，且不说司机肯定会被认定为违规驾驶而负全责，更严重的是会车毁人亡。当然，在购车时没有认真了解车辆的功能和局限性，草率的过度信任，是对自己的不负责。

无论是车企、经销商还是消费者，都应该更加严谨的对待新技术的发展过程，尽量减少产业乱象的产生。

小结

解决上述问题，攻克一个又一个技术难关，是自动驾驶演进道路的必由之径。由于起步较晚，技术实践积累相对较弱，我国的自动驾驶发展相对于国外来看仍由一大段差距。为了实现弯道超车，发展出更适合中国实际国情的“原生自动驾驶技术”，我国已经决定走“网联赋能自动驾驶”路线，即“自动驾驶融合车联网V2X技术”。 

• 如单纯依靠大量堆积各种高端感知设备来实现“无死角感知”，整车成本将会非常惊人，这样的配置将无法下探到中低端车型，无人驾驶车辆会脱离它本身的商品属性。V2X技术路线是将高昂的感知设备移到路侧，通过车路通信传递交通信息，大幅度降低了车载感知设备的投入。

• 在实际交通环境中，尤其是中国这样复杂的道路环境，快递外卖车频频违章，行人横穿马路甚至闯红灯屡禁不止，时常发生“鬼探头”这样的情况。单车智能的感知设备无法传统实体，易被遮挡，存在很多的视觉盲区。V2X技术可以从“上帝视角”掌握全面的道路状况，车与车之间还可进行感知共享，从根本上避免了由于盲区造成的事故。

• 网联赋能自动驾驶，还可以从交通全局的角度为道路使用者分配路权，从整体交通角度来看，更加高效、节能、环保。

未来的车联网C-V2X将会成为高级别自动驾驶系统中一项重要的感知源，解决目前自动驾驶演进过程中遇到的很多瓶颈问题，加速自动驾驶落地进程。