智慧城市网

 

　　当然，也不全是令人振奋的消息，也有一些隐忧。而在自动驾驶领域，最为核心的一点，其实是达到什么样水平的车辆才可以商用，而不应该一上来就允许无安全员的自动驾驶商业化运行。
 

　　技术层面，自动驾驶竞争核心焦点是L4
 

　　自动驾驶的功能效果可以分为6个等级：从L0至L6。L0没有自动驾驶、L1部分辅助驾驶，例如定速巡航，高速上不用踩油门、L2是组合驾驶辅助。L2往往需要多个感知系统来辅助，比如L2车辆沿着道路标识标线行驶，比如堵车的时候自动跟车，比如自动泊车入位，L2不是单一的功能辅助，而是通过车辆感知系统完成一整套动作、L3有条件自动驾驶。L1-L2是辅助驾驶，而L3是自动驾驶，例如在外部环境比较稳定的高速公路，驾驶员可以完全放开方向盘。但L3需要人类驾驶员在必要时候随时接管，所以依然需要人类驾驶员在驾驶室、L4高度自动驾驶。L4可以认为是限定区域内的无人驾驶，在自动驾驶感知信息来源比较充分的区域，可以没有司机，汽车可以自动运行，甚至不再需要装方向盘、L5完全自动驾驶。在所有路段完全无人驾驶。
 

　　目前主要是集中在从L3向L4等级迈进的阶段，竞争的核心焦点就是L4。由此，自动驾驶未来数年的应用限定在几个领域，包括：出租车、公交车、干线物流(高速无人卡车)、末端配送(无人配送车)、园区景区(低速游览车)、矿区(无人特种车)、港口(港口无人车辆)、环卫安防(清洁车)、机场(无人引导车)等。所有的应用本质上都在限定区域。
 

　　L3是自动驾驶，但L3有个大难题：L3 需要人类驾驶员在必要时候随时接管，那么，什么时候是必要时候？由于现实道路路况复杂，人类驾驶员对于L3，存在过度信赖和完全不信赖两极分化的心态。完全不信赖让L3技术毫无意义，而过度信赖L3又会导致大量交通事故的发生。
 

　　L4是在限定区域内实现无人驾驶技术，由此，自动驾驶未来数年的应用限定在几个领域，包括：出租车、公交车、干线物流(高速无人卡车)、末端配送(无人配送车)、园区景区(低速游览车)、矿区(无人特种车)、港口(港口无人车辆)、环卫安防(清洁车)、机场(无人引导车)等。所有的应用本质上都在限定区域。而实现这些L4应用，从技术上看有以下三种路径：
 

　　其一，无人、封闭区域运行。园区景区低速游览车、工业物流园区、矿区、港口、机场等，这方面的L4实现较为简单，自动驾驶可以在轨道车和传送带的基础上优化实现，当前物流领域无人仓储已经非常成熟。
 

　　其二，单车智能。视觉神经网络下的弱智能﹢包含激光雷达的强感知﹢高精地图。同样是单车智能，特斯拉是异类，想要打造强智能的视觉神经网络，不肯用激光雷达和高精度地图，实践证明特斯拉的自动驾驶停留在L3阶段，最乐观的看法，也需要10年才能达到L4的门槛。
 

　　其三，车路协同辅助下的自动驾驶。单车智能整套系统很昂贵，但也仅仅是扫描周边环境，并不能了解100米外的情况，于是就有了车路协同系统，通过通信基站，在一些道路布置专网通信，实现车与人、车与车、车与路通信。车路协同下的自动驾驶将车辆内部昂贵的感知系统放到道路两侧，让车辆可以更加充分地接收环境信息，这的确使自动驾驶实现的难度降低了。未来车路协同可能是城市智慧交通升级的一部分，是基建，但对于自动驾驶的作用主要还是辅助。因为单车智能未来价值更高。当前单车智能的确是蹒跚学步阶段，但如AI视觉神经网络，哪怕10年-20年成熟，其技术本身就极具意义。而车路协同下，自动驾驶如果只有车路协同，那么很可能只是能用，不能让技术产生额外的价值。
 

　　自动驾驶在技术上仍充斥着各类风险
 

　　其一，自动驾驶依然是“薛定谔的安全”。美国加州有一个自动驾驶路测，路测中有一个每10万公里安全员干预次数，至今依然没有0次干预的自动驾驶技术，安全员干预的问题包括：高精度地图问题、视觉感知障碍、软件稳定性问题、感知系统问题导致紧急刹车、运动轨迹需要优化、未正确识别红绿灯、车道错误、误识别等。自动驾驶技术似乎到达了一个瓶颈。
 

　　其二，迷雾中的高精度地图。高精度地图是自动驾驶技术的标配，但当前高精度地图依然是一个高壁垒的领域，采集数据的成本很高，而随着道路的变化，高精度地图还要不断修正地图信息。即便是这些问题都解决了，政策上对一些高精度地图数据的开放是有限制的，这就使得自动驾驶车辆往往无法量产。虽然无人驾驶出租车对于高精度地图数据的要求确实有所降低，因为是在一定城市区域内运行，高精度地图企业只要采集本地高精度地图信息即可，并保证高精度地图数据及时更新，但这方面就需要政府对某块地区的高精度地图信息的完全开放。
 

　　其三，仿真路测和现实路测。在技术上，可以参考美国加州的做法，通过路测数据来发放运行许可，路测数据应该由官方确定。从理论上说，自动驾驶需要上百亿公里的路测数据才能达到安全门槛。但现实中并非如此。2021年8月，谷歌Waymo的数据里程是3600万公里，仿真里程是320亿公里。2022年7月百度的Apollo测试里程达到2700万公里，仿真里程也达到10亿公里级别。现实路测里程不足，则仿真模拟里程来凑。仿真里程说到底还是在一个虚拟环境中的驾驶数据。由于自动驾驶的核心是单车智能中的AI视觉神经网络，而深度学习神经网络是AI机器学习的一种，所以自动驾驶的发展依赖于行驶数据的积累。仿真虚拟环境还是不能替代现实路测，因为现实远比仿真环境更不可测、问题更多。
 

　　其四，测试环境和开放环境并不相同。量产的自动驾驶车辆面临的环境更加复杂，用户并非专业人士，他们不知道何时要去接管自动驾驶车辆，也不会去维护系统，保持系统的稳定性。工业上有个词汇，叫鲁棒性，指在异常和危险情况下系统生存的能力。测试往往在稳定环境中运行，而现实并不存在所谓的稳定环境。
 

　　自动驾驶技术需进一步突破政策瓶颈
 

　　随着智能网联汽车的快速发展，高阶自动驾驶距离规模化落地应用也越来越近。但当前自动驾驶汽车在我国尚无“合法身份”，自动驾驶车辆上路存在缺乏法律依据、发生交通事故权责不清等问题。自动驾驶与传统机动车最大的区别在于，汽车运行到底是人支配还是机器支配。现有的道路交通安全法、民法典中的机动车交通事故责任是以人类驾驶员的驾驶行为和驾驶过错为基础构建的，自动驾驶取代人工驾驶后，现有的责任规则很难继续适用。而且，目前以《道路交通安全法》为统领的现有法律框架是基于机动车和人类驾驶人为基础的，仅允许有资格的驾驶人驾驶机动车上路，自动驾驶系统并不具有驾驶机动车的合法地位，无法满足新技术的发展需求。
 

　　正因未得到法律法规的“许可”，现在自动驾驶车辆仅能在限定路段“试运营”，同时车内必须配备有安全员。“我国自动驾驶已进入落地关键期，技术已并跑乃至领跑全球，但我国高等级自动驾驶汽车发展仍面临诸多问题，需要进一步突破与技术、产业发展不相适应的政策瓶颈，激发自动驾驶领域创新能力。