自動駕駛就是個局？無人駕駛離我們有多遠？

除了新能源和車聯網，自動駕駛在國內車圈應該也是一個非常熱門的話題。但是，在主機廠，我們不會稱之為自動駕駛，而簡單地稱之為“ADAS”。不僅造車新勢力，一些互聯網公司也在斥巨資開發ADAS，那么真正的自動駕駛離我們還有多遠呢？未來造車的新勢力能開發出沒有方向盤的汽車嗎？什么是ADAS？ADAS的英文全名是Advanced Driver Assistance Systems。從字面上看，ADAS并不是我們理想的“自動駕駛”，它的字面意思應該是駕駛員輔助系統。根據北美標準，ADAS從Level1到Level5分為五個級別，可能要到未來的Level5，我們才能實現理想的無方向盤無人駕駛。

美國汽車工程師協會ADAS標準。目前，擁有我們在市場上能買到的最先進ADAS系統的特斯拉只能達到2級。新一代奧迪A8聲稱能夠達到3級。然而，在當前的量產版本中，制造商僅聲稱其配備了具有3級功能的硬件配置，但尚未啟用軟件功能。該軟件仍在研發迭代中，需要等到后續成熟完善后才能對車輛進行升級。

豐田的e-Palette目前還處于概念階段。盡管豐田對未來進行了美好的思考，但要真正實現這一點還有很長的路要走。自動駕駛的剛性門檻機器學習的數字積累要了解ADAS的開發過程和方法，我們必須大致了解Ai人工智能的以下算法原理。雖然人工智能聽起來很高大上，但事實上，作為文科生的代表，“羅輯思維”在2018年除夕演講中用最流行的語言解釋了人工智能的實現原理：人工智能實際上是用計算機算法模擬人類的思維方式，通過機器學習（就像人類從嬰兒時期起就不斷接受來自外部世界的各種事物并做出自己的判斷一樣），機器的判斷能力不斷提高。過程中可能會出現錯誤，但經過大量的數據積累（也稱為訓練），機器所能做出的判斷在理論上可以接近或達到人類的水平。因此，利用人工智能開發自動駕駛汽車可以讓過去的不可能成為可能。很多人認為自動駕駛的核心在于人工智能的算法邏輯。事實上，人工智能最大的特點是算法沒有那么重要。重要的是機器學習的數量。機器學習的數量越多，判斷的準確性就越高。因此，各大汽車制造商或互聯網公司開發ADAS的核心是做大量的機器學習。這種機器學習可以在測試場（封閉道路條件下）進行，也可以直接在高速公路上進行。當然，后者的效果最好，但也有一定的風險。這也是為什么百度的Apollo計劃很早就提出了一個免費的開發平臺，供原始設備制造商使用，目的是進行更多的機器學習。自動駕駛的硬件門檻昂貴的硬件要求許多人都知道，要實現更高水平的ADAS，車輛需要配備大量傳感器，例如多個毫米波雷達、多個高精度攝像頭甚至激光雷達。這些傳感器將生成大量數據。除了處理毫米波雷達生成的距離數據和攝像頭發送的圖像數據外，計算機還可以實時掃描車輛的360度場景，并實時生成3D數字模型。你可以想象這樣的數據有多少。這些數據需要經過計算機處理，以判斷并產生伺服信號，從而實時控制車輛。

目前，激光雷達生成的實時三維建模，單個激光雷達的成本高達數千至數萬美元。除了這些昂貴的傳感設備之外，還需要在服務器中進行足夠的冗余設計。例如，當計算機可以直接控制轉向系統來控制t……

車輛，一旦原始轉向系統出現故障，必須提供冗余的轉向硬件以便立即操作。制動系統也是如此。例如，在博世的iBooster系統和大陸集團的MKII的正常制動系統出現故障后，ESP可以暫時取代原有的制動系統來完成必要的制動，并且這兩個系統必須獨立設計。

具有足夠冗余設計的制動系統。到目前為止進展如何？全自動駕駛離我們有多遠？如果硬件配置能夠以一定的成本解決，那么目前自動駕駛最大的障礙就是軟件的成熟。開過特斯拉的朋友一定體驗過特斯拉ADAS的高級功能。當城市出現交通堵塞時，它可以完全實現油門制動器的自動控制，并實現自動跟車功能；在高速行駛時，它還可以自動保持車道，并自動保持與前車的距離；

即使是駕駛員也只需要觸發轉向燈，就可以實現自動變道和超車。如果你親身體驗過特斯拉的這些功能，那么自動駕駛似乎離我們很近。當我與開發ADAS的工程師和技術人員交流時，我曾提出一個假設：由于特斯拉已經實現了自動變道和超車，如果我們想實現ADAS性能領先，為什么我們不能進一步讓它自動識別并進入坡道？工程師對我的回答是：這太難了。事實上，要實現用戶這種看似自然的需求，意味著除了足夠的硬件冗余和足夠的機器學習外，車輛應該能夠實現V2X通信（車輛與基礎設施之間的通信），并需要高精度的地圖支持。前兩者可以用金錢和時間來實現，但后兩者不能僅靠OEM來實現。

V2X技術場景演示：車對車通信和車對路設施通信。

高精度地圖可以精確到每輛車、每一個路標、紅綠燈、匝道信息等，精度為毫米。全自動駕駛離我們有多遠？如果我們真的了解自動駕駛的原理和機制以及這個行業的發展現狀，我只能說離我們還很遠，現在各大主機廠都在盡力實現L3的突破，但即使實現了L3，也不是真正的自動駕駛，而是在某些特定條件下可以完全無人駕駛。當然，這種特殊的條件非常苛刻，例如，當交通堵塞或高速巡航時。此外，大多數使用場景仍然需要人來控制。現在各大主機廠之所以能大放異彩，無非是為了展示自己的科技實力，獲得資本市場和地方政府在資源上的支持。我曾與麻省理工學院開發人工智能的專家談論過人工智能目前的瓶頸是什么。答案是，主要的瓶頸是我們當前計算機的計算能力。科學家們從理論上驗證了人工智能的潛力。只要有巨大的計算能力，人工智能就可以完全取代人，但這種巨大的計算力目前可能無法通過人類技術實現。因此，真正的自動駕駛離我們還很遙遠，因為它除了計算能力之外，還包括基礎設施的支持（V2X通信）、傳感器（激光雷達）和伺服機構的成本（冗余設計）等，并且需要很長時間才能商業化。除了新能源和車聯網，自動駕駛在國內車圈應該也是一個非常熱門的話題。但是，在主機廠，我們不會稱之為自動駕駛，而簡單地稱之為“ADAS”。不僅造車新勢力，一些互聯網公司也在斥巨資開發ADAS，那么真正的自動駕駛離我們還有多遠呢？未來造車的新勢力能開發出沒有方向盤的汽車嗎？什么是ADAS？ADAS的英文全名是Advanced Driver Assistance Systems。從字面上看，ADAS并不是我們理想的“自動駕駛”，它的字面意思應該是駕駛員輔助系統。根據北美標準，ADAS從Level1到Level5分為五個級別，可能要到未來的Level5，我們才能實現理想的無方向盤無人駕駛。

美國汽車工程師協會ADAS標準。目前，擁有我們在市場上能買到的最先進ADAS系統的特斯拉只能達到2級。新一代奧迪A8聲稱能夠達到3級。然而，在當前的量產版本中，制造商僅聲稱其配備了具有3級功能的硬件配置，但尚未啟用軟件功能。該軟件仍在研發迭代中，需要等到后續成熟完善后才能對車輛進行升級。

豐田的e-Palette目前還處于概念階段。盡管豐田對未來進行了美好的思考，但要真正實現這一點還有很長的路要走。自動駕駛的硬性門檻數字……

機器學習的積累要了解ADAS的開發過程和方法，我們必須大致了解Ai人工智能的以下算法原理。雖然人工智能聽起來很高大上，但事實上，作為文科生的代表，“羅輯思維”在2018年除夕演講中用最流行的語言解釋了人工智能的實現原理：人工智能實際上是用計算機算法模擬人類的思維方式，通過機器學習（就像人類從嬰兒時期起就不斷接受來自外部世界的各種事物并做出自己的判斷一樣），機器的判斷能力不斷提高。過程中可能會出現錯誤，但經過大量的數據積累（也稱為訓練），機器所能做出的判斷在理論上可以接近或達到人類的水平。因此，利用人工智能開發自動駕駛汽車可以讓過去的不可能成為可能。很多人認為自動駕駛的核心在于人工智能的算法邏輯。事實上，人工智能最大的特點是算法沒有那么重要。重要的是機器學習的數量。機器學習的數量越多，判斷的準確性就越高。因此，各大汽車制造商或互聯網公司開發ADAS的核心是做大量的機器學習。這種機器學習可以在測試場（封閉道路條件下）進行，也可以直接在高速公路上進行。當然，后者的效果最好，但也有一定的風險。這也是為什么百度的Apollo計劃很早就提出了一個免費的開發平臺，供原始設備制造商使用，目的是進行更多的機器學習。自動駕駛的硬件門檻昂貴的硬件要求許多人都知道，要實現更高水平的ADAS，車輛需要配備大量傳感器，例如多個毫米波雷達、多個高精度攝像頭甚至激光雷達。這些傳感器將生成大量數據。除了處理毫米波雷達生成的距離數據和攝像頭發送的圖像數據外，計算機還可以實時掃描車輛的360度場景，并實時生成3D數字模型。你可以想象這樣的數據有多少。這些數據需要經過計算機處理，以判斷并產生伺服信號，從而實時控制車輛。

目前，激光雷達生成的實時三維建模，單個激光雷達的成本高達數千至數萬美元。除了這些昂貴的傳感設備之外，還需要在服務器中進行足夠的冗余設計。例如，當計算機可以直接控制轉向系統來控制車輛時，一旦原始轉向系統出現故障，必須有冗余的轉向硬件可供立即操作。制動系統也是如此。例如，在博世的iBooster系統和大陸集團的MKII的正常制動系統出現故障后，ESP可以暫時取代原有的制動系統來完成必要的制動，并且這兩個系統必須獨立設計。

具有足夠冗余設計的制動系統。到目前為止進展如何？全自動駕駛離我們有多遠？如果硬件配置能夠以一定的成本解決，那么目前自動駕駛最大的障礙就是軟件的成熟。開過特斯拉的朋友一定體驗過特斯拉ADAS的高級功能。當城市出現交通堵塞時，它可以完全實現油門制動器的自動控制，并實現自動跟車功能；在高速行駛時，它還可以自動保持車道，并自動保持與前車的距離；

即使是駕駛員也只需要觸發轉向燈，就可以實現自動變道和超車。如果你親身體驗過特斯拉的這些功能，那么自動駕駛似乎離我們很近。當我與開發ADAS的工程師和技術人員交流時，我曾提出一個假設：由于特斯拉已經實現了自動變道和超車，如果我們想實現ADAS性能領先，為什么我們不能進一步讓它自動識別并進入坡道？工程師對我的回答是：這太難了。事實上，要實現用戶這種看似自然的需求，意味著除了足夠的硬件冗余和足夠的機器學習外，車輛應該能夠實現V2X通信（車輛與基礎設施之間的通信），并需要高精度的地圖支持。前兩者可以用金錢和時間來實現，但后兩者不能僅靠OEM來實現。

V2X技術場景演示：車對車通信和車對路設施通信。

高精度地圖可以精確到每輛車、每一個路標、紅綠燈、匝道信息等，精度為毫米。全自動駕駛離我們有多遠？如果我們真的了解自動駕駛的原理和機制以及這個行業的發展現狀，我只能說離我們還很遠，現在各大主機廠都在盡力實現L3的突破，但即使實現了L3，也不是真正的自動駕駛，而是在某些特定條件下可以完全無人駕駛。當然，這種特殊的條件非常苛刻，例如，當交通堵塞或高速巡航時。此外，大多數使用場景仍然需要人來控制。現在各大主機廠之所以能大放異彩，無非是為了展示自己的科技實力，獲得資本市場和地方政府在資源上的支持。我曾與麻省理工學院開發人工智能的專家談論過人工智能目前的瓶頸是什么。答案是，主要的瓶頸是我們當前計算機的計算能力。科學家們從理論上驗證了人工智能的潛力。只要有巨大的計算能力，人工智能就可以完全取代人，但這種巨大的計算力目前可能無法通過人類技術實現。因此，真正的自動駕駛離我們還很遙遠，因為它除了計算能力之外，還包括基礎設施的支持（V2X通信）、傳感器（激光雷達）和伺服機構的成本（冗余設計）等，并且需要很長時間才能商業化。

標簽：特斯拉豐田奧迪奧迪A8

汽車資訊熱門資訊