自動駕駛就是個騙局？無人駕駛離我們有多遠？

最新 07-26

自動駕駛及人工駕駛的研發門檻有多高，實現時間還有多久？暢想之餘，來看看我們真實的距離吧。

現在國內汽車圈最火的除了新能源和車聯網以外，自動駕駛應該也是一個非常熱門的話題。

不過在主機廠，我們不會稱之為自動駕駛，而是會簡稱為「ADAS」。不僅僅是造車新勢力，還有一些互聯網公司也在花重金研發者ADAS，那麼真正的自動駕駛離我們還有多遠？未來造車新勢力能夠研發出沒有方向盤的汽車來嗎？

什麼是ADAS？

ADAS英文全稱是Advanced DriverAssistance Systems。從字面上就可以看出，ADAS並不是我們所理想的「自動駕駛」，直譯過來應該是駕駛員輔助系統的意思。按照北美標準，把ADAS從Level1到Level5分成了5級，可能未來要到Level5才能實現我們理想狀態中的、沒有方向盤的全無人駕駛。

美國SAE（汽車工程師協會）為ADAS定下的標準。

目前市面上，我們能買到的擁有最先進ADAS系統的特斯拉，也只能將將做到Level 2的級別。

新一代的奧迪A8號稱可以做到Level 3 ，不過目前量產的版本，廠方只是宣稱配備了具備Level 3功能的硬體配置，並沒有開通軟體功能，而軟體還在研發迭代中，需要等到後續成熟完善後再給車輛升級。

豐田的e-Palette目前也只停留在概念階段，雖然豐田給出了對未來的美好思考，但實際實現還有很長的路要走。

自動駕駛的剛性門檻——機器學習的數量積累

要了解ADAS的開發過程和方法，就要大概了解以下Ai人工智慧的演算法原理。雖然Ai聽起來很高大上，其實作為文科生代表的「羅輯思維」，在2018跨年演講上就用最通俗的語言解釋了Ai的實現原理：Ai實際上是用電腦演算法模擬了人類的思維方式，通過機器學習（就好比人類從嬰兒階段就開始不斷接受外界各種事物，行成自己的判斷）讓機器的判斷力不斷的進步。過程中可能會犯錯，但經過大量的數據積累（也叫訓練），機器能做出的判斷，理論上可以接近或達到人類的水平。所以，用Ai人工智慧的方式開發自動駕駛汽車就可以把過去的不可能變成可能。

很多人覺得自動駕駛的核心在於Ai的演算法邏輯。其實不然，人工智慧最大的特點就是演算法顯得並不那麼重要，重要的是機器學習的量有多少。機器學習的量越大，能夠做出判斷的準確率就越高。

所以各大車廠或互聯網公司開發ADAS的核心在於要做大量的機器學習。這種機器學習既可在測試場（封閉道路條件下）進行，也可直接在公路上進行，當然，後者的效果最好，但存在一定的風險性。這也是為什麼百度的阿波羅計劃很早就提出免費開發平台給主機廠使用，其目的就是為了更多的進行機器學習。

自動駕駛的硬體門檻——成本高昂的硬體需求

很多人都知道，要想實現更高級別的ADAS就需要給車輛配備非常多的感測器，諸如：多個毫米波雷達、多個高精度攝像頭甚至激光雷達。這些感測器會產生大量的數據，電腦除了需要處理毫米波雷達產生的距離數據、攝像頭傳來的圖像數據以外，激光雷達可以實時掃描車輛360度的景物並實時生成3D數模，可以想像這樣的數據量有多大。而這些數據都需要通過計算機來處理，判斷並且實時生成伺服信號控制車輛。

GIF

激光雷達實時生成的3D建模，目前單個激光雷達的成本高達數千至數萬美元。

除了這些價格高昂的感測設備，在私服機構上還需要足夠的冗餘設計。比如當電腦可以直接控制轉向系統操控車輛之後，原有的轉向系統一旦發生故障，必須有冗餘的轉向硬體可以馬上投入工作。

制動系統也是同樣的道理，如BOSCH的iBooster系統、Continental的MKII在正常的剎車系統失效後，ESP可臨時取代原有剎車系統完成必須的制動，而這兩個系統都必須獨立設計。

擁有足夠冗餘設計的剎車系統。

目前進展到什麼樣了？完全自動駕駛離我們有多遠？

如果說硬體配置可以花錢花成本解決的話，目前自動駕駛最大的障礙就是軟體的成熟度了。開過特斯拉的朋友肯定體會過特斯拉ADAS的先進之處。在城市堵車時，它可以完全實現油門剎車的自動控制，實現自動跟車功能；在高速上也可以自動保持車道、自動與前車保持車距；甚至駕駛者只需要觸發轉向燈，它就能實現自動變道和自動超車。

如果親身體驗過特斯拉的這些功能，似乎會覺得自動駕駛已經離我們很近了。我在和開發ADAS的工程技術人員溝通需求的時候，曾經提出過一個假設：既然特斯拉已經實現了自動變線和自動超車，我們如果要實現ADAS性能Leading的話，為什麼不能再進一步讓它能夠自動識別和進入匝道？工程師給我的回復是：這個太難了。

的確，要實現這個用戶看似順理成章的需求，意味著除了要有足夠多的硬體冗餘，足夠多的機器學習以外，車輛還要能夠實現V2X通信（車輛與基礎設施的通信），還需要有高精度地圖支持。前兩者可能花錢和時間可以實現，但後兩者不是主機廠靠一己之力可以做到的。