无人驾驶（2）：技术的“蜀道难”

【卡车之家 原创】无人驾驶是集合了感知、导航、决策等模块的系统工程，每一个模块的技术缺陷都会导致一辆无人驾驶车辆出现不可挽回的事故，可谓差之毫厘谬以千里。我们当下对无人驾驶技术的追求方兴未艾，技术进步也以日计，但是距离真正的无人驾驶技术的实现还有很长的路要走。从技术上说，感知系统、导航系统、决策系统的当前技术水平，都足以对无人驾驶的实现形成掣肘之势。

1、自动驾驶系统的极致追求

“无人驾驶”车辆，顾名思义，即在车辆行驶过程中摆脱人的劳动——包括体力劳动与脑力劳动，由构成车辆的机械、电子信息系统自行决定车辆行驶的策略选择。当然，时至今日，我们更多的是在科幻电影中见识到“无人驾驶”，现实生活中，这些车辆还只是存在于工程师们的设计图或者实验室中，或许，还存在于某些人的PPT上。

不管是工程师、还是PPT造车的人，都不会绕开“无人驾驶”的概念去理解、宣扬这个未来交通工具。而在这个概念中，绕不开的两个先行概念是“智能汽车”与“自动驾驶”。之所以将其二者称为先行概念，是因为从概念的外延来看，无人驾驶<自动驾驶<智能汽车。

先来看智能汽车的定义。根据《中国制造2025》中的表述，智能汽车是搭载先进的车载传感器、控制器、执行器等装置，融合现代通信与网络技术，实现车内网、车外网、车际网的无缝链接，具备信息共享、复杂环境感知、智能化决策、自动化协同等控制功能，可实现"高效、安全、舒适、节能"行驶的新一代汽车。

上述定义实际上提供了非常大的想象空间，几乎涵盖我们所能认知的所有相关技术。对于这个限定在智能汽车范围内的“新一代”汽车，我们可以尽情的发挥想象力，而其边界就是“汽车”——只要这个东西还能被定义为汽车。

既然已经沾上了“智能”的边界，“自动驾驶”就自然是题中应有之义了。智能与自动，似乎在人类的认知里面从来就不会分开。整个的人类科技发展史，都在追求自动化，从蒸汽机到电动机，再到世界工厂里面的机械臂。“永动机”虽然作为科技发明史上的笑话与骗局长留史册，但正是反映了人类对于这种“自动”化追求的偏执。

同样，早期的无人驾驶同样是基于对自动化的追求来设计的。1925年8月,美国陆军的电子工程师FrancisP.Houdina坐在一辆可用无线电操控前车的汽车上,操控了人类历史上第一辆有据可查的无人驾驶汽车。严格来说，这仅仅是一辆遥控汽车，一辆通过人为控制实现自动化行驶的无人驾驶汽车。这辆汽车在车尾安装信号传输天线，受到后车发出的无线电脉冲控制方向盘、离合器、制动器等部件。

如此，便形成了这样一个画面：两辆通过信号链接的汽车组合体，构成了无人驾驶汽车的最早形态。当然，这和上面那个给与了我们无限想象力的智能驾驶汽车定义云泥之别。

自动驾驶汽车属于智能汽车范畴，被定义为一种通过计算机实现自动驾驶的智能汽车。我们在这里引用国际自动机工程师学会（SAEInternational）制定的定义来更清晰的说明自动驾驶。

国际自动机工程师学会制定了SAEJ3016标准，这被看做是全球汽车业界评定自动驾驶汽车等级的通用标准。可以看出，分级制，是自动驾驶最明确的特征。这也是符合人类科技发展的进程的。

分级的标准是根据车载电脑系统在驾驶操控中代替人工驾驶的程度高低，进而将自动驾驶分为6个级别。最为重要的是，无人驾驶也被包含在自动驾驶的范畴之内，处于这个等级模型的最顶端，拥有着最为闪耀的地位。无人驾驶车辆系统对车辆具有完全的控制能力，不需要驾驶员对车辆实施控制。

2、艰难的跨越——L4到L5

不得不说明的一点是，对于“无人驾驶”汽车在自动驾驶层级中的定位，除去SAE制定的L0—L5的6级分级标准之外，也还有2013年美国国家公路交通安全管理局（NHTSA）发布的汽车自动化的5级标准。但是不同的标准都将无人驾驶放在了自动驾驶的最高等级。

SAE的定义在自动驾驶0~3级与NHTSA一致，分别强调的是无自动化、驾驶支持、部分自动化与条件下的自动化。

唯一的区别在于SAE对NHTSA的完全自动化进行了进一步细分，强调了行车对环境与道路的要求。SAE-Level4下的自动驾驶需要在特定的道路条件下进行，比如封闭的园区或者固定的行车线路等，可以说是面向特定场景下的高度自动化驾驶。SAE-Level5则对行车环境不加限制，可以自动地应对各种复杂的车辆、新人和道路环境。

我们在这里更倾向于SAE所制定的标准。

Level0：无自动化

没有任何自动驾驶功能、技术，司机对汽车所有功能拥有绝对控制权。驾驶员需要负责启动、制动、操作和观察道路状况。任何驾驶辅助技术，只要仍需要人控制汽车，都属于Level0。

所以，我们以此来看待现在车辆上已经存在的前向碰撞预警、车道偏离预警，以及自动雨刷和自动前灯控制等等所谓“智能”技术，都仍属于Level0阶段的技术，远不足以对无人驾驶构成想象力。

Level1：单一功能级的自动化

在这个级别，人类可以对控制系统少量“分权”，即驾驶员在仍然对行车安全负责的情况下，可以放弃部分控制权给系统管理，某些功能已经自动进行，比如常见的自适应巡航、应急刹车辅助和车道保持。也就是说，拥有了这些功能的汽车，已经具备了无人驾驶的某些因素。当然，人类的脑力劳动与体力劳动被省去了一部分，也仅此而已。

Level2：部分自动化。

以上阶段，人类作为驾驶过程的主导，仅仅是少量分权，那么在这一阶段，司机和汽车则可以“分享”汽车控制权，驾驶员在某些预设环境下可以不操作汽车，完全的解放双手双脚，不完全的解放大脑——驾驶员仍需要随时待命，对驾驶安全负责，并随时准备在短时间内接管汽车驾驶权。

Level2的核心不在于要有两个以上的功能，而在于驾驶员可以在某些时候不再作为主要操作者。Tesla推送的autopilot便具有了Level2的功能。

Level3：有条件自动化

Level3将解放驾驶员，即对行车安全不再负责，不必监视道路状况。即在有限情况下实现自动控制，比如在预设的路段（如高速和人流较少的城市路段），汽车自动驾驶可以完全负责整个车辆的操控，但是当遇到紧急情况，驾驶员仍需要在某些时候接管汽车，但有足够的预警时间，如即将进入修路的路段。

Level4：特定场景下的完全自动化

在这个阶段，无人驾驶可以说是基本实现，或者我们可以将之称为无人驾驶的学生阶段，即无人驾驶只能像学生一样，按照学校的规则生存，而无法在具有更为复杂规则的社会中生存。此刻的无人驾驶只能在固定的场景中运行，而无法进入到我们日常行驶的道路中行驶。

车辆在固定的场景中，通常是封闭的固定线路的园区，在无须人协助的情况下由出发地驶向目的地。仅需起点和终点信息，汽车将全程负责行车安全，并完全不依赖驾驶员干涉。

L4级别的无人驾驶可以说已经得到了商业化应用，尤其是商用车领域，例如上汽红岩“5G+L4“智能重卡在洋山港内的运营，以及无人矿卡的应用。

Level5：无人驾驶终极形态

不管是封闭园区，还是日常道路，无人驾驶汽车将行驶自如，完全摆脱环境限制，自动地应对各种复杂的车辆、新人和道路环境。

而作为曾经掌握汽车控制权的人类驾驶员，则完全放弃了自己的“权力”，人类不再需要对行驶中的汽车付出任何的脑力劳动与体力劳动，大脑与手脚获得了完全的解放。

这个场景我们或许无法完全具体的想象，毕竟，技术的进步并不以既定的路线前进，偶然性也是魅力之一。但是，我们如果在一定程度上要对终极形态的无人驾驶进行源于现实的想象，只需要回顾一下出租车乘坐体验即可——不需要你付出任何的脑体劳动，只需要告诉司机（系统）目的地，剩下的，睡觉、发呆、工作、看风景、玩手机等等都进入自由状态。

综上所述，不同级别所实现的自动驾驶功能也是逐层递增的，无人驾驶就是自动驾驶的最高级，它是自动驾驶的最终形态。

但是，就像学生从学校走向社会，面临的是完全不同的环境与规则，转变也不会在一瞬间，甚至困难重重；L4到L5级别的进阶，也将是及其艰难的跨越。这一步跨越，代表着科技的重大进步，代表着无人驾驶的全系统——感知、规划、决策系统的每一个小的技术构成模块都将发生质的改变与提升。

3、危险的跳跃：游刃有余或粉身碎骨

马克思将商品到货币的转换成为“危险的一跳”，如果跳跃成功，商品成功转化为货币，继而货币转化为资本，进入到再生产阶段；如果跳跃不成功，那么摔碎的不是商品，而是商品所有者。

同样，无人驾驶L4到L5级别的跳跃，同样充满了荆棘坎坷，危险重重，要么跳跃成功，无人驾驶汽车成为我们新一代的交通工具，极大的延伸我们的生活与生产的可能性；要么跳跃不成，那么摔碎的已经不仅仅是“无人驾驶”汽车这个商品。

从科技理论层面去讨论这一危险跳跃或许有些困难与艰涩，一方面，我们无法完全预知技术将以何种形态、何种速度发展；另一方面，无人驾驶所涉及的实在是一个庞大的系统工程，在它的三个子系统下面，又包含了感知设备、认知系统、计算平台、定位测绘、决策系统、行驶控制、执行系统和云平台等更细分的模块，这还没有考虑到5G技术支撑下的物联网技术能否提供相应的支撑，因此，要想事无巨细的看清楚这一跳跃的全过程，怕是难于上青天。

既然如此，我们不妨先从具体的应用入手，看看我们已经取得的成就，而后再讨论跳跃的事情。

国内无人驾驶商用车的典型代表为上汽红岩智能重卡，根据披露的资料，其感知系统具备多维度、多方位360度感知能力，能在前后各约250米、左右各约80米的范围内精确感知交通参与者，对行人、车辆、其他障碍物等进行精确识别；实现了精准倒车功能为代表的路径规划功能；控制精度已经允许车速达到60-80公里/小时，卡车队列行驶间距缩小到15-18米。

整体来看上汽红岩智能重卡已经达到了L3级驾驶。在不考虑成本的情况下上汽红岩智能重卡的感知系统已经达到了L4级别的要求，规划系统在部分特定场景下实现了L4级别要求。

而其应用的场景为上海洋山港。在这里，没有形形色色的交通标志、没有划分明确的机动车道与非机动车道，没有纵横交错的路口、没有穿梭的行人等等，一切都是方圆与规矩。可想而知，纵然在这里最为优秀的无人驾驶汽车，也不可能在上海的街道上行驶。纵然车辆敢走，谁敢坐呢？

而国内的乘用车无人驾驶则以百度Apollo为首。百度Apollo采用激光雷达+毫米波雷达+相机多传感器融合方案，实现360°感知，能够满足L4级要求。但其成本极高，致使整车成本破百万。规划系统已经能够实现物体识别的可视化表达，结合百度地图强大的规划功能，在北京的上路测试中实现了无人驾驶，安全员全程不操作方向盘；控制系统同样出色，乘坐过程速度变化较小，全程驾驶相当平稳。可以说百度Apollo已经相当接近L4级，但其成本过高成为了主要问题。

国外最著名的无人驾驶项目莫过于谷歌的Waymo。谷歌Waymo自动驾驶涉及货运与客运两大类，感知系统采用多传感器融合路线，以摄像头、毫米波雷达、激光雷达等多传感器融合进行位置识别、物体判定。Waymo的自动驾驶车辆行驶里程已达到981万公里，且其中的10.5万公里是完全没有人类驾驶的完全自动驾驶状态。此外，自2019年到2020年9月为止，Waymo共发生18次事故，以及29次人为干涉以避免碰撞的情况。可以看出，Waymo的技术已经接近L4级，但仍然存在一些细微问题尚待解决，距离真正的无人化还有且长的路要走。

可以看出，各路诸侯在L3—L4级别的无人驾驶技术已经相当成熟，但距离无人驾驶技术的“完成态”恐怕应了那句老话：罗马不是一天建成的。而且，最为重要的是，每一个细小的模块都必须精细设计，“百里之堤，溃于蚁穴”是大系统工程的真实写照。

4、系统工程不容半点闪失

在时速120km/h的高速公路上，感知系统的一次错误识别、规划系统的一次偏差、决策系统的一次决策延迟，都有可能导致车毁人亡——经历过疲劳驾驶的人都会被那一脚急刹车惊出一身冷汗，遑论那些因为一瞬间的愣神而车毁人亡的悲剧。

在庞大的系统工程中，我们可以挑选几个模块来考察一下无人驾驶的技术飞跃难度何在。这些核心技术模块涉及激光雷达、摄像头、计算芯片、人工智能、信息通信、大数据、车辆控制、高精地图、卫星导航等具体技术。以上又可以归类到感知设备、认知系统、决策系统、控制与执行系统中。

以感知设备为例，无人驾驶汽车需要用自己的“眼睛”和“耳朵”对其所处的环境进行判断，包括天气情况、空气状况、路面信息、交通标志、周边绿化、交通信号、周边汽车、非机动车、行人、动物，等等。无人驾驶汽车不仅需要准确识别物体的属性，还需要对这些目标的速度、方向、与自身的距离作出判断与预估，这样才能对其自身的驾驶行为作出准确且合理的决策，以便得到正确或附带最小伤害的行车指令。

无人驾驶汽车的“眼睛”和“耳朵”就是各种传感器，主要有短距离雷达（负责前后刹车）、长距离雷达（负责自动巡航控制）、视觉相机（负责盲点侦测、侧视、行车记录仪、倒车辅助）、3D相机（负责手势辨识、在场侦测、驾驶监测）、夜视相机（负责侦测行人和动物）、激光雷达（负责绘制周边环境地图）、超声波（负责停车、行人和障碍物侦测）、GPS和陀螺仪等。传感器收集的数据通过“传感器融合”技术合并在一起，以便尽可能精准地提供汽车车身周围的物理环境信息。

就目前技术看，上述传感器感知设备仍不能很好地支持无人驾驶汽车，例如，激光雷达单体造价成本高、产能有限，就其激光雷达绘制的车身周围高精3D地图而言，具有数据量巨大的特征，高精地图信息持续更新，精确到厘米级，无人驾驶汽车每天收集超过1T的数据，以现在的市场通讯成本和速度是不现实的。又如，虽然视觉感知技术成本较低，但需要极为复杂的算法和大数据技术的支撑，且受汽车周边环境影响严重。

我们假设感知设备能否满足需求，那么接下来，就需要认知系统上场了，这颇像人类的感性认识上升到抽象认识的过程。

认知系统是无人驾驶技术的重要组成部分，传感器将数据收集完毕，进行数据融合后，需要认知系统对这些数据进行物体及障碍物的分析、分类和追踪，高性能、低功耗、安全可靠的智能芯片在算法的支持下将数据转换成驾驶场景认知态势图，结合高精度融合定位，完成认知层的过程，最后将数据传递到决策系统。

当认知系统完成无人驾驶汽车所处环境的识别后，决策规划系统开始进行行为决策、路径规划、运动规划，完成无人驾驶汽车的决策过程。决策系统就像是人类的大脑。既然我们习惯于按照聪明与否将人类进行区别，那么决策系统当然也有优劣。

决策规划系统的优劣是判断无人驾驶汽车公司或专做此系统的公司是否具备行业核心竞争力的标准。决策规划首先需要进行全局规划，在特定条件下规划出一条全域无碰撞的最优路径，在此基础上再进行局部规划，即根据车辆行驶过程中的局部信息，规划路径以避免碰撞未知障碍物。

决策规划系统作为无人驾驶汽车最为核心的技术，成为无人驾驶汽车能否早日大规模商业化运用的关键因素。目前，基于专家规则和学习算法的决策规划技术均存在局限性。

而如何描述这种局限性？我们不需要将专业术语一一搬出，只需要举个例子：让一个初中生去完成量子物理的课程有多难，那么，让目前的决策系统具备的能力去完成无限制场景下的无人驾驶决策就有多难。

实际上，这个跨越所面临的还有很多，既然我们在上面已经对其困难度做了充分的估计，再列举下去，也就没有什么意义。但是，跳跃也是一个过程，有起跑、起跳、空中调资、落地等等过程组成。

“蜀道难，难于上青天”，但是人类还不是开辟了无数“蜀道”，终有天府之国。面对无人驾驶的庞大系统工程，人类也有着独特的应对之道。自从分工协作成为人类文明的标志、社会财富增长的动力之后，这种模式创造了无数的奇迹。这一传统在当下，在无人驾驶领域，当然也在延续，甚至出现了新的时代特征。

无人驾驶汽车的制造，不再是传统车企的独有行为，跨界造车从“特立独行”已经走向潮流，走向常态。这里面既有资本的逐利本能在驱使，毕竟面临是万亿级别的市场，但同时，也赋予了无人驾驶更为值得期待的未来。我们期望无人驾驶能够完成这惊险的一跳，当然，也是充满希望的一跳。

下一期，我们将解析在追逐无人驾驶汽车的时代，汽车这条产业链将如何发生质的改变。