自動(dòng)駕駛的必經(jīng)之路

汽車產(chǎn)業(yè)革命上半場(chǎng)電動(dòng)化，下半場(chǎng)智能化已是行業(yè)共識(shí)，但讓人始料未及的是，半場(chǎng)間的切換來(lái)得如此猝不及防。

由于技術(shù)復(fù)雜性、商業(yè)可行性以及監(jiān)管挑戰(zhàn)等將自動(dòng)駕駛汽車成為主流的時(shí)間一再推遲。對(duì)于什么時(shí)間、什么方式去實(shí)現(xiàn)自動(dòng)駕駛，業(yè)內(nèi)尚未統(tǒng)一觀點(diǎn)，于自動(dòng)駕駛產(chǎn)業(yè)鏈上的各家企業(yè)而言，汽車智能化仍是一個(gè)遠(yuǎn)大前程與至暗時(shí)刻并存的灰色時(shí)期。

在今天這樣一個(gè)大浪淘沙的變革時(shí)代，機(jī)遇和風(fēng)險(xiǎn)并存，一切都有可能，充滿了很多不確定性，我們來(lái)談?wù)勛詣?dòng)駕駛的必經(jīng)之路和技術(shù)陷阱。

01、感知與決策

自動(dòng)駕駛汽車能夠使用自然語(yǔ)言處理技術(shù)來(lái)閱讀路標(biāo)內(nèi)容。檢測(cè)物體（車道、行人、自行車、動(dòng)物、碎片、其他車輛等等）是更加復(fù)雜的任務(wù)。訓(xùn)練人工智能從一個(gè)角度檢測(cè)物體的成本是很高的，并且需要大量數(shù)據(jù)。人工智能實(shí)際使用的數(shù)據(jù)是物體的邊緣，前者通過(guò)訓(xùn)練來(lái)檢測(cè)各種模式，直到達(dá)到所需的準(zhǔn)確率為止。

感知算法模塊存在問(wèn)題：

• 2D圖像語(yǔ)義分割、3D目標(biāo)檢測(cè)、3D語(yǔ)義分割的精度下降

訓(xùn)練樣本數(shù)量偏少

高的標(biāo)注成本

不平衡的訓(xùn)練數(shù)據(jù)

不完整的場(chǎng)景覆蓋

• 模型不可解釋、需要大量的數(shù)據(jù)、訓(xùn)練過(guò)程不可控、魯棒性不夠

• 多傳感器融合的耦合性較高，真正異構(gòu)的多傳感器融合比較少

• 沒(méi)有全天候，全場(chǎng)景的覆蓋研究

雨天、雪天、霧天

山路、鄉(xiāng)村路、冰雪路

• 對(duì)高動(dòng)態(tài)的場(chǎng)景缺少在線驗(yàn)證的方法，無(wú)法評(píng)估正確性與穩(wěn)定性

規(guī)劃與決策存在問(wèn)題：

• 環(huán)境感知系統(tǒng)不太準(zhǔn)確，導(dǎo)致預(yù)測(cè)模塊(意圖與軌跡)結(jié)果不準(zhǔn)確，導(dǎo)致自車與目標(biāo)博弈算法失敗，使得決策系統(tǒng)更傾向于保守的規(guī)則(停車)

比如評(píng)估當(dāng)前場(chǎng)景變化莫測(cè)，系統(tǒng)很難避障，系統(tǒng)就會(huì)選擇停車

如果與后車間距又太小，就會(huì)一直等著，直到前方可通行

• 根據(jù)劃分力度的不同，會(huì)造成場(chǎng)景的數(shù)量不斷的增加

幾百萬(wàn)到幾千萬(wàn)量級(jí)都是有可能的，無(wú)法去評(píng)估

• 超低速情況也是一個(gè)主要挑戰(zhàn)

車輛設(shè)計(jì)都會(huì)有一個(gè)待速的要求，如果低于這個(gè)速度了可能會(huì)熄火，尤其是內(nèi)燃機(jī)這種車

在待速情況下很難走出預(yù)先設(shè)定的軌跡，不夠細(xì)膩，造成避障與會(huì)車的失敗

人由于在駕駛可以含著剎車，并且開(kāi)車處于不斷試探的過(guò)程，可以不斷博弈，而自動(dòng)駕駛就無(wú)法很好的cover

• 決策的倫理性和責(zé)任認(rèn)定還不成熟

根據(jù)波蘭尼悖論，某些技能（例如騎自行車、下棋和圍棋以及駕駛汽車）不適合通過(guò)指令來(lái)學(xué)習(xí)。當(dāng) AV 檢測(cè)到一個(gè)物體時(shí)，只有在你能夠預(yù)測(cè)所有可能場(chǎng)景的情況下，用來(lái)響應(yīng)這個(gè)物體的編程規(guī)則才能真正行之有效。但為所有可能的情況編寫規(guī)則太復(fù)雜了。于是自動(dòng)駕駛汽車會(huì)從經(jīng)驗(yàn)中學(xué)習(xí)如何自己做決策和導(dǎo)航。

• 一種選擇是讓 AV 學(xué)習(xí)如何通過(guò)模擬訓(xùn)練來(lái)做決策

截至 2020 年，Waymo（前身為谷歌自動(dòng)駕駛汽車項(xiàng)目，它是 Alphabet 的子公司）已經(jīng)模擬了 150 億英里的行駛里程，其中真實(shí)里程僅為 2000 萬(wàn)英里

通過(guò)模擬訓(xùn)練，自動(dòng)駕駛汽車可以獲得更多經(jīng)驗(yàn)并更好地了解它們可能遇到的各種可能場(chǎng)景

不幸的是，由于訓(xùn)練人工智能的數(shù)據(jù)與現(xiàn)實(shí)世界中的數(shù)據(jù)之間存在差異，機(jī)器學(xué)習(xí)過(guò)程無(wú)法判斷模擬訓(xùn)練中使用的哪些模型在真實(shí)世界中是行之有效的

• 另一種選擇是在政府指定的自動(dòng)駕駛汽車試驗(yàn)場(chǎng)上測(cè)試汽車

這些試驗(yàn)場(chǎng)有定制的高速公路、停車場(chǎng)、十字路口和通信網(wǎng)絡(luò)，車輛通過(guò)這些網(wǎng)絡(luò)相互“對(duì)話”并與基礎(chǔ)設(shè)施“對(duì)話”

AI 軟件、底層處理硬件和傳感器負(fù)責(zé) AV 的決策

02、數(shù)據(jù)處理和通信

今天的大多數(shù)數(shù)據(jù)處理技術(shù)都使用了馮諾依曼架構(gòu)，其中數(shù)據(jù)存儲(chǔ)器和處理器位于兩個(gè)不同的位置，發(fā)展到現(xiàn)在就是流行的云計(jì)算技術(shù)。當(dāng)攝像頭和傳感器檢測(cè)道路上的物體并生成數(shù)據(jù)時(shí)，處理器需要快速分析數(shù)據(jù)并就加速、制動(dòng)和轉(zhuǎn)向操作做出實(shí)時(shí)決策。但是這種能力會(huì)受到延遲問(wèn)題的影響。

解決延遲的一種方案是將處理和數(shù)據(jù)存儲(chǔ)轉(zhuǎn)移到更靠近需要改善響應(yīng)時(shí)間的位置。例如，邊緣計(jì)算技術(shù)將處理器放置在生成數(shù)據(jù)的位置。大多數(shù)新型人工駕駛車輛會(huì)包含 30 到 100 個(gè)電子控制單元（ECU），用于處理數(shù)據(jù)并控制車輛中的電氣系統(tǒng)。這些嵌入式系統(tǒng)（通常位于儀表板中）控制多種應(yīng)用，例如安全氣囊、轉(zhuǎn)向、制動(dòng)器等。ECU 負(fù)責(zé)處理由 AV 中的攝像頭和傳感器生成的數(shù)據(jù)，并對(duì)車輛的運(yùn)行方式做出關(guān)鍵決策。

由于通信有時(shí)會(huì)不可靠，AV 還會(huì)利用傳感器融合或冗余預(yù)防系統(tǒng)出現(xiàn)單點(diǎn)故障。例如，如果汽車的傳感器出現(xiàn)故障，它還可以依靠 GPS 技術(shù)來(lái)安全導(dǎo)航。與使用群體智能的細(xì)菌、魚類和鳥(niǎo)類類似，自動(dòng)駕駛汽車也可以通過(guò)相互通信來(lái)改善導(dǎo)航?jīng)Q策。研究人員目前正在研究霧計(jì)算方法，這種方法將服務(wù)器放置在高速公路上，以實(shí)現(xiàn)更快、更可靠的導(dǎo)航和通信數(shù)據(jù)分析。與云相比，霧更加靠近地面，這也是霧計(jì)算的名稱來(lái)源。

解決延遲的另一種方案是寄希望于存算一體化技術(shù)。存算一體技術(shù)（PIM ：Processing in-Memory）被視為人工智能創(chuàng)新的核心。它將存儲(chǔ)和計(jì)算有機(jī)結(jié)合，直接利用存儲(chǔ)單元進(jìn)行計(jì)算，極大地消除了數(shù)據(jù)搬移帶來(lái)的開(kāi)銷，解決了傳統(tǒng)芯片在運(yùn)行人工智能算法上的“存儲(chǔ)墻”與“功耗墻”問(wèn)題，可以數(shù)十倍甚至百倍地提高人工智能運(yùn)算效率，降低成本。

但從消費(fèi)級(jí)到企業(yè)級(jí)市場(chǎng)的應(yīng)用普及，可能需要十年甚至更長(zhǎng)的時(shí)間來(lái)扎實(shí)基礎(chǔ)，升級(jí)完善。當(dāng)前，存算一體化芯片研發(fā)還需要面臨可靠性和密度問(wèn)題，需要更多的技術(shù)驗(yàn)證和行業(yè)實(shí)踐應(yīng)用：

• 技術(shù)層面：存算一體芯片涉及器件-芯片-算法-應(yīng)用等多層次的跨層協(xié)同

• 細(xì)分應(yīng)用場(chǎng)景的不同性能需求決定了神經(jīng)網(wǎng)絡(luò)算法與芯片的設(shè)計(jì)，算法依賴神經(jīng)網(wǎng)絡(luò)框架、編譯、驅(qū)動(dòng)、映射等工具與芯片架構(gòu)的協(xié)同，芯片架構(gòu)又依賴器件、電路與代工廠工藝

• 器件物理原理、行為特性、集成工藝都不盡相同，需要跨層協(xié)同來(lái)實(shí)現(xiàn)性能（精度、功耗、時(shí)延等）與成本的最優(yōu)

• 產(chǎn)業(yè)生態(tài)層面：作為一種新興技術(shù)，想要得到大規(guī)模普及，離不開(kāi)產(chǎn)業(yè)生態(tài)的建設(shè)，需要得到芯片廠商、軟件工具廠商、應(yīng)用集成廠商等的大力協(xié)同、研發(fā)、推廣與應(yīng)用，實(shí)現(xiàn)性能與場(chǎng)景結(jié)合與落地

03、電池和充電系統(tǒng)

電動(dòng)交通的形式已經(jīng)越來(lái)越多樣化。并在全球可持續(xù)發(fā)展的大背景下扮演著重要角色。從電動(dòng)自行車、汽車到無(wú)人駕駛電動(dòng)汽車、Robotruck，再到自動(dòng)駕駛無(wú)人機(jī)，這些產(chǎn)品似乎都在顯露著未來(lái)的某種趨勢(shì)。

來(lái)自加拿大安大略理工大學(xué)的Williamson教授認(rèn)為，電動(dòng)交通商業(yè)化的進(jìn)一步成功，以及未來(lái)的全自動(dòng)駕駛技術(shù)，將取決于電力電子技術(shù)的進(jìn)步。

這種技術(shù)在未來(lái)幾年面臨著許多挑戰(zhàn)，特別是在電能存儲(chǔ)系統(tǒng)的控制和智能充電系統(tǒng)的發(fā)展方面。

為了讓電動(dòng)汽車（EV）大規(guī)模普及，研究人員必須設(shè)法讓電池更便宜、更輕，并增加其能提供的續(xù)航里程。大多數(shù)電池提供的續(xù)航里程約 200-260 英里，而特斯拉 Model S 的續(xù)航里程達(dá)到了 370 英里，代價(jià)是其鋰離子電池組的重量達(dá)到了 1,200 磅。因此，電動(dòng)汽車一方面要面對(duì)電池價(jià)格和重量之間的權(quán)衡，另一方面小電池還需要更頻繁的充電。

研究人員正在研究幾種替代方案。更換電池方案太昂貴且不切實(shí)際。為 EV 充電需要電纜，而對(duì)于 AV 來(lái)說(shuō)，還需要機(jī)器人或人類將電纜插入汽車和充電站。固態(tài)電池可以存儲(chǔ)更多能量、充電更快，但它們?nèi)栽陂_(kāi)發(fā)中。

研究人員還在研究更高效的電池充電方式。無(wú)線充電系統(tǒng)提供了一些優(yōu)勢(shì)。它們將減少 EV 對(duì)充電站和電池組容量的需求，這也能降低車輛的成本和重量。電能無(wú)線傳輸需要兩個(gè)電磁線圈，其中一個(gè)線圈位于地面并連接到電源，另一個(gè)線圈安裝在車輛中，與車輛的充電系統(tǒng)和電池相連。能量通過(guò)兩個(gè)線圈之間的磁場(chǎng)傳遞。該技術(shù)仍在開(kāi)發(fā)中，因?yàn)榇啪€圈之間的能量傳輸效率還不夠理想。

谷歌和高通正在開(kāi)發(fā)一種系統(tǒng)，可以在高速公路上嵌入充電線圈條，讓汽車可以在行駛時(shí)充電：

• 高通已經(jīng)證明，即使車輛以 70 英里 / 小時(shí)的速度行駛并且表面被水覆蓋，也可以在行駛中充電

• 使用這種方法時(shí)電池就用不著充電了，因?yàn)樵诼飞闲旭倳r(shí)不會(huì)消耗電池電量

• 這將消除人們對(duì) EV 續(xù)航里程的擔(dān)憂，并可能讓電力成為汽車的標(biāo)準(zhǔn)能源

• 然而，人類長(zhǎng)期暴露于弱磁場(chǎng)中時(shí)身體健康受到的影響目前尚不清楚。因此需要在這方面進(jìn)行更多的研究以確保人身安全

04、公眾接受度

人類駕駛員和自動(dòng)駕駛汽車都會(huì)遇到需要做出生死攸關(guān)決策的情況。例如，緊急情況下自動(dòng)駕駛汽車應(yīng)該轉(zhuǎn)向撞死行人，還是什么都不做，結(jié)果導(dǎo)致自己搭載的乘客死亡呢？

麻省理工學(xué)院計(jì)算機(jī)科學(xué)家 Iyad Rahwan 通過(guò)一個(gè)名為 Moral Machine 的交互式網(wǎng)站對(duì)參與者進(jìn)行了關(guān)于不同情景下道德困境的調(diào)查。該項(xiàng)目吸引了來(lái)自 233 個(gè)國(guó)家和地區(qū)的超過(guò) 200 萬(wàn)參與者，他們代表不同的宗教、國(guó)家和文化。研究發(fā)現(xiàn)。

盡管許多研究人員認(rèn)為，從長(zhǎng)遠(yuǎn)來(lái)看，由于人為錯(cuò)誤減少，自動(dòng)駕駛汽車最終會(huì)變得更安全，但 2018 年路透社 / 益普索的一項(xiàng)民意調(diào)查表明，社會(huì)還沒(méi)有準(zhǔn)備好大規(guī)模推廣自動(dòng)駕駛汽車。在不具備關(guān)于自動(dòng)駕駛汽車的經(jīng)驗(yàn)或知識(shí)的情況下，只有 27% 的受訪者（38% 的男性和 16% 的女性）表示他們會(huì)覺(jué)得乘坐無(wú)人駕駛汽車很舒服。雖然年輕的受訪者通常對(duì)自動(dòng)駕駛汽車更感興趣，但 54% 的司機(jī)認(rèn)為與它們共享道路會(huì)讓自己感到不夠安全。

監(jiān)管部門正在評(píng)估人工智能在高速公路上能有多大程度的自主決策權(quán)。SAE International 設(shè)計(jì)了一套 系統(tǒng)，將駕駛自動(dòng)化級(jí)別分為 0 到 5 級(jí)。目前，自動(dòng)駕駛汽車基本上都有學(xué)習(xí)許可證，但在允許自動(dòng)駕駛汽車在沒(méi)有輔助的情況下自主在道路上行駛之前，它們必須先獲得公眾的認(rèn)可。

自動(dòng)化水平

0 級(jí)：沒(méi)有自動(dòng)化能力。駕駛系統(tǒng)可能暫時(shí)接管車輛控制功能——例如防抱死制動(dòng)和電子穩(wěn)定控制——但不能持續(xù)控制車輛。

1 級(jí)：駕駛員輔助。具備一些輔助功能，例如自動(dòng)巡航控制和停車輔助。

2 級(jí)：部分自動(dòng)化。駕駛員需要一直監(jiān)控汽車，但在某些駕駛條件下無(wú)需手動(dòng)轉(zhuǎn)向、制動(dòng)或加速。

3 級(jí)：有條件的自動(dòng)化。車輛在大部分情況下都可以自動(dòng)駕駛，但駕駛員必須時(shí)刻保持警惕，以便根據(jù)需要接管控制權(quán)。

4 級(jí)：高度自動(dòng)化。車輛可以完全自主運(yùn)行，但這僅限于特定的道路或條件。

5 級(jí)：全自動(dòng)化。車輛可以完全自主運(yùn)行，無(wú)需任何人類駕駛員干預(yù)。

隨著 2 級(jí)自動(dòng)駕駛汽車進(jìn)入高速公路，與人類駕駛員一起行駛并獲取經(jīng)驗(yàn)，它們也偶爾會(huì)發(fā)生碰撞事故。美國(guó)國(guó)家運(yùn)輸安全委員會(huì)（NTSB）發(fā)布了兩起使用了 Autopilot 功能的特斯拉汽車遭遇的致命事故的最終報(bào)告。該機(jī)構(gòu)確定事故的主要原因與特斯拉無(wú)關(guān)，但特斯拉的自動(dòng)駕駛功能是一個(gè)事故促成因素——過(guò)度依賴自動(dòng)化導(dǎo)致駕駛員注意力不集中、反應(yīng)遲鈍。

05、算力堆不出自動(dòng)駕駛

行業(yè)需要思考一個(gè)問(wèn)題是：在“軟件定義汽車”的情況下，解決智能駕駛系統(tǒng)計(jì)算平臺(tái)的支撐問(wèn)題，是否只能通過(guò)算力堆疊來(lái)實(shí)現(xiàn)？

筆者認(rèn)為：提升硬件很重要，但不能陷入“唯算力論”的怪圈。

自動(dòng)駕駛芯片的競(jìng)爭(zhēng)壁壘在于算力利用率和可用性。算力不能說(shuō)無(wú)限增長(zhǎng)，芯片PPA（功耗、成本和面積）都是很要命的。對(duì)于車載AI芯片來(lái)說(shuō)，算力指標(biāo)重要，能效比更重要。

以英偉達(dá)的芯片為例，它GPU的功耗是最高的。Orin、Xavier的利用率基本上是30%。不同于英偉達(dá)的GPU方案，高通、mobileye、華為，包括國(guó)內(nèi)這些創(chuàng)業(yè)公司都走的是ASIC路線。ASIC芯片針對(duì)不同的神經(jīng)網(wǎng)絡(luò)模型去優(yōu)化，基本上可以做到60%~80%之間，好一點(diǎn)的可能會(huì)做到80%再高一些。

芯片算力的無(wú)限膨脹和硬件預(yù)埋不會(huì)是未來(lái)的趨勢(shì)。此外，車企面對(duì)的消費(fèi)端是不是立刻就需要那么高端的算力呢？也不見(jiàn)得。自動(dòng)駕駛算力主要是體現(xiàn)在感知層面的融合，對(duì)于L3 100~200已經(jīng)夠了，對(duì)于L4可能需要200~300，更關(guān)鍵是怎么用算力，不是說(shuō)越多越好，如果要做1000，其實(shí)是沒(méi)有必要，并且高算力背后高功耗和低利用率問(wèn)題愈發(fā)嚴(yán)重。

06、車路協(xié)同是偽命題

從技術(shù)和成本在車側(cè)和路側(cè)的分配出發(fā)，自動(dòng)駕駛的發(fā)展演化出三條技術(shù)路線：

• 以激光雷達(dá)和高精地圖為代表的“谷歌派”單車智能路線

• 以視覺(jué)感知和影子模式為代表的“特斯拉派”單車智能路線

• 在網(wǎng)聯(lián)化方面率先發(fā)力與突破的車路協(xié)同路線

不同于單車智能，車路協(xié)同更多追求車輛與周遭事物的互聯(lián)來(lái)實(shí)現(xiàn)自動(dòng)駕駛。再加上5G 概念（更快的峰值網(wǎng)絡(luò)傳送速率能讓通訊更快捷）加持，通過(guò)車路協(xié)同來(lái)實(shí)現(xiàn)自動(dòng)駕駛似乎更可期了，但現(xiàn)實(shí)似乎并非如此。

技術(shù)操作上，一個(gè)比較現(xiàn)實(shí)的問(wèn)題是，車路協(xié)同并不是所有的區(qū)域都能做，比如農(nóng)村。如果要大量鋪設(shè)支持車路協(xié)同的智能化基礎(chǔ)設(shè)施，明顯不經(jīng)濟(jì)。而且國(guó)外是否接受這種路線，并大規(guī)模鋪設(shè)相關(guān)的基礎(chǔ)設(shè)施，也存在極大的不確定性。

站在車企角度，單車智能顯然更為重要。對(duì)車廠來(lái)說(shuō)，開(kāi)發(fā)的汽車顯然不能只適用于特定區(qū)域——除非是專門研發(fā)特定用途汽車的企業(yè)，而應(yīng)該同時(shí)滿足城市、鄉(xiāng)村、國(guó)內(nèi)、國(guó)外等多個(gè)不同市場(chǎng)的需求。過(guò)于依賴車路協(xié)同，無(wú)疑是自我束縛。

此外，有很多地方即便有智慧公路，可以收集到大量數(shù)據(jù)，卻面臨數(shù)據(jù)不知道如何處理的問(wèn)題，路端傳感器如何布置也沒(méi)有形成統(tǒng)一標(biāo)準(zhǔn)：

• 比如交通信號(hào)燈，就有很多種品牌，不同的品牌有不同的協(xié)議標(biāo)準(zhǔn)，有的甚至是黑匣子不公開(kāi)標(biāo)準(zhǔn)，或者沒(méi)有標(biāo)準(zhǔn)

• 一條路上不同的傳感器在相近的時(shí)間里可能會(huì)監(jiān)測(cè)出不同結(jié)果，如何對(duì)這些差別做驗(yàn)證和取舍，也得有具體的標(biāo)準(zhǔn)

• 不同的地方政府、合作方基于自身原有的技術(shù)標(biāo)準(zhǔn)，也會(huì)有不同的要求

從商業(yè)運(yùn)營(yíng)上看車路協(xié)同是一個(gè)偽需求，商業(yè)模式走不通。一公里的改造費(fèi)用6個(gè)億人民帀，這個(gè)錢政府可以出，但是做了這條路，不能要求主機(jī)廠去裝—個(gè)2000-3000塊錢的OBU。為了所謂的車路協(xié)同，增加每個(gè)車的成本2000-3000政府的基建，要做這個(gè)路，車路協(xié)同的設(shè)備，做完了就完了，但是沒(méi)人跟。

根據(jù)《2020年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》，截至2020年末，全國(guó)公路總里程519.81萬(wàn)公里，其中四級(jí)及以上等級(jí)公路里程494.45萬(wàn)公里，二級(jí)及以上等級(jí)公路里程70.24萬(wàn)公里。國(guó)道里程37.07萬(wàn)公里，省道里程38.27萬(wàn)公里。農(nóng)村公路里程438.23萬(wàn)公里，其中縣道里程66.14萬(wàn)公里、鄉(xiāng)道里程123.85萬(wàn)公里、村道里程248.24萬(wàn)公里。

考慮到農(nóng)村公路往往限速較低、車流稀少，除交叉路口外，配置車路協(xié)同感知系統(tǒng)的必要性不大，可先只考慮二級(jí)及以上等級(jí)公路或國(guó)省干線，總里程約70萬(wàn)公里。倘若按照高速公路的標(biāo)準(zhǔn)，為之鋪設(shè)感知系統(tǒng)，考慮到彎道及隧道等特殊情況，按每100米一個(gè)點(diǎn)位配置（大部分國(guó)省干道可只設(shè)單側(cè)感知），則每公里投資約為50萬(wàn)，則全國(guó)范圍國(guó)省干道感知網(wǎng)絡(luò)建設(shè)成本約為3500億。

據(jù)一位業(yè)內(nèi)專家的經(jīng)驗(yàn)，每1公里道路，安裝路側(cè)感知設(shè)備成本在150萬(wàn)元~200萬(wàn)元之間，這還未算上數(shù)據(jù)平臺(tái)、車端設(shè)備的改造。無(wú)錫錫山區(qū)車聯(lián)網(wǎng)小鎮(zhèn)上，僅兩條道路，車路協(xié)同建設(shè)造價(jià)就過(guò)億元，這還不過(guò)是冰山一角。整個(gè)小鎮(zhèn)建設(shè)范圍涵蓋37km路網(wǎng)、63個(gè)網(wǎng)聯(lián)路口、13km公共測(cè)試道路，總投資約120億元。

與遲遲不能取得商業(yè)化進(jìn)展的Robotaxi相比，動(dòng)輒億元訂單的“造富”效應(yīng)，也讓車路協(xié)同多了一份關(guān)注度。

在全國(guó)近千公里的測(cè)試路段上，你幾乎找不到一輛連有車路協(xié)同設(shè)備的私家車。車路協(xié)同付費(fèi)方還停留在B端和G端，未曾滲透到終端用戶層面。很顯然，B端和G端不會(huì)是大頭的買單方——每公里上百萬(wàn)元的建設(shè)費(fèi)，只有攤派到每輛車上，才算得過(guò)來(lái)經(jīng)濟(jì)賬。

過(guò)去幾年，政府在路端率先邁出改造的第一步后，如果終端不愿意大規(guī)模買單，不能配合跟上建設(shè)步伐，那么政府算不來(lái)經(jīng)濟(jì)賬，勢(shì)必推不動(dòng)進(jìn)一步建設(shè)。反過(guò)來(lái)，如果沒(méi)有大規(guī)模車路協(xié)同基建設(shè)施，消費(fèi)者不會(huì)產(chǎn)生足夠剛性的需求，就不會(huì)有動(dòng)力買單。

車路協(xié)同更多的是解決路權(quán)分配的問(wèn)題，把大數(shù)據(jù)流量和車鏈接起來(lái)就可以，沒(méi)有必要做得那么復(fù)雜，重點(diǎn)還是依賴于車端。

07、寫在最后

單車智能“谷歌派”，以激光雷達(dá)為主要感知設(shè)備，采取了激光雷達(dá)、毫米波雷達(dá)、攝像頭等多傳感器融合的方案。

特斯拉利用影子模式（Shadow-Mode）訓(xùn)練與迭代其自動(dòng)駕駛算法，將已售車輛變?yōu)?ldquo;測(cè)試車輛”，不斷收集現(xiàn)有活躍車輛的真實(shí)場(chǎng)景數(shù)據(jù)，上報(bào)捕捉到的視覺(jué)信息與“稀有案例”，并基于模型對(duì)外界進(jìn)行預(yù)判。龐大的特斯拉車隊(duì)活躍在北美、歐洲和東亞，為特斯拉建立了龐大的數(shù)據(jù)庫(kù)，修正和完善了自動(dòng)駕駛算法。

純視覺(jué)方案存在部分問(wèn)題難以通過(guò)單純的算法提升而彌補(bǔ)。比如測(cè)距精度有限、對(duì)于強(qiáng)光場(chǎng)景處理難度大、視野范圍有限、攝像頭機(jī)械穩(wěn)定性差等。這些問(wèn)題使得使用包括激光雷達(dá)、攝像頭、毫米波在內(nèi)的多傳感器融合的方案更有優(yōu)勢(shì)。

未來(lái)主流自動(dòng)駕駛解決方案，筆者認(rèn)為將會(huì)融合攝像頭、激光雷達(dá)、毫米波、超聲波等多種傳感器，激光雷達(dá)的融合將會(huì)更好的應(yīng)對(duì)各種突發(fā)情況，而車路協(xié)同因?yàn)榧夹g(shù)可操作性和商業(yè)模式問(wèn)題，注定走向淘汰。

單車智能還遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)到其頂峰，在物理規(guī)則之內(nèi)，我們有理由相信沒(méi)什么是目前看起來(lái)單車智能攻克不了，而必須要通過(guò)V2X來(lái)解決。對(duì)于自動(dòng)駕駛甚至無(wú)人駕駛，車路協(xié)同是錦上添花的事情，單車智能才是必經(jīng)之路。