自动驾驶落地：充满荆棘的两条路线

自动驾驶发展到今天，不管是车厂、供应商、科技公司或出行服务商都已经逐渐完善了自己的技术布局，整个行业开始向技术的试行与落地推进。

在落地的过程中，我们可以愈加清晰地看到行业当中的两条落地路线：半自动化和完全自动化。

半自动化：以人类为驾驶责任核心，自动化技术为人类提供尽可能多的辅助，且在必要的情况下，驾驶员可以接管。

完全自动化：车辆本身成为驾驶责任核心，系统负责绝大部分的驾驶规划和控制。乘客可以放飞自我。

不管是哪种路线，一套自动驾驶系统都需要解决如下几个问题：

1. 我在哪？我要去哪里？业内称之为定位

2. 目前周围的驾驶环境是什么样子的？业内称之为感知

3. 我如何从现在的位置到达我的目的地？业内称之为规划或决策

4. 我如何跟车内的人类驾驶员交互，沟通？业内称之为座舱内交互

5. 我如何和车外其它的交通元素沟通？业内称之为座舱外交互

这5个问题，两种路线所面临挑战的难易程度是有所区别的。

完全自动驾驶车：感知、定位、决策都面临巨大挑战

首先来说目前行业前沿最为关注的完全自动化，按评级来说应该是L4、L5级别。在这条路上走的比较远的一般都是科技公司，比如谷歌（Waymo）和Uber。

Waymo的自动驾驶车（图片来源：waymo.com）

此路线的核心是完全解除人类的驾驶责任，因此其会在上文五个问题中的1、2、3、5 这四个方面都面临极大的挑战。

在定位方面，完全自动驾驶需要使用完整的高精度地图来实现厘米级定位，这不但需要地图供应商能够解决高精度地图的地域覆盖以及实时更新，还需要车辆有能力存储足够大数据量的本地地图，并可以实现告诉的在线更新。

且为了实现这样的定位精度，车上也必须搭载高精确度的激光雷达，这就意味着整个传感器系统（包括摄像头，毫米波雷达、激光雷达以及超声波雷达等）融合时所产生的数据量是非常庞大的。而处理这些数据则需要有强大算力的芯片支持，这会对芯片本身的架构设计、功耗和温控等都提出重大的挑战。

Velodyne 64线激光雷达（图片来源：velodynelidar.com）

不管是高精度激光雷达还是高算力芯片，目前都无法实现车规级的大批量生产，因此现在大部分完全自动驾驶的原型车都是经过小批量改装完成的。只能够满足某些规定场景中试行的出行服务运营，无法大批量投入市场。

更关键的是，即便是这些原型车满足了硬件需求，其还要在软件层面解决更复杂的问题3和5。因为一旦全自动驾驶车辆进入到实际交通系统中，那它就必须要面临一个问题——如何与人类控制的交通元素共存？

这些元素包括车辆、自行车、行人、各种有地域特色的异形交通工具等等。他们在交通系统中完全是依靠着人脑强大的实时决策能力进行博弈、沟通与判断的。全自动驾驶车辆想要融入这个体系就需要有像人一样的驾驶决策，否则就只能像人工智障一样在道路上任人宰割，破坏正常的交通秩序。

如何解决？都说用人工智能，但是开车不是下围棋——在路上驾驶者要分析的对手远不止一个，周围的交通元素都将成为博弈对象。由于实际道路上的罕见交通场景太多，单纯通过收集实际驾驶数据来训练和验证算法几乎是一件不可完成的任务。

所以我们会看到，目前试运营的一些完全自动驾驶车车辆多选择交通环境十分理想的实际道路（例如硅谷的Mountain View，那里的人开车都相当守规矩），并且还会在车外设置显示屏，专门用来向道路上的其它参与者发出信号，表明自己自动驾驶车的身份以及下一步的驾驶决策。如果是国内一线城市内这样拥堵复杂的交通环境，目前的技术还是无法应对。

Drive.ai的自动驾驶车，车外装有显示屏（图片来源：CNET）

唯一比较好应付的就是第4点车内交互，因为对完全自动驾驶来说，车内交互主要就提供给乘客一些车内控制和娱乐功能就可以了。并不会和整个行驶系统有直接的联系。

半自动驾驶：如何解决机器与人的交互问题？

转过来再看半自动驾驶，也就是业内普遍定义的L2-L3级别驾驶辅助。这是众多汽车OEM普遍都在走的路线。原因也显而易见：车厂的产品面向大众消费市场，需要覆盖多个国家和众多交通场景，不可能设置一个只适用于某个小块限定区域内的自动驾驶功能。此外半自动驾驶系统在整体成本上也会更加可控，车规级量产也更加容易。

奥迪新A8所搭载的L3自动驾驶系统（图片来源：greencarcongress.com）

从功能性上来讲，半自动驾驶毕竟只是驾驶辅助，整套系统还是要依靠人类驾驶员来提供最终冗余。不过现在一些车厂已经在逐渐解锁驾驶辅助功能的限制，比如凯迪拉克的Super Cruise功能开启后可以让驾驶员在高速路上放开双手，由系统接管驾驶任务。

由于人类驾驶员仍然占据主导地位，因此在我们之前提到的五个问题中，半自动路线相较于全自动路线在1、2、3、5这四点上都将容易的多。在定位和传感器方面，可以使用以摄像头为核心的传感器融合方案，并可通过摄像头和毫米波雷达捕捉到的“路书”信息来辅助定位，降低系统对高精度地图的依赖性。

Mobileye的路书技术REM（图片来源：mobileye.com）

这意味着整套系统并不是一定要搭载高精度的激光雷达，而是可以通过搭载低精度车规级激光雷达来为其余传感器提供冗余的方式来保证整套系统的安全性。例如奥迪的新A8的L3功能就搭载了法雷奥的4线激光雷达（完全自动驾驶一般至少需要64线）。核心传感器从激光雷达转向摄像头也将减小数据量，这也会减轻计算芯片的压力。

A8搭载的Valeo激光雷达Scala（图片来源：valeo.com）

在规划方面，难度也会有所下降，因为一旦系统遇到自己无法应对的情况，就可以直接要求人类驾驶员来接管控制权，而自己退居二线，默默扮演护航者的角色。并且在于其他交通元素沟通时，也可以依靠人类驾驶员来主导，不需要机器自主承担太多。

真正的难点出在第4点车内人机交互上。因为他要解决一个关键问题：驾驶员监控。虽然目前部分L2-L3系统已经能够在特定场景中完全控制车辆，但系统还是需要驾驶员将注意力保持在道路前方，以便于在遇到特殊情况时接管驾驶权。这就给人机交互带来了很大的难点：如何保持驾驶员的注意力？以及在必要时能够让驾驶员及时接管？

凯迪拉克Super Cruise系统的车内交互（图片来源：cadillac.com）

现在车厂使用的方法包括座椅震动，仪表盘提示，方向盘警示灯等等。但是这些提醒方式还是有一定风险，因此还会在车内加上传感器来检测驾驶员的注意力。总之，要想保证安全就要尽力无死角的监测驾驶员的状态。

可以看到半自动和全自动两条路线都有着各自的难点，前者可以覆盖绝大部分驾驶场景，但只能实现部分自动驾驶功能，后者可实现全部自动驾驶功能，但只能覆盖小范围的地域。两条路线孰优孰劣，其实很难宏观的下定义，而是需要将前面的5个问题拆开具体来分析。不过可以肯定的是，最终两条路线会殊途同归，达成L5完全自动驾驶的共同目标。

关于作者：

Mark，GeekCar 汽车科技媒体COO，关注自动驾驶行业趋势及价值链。

注：如需转载，请注明转载自www.2025AD.cn网站；如欲投稿，您可以访问首页申请成为2025AD网站特约撰稿人。