自动驾驶就是个局？无人驾驶离我们有多远？

除了新能源和车联网，自动驾驶在国内车圈应该也是一个非常热门的话题。但是，在主机厂，我们不会称之为自动驾驶，而简单地称之为“ADAS”。不仅造车新势力，一些互联网公司也在斥巨资开发ADAS，那么真正的自动驾驶离我们还有多远呢？未来造车的新势力能开发出没有方向盘的汽车吗？什么是ADAS？ADAS的英文全名是Advanced Driver Assistance Systems。从字面上看，ADAS并不是我们理想的“自动驾驶”，它的字面意思应该是驾驶员辅助系统。根据北美标准，ADAS从Level1到Level5分为五个级别，可能要到未来的Level5，我们才能实现理想的无方向盘无人驾驶。

美国汽车工程师协会ADAS标准。目前，拥有我们在市场上能买到的最先进ADAS系统的特斯拉只能达到2级。新一代奥迪A8声称能够达到3级。然而，在当前的量产版本中，制造商仅声称其配备了具有3级功能的硬件配置，但尚未启用软件功能。该软件仍在研发迭代中，需要等到后续成熟完善后才能对车辆进行升级。

丰田的e-Palette目前还处于概念阶段。尽管丰田对未来进行了美好的思考，但要真正实现这一点还有很长的路要走。自动驾驶的刚性门槛机器学习的数字积累要了解ADAS的开发过程和方法，我们必须大致了解Ai人工智能的以下算法原理。虽然人工智能听起来很高大上，但事实上，作为文科生的代表，“罗辑思维”在2018年除夕演讲中用最流行的语言解释了人工智能的实现原理：人工智能实际上是用计算机算法模拟人类的思维方式，通过机器学习（就像人类从婴儿时期起就不断接受来自外部世界的各种事物并做出自己的判断一样），机器的判断能力不断提高。过程中可能会出现错误，但经过大量的数据积累（也称为训练），机器所能做出的判断在理论上可以接近或达到人类的水平。因此，利用人工智能开发自动驾驶汽车可以让过去的不可能成为可能。很多人认为自动驾驶的核心在于人工智能的算法逻辑。事实上，人工智能最大的特点是算法没有那么重要。重要的是机器学习的数量。机器学习的数量越多，判断的准确性就越高。因此，各大汽车制造商或互联网公司开发ADAS的核心是做大量的机器学习。这种机器学习可以在测试场（封闭道路条件下）进行，也可以直接在高速公路上进行。当然，后者的效果最好，但也有一定的风险。这也是为什么百度的Apollo计划很早就提出了一个免费的开发平台，供原始设备制造商使用，目的是进行更多的机器学习。自动驾驶的硬件门槛昂贵的硬件要求许多人都知道，要实现更高水平的ADAS，车辆需要配备大量传感器，例如多个毫米波雷达、多个高精度摄像头甚至激光雷达。这些传感器将生成大量数据。除了处理毫米波雷达生成的距离数据和摄像头发送的图像数据外，计算机还可以实时扫描车辆的360度场景，并实时生成3D数字模型。你可以想象这样的数据有多少。这些数据需要经过计算机处理，以判断并产生伺服信号，从而实时控制车辆。

目前，激光雷达生成的实时三维建模，单个激光雷达的成本高达数千至数万美元。除了这些昂贵的传感设备之外，还需要在服务器中进行足够的冗余设计。例如，当计算机可以直接控制转向系统来控制t……

车辆，一旦原始转向系统出现故障，必须提供冗余的转向硬件以便立即操作。制动系统也是如此。例如，在博世的iBooster系统和大陆集团的MKII的正常制动系统出现故障后，ESP可以暂时取代原有的制动系统来完成必要的制动，并且这两个系统必须独立设计。

具有足够冗余设计的制动系统。到目前为止进展如何？全自动驾驶离我们有多远？如果硬件配置能够以一定的成本解决，那么目前自动驾驶最大的障碍就是软件的成熟。开过特斯拉的朋友一定体验过特斯拉ADAS的高级功能。当城市出现交通堵塞时，它可以完全实现油门制动器的自动控制，并实现自动跟车功能；在高速行驶时，它还可以自动保持车道，并自动保持与前车的距离；

即使是驾驶员也只需要触发转向灯，就可以实现自动变道和超车。如果你亲身体验过特斯拉的这些功能，那么自动驾驶似乎离我们很近。当我与开发ADAS的工程师和技术人员交流时，我曾提出一个假设：由于特斯拉已经实现了自动变道和超车，如果我们想实现ADAS性能领先，为什么我们不能进一步让它自动识别并进入坡道？工程师对我的回答是：这太难了。事实上，要实现用户这种看似自然的需求，意味着除了足够的硬件冗余和足够的机器学习外，车辆应该能够实现V2X通信（车辆与基础设施之间的通信），并需要高精度的地图支持。前两者可以用金钱和时间来实现，但后两者不能仅靠OEM来实现。

V2X技术场景演示：车对车通信和车对路设施通信。

高精度地图可以精确到每辆车、每一个路标、红绿灯、匝道信息等，精度为毫米。全自动驾驶离我们有多远？如果我们真的了解自动驾驶的原理和机制以及这个行业的发展现状，我只能说离我们还很远，现在各大主机厂都在尽力实现L3的突破，但即使实现了L3，也不是真正的自动驾驶，而是在某些特定条件下可以完全无人驾驶。当然，这种特殊的条件非常苛刻，例如，当交通堵塞或高速巡航时。此外，大多数使用场景仍然需要人来控制。现在各大主机厂之所以能大放异彩，无非是为了展示自己的科技实力，获得资本市场和地方政府在资源上的支持。我曾与麻省理工学院开发人工智能的专家谈论过人工智能目前的瓶颈是什么。答案是，主要的瓶颈是我们当前计算机的计算能力。科学家们从理论上验证了人工智能的潜力。只要有巨大的计算能力，人工智能就可以完全取代人，但这种巨大的计算力目前可能无法通过人类技术实现。因此，真正的自动驾驶离我们还很遥远，因为它除了计算能力之外，还包括基础设施的支持（V2X通信）、传感器（激光雷达）和伺服机构的成本（冗余设计）等，并且需要很长时间才能商业化。除了新能源和车联网，自动驾驶在国内车圈应该也是一个非常热门的话题。但是，在主机厂，我们不会称之为自动驾驶，而简单地称之为“ADAS”。不仅造车新势力，一些互联网公司也在斥巨资开发ADAS，那么真正的自动驾驶离我们还有多远呢？未来造车的新势力能开发出没有方向盘的汽车吗？什么是ADAS？ADAS的英文全名是Advanced Driver Assistance Systems。从字面上看，ADAS并不是我们理想的“自动驾驶”，它的字面意思应该是驾驶员辅助系统。根据北美标准，ADAS从Level1到Level5分为五个级别，可能要到未来的Level5，我们才能实现理想的无方向盘无人驾驶。

美国汽车工程师协会ADAS标准。目前，拥有我们在市场上能买到的最先进ADAS系统的特斯拉只能达到2级。新一代奥迪A8声称能够达到3级。然而，在当前的量产版本中，制造商仅声称其配备了具有3级功能的硬件配置，但尚未启用软件功能。该软件仍在研发迭代中，需要等到后续成熟完善后才能对车辆进行升级。

丰田的e-Palette目前还处于概念阶段。尽管丰田对未来进行了美好的思考，但要真正实现这一点还有很长的路要走。自动驾驶的硬性门槛数字……

机器学习的积累要了解ADAS的开发过程和方法，我们必须大致了解Ai人工智能的以下算法原理。虽然人工智能听起来很高大上，但事实上，作为文科生的代表，“罗辑思维”在2018年除夕演讲中用最流行的语言解释了人工智能的实现原理：人工智能实际上是用计算机算法模拟人类的思维方式，通过机器学习（就像人类从婴儿时期起就不断接受来自外部世界的各种事物并做出自己的判断一样），机器的判断能力不断提高。过程中可能会出现错误，但经过大量的数据积累（也称为训练），机器所能做出的判断在理论上可以接近或达到人类的水平。因此，利用人工智能开发自动驾驶汽车可以让过去的不可能成为可能。很多人认为自动驾驶的核心在于人工智能的算法逻辑。事实上，人工智能最大的特点是算法没有那么重要。重要的是机器学习的数量。机器学习的数量越多，判断的准确性就越高。因此，各大汽车制造商或互联网公司开发ADAS的核心是做大量的机器学习。这种机器学习可以在测试场（封闭道路条件下）进行，也可以直接在高速公路上进行。当然，后者的效果最好，但也有一定的风险。这也是为什么百度的Apollo计划很早就提出了一个免费的开发平台，供原始设备制造商使用，目的是进行更多的机器学习。自动驾驶的硬件门槛昂贵的硬件要求许多人都知道，要实现更高水平的ADAS，车辆需要配备大量传感器，例如多个毫米波雷达、多个高精度摄像头甚至激光雷达。这些传感器将生成大量数据。除了处理毫米波雷达生成的距离数据和摄像头发送的图像数据外，计算机还可以实时扫描车辆的360度场景，并实时生成3D数字模型。你可以想象这样的数据有多少。这些数据需要经过计算机处理，以判断并产生伺服信号，从而实时控制车辆。

目前，激光雷达生成的实时三维建模，单个激光雷达的成本高达数千至数万美元。除了这些昂贵的传感设备之外，还需要在服务器中进行足够的冗余设计。例如，当计算机可以直接控制转向系统来控制车辆时，一旦原始转向系统出现故障，必须有冗余的转向硬件可供立即操作。制动系统也是如此。例如，在博世的iBooster系统和大陆集团的MKII的正常制动系统出现故障后，ESP可以暂时取代原有的制动系统来完成必要的制动，并且这两个系统必须独立设计。

具有足够冗余设计的制动系统。到目前为止进展如何？全自动驾驶离我们有多远？如果硬件配置能够以一定的成本解决，那么目前自动驾驶最大的障碍就是软件的成熟。开过特斯拉的朋友一定体验过特斯拉ADAS的高级功能。当城市出现交通堵塞时，它可以完全实现油门制动器的自动控制，并实现自动跟车功能；在高速行驶时，它还可以自动保持车道，并自动保持与前车的距离；

即使是驾驶员也只需要触发转向灯，就可以实现自动变道和超车。如果你亲身体验过特斯拉的这些功能，那么自动驾驶似乎离我们很近。当我与开发ADAS的工程师和技术人员交流时，我曾提出一个假设：由于特斯拉已经实现了自动变道和超车，如果我们想实现ADAS性能领先，为什么我们不能进一步让它自动识别并进入坡道？工程师对我的回答是：这太难了。事实上，要实现用户这种看似自然的需求，意味着除了足够的硬件冗余和足够的机器学习外，车辆应该能够实现V2X通信（车辆与基础设施之间的通信），并需要高精度的地图支持。前两者可以用金钱和时间来实现，但后两者不能仅靠OEM来实现。

V2X技术场景演示：车对车通信和车对路设施通信。

高精度地图可以精确到每辆车、每一个路标、红绿灯、匝道信息等，精度为毫米。全自动驾驶离我们有多远？如果我们真的了解自动驾驶的原理和机制以及这个行业的发展现状，我只能说离我们还很远，现在各大主机厂都在尽力实现L3的突破，但即使实现了L3，也不是真正的自动驾驶，而是在某些特定条件下可以完全无人驾驶。当然，这种特殊的条件非常苛刻，例如，当交通堵塞或高速巡航时。此外，大多数使用场景仍然需要人来控制。现在各大主机厂之所以能大放异彩，无非是为了展示自己的科技实力，获得资本市场和地方政府在资源上的支持。我曾与麻省理工学院开发人工智能的专家谈论过人工智能目前的瓶颈是什么。答案是，主要的瓶颈是我们当前计算机的计算能力。科学家们从理论上验证了人工智能的潜力。只要有巨大的计算能力，人工智能就可以完全取代人，但这种巨大的计算力目前可能无法通过人类技术实现。因此，真正的自动驾驶离我们还很遥远，因为它除了计算能力之外，还包括基础设施的支持（V2X通信）、传感器（激光雷达）和伺服机构的成本（冗余设计）等，并且需要很长时间才能商业化。

标签：特斯拉丰田奥迪奥迪A8

汽车资讯热门资讯