每經(jīng)熱評｜自動駕駛“加速走來” 技術(shù)層面仍存四大問題

每經(jīng)特約評論員 盤和林

最近，自動駕駛無論是在政策扶持層面還是企業(yè)層面，都在不斷升溫。

政策層面，我國一直持鼓勵態(tài)度。8月8日，交通運輸部發(fā)布《自動駕駛汽車運輸安全服務指南（試行）》（征求意見稿）（以下簡稱《指南》），向社會公開征求意見。業(yè)內(nèi)人士判斷，近期的政策動作，都圍繞著同一個詞——商業(yè)化落地。

新華社圖

而在企業(yè)層面，7月21日上午，百度在2022百度世界大會上，發(fā)布了第六代量產(chǎn)無人車Apollo RT6，號稱具有L4級自動駕駛水平。

當然，也不全是令人振奮的消息。例如，近日杭州交警部門對7月29日深夜杭州西溪濕地景區(qū)福堤附近發(fā)生一起特斯拉Model X沖出路面，撞上路邊的路燈桿交通事故的調(diào)查結(jié)果公布，該事故由駕駛員鄭某負責。經(jīng)調(diào)查確認，發(fā)生事故前，車內(nèi)僅駕駛員鄭某一人，且其全程坐在駕駛座上。司機鄭某承認事發(fā)時喝過酒，卻認為自動輔助駕駛系統(tǒng)應承擔車禍責任。

在自動駕駛領(lǐng)域，最為核心的一點，其實是達到什么樣水平的車輛才可以商用。我們不該只看概念車，應該從數(shù)據(jù)中去獲得答案。筆者認為，不應該一上來就允許無安全員的自動駕駛商業(yè)化運行。

競爭焦點在L4等級上

自動駕駛的功能效果可以分為6個等級，從L0到L6。目前主要是集中在從L3向L4等級邁進，競爭的焦點就是L4。所謂L3，指的是有條件自動駕駛。例如在外部環(huán)境比較穩(wěn)定的高速公路，駕駛員可以完全放開方向盤。但L3需要人類駕駛員在必要時主動接管，所以依然需要人類駕駛員在駕駛室。而L4屬于高度自動駕駛，可以認為是限定區(qū)域內(nèi)的無人駕駛，在自動駕駛感知信息來源比較充分的區(qū)域，可以沒有司機，汽車可以自動運行，甚至不再需要裝方向盤。L5屬于完全自動駕駛，在所有路段均可以完全無人駕駛。

L3是自動駕駛，但L3有個大難題：需要人類駕駛員在必要時候主動接管。那么，什么時候是必要時候？由于現(xiàn)實道路路況復雜，人類司機對于L3，存在過度信賴和完全不信賴兩種極端分化的心態(tài)。完全不信賴讓L3技術(shù)毫無意義，而過度信賴L3又會導致大量交通事故的發(fā)生。L3當前所有交通事故，依然需要人類駕駛員自己承擔。所以實際上L3只是一個過渡性玩具，它不能真正解放人類駕駛員。L5是無法實現(xiàn)的，這幾乎已經(jīng)成為自動駕駛行業(yè)的共識。

L4是在限定區(qū)域內(nèi)實現(xiàn)無人駕駛技術(shù)，由此，自動駕駛未來數(shù)年的應用限定在幾個領(lǐng)域：出租車、公交車、干線物流（高速無人卡車）、末端配送（無人配送車）、園區(qū)景區(qū)（低速游覽車）、礦區(qū)（無人特種車）、港口（港口無人車輛）、環(huán)衛(wèi)安防（清潔車）、機場（無人引導車）等。所有的應用本質(zhì)上都在限定區(qū)域。而實現(xiàn)這些L4應用，從技術(shù)上看有以下三種路徑：

其一，無人、封閉區(qū)域運行。園區(qū)景區(qū)低速游覽車、工業(yè)物流園區(qū)、礦區(qū)、港口、機場等，這些場景實現(xiàn)L4較為簡單，自動駕駛可以在軌道車和傳送帶的基礎(chǔ)上優(yōu)化實現(xiàn)，當前物流領(lǐng)域的無人倉儲已經(jīng)非常成熟。

其二，單車智能。視覺神經(jīng)網(wǎng)絡下的弱智能+包含激光雷達的強感知+高精地圖。同樣是單車智能，特斯拉屬于異類，想要打造強智能的視覺神經(jīng)網(wǎng)絡，不肯用激光雷達和高精地圖，實踐證明特斯拉的自動駕駛水平停留在L3階段。最樂觀的看法，也需要10年才能碰到L4的門檻。但特斯拉并非盲目，訓練一個和人眼同樣強大的AI視覺，成功了確實是跨越式發(fā)展，哪怕失敗了，以新能源汽車起家的特斯拉也耗得起。但單車智能當前通行的做法還是AI弱智能+激光雷達強感知+高精地圖的解決方案。

本輪自動駕駛的熱潮起于谷歌。2012年谷歌開始試驗無人駕駛車輛，積累數(shù)據(jù)，谷歌也是深度學習神經(jīng)網(wǎng)絡的早期推動者。其開發(fā)無人駕駛的初衷實際上是想要將深度學習應用在自動駕駛上，但其后發(fā)現(xiàn)，開放道路的環(huán)境實在太過復雜。視覺AI即便能夠準確識別99%的物體，但只要1%的未識別、識別錯誤存在，其安全性就無法保障。深度學習本身是一個技術(shù)黑箱，設(shè)定算法，輸入數(shù)據(jù)進行訓練，如果導出結(jié)果是正確的，則調(diào)參激勵，如果導出結(jié)果是錯誤的，則調(diào)參懲罰。這也導致很多AI視覺神經(jīng)網(wǎng)絡無法識別的情況沒辦法找到原因。所以谷歌在自動駕駛上增加了激光雷達和高精地圖，同時配合輸入環(huán)境參數(shù)，限制自動駕駛在固定區(qū)域內(nèi)運行。這就有了谷歌旗下waymo在美國幾個城市開展的Robotaxi業(yè)務。限定區(qū)域、輸入環(huán)境參數(shù)、AI神經(jīng)網(wǎng)絡、激光雷達、高精地圖，單車智能幾乎用上了所有可用的工具，但也只是勉強實現(xiàn)了L4。而同樣的一套自動駕駛系統(tǒng)，在更換運行區(qū)域的時候，需要重新設(shè)定環(huán)境參數(shù)，要重新積累數(shù)據(jù)。

其三，車路協(xié)同輔助下的自動駕駛。單車智能整套系統(tǒng)很昂貴，但也僅僅是掃描周邊環(huán)境，并不能了解100米外的情況，于是就有了車路協(xié)同系統(tǒng)，通過通信基站，在一些道路布置專網(wǎng)通信，車與人、車與車、車與路通信。車路協(xié)同下的自動駕駛將車輛內(nèi)部昂貴的感知系統(tǒng)放到了道路兩側(cè)，讓車輛可以更加充分接受環(huán)境信息，的確使得自動駕駛實現(xiàn)的難度降低，但這多少類似于“沒有軌道的軌道交通”。筆者認為，未來車路協(xié)同可能是城市智慧交通升級的一部分，是基建，但對于自動駕駛的作用主要還是輔助，因為單車智能未來價值更高。當前單車智能的確是蹣跚學步階段，但如AI視覺神經(jīng)網(wǎng)絡，哪怕10年或者20年內(nèi)成熟，其技術(shù)本身就極具意義。車路協(xié)同下，自動駕駛?cè)绻挥熊嚶穮f(xié)同，那么很可能只是能用，不能讓技術(shù)產(chǎn)生額外的價值。

綜上，可以看到，實際上當前自動駕駛主要的技術(shù)方向是單車智能為主，車路協(xié)同為輔。

技術(shù)層面充斥各類風險

一切看似順利，但實際上在技術(shù)層面充斥著各類風險?？偨Y(jié)這些風險，結(jié)合中國現(xiàn)狀，大約存在以下幾個層面的問題：

其一，自動駕駛依然是“薛定諤的安全”。美國加州有一個自動駕駛路測，路測中有一個每10萬公里安全員干預次數(shù)指標。至今，依然沒有0次干預的自動駕駛技術(shù)，安全員干預的問題包括：高精地圖問題、視覺感知障礙、軟件穩(wěn)定性問題、感知系統(tǒng)問題導致緊急剎車、運動軌跡需要優(yōu)化、未正確識別紅綠燈、車道錯誤、誤識別等。自動駕駛技術(shù)似乎到達了一個瓶頸。2018年，Uber的自動駕駛導致了一起重大交通事故，最終判定AI識別出了路人，但汽車機械部分沒有執(zhí)行，也就是即便智能駕駛技術(shù)是安全的，決策層和執(zhí)行層的銜接也有可能導致嚴重事故。用戶對自動駕駛安全性的包容度更低。坐飛機其實是很安全的，但有人恐懼坐飛機，卻并不恐懼坐汽車。人的確是存在非理性認知偏差的，但你沒辦法要求人群保持理性。用戶對自動駕駛的安全性要求普遍很高，10萬公里中哪怕是發(fā)生1次事故，都會讓自動駕駛面臨重啟的風險。

其二，迷霧中的高精地圖。高精地圖是自動駕駛技術(shù)的標配，但當前高精地圖依然是一個高壁壘的領(lǐng)域，采集數(shù)據(jù)的成本很高，而隨著道路的變化，高精地圖還要不斷修正地圖信息。即便是這些問題都解決了，政策上對一些高精地圖數(shù)據(jù)的開放也是有限制的，這就使得自動駕駛車輛往往無法量產(chǎn)。不過Robotaxi業(yè)務對于高精地圖數(shù)據(jù)的要求確實有所降低，因為是在一定城市區(qū)域內(nèi)運行，高精地圖企業(yè)只要采集本地高精地圖信息即可，并保證高精地圖數(shù)據(jù)及時更新，但這方面也就需要政府對某塊地區(qū)的高精地圖信息完全開放。

其三，仿真路測和現(xiàn)實路測。在技術(shù)上，各地應通過路測數(shù)據(jù)來發(fā)放運行許可，路測數(shù)據(jù)應該由官方確定。理論上說，自動駕駛需要上百億公里的路測數(shù)據(jù)才能達到安全門檻。但現(xiàn)實中其實并非如此。在2021年8月，谷歌waymo的數(shù)據(jù)里程是3600萬公里，320億公里的仿真里程數(shù)。2022年7月百度的Apollo測試里程達到2700萬公里，仿真里程數(shù)也達到10億公里級別?，F(xiàn)實路測里程不足，則仿真模擬里程來湊。仿真里程，說到底還是在一個虛擬環(huán)境中的駕駛數(shù)據(jù)。由于自動駕駛的核心是單車智能中的AI視覺神經(jīng)網(wǎng)絡，而深度學習神經(jīng)網(wǎng)絡是AI機器學習的一種，所以自動駕駛的發(fā)展依賴于行駛數(shù)據(jù)的積累，當前自動駕駛企業(yè)都以仿真路測來代替現(xiàn)實路測，體現(xiàn)出自動駕駛企業(yè)急躁的心態(tài)，但對于自動駕駛技術(shù)來說，這并不能增強可靠性。仿真虛擬環(huán)境，還是不能替代現(xiàn)實路測，因為現(xiàn)實遠比仿真環(huán)境更不可測，問題更多。

其四，測試環(huán)境和開放環(huán)境并不相同。量產(chǎn)的自動駕駛面臨的環(huán)境更加復雜，用戶并非專業(yè)人士，他們不知道何時要去接管自動駕駛車輛，也不會去維護系統(tǒng)，保持系統(tǒng)穩(wěn)定性。工業(yè)上有個詞，叫魯棒性，指在異常和危險情況下系統(tǒng)生存的能力。測試往往在穩(wěn)定環(huán)境中運行，而現(xiàn)實不存在穩(wěn)定環(huán)境。比如2022年，俄羅斯一次圍棋比賽，AI機器人竟然莫名其妙夾住了人類棋手的手指，導致意外傷害，最后結(jié)論是人類棋手出手太快，沒有等。但開放環(huán)境下，我們不能要求人人都規(guī)范地和AI交流，比如會不會有人故意阻擋自動駕駛車輛？

綜上，Robotaxi下的自動駕駛，正在趨于完善，但真的到能夠量產(chǎn)和全面鋪開的地步了嗎？筆者認為，我們首先需要有一套自動駕駛系統(tǒng)能力的評測體系，各地需要開展路測來驗證各家自動駕駛技術(shù)的成熟度，而不應該一上來就允許無安全員的自動駕駛商業(yè)化運行。

（作者系浙江大學國際聯(lián)合商學院數(shù)字經(jīng)濟與金融創(chuàng)新研究中心聯(lián)席主任、研究員，工信部信息通信經(jīng)濟專家委員會委員）

封面圖片來源：新華社圖