自動駕駛狂熱期已過，L5規劃將推遲

2017年年中，業界普遍預期主要車企規劃到2020~2021年間實現Level5 的完全自動駕駛,2021年實現L5。Elon Musk在2017年5月的一次TED 演講中宣稱，Tesla將在2019年之前實現Level5級全自動駕駛。

然而，站在2018年下半年的時點來看，L5并不會這么快到來，部分車企已經推遲了L5規劃或暫停部分自動駕駛研發計劃。Gartner的技術成熟度曲線中，自動駕駛技術已由2017年的“過高期望峰值期”，開始進入“泡沫低谷期”。

2017年12月，Volvo將原定于2017年開始的“Drive Me項目”推遲至2021年。

2018年1月，CES 2018上，Ford新任CEO Jim Hackett 發表了題為“讓我們一起尋回街道”的演講，表示Ford 的研究重點已從自動駕駛轉移到車聯網。Hackett在2017年8月接受SFGate采訪時曾表示，“公眾關于自動駕駛汽車的浪漫想象有點過頭了”。

L5級自動駕駛可能需要2025年前后才能夠實現。根據各公司公開披露的計劃，福特、寶馬、百度等公司宣稱2021 年開始量產至少L4級別的自動駕駛汽車。德爾福與Mobileye合作，宣布將于2019年提供L4級別的自動駕駛系統。Tesla則更加激進，2018年實現至少L4級別的自動駕駛。對此，學術界則顯得沒有這么樂觀，卡內基梅隆大學機器人中心Raj Kumar認為至少要到2026年才能實現L5級別的自動駕駛。此外，Waymo計劃2018年內，在鳳凰城的有限區域內試點無人駕駛打車服務；通用Cruise在2018年1月發布了無方向盤、油門、制動踏板的第四代無人駕駛汽車Cruise Av，計劃2019年量產并分配到美國部分城市作為共享汽車。

實現通用無人駕駛，安全是核心、需五大基礎

實現通用無人駕駛的前提是保證安全。由安全需求展開，通用無人駕駛的實現需軟硬件技術、V2X、基礎建設、政策法律、公眾接受度等五項基礎的成熟和完善。其中，軟硬件技術、V2X的發展將耗費大量的物料成本，政策法律、公眾接受度的成熟需投入不可計數的社會成本，基建則將同時花費物料成本和社會成本。

軟硬件技術：1）汽車傳感器中激光雷達價格高昂，且目前缺少L4+車規級產品。固態激光雷達是車規級激光雷達的發展方向，待成功量產后將大幅拉低激光雷達的成本。2）傳感器融合算法以及決策算法還在初級階段。此外，汽車半導體、高精度地圖等其他技術也有待進一步成熟。

V2X：V2X（Vehicle to Everything）是物聯網概念在汽車領域的延伸，包括V2V（Vehicle to Vehicle）車輛之間通信、V2I （Vehicle to Infrastructure）車與基礎設施通信、V2P（Vehicle to Pedestrian）車與行人交互等。V2X網絡的建設需要與道路、網絡等基礎設施相配合，全面建成有待時日。

基礎建設：1）道路上適應于V2I 的基礎設施的建設；2）5G網絡具有高速、低延遲的特性，對于V2V、V2I至關重要。

政策法律：1）美國、德國、日本、新加坡、中國等已經在部分地區開放了自動駕駛汽車道路測試。而常規路段對自動駕駛汽車的開放，目前在除英國外的大部分國家都進展緩慢。2）自動駕駛的法律地位、民事歸責、刑事歸責等相關法律問題需要進一步討論和完善。據新華社報導，我國自動駕駛汽車的全面部署，至少需要修改七個領域（包括交通安全管理、測繪、運輸、信息、通訊、質檢、標準化）24 部以上的法律。

接受度：目前，公眾對完全自動駕駛的接受度普遍較低。據羅蘭貝格的消費者調研結果，完全自動駕駛的接受度僅為20%。公眾一方面認為完全自動駕駛將剝奪駕駛樂趣，另一方面則是對完全自動駕駛的安全性存在擔憂。

限定場景自動駕駛成長超預期，商業化只待成本降低

在物流、工程、農業、園區等限定場景下，行駛速度較慢或者場景較為簡單，使得自動駕駛的難度大幅降低。近年來，限定場景下的自動駕駛成長迅速，多個領域中陸續有試驗性項目落地或小規模量產。

物流領域：快遞、卡車貨運、倉儲

案例#1 京東校園快遞無人車

京東在2017年618促銷節期間，宣布快遞配送無人車在人大校園內投入運營。運營初期，無人車每日派件10余單，對應的工作時長約5-6小時。京東無人車行駛速度較慢，正常行駛時平均速度3~4km/h。無人車具備避障能力，當檢測到前方3米內的障礙物時，會提前做好路線調整；如果障礙物突然出現，無人車會立即停下，且若障礙物2秒后未移開，無人車會后退并繞行。

案例#2 Otto 自動駕駛卡車

2016年10月，Otto自動駕駛卡車滿載5萬罐啤酒，在高速公路上全程無人干預的情況下以55英里的平均時速行駛120英里后抵達目的地，并收獲了470美元的報酬。Otto在2016年8月被Uber以6.8億美元收購，但后來經歷了被Waymo起訴、創始人出走等事件，甚至2018年7月時Uber宣布停止開發自動駕駛卡車。

案例#3 Clearpath 倉儲自主移動機器人

加拿大Clearpath Robotics公司的OTTO 100、OTTO 1500 是專為工廠和倉庫設計的自主移動機器人（AutonomousMobile Robots，AMR），運行速度為2m/s。不同于傳統的自動導引車（Automated Guided Vehicles，AGV），AMR無需建設用于導航的軌道等基礎設施，而是能夠自主尋找最優路線、避開障礙物，實現了從“自動（Automated）”到“自主（Autonomous）”的升級。AMR極大地節省了前期建設成本，具有更高的靈活性。

公共交通：巴士、出租車、擺渡車

案例#4 百度自動駕駛巴士阿波龍

百度在2018年7月的AI開發者大會上宣布，全球首款L4級別的自動駕駛汽車阿波龍小巴車已量產下線。目前，100臺阿波龍正進行小規模運營。阿波龍完全去掉了中控臺、駕駛座、方向盤、油門和剎車踏板，最多載客14人，最高時速達70公里，充電兩小時續航里程達100公里。除了在北京、廣州、深圳、福建平潭、雄安等地運營外，百度還在日本與軟銀合作，將阿波龍用于核電站內部人員接駁、東京地區高齡化社區穿梭接送等。

案例#5 nuTonomy 自動駕駛出租車

nuTonomy 是由MIT 孵化的自動駕駛出租車初創公司，2016年4月開始在新加坡One-North園區附近為上班族提供無人駕駛出租車服務，車隊由6輛自動駕駛車輛組成。由于新加坡人口密度大，停車位和道路有限，因此nuTonomy 研發自動駕駛出租車得到了新加坡政府的大力支持。此外，nuTonomy 已經獲得了許可，將會在美國波士頓街頭進行測試。

案例#6 馭勢科技無人駕駛擺渡車

2017年2月，馭勢科技在白云機場投入一輛無人駕駛車，在航站樓與停車場之間提供擺渡服務，這是國內機場首次采用無人駕駛擺渡車。在杭州來福士廣場，馭勢科技還投放了針對大型地下停車庫的無人駕駛擺渡車，運行速度8 公里/小時。消費者購物后，可以在電梯口直接輸入自己的車牌號，無人車就會將消費者帶到相應的停車位。

限定場景自動駕駛商業化只待成本下降

雖然限定場景自動駕駛技術已日趨可用，但商業化仍需考慮成本問題。

目前自動駕駛汽車單車成本較高，可能超過司機工資及事故成本降低所節省的費用。

在港口、倉儲等場景中，AGV 方案發展成熟，相比當前的自動駕駛更加經濟高效。

AI 賦能汽車理解決策能力，端到端自動駕駛是終極目標

AI 技術在理解層和決策層中賦能自動駕駛

自動駕駛是一種類人駕駛，即計算機模擬人類的駕駛行為，其功能的實現同樣分為感知、理解、決策和執行四個層次，由各類傳感器、ECU和執行器來實現。

在整個自動駕駛實現的流程中，1）感知層主要依賴激光雷達和攝像頭等傳感器設備所采集的信息感知汽車周圍環境，以硬件設備的精確度、可靠性為主要的衡量標準。2）執行層通過汽車執行器，包括油門、轉向和制動（剎車）等，實現車輛決策層輸出的加速、轉向和制動等決策，主要依靠機械技術實現。3）AI技術主要應用于理解層和決策層，擔任駕駛汽車“大腦”的角色。

理解層對感知層數據進行解析，AI 算法技術優勢盡現

依據感知層傳感器的不同，理解層主要完成兩個任務：車輛的高精度定位，以及物體識別和追蹤。

高精度定位任務的實現主要是通過GPS或視覺的算法實現非常精準的車輛定位，目前主要的技術路線有三種：慣性傳感器（IMU）和GPS定位、基于視覺里程計算法定位、基于雷達的定位。

AI 算法在理解層最主要的應用是物體的識別和追蹤。物體跟蹤和識別包括靜態物體識別和動態物體識別，對于動態物體還需要對其軌跡進行追蹤，基于追蹤的結果預測其下一步的位臵，計算出安全的行車空間。自動駕駛車輛需要實時進行多個物體的識別和追蹤，典型的物體包括車輛、行人、自行車等。

激光雷達和計算機視覺是實現物體識別/跟蹤的兩種途徑，Google 和Tesla分別代表了這兩種不同的技術路線。

激光雷達生成的點云數據包含物體的3D 輪廓信息，同時通過強度掃描成像獲取物體的反射率，因此可以輕易分辨出草地，樹木，建筑物，路燈，混凝土，車輛等。識別軟件算法簡單，很容易達到實時性的要求。

計算機視覺的方法是利用深度學習對攝像頭圖像進行處理，從像素層面的顏色、偏移和距離信息提取物體層面的空間位臵（立體視覺法）和運動軌跡（光流法）。基于視覺的物體識別和跟蹤是當前的研究熱點，但是總體來說輸出一般是有噪音，如物體的識別有可能不穩定，可能有短暫誤識別等。

決策層如何應對復雜情形是自動駕駛的關鍵瓶頸

在理解層的基礎上，決策層解決的問題是如何控制汽車行為以達到駕駛目標。在一個具有障礙物并且動態變化的環境中，按照一定的評價條件尋找一條從起始狀態到目標狀態的無碰撞路徑。自動駕駛汽車的決策包括全局性導航規劃、駕駛行為決策和運動軌跡規劃。1）全局導航規劃在已知電子地圖、路網以及宏觀交通信息等先驗信息下，根據某優化目標，選擇不同的道路。2）駕駛行為決策根據當前交通狀況、交通法規、結構化道路約束，決定車輛的目標位臵，抽象化為不同的駕駛行為，如變換車道、路口轉向等。3）運動軌跡規劃是基于駕駛行為決策，躲避障礙物，對到達目標位臵的路線進行規劃。

基于規則的傳統算法，在應對復雜情形下的決策仍存在挑戰。道路上的交通參與者（車輛、行人、自行車等）的狀態和意圖具有不確定性，決策算法需要在這樣的環境下，以較短的時間進行行為決策，無疑是個技術難點。當前自動駕駛的決策算法多基于規則，如有限狀態機算法、決策樹等算法等。需要開發者利用專業知識對特定問題進行抽象和建模，實際上這種方式缺乏靈活性，特別是在復雜情形下，交通參與者的不確定性更高，算法更是難以做到面面俱到。

強化學習在自動駕駛決策層具有應用前景。強化學習的目的是通過和環境交互學習到如何在相應的觀測中采取最優行為。行為的好壞可以通過環境給的獎勵來確定。不同的環境有不同的觀測和獎勵。例如，駕駛中環境觀測是攝像頭和激光雷達采集到的周圍環境的圖像和點云，以及其他的傳感器的輸出。駕駛中的環境的獎勵根據任務的不同，可以通過到達終點的速度、舒適度和安全性等指標確定。當前增強學習的算法在自動駕駛汽車決策上的研究還比較初步，有試錯次數多、算法可解釋性差等弱點。

深度學習算法在自動駕駛中廣泛應用，端到端自動駕駛仍具挑戰

車輛的道路行駛環境非常復雜，需要處理大量非結構化數據。深度學習算法能夠高效的處理非結構化數據，并自動地從訓練樣本中學習特征，當訓練樣本足夠大時，算法能夠處理遇到的新的狀況以應對復雜決策問題。以基本的車輛識別問題為例，在用足夠多的汽車圖像對算法進行訓練后，算法具備了識別汽車的能力。

深度學習在自動駕駛中的應用可以分為兩個學派：端到端式（End-to-End architecture）和問題拆解式（SemanticAbstraction）。與人類相比，在端到端式的構架中，一個DNN網絡模擬了人的整個駕駛行為；而在問題拆解式的構架中，每個DNN網絡僅模擬了人的一部分駕駛行為。

端對端式不需要人工將問題進行拆解，只需要一個深度神經網絡（DNN），在經過訓練后，基于傳感器的輸入信息（如照片），直接對車輛的加減速和轉向等進行控制。

問題拆解式需要人工將問題進行拆解，分別訓練多個DNN網絡，實現諸如車輛識別、道路識別、交通信號燈識別等功能。然后基于各個DNN網絡的輸出，再對車輛的加減速和轉向進行控制。

目前，問題拆解式深度學習在自動駕駛領域得到廣泛的應用，主要是進行圖像識別。如識別行駛途中遇到的車輛、行人、地上的交通標志線、交通信號燈等。在KITTI2數據集上，排名第一的車輛識別算法已經能夠達到92.65%的準確率3。以色列Mobileye是這個領域的領軍人物，其推出的基于攝像頭的圖像識別解決方案EyeQ得到了業內的認可，被10多家汽車制造商超過100種車型所采用。眾多創業公司也試圖從這個角度切入自動駕駛領域，提供圖像識別算法，如商湯科技、圖森互聯、地平線科技等。

NVIDIA在測試車上通過端到端式的深度學習實現了對車輛轉向的控制，百度在2017年CES上推出了開源的端對端的自動駕駛平臺Road Hackers及訓練數據。目前端到端方案需要大量的數據進行模型訓練（模型參數更多），算法的可解釋性變差，難以進行錯誤排查，在可靠性上也存在一定問題，仍處在較為初級的階段。