单车智能渐渐式微,车路协同的概念越来越得到业内的关注

自动驾驶的寒冬似乎降临。年初的拉斯维加斯CES到近期在上海的亚洲CES，智能网联在汽车上的应用依然是大家关注的重点，但是对自动驾驶的展示已经显示出明显降温。

与此同时，曾经喊出豪言壮语的各大厂商，都在模糊自动驾驶汽车的上市时间，或者在已经确定的车型宣传上，备注“特定的、受限的适用范围”。

从喧嚣到转折

2016年开始的喧嚣似乎依然清晰，Waymo、Uber的自动驾驶路测让业内为之一振，也让许多汽车企业倍感压力。

之后我们见证了Waymo和Uber向汽车企业采购几千几万台汽车用于无人驾驶车辆研发、改制和生产，也见证了通用汽车和福特汽车对自动驾驶的巨额投入，除此之外还有许多传统车企和崛起的中国汽车企业的吆喝。

在那个时候，2020年似乎成为一个新时代的开始，自动驾驶的元年将近，业内带着复杂的情感，疑虑但充满期待

自动驾驶这场由Waymo单方面挑起的军备竞赛，在2018年的夏天出现了戏剧性的转折，先是Waymo的首席执行官约翰?克拉富西克(John Krafcik)坦诚，无人驾驶（L5）是有局限的，而且承认在今后的很长一段时间内，自动驾驶汽车都会需要司机的协助。

随后，苹果的联合创始人史蒂夫-沃兹尼亚克(Steve Wozniak)也表示，汽车在没有方向盘的情况下自动驾驶不太可能。

今年的4月，曾经押注无人驾驶的福特，新任的CEO吉姆?哈克特(Jim Hackett)就来自福特的自动驾驶业务部门，在接受采访时他也表示，完全无人驾驶汽车的到来仍需时日，现在大家对于无人车的普及都过于乐观了。

从2016年开始，自动驾驶的横空出世也曾经带给我们惊喜。但随着时间的流逝，无人驾驶车辆的车祸、对于安全员的讨论、企业之间对于“出走者”的诉讼……这渐渐让叹息多于惊喜。

无人驾驶汽车又一次令人无可奈何地循着技术成熟度曲线(The Hype Cycle)，很快的度过“过高期望的峰值”，正在快速坠入“泡沫化的谷底”。

单车智能的缺陷

自动驾驶的兴起与“人工智能”的蓬勃发展密不可分。在1956年香农(Claude Shannon)在达特茅斯学院和几位年轻学者讨论如何用机器模仿人类在各个方面的智能，并且提出“人工智能”一词，开启时代。

自动驾驶的研究架构中，自然也追随着理论框架，把人类驾驶汽车的行为进行拆解，并且试图利用算法和机器智能提升整个行为的安全和效率。

人类驾驶汽车的过程粗略拆分，可以分为以下几个步骤，首先观察周围车辆情况、交通指示灯，然后依据自己的目的地方向，通过油门、刹车和方向盘，进行加速/减速、转弯/变道，以及刹车的操作。

这个过程在自动驾驶的研究中被细分为感知层、决策层和控制层。依据推演，传感器、机器以及人工智能算法的结合，将完全超越人类驾驶的过程。

首先，人类对于周遭情况的观察，因为天气、视线盲点以及自身的身体疲劳、反应速度、情绪等原因，会出现观察的盲区，并基于这些盲区做出不安全的决策。

那组合式的传感器可以以汽车为中心进行360°全覆盖扫描，并且观察区域可以拓展到百米范围。这样的观察区域是人类司机完全无法匹敌的。

其次，对于驾驶动作的决策，以AlphaGo为代表的机制智能已经证明了在速度、精确度等方面机器可以远超过人类，并且保持长期的可重复性。

这一点人类因为智能的局限性以及情绪的波动性，完全无法和机器匹敌。

再次，当机器做出决策后，通过线控系统将信号传递到汽车的转向系统、制动系统和传动系统，可以确保信号的快速性以及准确性。

这一点人类的手脚配合无法达到电子信息毫秒级的传输速度，并且许多时候也会“忙中出错”，错把油门当刹车。

最后，人类驾驶员在初始条件下的感知、决策和控制三个步骤是有间隔的，只有当积累一定里程，成为“老司机”之后，才能达成“眼手脚”的协同配合。

而机器学习当然可以极大加快学习的过程和进度，使得协同配合的达成时间大大缩短，出手就是老司机水平。

纸面上的推演似乎一切完美无瑕，但正如前不久人工智能顶尖学者，斯坦福大学的李飞飞教授在与历史学者，《人类简史》、《未来简史》作者，尤瓦尔?赫拉利( Yuval Noah Harari)对谈中强调的，世界的存在不是两个群体，真是的社会远比这个复杂，除了算法之外，还有很多玩家和规则。

在自动驾驶研究进入深水区的时候，传感器、芯片以及数据的问题，正在使得“单车智能”越来越呈现出他的不完美。

（1）多传感器融合

作为外部路况探测的传感器，其收集的信息将作为驾驶决策的输入，是驾驶决策的重要保障。

可以说，没有完整的信息，就不可能支持决策系统做出正确、安全的驾驶决定。虽然众多的传感器在单一指标上可以超越人眼，但是融合的难题以及随之而来的成本困境，成为自动驾驶演进过程中面临的第一个严峻考验。

目前，许多豪华车品牌的汽车都配备有先进的驾驶员辅助系统(ADAS)，利用配备的传感器，包括摄像头、雷达、超声波、激光雷达等，帮助驾驶者探测路面情况，并且给予提醒和警示，甚至在不安全情况下进行自动紧急刹车，保障安全。

但是大部分ADAS功能都是独立工作的，彼此之间不会交换信息，后视摄像头、环视系统和前方摄像头等往往起到不同的作用，承担不同的功能。

当传感器的功能只是提供预警信息以及紧急刹车等等，其自身的局限性还在可控范围之内。但是当我们对传感器的要求是需要承担自动驾驶级别的感知时，每种不同的传感器的缺点使得单一要素无法承担重任，比如摄像头测距能力有限，而雷达也缺少较高的分辨率。

所以需要不同传感器组合使用，基于不同传感器输入的内容，更加准确的感知周围的环境。

此时，多传感器融合(Multi-Sensor Data Fusion，MSDF)的问题就摆在了从业者面前。首先，不同传感器采集的数据类型不同，其次，不同传感器对于物体的检测会出现不同的情况（例如双重检测、部分检测等），需要进行数据的修正、融合等（例如Harmonize, Reconcile, Integrate, Synthesize等），描述出较为准确的外部路况信息。

处理数据的方式也有多种方法，但无论是情况排序法、加权投票法、优先到达法等等，都各有优劣。

在此基础上，还需要考虑最终的操作是由哪个器件决定的，在哪里完成数据处理，并且如何将传感器的数据发送到中央电子控制单元(ECU)。

集中式处理和分布式是两个极端情况，大部分处理都在区间之内，但如何平衡依然是难点。

此外，多传感器带来的线束问题也是“甜蜜的烦恼”。根据西门子的最新研究，目前汽车上的线束总长度已经达到1.5英里，而传感器所带来的线束长度将超过1.5英里。

如何在汽车的空间范围内合理科学的布局这些线束，并且尽可能的降低热量，也是实践过程中遇到的难题。

（2）芯片的性能

多传感器的问题同时也埋下了下一个问题的隐患，那就是芯片的性能。

如果需要更全面的了解外部路况信息，就需要部署更多的传感器；更多的传感器就对融合提出了更高的要求，而且在高速度的情况下，由于路况信息的变化，所带来的数据信息也更为海量。

根据英特尔的测算，一台自动驾驶的汽车，配置了GPS、摄像头、雷达和激光雷达等传感器，每天将产生约4TB待处理的传感器数据，如此巨大的数据量必须有强大的计算设备来支撑。

如果我们打开现阶段进行展示或者测试的自动驾驶汽车的后备箱，都会发现有一个很大的“计算平台”。

这正是自动驾驶车辆的大脑和决策机构。

如上文所说，众多传感器向“计算平台”输入数据，“计算平台”实时处理海量的数据，并且在信息整合提炼的基础上，比对位置的车辆信息，基于高精地图以及已经设定的路径规划，进行决策，决定车辆的行驶状态，并且向控制单元信号输出决策和控制信号。

但是随之而来的是一个之前被科技行业所忽略的问题，强大的计算平台同时也产生许多热量，自动驾驶汽车配备的计算平台，一定需要同时配备散热设备。

所以，强大算力加上低能耗，成为了自动驾驶汽车厂商的追求。而即使是英伟达这样的顶级GPU企业，也在算力和功耗的平衡上几乎达到了天花板。

所以近年来，专用计算平台更多的走进人们的视野，包括谷歌投入应用的AI专用芯片TPU、国内顶尖创业公司地平线推出的BPU，特斯拉也在投入巨资进行自动驾驶芯片的研究。

还有另外的问题，实现自动驾驶，到底需要多少算力？实现L3级别的自动驾驶，也许需要2TOPS，也有可能是需要20TOPS，真的没有人说得清楚。

而且，这还只是L3级别，真的进入L4级别，算力的要求势必将呈现出技术级的上升。

（3）成本与性能的平衡

在描述完多传感器融合以及芯片性能的困局后，其背后的商业困局也自然呈现。

增加许多的传感器必然将确保外部感知的准确性，芯片性能的提升也将有利于决策的提高，但这一切的背后，都将是成本的巨大提高。

以笔者所经历的来看，目前在国内市场，传感器加上芯片、处理系统等，成本价格基本抵得上一辆入门款的A级轿车，其次还要加上众多研发人员和工程人员的时间投入。

也有法国的研究机构统计，2018年正在测试的每辆自动驾驶汽车的平均价格是20万美元。

成本的背后更为重要的是责任（Liability）的转移。

在有人驾驶时代，驾驶者当然是第一责任人，自己做出车辆操控决策，并对可能的后果负责。但是当汽车厂商或者出行厂商推出自动驾驶车辆后，由于是厂商提供的车辆“自动”进行操控的决策，因此责任将转移到厂商这边。

为了降低其可能承担的风险以及后续的损失，厂商自然需要增加足够的冗余，以保证产品达到车规级的安全。

而高昂的成本是消费者不愿意买单的，特别是在早期，当自动驾驶的功能非常有限，而且实现还需要在特定条件下才能触发，更加削弱了消费者买单的意愿。

（4）数据、场景的本地性和通用性

正如老司机需要经历时间和众多路况才能练成“眼手脚”的协调配合，自动驾驶汽车的决策能力提升也需要建立在大量有效的路测数据基础上的决策算法的提升。

按照业内普遍的观点，自动驾驶企业需要100亿英里的架势数据来优化其自动驾驶系统。

但这是人类不可能完成的任务，即便是取得指数级领先优势的Waymo，其自动驾驶汽车的路测里程累计也只是2000万公里的量级（2000万公里几乎相当于绕了地球整整500圈）。

业内其他的自动驾驶企业也利用仿真测试作为真实道路路测的补充，加快研发的进展。

但还是，即使如伟大的Waymo，目前的无人车队也更多在车流量较少的凤凰城进行测试。（而且这一切还是基于Waymo应用的最佳的传感器加计算平台的组合，如果进入交通情况更为复杂的城市，现有的硬件和算法是否可以进行支撑，也是未知。）数据的多样化以及丰富性同样也是不足的，所以有业内人士指出，由于数据本地性问题，Waymo的商业化路径是否可以拓展，依然存在疑问。

自动驾驶初创公司NuTonomy的首席运营官道格?帕克（Doug Parker）的表述也说明了数据可拓展性面临的难题，他说，目前开发的大多数自动驾驶汽车技术都是基于特定的地理位置，因此很难推广到新城市，因为要在系统中计入新的规则和新的驾驶行为。

无论美国和中国的自动驾驶企业都面临现实的挑战，如果更换一个城市进行测试，有很大部分需要重新开始。

综上所述，单车智能的方案曾经带给业内诸多惊喜，但伴随研发和测试进入深水区，多传感器融合的问题、芯片算力和能耗的问题，以及数据本地性无法通用化的问题慢慢浮出水面，而且已经遇到了发展的瓶颈，只能在诸多限制条件下做艰难的平衡。

同时，作为商业化的产品，必须还要考虑性能和价格之间的平衡，而高成本又成为目前“压垮”自动驾驶商业化的稻草。

在一扇门悄悄关闭的时候，另一扇窗正在慢慢开启。

单车智能渐渐式微，而车路协同的概念越来越得到业内的关注。