不同等级的自动驾驶技术要求上有何不同？

[首发于智驾最前沿微信公众号]谈到自动驾驶，不可避免地会涉及到自动驾驶分级，美国汽车工程师学会（SAE）根据自动驾驶系统与人类驾驶员参与驾驶行为程度的不同，将自动驾驶分为了L0～L5共5个等级。国内也发布了《汽车驾驶自动化分级》（GB/T 40429-2021），明确了自动驾驶不同等级所设计的技术要点。为什么自动驾驶一定要分级？自动驾驶分级考虑了哪些因素？

无论是SAE的标准，还是国内的标准，对于自动驾驶分级，主要考虑了两点，即系统能替人做多少驾驶任务，以及在系统不能应付时谁来负责。随着等级上升，车辆承担的任务越来越多，人类司机的监督角色逐步弱化，直到最高等级系统可以在任何场景、任何时间独立完成整个驾驶任务。

低等级的自动驾驶更多是给驾驶员“帮忙”，如在高速上保持车距或对车道做微调。中等级别开始出现“在限定场景下放手”的能力，系统可以负责一段时间的驾驶但需要人备份。高等级则把很多不确定、复杂的情形也覆盖进来，系统要能自主判断并处理各种突发情况。这个从“辅助到自主”的转变，看似是量的积累，实际上涉及感知、决策、控制、冗余与验证等多方面的质的飞跃。

从感知到决策，技术能力的逐级提升

自动驾驶的技术骨架可以粗略拆成感知（看见周围）、定位与地图（知道位置）、预测与决策（判断别人的下一步并决定自己怎么做）、控制（把决策转换成动作）、还有人机交互与退化策略（异常时如何和人交接或安全停靠）等几条主线。在较低级别，这些模块可以比较简单；到中高等级，它们不仅要更精确，还要有可证明的可靠性和容错能力。

低等级系统可能只需单一传感器就能满足基本功能，如雷达用于自适应巡航、前置摄像头用于车道偏离警示等场景，就是在较低等级自动驾驶下可以实现的功能。到了更高等级，单一传感器的局限就日益凸显，摄像头对强逆光、夜间和雨雪敏感，毫米波雷达在精细形状识别上不如摄像头，激光雷达在某些天气条件下表现也有波动。因此高级系统采用多传感器融合，把不同来源的数据结合起来，以提高鲁棒性。融合不仅是把数据堆在一起那般简单，还要处理时序对齐、坐标变换、各传感器置信度评估与异常检测，这些都是工程量很大的工作。

定位与地图在自动驾驶等级提升中也很关键。基础定位靠GNSS加惯导能满足城市低速辅助，但一旦需要精确到车道级别的决策，高精度定位和高精地图就变得必要。地图不仅包含几何信息，还需要语义化地描述车道连通性、交通规则和历史事件等。此外，地图也要能及时更新，道路施工、临时封闭、标线变动都可能令地图失配。系统需要设计策略应对地图不一致的情况，不能假定地图永远准确。

预测与决策是自动驾驶“智能”的核心。较低等级的决策往往是基于规则和简单模型，而中高等级要对动态目标做轨迹预测、评估多个备选策略的风险收益并实时选择，这要求更复杂的模型、更大的算力和更严格的延迟控制。此时，决策还必须包含事故避免与安全约束的显式机制，不能只是寻求最优路径，还要保证在极端或异常情况下的安全退路。

随着自动驾驶等级的不断提升，控制层面的要求也从能平顺地执行纵横向操作，进化到在冗余硬件与断联场景下仍能维持车辆稳定。控制算法需要考虑执行器的物理极限、车辆动力学以及在传感器退化时的保守策略。软件架构要支持热冗余与失效切换，保证在部分模块失效时系统不会陷入不可控状态。

把“会开”变成“被允许上路”

自动驾驶系统的最终目标并不是让自动驾驶系统在一个封闭场景中独立驾驶，而是要让自动驾驶驾驶从“能做”变成“可靠地、可证明地做”，这就需要冗余设计、严密的验证体系和配套的法规标准。冗余不是单纯地增加同类设备，而是要跨层级、跨模块地设计，如传感级别的冗余、计算平台的冗余、电源与通讯链路的冗余等，都是需要考虑的方向。设计冗余的核心目的是避免单点故障导致安全临界失效，同时要保证切换过程是快速且不会引入新的危险。

对于自动驾驶系统来说，验证工作一定会占据开发周期极大部分的精力。低等级功能可以通过场景测试和实验室验证完成，但中高等级需要海量仿真覆盖大量边界情形、数以百万计的行驶里程实车验证、以及针对边缘案例的专门试验。验证方法也要更加精细化，其中要包括形式化验证、场景生成、因果归因分析和稳健性测试。评估指标不能只看平均性能，更要关注极端条件下的最坏情形与故障恢复时间。这正是为什么大型车企和自动驾驶公司投入巨额资源做闭环仿真与场景回放分析的原因。

一步步走稳比一步到位更现实

现阶段，已有诸多车企发布了不同应用场景的自动驾驶，为了确保自动驾驶可以更好地服务于人，一定要把技术“关在笼子里”，选择可控的操作设计域并把系统限定在该域内，是实现自动驾驶早期部署的可行策略。封闭园区、限定车道的接驳车和在特定城市片区试运行的无人出租车，都属于这样的策略。通过把复杂性控制在一定范围内，系统可以先把各种退化、异常和灾难模式补齐，再逐步扩大可运行的场景。

要把高级别推广到大规模量产和普遍应用，仍有几项长期任务不能忽视。其一是成本与重量的折中。高精度传感器、大型算力平台与冗余模块都增加了车辆成本与能耗，这对量产化是障碍。其二是软件与数据的生命周期管理，自动驾驶系统需要频繁更新模型、校正感知参数与修补漏洞，如何保证更新安全、回滚机制可靠、以及线上版本管理是一个持续的工程难题。其三是社会与用户的接受度问题，当系统面对突发情况时，用户能否快速响应接管请求、社会对自动驾驶事故的容忍度如何，都会直接影响部署策略。

技术发展并不是一条直线。现阶段稳妥的路径常常是分阶段迭代，先在可控域内先实现高度自动化，积累运营经验、数据与用户信任，再逐步开放边界。同时产业生态的共建也要跟上，这其中包括高精地图的持续维护团队、路侧智能基础设施的配套、以及跨企业数据共享与标准化工作。没有单一公司能独自解决所有问题，协同与标准化在未来一定会越来越重要。

最后的话

自动驾驶每一级别的提升，在工程上都是质的改变。感知要从能“看到”变成能“在复杂环境里稳健看到”；决策要从“遵守规则”变成“面对不可预期情况仍能做出安全选择”；系统要从“偶发故障可由人接管”变成“任何时候都不会把车带入危险”。要达到这些目标，需要在传感、计算架构、软件工程、验证方法与法规适配上同时推进。比起一夜之间实现最高级别，更现实的做法是把每一步做到极致、把退化路径设计得安全可靠，并在真实世界中持续验证与迭代。