文｜极智 GeeTech
不管你是拥抱还是抗拒，自动驾驶时代终究还是来了
武汉无人驾驶网约车萝卜快跑订单量暴增；南京开启邮政 EMS 首批量产自动驾驶重卡运营专线；青岛开放 121 条智能网联汽车测试道路；深圳将开通首条自动驾驶公交线；上海发放首批无驾驶人智能网联汽车示范应用许可；北京发布 《北京市自动驾驶汽车条例 （征求意见稿）》 为 L3 及以上自动驾驶汽车上路提供立法保障……
从牌照发放到准入上路，再到拟立法保障，在中央和地方政策的大力推动下，自动驾驶落地速度超乎想象。在这条通往 「诗和远方」 的道路上，越来越多的障碍正在被清除，自动驾驶出租车、自动驾驶巴士将成为未来生活的常态。
但当自动驾驶逐步走出示范区，迈上开放道路，随之而来的各类技术挑战、法规重塑以及社会问题，成为决定这项技术能否真正普及应用的关键因素。
同时，车路云一体化作为与自动驾驶并行的另一条技术路线受到市场广泛关注。有人不禁疑问，既然自动驾驶已经很智能了，车路云一体化还有必要吗？车路云一体化究竟是市场的真实需求还是一个幻象？
自动驾驶的破茧时刻
随着开放区域的逐渐扩容，一些围绕自动驾驶出租车的不同声音也浮现出来。在武汉城市留言板上，不少市民吐槽萝卜快跑 「行驶速度慢甚至龟速」「一个萝卜堵在路上，几百人走不了」「绿灯停着不走，红灯冲到路中间」……
虽然人们对当前已在城市部分区域开展的自动驾驶试点运营的效果充满不信任，甚至对其给交通造成的负担有些不满，但自动驾驶的普及应用有助于消除或减少人为因素对交通安全的影响，降低交通事故的发生率。
在 《自然》 最新发表的论文中，美国第二大公立大学中佛罗里达大学 （UCF） 针对自动驾驶安全性进行了一项研究。研究人员通过比较 2016 年至 2022 年间 2100 辆自动驾驶车辆和 35133 辆人类驾驶车辆的事故数据发现，自动驾驶车辆在执行常规驾驶任务 （如保持车道位置和根据车流调整位置） 时一般更安全、更不容易发生事故。此外，自动驾驶车辆在发生追尾和侧擦事故时也更安全，事故发生率相比人类驾驶分别降低了 0.5 和 0.2 倍。
不过，研究同时表明，自动驾驶车辆在特定情境下似乎更易发生事故，比如晨昏弱光环境下和转弯时 （事故率分别是人类驾驶的 5.25 倍和 1.98 倍）。
虽然这项研究表明自动驾驶车辆有可能改善道路安全，但同时也强调了只有解决技术局限，才能确保自动驾驶车辆能在各种情况下安全运作。
当自动驾驶进入商业化运营阶段，人们将安全风险的考量放到了首位，而不同的技术路线在驾乘体验、算法规则、行驶效率等方面的侧重点也是不同的。
当前，自动驾驶有两条技术路线：「强感知+弱智能」 与 「弱感知+强智能」。
「强感知+弱智能」 路线的代表是谷歌 Waymo 和百度 Apollo。在感知上使用 「雷达+摄像头+高精地图」 的方式，智能上使用行驶规则输入的方式，多采用 AI 小模型。在中美两国，这套解决方案都是自动驾驶出租车的主流方案，优点是保证安全。因为感知能力强，信息获取充分，这套方案对路况信息完全掌握，而在信息充分前提下，只要设置好行驶规则，那么车辆会完全按照交规行驶，比真人更守规矩，甚至于任何交通事故的责任都只会是对方。
不过这种方案在应对复杂路况比如红绿灯路口的无保护左转、无红绿灯斑马线行人横穿等情况，都还是用规则控制来兜底安全，结果就是车辆在遇到 Corner Case（极端情况） 的表现并不稳定，可能出现急刹、长时间停车的情况，影响同一道路的其他车辆。但基于规则的好处也非常明显，就是违反交通规则的概率非常低。
但这类自动驾驶技术的不足之处在于，现实路况很复杂，摄像头的感知范围十分有限，仅限于车周围 100 米至 200 米的范围，同时受自然环境影响较大，摄像头在雨雪雾天的检测精度会大打折扣。很多情况下，出了事故很可能是自动驾驶车辆的责任。所以，现阶段 FSD 依然是一种辅助驾驶技术，需要驾驶员在驾驶室里面随时准备接管车辆控制权。
而端到端大模型是基于一个概率模型训练，由于神经网络输出的结果具有一定的概率性，所以并不能保证输出的结果绝对安全。同时，端到端大模型的决策过程具有 「黑箱」 特性，内部逻辑不公开，决策中所出现的问题难以被定位，导致为后续模型的优化造成阻碍。目前，国内不少车企宣布端到端大模型上车，实际上未完全放弃传统的 「规则控制」，仍会通过一些规则方法对神经网络的输出做二次校验。
此外，数据量、算力以及对大模型的精简优化都是推进大模型能否成功上车的重要因素。首先，自动驾驶需要大量的高质量训练数据，这些数据包括各种驾驶场景、天气条件和交通情况的图像、视频和传感器数据。特别是遇到交通极端情况的数据更加重要，比如真正发生碰撞或在突发状况前后车辆如何进行决策判断的数据，或者在无信号灯路口以及在雨雪雾霾天气中车辆如何通行的数据。收集、标注和维护这些数据的质量和多样性是一项挑战。
其次，将海量数据喂给端到端大模型时，算力是不可或缺的资源。车端的计算资源通常有限，部署端到端模型需要高性能的硬件支持，这会受到整车成本和布置空间的限制，而数据中心需要进行不断扩建，才能满足日益增长的算力需求。
当云端的大模型训练完成后，需要对其进行精简和优化。比如模型剪枝、量化等技术，以减少模型大小和提高运行效率。云端服务器拥有大量高性能硬件资源，支持大规模并行处理数据并进行数据存储。但车载计算资源有限，为了与之适配，需要对模型进行优化，并降低能耗。
从上述两条技术路线看，当前的自动驾驶尽管已经突破了实际应用的最低门槛，但算力、算法在迭代，数据还在积累中，决定性的技术主导设计还没有得到确认，换句话说，技术尚未定型，而技术定型是工业品大规模复制的前提。
7 月 15 日，特斯拉 CEO 埃隆·马斯克对 Robotaxi 发布延期的问题作出了回应。马斯克表示，他对 Robotaxi 的前部设计提出了变更要求，这一设计优化导致原定的发布计划推迟。不过，马斯克没有给出具体的发布时间。
Robotaxi 项目的延期，无疑揭示了特斯拉在推进自动驾驶技术商业化过程中所面临的挑战与复杂性，同时也表达出特斯拉在 Robotaxi 方面的审慎。毕竟，Cruise 因交通事故被美国加州政府吊销无人驾驶业务运营许可证的前车之鉴就在眼前。
与海外近乎一家独大的特斯拉相比，国内智能驾驶系统正处于百花齐放的阶段，不同车型、不同技术方案之间数据壁垒难以打通，而不同品牌的车辆所获取的数据无论在丰富度还是规模方面都十分有限，这也就进一步限制了以数据为驱动的大模型的能力，从而影响了自动驾驶技术的进化升级。
痛点有 「新解」
近日，上海市迎来自动驾驶测试车的重要时刻，预计最快在未来一周内，面向普通市民启动自动驾驶智能网联汽车的实地测试，测试期间可以免费乘坐。
不仅在上海，全国多地也出台新政鼓励自动驾驶发展。北京市经济和信息化局对外征求意见，拟支持自动驾驶汽车用于城市公共电汽车客运、网约车、汽车租赁等城市出行服务；武汉相关部门提供的数据显示，目前武汉市 「上路」 的无人车数量共有 600 辆，开通载人收费业务的约占七成；深圳巴士集团表示，该集团计划年内在前海推出 20 辆自动驾驶公交车。
此前，多部门联合公布自动驾驶试点城市名单，共覆盖 20 个城市，不仅涵盖了北京、上海、广州、深圳等一线城市，成都、重庆、南京、武汉、合肥等新一线城市，沈阳、长春、福州、济南等省会城市，还有十堰、鄂尔多斯等地级市，以及海口-三亚-琼海联合体、杭州-桐乡-德清联合体等城市群。试点范围的广泛性和多样性为未来智能网联汽车的全面推广奠定了坚实基础。
从实际国情来看，中国大力发展自动驾驶的前提必然要采取安全系数最高的解决方案进行兜底。而车路云一体化利用中国庞大的网络和交通基础设施，融入路侧感知，通过融合车、路、云三端数据，形成规模更大、视角更丰富的交通数据集，以此为基础提供一个更全面、准确的交通环境感知图像，进一步提升自动驾驶的视距能力，增强单车的感知能力，从而超越了单车智能本身的局限，为实现更安全的自动驾驶打下基础。
相比单车智能，车路云一体化的实时路况信息具有重大意义，包括但不仅限于疏堵增效、节能减碳、降低交通事故率。
疏堵是很容易理解的，当路侧设施可以实时获取每条道路上的车流量信息时，云平台就可以按照车流量对红绿灯的时间进行智能调整，同时还可以通过系统向智能网联汽车传输行程规划建议，比如提醒司机前方道路拥堵，切换到某一条道路行驶可以节约多少时间并节约多少油耗或电耗。
届时只要智能网联汽车大部分按照建议路径规划行程，道路拥堵也自然能得到有效缓解，道路通行效率乃至于运输效率都可以得到大幅提升，并且过程中必然能起到有效节能减碳的作用，车流量的平均也可以降低交通事故率。
另外，从基础设施禀赋来看，中国也更适合走车路云一体化路线。
网络基建方面，截至 2024 年 5 月，我国 5G 基站总数达 383.7 万个，占全球 5G 基站总数的 60%，且我国大力推进 5G、物联网、卫星互联网等技术的衍生应用，能够满足车路云一体化对于通信网的基本要求。
路侧基建方面，我国公路总里程和高速公路总里程均领先于全球。2023 年，全国公路总里程 544.1 万公里，其中高速公路 18.4 万公里，这意味着我国具有广阔的路侧单元 （RSU） 分布范围。根据工信部统计，截至 2024 年 5 月，我国智能化路侧单元部署超过 8700 套，可在原有禀赋的基础上快速改造升级。
另外，中国的新型举国体制优势将在车路云一体基础设施投资建设的过程中发挥重要作用。通过自上而下的政策推动和自下而上的实践创新，将有助于全面推进智能网联汽车准入和上路通行试点工作，推动健全完善智能网联汽车生产准入和道路交通安全管理体系，以及高质量推进车路云一体化应用试点工作。
纵观全球，车路云协同也正在成为各国推进智能交通体系的重要组成部分。
美国提出了网联自动驾驶 （CAV） 的概念，美国联邦公路管理局 （FHWA） 开发了 CARMA 平台和 CARMA 云，以支持协同驾驶自动化 （CDA） 的研究和开发。在车辆与智能交通系统深度融合方面，由美国交通运输部主导的智能交通系统，已将协作式智能交通参考框架 （ARC-IT） 演进到 9.0 版本，其中考虑了车路云协同自动驾驶。
欧洲在发展单车智能自动驾驶的同时，高度重视单车智能与车路云协同自动驾驶协同发展。与美国类似，欧洲智能网联汽车发展起源于智能交通系统，并逐步通过车辆的智能化、网联化实现车与交通系统的协同发展。欧洲智能交通系统开发与应用是与欧盟的交通运输一体化建设进程紧密联系的，在 Horizon2020 等计划的资金支持下，通过智能汽车自动驾驶应用和技术 （AdaptIVe）、协同智慧交通 （C-ITS） 等项目的实践，在智能网联汽车、智能交通系统、基础设施建设方面积累丰富经验。
2018-2022 年，日本相继发布了 《自动驾驶汽车安全技术指南》、《道路交通法 （修正案）》，持续更新发布 《官民 ITS 构想路线图》、《实现自动驾驶行动方针》 等政策法规，探讨了 L4 级自动驾驶的基础设施协同机制与商业模式等，并计划于 2025 年实现高速公路 L4 级自动驾驶。
德国推动 「共同协作的高度自动化驾驶」（Kohaf 或 Ko-HAF） 研究项目，使车辆通过移动无线电将其环境信息发送到安全服务器，服务器将信息进行收集压缩使车辆拥有最新的高精地图，从而提供更好的信息预报。
不难看出，随着单车自动驾驶技术进步空间趋于饱和、技术提升的瓶颈以及交通环境复杂性的增加，未来的自动驾驶将越来越依靠车路云一体化设施的有效支撑。在此背景下，车路云协同自动驾驶产业创新体系一旦形成，其将释放更大的产业链价值，成为新一轮科技创新和产业竞争的制高点。
