想象一下：19世纪末的伦敦和纽约，虽然早已经进入了第二次工业革命时期，轮船和火车也已经普及开来帮助人们运送货物和乘客，但在这些特大城市的大街小巷中，你所能看到最多的画面，依然是那些来来往往的马匹及马车。它们笨重、缓慢地踏在泥泞的马路上，满足当时人们的日常运输需要……

这种状态一直持续到19世纪80年代的一天，德国人卡尔·本茨成功地研制出了世界上第一辆内燃机汽车，一举奠定了直到今天的汽车设计基调，而人类的交通史也从此彻底改变了。

在这之后，福特在上世纪初试着制出了第一台流水线汽车；30年代，厄尔为当代汽车设计定下了基调；40年代，通用大规模制造了第一批带自动变速器的汽车；50年代，奔驰开始将安全气囊列为标配之一；60年代，克莱斯勒为汽车搭载了ABS系统……

在过去的一百年间，汽车的制造与设计工艺历经了飞速的发展，如今的制造商们为了满足用户日益更替的需求已研发出了不计其数、各式各样的车辆。这些代表着人类智慧的结晶已远远不像百年前，只能作为代步工具使用——基于空气动力学的流线型外观设计、风格多样的内饰、先进的动力系统和安全措施、人性化的娱乐及驾驶辅助功能都让驾车完全变成了生活的一部分，在各个方面优化着人们的驾驶体验。

不仅如此，作为人类最重要的交通工具，汽车革新的脚步从未停下。步入21世纪，汽车的发展仍在飞速地进行着，而这次人们所关注的主题则是“两化”——电子化与智能化。新兴的电子技术取代汽车原来单纯的机电液操纵控制系统，以适应对汽车安全、排放、节能日益严格的要求。另一方面，随着汽车电子技术的发展，汽车智能化技术也正在逐步得到应用。智能发动机控制、自动变速、动力转向、电子稳定程序、主动悬架、安全气囊、防碰撞、防盗、巡航行驶、全球卫星定位等不胜枚举的智能化自动控制系统已然进入了人们的视线。而作为这些功能的迭代和更新，对人类的交通史有着划时代意义的技术——自动驾驶（无人驾驶/智能驾驶）——也越发成为了人们关注的焦点。这也是今天我们所要关注的话题。

自动驾驶——一场技术革命

首先什么是自动驾驶？通俗易懂地说，自动驾驶就是可以阶段性地解放驾驶员的双手，让车辆在脱离人为干预的情况下自行行驶至指定目的地的技术。实际上，自动驾驶是一个比较宽泛的感念，它包含了许多为了达成上述目的而衍生出的汽车辅助技术，有一些机构按照驾驶员从完全掌控驾驶到汽车完全自动驾驶的实现程度对自动驾驶技术进行了级别划分。目前有这样两家比较权威机构：美国机动工程师协会（SAE），以及美国高速公路安全管理局（NHTSA）。SAE将自动驾驶程度分为5个级别，NHTSA将自动驾驶分为4个级别，两者的划分原则基本相同，只是SAE对高度自动化驾驶的划分要更细一些。

0级自动驾驶：人类驾驶员负责汽车工程师学会所称的“动态驾驶任务”的所有环节。“动态驾驶任务”是指控制车辆所采取的行动。可能有些系统（如自动紧急制动系统）会为司机提供帮助，甚至在特定情况下进行干预。但是，由于这些系统没有持续参与完成“动态驾驶任务”，因此它们还不能称为“自动化”系统。

1级自动驾驶是辅助驾驶系统，能持续提供转向或加速和制动控制，但只在限制条件和特定情况下提供。自适应巡航控制系统被认为属于1级自动驾驶：该系统可控制加速和制动，从而使汽车在公路上与前方车辆保持一定距离，但人类驾驶员仍然需要负责驾驶中的所有其他方面。

2级自动驾驶也是辅助驾驶系统，但既提供转向，也提供加速和制动控制，同样是在限制条件下提供。由于人类驾驶员需要定时干预，该级别的自动驾驶程度仍然不高。特斯拉最初的Autopilot虽然是比较先进的一个系统，但被认为属于2级自动驾驶系统。

3级自动驾驶是我们开始进入实际自动驾驶的级别。该级别的自动驾驶是“有条件的自动驾驶”，这意味着只有在一定条件下自动驾驶系统才能运行。但一旦开始运行，汽车就完全自动驾驶。通用汽车公司新的Super Cruise系统就属于3级自动驾驶。同样，特斯拉最新版本的Autopilot也属于该级别。3级与2级自动驾驶的差异在于自动驾驶的程度：系统运行时，人类驾驶员通常无需进行干预，但仍需在一定程度上保持警惕，以在系统提示需要人类接管时介入。

4级自动驾驶属于“高度自动驾驶”。一般来说，我们使用4级自动驾驶来描述完全自动驾驶的系统。除了某些特殊情况，一般无需人类干预。依靠特殊地图工作的自动驾驶汽车（如目前正在研发中的大多数汽车）属于4级自动驾驶：只要是有地图的地方，这类汽车都能实现完全自动驾驶，而无需人类干预，但并非在任何地方都能自动驾驶。

5级自动驾驶属于完全自动驾驶：只要是人类能够驾驶的地方，该类型汽车都能驾驶。只要有可通行的道路，这种车能去任何地方，任何时候都无需人类驾驶员干预。

正如上述所说，自动驾驶概念最初兴起主要是体现在辅助驾驶技术上，渐渐的，一套名为ADAS（advanced

driver-assistance

systems）即高级辅助驾驶系统的应用出现在了各个汽车品牌的豪华车型上，这些功能包括：紧急制动，倒车摄像头，自适应巡航控制，自动停车系统等。随后，在行业监管机构的督促下，这些功能被纳入了每一种车型，快速地渗透到了大众市场。截止至2016年底，ADAS的普及已产生了价值约为150亿美元的市场。

全球范围内，ADAS系统（例如夜视和盲点车辆检测）系统的数量已从2014年的9,000万台增加到2016年的约1.4亿台，仅在两年内就上升了50％。

其中不乏一些革命性功能相较其它功能更能吸引消费者的目光。

例如，从2014年到2016年，环绕立体停车系统的采用率增加了超过150％，而自适应前照灯系统的数量在同一时间内则只上升了约20％。

而促成技术扩散主要原因可以说有两个：消费者日益变高的购买意愿以及不断下降的成本价格。麦肯锡最近的一项调查发现，在美国，平均每位司机愿意为各种不同的ADAS功能额外花费500至2,500美元。同时，尽管起初ADAS只被用在豪华车型上，但现在许多汽车设备制造商们（OEM）也已开始愿意为20,000美元范围内的汽车提供ADAS部件了。毋庸置疑，人们对新技术的适应将为日常驾驶带来越来越多的便利。如今，配备ADAS的车辆不仅可以在公路上做到自动导航，加速和制动，而且还能在日常行驶中自行采取紧急措施以规避车祸及可能发生的碰撞。而一些庞大的商用客运车则更可以利用ADAS在有限的距离内将车辆停靠进非常狭窄的车位中。

那么，带有ADAS的车辆已经成了我们所说的自动驾驶汽车了吗？

事实上，即便ADAS在过去的数年间已取得巨大的跨越，但时至如今，整个汽车行业甚至仍未确定一个公认的半自动车辆（如SAE

3级自动驾驶）的最佳技术原型，可以说对于自动驾驶技术的开发仍然处于测试和精炼阶段。

以3级自动驾驶汽车为例，目前，较为成熟的技术解决方案一共有三种，分别以硬件上不同的对象感知方式加以区分：

依赖相机系统为主的相机雷达模式，雷达作为数据补充；

依赖雷达感应为主的雷达相机模式，相机作为数据补充；

结合光检测和测距（激光雷达），雷达，摄像机系统和传感器融合算法的混合模式，能以更细致的级别了解环境。

这些不同系统首先成本各不相同，混合方法是其中最昂贵的。同时，每个系统都有其自身的优缺点。如雷达相机模式可以在高速公路环境中运行良好，在这种环境中车流量等信息相对容易预测，并且对映射到现实环境所需的距离信息不太严格。相较而言，混合模式则更适合人口稠密的城市地区，这种模式对距离的精确测量可以帮助车辆沿狭窄的街道行驶，并能识别较小的目标物体。

踏向完全自动化的漫漫长路

在未来五年内，很可能会出现符合SAE高自动化等级4标准的车辆。这些车即便在驾驶员不干预的情况下，也能适应各种不同的驾驶场景。虽然现今的技术已经完全可以让如此高度智能化的汽车在某些现实场景下进行测试，但真正要确认其可靠性仍然需要好几年的时间，这主要是因为这些智能系统必须积累大量“罕见车况”的驾驶经验才能确保达到可靠性和安全性的标准。另外，开发商起初在设计这些系统的时候都是基于特定的使用场景和地形，这就是所谓的“地理围栏”。故另外一个条先决件便是，自动驾驶系统在特定情况下成功运行的同时也能够进行额外的自我调整，以适应地理围栏扩大时所接触到的更广泛的场景和地形。

想象一下，在没有车道标记的情况下，或在未铺砌的道路上，自动驾驶系统必须能够“准确地猜测出”哪些区域更适合车辆的移动，这必定是一个十分困难的视觉问题，特别是如果路面与周围环境没有显着差异时（例如，道路被雪覆盖）。事实上，自动驾驶汽车要达到SAE

4级和5级最大的困难在于车辆需要在没有任何环境限制的条件下正常运行，比如未事先记录的区域或是没有行车道的地方，又或者是包含重要的基础设施和环境特征。考虑到工程师必须完成的测试数量随着路况多样性呈指数增长，构建一个要在（大部分）不受限制的环境中良好运行的系统将需要更多的努力。

真正的障碍并不是硬件

鉴于目前的发展趋势，全自动车辆可能难以在未来十年内实现。 主要的绊脚石是其所需软件的开发。 虽然硬件创新将提供足够的计算能力，而且价格（尤其是传感器）可能继续下滑，但软件仍然是一个关键的瓶颈。

事实上，目前已有的硬件水平已经很接近一套完美自动驾驶系统正常运行时所需要的水准。例如，专家们预期，我们在不久的将来就能拥有满足需要的图形处理单元（GPU）及中央处理单元（CPU）计算能力。

此外，用于传感器的照相机已具有成熟的视距，视角以及分辨率（但在恶劣的天气条件下仍存在着明显的局限）。车用雷达在技术上也已较为成熟，可以说是在恶劣天气和路况下进行探测的最佳选择。能提供最佳视野的激光雷达系统则可在360个角度做到高度粒度呈现。虽然这些设备目前价格昂贵而且有的“体型”巨大，但是在未来一两年内，其中一定会有一些值得商业化的，小型且便宜的设备进入市场。事实上，已有一些高科技企业宣称已经将激光雷达的成本降低到了500美元以下，还有的公司已经推出了一套价值约为10,000美元的全方位自动驾驶硬件系统（大约有十几个传感器），当然这些公司必然得先要了解5级（完全自主）自动驾驶车辆所需的理想传感器数量。

难以逾越的软件瓶颈

然而现今，距离开发出能够充分利用自动驾驶车辆全部硬件潜力的软件还有一段路要走。而且考虑到问题的复杂性和研究性质，开发时间表几乎已停滞不前。

例如面前便有一个复杂且急需被解决的问题，自动驾驶汽车必须学会如何协调：同时涉及驾驶员及其它自动驾驶汽车的驾驶模式以及高精度但却易于出错的GPS传感器之间的平衡。想要克服诸如这样的难题不仅需要大量的前期研发工作，长期的测试和验证也是必不可少的。

有三类问题可以说更具体地阐释现今自动驾驶系统软件方面所存在的缺陷：

首先便是用于识别并解析物体的对象分析技术，这对自动驾驶系统来说可以说是既基本又关键。举例来说，该系统应该至少能轻易地区分出一辆摩托车是静态的还是正在街道一侧行驶着，且在这有限的、给到的对象分析时间内还需要捕捉到这两者之间的关键差别。

对象分析中首当其冲的难题便是物体识别，根据一天中不同的时间、背景和任何可能的偏移，这项任务都可能变得极其困难。此外，用于验证对象实体和类型所用到的传感器融合技术目前也难以完美实现，这主要是由于系统需要用来进行对比的数据类型之间存在着巨大的差异——点云（来自激光雷达），对象列表（来自雷达）以及图像（来自相机）。

决策制定是第二个难题。为了尽量模仿人的决策能力，自动驾驶系统必须完全经历过“过量、强化而又综合”的真实场景训练。但问题是，理解并标注每一个不同场景的信息及画面对如今的自动驾驶系统来说绝非易事。同时，将所有场景问题都以条件假设的形式归类（如果……那么……），或将它们进行穷举都几乎是毫无可能。如今，对此最好的解决方案便是以及机器学习技术为核心的人工智能。开发者们在建立一套基于条件假设规则的数据库同时，以人工智能的方法训练出足够智能的决策模型，以弥补系统在那些规则之外的场景应用。但即便如此，要开发出这样的人工智能系统仍是一件极其困难的任务，同样离不开巨量的开发、测试和验证工作。

第三，自动驾驶系统还需要具备一个自主故障预防机制，这种机制能在系统出现故障的情况下尽量避免将乘客以及汽车周围的人陷入危险之中。然而，我们很难去检查或验证系统在每种情况下的响应状态及决策结果。目前甚至只建立一个极端的保障措施——让汽车及时停下以避免最坏的情况发生——也很难做到，开发者们仍然在经历极度冗长测试阶段。

以上便是本次《前篇》的所有内容。在《后篇》中，我们将再来具体地聊聊：在实现完美自动驾驶技术的过程中，我们还需要克服哪些技术难关，以及我们在加快技术革新的同时，还需要面对哪些问题。敬请期待。

注：数据及部分资料来自麦肯锡

—— 专注于大数据与人工智能 yuyidata.com