現(xiàn)在國內(nèi)汽車圈最火的除了新能源和車聯(lián)網(wǎng)以外，自動駕駛應(yīng)該也是一個非常熱門的話題。不過在主機廠，我們不會稱之為自動駕駛，而是會簡稱為“ADAS”。不僅僅是造車新勢力，還有一些互聯(lián)網(wǎng)公司也在花重金研發(fā)ADAS，那么真正的自動駕駛離我們還有多遠？未來造車新勢力能夠研發(fā)出沒有方向盤的汽車來嗎？
■ 什么是ADAS？
ADAS的英文全稱是Advanced Driver Assistance Systems。從字面上就可以看出，ADAS并不是我們所理解的“自動駕駛”，直譯過來應(yīng)該是駕駛員輔助系統(tǒng)的意思。按照北美標(biāo)準(zhǔn)，把ADAS從Level1到Level5分成了5級，可能未來要到Level5才能實現(xiàn)我們理想狀態(tài)中的、沒有方向盤的全無人駕駛。
▲美國SAE（汽車工程師協(xié)會）為ADAS定下的標(biāo)準(zhǔn)。
目前市面上，我們能買到的擁有最先進ADAS系統(tǒng)的特斯拉，也只能將將做到Level 2的級別。新一代的奧迪A8號稱可以做到Level 3 ，不過目前量產(chǎn)的版本，廠方只是宣稱配備了具備Level 3功能的硬件配置，并沒有開通軟件功能，而軟件還在研發(fā)迭代中，需要等到后續(xù)成熟完善后再給車輛升級。
▲豐田的e-Palette目前也只停留在概念階段，雖然豐田給出了對未來的美好思考，但實際實現(xiàn)還有很長的路要走。
■ 自動駕駛的剛性門檻——機器學(xué)習(xí)的數(shù)據(jù)積累
要了解ADAS的開發(fā)過程和方法，就要大概了解以下AI人工智能的算法原理。雖然AI聽起來很高大上，其實作為文科生代表的“羅輯思維”，在2018跨年演講上就用最通俗的語言解釋了AI的實現(xiàn)原理：AI實際上是用電腦算法模擬了人類的思維方式，通過機器學(xué)習(xí)（就好比人類從嬰兒階段就開始不斷接受外界各種事物，形成自己的判斷）讓機器的判斷力不斷的進步。過程中可能會犯錯，但經(jīng)過大量的數(shù)據(jù)積累（也叫訓(xùn)練），機器能做出的判斷，理論上可以接近或達到人類的水平。所以，用AI人工智能的方式開發(fā)自動駕駛汽車就可以把過去的不可能變成可能。
很多人覺得自動駕駛的核心在于AI的算法邏輯。其實不然，人工智能最大的特點就是算法顯得并不那么重要，重要的是機器學(xué)習(xí)的量有多少。機器學(xué)習(xí)的量越大，能夠做出判斷的準(zhǔn)確率就越高。
所以各大車廠或互聯(lián)網(wǎng)公司開發(fā)ADAS的核心在于要做大量的機器學(xué)習(xí)。這種機器學(xué)習(xí)既可在測試場（封閉道路條件下）進行，也可直接在公路上進行，當(dāng)然，后者的效果最好，但存在一定的風(fēng)險性。這也是為什么百度的阿波羅計劃很早就提出免費開發(fā)平臺給主機廠使用，其目的就是為了更多的進行機器學(xué)習(xí)。
■ 自動駕駛的硬件門檻——成本高昂的硬件需求
很多人都知道，要想實現(xiàn)更高級別的ADAS就需要給車輛配備非常多的傳感器，諸如：多個毫米波雷達、多個高精度攝像頭甚至激光雷達。這些傳感器會產(chǎn)生大量的數(shù)據(jù)，電腦除了需要處理毫米波雷達產(chǎn)生的距離數(shù)據(jù)、攝像頭傳來的圖像數(shù)據(jù)以外，激光雷達可以實時掃描車輛360度的景物并實時生成3D數(shù)模，可以想象這樣的數(shù)據(jù)量有多大。而這些數(shù)據(jù)都需要通過計算機來處理，判斷并且實時生成伺服信號控制車輛。
▲激光雷達實時生成的3D建模，目前單個激光雷達的成本高達數(shù)千至數(shù)萬美元。
除了這些價格高昂的傳感設(shè)備，在伺服機構(gòu)上還需要足夠的冗余設(shè)計。比如當(dāng)電腦可以直接控制轉(zhuǎn)向系統(tǒng)操控車輛之后，原有的轉(zhuǎn)向系統(tǒng)一旦發(fā)生故障，必須有冗余的轉(zhuǎn)向硬件可以馬上投入工作。
制動系統(tǒng)也是同樣的道理，如BOSCH的iBooster系統(tǒng)和Continental的MK系列，在正常的剎車系統(tǒng)失效后，ESP可臨時取代原有剎車系統(tǒng)完成必須的制動，而這兩個系統(tǒng)都必須獨立設(shè)計。
▲ 擁有足夠冗余設(shè)計的剎車系統(tǒng)。
■ 目前進展到什么樣了？完全自動駕駛離我們有多遠？
如果說硬件配置可以花錢花成本解決的話，目前自動駕駛最大的障礙就是軟件的成熟度了。開過特斯拉的朋友肯定體會過特斯拉ADAS的先進之處。在城市堵車時，它可以完全實現(xiàn)油門剎車的自動控制，實現(xiàn)自動跟車功能；在高速上也可以自動保持車道、自動與前車保持車距；甚至駕駛者只需要觸發(fā)轉(zhuǎn)向燈，它就能實現(xiàn)自動變道和自動超車。
如果親身體驗過特斯拉的這些功能，似乎會覺得自動駕駛已經(jīng)離我們很近了。我在和開發(fā)ADAS的工程技術(shù)人員溝通需求的時候，曾經(jīng)提出過一個假設(shè)：既然特斯拉已經(jīng)實現(xiàn)了自動變線和自動超車，我們?nèi)绻獙崿F(xiàn)ADAS性能Leading的話，為什么不能再進一步讓它能夠自動識別和進入匝道？工程師給我的回復(fù)是：這個太難了。
的確，要實現(xiàn)這個用戶看似順理成章的需求，意味著除了要有足夠多的硬件冗余，足夠多的機器學(xué)習(xí)以外，車輛還要能夠?qū)崿F(xiàn)V2X通信（車輛與基礎(chǔ)設(shè)施的通信），還需要有高精度地圖支持。前兩者可能花錢和時間可以實現(xiàn)，但后兩者不是主機廠靠一己之力可以做到的。
▲V2X技術(shù)場景演示：車車通信、車與道路設(shè)施的通信。
▲ 高精度地圖可以精確到每個車道、每個路牌，紅綠燈、匝道信息等，并且精度是毫米級的。
完全自動駕駛離我們到底有多遠？如果真正深入了解自動駕駛的原理機制，以及這個行業(yè)的發(fā)展現(xiàn)狀的話，我只能說離我們還很遠。現(xiàn)在各大主機廠都在盡可能實現(xiàn)L3的突破，但即便實現(xiàn)L3，其實也不是真正意義上的自動駕駛，只是在一些特定條件下可以實現(xiàn)全無人駕駛。那么這個特定條件當(dāng)然就很苛刻了，比如：堵車的時候、高速巡航的時候。除此之外大部分使用場景還是需要人來控制。之所以現(xiàn)在各大主機廠把ADAS吹得神乎其神，無外乎是為了展現(xiàn)自己的科技實力，以獲得資本市場和地方政府在資源上的支持。
我曾經(jīng)與MIT（麻省理工學(xué)院）開發(fā)人工智能的專家交流過目前AI的瓶頸到底是什么。得到的答復(fù)是：“最主要的瓶頸是我們目前計算機的運算能力”。科學(xué)家從理論上已經(jīng)驗證了AI的潛力，只要有龐大的運算能力，人工智能完全可以替代人，不過這個龐大的運算能力可能是目前人類科技還無法實現(xiàn)的。所以真正的自動駕駛離我們還比較遙遠，因為除了運算能力，還包括基礎(chǔ)設(shè)施的支持（V2X通信），傳感器（激光雷達）和伺服機構(gòu)（冗余設(shè)計）的成本等等，都需要相當(dāng)長的時間才能商業(yè)化。
