自動駕駛的寒冬似乎降臨。年初的拉斯維加斯CES到近期在上海的亞洲CES，智能網(wǎng)聯(lián)在汽車上的應(yīng)用依然是大家關(guān)注的重點，但是對自動駕駛的展示已經(jīng)顯示出明顯降溫。

與此同時，曾經(jīng)喊出豪言壯語的各大廠商，都在模糊自動駕駛汽車的上市時間，或者在已經(jīng)確定的車型宣傳上，備注“特定的、受限的適用范圍”。

從喧囂到轉(zhuǎn)折

2016年開始的喧囂似乎依然清晰，Waymo、Uber的自動駕駛路測讓業(yè)內(nèi)為之一振，也讓許多汽車企業(yè)倍感壓力。

之后我們見證了Waymo和Uber向汽車企業(yè)采購幾千幾萬臺汽車用于無人駕駛車輛研發(fā)、改制和生產(chǎn)，也見證了通用汽車和福特汽車對自動駕駛的巨額投入，除此之外還有許多傳統(tǒng)車企和崛起的中國汽車企業(yè)的吆喝。

在那個時候，2020年似乎成為一個新時代的開始，自動駕駛的元年將近，業(yè)內(nèi)帶著復(fù)雜的情感，疑慮但充滿期待

自動駕駛這場由Waymo單方面挑起的軍備競賽，在2018年的夏天出現(xiàn)了戲劇性的轉(zhuǎn)折，先是Waymo的首席執(zhí)行官約翰?克拉富西克(John Krafcik)坦誠，無人駕駛（L5）是有局限的，而且承認在今后的很長一段時間內(nèi)，自動駕駛汽車都會需要司機的協(xié)助。

隨后，蘋果的聯(lián)合創(chuàng)始人史蒂夫-沃茲尼亞克(Steve Wozniak)也表示，汽車在沒有方向盤的情況下自動駕駛不太可能。

今年的4月，曾經(jīng)押注無人駕駛的福特，新任的CEO吉姆?哈克特(Jim Hackett)就來自福特的自動駕駛業(yè)務(wù)部門，在接受采訪時他也表示，完全無人駕駛汽車的到來仍需時日，現(xiàn)在大家對于無人車的普及都過于樂觀了。

從2016年開始，自動駕駛的橫空出世也曾經(jīng)帶給我們驚喜。但隨著時間的流逝，無人駕駛車輛的車禍、對于安全員的討論、企業(yè)之間對于“出走者”的訴訟……這漸漸讓嘆息多于驚喜。

無人駕駛汽車又一次令人無可奈何地循著技術(shù)成熟度曲線(The Hype Cycle)，很快的度過“過高期望的峰值”，正在快速墜入“泡沫化的谷底”。

單車智能的缺陷

自動駕駛的興起與“人工智能”的蓬勃發(fā)展密不可分。在1956年香農(nóng)(Claude Shannon)在達特茅斯學(xué)院和幾位年輕學(xué)者討論如何用機器模仿人類在各個方面的智能，并且提出“人工智能”一詞，開啟時代。

自動駕駛的研究架構(gòu)中，自然也追隨著理論框架，把人類駕駛汽車的行為進行拆解，并且試圖利用算法和機器智能提升整個行為的安全和效率。

人類駕駛汽車的過程粗略拆分，可以分為以下幾個步驟，首先觀察周圍車輛情況、交通指示燈，然后依據(jù)自己的目的地方向，通過油門、剎車和方向盤，進行加速/減速、轉(zhuǎn)彎/變道，以及剎車的操作。

這個過程在自動駕駛的研究中被細分為感知層、決策層和控制層。依據(jù)推演，傳感器、機器以及人工智能算法的結(jié)合，將完全超越人類駕駛的過程。

首先，人類對于周遭情況的觀察，因為天氣、視線盲點以及自身的身體疲勞、反應(yīng)速度、情緒等原因，會出現(xiàn)觀察的盲區(qū)，并基于這些盲區(qū)做出不安全的決策。

那組合式的傳感器可以以汽車為中心進行360°全覆蓋掃描，并且觀察區(qū)域可以拓展到百米范圍。這樣的觀察區(qū)域是人類司機完全無法匹敵的。

其次，對于駕駛動作的決策，以AlphaGo為代表的機制智能已經(jīng)證明了在速度、精確度等方面機器可以遠超過人類，并且保持長期的可重復(fù)性。

這一點人類因為智能的局限性以及情緒的波動性，完全無法和機器匹敵。

再次，當機器做出決策后，通過線控系統(tǒng)將信號傳遞到汽車的轉(zhuǎn)向系統(tǒng)、制動系統(tǒng)和傳動系統(tǒng)，可以確保信號的快速性以及準確性。

這一點人類的手腳配合無法達到電子信息毫秒級的傳輸速度，并且許多時候也會“忙中出錯”，錯把油門當剎車。

最后，人類駕駛員在初始條件下的感知、決策和控制三個步驟是有間隔的，只有當積累一定里程，成為“老司機”之后，才能達成“眼手腳”的協(xié)同配合。

而機器學(xué)習(xí)當然可以極大加快學(xué)習(xí)的過程和進度，使得協(xié)同配合的達成時間大大縮短，出手就是老司機水平。

紙面上的推演似乎一切完美無瑕，但正如前不久人工智能頂尖學(xué)者，斯坦福大學(xué)的李飛飛教授在與歷史學(xué)者，《人類簡史》、《未來簡史》作者，尤瓦爾?赫拉利( Yuval Noah Harari)對談中強調(diào)的，世界的存在不是兩個群體，真是的社會遠比這個復(fù)雜，除了算法之外，還有很多玩家和規(guī)則。

在自動駕駛研究進入深水區(qū)的時候，傳感器、芯片以及數(shù)據(jù)的問題，正在使得“單車智能”越來越呈現(xiàn)出他的不完美。

（1）多傳感器融合

作為外部路況探測的傳感器，其收集的信息將作為駕駛決策的輸入，是駕駛決策的重要保障。

可以說，沒有完整的信息，就不可能支持決策系統(tǒng)做出正確、安全的駕駛決定。雖然眾多的傳感器在單一指標上可以超越人眼，但是融合的難題以及隨之而來的成本困境，成為自動駕駛演進過程中面臨的第一個嚴峻考驗。

目前，許多豪華車品牌的汽車都配備有先進的駕駛員輔助系統(tǒng)(ADAS)，利用配備的傳感器，包括攝像頭、雷達、超聲波、激光雷達等，幫助駕駛者探測路面情況，并且給予提醒和警示，甚至在不安全情況下進行自動緊急剎車，保障安全。

但是大部分ADAS功能都是獨立工作的，彼此之間不會交換信息，后視攝像頭、環(huán)視系統(tǒng)和前方攝像頭等往往起到不同的作用，承擔不同的功能。

當傳感器的功能只是提供預(yù)警信息以及緊急剎車等等，其自身的局限性還在可控范圍之內(nèi)。但是當我們對傳感器的要求是需要承擔自動駕駛級別的感知時，每種不同的傳感器的缺點使得單一要素?zé)o法承擔重任，比如攝像頭測距能力有限，而雷達也缺少較高的分辨率。

所以需要不同傳感器組合使用，基于不同傳感器輸入的內(nèi)容，更加準確的感知周圍的環(huán)境。

此時，多傳感器融合(Multi-Sensor Data Fusion，MSDF)的問題就擺在了從業(yè)者面前。首先，不同傳感器采集的數(shù)據(jù)類型不同，其次，不同傳感器對于物體的檢測會出現(xiàn)不同的情況（例如雙重檢測、部分檢測等），需要進行數(shù)據(jù)的修正、融合等（例如Harmonize, Reconcile, Integrate, Synthesize等），描述出較為準確的外部路況信息。

處理數(shù)據(jù)的方式也有多種方法，但無論是情況排序法、加權(quán)投票法、優(yōu)先到達法等等，都各有優(yōu)劣。

在此基礎(chǔ)上，還需要考慮最終的操作是由哪個器件決定的，在哪里完成數(shù)據(jù)處理，并且如何將傳感器的數(shù)據(jù)發(fā)送到中央電子控制單元(ECU)。

集中式處理和分布式是兩個極端情況，大部分處理都在區(qū)間之內(nèi)，但如何平衡依然是難點。

此外，多傳感器帶來的線束問題也是“甜蜜的煩惱”。根據(jù)西門子的最新研究，目前汽車上的線束總長度已經(jīng)達到1.5英里，而傳感器所帶來的線束長度將超過1.5英里。

如何在汽車的空間范圍內(nèi)合理科學(xué)的布局這些線束，并且盡可能的降低熱量，也是實踐過程中遇到的難題。

（2）芯片的性能

多傳感器的問題同時也埋下了下一個問題的隱患，那就是芯片的性能。

如果需要更全面的了解外部路況信息，就需要部署更多的傳感器；更多的傳感器就對融合提出了更高的要求，而且在高速度的情況下，由于路況信息的變化，所帶來的數(shù)據(jù)信息也更為海量。

根據(jù)英特爾的測算，一臺自動駕駛的汽車，配置了GPS、攝像頭、雷達和激光雷達等傳感器，每天將產(chǎn)生約4TB待處理的傳感器數(shù)據(jù)，如此巨大的數(shù)據(jù)量必須有強大的計算設(shè)備來支撐。

如果我們打開現(xiàn)階段進行展示或者測試的自動駕駛汽車的后備箱，都會發(fā)現(xiàn)有一個很大的“計算平臺”。

這正是自動駕駛車輛的大腦和決策機構(gòu)。

如上文所說，眾多傳感器向“計算平臺”輸入數(shù)據(jù)，“計算平臺”實時處理海量的數(shù)據(jù)，并且在信息整合提煉的基礎(chǔ)上，比對位置的車輛信息，基于高精地圖以及已經(jīng)設(shè)定的路徑規(guī)劃，進行決策，決定車輛的行駛狀態(tài)，并且向控制單元信號輸出決策和控制信號。

但是隨之而來的是一個之前被科技行業(yè)所忽略的問題，強大的計算平臺同時也產(chǎn)生許多熱量，自動駕駛汽車配備的計算平臺，一定需要同時配備散熱設(shè)備。

所以，強大算力加上低能耗，成為了自動駕駛汽車廠商的追求。而即使是英偉達這樣的頂級GPU企業(yè)，也在算力和功耗的平衡上幾乎達到了天花板。

所以近年來，專用計算平臺更多的走進人們的視野，包括谷歌投入應(yīng)用的AI專用芯片TPU、國內(nèi)頂尖創(chuàng)業(yè)公司地平線推出的BPU，特斯拉也在投入巨資進行自動駕駛芯片的研究。

還有另外的問題，實現(xiàn)自動駕駛，到底需要多少算力？實現(xiàn)L3級別的自動駕駛，也許需要2TOPS，也有可能是需要20TOPS，真的沒有人說得清楚。

而且，這還只是L3級別，真的進入L4級別，算力的要求勢必將呈現(xiàn)出技術(shù)級的上升。

（3）成本與性能的平衡

在描述完多傳感器融合以及芯片性能的困局后，其背后的商業(yè)困局也自然呈現(xiàn)。

增加許多的傳感器必然將確保外部感知的準確性，芯片性能的提升也將有利于決策的提高，但這一切的背后，都將是成本的巨大提高。

以筆者所經(jīng)歷的來看，目前在國內(nèi)市場，傳感器加上芯片、處理系統(tǒng)等，成本價格基本抵得上一輛入門款的A級轎車，其次還要加上眾多研發(fā)人員和工程人員的時間投入。

也有法國的研究機構(gòu)統(tǒng)計，2018年正在測試的每輛自動駕駛汽車的平均價格是20萬美元。

成本的背后更為重要的是責(zé)任（Liability）的轉(zhuǎn)移。

在有人駕駛時代，駕駛者當然是第一責(zé)任人，自己做出車輛操控決策，并對可能的后果負責(zé)。但是當汽車廠商或者出行廠商推出自動駕駛車輛后，由于是廠商提供的車輛“自動”進行操控的決策，因此責(zé)任將轉(zhuǎn)移到廠商這邊。

為了降低其可能承擔的風(fēng)險以及后續(xù)的損失，廠商自然需要增加足夠的冗余，以保證產(chǎn)品達到車規(guī)級的安全。

而高昂的成本是消費者不愿意買單的，特別是在早期，當自動駕駛的功能非常有限，而且實現(xiàn)還需要在特定條件下才能觸發(fā)，更加削弱了消費者買單的意愿。

（4）數(shù)據(jù)、場景的本地性和通用性

正如老司機需要經(jīng)歷時間和眾多路況才能練成“眼手腳”的協(xié)調(diào)配合，自動駕駛汽車的決策能力提升也需要建立在大量有效的路測數(shù)據(jù)基礎(chǔ)上的決策算法的提升。

按照業(yè)內(nèi)普遍的觀點，自動駕駛企業(yè)需要100億英里的架勢數(shù)據(jù)來優(yōu)化其自動駕駛系統(tǒng)。

但這是人類不可能完成的任務(wù)，即便是取得指數(shù)級領(lǐng)先優(yōu)勢的Waymo，其自動駕駛汽車的路測里程累計也只是2000萬公里的量級（2000萬公里幾乎相當于繞了地球整整500圈）。

業(yè)內(nèi)其他的自動駕駛企業(yè)也利用仿真測試作為真實道路路測的補充，加快研發(fā)的進展。

但還是，即使如偉大的Waymo，目前的無人車隊也更多在車流量較少的鳳凰城進行測試。（而且這一切還是基于Waymo應(yīng)用的最佳的傳感器加計算平臺的組合，如果進入交通情況更為復(fù)雜的城市，現(xiàn)有的硬件和算法是否可以進行支撐，也是未知。）數(shù)據(jù)的多樣化以及豐富性同樣也是不足的，所以有業(yè)內(nèi)人士指出，由于數(shù)據(jù)本地性問題，Waymo的商業(yè)化路徑是否可以拓展，依然存在疑問。

自動駕駛初創(chuàng)公司NuTonomy的首席運營官道格?帕克（Doug Parker）的表述也說明了數(shù)據(jù)可拓展性面臨的難題，他說，目前開發(fā)的大多數(shù)自動駕駛汽車技術(shù)都是基于特定的地理位置，因此很難推廣到新城市，因為要在系統(tǒng)中計入新的規(guī)則和新的駕駛行為。

無論美國和中國的自動駕駛企業(yè)都面臨現(xiàn)實的挑戰(zhàn)，如果更換一個城市進行測試，有很大部分需要重新開始。

綜上所述，單車智能的方案曾經(jīng)帶給業(yè)內(nèi)諸多驚喜，但伴隨研發(fā)和測試進入深水區(qū)，多傳感器融合的問題、芯片算力和能耗的問題，以及數(shù)據(jù)本地性無法通用化的問題慢慢浮出水面，而且已經(jīng)遇到了發(fā)展的瓶頸，只能在諸多限制條件下做艱難的平衡。

同時，作為商業(yè)化的產(chǎn)品，必須還要考慮性能和價格之間的平衡，而高成本又成為目前“壓垮”自動駕駛商業(yè)化的稻草。

在一扇門悄悄關(guān)閉的時候，另一扇窗正在慢慢開啟。

單車智能漸漸式微，而車路協(xié)同的概念越來越得到業(yè)內(nèi)的關(guān)注。