每經熱評｜自動駕駛“加速走來” 技術層面仍存四大問題

每經特約評論員 盤和林

最近，自動駕駛無論是在政策扶持層面還是企業層面，都在不斷升溫。

政策層面，我國一直持鼓勵態度。8月8日，交通運輸部發布《自動駕駛汽車運輸安全服務指南（試行）》（征求意見稿）（以下簡稱《指南》），向社會公開征求意見。業內人士判斷，近期的政策動作，都圍繞著同一個詞——商業化落地。

新華社圖

而在企業層面，7月21日上午，百度在2022百度世界大會上，發布了第六代量產無人車Apollo RT6，號稱具有L4級自動駕駛水平。

當然，也不全是令人振奮的消息。例如，近日杭州交警部門對7月29日深夜杭州西溪濕地景區福堤附近發生一起特斯拉Model X沖出路面，撞上路邊的路燈桿交通事故的調查結果公布，該事故由駕駛員鄭某負責。經調查確認，發生事故前，車內僅駕駛員鄭某一人，且其全程坐在駕駛座上。司機鄭某承認事發時喝過酒，卻認為自動輔助駕駛系統應承擔車禍責任。

在自動駕駛領域，最為核心的一點，其實是達到什么樣水平的車輛才可以商用。我們不該只看概念車，應該從數據中去獲得答案。筆者認為，不應該一上來就允許無安全員的自動駕駛商業化運行。

競爭焦點在L4等級上

自動駕駛的功能效果可以分為6個等級，從L0到L6。目前主要是集中在從L3向L4等級邁進，競爭的焦點就是L4。所謂L3，指的是有條件自動駕駛。例如在外部環境比較穩定的高速公路，駕駛員可以完全放開方向盤。但L3需要人類駕駛員在必要時主動接管，所以依然需要人類駕駛員在駕駛室。而L4屬于高度自動駕駛，可以認為是限定區域內的無人駕駛，在自動駕駛感知信息來源比較充分的區域，可以沒有司機，汽車可以自動運行，甚至不再需要裝方向盤。L5屬于完全自動駕駛，在所有路段均可以完全無人駕駛。

L3是自動駕駛，但L3有個大難題：需要人類駕駛員在必要時候主動接管。那么，什么時候是必要時候？由于現實道路路況復雜，人類司機對于L3，存在過度信賴和完全不信賴兩種極端分化的心態。完全不信賴讓L3技術毫無意義，而過度信賴L3又會導致大量交通事故的發生。L3當前所有交通事故，依然需要人類駕駛員自己承擔。所以實際上L3只是一個過渡性玩具，它不能真正解放人類駕駛員。L5是無法實現的，這幾乎已經成為自動駕駛行業的共識。

L4是在限定區域內實現無人駕駛技術，由此，自動駕駛未來數年的應用限定在幾個領域：出租車、公交車、干線物流（高速無人卡車）、末端配送（無人配送車）、園區景區（低速游覽車）、礦區（無人特種車）、港口（港口無人車輛）、環衛安防（清潔車）、機場（無人引導車）等。所有的應用本質上都在限定區域。而實現這些L4應用，從技術上看有以下三種路徑：

其一，無人、封閉區域運行。園區景區低速游覽車、工業物流園區、礦區、港口、機場等，這些場景實現L4較為簡單，自動駕駛可以在軌道車和傳送帶的基礎上優化實現，當前物流領域的無人倉儲已經非常成熟。

其二，單車智能。視覺神經網絡下的弱智能+包含激光雷達的強感知+高精地圖。同樣是單車智能，特斯拉屬于異類，想要打造強智能的視覺神經網絡，不肯用激光雷達和高精地圖，實踐證明特斯拉的自動駕駛水平停留在L3階段。最樂觀的看法，也需要10年才能碰到L4的門檻。但特斯拉并非盲目，訓練一個和人眼同樣強大的AI視覺，成功了確實是跨越式發展，哪怕失敗了，以新能源汽車起家的特斯拉也耗得起。但單車智能當前通行的做法還是AI弱智能+激光雷達強感知+高精地圖的解決方案。

本輪自動駕駛的熱潮起于谷歌。2012年谷歌開始試驗無人駕駛車輛，積累數據，谷歌也是深度學習神經網絡的早期推動者。其開發無人駕駛的初衷實際上是想要將深度學習應用在自動駕駛上，但其后發現，開放道路的環境實在太過復雜。視覺AI即便能夠準確識別99%的物體，但只要1%的未識別、識別錯誤存在，其安全性就無法保障。深度學習本身是一個技術黑箱，設定算法，輸入數據進行訓練，如果導出結果是正確的，則調參激勵，如果導出結果是錯誤的，則調參懲罰。這也導致很多AI視覺神經網絡無法識別的情況沒辦法找到原因。所以谷歌在自動駕駛上增加了激光雷達和高精地圖，同時配合輸入環境參數，限制自動駕駛在固定區域內運行。這就有了谷歌旗下waymo在美國幾個城市開展的Robotaxi業務。限定區域、輸入環境參數、AI神經網絡、激光雷達、高精地圖，單車智能幾乎用上了所有可用的工具，但也只是勉強實現了L4。而同樣的一套自動駕駛系統，在更換運行區域的時候，需要重新設定環境參數，要重新積累數據。

其三，車路協同輔助下的自動駕駛。單車智能整套系統很昂貴，但也僅僅是掃描周邊環境，并不能了解100米外的情況，于是就有了車路協同系統，通過通信基站，在一些道路布置專網通信，車與人、車與車、車與路通信。車路協同下的自動駕駛將車輛內部昂貴的感知系統放到了道路兩側，讓車輛可以更加充分接受環境信息，的確使得自動駕駛實現的難度降低，但這多少類似于“沒有軌道的軌道交通”。筆者認為，未來車路協同可能是城市智慧交通升級的一部分，是基建，但對于自動駕駛的作用主要還是輔助，因為單車智能未來價值更高。當前單車智能的確是蹣跚學步階段，但如AI視覺神經網絡，哪怕10年或者20年內成熟，其技術本身就極具意義。車路協同下，自動駕駛如果只有車路協同，那么很可能只是能用，不能讓技術產生額外的價值。

綜上，可以看到，實際上當前自動駕駛主要的技術方向是單車智能為主，車路協同為輔。

技術層面充斥各類風險

一切看似順利，但實際上在技術層面充斥著各類風險。總結這些風險，結合中國現狀，大約存在以下幾個層面的問題：

其一，自動駕駛依然是“薛定諤的安全”。美國加州有一個自動駕駛路測，路測中有一個每10萬公里安全員干預次數指標。至今，依然沒有0次干預的自動駕駛技術，安全員干預的問題包括：高精地圖問題、視覺感知障礙、軟件穩定性問題、感知系統問題導致緊急剎車、運動軌跡需要優化、未正確識別紅綠燈、車道錯誤、誤識別等。自動駕駛技術似乎到達了一個瓶頸。2018年，Uber的自動駕駛導致了一起重大交通事故，最終判定AI識別出了路人，但汽車機械部分沒有執行，也就是即便智能駕駛技術是安全的，決策層和執行層的銜接也有可能導致嚴重事故。用戶對自動駕駛安全性的包容度更低。坐飛機其實是很安全的，但有人恐懼坐飛機，卻并不恐懼坐汽車。人的確是存在非理性認知偏差的，但你沒辦法要求人群保持理性。用戶對自動駕駛的安全性要求普遍很高，10萬公里中哪怕是發生1次事故，都會讓自動駕駛面臨重啟的風險。

其二，迷霧中的高精地圖。高精地圖是自動駕駛技術的標配，但當前高精地圖依然是一個高壁壘的領域，采集數據的成本很高，而隨著道路的變化，高精地圖還要不斷修正地圖信息。即便是這些問題都解決了，政策上對一些高精地圖數據的開放也是有限制的，這就使得自動駕駛車輛往往無法量產。不過Robotaxi業務對于高精地圖數據的要求確實有所降低，因為是在一定城市區域內運行，高精地圖企業只要采集本地高精地圖信息即可，并保證高精地圖數據及時更新，但這方面也就需要政府對某塊地區的高精地圖信息完全開放。

其三，仿真路測和現實路測。在技術上，各地應通過路測數據來發放運行許可，路測數據應該由官方確定。理論上說，自動駕駛需要上百億公里的路測數據才能達到安全門檻。但現實中其實并非如此。在2021年8月，谷歌waymo的數據里程是3600萬公里，320億公里的仿真里程數。2022年7月百度的Apollo測試里程達到2700萬公里，仿真里程數也達到10億公里級別。現實路測里程不足，則仿真模擬里程來湊。仿真里程，說到底還是在一個虛擬環境中的駕駛數據。由于自動駕駛的核心是單車智能中的AI視覺神經網絡，而深度學習神經網絡是AI機器學習的一種，所以自動駕駛的發展依賴于行駛數據的積累，當前自動駕駛企業都以仿真路測來代替現實路測，體現出自動駕駛企業急躁的心態，但對于自動駕駛技術來說，這并不能增強可靠性。仿真虛擬環境，還是不能替代現實路測，因為現實遠比仿真環境更不可測，問題更多。

其四，測試環境和開放環境并不相同。量產的自動駕駛面臨的環境更加復雜，用戶并非專業人士，他們不知道何時要去接管自動駕駛車輛，也不會去維護系統，保持系統穩定性。工業上有個詞，叫魯棒性，指在異常和危險情況下系統生存的能力。測試往往在穩定環境中運行，而現實不存在穩定環境。比如2022年，俄羅斯一次圍棋比賽，AI機器人竟然莫名其妙夾住了人類棋手的手指，導致意外傷害，最后結論是人類棋手出手太快，沒有等。但開放環境下，我們不能要求人人都規范地和AI交流，比如會不會有人故意阻擋自動駕駛車輛？

綜上，Robotaxi下的自動駕駛，正在趨于完善，但真的到能夠量產和全面鋪開的地步了嗎？筆者認為，我們首先需要有一套自動駕駛系統能力的評測體系，各地需要開展路測來驗證各家自動駕駛技術的成熟度，而不應該一上來就允許無安全員的自動駕駛商業化運行。

（作者系浙江大學國際聯合商學院數字經濟與金融創新研究中心聯席主任、研究員，工信部信息通信經濟專家委員會委員）

封面圖片來源：新華社圖