自动驾驶狂热期已过，L5规划将推迟

2017年年中，业界普遍预期主要车企规划到2020~2021年间实现Level5 的完全自动驾驶,2021年实现L5。Elon Musk在2017年5月的一次TED 演讲中宣称，Tesla将在2019年之前实现Level5级全自动驾驶。

然而，站在2018年下半年的时点来看，L5并不会这么快到来，部分车企已经推迟了L5规划或暂停部分自动驾驶研发计划。Gartner的技术成熟度曲线中，自动驾驶技术已由2017年的“过高期望峰值期”，开始进入“泡沫低谷期”。

2017年12月，Volvo将原定于2017年开始的“Drive Me项目”推迟至2021年。

2018年1月，CES 2018上，Ford新任CEO Jim Hackett 发表了题为“让我们一起寻回街道”的演讲，表示Ford 的研究重点已从自动驾驶转移到车联网。Hackett在2017年8月接受SFGate采访时曾表示，“公众关于自动驾驶汽车的浪漫想象有点过头了”。

L5级自动驾驶可能需要2025年前后才能够实现。根据各公司公开披露的计划，福特、宝马、百度等公司宣称2021 年开始量产至少L4级别的自动驾驶汽车。德尔福与Mobileye合作，宣布将于2019年提供L4级别的自动驾驶系统。Tesla则更加激进，2018年实现至少L4级别的自动驾驶。对此，学术界则显得没有这么乐观，卡内基梅隆大学机器人中心Raj Kumar认为至少要到2026年才能实现L5级别的自动驾驶。此外，Waymo计划2018年内，在凤凰城的有限区域内试点无人驾驶打车服务；通用Cruise在2018年1月发布了无方向盘、油门、制动踏板的第四代无人驾驶汽车Cruise Av，计划2019年量产并分配到美国部分城市作为共享汽车。

实现通用无人驾驶，安全是核心、需五大基础

实现通用无人驾驶的前提是保证安全。由安全需求展开，通用无人驾驶的实现需软硬件技术、V2X、基础建设、政策法律、公众接受度等五项基础的成熟和完善。其中，软硬件技术、V2X的发展将耗费大量的物料成本，政策法律、公众接受度的成熟需投入不可计数的社会成本，基建则将同时花费物料成本和社会成本。

软硬件技术：1）汽车传感器中激光雷达价格高昂，且目前缺少L4+车规级产品。固态激光雷达是车规级激光雷达的发展方向，待成功量产后将大幅拉低激光雷达的成本。2）传感器融合算法以及决策算法还在初级阶段。此外，汽车半导体、高精度地图等其他技术也有待进一步成熟。

V2X：V2X（Vehicle to Everything）是物联网概念在汽车领域的延伸，包括V2V（Vehicle to Vehicle）车辆之间通信、V2I （Vehicle to Infrastructure）车与基础设施通信、V2P（Vehicle to Pedestrian）车与行人交互等。V2X网络的建设需要与道路、网络等基础设施相配合，全面建成有待时日。

基础建设：1）道路上适应于V2I 的基础设施的建设；2）5G网络具有高速、低延迟的特性，对于V2V、V2I至关重要。

政策法律：1）美国、德国、日本、新加坡、中国等已经在部分地区开放了自动驾驶汽车道路测试。而常规路段对自动驾驶汽车的开放，目前在除英国外的大部分国家都进展缓慢。2）自动驾驶的法律地位、民事归责、刑事归责等相关法律问题需要进一步讨论和完善。据新华社报导，我国自动驾驶汽车的全面部署，至少需要修改七个领域（包括交通安全管理、测绘、运输、信息、通讯、质检、标准化）24 部以上的法律。

接受度：目前，公众对完全自动驾驶的接受度普遍较低。据罗兰贝格的消费者调研结果，完全自动驾驶的接受度仅为20%。公众一方面认为完全自动驾驶将剥夺驾驶乐趣，另一方面则是对完全自动驾驶的安全性存在担忧。

限定场景自动驾驶成长超预期，商业化只待成本降低

在物流、工程、农业、园区等限定场景下，行驶速度较慢或者场景较为简单，使得自动驾驶的难度大幅降低。近年来，限定场景下的自动驾驶成长迅速，多个领域中陆续有试验性项目落地或小规模量产。

物流领域：快递、卡车货运、仓储

案例#1 京东校园快递无人车

京东在2017年618促销节期间，宣布快递配送无人车在人大校园内投入运营。运营初期，无人车每日派件10余单，对应的工作时长约5-6小时。京东无人车行驶速度较慢，正常行驶时平均速度3~4km/h。无人车具备避障能力，当检测到前方3米内的障碍物时，会提前做好路线调整；如果障碍物突然出现，无人车会立即停下，且若障碍物2秒后未移开，无人车会后退并绕行。

案例#2 Otto 自动驾驶卡车

2016年10月，Otto自动驾驶卡车满载5万罐啤酒，在高速公路上全程无人干预的情况下以55英里的平均时速行驶120英里后抵达目的地，并收获了470美元的报酬。Otto在2016年8月被Uber以6.8亿美元收购，但后来经历了被Waymo起诉、创始人出走等事件，甚至2018年7月时Uber宣布停止开发自动驾驶卡车。

案例#3 Clearpath 仓储自主移动机器人

加拿大Clearpath Robotics公司的OTTO 100、OTTO 1500 是专为工厂和仓库设计的自主移动机器人（AutonomousMobile Robots，AMR），运行速度为2m/s。不同于传统的自动导引车（Automated Guided Vehicles，AGV），AMR无需建设用于导航的轨道等基础设施，而是能够自主寻找最优路线、避开障碍物，实现了从“自动（Automated）”到“自主（Autonomous）”的升级。AMR极大地节省了前期建设成本，具有更高的灵活性。

公共交通：巴士、出租车、摆渡车

案例#4 百度自动驾驶巴士阿波龙

百度在2018年7月的AI开发者大会上宣布，全球首款L4级别的自动驾驶汽车阿波龙小巴车已量产下线。目前，100台阿波龙正进行小规模运营。阿波龙完全去掉了中控台、驾驶座、方向盘、油门和刹车踏板，最多载客14人，最高时速达70公里，充电两小时续航里程达100公里。除了在北京、广州、深圳、福建平潭、雄安等地运营外，百度还在日本与软银合作，将阿波龙用于核电站内部人员接驳、东京地区高龄化社区穿梭接送等。

案例#5 nuTonomy 自动驾驶出租车

nuTonomy 是由MIT 孵化的自动驾驶出租车初创公司，2016年4月开始在新加坡One-North园区附近为上班族提供无人驾驶出租车服务，车队由6辆自动驾驶车辆组成。由于新加坡人口密度大，停车位和道路有限，因此nuTonomy 研发自动驾驶出租车得到了新加坡政府的大力支持。此外，nuTonomy 已经获得了许可，将会在美国波士顿街头进行测试。

案例#6 驭势科技无人驾驶摆渡车

2017年2月，驭势科技在白云机场投入一辆无人驾驶车，在航站楼与停车场之间提供摆渡服务，这是国内机场首次采用无人驾驶摆渡车。在杭州来福士广场，驭势科技还投放了针对大型地下停车库的无人驾驶摆渡车，运行速度8 公里/小时。消费者购物后，可以在电梯口直接输入自己的车牌号，无人车就会将消费者带到相应的停车位。

限定场景自动驾驶商业化只待成本下降

虽然限定场景自动驾驶技术已日趋可用，但商业化仍需考虑成本问题。

目前自动驾驶汽车单车成本较高，可能超过司机工资及事故成本降低所节省的费用。

在港口、仓储等场景中，AGV 方案发展成熟，相比当前的自动驾驶更加经济高效。

AI 赋能汽车理解决策能力，端到端自动驾驶是终极目标

AI 技术在理解层和决策层中赋能自动驾驶

自动驾驶是一种类人驾驶，即计算机模拟人类的驾驶行为，其功能的实现同样分为感知、理解、决策和执行四个层次，由各类传感器、ECU和执行器来实现。

在整个自动驾驶实现的流程中，1）感知层主要依赖激光雷达和摄像头等传感器设备所采集的信息感知汽车周围环境，以硬件设备的精确度、可靠性为主要的衡量标准。2）执行层通过汽车执行器，包括油门、转向和制动（刹车）等，实现车辆决策层输出的加速、转向和制动等决策，主要依靠机械技术实现。3）AI技术主要应用于理解层和决策层，担任驾驶汽车“大脑”的角色。

理解层对感知层数据进行解析，AI 算法技术优势尽现

依据感知层传感器的不同，理解层主要完成两个任务：车辆的高精度定位，以及物体识别和追踪。

高精度定位任务的实现主要是通过GPS或视觉的算法实现非常精准的车辆定位，目前主要的技术路线有三种：惯性传感器（IMU）和GPS定位、基于视觉里程计算法定位、基于雷达的定位。

AI 算法在理解层最主要的应用是物体的识别和追踪。物体跟踪和识别包括静态物体识别和动态物体识别，对于动态物体还需要对其轨迹进行追踪，基于追踪的结果预测其下一步的位臵，计算出安全的行车空间。自动驾驶车辆需要实时进行多个物体的识别和追踪，典型的物体包括车辆、行人、自行车等。

激光雷达和计算机视觉是实现物体识别/跟踪的两种途径，Google 和Tesla分别代表了这两种不同的技术路线。

激光雷达生成的点云数据包含物体的3D 轮廓信息，同时通过强度扫描成像获取物体的反射率，因此可以轻易分辨出草地，树木，建筑物，路灯，混凝土，车辆等。识别软件算法简单，很容易达到实时性的要求。

计算机视觉的方法是利用深度学习对摄像头图像进行处理，从像素层面的颜色、偏移和距离信息提取物体层面的空间位臵（立体视觉法）和运动轨迹（光流法）。基于视觉的物体识别和跟踪是当前的研究热点，但是总体来说输出一般是有噪音，如物体的识别有可能不稳定，可能有短暂误识别等。

决策层如何应对复杂情形是自动驾驶的关键瓶颈

在理解层的基础上，决策层解决的问题是如何控制汽车行为以达到驾驶目标。在一个具有障碍物并且动态变化的环境中，按照一定的评价条件寻找一条从起始状态到目标状态的无碰撞路径。自动驾驶汽车的决策包括全局性导航规划、驾驶行为决策和运动轨迹规划。1）全局导航规划在已知电子地图、路网以及宏观交通信息等先验信息下，根据某优化目标，选择不同的道路。2）驾驶行为决策根据当前交通状况、交通法规、结构化道路约束，决定车辆的目标位臵，抽象化为不同的驾驶行为，如变换车道、路口转向等。3）运动轨迹规划是基于驾驶行为决策，躲避障碍物，对到达目标位臵的路线进行规划。

基于规则的传统算法，在应对复杂情形下的决策仍存在挑战。道路上的交通参与者（车辆、行人、自行车等）的状态和意图具有不确定性，决策算法需要在这样的环境下，以较短的时间进行行为决策，无疑是个技术难点。当前自动驾驶的决策算法多基于规则，如有限状态机算法、决策树等算法等。需要开发者利用专业知识对特定问题进行抽象和建模，实际上这种方式缺乏灵活性，特别是在复杂情形下，交通参与者的不确定性更高，算法更是难以做到面面俱到。

强化学习在自动驾驶决策层具有应用前景。强化学习的目的是通过和环境交互学习到如何在相应的观测中采取最优行为。行为的好坏可以通过环境给的奖励来确定。不同的环境有不同的观测和奖励。例如，驾驶中环境观测是摄像头和激光雷达采集到的周围环境的图像和点云，以及其他的传感器的输出。驾驶中的环境的奖励根据任务的不同，可以通过到达终点的速度、舒适度和安全性等指标确定。当前增强学习的算法在自动驾驶汽车决策上的研究还比较初步，有试错次数多、算法可解释性差等弱点。

深度学习算法在自动驾驶中广泛应用，端到端自动驾驶仍具挑战

车辆的道路行驶环境非常复杂，需要处理大量非结构化数据。深度学习算法能够高效的处理非结构化数据，并自动地从训练样本中学习特征，当训练样本足够大时，算法能够处理遇到的新的状况以应对复杂决策问题。以基本的车辆识别问题为例，在用足够多的汽车图像对算法进行训练后，算法具备了识别汽车的能力。

深度学习在自动驾驶中的应用可以分为两个学派：端到端式（End-to-End architecture）和问题拆解式（SemanticAbstraction）。与人类相比，在端到端式的构架中，一个DNN网络模拟了人的整个驾驶行为；而在问题拆解式的构架中，每个DNN网络仅模拟了人的一部分驾驶行为。

端对端式不需要人工将问题进行拆解，只需要一个深度神经网络（DNN），在经过训练后，基于传感器的输入信息（如照片），直接对车辆的加减速和转向等进行控制。

问题拆解式需要人工将问题进行拆解，分别训练多个DNN网络，实现诸如车辆识别、道路识别、交通信号灯识别等功能。然后基于各个DNN网络的输出，再对车辆的加减速和转向进行控制。

目前，问题拆解式深度学习在自动驾驶领域得到广泛的应用，主要是进行图像识别。如识别行驶途中遇到的车辆、行人、地上的交通标志线、交通信号灯等。在KITTI2数据集上，排名第一的车辆识别算法已经能够达到92.65%的准确率3。以色列Mobileye是这个领域的领军人物，其推出的基于摄像头的图像识别解决方案EyeQ得到了业内的认可，被10多家汽车制造商超过100种车型所采用。众多创业公司也试图从这个角度切入自动驾驶领域，提供图像识别算法，如商汤科技、图森互联、地平线科技等。

NVIDIA在测试车上通过端到端式的深度学习实现了对车辆转向的控制，百度在2017年CES上推出了开源的端对端的自动驾驶平台Road Hackers及训练数据。目前端到端方案需要大量的数据进行模型训练（模型参数更多），算法的可解释性变差，难以进行错误排查，在可靠性上也存在一定问题，仍处在较为初级的阶段。