商業化重壓之下，自動駕駛如何抵達“詩和遠方”？

不管你是擁抱還是抗拒，自動駕駛時代終究還是來了。

武漢無人駕駛網約車蘿卜快跑訂單量暴增；南京開啟郵政EMS首批量產自動駕駛重卡運營專線；青島開放121條智能網聯汽車測試道路；深圳將開通首條自動駕駛公交線；上海發放首批無駕駛人智能網聯汽車示范應用許可；北京發布《北京市自動駕駛汽車條例（征求意見稿）》為L3及以上自動駕駛汽車上路提供立法保障……

從牌照發放到準入上路，再到擬立法保障，在中央和地方政策的大力推動下，自動駕駛落地速度超乎想象。在這條通往“詩和遠方”的道路上，越來越多的障礙正在被清除，自動駕駛出租車、自動駕駛巴士將成為未來生活的常態。

但當自動駕駛逐步走出示范區，邁上開放道路，隨之而來的各類技術挑戰、法規重塑以及社會問題，成為決定這項技術能否真正普及應用的關鍵因素。

同時，車路云一體化作為與自動駕駛并行的另一條技術路線受到市場廣泛關注。有人不禁疑問，既然自動駕駛已經很智能了，車路云一體化還有必要嗎？車路云一體化究竟是市場的真實需求還是一個幻象？

自動駕駛的破繭時刻

隨著開放區域的逐漸擴容，一些圍繞自動駕駛出租車的不同聲音也浮現出來。在武漢城市留言板上，不少市民吐槽蘿卜快跑“行駛速度慢甚至龜速”“一個蘿卜堵在路上，幾百人走不了”“綠燈停著不走，紅燈沖到路中間”……

雖然人們對當前已在城市部分區域開展的自動駕駛試點運營的效果充滿不信任，甚至對其給交通造成的負擔有些不滿，但自動駕駛的普及應用有助于消除或減少人為因素對交通安全的影響，降低交通事故的發生率。

在《自然》最新發表的論文中，美國第二大公立大學中佛羅里達大學（UCF）針對自動駕駛安全性進行了一項研究。研究人員通過比較2016年至2022年間2100輛自動駕駛車輛和35133輛人類駕駛車輛的事故數據發現，自動駕駛車輛在執行常規駕駛任務（如保持車道位置和根據車流調整位置）時一般更安全、更不容易發生事故。此外，自動駕駛車輛在發生追尾和側擦事故時也更安全，事故發生率相比人類駕駛分別降低了0.5和0.2倍。

不過，研究同時表明，自動駕駛車輛在特定情境下似乎更易發生事故，比如晨昏弱光環境下和轉彎時（事故率分別是人類駕駛的5.25倍和1.98倍）。

雖然這項研究表明自動駕駛車輛有可能改善道路安全，但同時也強調了只有解決技術局限，才能確保自動駕駛車輛能在各種情況下安全運作。

當自動駕駛進入商業化運營階段，人們將安全風險的考量放到了首位，而不同的技術路線在駕乘體驗、算法規則、行駛效率等方面的側重點也是不同的。

當前，自動駕駛有兩條技術路線：“強感知+弱智能”與“弱感知+強智能”。

“強感知+弱智能”路線的代表是谷歌Waymo和百度Apollo。在感知上使用“雷達+攝像頭+高精地圖”的方式，智能上使用行駛規則輸入的方式，多采用AI小模型。在中美兩國，這套解決方案都是自動駕駛出租車的主流方案，優點是保證安全。因為感知能力強，信息獲取充分，這套方案對路況信息完全掌握，而在信息充分前提下，只要設置好行駛規則，那么車輛會完全按照交規行駛，比真人更守規矩，甚至于任何交通事故的責任都只會是對方。

不過這種方案在應對復雜路況比如紅綠燈路口的無保護左轉、無紅綠燈斑馬線行人橫穿等情況，都還是用規則控制來兜底安全，結果就是車輛在遇到Corner Case（極端情況）的表現并不穩定，可能出現急剎、長時間停車的情況，影響同一道路的其他車輛。但基于規則的好處也非常明顯，就是違反交通規則的概率非常低。

“弱感知+強智能”路線的代表是特斯拉FSD，感知上主要靠攝像頭，智能上采用端到端大模型。這條路線事實上就是完全模仿人類駕駛。正因為是模仿，所以既能模仿人類遵守交通規則的一面，同時也會模仿人類違反交通規則的不良行為，主打一個“人怎么開，自動駕駛也怎么開”。

但這類自動駕駛技術的不足之處在于，現實路況很復雜，攝像頭的感知范圍十分有限，僅限于車周圍100米至200米的范圍，同時受自然環境影響較大，攝像頭在雨雪霧天的檢測精度會大打折扣。很多情況下，出了事故很可能是自動駕駛車輛的責任。所以，現階段FSD依然是一種輔助駕駛技術，需要駕駛員在駕駛室里面隨時準備接管車輛控制權。

而端到端大模型是基于一個概率模型訓練，由于神經網絡輸出的結果具有一定的概率性，所以并不能保證輸出的結果絕對安全。同時，端到端大模型的決策過程具有“黑箱”特性，內部邏輯不公開，決策中所出現的問題難以被定位，導致為后續模型的優化造成阻礙。目前，國內不少車企宣布端到端大模型上車，實際上未完全放棄傳統的“規則控制”，仍會通過一些規則方法對神經網絡的輸出做二次校驗。

此外，數據量、算力以及對大模型的精簡優化都是推進大模型能否成功上車的重要因素。首先，自動駕駛需要大量的高質量訓練數據，這些數據包括各種駕駛場景、天氣條件和交通情況的圖像、視頻和傳感器數據。特別是遇到交通極端情況的數據更加重要，比如真正發生碰撞或在突發狀況前后車輛如何進行決策判斷的數據，或者在無信號燈路口以及在雨雪霧霾天氣中車輛如何通行的數據。收集、標注和維護這些數據的質量和多樣性是一項挑戰。

其次，將海量數據喂給端到端大模型時，算力是不可或缺的資源。車端的計算資源通常有限，部署端到端模型需要高性能的硬件支持，這會受到整車成本和布置空間的限制，而數據中心需要進行不斷擴建，才能滿足日益增長的算力需求。

當云端的大模型訓練完成后，需要對其進行精簡和優化。比如模型剪枝、量化等技術，以減少模型大小和提高運行效率。云端服務器擁有大量高性能硬件資源，支持大規模并行處理數據并進行數據存儲。但車載計算資源有限，為了與之適配，需要對模型進行優化，并降低能耗。

從上述兩條技術路線看，當前的自動駕駛盡管已經突破了實際應用的最低門檻，但算力、算法在迭代，數據還在積累中，決定性的技術主導設計還沒有得到確認，換句話說，技術尚未定型，而技術定型是工業品大規模復制的前提。

7月15日，特斯拉CEO埃隆·馬斯克對Robotaxi發布延期的問題作出了回應。馬斯克表示，他對Robotaxi的前部設計提出了變更要求，這一設計優化導致原定的發布計劃推遲。不過，馬斯克沒有給出具體的發布時間。

Robotaxi項目的延期，無疑揭示了特斯拉在推進自動駕駛技術商業化過程中所面臨的挑戰與復雜性，同時也表達出特斯拉在Robotaxi方面的審慎。畢竟，Cruise因交通事故被美國加州政府吊銷無人駕駛業務運營許可證的前車之鑒就在眼前。

與海外近乎一家獨大的特斯拉相比，國內智能駕駛系統正處于百花齊放的階段，不同車型、不同技術方案之間數據壁壘難以打通，而不同品牌的車輛所獲取的數據無論在豐富度還是規模方面都十分有限，這也就進一步限制了以數據為驅動的大模型的能力，從而影響了自動駕駛技術的進化升級。

痛點有“新解”

近日，上海市迎來自動駕駛測試車的重要時刻，預計最快在未來一周內，面向普通市民啟動自動駕駛智能網聯汽車的實地測試，測試期間可以免費乘坐。

不僅在上海，全國多地也出臺新政鼓勵自動駕駛發展。北京市經濟和信息化局對外征求意見，擬支持自動駕駛汽車用于城市公共電汽車客運、網約車、汽車租賃等城市出行服務；武漢相關部門提供的數據顯示，目前武漢市“上路”的無人車數量共有600輛，開通載人收費業務的約占七成；深圳巴士集團表示，該集團計劃年內在前海推出20輛自動駕駛公交車。

此前，多部門聯合公布自動駕駛試點城市名單，共覆蓋20個城市，不僅涵蓋了北京、上海、廣州、深圳等一線城市，成都、重慶、南京、武漢、合肥等新一線城市，沈陽、長春、福州、濟南等省會城市，還有十堰、鄂爾多斯等地級市，以及海口-三亞-瓊海聯合體、杭州-桐鄉-德清聯合體等城市群。試點范圍的廣泛性和多樣性為未來智能網聯汽車的全面推廣奠定了堅實基礎。

從實際國情來看，中國大力發展自動駕駛的前提必然要采取安全系數最高的解決方案進行兜底。而車路云一體化利用中國龐大的網絡和交通基礎設施，融入路側感知，通過融合車、路、云三端數據，形成規模更大、視角更豐富的交通數據集，以此為基礎提供一個更全面、準確的交通環境感知圖像，進一步提升自動駕駛的視距能力，增強單車的感知能力，從而超越了單車智能本身的局限，為實現更安全的自動駕駛打下基礎。

相比單車智能，車路云一體化的實時路況信息具有重大意義，包括但不僅限于疏堵增效、節能減碳、降低交通事故率。

疏堵是很容易理解的，當路側設施可以實時獲取每條道路上的車流量信息時，云平臺就可以按照車流量對紅綠燈的時間進行智能調整，同時還可以通過系統向智能網聯汽車傳輸行程規劃建議，比如提醒司機前方道路擁堵，切換到某一條道路行駛可以節約多少時間并節約多少油耗或電耗。

屆時只要智能網聯汽車大部分按照建議路徑規劃行程，道路擁堵也自然能得到有效緩解，道路通行效率乃至于運輸效率都可以得到大幅提升，并且過程中必然能起到有效節能減碳的作用，車流量的平均也可以降低交通事故率。

另外，從基礎設施稟賦來看，中國也更適合走車路云一體化路線。

網絡基建方面，截至2024年5月，我國5G基站總數達383.7萬個，占全球5G基站總數的60%，且我國大力推進5G、物聯網、衛星互聯網等技術的衍生應用，能夠滿足車路云一體化對于通信網的基本要求。

路側基建方面，我國公路總里程和高速公路總里程均領先于全球。2023年，全國公路總里程544.1萬公里，其中高速公路18.4萬公里，這意味著我國具有廣闊的路側單元（RSU）分布范圍。根據工信部統計，截至2024年5月，我國智能化路側單元部署超過8700套，可在原有稟賦的基礎上快速改造升級。

另外，中國的新型舉國體制優勢將在車路云一體基礎設施投資建設的過程中發揮重要作用。通過自上而下的政策推動和自下而上的實踐創新，將有助于全面推進智能網聯汽車準入和上路通行試點工作，推動健全完善智能網聯汽車生產準入和道路交通安全管理體系，以及高質量推進車路云一體化應用試點工作。

縱觀全球，車路云協同也正在成為各國推進智能交通體系的重要組成部分。

美國提出了網聯自動駕駛（CAV）的概念，美國聯邦公路管理局（FHWA）開發了CARMA平臺和CARMA云，以支持協同駕駛自動化（CDA）的研究和開發。在車輛與智能交通系統深度融合方面，由美國交通運輸部主導的智能交通系統，已將協作式智能交通參考框架（ARC-IT）演進到9.0版本，其中考慮了車路云協同自動駕駛。

歐洲在發展單車智能自動駕駛的同時，高度重視單車智能與車路云協同自動駕駛協同發展。與美國類似，歐洲智能網聯汽車發展起源于智能交通系統，并逐步通過車輛的智能化、網聯化實現車與交通系統的協同發展。歐洲智能交通系統開發與應用是與歐盟的交通運輸一體化建設進程緊密聯系的，在Horizon2020等計劃的資金支持下，通過智能汽車自動駕駛應用和技術（AdaptIVe）、協同智慧交通（C-ITS）等項目的實踐，在智能網聯汽車、智能交通系統、基礎設施建設方面積累豐富經驗。

2018-2022年，日本相繼發布了《自動駕駛汽車安全技術指南》、《道路交通法（修正案）》，持續更新發布《官民ITS構想路線圖》、《實現自動駕駛行動方針》等政策法規，探討了L4級自動駕駛的基礎設施協同機制與商業模式等，并計劃于2025年實現高速公路L4級自動駕駛。

德國推動“共同協作的高度自動化駕駛”（Kohaf或Ko-HAF）研究項目，使車輛通過移動無線電將其環境信息發送到安全服務器，服務器將信息進行收集壓縮使車輛擁有最新的高精地圖，從而提供更好的信息預報。

不難看出，隨著單車自動駕駛技術進步空間趨于飽和、技術提升的瓶頸以及交通環境復雜性的增加，未來的自動駕駛將越來越依靠車路云一體化設施的有效支撐。在此背景下，車路云協同自動駕駛產業創新體系一旦形成，其將釋放更大的產業鏈價值，成為新一輪科技創新和產業競爭的制高點。