自动驾驶汽车还需要驾驶员吗？

March 2, 2023

Fanny Hu

发布于2022-08-23

汽车行业已全面进入电气化时代。这是自主机厂在20世纪正式推出内燃机以来，动力传动系统开发中的首个真正变革，它开启了许多真正的创新机会，包括电动汽车里程增加，马力加大与电池快充能力增强。

此外，投资的步伐正与开发需求同步，推动产品开发：福特宣布未来五年内将投资220亿美元，到2050年实现碳中和。通用汽车将在2025年前发布30款新电动汽车，实现到2035年仅出售零排放汽车的目标。通用汽车还宣布与本田合作，到2027年推出经济型电动汽车，弥补已面世和即将问世的豪华、高价位车型留下的空白。

对电动汽车的关注和投资如此之多，自动驾驶汽车应如何定位？

2015年，特斯拉的Elon Musk预测全自动驾驶汽车将于两年后问世。然而，梅赛德斯奔驰在这场竞赛中拔得头筹，率先开发出SAE Level 3™（适合公路驾驶）级自动驾驶汽车。紧随其后的是通用汽车和特斯拉，他们开发的汽车已经达到带高级辅助驾驶 (ADAS) 系统的SAE Level 2™（驾驶自动化）等级。尽管SAE Level 3™实现了从驾驶员监控驾驶环境到自动驾驶系统的过渡，但汽车只有达到SAE Level 4™才能实现真正的自动驾驶。

在花费数十亿计美元投入技术研发，距Musk的预测已过五年之久后，我们和全自动驾驶汽车的远大目标之间的路程，恐怕连一半都还没走完。本文将阐述自动驾驶技术的现状，并推测我们是否以及何时能够达到SAE Level 5™。

自动驾驶汽车的市场驱动因素

自动驾驶汽车的市场驱动因素依然存在。然而，电动汽车提供更稳定的电源、低延时、高级传感与处理强度，因此作为一个独立市场运营更加有利。尽管如此，随着电动汽车逐渐渗入市场，自动驾驶技术的发展受到了一些不利因素的影响：道路上的电动汽车不够多、零部件短缺、常规电动汽车开发的技术资源与之竞争，以及自动驾驶汽车纯粹的技术挑战。

尽管存在这些挑战，四大市场驱动因素依然推动着汽车自动化的发展。

安全性

根据NHTSA的统计数据，2019年机动车事故超过90%由人为失误造成。2019年机动车事故超过90%由人为失误造成。因此，城市与公路部门的官员以及医学界都支持开发自动驾驶汽车，以消除或减少人为驾驶失误。在需要综合考虑千变万化的天气模式和各种路况时，导致车祸的重要罪魁祸首被消除，显然对驾驶十分有利。

环境优势

自动驾驶汽车连接物联网设备不仅能让系统优化电池效率，同时还能延长续航里程。更好的处理控制可在相同输入源能量下提供更多的输出。监管压力也发挥着一定的作用，对车辆排放的要求正变得越来越严格。

智能城市连接

随着工业4.0将更多以往不相关的实体连接起来，智能城市的兴起增强了自动驾驶汽车的优势。让汽车与城市基础设施通信，为城市规划人员创造了极具吸引力的机会，来缓解交通堵塞、在车祸后或道路施工期间立即疏导交通，以及确保车辆与傍晚城市路灯同步，确保适当的道路照明。

驾驶员/乘员便利性

驾驶员注意力被分散的情况与日俱增。发光广告牌和交通标志上“不要边发消息边开车”的标语旨在恳请驾驶员驾车时要注意安全。然而，车辆乘员希望保持联网的诉求只增不减。若汽车自己能够执行驾驶功能，用户就能在汽车行驶途中自由工作、上网或浏览。

迄今为止的进展—接近Level 3甚至更高

AI技术的进步为全自动驾驶奠定了最重要的基础。在美国机动工程师协会 (SAE) 设定的0-5等级中，SAE Level 5™即为全自动驾驶。梅赛德斯-奔驰凭借其Drive Pilot系统抢先实现了SAE Level 3™自动驾驶，该系统于2022年早期取得了上路许可。它集成了激光雷达、后窗摄像头和麦克风，能够与交通信号和碰撞报警、道路地形以及卫星指示的路线描述等外部因素进行沟通。

特斯拉把车辆自主化放在重要位置，开发出了具有变道和导航转向功能的“Autopilot”软件。该驾驶辅助系统能够让汽车能够在最小人为干预下搭载乘员，尽管它并不能脱离驾驶员对情况的监控，必要情况下驾驶员还需要接管。

通用汽车推出了“Ultra Cruise”自动驾驶系统，除了适用于公路行驶外，还可以处理转弯和城市街道等路况，涵盖了大约95%的铺装路面交通场景。

在这些主流系统大放异彩后，福特、沃尔沃和宝马等传统主机厂也作出承诺，苹果、Waymo和Nvidia也成为技术驱动型公司的努力风向标。尽管SAE Level 3™是一个重要的里程碑，但只有达到SAE Level 4™，才将实现变革性的汽车自动化。

赋能技术

许多公司都成功达到了SAE Level 2™级，而大多数公司都能提供SAE Level 1™级自动化，这已经为自动化技术搭建好了一些“构件”。

激光雷达与雷达

光探测与测距（LiDAR，激光雷达）可作为探测车外物体精确距离的远程传感器。无线电探测与测距（RADAR，雷达）利用无线电波达到相似的目的，此外还可探测附近物体的角度和速度。尽管有后文所述的常见挑战，但激光雷达与雷达的组合已在诸多主流主机厂的自动驾驶演示中证明是有效的。

摄像头和超声波传感器

激光雷达与雷达探测车辆外的状况，并将数据反馈给中央处理器。摄像头通过视频收集额外输入，并将输入传输给系统进行分析。这需要复杂的处理算法来解读收集到的图像。超声波传感器完善了为自动驾驶提供信息的传统工具。这些传感器提供短距离信息，通常用于辅助停车和备用系统。

要实现更高水平的自动驾驶，光/无线电测距、视频和传感器相结合时的缺点是主机厂首先要解决的重大问题。此外，这种方法很容易受到环境与天气条件以及系统接收图像数据的清晰度影响。克服这些问题需要真正的突破性创新。

热门开发领域

通过将上述技术与麦克风相结合，梅赛德斯-奔驰依然实现了SAE Level 3™级自动驾驶。但如前所述，达到SAE Level 4™才实现了主流自动驾驶的起点。解决传统方法局限性的下一步可能是寻求车辆接收信息的新方法。

定位探地雷达 (LGPR)

雷达很容易受到车行震动的影响，这对于常年暴露于极端温度和各种天气类型的道路而言是家常便饭。麻省理工学院的研究人员最初针对军事应用对雷达技术进行了改进，这就是LGPR（图1）。

图1：这项探地雷达系统补充了现有技术，以期让自动驾驶更安全。（图源：MIT新闻）

这种增强型的雷达通过向地面发送无线电波来创建路面的数字地图，为车辆传感器提供参考状态，因为地面地形不依赖于天气或条件。此外，这种参考状态还能够消除因振动导致的不可靠雷达数据。

热成像

热成像传感器是一种全天候相机，可检测比可见光谱更长波长的热量差异。这些传感器不再受肉眼所见的限制，具备优秀的全天候从物体、不同动物和外部因素中识别出人的功能。

人工智能 (AI)

如前所述，人工智能的进步正在使车辆自动驾驶功能随着每一项改进而得以进一步实现。随着人工智能消耗更多数据，算法可以不断利用机器学习来提高驾驶性能。此外，该技术还提供即时的自适应建模，以创建更准确的环境场景。就像制造业中的预测性维护那样，人工智能可以随着时间变化预测由于正常磨损和路况多变而导致的汽车性能变化。

阻碍与当前挑战

现有系统面临的挑战，主要在于于天气、图像不稳定性或技术故障。不仅如此，在技术因素之外，人为因素和商业因素也会在实践中构成障碍。

天气

已有多个事例表明，太阳眩光会妨碍车辆准确评估其周围环境的能力。这些问题再加上大雨、大雪或大雾条件，限制了激光雷达和摄像头的精确度。自动驾驶依赖于接收有关环境条件的精确信息，天气事件会致使成像技术发送的信号类似于夜晚拍摄的效果。

图像不稳定性

与天气相关的限制类似，由于对焦不佳或深度感知不准确导致的图像不稳定，也会阻碍车辆准确接收和处理信息的能力。此外，物体深度与焦点几乎有无限种组合，而目前的技术还不够强大，无法准确快速地处理所有情况（图2）。

图2：机器学习和人工智能用于识别物体。（图源：Akarat Phasura/Adobe Stock）

振动和传感器故障

如上所述，振动会损害雷达信息，产生不可靠的源数据，从而影响自动驾驶性能。振动是一项关键的耐久性测试，不仅在产品设计过程中通过计算机辅助工程进行分析，而且还作为产品开发的一部分进行验证。将复杂装备暴露在（实际或模拟的）恶劣路况中也存在损坏传感器设备的风险。车辆自动驾驶性能的天花板完全取决于接收数据的好坏，由于崎岖地形造成的传感器故障是一种会产生严重后果的合理潜在故障模式。

人们的行为习惯与采用率

自动驾驶对我们目前的生活方式而言是一种巨大变革。如果不再需要操控汽车，我们每周会立即腾出几个小时的时间。在腾出的时间里，我们可以处理个人或专业事务、做好工作准备、与远方的家人视频通话、帮助孩子完成家庭作业，或进行其他活动。

在达到这种状态之前，我们需要考虑的是，当道路上只有一部分车辆是自动驾驶车辆时，会出现怎样的状况。真正喜欢开车的人也不在少数，尽管自动驾驶优势众多，但有些人可能不希望计算机来保护他们的安全。如果人的因素仍然存在，我们还能实现社会面自动驾驶吗？

电动汽车资源的成本考虑和竞争

实践中的障碍，最终都会落到成本上。自动驾驶的方案和设备并不是免费的。即便有激励措施或其他商业手段来鼓励采用，但额外的成本最终极有可能转嫁到消费者身上，至少在初期会是如此。这种收费限制可能会让一些潜在的市场进入者望而却步。另一个相关的挑战是保险。一方面，业界预测自动驾驶功能会大幅减少车祸，但随着汽车标配的内容增加，需要更多的保险来为自动驾驶功能提供保障。

最后，普及电动汽车的冲刺浪潮，可能会夺走自动驾驶汽车开发中的注意力、资源和动力。得益于电源可靠性，电动汽车是自动驾驶功能的首选架构，但主机厂很可能会降低自动驾驶汽车的开发强度，将资源投入到单纯增加电动汽车产量中。