放大
缩小
默认
传统车企正在面临一场主要由科技公司主导的以自动驾驶技术为核心的产业革命。但仔细审视一下实现高级别自动驾驶（SAE Level 4及以上）所需的技术，你就会了解到，真正实现并推广该类汽车需要花上比预期更长的时间，或许是5年，或许是10年。
如何区分自动驾驶和无人驾驶？业界比较流行的解释是来自美国国家公路交通安全管理局（NHTSA）给出的评级（SAE Level），其将自动驾驶功能分为5个级别（0-4级)。
0级：没有任何程度的自动驾驶功能，司机对汽车的所有功能有绝对的控制权。目前，这种车在市面上已经不多见了。
1级：向司机提供基本的技术性帮助，例如电子稳定性控制或预充点刹车。目前，几乎所有汽车都能达到这个标准。
2级：组合功能自动化，实现多种功能的自动控制。例如，自动巡航控制、车道保持、前车跟跑保持车距等。现在已经有少部分新车支持这一功能。
3级：在有限的情况下实现自动控制，比如特斯拉的高速自动驾驶。这一级别的关键在于，车辆虽然可以进行一定程度的自动驾驶，但是司机仍要对车辆进行接管，从而应对紧急情况。
4级：完全自动驾驶，无需司机干预，车辆可以在无人协助的情况下行驶。
ADAS功能成为标配
对实现自动驾驶汽车的初步尝试主要集中在高级驾驶员辅助系统（ADAS）领域，紧急制动、倒车摄像头、自适应巡航控制等技术一开始最先应用在豪华车上。最终，汽车产业的监管机构开始要求在每辆汽车中都配置部分ADAS功能，这加速了其对大众市场的渗透。
截至2016年，ADAS技术已经形成了一个规模大约为150亿美元的市场。在全球范围内，ADAS系统的需求量从2014年的9000万套增加到了2016年的约1.4亿套。仅仅过了两年时间，其规模就增长了50%。
虽然ADAS已经取得长足的进展，但整个行业还没有确定半自动驾驶（如SAE Level 3）的最佳技术原型，因此目前仍处于测试-改进模式。到目前为止，整个行业共出现了三种技术路线：以摄像头为主，毫米波雷达为辅；以毫米波雷达为主，摄像头为辅；混合路线，即把激光雷达、毫米波雷达、摄像头等硬件以及传感器融合算法互相结合，以实现对环境更细致的理解。
实现上述技术路线的成本各不相同。其中，“混合路线”最为昂贵。截至目前，上述三种技术路线之间尚未决出胜负，每个系统都有其优缺点。例如，“以毫米波雷达为主”的方法可以在高速公路场景下良好运行，该场景中的交通流量相对而言较易预测，并且对环境进行测绘的精度要求并不高。另外，“混合路线”的方法在人口稠密的城市地区能够更好地开展工作。
软件仍是关键技术瓶颈
随着各企业推出软件包来尝试打造第一批全自动驾驶汽车，他们正在用不同的技术路线来解决自动驾驶汽车在感知、定位、决策等方面遇到的技术难题（见图）。
目前，摄像头已经能够满足测试距离、分辨率和视场等方面的性能要求，但在恶劣天气条件下也存在显著的局限性。毫米波雷达在技术上已经准备就绪，它是恶劣天气及复杂路况条件下进行探测的最佳选项。提供最佳视场的是激光雷达，它可以极高的精度探测车辆周围360度范围内的环境状况。目前，市场上出售的激光雷达的价格还很昂贵。从商业化的角度来看，企业需要了解完全自动驾驶汽车所需的最佳传感器数量，以控制整车成本。
事实上，不论是图形处理器还是中央处理器，汽车内硬件的性能已经接近或达到使高度优化后的自动驾驶汽车软件顺畅运行所需的水平。目前的技术应该能够很快达到自动驾驶汽车所需的计算能力，但软件仍将是关键的技术瓶颈。
开发出与自动驾驶汽车硬件相匹配的软件仍然需要较长时间。关键的问题是，自动驾驶汽车必须在道路上（有其他自动驾驶汽车以及人类驾驶员的情形下）学习如何与之协商驾驶，这是一个令人头痛的博弈难题。此外，对车辆进行高精度定位是另一个有待解决的复杂问题。解决上述难题不仅需要大量的前期研发，而且需要经过长时间的测试和验证。三种类型的问题更具体地说明了软件瓶颈。
首先是物体分析，即探测到物体并理解它们所代表的含义，这对自动驾驶汽车至关重要。例如：该系统应该以不同的方式处理静止停放的摩托车和在路边骑自行车的人。因此，人们必须在物体分析阶段就捕捉到两者之间关键性的差异。物体分析问题中的初步挑战是物体探测，考虑到一天中不同的时间段、环境背景和任何可能出现的运动，这项任务可能会变得很困难。此外，考虑到传感器所采集的各数据类型（来自激光雷达的点云数据、来自雷达的对象列表以及来自相机的图像数据）之间的差异，确认物体的存在性及其类型所需的传感器融合算法在技术上要想实现是极具挑战性的。
其次是决策系统的设计。为了模仿人类的决策，它们必须历经大量应用情景并进行密集且全面的“训练”。理解和标注不同的场景和图像对于自动驾驶系统而言是一个运用普通方法所难以解决的问题，开发人员可以先构建一个“if-then”的规则数据库，然后在此基础上利用机器学习引擎来对其进行补充，这样能够在特定场景中进行智能推理并采取相应行动，而创建一个这样的引擎是一项非常艰巨的任务，需要完成大量的开发、测试和验证工作。
最后，该系统还需要一个故障安全机制，该机制能确保在汽车发生故障时不会让车内的乘客和周围的人员陷于危险。目前尚无任何方法来检查每一个可能出现的软件状态及其所造成的结果，建立防护措施以防止最坏结果发生的同时，控制车辆安全地停车仍是有待解决的难题。因此，冗余设计和长时间的测试工作仍是必须的。
研发要“抱团”迎接挑战
虽然目前的评估表明，大规模引入完全自动驾驶技术还需要10多年的时间，可行业参与者们仍在尝试通过多种方法压缩这一时间进程。
首先，参与到自动驾驶汽车产业的科技公司应该认识到，单个公司独立开发自动驾驶汽车所需的整套软件和硬件系统是极具挑战性的。因此，他们更加需要擅长合作和形成产业合作伙伴关系。具体来说，他们可以与行业中的传统参与者形成产业联盟关系；与技术供应商进行合作，如激光雷达技术及地图技术供应商。
其次，为几家企业所专有的解决方案开发和验证可能会非常昂贵，因为他们要求这几家参与企业承担所有责任和风险。开放的心态和商定的标准不仅会加速进程，而且能使正在开发的系统拥有更好的鲁棒性。因此，以设计互通性部件作为准则的开发模式将起到鼓励采用模块化、即插即用系统开发框架的作用。
此外，另一种加快这一进程的方法是将致力于对组件进行开发的行业风气逐步转到对集成系统的开发上。不同于目前行业主流的只专注于开发拥有特定用途的组件，业界需要更多地关注开发实际系统，特别是考虑到自动驾驶汽车所面临的安全方面的难题。事实上，在车辆的整个生命周期中达到一定水平的可靠性和耐用性，将成为整个行业所必须完成的新的强制性任务，而强调在系统层面进行开发可能是实现该目标的最佳方法。
完全自动驾驶汽车可能会在未来5-10年，甚至更久实现，但是目前各家企业大都已在自动驾驶的赌局中投下了巨额赌注。自动驾驶汽车将会如何做出决策、感知周围环境并保护驾乘人员？想要掌控自动驾驶汽车产业战略要素的传统车企正面对着一批在技术上富有竞争力且资源雄厚的挑战者。
鉴于自动驾驶汽车产业狂飙突进的发展速度，企图在该产业中讨得一杯羹的企业在战略层面给自己定位，以便快速抓住此次产业机会。而对于监管机构而言，其需要追踪最新的技术发展动态，以便在不妨碍技术创新的前提下，确保公众的安全。
放大
缩小
默认