最近關(guān)注車圈的車友應(yīng)該都被“智能化”這個詞刷屏了，尤其當小編實地參觀了上海車展后，更是被眾多車廠銷售口中的智能化無人駕駛解決方案渲染的“頭暈眼絢”。也在考慮要不要買一輛具備一定無人駕駛能力的智能化電動汽車了。

別急，仔細研究了一番無人駕駛行業(yè)的全景圖后，小編從中總結(jié)了無人駕駛技術(shù)最為重要的幾項細分技術(shù)，以及未來無人駕駛技術(shù)的發(fā)展趨勢。希望本篇的分析對于對無人駕駛技術(shù)感興趣的小伙伴以及有意購買下一輛具備無人駕駛能力的智能汽車的人提供一些思考和建議。先說結(jié)論：目前市面上眾多車廠的無人駕駛解決方案中還沒有哪一家真正意義上實現(xiàn)了L3級別的駕駛能力。溫故而知新，讓我們來復(fù)習(xí)一下無人駕駛技術(shù)不同級別的含義：

也就是說，當前車企中沒有哪一家敢說我可以閉著眼讓你開車，即使強如特斯拉都沒有達到L3級別的能力。所以消費者在考慮購買下一輛智能化汽車的時候記住不論商家把其無人駕駛功能包說的多么天花亂墜、神乎其神，你只需問他一句：達到全域L3級別的駕駛能力了嗎？有國家給的無人駕駛L3級的認證嗎？ 

當前市面所有無人駕駛車廠的解決方案均為達到真正意義上的L3級

在探究無人駕駛技術(shù)未來的發(fā)展之前，先思考下對于自動駕駛技術(shù)最為關(guān)鍵的技術(shù)因素有哪些？從技術(shù)角度講，所有自動駕駛解決方案廠商均依賴于人工智能算法的先進性和高效的架構(gòu)作為其無人駕駛平臺的底層邏輯，而人工智能算法中最適合無人駕駛解決方案的是深度學(xué)習(xí)(Deep Learning)算法。所謂深度學(xué)習(xí)，就是讓計算機從經(jīng)驗中學(xué)習(xí)，并根據(jù)層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關(guān)系來定義。 深度學(xué)習(xí)依賴于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，我們先用大白話聊一聊什么是神經(jīng)網(wǎng)絡(luò)，然后再介紹為什么要把神經(jīng)網(wǎng)絡(luò)做“深”呢？相信看完本文之后就能理解什么是深度學(xué)習(xí)了。

從系統(tǒng)角度出發(fā)，一個系統(tǒng)通常有三個部分組成：輸入、輸出和模型。

輸入和輸出比較好理解，那么模型是什么呢？簡單的說，模型就是輸入和輸出之間的映射關(guān)系。

先拿一個最簡單的例子來說：一個系統(tǒng)的輸入是X，輸出為Y，我們知道x=1，y=2；x=2，y=4；以此類推。我們很容易就得出x與y之間的映射關(guān)系，即y是兩倍的x，即y=2x。

這個例子比較簡單，我們一眼就能看出輸入和輸出之間的關(guān)系，當x為圖片、聲音、股市交易單、人口與房價等等復(fù)雜的輸入時，如何計算出想要的輸出y呢？

這時候就很明確了，從輸入推理出輸出的關(guān)鍵就在于，獲取輸入和輸出之間的映射關(guān)系，我們將輸入和輸出之間的映射關(guān)系定義成一個函數(shù) Y=F（x，0），這里的Y就是輸出，x是輸入。

關(guān)鍵就在于，怎么求解這個F呢？這時候就要祭出神經(jīng)網(wǎng)絡(luò)了，它的作用就是通過調(diào)整參數(shù)來求解輸入輸出之間的映射關(guān)系F。

從理論上來講，神經(jīng)網(wǎng)絡(luò)通過調(diào)整各層的參數(shù)0，可以擬合任意復(fù)雜度的函數(shù)。我們先喂給神經(jīng)網(wǎng)絡(luò)一定量的輸入輸出數(shù)據(jù)，通過一次次的訓(xùn)練，讓網(wǎng)絡(luò)學(xué)習(xí)到當前輸入輸出數(shù)據(jù)之間的映射關(guān)系。那么如果未知的輸入X與訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入服從同分布的話，將這個未知輸入X送入神經(jīng)網(wǎng)絡(luò)中就能夠映射出一個輸出Y。

神經(jīng)網(wǎng)絡(luò)就get到預(yù)測的能力了！

可是這種映射的結(jié)果一定是準確的嗎，比如我輸入一張貓咪的圖像進入識別動物的神經(jīng)網(wǎng)絡(luò)，我想要的輸出結(jié)果是：這是一只貓咪。但神經(jīng)網(wǎng)絡(luò)給出的輸出有可能是：這是一只狗狗或者是一只貓貓。

這些基于神經(jīng)網(wǎng)絡(luò)的深度機器學(xué)習(xí)算法的性能在很大程度上依賴給定數(shù)據(jù)的表示（或者說“參照物”），深度學(xué)習(xí)算法通過不斷類比和窮舉其他較簡單的表示（參照物），經(jīng)過對決策標識的融合后來表達復(fù)雜表示。

此外，自動駕駛技術(shù)依賴外部傳感器去感知環(huán)境，利用算法和芯片處理器去識別環(huán)境，通過算法提供的智能化決策給汽車輸入控制從而來實現(xiàn)自動駕駛的功能。

了解了自動駕駛實現(xiàn)的邏輯，我們需要考慮的是當前技術(shù)環(huán)境下實現(xiàn)自動駕駛發(fā)展的制約因素主要有哪些？

或者說目前在熱門的無人駕駛賽道中，有哪些關(guān)鍵環(huán)節(jié)技術(shù)需要率先突破從而實現(xiàn)無人駕駛解決方案向著L3-L4-L5方向前進。

01超級人工智能（AI）處理器

前文講到，自動駕駛技術(shù)主要采用深度學(xué)習(xí)（deep learning）作為其核心邏輯引擎。而深度學(xué)習(xí)（deep learning）的核心是把物體進行微分化處理，微分處理后的“碎片信息”會被標識成不同的門類（參照物），經(jīng)過對這些門類的再次微分化，使“碎片化”信息逐步從局部到整體的匹配識別。要完成這樣不斷分割、對比、標識、聚攏的復(fù)雜化流程，就需要異常強大的算力作為支撐。算力TOPS(Tera trillion" Operations Per Second) 表示每秒萬億次操作，它主要是對信息數(shù)據(jù)最大可實現(xiàn)吞吐量的度量，是當前最直觀評價AI芯片的能力指標。

列幾個目前市面有代表性的幾家技術(shù)廠商的算力平臺性能：

AI行業(yè)中的主要處理器類型有以下：

CPU（中央處理單元）是為通用計算目的而設(shè)計的芯片，著重于計算和邏輯控制功能。它們在處理單個復(fù)雜的計算順序任務(wù)方面很強，但是在大規(guī)模數(shù)據(jù)計算方面卻很差。

GPU（圖形處理單元）最初設(shè)計用于圖像處理，但已成功地用于AI。GPU包含數(shù)千個內(nèi)核，并且能夠同時處理數(shù)千個線程。這種并行計算設(shè)計使GPU在大規(guī)模數(shù)據(jù)計算中極為強大。

FPGA（現(xiàn)場可編程門陣列）是可編程邏輯芯片。這種類型的處理器在處理小規(guī)模但密集的數(shù)據(jù)訪問方面功能強大。此外，F(xiàn)PGA芯片允許用戶通過其微小的邏輯塊對電路路徑進行編程，以處理任何種類的數(shù)字功能。

ASIC（專用集成電路）是高度定制的芯片，專門設(shè)計用于在特定應(yīng)用中提供卓越的性能。但是，定制的ASIC一旦投入生產(chǎn)，就無法更改。

其他芯片類型，例如神經(jīng)形態(tài)處理單元（NPU），其結(jié)構(gòu)可模仿人腦，具有在未來成為主流的潛力，但仍處于開發(fā)的早期階段。

綜上所述，當前主要影響全自動駕駛的阻礙是AI芯片的設(shè)計能力和制造能力以及強大5G網(wǎng)絡(luò)基礎(chǔ)設(shè)施全面構(gòu)建。

02高精度高集成化傳感器系統(tǒng)

感知定位是自動駕駛的前提，當前汽車主要采用雷達來測量前車距離，采用攝像頭來識別物體，采用IMU,GNSS來預(yù)測車輛運動狀態(tài)。

未來自動駕駛解決方案將大規(guī)模采用激光雷達定位感知大部分障礙物，同時還會加入熱成像技術(shù)來識別動物和夜間成像等。

根據(jù)2021最新Yole的報告顯示，未來實現(xiàn)自動駕駛整車上傳感器的成本會是當前汽車上的傳感器價格的8倍左右。

這些價格的增量部分主要來自于多種高精度傳感器（包括激光雷達）的使用，車載大量的傳感器精度與可靠度升級。此外，高集成度的傳感器集合與可適配的整車布置會使得傳感器與車載大燈和激光雷達的融合。最近大熱的蔚來ET7車型所使用的自動駕駛雷達攝像頭均布置在追求流線外形和低風(fēng)阻設(shè)計車頂部分，這大大影響了美觀和整車動力性能的設(shè)計。未來，高精度與集成的傳感器系統(tǒng)將會解決車企這樣的“尷尬”。

03自動駕駛軟件及算法

需要說明的是，車載自動駕駛軟件算法遠比當前任何商用飛行器都復(fù)雜，汽車在實際駕駛的真實場景中所遇到的情況比飛機要復(fù)雜很多。隨著汽車全球普及率越來越高，未來的城市郊區(qū)路況都將更加復(fù)雜多變。這也使得自動駕駛軟件和算法需要不斷迭代和極強的數(shù)據(jù)分析與決策能力。未來，無人駕駛方案對不斷更新的算法和軟件都提出了極高的要求。

04 車路協(xié)同V2X標準和生態(tài)的盡快建立

在實現(xiàn)自動駕駛的過程中，對于車端感知的自動駕駛器由于感知范圍有限，感知性能上由于傳感器自身存在的限制，可能導(dǎo)致感知性能暫時性降低甚至失效，僅靠單車的智能，很多典型的駕駛場景是無法滿足安全駕駛需求的，這也是當前主機廠開發(fā)自動駕駛系統(tǒng)的痛點。

這就使得路端信息的加入是一個必需的過程。通過對部分主機廠已經(jīng)量產(chǎn)的自動駕駛產(chǎn)品統(tǒng)計分析看出，L4在其限定的運行范圍ODD內(nèi)需要運行穩(wěn)定安全，更多是需要路端軟件配合車端軟件進行優(yōu)化。主機廠希望通過構(gòu)建智慧的路以彌補車端感知缺陷，從而達到提高自動駕駛性能，降低成本的目的。

總結(jié)

自動駕駛技術(shù)的發(fā)展已經(jīng)到了必須改造基礎(chǔ)設(shè)施的階段，要全面構(gòu)筑“人-車-路”全域數(shù)據(jù)感知的智能路網(wǎng)，進入“聰明的車”與“智能的路”相互協(xié)同的新階段。也就是說，從自主駕駛轉(zhuǎn)向車路協(xié)同?？梢韵葘唵蜗鄬潭ǖ膱鼍斑M行路端改造。

比如乘用車行駛路線因個人和時間的不同而不同，短期內(nèi)難以大面積鋪開。但對固定物流路線改造則相對容易，由于使用率高，邊際成本將大大降低。對于廣泛應(yīng)用的小汽車，自主駕駛的技術(shù)路線更為可能和現(xiàn)實。當然，對于城市公交和礦區(qū)、碼頭的搬運車輛等，由于固定線路和特定區(qū)域，可充分利用車路協(xié)同技術(shù)的優(yōu)勢。